pengaruh indeks harga saham gabungan, faktor ekonomi makro ...
ANALISIS PENGARUH INDEKS HARGA SAHAM SEKTOR …
Transcript of ANALISIS PENGARUH INDEKS HARGA SAHAM SEKTOR …
1
ANALISIS PENGARUH INDEKS HARGA SAHAM SEKTOR
KEUANGAN, TINGKAT INFLASI DAN SUKU BUNGA
BANK INDONESIA TERHADAP INDEKS HARGA
SAHAM GABUNGAN DI BURSA EFEK INDONESIA
TAHUN 2000-2009 DENGAN MENGGUNAKAN
MODEL ARCH-GARCH
Alfina Reisya
PROGRAM STUDI MATEMATIKA
FAKULTAS SAINS DAN TEKNOLOGI
UNIVERSITAS ISLAM NEGERI
SYARIF HIDAYATULLAH
JAKARTA
2011/1432 H
2
PENGESAHAN UJIAN
Skripsi berjudul “Analisis Pengaruh Indeks Harga Saham Sektor Keuangan, Tingkat Inflasi dan Suku Bunga Bank Indonesia Terhadap Indeks Harga Saham Gabungan di Bursa Efek Indonesia Tahun 2000-2009 Dengan Menggunakan Model ARCH-GARCH” yang ditulis oleh Alfina Reisya, NIM 107094002394 telah di uji dan dinyatakan lulus dalam sidang Munaqosyah Fakultas Sains dan Teknologi Universitas Islam Negeri Syarif Hidayatullah Jakarta pada tanggal 8 Juni 2011. Skripsi ini telah diterima sebagai salah satu syarat untuk memperoleh gelar sarjana strata satu (S1) Program Matematika.
Menyetujui,
Penguji 1, Penguji 2,
Taufik Edy Sutanto, M.Sc.Tech Suma’inna, M.si NIP. 19790530 200604 1002 NIP. 158 408 699
Pembimbing 1, Pembimbing 2,
Hermawan Setiawan, M. TI Gustina Elfiyanti, M.si NIP. 19740623 199312 2001 NIP. 19820820 200901 2 006
Mengetahui :
Dekan Fakultas Sains dan Teknologi, Ketua Program Studi Matematika,
DR. Syopiansyah Jaya Putra, M. Sis Yanne Irene, M. Si NIP. 1968117 200112 1 001 NIP. 19741231 200501 2 018
3
PERNYATAAN
DENGAN INI SAYA MENYATAKAN BAHWA SKRIPSI INI BENAR-
BENAR HASIL KARYA SENDIRI YANG BELUM PERNAH DIAJUKAN
SEBAGAI SKRIPSI PADA PERGURUAN TINGGI ATAU LEMBAGA
MANAPUN.
Jakarta, Mei 2011
Alfina Reisya 107094002394
4
PERSEMBAHAN
Kupersembahkan skripsi ini teruntuk
kedua orang tuaku, Mom and Dad, kedua kakakku
Kak Ria, Kak Youfi juga Reifin adikku tersayang yang
tiada henti memberikan semangat sehingga
penulis dapat menyelesaikan skripsi ini
MOTTO
“Sesungguhnya sesudah kesulitan ada kemudahan“ (Q.S Al-Insyirah:6)
Always be yourself
Tiada Kesuksesan Tanpa Cucuran Keringat dan Air Mata
We Always Have A Choice
5
ALFINA REISYA, Analisis Pengaruh Indeks Harga Saham Sekor Keuangan, Tingkat Inflasi dan Suku Bunga Bank Indonesia Terhadap Indeks Harga Saham Gabungan di Bursa Efek Indonesia Tahun 2000-2009 Dengan Menggunakan Model ARCH-GARCH. Di bawah bimbingan Hermawan Setiawan, M.TI dan Gustina Elfiyanti, M.Si.
Data deret waktu seperti Indeks Harga Saham Gabungan (IHSG) mempunyai sifat heteroskedastisitas pada ragam sisaannya. Kondisi pergerakan harga saham yang tidak konstan ini diduga dipengaruhi dari pergerakan indeks Harga Saham Sektoral dan keadaan variabel makro ekonomi. Penelitian ini bertujuan melihat apakah terdapat gejala volatilitas pada IHSG dan menganalisis pengaruh pergerakan Indeks Saham sektor Keuangan dan variabel makro ekonomi, yaitu Laju Inflasi dan Tingkat Suku Bunga (SBI) yang diduga berpengaruh terhadap pergerakan IHSG di Bursa Efek Indonesia. Penelitian ini menggunakan metode seleksi model regresi OLS dan model ARCH/GARCH. Pemilihan model terbaik berdasarkan pertimbangan kriteria kelayakan model, signifikansi, nilai R2, AIC & SIC. Variabel yang digunakan adalah Indeks Harga Saham Sektor Keuangan, Laju Inflasi dan Tingkat Suku Bunga Bank Indonesia (variabel independen) serta IHSG (variabel dependen) periode Januari 2000 sampai dengan Desember 2009.
Hasil penelitian menunjukkan bahwa model regresi OLS tidak tepat digunakan karena tidak terpenuhinya salah satu asumsi model, yaitu terdapat gejala heteroskedastisitas (volatilitas). Selanjutnya, untuk menanggulangi masalah heteroskedastisitas, model yang digunakan adalah ARCH-GARCH. Dari hasil pengujian, model terbaik yang digunakan untuk melihat adanya volatilitas pada pergerakan IHSG dan menjelaskan pengaruh IHSSK, Inflasi dan SBI terhadap IHSG adalah ARCH 1. Berdasarkan hasil penelitian terlihat bahwa kemampuan model dalam menjelaskan variabel dependen sebesar 98% dan seluruh variabel independen yang diajukan memiliki pengaruh yang signifikan baik secara bersama-sama maupun secara pasial.
Kata kunci: Deret Waktu, Heteroskedastisitas, Indeks Harga Saham Gabungan,
model ARCH/GARCH
6
ALFINA REISYA, The Influence Analysis of Composite Index of Finance Sector, Inflation Rate and SBI interest Towards Composite Index at Indonesia Stock Exchange in 2000-2009 by Using ARCH-GARCH Model under direction of Hermawan Setiawan, M.TI and Gustina Elfiyanti, M.Si.
Time series on composite index (IHSG) has insconstant variant
(heteroscedasticity). The movement of heteroscedasticity is possibly affected of sectoral movement index and variable macro economy condition. This survey is intended to see if any volatility on composite index and to analyze the effect of composite index of finance sector and variable macro economy, that is inflation rate and SBI interest rate that will affect towards composite index at Indonesia Stock Exchange (IDX). This survey using OLS regression and ARCH-GARCH. Model selection is based on goodness of fit criterion, significance, R2 and AIC & SIC. Variable used is Finance Sector Stock Index, Inflation Rate, BI Rate as independent variable and Composite Index as dependent variable from January 2000 up to December 2009.
Result of survey shows an OLS regression model can not appropriate be used caused by not fulfilling of model assumption’s that shows volatility. To overcome heteroscedasticity, ARCH-GARCH is applied. Result of test shows the best model used is to see if there is any volatility on composite index rate and to explain the effect of IHSSK, Inflation and SBI towards Composite Index, is ARCH 1. From this survey is found the model capacity to explain dependent variable is 98% and all independent variables which has significant effect either as a whole or partial. Keywords: Composite Index, Heteroscedasticity, model ARCH/GARCH, Time
Series
7
KATA PENGANTAR
Segala puji bagi Allah SWT, Yang Maha Mulia, yang senantiasa
melimpahkan rahmat kepada hamba-Nya. Berkat anugerah dan ridho-Nya, penulis
dapat menyelesaikan skripsi “Analisis Pengaruh Indeks Harga Saham Sektor
Keuangan, Tingkat Inflasi dan Suku Bunga Bank Indonesia terhadap Indeks
Harga Saham Gabungan Di Bursa Efek Indonesia Tahun 2000-2009”.
Shalawat serta salam teruntuk Baginda Nabi Muhammad SAW, panutan paling
hak
Skripsi ini dimaksudnkan untuk memenuhi salah satu syarat menempuh
ujian Sarjana Sains pada Program Studi Matematika, Fakultas Sains dan
Teknologi, Universitas Islam Negeri Syarif Hidayatullah Jakarta.
Pada penulisan skripsi ini, penulis mendapatkan banyak bimbingan dan
bantuan dari berbagai pihak, sehingga pada kesempatan ini penulis mengucapkan
terima kasih kepada:
1. Dr. Syopiansyah Jaya Putra, M.Sis, Dekan Fakultas Sains dan Teknologi
Universitas Islam Negeri Syarif Hidayatullah.
2. Yanne Irene, M.Si. ketua Program Studi Matematika dan Suma’inna, M.Si,
Sekretaris Program Studi Matematika.
3. Hermawan Setiawan, M.Ti, selaku Pembimbing 1 yang selalu memberikan
bimbingan, informasi dan motivasi terbaik.
4. Gustina Elfiyanti, M.Si, selaku Pembimbing II yang telah memberikan
bimbingan, informasi dan motivasi dalam penulisan skripsi ini.
8
5. Seluruh Dosen Program Studi, terimakasih atas pengajaran dan ilmu
bermanfaat yang telah diberikan kepada penulis.
6. Kedua orang tua, Mom and Dad, yang selalu mendampingi dan memberikan
dukungan moral dan materil, ka Ria, Ka Youfi dan efin serta seluruh keluarga
besar Beny Bakar dan Susilawaty.
