32
BAB 3
METODE PENELITIAN
3.1. Populasi dan Sampel
Populasi dalam penelitian ini adalah berbagai pasar saham di dunia.Sampel yang dipilih adalah pasar saham di Amerika Serikat, Inggris, Jerman, Perancis, Jepang, Hong Kong, dan Indonesia. Data yang dianalisis merupakan indeks saham pada pasar saham di negara-negara tersebut.
Indeks saham yang digunakan dalam penelitian ini adalah sebagai berikut:
1. Dow Jones Composite Average (DJA)
Pasar saham Amerika Serikat merupakan pasar saham dengan kapitalisasi terbesar di dunia. DJA terdiri dari 65 saham perusahaan terkemuka Amerika Serikat, DJA merupakan kombinasi dari Dow Jones
Industrial, Transportation, dan Utilities Average. Indeks ini
menggunakan perhitungan Price-Weighted Index.
2. Financial Times Stock Exchanges (FTSE 100)
Inggris memiliki pasar saham dengan nilai kapitalisasi terbesar di Eropa, dan kedua terbesar di dunia, di belakang Amerika Serikat. FTSE 100 terdiri dari 100 perusahaan dengan kapitalisasi terbesar yang diperdagangkan di London Stock Exchange. Indeks ini menggunakan perhitungan Capitalization-Weighted Index.
3. Deutscher Aktien IndeX (DAX)
Pasar saham Jerman merupakan salah satu pasar saham dengan nilai kapitalisasi terbesar di eropa dan dunia. DaX terdiri dari 30 saham
perusahaan utama yang diperdagangkan di Frankfurt Stock Exchange. Indeks ini menggunakan perhitungan Capitalization-Weighted Index.
4. Cotation Assistee en Continu Index (CAC 40)
CAC 40 merupakan indeks saham dari pasar saham Perancis yang merupakan salah satu pasar saham utama di Eropa. Terdiri dari 40 perusahaan terkemuka yang diperdagangkan di Paris Bourse. Indeks ini menggunakan perhitungan Capitalization-Weighted Index.
5. Nikkei 225 (NIKKEI)
Di benua Asia, Jepang memiliki pasar saham dengan nilai kapitalisasi terbesar. NIKKEI terdiri dari 225 perusahaan terkemuka yang diperdagangkan di Tokyo Stock Exchange. Indeks ini menggunakan perhitungan Price-Weighted Index.
6. Hang Seng Index (HSI)
Hong Kong memiliki pasar saham dengan nilai kapitalisasi terbesar kedua di Asia, di belakang Jepang. HIS terdiri dari 48 perusahaan utama di Hong Kong Stock Exchange. HIS dibagi menjadi 4 sub-indeks, yaitu
Commerce & Industry, Properties, Finance, dan Utilities. Indeks ini
menggunakan perhitungan Capitalization-Weighted Index.
7. Indeks Harga Saham Gabungan (IHSG)
Indeks Harga Saham Gabungan merupakan indeks saham yang digunakan oleh Bursa Efek Indonesia. IHSG terdiri dari 9 sektor, yaitu Pertanian, Pertambangan, Industri Dasar, Aneka Industri, Industri Barang Konsumsi, Properti, Infrastruktur, Keuangan dan Perdagangan. Indeks ini menggunakan perhitungan Capitalization-Weighted Index.
3.2. Sumber Data
Penelitian ini menggunakan data sekunder, yaitu data indeks saham DJA, FTSE 100, DAX, CAC 40, NIKKEI, HASI, dan IHSG secara bulanan dari tahun 1998 - 2012. Data ini diperoleh dari situs Yahoo! Finance, yang beralamat di finance.yahoo.com.
Daftar negara dan kode indeks saham dapat dilihat di Tabel 3.1.
Tabel 3.1. Daftar Negara beserta Kode Indeks Saham
Negara Kode Indeks Saham
Amerika Serikat DJA
Inggris FTSE 100
Jerman DAX
Perancis CAC 40
Jepang NIKKEI
Hong Kong HSI
Indonesia IHSG
3.3. Variabel Penelitian
Variabel yang akan diteliti adalah indeks saham masing-masing negara, yaitu DJA, FTSE 100, DAX, CAC 40, NIKKEI, HSI, dan IHSG, yang akan dianalisa secara berpasangan.
