BAB III METODE PENELITIAN - repository.ipb.ac.id · ... lebih besar negatif dari nilai kritis tabel...
Transcript of BAB III METODE PENELITIAN - repository.ipb.ac.id · ... lebih besar negatif dari nilai kritis tabel...
33
BAB III
METODE PENELITIAN
3.1 Jenis dan Sumber Data
Penelitian ini dilakukan berdasarkan data series bulan yang dipublikasikan
oleh Bank Indonesia (BI) dan Badan Pusat Statistik (BPS), diantaranya adalah
Publikasi Tinjauan Kebijakan Moneter dan Statistik Perbankan Indonesia yang
diterbitkan bulanan. Selain itu terdapat pula data yang diperoleh dari Publikasi
Indokator Ekonomi yang diterbitkan oleh BPS. Jenis data yang dikumpulkan
meliputi :
- Jumlah deposito pada bank Umum (bulanan)
- Data inflasi m-t-m (bulanan)
- Data suku bunga deposito 1 bulan (bulanan)
3.2 Metode Analisis
Metode analisis yang digunakan untuk mendukung dan mencapai tujuan
penelitian adalah analisis deskriptif dan model AutoRegressive Conditional
Heteroscedasticity (ARCH) dan Generalized AutoRegressive Conditional
Heteroscedasticity (GARCH).
3.2.1 Analisis Deskriptif
Metode analisis deskriptif dilakukan untuk memberikan gambaran tentang
perilaku data setiap variabel yang akan diteliti. Variabel yang diteliti dalam
penelitian ini adalah jumlah deposito, tingkat suku bunga deposito satu bulan,
dan inflasi month to month selama periode Januari 2004 sampai Desember 2010.
34
3.2.2 Model AutoRegressive Conditional Heteroscedasticity (ARCH) dan
Generalized AutoRegressive Conditional Heteroscedasticity (GARCH)
Metode dalam penelitian ini menggunakan model AutoRegressive
Conditional Heteroscedasticity (ARCH) dan Generalized AutoRegressive
Conditional Heteroscedasticity (GARCH), yaitu suatu analisis yang digunakan
untuk mengetahui pengaruh satu atau beberapa variabel independen terhadap suatu
variabel dependen.
Salah satu asumsi yang mendasari estimasi regresi linier berganda dengan
metode OLS adalah residual harus bersifat konstan dari waktu ke waktu. Apabila
residual tidak bersifat konstan, maka terkandung masalah heteroskedastisitas. Pada
penelitian ini data runtut waktu yang diolah menghasilkan masalah
heteroskedastisitas. Oleh karena itu metode estimasi dengan menggunakan OLS
tidak dapat dilakukan, karena koefisien yang dihasilkan tidak bersifat BLUE (best
linier unbiased estimator). Sebagai jalan keluar, kini telah ada model yang khusus
digunakan untuk menghadapi kondisi seperti ini. Model tersebut dikenal dengan
ARCH (AutoRegresive Conditional Heteroscedasticity).
Kelebihan model ini dibandingkan dengan analisis regresi linear berganda
adalah model ini tidak memandang heteroskedastisitas sebagai suatu permasalahan,
tetapi justru memanfaatkan kondisi tersebut untuk membuat model, bahkan dengan
memanfaatkan heteroskedastisitas dalam error yang tepat, maka akan diperoleh
estimator yang lebih efisien (Nachrowi dan Usman, 2006).
Model ini dikembangkan oleh Robert Engle (1982) dan dimodifikasi oleh
Mills (1999). Dalam perkembangannya muncul variasi dari model ini, yang dikenal
dengan nama GARCH (Generalized AutoRegresive Conditional
35
Heteroscedasticity), yang dikembangkan oleh tim Bollerslev (1986 dan 1994).
Dalam model ARCH, varian residual data runtut waktu tidak hanya
dipengaruhi oleh variabel independen, tetapi juga dipengaruhi oleh nilai residual
data itu sendiri. Model ARCH menggunakan dua persamaan berikut ini:
Yt = β0 + β1X1t + β2X2t + εt (3.1)
(3.2)
Dengan Y adalah variabel dependen, X variabel independen (bisa ditambah sesuai
keperluan), ε adalah pengganggu atau residual, adalah varian residual, dan
disebut sebagai komponen ARCH.