7. Desi, Zia, Epi, Dian, Iie, sahabat-sahabat tersayang yang selalu mendukung.
8. Jefry yang telah meluangkan banyak waktunya dalam proses pembuatan
skripsi ini serta memberikan dukungan moril dan kesabaran.
9. Sobat-sobat Ade, Mega, Widy, Dendi, Ube, dan teman-teman 2007. Terima
kasih persahabatan, kasih sayang, dan dukungan kalian. U’re Rock!
10. Kak Bambang, Kak Denis, Kak Titi, Kak Farah, Kak Niken, Selly, Mecca dan
seluruh Keluarga besar Matematika Fakultas Sains dan Teknologi.
Pada akhirnya penulis berharap skripsi ini dapat bermanfaat bagi pembaca
pada umumnya. Penulis menyadari masih banyak kekurangan dalam penulisan
skripsi ini, sehingga penulis mengharapkan saran dan kritik yang konstruktif.
Jakarta, Juni 2011
Penulis
9
DAFTAR ISI
HALAMAN JUDUL ……………………………………………………... .. i
PENGESAHAN UJIAN ......................................................................... ...... ii
PERNYATAAN ............................................................................................ iii
PERSEMBAHAN DAN MOTTO
ABSTRAK ............................................................................................ ........ v
ABSTRACT ............................................................................................. .... . vi
KATA PENGANTAR ........................................................................... ....... vii
DAFTAR ISI ............................................................................................. .. . ix
DAFTAR TABEL ...................................................................................... .. xii
DAFTAR LAMPIRAN ..................................................................... ........... xiii
DAFTAR GAMBAR ..................................................................... ............... xiv
BAB I PENDAHULUAN .................................................................... ...... 1
1.1 Latar Belakang ................................................................. ........ 1
1.2 Permasalahan ................................................................... ........ 3
1.3 Pembatasan Masalah ......................................................... ........ 4
1.4 Tujuan Penelitian ............................................................. ........ 4
1.5 Manfaat Penelitian ........................................................... ........ 4
BAB II LANDASAN TEORI ............................................................... 5
2.1 Pasar Modal .................................................................... ........ 5
2.2 Jenis-jenis Indeks di Pasar Modal .............................................. 5
2.3 Volatilitas .......................................................... ..................... 7
2.4 Hipotesis Penelitian ............................................................ ..... 8
10
2.5 Analisis Regresi Linier Berganda ........................................... . 8
2.6 Model ARCH/GARCH ........................................................... 14
2.7 Uji ARCH-Effect ................................................................ .... 17
2.8 Pemilihan Model ARCH/GARCH terbaik ............................ . 17
BAB III METODOLOGI PENELITIAN ..................................................... 21
3.1 Sumber Data ................................................ .......................... 21
3.2 Identifikasi Model Regresi ………………….......................... 22
3.3 Langkah-langkah Model ARCH/GARCH .............................. 23
3.4 Alur Penelitian ................................................................... .... 26
BAB IV HASIL DAN PEMBAHASAN ...................................................... 27
4.1 Deskriptif Data ......... .............................................................. 27
4.2 Identifikasi Model Regresi ........................................... ......... 28
4.3 Identifikasi Model ARCH-GARCH ......................................... 33
4.3.1 Pengujian Keheterogenan Ragam Bersyarat ................... 33
4.3.2 Pendugaan Parameter Model ARCH-GARCH ................ 33
4.3.3 Pemilihan Model Terbaik ................... ........................... 34
4.3.4 Diagnostik Model ................... ....................................... 35
4.3.5 Simulasi Peramalan ................... ..................................... 37
4.3.6 Interpretasi Model ARCH-GARCH ................... ............ 39
BAB V KESIMPULAN DAN SARAN ..................................................... 41
5.1 Kesimpulan ............................................................................. 41
5.2 Saran ....................................................................................... 42
11
DAFTAR PUSTAKA ................................................................................. 43
LAMPIRAN ............................................................................................. 45
12
DAFTAR TABEL
Tabel 4.1 Statitika Deskriptif data bulanan IHSG ..................................... ..... 28
Tabel 4.2 Hasil Estimasi Model Regresi ......................................................... 28
Tabel 4.3 Uji Normalitas ………............................................................ ........ 29
Tabel 4.4 Uji Multikolinearitas ………........................................................... 30
Tabel 4.5 Breusch-Godfrey Serial Correlation LM test .................................. 30
Tabel 4.6 White Heteroscedasticity Test ........................................................... 31
Tabel 4.7 Nilai MAPE model Regresi .............................................................. 32
Tabel 4.8 Hasil Uji ARCH LM ....................................................................... 33
Tabel 4.9 Ringkasan Hasil Pendugaan Parameter ARCH-GARCH ................ 34
Tabel 4.10 Nilai AIC dan BIC ......................................................................... 34
Tabel 4.11 Hasil Pemeriksaaan model dengan pengujian autokorelasi
sisaan dan kuadrat sisaan data bulanan IHSG selama
periode pengamatan ....................................................................... 36
Tabel 4.12 Nilai MAPE Model ARCH-GARCH............................................. 38
Tabel 4.13 Hasil Model ARCH 1 .................................................................... 39
Tabel 4.14 Uji F dan Uji t statistik .................................................................... 40
13
DAFTAR LAMPIRAN
Lampiran 1 : OLS ..................................................................................... 41
Lampiran 2 : Model ARCH/GARCH ........................................................ 46
Lampiran 3 : Residual ARCH 1 ................................................................. 48
14
DAFTAR GAMBAR
Gambar 4.1 Perubahan IHSG ..................................................................... 27
Gambar 4.2 Sebaran Sisaan data bulanan IHSG ......................................... 35
Gambar 4.3 Plot IHSG peramalan Model ARCH-GARCH ........................ 37
15
BAB I
PENDAHULUAN
1.1 Latar Belakang
Indeks Harga Saham Gabungan (IHSG) diperkenalkan pertama kali pada
tanggal 1 April 1983, sebagai indikator pergerakan harga saham di pasar modal,
Bursa Efek Indonesia (BEI). Indeks ini mencakup pergerakan indeks komposit
seluruh saham yang terdaftar di BEI. Pergerakan nilai indeks harga saham
gabungan akan menunjukkan perubahan situasi pasar yang terjadi. IHSG dipakai
sebagai indikator untuk mengevaluasi kondisi perekonomian suatu negara [4].
Oleh karena itu, IHSG merupakan peubah penting dalam bidang keuangan yang
pergerakan nilainya perlu diperhatikan dari waktu ke waktu. Pergerakan yang
fluktuatif yang terjadi pada indeks ini terkait dengan perubahan yang terjadi pada
indeks-indeks saham lainnya dan berbagai variabel makro ekonomi.
Inflasi sebagai salah satu peubah makro ekonomi berpengaruh terhadap
harga saham melalui dua cara yaitu secara langsung maupun secara tidak
langsung. Secara langsung, inflasi mengakibatkan turunnya keuntungan
perusahaan sedangkan secara tidak langsung inflasi berpengaruh melalui
perubahan tingkat suku bunga. Peningkatan suku bunga dapat diikuti oleh
peningkatan harga saham. Hal ini terjadi karena adanya harapan perusahaan untuk
menghasilkan laba meningkat, sehingga akan dapat membayar dividen yang lebih
besar. Selain itu, peningkatan harga saham juga dapat disebabkan oleh adanya
pasar yang mengharapkan terjadinya penurunan suku bunga sehingga indeks naik
[6].
16
Indeks Harga Saham Sektor keuangan (IHSSK) merupakan indeks sektor
saham di BEI yang menarik untuk dicermati. Sektor ini merupakan sektor
ekonomi yang terkait dengan hajat hidup orang banyak. Hal ini sesuai dengan
penelitian Kristanto pada tahun 2007. Dari hasil penelitiannya, indeks harga
saham sektor keuangan merupakan indeks saham terbaik dibandingkan dengan
indeks saham sefktor lainnya [7]. Indeks Harga Saham Sektor Keuangan di tahun
2004 mengalami kinerja yang cukup baik. IHSSK mengungguli IHSG selama
delapan bulan. Pada tahun 2004 sektor keuangan mencatat pertumbuhan sebesar
7,7%. Pertumbuhan terutama dipengaruhi oleh pertumbuhan subsektor bank dan
lembaga keuangan non bank serta subsektor sewa bangunan.
Data perekonomian dan keuangan seperti data IHSG sangat tinggi
volatilitasnya. Tingginya volatilitas ditunjukkan dari fase yang fluktuasinya relatif
tinggi dan kemudian diikuti fluktuasi yang rendah dan kembali tinggi. Kondisi ini
dikarenakan memiliki keragaman yang tidak konstan di setiap waktunya atau
mengandung unsure heteroskedastisitas. Keadaan heteroskedastisitas jika
menggunakan metode kuadrat terkecil (Ordinary Least Square) kurang tepat
karena karena terdapat asumsi model yang tidak terpenuhi. Teorema Gauss
Markov, mengatakan bahwa model OLS akan menghasilkan estimator yang baik
yang dikenal dengan sebutan BLUE (Best Linear Unbiased Estimate) bila suatu
model regresi memenuhi kriteria tertentu di antaranya, ragam sisaan sama
(homokedastisitas). Tetapi, jika ragam dari sisaan bersifat heteroskedastisitas
(tidak sama), maka estimator yang diperoleh tidak bersifat BLUE lagi [9].