Dalam penelitian ini, terdapat 4 periode waktu yang akan dipakai untuk menganalisa variabel indeks saham, yaitu:
1. Periode Sebelum Krisis (Januari 1998 – November 2001)
Periode sebelum titik awal pemicu krisis Subprime Mortgage, yaitu penurunan suku bunga perbankan yang dinyatakan oleh Federal Reserve (Bank Sentral Amerika) pada tanggal 11 Desember 2001 (U.S. Federal
2. Periode Krisis I (Desember 2001 – Juni 2007)
Periode “bubbling” atau periode menggelembungnya harga properti skema
Subprime Mortgage. Diawali dari penurunan suku bunga perbankan (11
Desember 2001) sampai sebelum penurunan massal rating (peringkat) surat-surat berharga seperti RMBS (Residential Mortgage Backed Security) atau Efek Beragun KPR, CDO (Collateralized Debt Obligation) atau Kewajiban Utang Kolateral, oleh lembaga pemeringkat kredit pada tanggal 10-12 Juli 2007. Menurut U.S. Permanent Subcommitee of Investigations (2011: 45), penurunan peringkat surat-surat tersebut merupakan pemicu terbesar krisis
Subprime Mortgage.
3. Periode Krisis II (Juli 2007 – Januari 2010)
Periode pecahnya “bubble” atau jatuhnya harga properti skema Subprime
Mortgage. Diawali dengan penurunan peringkat RMBS dan CDO (10-12 Juli
2007) sampai dengan keluarnya laporan Trouble Asset Relief Program: Two
Year Retrospective. U.S. Department of Treasury (2010: 1) pada laporan
tersebut menyatakan bahwa kondisi pasar telah stabil dan sebagian besar kerugian pada bank telah dipulihkan pada tanggal 27 Januari 2010.
4. Periode Setelah Krisis (Februari 2010 – Desember 2012)
Periode setelah krisis Subprime Mortgage telah berakhir, yang diawali dengan laporan stabilnya kondisi pasar oleh United States Department of
3.4. Tahapan Penelitian
Tahapan penelitian yang akan dilakukan adalah sebagai berikut:
Start Identifikasi Masalah Pengumpulan Data Analisis dan Pengembangan Aplikasi Kesimpulan Finish
Gambar 3.1 Tahapan Penelitian
3.5. Tahapan Pengembangan Aplikasi
Tahapan pengembangan aplikasi yang akan dilakukan adalah sebagai berikut:
Start Perencanaan Perancangan Pemrograman Pengujian Finish Implementasi
3.6. Metode Analisis
Langkah-langkah metode analisis pada penelitian ini adalah:
Uji Stasioneritas
Uji Kointegrasi
Differencing Data
Estimasi Model VAR Uji Lag Optimal
Estimasi Model VEC
Uji Granger Causality
Uji Lag Optimal Tidak Stasioner Tidak Kointegrasi Kointegrasi Stasioner Start Finish Statistik Deskriptif Prediksi (Perbandingan MSE)
Gambar 3.3. Tahapan Analisis
1. Melakukan perhitungan statistik deskriptif pada data untuk mengetahui karakteristik data yang dipakai. Statistik deskriptif meliputi rata-rata, min, max, median, dan grafik.
2. Melakukan uji stasioneritas atau uji akar unit pada data deret waktu dengan menggunakan Augmented Dickey Fuller Test
Hipotesis pada Augmented Dickey Fuller Test:
H0 : (Terdapat akar unit, variable y tidak stasioner)
H1 : (Tidak terdapat akar unit, variable y stasioner)
3. Jika pada data terdapat akar unit atau tidak stasioner, akan dilakukan uji kointegrasi dengan menggunakan uji Johansen.
Statistik uji maximum eigenvalue:
H0 = Terdapat sebanyak r, r = 0,1,..,k-1 persamaan kointegrasi
H1 = Terdapat r+1 persamaan kointegrasi
4. Melakukan Uji Lag Optimal dengan Uji Akaike’s Information
Criterion (AIC) dan Schwarz Information Criterion (SIC). Jumlah lag
yang dipilih adalah yang memiliki nilai AIC dan SIC yang terkecil.
4. Membuat permodelan VAR atau VEC. Jika data sudah stasioner, atau tidak stasioner namun tidak berkointegrasi, akan digunakan model VAR. Jika data tidak stasioner dan berkointegrasi, akan digunakan model VEC.