17
Salah satu model deret waktu yang dapat mengatasi masalah
heteroskedastisitas adalah model Autoregressive Conditional Heteroscedastic
(ARCH) yang diperkenalkan Engle pada tahun 1982. Kemudian pada tahun 1986,
Bollerslev mengembangkan model ARCH ke dalam model Generalized
Conditional Heteroscedastic (GARCH) untuk memodelkan ragam sisaan yang
tergantung pada sisaan pada periode sebelumnya [1].
Pada tahun 2000 sampai 2009, pergerakan IHSG selalu menunjukkan
adanya peningkatan walaupun ada penurunan namun tidak drastis. Terlihat bahwa
IHSG mengalami fluktuasi dari tahun ke tahun selama 10 tahun terakhir. Oleh
karena itu, peneliti ingin mencari apakah terdapat gejala volatilitas pada
pergerakan Indeks Harga Saham Gabungan (IHSG) dan melihat seberapa besar
pengaruh pergerakan Indeks Harga Saham Sektor Keuangan (IHSSK), tingkat
inflasi dan tingkat suku bunga Bank Indonesia (SBI) terhadap pergerakan IHSG
periode Januari 2000 sampai dengan Desember 2009.
1.2 Permasalahan
Permasalahan yang dihadapi dalam penelitian ini adalah sebagai berikut:
1. Bagaimana penerapan modefl ARCH-GARCH untuk memprediksi volatilitas
indeks harga saham gabungan (IHSG).
2. Seberapa besar Indeks Harga Saham sektor keuangan (IHSSK), tingkat inflasi
dan tingkat suku bunga Bank Indonesia (SBI) mempengaruhi IHSG.
18
1.3 Pembatasan masalah
Dari permasalahan yang telah disebutkan di atas, maka batasan-batasan
dalam tugas akhir ini adalah melakukan prediksi tentang volatilitas berdasarkan
indeks IHSG di pasar modal pada bulan januari 2000 sampai dengan desember
2009 IDX statistic. Peubah makro ekonomi yang digunakan hanya tingkat Inflasi
dan tingkat Suku Bunga Bank Indonesia (SBI).
1.4 Tujuan Penelitian
Tujuan yang hendak dicapai dalam penulisan tugas akhir ini adalah:
1. Mengetahui apakah pada pergerakan IHSG terdapat gejala volatilitas.
2. Menganalisa pengaruh Indeks saham sektor keuangan (IHSSK), tingkat inflasi
dan tingkat suku bunga Bank Indonesia (SBI) terhadap pergerakan Indeks
Harga Saham Gabungan (IHSG).
1.5 Manfaat Penelitian
Manfaat penelitian ini adalah:
1. Hasil penelitian ini diharapkan dapat menambah informasi bagi pembaca pada
umumnya dan bagi mahasiswa pada khususnya mengenai pasar modal.
2. Hasil penelitian ini diharapkan dapat menjadi bahan informasi dan sebagai
referensi bagi peneliti selanjutnya di bidang pasar modal.
19
BAB II
LANDASAN TEORI
2.1 Pasar Modal
Pasar modal merupakan tempat bagi perusahaan yang membutuhkan dan
menawarkan surat berharga dengan cara mendaftar terlebih dahulu di pasar
modal. Secara umum, pasar modal adalah suatu sistem keuangan yang
terorganisasi, termasuk di dalamnya adalah bank-bank komersial dan semua
lembaga perantara di bidang keuangan, serta keseluruhan surat-surat berharga
yang beredar [6].
Pasar modal menjadi instrumen perekonomian yang sangat penting bagi
suatu Negara [6]. Pasar modal memiliki dua daya tarik bagi perekonomian suatu
negara. Pertama, diharapkan pasar modal ini akan bisa menjadi alternatif
penghimpunan dana selain perbankan. Kedua, pasar modal memungkinkan para
pemodal mempunyai berbagai pilihan investasi yang sesuai dengan pilihan resiko
mereka.
2.2 Jenis-Jenis Indeks di Pasar Modal
Di Pasar modal Indonesia, Bursa Efek Indonesia (BEI) terdapat 6 jenis
indeks, antara lain:
1. Indeks Individual, menggunakan indeks harga masing masing saham
terhadap harga dasarnya, atau indeks masing-masing saham yang
tercatat di BEI.
20
2. Indeks Harga Saham Sektoral, menggunakan semua saham termasuk
dalam masing-masing sektor, misalnya sektor keuangan,
pertambangan, dan lain-lain. Di BEI indeks sektoral terbagi atas
Sembilan sektor yaitu: pertanian, pertambangan, industri dasar, aneka
industro, konsumsi, properti, infrastruktur, keuangan, perdagangan dan
jasa, dan manufaktur.
3. Indeks Harga Saham Gabungan atau IHSG, menggunakan semua
saham yang tercatat sebagai komponen perhitungan indeks.
4. Indeks LQ 45, yaitu indeks yang terdiri dari 45 saham pilihan dengan
mengacu kepada 2 peubah yaitu likuiditas perdagangan dan
kapitalisasi pasar. Setiap 6 bulan terdapat saham-saham baru yang
masuk kedalam LQ 45.
5. Indeks Syariah atau JII (Jakarta Islamic Index), JII merupakan indeks
yang terdiri dari 30 saham mengakomodasi syarat investasi dalam
islam atau indeks yang berdasarkan syariah islam.
6. Indeks Papan Utama dan Papan Pengembangan. Indeks harga saham
yang secara khusus didasarkan pada kelompok saham yang tercatat di
BEI yaitu kelompok papan utama dan papan pengembangan.
Metodologi perhitungan indeks-indeks BEI adalah indeks yang
menggunakan rata-rata tertimbang dari nilai pasar. Rumus dasar perhitungannya
adalah:
Indeks :
푥 100 2.1
21
Nilai pasar adalah kumulatif jumlah saham hari ini dikali dengan harga pasar hari
ini, atau ditulis dengan formula:
Nilai Pasar = ∑ 푐 푑 2.2
dimana,
c = closing price (harga yang terjadi) utnuk emiten ke-h
d = jumlah saham yang digunakan untuk perhitungan indeks
D = jumlah emiten yang tercatat di BEJ
Nilai dasar adalah kumulatif jumlah saham pada hari dasar dikali harga dasar pada
hari dasar.
2.3 Volatilitas
Volatilitas adalah suatu kondisi di mana rata-rata dan ragam tidak konstan
[10]. Data deret waktu terutama data di sektor keuangan sangat tinggi
volatilitasnya. Volatilitas yang tinggi ditunjukkan dari suatu fase yang
fluktuasinya relatif tinggi kemudian diikuti fluktuasi yang rendah dan kembali
tinggi.
Untuk kasus data ekonomi dan keuangan, ragam sisaan yang konstan
(homoskedastisitas) sering tidak terpenuhi. Volatilitas tidak selalu konstan dari
waktu ke waktu, inilah yang disebut heteroskedastisitas.
22
2.4 Hipotesis Penelitian
Hipotesis yang diajukan dalam penelitian ini adalah sebagai berikut:
1. Diduga bahwa Indeks Saham Sektor Keuangan IHSSK (X1) secara parsial
mempunyai pengaruh signifikan terhadap IHSG (Y) di Bursa Efek Indonesia
tahun 2000-2009.
2. Diduga bahwa Inflasi (X2) secara parsial mempunyai pengaruh signifikan
terhadap IHSG (Y) di Bursa Efek Indonesia tahun 2000-2009.
3. Diduga bahwa tingkat suku bunga SBI (X3) secara parsial mempunyai
pengaruh signifikan terhadap IHSG (Y) di Bursa Efek Indonesia tahun 2000-
2009.
4. Diduga bahwa peubah-peubah bebas IHSSK (X1), Inflasi (X2) dan SBI (X3)
secara bersama-sama mempunyai pengaruh signifikan terhadap IHSG (Y) di
Bursa Efek Indonesia tahun 2000-2009.
2.5 Analisis Regresi Linier Berganda
Analisis regresi digunakan untuk mengetahui hubungan antara suatu
peubah tak bebas dengan peubah bebas [11]. Model regresi yang terdiri dari lebih
satu peubah bebas disebut model regresi berganda [10]. Bentuk umum regresi
berganda sebagai berikut:
Yi= 휷0 + 휷1X1i + 휷jXji +…+ 휷mXmi + 휺i, i = 1, 2, …,n 2 .3
dengan:
Yi : peubah tak bebas ke-i
Xi : peubah bebas ke-i
휷0 : konstanta
23
휷1 : koefisien regresi peubah X1i
휷2 : koefisien regresi peubah X2i
휷j : koefisien regresi peubah Xmi, j = 1,2,…,m
휺i : sisaan model ke-i
풏 : banyaknya data
풎 : banyaknya parameter
Teknik estimasi peubah tak bebas yang melandasi analisis regresi disebut
Ordinary Least Square (OLS). OLS memiliki beberapa sifat statistik yang
menjadikan satu metode analisis regresi yang paling kuat dan populer [3]. Teknik
ini memiliki asumsi-asumsi dalam penggunaannya antara lain: asumsi
kenormalan, non-autokorelasi, non-multikolinearitas dan homoskedastisitas.
Parameter yang diestimasi antara lain bersifat:
- Parameter tidak bias, artinya nilai penaksiran parameter mendekati parameter
yang sebenarnya.
- Parameter mempunyai ragam yang minimum, artinya parameter taksiran
dengan ragam terkecil diantara semua parameter taksiran yang sama.
- Parameter bersifat konsisten, artinya semakin besar jumlah sampel yang
diambil, parameter taksiran mendekati parameter yang sebenarnya.
a. Normalitas
Uji normalitas menggunakan uji Jarque-Bera (JB). Aturan keputusannya
adalah H0 ditolak pada tingkat signifikansi 0.05 jika nilai probability JB >
0.05. penolakan H0 berarti sisaan data tidak berdistribusi normal.
24
b. Multikolinearitas
Multikolinearitas adalah terdapat hubungan antara peubah bebas dalam
satu regresi. Multikolinearitas dalam model dapat dilihat dari hubungan secara
individual antara satu peubah bebas dengan satu peubah bebas yang lain.
Mengetahui apakah peubah bebas X yang satu berhubungan dengan peubah
bebas X yang lain adalah dengan melakukan regresi setiap peubah bebas X
dengan sisa peubah bebas X yang lain. Regresi ini disebut regresi auxiliary.
Setiap koefisien determinasi (R2) dari regresi auxiliary digunakan menghitung
distribusi F kemudian digunakan untuk mengevaluasi ada multikolinearitas
atau tidak. Formula untuk menghitung nilai F hitung adalah sebagai berikut:
F = … /( )( … )/( )
2.4
n menunjukkan jumlah observasi, k menunjukkan jumlah peubah bebas
termasuk konstanta, dan 푅 … adalah koefisien determinasi setiap
peubah X dengan sisa peubah bebas X yang lain. Sedangkan nilai F tabel
didasarkan pada derajat kebebasan k-2 dan n-k+1.
Aturan keputusannya adalah jika nilai F hitung lebih besar dari F tabel
dengan tingkat signifikansi alpha dan derajat bebas tertentu maka disimpulkan
model mengandung unsur multikolinearitas. Apabila terdapat
multikolinearitas maka standard error 훽m juga naik atau membesar. Dampak
adanya multikolinearitas dalam model regresi jika menggunakan teknik
estimasi OLS, antara lain [10]:
1. Estimator masih bersifat BLUE namun mempunyai ragam dank ovarian
yang besar sehingga sulit mendapatkan estimator yang tepat.
25
2. Interval estimasi akan cenderung lebih lebar dan nilai hitung statistik uji t
kecil sehingga membuat peubah bebas secara statistik tidak signifikan
mempengaruhi peubah bebas.
3. Melalui uji statistik t, secara parsial peubah bebas tidak berpengaruh
terhadap peubah tak bebas, namun nilai koefisien determinasi (R2) masih
bisa relatif tinggi..
c. Autokorelasi
Autokorelasi adalah terdapat hubungan antara anggota pengamatan satu
dengan pengamatan lain yang berlainan waktu. Uji autokorelasi dapat
dilakukan dengan menggunakan uji Lagrange Multiplier (LM). Aturan
keputusannya adalah H0 ditolak pada tingkat signifikansi 0.05 jika nilai
Probability>0.05 maka terima H0, berarti tidak ada autokorelasi. Jika terdapat
autokorelasi dalam regresi maka estimator yang didapat akan memiliki
karakteristik sebagai berikut:
1. Estimator metode OLS masih linier
2. Estimator metode OLS masih tidak bias
3. Estimator metode OLS tidak mempunyai ragam yang minimum lagi.
Ragam tidak minimum maka menyebabkan perhitungan standar error
metode OLS tidak lagi bisa dipercaya kebenarannya dan interval estimasi
maupun uji hipotesis tidak lagi dapat dipercaya untuk evaluasi hasil regresi.
d. Homoskedsatisitas
Homoskedastisitas adalah ragam sisaan sama untuk setiap periode.
Lambang homoskedastisitas adalah:
26
E(ei2) = 휎2 i = 1,2,…,n 2.5
Dalam regresi dua peubah homoskedastisitas terihat pada Gambar 2.1.
Gambar 2.1 Sisaan homoskedastisitas
Ragam bersyarat dari Yi meningkat dengan meningkatnya X. Sehingga, ragam
Yi tidak lagi sama, artinya terdapat heteroskedastisitas.
E(ei2) = 휎i
2 i = 1,2,…,n 2.6
Indeks bawah pada 휎2, yang menunjukkan bahwa ragam bersyarat dari ei
tidak lagi konstan.
Gambar 2.2 Sisaan heteroskedastisitas
27
Heteroskedastisitas merupakan ragam dari sisaan tidak konstan.
Heteroskedastisitas dapat dideteksi dengan menggunakan white test. Uji ini
digunakan karena tidak memerlukan asumsi adanya normalitas pada
sisaannya. Uji white didasarkan pada jumlah sampel (n) dikalikan dengan R2
yang akan mengikuti distribusi chi-squares dengan derajat kebebasan
sebanyak peubah bebas tidak termasuk konstanta. Jika nilai (Obs*R2) lebih
besar dari nilai 휒2 tabel dengan tingkat signifikansi alpha 0.05 maka H0
ditolak, berarti terdapat heteroskedastisitas pada sisaan. Sebaliknya, jika chi
squares hitung lebih kecil dari nilai 휒2 tabel menunjukkan tidak adanya
heteroskedastisitas.
Aturan keputusannya adalah H0 ditolak pada tingkat signifikansi 0.05 Jika
nilai Probability<0.05, maka H0 ditolak. Penolakan H0 berarti sisaan data
mengandung heteroskedastisitas. Jika terdapat heteroskedastisitas, maka
estimator 훽m tidak lagi mempunyai ragam yang minimum, sehingga estimator
훽m akan memiliki karakteristik sebagai berikut:
1. Estimator metode OLS masih linier
2. Estimator metode OLS masih tidak bias
3. Estimator OLS tidak lagi mempunyai ragam yang minimum (LUE)
Jika ragam tidak minimum makan perhitungan standard error metode OLS
tidak lagi bisa dipercaya dan interval estimasi maupun uji hipotesis yang
didasarkan pada distribusi t maupun F tidak lagi bisa dipercaya untuk evaluasi
hasil regresi.
28
2.6 Model ARCH-GARCH
Penelitian yang menggunakan data-data deret waktu khususnya bidang
pasar keuangan, biasanya memiliki tingkat volatilitas yang tinggi di mana
fluktuasinya relatif tinggi dan kemudian diikuti fluktuasi rendah, kemudian
kembali tinggi dan seterusnya berubah-ubah [10].
Kondisi volatilitas data mengindikasikan bahwa perilaku data deret waktu
memiliki ragam sisaan yang tidak konstan dari waktu ke waktu atau mengandung
gejala heteroskedastisitas karena terdapat ragam sisaan yang bergantung dengan
ragam sisaan masa lalu. Akibatnya dengan memakai analisis deret waktu biasa
yang mempunyai asumsi homoskedastisitas tidak dapat digunakan. Selanjutnya,
ditambahkan model keragaman untuk mengatasi masalah volatilitas dalam
penelitian.
Model pendekatan untuk data yang mengandung volatilitas pertama kali
dikembangkan oleh Engle dan Bollerslev adalah model ARCH-GARCH.
Menurut Engle, ragam sisaan yang berubah-ubah ini terjadi karena ragam sisaan
tidak hanya fungsi dari peubah bebas tetapi tergantung dari seberapa besar sisaan
di masa lalu. Model ARCH yang dibentuk, sebagai berikut [1]:
Yt= 훽0 + 훽1X1t + 훽2X2t + 훽3X3t + 휀t 2.7
dengan:
Yt = peubah bebas ke-t
X1t = pengamatan ke-t dari peubah bebas ke-1
X2t = pengamatan ke-t dari peubah bebas ke-2
X3t = pengamatan ke-t dari peubah bebas ke-3
29
휀t = sisaan model ke-t
훽0 = konstanta
훽1 = koefisien regresi peubah X1t
훽2 = koefisien regresi peubah 31t
훽3 = koefisien regresi peubah X3t
Heteroskedastisitas dalam model ARCH terjadi karena adanya unsur
volatilitas data deret waktu. Persamaan ragam sisaan dalam model ARCH (1)
dapat ditulis sebagai berikut:
휎t2 = 훼0 + 훼1 휀 2.8
dengan:
휎t2 : ragam sisaan periode ke-t
훼0 : konstanta ragam sisaan
훼1 : koefisien sisaan periode lalu
휀2t-1 : sisaan periode t-1
Persamaan 2.4 menyatakan bahwa ragam dari hubungan sisaan yakni 휎t2
mempunyai dua komponen yaitu konstanta dan hubungan sisaan periode lalu
yang diasumsikan sebagai kuadrat dari hubungan sisaan periode lalu. Secara
umum, model ARCH (p) dapat dinyatakan dalam persamaan sebagai berikut:
휎t2 = 훼0 + 훼1 휀 + 훼2 휀 + 훼3 휀 + … . + 훼p 휀 2.9
dengan:
휎t2 : ragam sisaan periode ke-t
훼0 : konstanta ragam sisaan
훼1 : koefisien sisaan periode 1 dan p
30
ap : koefisien sisaan periode p
휀 : sisaan model periode t-1
휀 : sisaan model periode t-2
휀 : sisaan model periode t-p
Cara estimasi model 2.9 adalah dengan metode maximum likelihood
Estimation (MLE). Kemudian dalam perkembangannya, pada tahun 1986 model
ARCH dari Engle disempurnakan oleh Bollerslev yang menyatakan bahwa ragam
sisaan tidak hanya bergantung dari sisaan periode lalu tetapi juga ragam sisaan
periode lalu. Model ini dikenal dengan GARCH. Kemudian ragam sisaan dari
model GARCH (1,1) ditulis sebagai berikut:
휎t2 = 훼0 + 훼1 휀 + 휆1휎 2.10
Secara umum model GARCH yakni GARCH (p,q) mempunyai bentuk
persamaan sebagai berikut [10]:
휎t2 = 훼0 + 훼1 휀 +…. + 훼p 휀 + 휆1휎 + …+ 휆q 휎 2.11
dengan:
p : orde ARCH
q : orde GARCH
휎t2 : ragam model GARCH (p,q)
훼0 : konstanta ragam sisaan
훼p : koefisien sisaan ke-p
휆1 : koefisien ragam sisaan ke-1
휆q : koefisien ragam sisaan ke-q
휀 : sisaan model periode t-p
31
휎t-q2 : ragam sisaan periode t-q
Dalam model tersebut, huruf p menunjukkan orde ARCH, sedangkan
huruf q menunjukkan orde GARCH.