5. Setelah data sudah stasioner dan sudah diketahui jumlah lag yang tepat, maka selanjutnya dilakukan Uji Granger Causality. Dengan menggunakan Uji signifikansi F, terdapat dua hipotesis yang digunakan:
H0 : y1 tidak menyebabkan y2 secara Granger H1 : y1 menyebabkan y2 secara Granger dan
H0 : y2 tidak menyebabkan y1 secara Granger H1 : y2 menyebabkan y1 secara Granger
6. Melakukan prediksi dengan model yang sudah terbentuk, dan melakukan perbandingan MSE.
3.7. Perancangan Layar
Tampilan awal program akan memiliki pilihan File, dan Analyze. seperti pada gambar 3.4. Dalam File akan ada pilihan untuk membuka, Import Data, About dan Exit. Jika pengguna memilih untuk memasukkan data, data akan muncul pada halaman awal aplikasi. Dalam Analyze, user dapat memilih Stationarity Test atau
VAR and Granger Causality Test.
File Analyze
Table
Add Data Variable Test Statistic Critical Value Result Run Test Show Plot Lag Optimal Stationary Test
Gambar 3.5. Halaman Stationarity Test
Jika user memilih Stationarity Test, akan muncul layar seperti pada Gambar 3.5. User akan diminta untuk memilih variabel yang akan diujikan. Dengan memilih
Run Test, akan melakukan proses dan menampilkan hasil uji. User juga dapat
melihat plot dari variabel yang diujikan dengan memilih Show Plot. Setelah itu, user dapat memilih Lag Optimal untuk berlanjut ke proses berikutnya.
Tampilan Lag Optimal ditunjukkan pada Gambar 3.6. User akan diminta untuk memasukkan variabel pertama dan kedua, jumlah lag maksimal, dan tipe. Dengan memilih Run maka akan ditampilkan hasil lag yang optimal beserta nilainya.
Add Data First Variable Second Variable Type Criteria Values Lag(s) Lag Optimal Lag Selection Run VAR
Tampilan layar VAR ditunjukkan oleh Gambar 3.7. Variabel, lag dan tipe yang muncul akan sama dengan yang dipilih pada halaman Lag Optimal. User hanya perlu memilih Run untuk menjalankan perhitungan dan menampilkan hasil estimasi model VAR. Pada pengujian Granger Causality,seperti pada Gamber 3.8, user juga tidak perlu memasukkan variabel, karena variabel yang dipilih sudah ditentukan pada penguijan Lag Optimal. User cukup memilih Run Test untuk mengetahui hasil uji
Granger Causality.
Model 1
Run Lag Optimal
VAR First Variable Second Variable Type Lag(s) Granger Causality Model 2
Gambar 3.7. Halaman VAR
Result Run Test Granger Causality First Variable Second Variable Lag Optimal F Stat F Table Result F Stat F Table
3.8. Perancangan UML 3.8.1. Use Case Diagram
User
Import Data
Stationarity Test
Lag Optimal Test
Granger Causality Test
<<depends on>>
<<depends on>>
<<depends on>>
Estimating VAR Model
<<depends on>>
Gambar 3.6 Use Case Diagram
Aktor, dalam hal ini user, dapat memasukkan data, mengolah dan
menganalisis data. Dalam mengolah dan menganalisis data, akan tergantung pada proses import data yang harus terlebih dahulu dilakukan. Berbagai uji
yang dapat dilakukan saat mengolah dan menganalisa data adala uji stasioneritas, uji lag optimal, permodelan VAR dan uji kausalitas Granger.
3.8.2. Activity Diagram
3.8.2.1 Activity Diagram Import Data
User System
Memilih Menu File
Membuka Layar Pilihan Data Memilih Import Data
Memilih Data
Memilih OK Menampilkan Data di
Layar Utama Memilih Cancel Menampilkan Layar Utama Setuju Memasukkan Data Batal Memasukkan Data
3.8.2.2 Activity Diagram Stationarity Test User System Memilih Menu Stationarity Test Menampilkan Hasil Uji Stasioneritas Memasukkan Variable, dan Type Menampilkan Layar Stationarity Test
Memilih Run Test
Melakukan Uji Stasioner
Memilih Show Plot
Melihat Plot
Menampilkan Plot
3.8.2.3 Activity Diagram Estimating VAR Model dan Granger
Causality Test
User System
Memilih Menu VAR and Causality
Menampilkan Hasil Lag Optimal Memilih Variabel,
Max Lag dan Type
Menampilkan Layar Lag Optimal Memilih Run Memilih VAR Memilih Granger Causality Menampilkan Layar VAR
Memilih Run Menampilkan Hasil
Model VAR
Menampilkan layar Granger Causality
Memilih Run Menampilkan Hasil
Uji Granger Causality
3.8.3. Class Diagram <<Interface>> Home +datapath: String +rpath: String +data: double <<interface>> StationarityUI +DataList: String +varstat: String +lagstat: int +type: String -crit: double -critv: double -result: String <<interface>> LOUI +firstv: String +seco ndv: String -maxlag: int +type: String +datalist: String -hq: int +aic: int -sc: int -fpe: int -laic: double -lhq: double -lsc: double -lfpe: double <<interface>> MVARUI -var1: String -var2: String -coef1: double -coef2: double -lag: int -ty pe: String
<<interface>> GrangerUI -vargc1: String -vargc2: String -lag: int -fstat1: double -df: double -fstat2: double -tabelf: double -gcresult1: String -gcresult2: String <<controller>> DataCon +variable: String +lag: int +ty pe: String +code: String +setselectedvariable() +requestadftest() +requestlotest() +requestmvar() +requestgrangertest() +selectdata() Data +dataloc: String +datanames: String +datalist: double +rloc: String +variable: String +getdata() +setvariable() <<controller>> UICon +varnames: String +varlag: int +showstationarity() +showlagoptimal() +showvar() +showgranger() 1..* 1 1 1 1 1 1..* 1..* 1 1..* 1 1 1..* 1 1 <<interface>> Browse +browse() Stationarity -variable: String -lag: int -type: String -crit: double -critv: double -result: String +setadfvariable() +computeadf() LagOptimal -variable: String -variable2: String -maxlag: int -type: String -aic: int -hq: int -sc: int -fpe: int -laic: double -lhq: double -lsc: double -lfpe: double +setlovariable() +computelo() MVAR -variable: String -variable2: String -lag: int -type: String -coef1: double -doef2: double +setoptimallag() +getlag() +computemvar() Granger -variable: String -variable2: String -lag: int -fstat1: double -fstat2: double -df: double -tabelf: double -gcresult1: String -gcresult2: String +computegranger() 1 1 1..* 1..* 1..* 1..* 1..* 1..* 1..* 1..* 1 1..* 1 1 1
3.8.4. Sequence Diagram
3.8.4.1. Sequence Diagram Import Data
data saved setdata() <<controller>> :DataCon :Data User <<interface>> :Browse
Select Import Data
<<interface>> :Home Select Data browse() selectdata() Send Data Show Data Show Data
Gambar 3.11. Sequence Diagram Import Data
3.8.4.2. Sequence Diagram Stationarity Test
:Data
adf variable selected setadfvariable()
<<controller>> :UICon User <<interface>>
:StationarityUI
Select Stationary Test
requestadftest() Activate Stationarity Page showstationarity() <<interface>> :Home <<controller>> :DataCon computeadf() compute result Select Variable
Input Lag, Select Run Test
getvariable() :Stationarity send names Send Result setselectedvariable() Show Result Show Stationarity Page
3.8.4.3. Sequence Diagram Lag Optimal Test :Data lo variable selected setlovariable() <<controller>> :UICon User <<interface>> :LOUI Select VAR and
Granger Cusality
requestlotest() Activate Lag Optimal Page showlagoptimal() <<interface>> :Home <<controller>> :DataCon computelo() send result Select Variable
Input Max Lag, Select Type, Select Run Test
getvariable() :LagOptimal send names Send Result setselectedvariable() setoptimallag() :MVAR
variables and max lag selected
Show Result Show Lag Optimal Page
Gambar 3.13. Sequence Diagram Lag Optimal Test
3.8.4.4. Sequence Diagram Estimating VAR Model
:MVAR <<controller>> :UICon User <<interface>> :MVARUI Select VAR requestmvar() Activate VAR Page
showVAR() <<interface>> :LOUI <<controller>> :DataCon computemvar() send var Select Run Test
getlag() send variable names and max lag
send result Show Result
Show VAR Page
3.8.4.5. Sequence Diagram Granger Causality Test :MVAR <<controller>> :UICon User <<interface>> :GrangerUI Select Granger Causality requestgrangertest() Activate Granger Page
showgranger() <<interface>> :MVARUI <<controller>> :DataCon computegranger() send granger Select Run Test
getmaxlag() send variable names and max lag
send result
:Granger
Show Result Show Granger Page