2.7 Uji ARCH-Effect
Engle mengembangkan uji untuk mengetahui masalah heteroskedastisitas
dalam data deret waktu adalah dengan menggunakan uji Lagrange Multiplier
[10].
LM = (∑ ) ∑
2.12
dengan, n : banyaknya pengamatan 휇 : nilai rata-rata tiap pengamatan yang dikuadratkan 푦
: nilai peramalan tiap pengamatan
Ide dasar dari uji ini adalah bahwa ragam sisaan (휎2t) bukan hanya
merupakan fungsi dari peubah bebas tetapi bergantung dari sisaan kuadrat pada
periode sebelumnya (휎 ). Apabila nilai probability lebih kecil dari derajat
kepercayaan (훼= 5%) maka terdapat ARCH effect dalam model. Apabila terdapat
ARCH effect dalam model maka estimasi dapat dilakukan dengan menggunakan
ARCH-GARCH.
2.8 Pemilihan Model ARCH-GARCH terbaik
a. Uji Kelayakan/Kesahihan Model
Pemilihan kelayakan/kesahihan suatu model ARCH-GARCH dilakukan
dengan uji Ljung Box sisaan yang mencakup uji correlogram Q-Statistic,
correlogram squared residual, histogram-normality test dan ARCH LM test.
32
Model dikatakan layak apabila sisaan sudah tidak ada autokorelasi antar sisaan
untuk semua lag k. Selain itu, uji ini dilakukan untuk melihat apakah dalam model
masih ada ARCH effect.
b. Penentuan Koefisien Determinasi (R2)
Suatu model mempunyai kebaikan dan kelemahan jika diterapkan dalam
masalah yang berbeda. Mengukur kebaikan suatu model (goodness of fit tests)
dapat menggunakan koefisien determinasi (R2). Koefisien determinasi (R2)
mengukur seberapa besar proporsi variasi peubah bebas dijelaskan oleh semua
peubah bebas [10].
Nilai R2 yang kecil berarti kemampuan peubah bebas dalam menjelaskan
ragam peubah tak bebas terbatas. Nilai yang mendekati satu berarti peubah-
peubah bebas memberikan keragaman semua informasi yang dibutuhkan untuk
memprediksi ragam peubah tak bebas.
c. Pengujian Hipotesis
Pengujian hipotesis ini dilakukan untuk mengetahui pengaruh IHSSK,
Inflasi dan SBI terhadap IHSG di BEI periode 2000-2009. Pengujian hipotesis
yang dilakukan dalam penelitian ini adalah:
- Uji Statistik t
Pengujian ini dilakukan untuk mengetahui pengaruh dari tiap-tiap peubah
bebas (IHSSK, Inflasi, dan SBI) terhadap IHSG untuk periode tahun 2000-
2009, dengan hipotesis:
H0 : 훽1= 훽2= 훽3=0
H1 : ∃ 푚 ∋ 훽m ≠ 0, m =1,2,3
33
Aturan keputusannya adalah jika thitung> ttabel, penolakan H0 pada tingkat
signifikansi 0.05 memiliki kesimpulan bahwa terdapat parameter di antara
훽m yang secara individual berpengaruh posistif signifikan terhadap IHSG.
- Uji Statistik F
Pengujian ini dilakukan untuk menguji peubah bebas secara menyeluruh
atau secara bersama-sama berpengaruh terhadap peubah tak bebas dengan
hipotesis:
H0 : 훽1= 훽2= 훽3=0
H1 : ∃ 푚 ∋ 훽m ≠ 0
Aturan keputusannya adalah jika Fhitung.> Ftabel, penolakan H0 pada tingkat
signifikansi 0.05 memiliki kesimpulan bahwa semua parameter merupakan
penjelas yang signifikan terhadap IHSG.
d. Uji Akaike Information Criterion (AIC) dan Bayesian Schwartz
Information Criteria (BIC)
Pengukuran yang sering digunakan mencari model yang terbaik yang
dapat digunakan adalah Akaike Information Criteria (AIC) dan Bayesian
Schwartz Information Criteria (BIC) [5]. Rumusan AIC dan BIC adalah sebagai
berikut [5]:
AIC = -2( +k)/n 2.13
Nilai BIC dapat didefinisikan sebagai:
BIC = −2ℓ + 푘 푙푛(푛) 2.14
Nilai log likelihood untuk model yang mengandung seluruh variabel
independent adalah ℓ .
34
dengan :
k : banyaknya parameter termasuk konstanta
n : banyaknya pengamatan
: nilai log fungsi kemungkinan
Semakin kecil nilai AIC dan BIC maka semakin baik modelnya [10].
35
BAB III
METODOLOGI PENELTIAN
3.1 Sumber Data
Data penelitian diambil pada bulan Februari 2011. Jenis data yang
digunakan adalah data sekunder. Data berasal dari Bursa Efek Indonesia dan Bank
Indonesia. Variabel yang digunakan dalam penelitian ini adalah sebagai berikut:
a. Variabel dependen
Variabel dependen yang digunakan dalam penelitian ini adalah Indeks Harga
Saham Gabungan (IHSG). IHSG menggambarkan suatu rangkaian informasi
historis mengenai pergerakan saham gabungan seluruh saham yang tercatat di
bursa.
b. Variabel independen
Variabel independen yang digunakan dalam penelitian ini, antara lain:
1. Indeks Harga Saham Sektor Keuangan (X1).
Indeks Harga Saham Sektor Keuangan (IHSSK) merupakan satu dari
sembilan indeks sektoral yang telah diklasifikasikan Bursa Efek Indonesia
dan diberi nama JASICA (Jakarta Stock Exchange Industrial
Classification), yang terdiri dari saham-saham perbankan yang dievaluasi
setahun sekali setiap bulan juni [6].
2. Inflasi (X2)
Inflasi adalah kecenderungan dari harga-harga untuk naik secara umum
dan terus menerus selama periode tertentu.
36
3. Suku Bunga Bank Indonesia (X3).
Suku Bunga Bank Indonesia (SBI) adalah suku bunga kebijakan yang
mencerminkan sikap atau kebijakan moneter yang ditetapkan Indonesia
dan diumumkan kepada publik [12].
3.2 Indentifikasi Model Regresi
Sebelum menganalisis dengan berbagai model ARCH-GARCH, akan
digunakan regresi dengan teknik OLS [11]: Langkah-langkah pengolahan data
adalah sebagai berikut:
a. Uji Normalitas
Uji normalitas menggunakan uji Jarque-Bera (JB).Aturan keputusannya
adalah H0 ditolak pada tingkat signifikansi 0.05 jika nilai probability JB >
0.05. penolakan H0 berarti sisaan data tidak berdistribusi normal.
b. Uji Multikolinearitas
Multikolinearitas dalam model dapat dilihat dari hubungan secara
individual antara satu variabel independen dengan satu variabel independen
yang lain. Aturan keputusannya adalah jika nilai F hitung lebih besar dari F
tabel dengan tingkat signifikansi alpha dan derajat bebas tertentu maka
disimpulkan model mengandung unsur multikolinearitas.
c. Uji autokorelasi
Uji autokorelasi dapat dilakukan dengan menggunakan uji Lagrange
Multiplier (LM). Aturan keputusannya adalah H0 ditolak pada tingkat
signifikansi 0.05 jika nilai Probability>0.05 maka terima H0, berarti tidak ada
autokorelasi.
37
d. Uji Heteroskedastisitas
Heteroskedastisitas dapat dideteksi dengan menggunakan white test. Uji
ini digunakan karena tidak memerlukan asumsi adanya normalitas pada
variabel sisaannya. Uji white didasarkan pada jumlah sampel (n) dikalikan
dengan R2 yang akan mengikuti distribusi chi-squares dengan derajat
kebebasan sebanyak variabel independen tidak termasuk konstanta. Nilai
hitung statistik chi squares (휒2) dengan formula sebagai berikut:
Obs*R2≈ 휒
Jika nilai (Obs*R2) lebih besar dari nilai 휒2 tabel dengan tingkat signifikansi
alpha 0.05 maka H0 ditolak, berarti terdapat heteroskedastisitas pada sisaan.
Sebaliknya, jika chi squares hitung lebih kecil dari nilai 휒2 tabel menunjukkan
tidak adanya heteroskedastisitas.
3.3 Langkah-langkah Model ARCH-GARCH
ARCH 1
ARCH effect ARCH 2
ARCH/GARCH Model Terbaik GARCH 1.1
GARCH 2.1
GARCH 1.2
GARCH 2.2
38
Penjelasan langkah-langkah model ARCH-GARCH adalah sebagai berikut:
1. Pengujian Keheterogenan Ragam Bersyarat
Pengujian untuk mengetahui keberadaan proses ARCH-GARCH dengan
menggunakan uji Lagrange Multiplier.
2. Pendugaan Parameter Model ARCH-GARCH
Penentuan dugaan parameter model dilakukan dengan menggunakan metode
kemungkinan maksimum (MLE).
3. Simulasi Peramalan
Kesalahan peramalan dapat dievaluasi menggunakan Mean absolute
Percentage Error (MAPE).
MAPE = ∑ | – |
3.1
dengan:
푌 : nilai aktual Y
푌 : nilai peramalan Y
4. Diagnostik Model
Pemeriksaan model dilakukan dengan memeriksa kebebasan pada sisaan
(tidak autokorelasi) dilakukan dengan pengujian koefisien autokorelasi sisaan
baku dengan Uji Ljung-Box, dengan formula [10]:
LB = n (n+2) ∑ ( ) ~ 휒2r 3.2
dengan,
n : banyaknya pengamatan
휌 : autokorelasi pada saat lag ke-k
39
푟 : banyaknya lag
휒2 : fungsi persen titik dari distribusi chi-square.
Kemudian, diperiksa juga apakah masih terdapat proses ARCH dengan Uji
LM, apabila proses ARCH sudah tidak ada, maka model sudah baik.
40
3.4 Alur Penelitian
yes
no
Gambar 3.1 Alur Penelitian
Analisis Regresi
Uji ARCH effect (Uji Lagrange Multiplier)
ARCH/GARCH
Heteroskedastisitas
Mulai
Selesai
Pengumpulan Data
Model Terbaik
Uji Asumsi Klasik
41
BAB IV
HASIL DAN PEMBAHASAN
4.1 Deskriptif Data
Data Indeks Harga Saham Gabungan (IHSG) yang digunakan pada
penelitian ini periode Januari 2000 sampai Desember 2009, dengan 120
pengamatan. Gambar 4.1 merupakan grafik antara IHSG dengan waktu.
Gambar 4.1 Perubahan IHSG
Pola deret waktu dari nilai penutupan bulanan Indeks Harga Saham
Gabungan, dapat dilihat pada Gambar 4.1. Terlihat bahwa adanya siklus indeks
yang berangsur naik yang puncaknya pada bulan Februari 2008. Pola siklus ini
diikuti dengan siklus turun pada bulan Oktober 2009 kemudian kembali terjadi
siklus naik pada bulan Desember 2009.
IHSG bergerak secara fluktuatif pada kisaran level 350-650 sepanjang
tahun 2000 sampai 2001. Pada awal sampai pertengahan tahun 2002, IHSG
mengalami kenaikan. Pada akhir 2002, IHSG sempat mengalami penurunan
sebelum mengalami kenaikan pada awal 2003. Selama tahun 2004 sampai 2008,
0500
10001500200025003000
Jan-
00Se
p-00
Mei
-01
Jan-
02
Sep-
02M
ei-0
3Ja
n-04
Sep-
04M
ei-0
5Ja
n-06
Sep-
06M
ei-0
7Ja
n-08
Sep-
08M
ei-0
9
IHSG
42
IHSG cenderung mengalami kenaikan dengan sesekali adanya penurunan. Pada
saat krisis ekonomi global akhir tahun 2008, IHSG sempat jatuh ke level 1256.7.
Kemudian, IHSG kembali meningkat menuju level 2534.36 pada akhir 2009.
Tabel 4.1 Statistika deskriptif data bulanan IHSG Statistika Deskriptif IHSG
Rata-rata 823.4253 Median 621.315 Maximum 2139.28 Minimum 358.23 Std. Dev. 470.7858
Jumlah pengamatan sebanyak 90 data, dari 90 data IHSG nilai IHSG
terendah adalah sebesar 358.23 poin dan nilai IHSG terbesar adalah 2139.28.
Rata-rata nilai IHSG bulanan selama 10 tahun terakhir adalah sebesar 823.423
dengan standar deviasi sebesar 470.785.
4.2 Indentifikasi Model Regresi
Model regresi dinyatakan dan diestimasi menggunakan teknik Ordinary Least
Square (OLS). Hasil estimasi pengamatan disajikan pada Tabel 4.2.
Tabel 4.2 Hasil Estimasi model regresi Variabel Koefisien Std. Error Statistik t Prob.
C -211.2347 37.60631 -5.617002 0.0000 IHSSK 8.954685 0.142290 62.93274 0.0000
INFLASI -1.102807 6.451614 -0.170935 0.8647 SBI 17.98792 2.434196 7.389676 0.0000
F-statistic 1689.768
Nilai statistik F, model terestimasi cukup baik yang ditunjukkan dari nilai
Fhitung lebih besar dari Ftabel (1689.76>3.13). Dapat disimpulkan bahwa ketiga
variabel independen (IHSSK, Inflasi, dan SBI) mempengaruhi variabel dependen
43
(IHSG) secara signifikan. Kemudian, dilihat dari masing-masing nilai probablitas
statistik-t dari tiap-tiap variabel, kecuali variabel Inflasi memiliki nilai
probabilitas t-statistic yang lebih kecil dari tingkat signifikansi 5%, dapat
disimpulkan bahwa masing-masing variabel kecuali variabel Inflasi
mempengaruhi variabel dependen. Untuk melihat apakah OLS merupakan model
yang tepat dalam menjelaskan pengaruh IHSSK, Inflasi dan SBI terhadap IHSG,
akan dilakukan uji asumsi klasik regresi terhadap nilai sisaan dari model.
a. Uji Normalitas
Uji normalitas bertujuan untuk mengetahui apakah sisaan data yang
digunakan mempunyai sebaran normal atau tidak.
Tabel 4.3 Uji Normalitas Series : Residuals Sample : 1 90 Observations : 90 Jarque-Bera 5.624922 Pobability 0.060057
Berdasarkan Tabel 4.3, terlihat bahwa nilai probability Jarque Bera lebih
besar dari tingkat signifikansi 5% (0.06 > 0.05). Sehingga, H0 ditolak, artinya
sisaan data berdistribusi normal.
b. Uji Multikolinearitas
Uji multikolinearitas menguji apakah dalam model regresi terdapat adanya
korelasi antar variabel bebas. F1 adalah nilai F hitung dari regresi auxiliary antara
IHSSK (X1) dengan Inflasi (X2) dan SBI (X3). F2 adalah nilai F hitung dari regresi
auxiliary antara inflasi (X2) dengan IHSSK (X1) dan SBI (X3). F3 adalah nilai F
hitung dari regresi auxiliary antara SBI (X3) dengan IHSSK (X1) dan Inflasi (X2).
44
Tabel 4.4 Uji Multikolinearitas F hitung F tabel = 3.13 F1=19.58 H0 ditolak F2=0.77 H0 diterima F3=20.36 H0 ditolak
Nilai F tabel dengan tingkat signifikansi 5% dan derajat kebebasan 1 dan 88
adalah sebesar 3.95. Dari hasil regresi auxiliary, nilai F1 lebih besar dari F tabel
(19.85>3.13) yang berarti H0 ditolak, artinya terdapat multikolinearitas antara X1
dengan X2 dan X3. Nilai F2 lebih kecil dari F tabel (0.77>3.13), penerimaan H0
artinya tidak terdapat multikolinearitas antara antara X2 dengan X1 dan X3.
Kemudian, nilai F3 lebih besar dari F tabel , penolakan H0 artinya terdapat
multikolinearitas antara X3 dengan X1 dan X2. Jika model mengandung
multikolinearitas, salah satu pilihannya adalah membiarkan model tetap
mengandung multikolinearitas. Model tetap menghasilkan estimator yang BLUE
karena masalah estimator yang BLUE tidak memerlukan asumsi tidak adanya
korelasi antar variabel independen. Multikolinearitas hanya menyebabkan
kesulitan dalam memperoleh estimator dengan standard eror yang kecil [10].
c. Uji Autokorelasi
Uji autokorelasi digunakan untuk melihat apakah terdapat korelasi antara
anggota pengamatan satu dengan lain. Banyak metode yang digunakan untuk
mendeteksi masalah autokorelasi, salah satunya dengan metode Breusch-Godfrey.
Tabel 4.5 Breusch-Godfrey Serial Correlation LM test: F-Statistic 108.5874 Prob F(2,84) 0.000000 Obs*R-squared 64.89829 Prob.Chi-Square(2) 0.000000
45
Nilai probability sisaan sebesar 0.0000, artinya jauh lebih kecil dari tingkat
signifikansi 0.05 (0.00<0.05), maka H0 ditolak. Kesimpulan yang didapat bahwa
sisaan mengandung autokorelasi.
d. Uji Heteroskedastisitas
Pengujian heteroskedastisitas dilakukan untuk mendeteksi apakah ragam
sisaan dari data konstan atau tidak. Salah satu metode untuk mendeteksi ada
tidaknya masalah heteroskedastisitas adalah metode white. Metode ini digunakan
karena tidak memerlukan asumsi adanya normalitas terhadap variabel sisaan [10].
Tabel 4.6 White Heteroscedasticity Test F-Statistic 8.029086 Prob F(1,87) 0.000000
Obs*R-squared 42.71302 Prob.Chi-Square(1) 0.000002
Terlihat bahwa nilai probability sisaan sebesar 0.00. Nilai ini jauh lebih kecil
dari tingkat signifikansi 0.05 (0.00<0.05), H0 ditolak. Sehingga, dapat
disimpulkan bahwa sisaan mengandung gejala heteroskedastisitas.
Model regresi mengasumsikan bahwa variabel sisaan mempunyai rata-rata
nol, ragam yang konstan dan variabel sisaan yang tidak saling berhubungan antara
satu pengamatan dengan pengamatan yang lain. Salah satu aumsi penting dalam
membangun model regresi berganda adalah bahwa ragam bersifat
homoskedastisitas. Asumsi homoskedastisitas merupakan konsekuensi serius
untuk estimator teknik OLS [10]. Berikut adalah hasil nilai MAPE dari model
regresi.
46
Tabel 4.7 Nilai MAPE model Regresi IHSG IHSGF eror
2348.67 2170.476 0.07587 2194.34 2035.496 0.072388 2359.21 2143.524 0.091423 2643.49 2341.254 0.114332 2688.33 2267.334 0.156601 2745.83 2264.778 0.175194 2627.25 2121.212 0.192611 2721.94 2155.663 0.208042
2447.3 2010.806 0.178357 2304.52 1865.266 0.190605 2444.35 1887.11 0.227971
2349.1 1767.514 0.247578 2304.51 1997.1 0.133395 2165.94 1969.308 0.090784 1832.51 1783.473 0.02676
1256.7 1345.008 -0.07027 1241.54 1342.079 -0.08098 1355.41 1562.598 -0.15286 1332.67 1390.09 -0.04309 1285.48 1243.87 0.032369 1434.07 1474.493 -0.02819 1722.77 1855.811 -0.07722 1916.83 1957.668 -0.0213 2026.78 2096.458 -0.03438 2323.24 2352.436 -0.01257 2341.54 2416.5 -0.03201 2467.59 2597.203 -0.05253
2367.7 2487.292 -0.05051 2415.84 2533.741 -0.0488 2534.36 2604.444 -0.02765
Rata-rata 0.049397
MAPE 4.9397
Nilai MAPE error yang kecil, namun estimator yang dihasilkan tidak BLUE,
sehingga model tidak dapat digunakan untuk analisis maupun peramalan. Model
yang mengasumsikan adanya heteroskedastisitas adalah model ARCH-GARCH.
47
4.3 Identifikasi Model ARCH-GARCH
4.3.1 Pengujian Keheterogenan Ragam Bersyarat
Proses ARCH dapat diketahui dari sisaan data yang diperoleh dengan
menguji keheterogenan ragam sisaannya dengan uji Lagrange Multiplier.
Table 4.8 Hasil Uji ARCH LM
F-Statistic 50.49670 Prob. F(1,87) 0.00000
Obs*R-Squared 32.68592 Prob. Chi –Square (1) 0.00000
Adanya ARCH effect dapat dilihat pada nilai probabilitas (p-value) pada F
statistic, apabila nilai probabilitas (p-value) pada F statistic lebih kecil dari tingkat
signifikansi (훼=5%) maka terdapat ARCH effect, begitu pula sebaliknya. Hasil
Tabel 4.8 menunjukkan bahwa untuk data IHSG memiliki nilai LM yang
signifikan (lebih kecil dari tingkat signifikansi 0.05). Hal ini mengindikasikan
bahwa ragam sisaan tidak homogen dan adanya proses ARCH.
4.3.2 Pendugaan Parameter Model ARCH-GARCH
Pendugaan parameter dilakukan dengan mengurangi atau menambah ordo
p dan q secara iteratif dengan Algoritma Marquardt. Ordo yang dipilih hanya
sampai ordo 2, karena parameter yang diduga sudah kurang signifikan ketika ordo
yang digunakan lebih dari 2.
48
Tabel 4.9 Ringkasan hasil pendugaan parameter ARCH-GARCH
Koefisien ARCH 1 ARCH 2 GARCH
(1,1)
GARCH
(2,1)
GARCH
(1,2)
GARCH
(2,2)
C 221.48 201.22 200.16 1264.21 320.67 920.15
훼1 1.24 1.07 1.15 1.09 0.874 0.977
훼2 0.13 0.65 0.997
휆1 0.05 -0.84 0.382 -0.867
휆2 -0.213 0.067
Dari beberapa model yang dicobakan, yang dipilih hanya model yang
memiliki dugaan parameter yang signifikan dan nilai AIC dan BIC yang minimum.
Setelah itu dipilih model yang memiliki koefisien yang positif pada model
ragamnya.
4.3.3 Pemilihan Model Terbaik
Untuk memilih model ragam yang terbaik dilakukan dengan melihat nilai
AIC dan BIC yang paling rendah dan memiliki koefisien yang signifikan.
Tabel 4.10 Nilai AIC dan BIC
Nilai ARCH 1 ARCH 2
GARCH
(1,1)
GARCH
(2,1)
GARCH
(1,2)
GARCH
(2,2)
AIC 10.62214 10.64060 10.64243 10.73254 10.60947 10.67112
BIC 10.78880 10.83503 10.83686 10.95474 10.83168 10.92110
Nilai AIC paling rendah dimiliki oleh model GARCH (1,2), yaitu sebesar
10.60947. Namun, untuk nilai BIC paling rendah dimiliki oleh Model ARCH 1
sebesar 10.62214. Jika ada kontradiksi antara nilai AIC dan BIC maka yang
49
digunakan adalah kriteria dari BIC [10]. Oleh karena itu, model ARCH 1 akan
menjadi model untuk menjelaskan volatilitas IHSG selama periode pengamatan.
4.3.4 Diagnostik Model
Uji kelayakan model dapat dilakukan diagnostik model terhadap sisaan.
Ditunjukkan pada Gambar 4.2 secara eksploratif untuk data bulanan IHSG
sisaannya menyebar normal, sehingga model dapat ARCH 1 dikatakan layak.
Gambar 4.2 Sebaran sisaan data bulanan IHSG
Grafik ini didukung secara statistik berdasarkan probability Jarque Berra
yang lebih besar dari tingkat signifikansi 0.05 (0.211 > 0.05). Kemudian,
pemeriksaan model pada data IHSG diperoleh hasil bahwa pada sisaan masih
terdapat autokorelasi yang ditunjukkan dari nilai prob. < 0.00 untuk lag 1 hingga
lag 36. Namun, pada kuadrat sisaan (prob. > 0.05) untuk lag 1 sampai lag 36 tidak
terdapat autokorelasi antar kuadrat sisaan, yang mengindikasikan ragam sudah
homogen.
Series : Standardized Residual Sampel 1 90 Observations 90 Jarque Bera 3.105068 Probability 0.211711
50
Tabel 4.11 Hasil pemeriksaan model dengan pengujian autokorelasi sisaan dan
kuadrat sisaan data bulanan IHSG selama periode pengamatan.
Lag ke- Terhadap sisaan (휀) Terhadap kuadrat sisaan (휀2) Q-stat Prob Q-stat Prob
1 31.2640 0.0000 0.7937 0.3730 2 47.2570 0.0000 0.8139 0.6660 3 54.9190 0.0000 1.0021 0.8010 4 58.0840 0.0000 1.0048 0.9090 5 62.5440 0.0000 1.0104 0.9620 6 67.5440 0.0000 1.4245 0.9640 7 71.4860 0.0000 1.7938 0.9700 8 75.9900 0.0000 1.7938 0.9870 9 77.5110 0.0000 3.6982 0.9300 10 79.3340 0.0000 3.8575 0.9540 11 79.3830 0.0000 3.9208 0.9720 12 79.7810 0.0000 4.5292 0.9720 13 80.0560 0.0000 6.0233 0.9450 14 82.1880 0.0000 8.1053 0.8840 15 82.9920 0.0000 8.1228 0.9190 16 84.2660 0.0000 10.0590 0.8640 17 91.0350 0.0000 10.0650 0.9010 18 97.7030 0.0000 13.1740 0.7810 19 106.5200 0.0000 13.7980 0.7950 20 110.5400 0.0000 15.6040 0.7410 21 116.2200 0.0000 15.8560 0.7780 22 118.8200 0.0000 17.2590 0.7490 23 119.6000 0.0000 17.5670 0.7810 24 122.5200 0.0000 19.3940 0.7310 25 126.7300 0.0000 19.5790 0.7690 … … … … … … … … … … … … … … … 33 142.7200 0.0000 29.9510 0.6200 34 142.8600 0.0000 29.9970 0.6640 35 143.5000 0.0000 30.3550 0.6920 36 144.3900 0.0000 30.6560 0.7200
51
4.3.5 Simulasi Peramalan
Simulasi peramalan dilakukan untuk mengetahui seberapa baik model
yang diduga yang dapat digunakan untuk meramal dengan data yang berbeda.
Hasil peramalan akan dibandingkan dengan data aktual.
Gambar 4.3 Plot IHSG peramalan model ARCH-GARCH
Data IHSG yang diperlihatkan pada Gambar 4.3, perbandingan hasil
peramalan dengan data aktual memperlihatkan adanya perbedaan yang awalnya
besar, menjadi hampir mirip antara hasil peramalan dengan data aktual. Ini
menunjukkan bahwa model ARCH 1 dapat mewakili pergerakan IHSG selama
periode pengamatan. Berikut ini juga ditampilkan nilai Mnna Absolute
Percentage Erorr (MAPE) dari model ARCH 1.
52
Tabel 4.12 Nilai MAPE model ARCH-GARCH
IHSG IHSGF Error 2348.67 2091.02 0.11 2194.34 1963.14 0.11 2359.21 2065.80 0.12 2643.49 2253.27 0.15 2688.33 2180.55 0.19 2745.83 2180.92 0.21 2627.25 2047.66 0.22 2721.94 2075.19 0.24 2447.30 1939.25 0.21 2304.52 1799.73 0.22 2444.35 1825.55 0.25 2349.10 1718.61 0.27 2304.51 1933.95 0.16 2165.94 1904.13 0.12 1832.51 1731.87 0.05 1256.70 1319.73 -0.05 1241.54 1316.73 -0.06 1355.41 1523.26 -0.12 1332.67 1349.88 -0.01 1285.48 1210.11 0.06 1434.07 1426.53 0.01 1722.77 1784.70 -0.04 1916.83 1881.64 0.02 2026.78 2012.40 0.01 2323.24 2255.45 0.03 2341.54 2315.51 0.01 2467.59 2488.99 -0.01 2367.70 2381.05 -0.01 2415.84 2424.15 0.00 2534.36 2492.75 0.02
JUMLAH rata2
2.47 0.08
MAPE 8.23
53
Model ARCH 1 memiliki nilai MAPE sebesar 8.23%. Hal ini
menunjukkan bahwa model ARCH 1 menangkap banyak informasi dan dapat
menjelaskan pergerakan dari data deret waktu IHSG.
4.3.6 Interpretasi model ARCH-GARCH
Setelah melalui uji kelayakan mode, model ARCH 1 dikatakan layak
untuk mewakili volatilitas IHSG selama perode pengamatan. Dari Tabel 4.13
didapat persamaan ARCH-GARCH sebagai berikut:
Tabel 4.13 Hasil Model ARCH 1 Dependent Variable : IHSG Method : ML-ARCH (Marquardt)-Normal Distribution Sample 1 90 Bollerslev-Wooldrige robust standard errors & covariance GARCH = C(5) + C(6)*RESID(-1)^2
Coefficient Prob 0.0000 0.0000 0.0360 0.0000
C -208.9989 IHSSK 8.491874
INFLASI 3.262884 SBI 21.7008
Variance Equation C 221.4802 0.0009
0.0000 RESID(-1)^2 1.239293
IHSGt = -208.99 + 8.49 IHSSKt + 3.26 INFLASIt + 21.70 SBIt
sebagai persamaan regresi,
휎t2 = 221.48 + 1.24 휀t-1
2
sebagai persamaan ragam.
Pada model regresi, maka terlihat bahwa koefisien regresi untuk variabel
IHSSK positif, yang berarti bahwa hubungan IHSSK terhadap IHSG searah.
54
Besarnya koefisien regresi variabel IHSSK adalah sebesar 8.49, yang berarti
bahwa setiap peningkatan 1 poin IHSSK akan mengakibatkan IHSG naik sebesar
8.49 poin.
Hubungan yang sama juga terlihat pada tingkat Inflasi. Koefisien sebesar
3.26 memberi arti bahwa setiap kenaikan 1 poin Inflasi, maka akan
mengakibatkan naiknya IHSG sebesar 3.26 poin. Kemudian, hubungan searah
juga diperlihatkan oleh variabel SBI, dengan koefisien sebesar 21.70 ini memberi
arti bahwa setiap kenaikan 1 poin Tingkat SBI, mengakibatkan IHSG naik sebesar
21.70 poin. Kemudian, dilihat dari persamaan ragam, artinya ragam bersyarat
periode sekarang dipengaruhi oleh kuadrat sisaan periode yang lalu sebesar 1.24.
Tabel 4.14 Uji F dan Uji t Statistik
T hitumg T tabel= -1.67 2.602566 2.097427 33.88293 F tabel F hitung
3.13 737.6821 Hasil uji F dan Uji t statistik pada Tabel 4.13 menunjukkan bahwa nilai F
hitung dan t hitung lebih besar dari nilai F tabel dan t tabel. Hal ini berarti ketiga
variabel independen berpengaruh signifikan terhadap variabel dependen. Ini
mengindikasikan bahwa model ARCH 1 memang tepat dalam menjelaskan
volatilitas IHSG selama periode pengamatan.
55
BAB V
KESIMPULAN DAN SARAN
5.1 Kesimpulan
Hasil permodelan data historis IHSG memperlihatkan bahwa model
ARCH-GARCH menunjukkan adanya gejala volatilitas pada pergerakan IHSG.
Pengujian hipotesis melalui pemodelan ARCH (1) dapat dibuktikan bahwa
IHSSK, Inflasi dan SBI berpengaruh positif. Dilihat dari Uji F, signifikan artinya
secara bersama-sama ketiga variabel independen memiliki pengaruh signifikan
pada volatilitas IHSG. Pengaruhnya cukup besar yaitu 98% (R-Squared).
Persamaan yang didapat adalah sebagai berikut,
IHSGt = -208.99 + 8.49 IHSSKt + 3.26 INFLASIt + 21.70 SBIt
sebagai persamaan regresi,
휎t2 = 221.48 + 1.24 휀t-1
2
sebagai persamaan ragam.
Model ini terbaik dari model lainnya yaitu memiliki data dengan distribusi
normal, tidak ada autokorelasi, memiliki AIC dan BIC paling rendah.
Berdasarkan hasil MAPE, kesalahan peramalan yang dihasilkan sebesar 8%. Ini
menunjukkan keakuratan model ARCH 1 untuk peramalan.
56
5.3 Saran
Berdasarkan kesimpulan yang diambil, maka saran yang dapat diberikan
berdasarkan hasil penelitian adalah:
1. Jika hendak melakukan pemodelan ARCH-GARCH untuk obyek yang
mempunyai perubahan yang ekstrim, maka peneliti harus memperpanjang
rentang waktu data penelitian.
2. Karena Indeks IHSSK, Inflasi dan tingkat suku bunga BI terbukti
berpengaruh terhadap pergerakan harga saham, maka perlu adanya upaya
dari pemerintah dan otoritas moneter untuk menjadi kestabilan variabel
tersebut supaya pergerakan harga saham terkendali dan sesuai dengan yang
diharapkan.
57
DAFTAR PUSTAKA
[1] Engle, R.F. The Use of ARCH/GARCH models in Applied Econometrics.
Journal of Economic Perspective, 157-168, 2001.
[2] Ghozali, Imam. Aplikasi Analisis Multivarate dengan Program SPSS.
Semarang:Badan Penerbit Undip, 2008.
[3] Gujarati, Damodar. Basic econometric.Singapore: Mc Graw Hill, 2003.
[4] Gunanjar, Bayu, Penerapan Model ACRh-GARCH dan model MSAR
(Markov-Switching Autoregressive) pada Nilai Tukar Rupiah terhadap
Dolar Amerika dan IHSG. Skripsi tidak dipublikasikan, Institut Pertanian
Bogor, Bogor, 2006.
[5] Hilbe, Joseph M, Negative binomial regression, UK, Cambridge, 2007.
[6] Ishomuddin, Analisis Pengaruh Variabel Makroekonomi Dalam dan Luar
Negeri Terhadap Indeks Harga Saham Gabungan (IHSG) di BEI periode
1999.1–2009.12 (Analisis Seleksi Model OLS-ARCH/GACRH),
Universitas Diponegoro, Semarang, 2010.
[7] Kristanto, yunivan, Analisis Kinerja Indeks Saham Sektoral di Bursa Efek
Jakarta Periode Tahun 2004-2006. Studi Kasus: Indeks Saham Sektor
Pertanian, Pertambangan, Properti, Infrastruktur, dan Keuangan, Institut
Pertanian Bogor, Bogor, 2007.
[8] Marwan B. Asriandhini, Permodelan Ragam Indeks Harga Saham sektor
keuangan menggunakan model GARCH, Institut Pertanian Bogor, Bogor,
2003.
58
[9] Nachrowi, Nachrowi D. dan Hardius Usman, Prediksi IHSG dengan
model GARCH dan model ARIMA. Jurnal Ekonomi dan Pembangunan
Indonesia, Vol 7 (2), hal 73-91, Januari, 2007.
[10] Widarjono, Agus. Ekonometrika Pengantar dan Aplikasinya, Yogyakarta,
Ekonosia, 2005.
[11] Winarno, wing wahyu, Analisis Ekonometrika dan Statistika dengan
Eviews, Yogyakarta, UPP STIM YKPN, 2007.
[12] (http://www.bi.go.id/web/id/Moneter/BI+Rate/Penjelasan+BI+Rate/)
[15/02/2011 10.00 WIB]
59
LAMPIRAN 1 OLS
Uji normalitas
Uji multikolinearitas
60
Uji autokorelasi
Uji heteroskedastisitas
Uji ARCH LM
LAMPIRAN 2 HASIL MODEL ARCH-GARCH
Arch 1 ARCH 2
61
GARCH (1,1) GARCH (1,2)
GARCH(2,1) GARCH (2,2)
62
LAMPIRAN 3 Residual ARCH 1
Residual
63
Nama : Alfina Reisya
NIM : 107094002394
Tempat Tanggal Lahir : Jakarta, 22 Februari 1989
Alamat Rumah : Jl. Cemara II Rt 01/002 No.7
Tangerang 15417
Phone / Hand Phone : 0856-9777-6793
Email : [email protected]
Jenis Kelamin : Perempuan
1. S1 : Program Studi Matematika Fakultas Sains dan Teknologi Universitas Islam Negeri (UIN) Syarif Hidayatullah Jakarta, Tahun 2007 – 2011
2. SMA : SMAN Ciputat 1, Tahun 2004 – 2007 3. SMP : SMPN 1 Pamulang, Tahun 2001 – 2004 4. SD : SDN Pamulang 1, 1995 – 2001 5. TK : Pertiwi, 1994-1995
DAFTAR RIWAYAT HIDUP
Data Pribadi
Riwayat Pendidikan
Format Biodata