Ada berbagai bentuk ARCH dan GARCH, antara lain:
1. GARCH (1,1)
2. ARCH in Mean (M-ARCH)
3. Treshold ARCH (TARCH)
4. Eksponential ARCH/GARCH (E-(G)ARCH)
5. Simple asymmetric ARCH (SAARCH)
6. dan lain-lain.
Namun yang akan digunakan dalam penelitian ini dan menjadi model yang baik
untuk memprediksi variabel deposito adalah model GARCH (1,1). Persamaan dari
model ini adalah, sebagai berikut:
Yt = β0 + β1X1t + β2X2t + εt (3.3)
(3.4)
dimana :
36
Yt = variabel dependen pada akhir bulan ke-t
Xit = variabel independen i pada akhir bulan ke-t (i = 1,2,3, ...)
βi = koefesien regresi berganda
εt = error term ke-t
Sedangkan varian bersyarat , memiliki tiga bagian, yaitu
ω = rata-rata (mean)
= Volatilitas periode sebelumnya (disebut komponen ARCH)
= Varian periode sebelumnya (disebut komponen GARCH)
Hal yang menarik dalam persamaan ini tidak hanya peramalan dari Yt saja,
tapi juga peramalan varians . Perubahan dalam varians sangat penting misalnya
dalam memahami pasar saham atau pasar keuangan.
3.2.2.1 Prosedur Estimasi Model ARCH-GARCH
Dalam mengaplikasikan model ARCH dan GARCH, langkah-langkah yang
dilakukan adalah, sebagai berikut:
1. Identifikasi efek ARCH
Dalam pemodelan ARCH-GARCH didahului dengan identifikasi apakah data
mengandung heteroskedastisitas. Dilanjutkan dengan melihat apakah terdapat
efek ARCH pada residunya.
2. Estimasi Model
Pada tahapan ini dilakukan simulasi beberapa model ragam dengan
menggunakan model rataan yang telah didapatkan. Kemudian dilanjutkan
dengan pendugaan parameter model untuk memilih model terbaik.
3. Evaluasi Model
37
Evaluasi model dilakukan dengan memperhatikan beberapa indikator, yaitu
apakah error sudah terdistribusi normal, dan apakah terdapat masalah
otokorelasi pada error-nya
4. Peramalan
Peramalan dilakukan dengan memasukkan parameter kedalam persamaan yang
diperoleh.
3.2.2.2 Kelebihan dan Keterbatasan Model ARCH-GARCH
Kelebihan model ARCH-GARCH dibandingkan dengan metode OLS
adalah, sebagai berikut :
1. Model ini tidak memandang heteroskedastisitas sebagai suatu masalah, namun
justru memanfaatkannya untuk membuat model.
2. Model ini tidak hanya menghasilkan peramalan dari Y, tapi juga peramalan
dari varians. Perubahan dalam varians sangat penting misalnya untuk
memahami pasar saham dan pasar keuangan.
Sedangkan keterbatasan model ini diantaranya adalah:
1. Model ARCH-GARCH digunakan dengan asumsi data harus mengandung
heteroskedastisitas pada varians-nya.
2. Model ini tidak mampu melihat transisi atau perubahan perilaku antara
volatilitas rendah dengan volatilitas tinggi.
3. Model ini mengasumsikan volatilitas dari error bersifat simetri, yaitu pengaruh
shock terhadap volatilitas sama besar ketika terjadi shock positif maupun
negatif.
38
3.2.3 Uji Akar-akar Unit (Unit Roots Test)
Sebelum mengestimasi data runtun waktu maka terlebih dahulu dilakukan
pengujian stasionaritas data untuk masing-masing variabel. Estimasi dengan data
yang tidak stasioner akan menimbulkan regresi palsu/spurious regression
(Nachrowi dan Usman, 2006).
Sekumpulan data dinyatakan stasioner jika nilai rata-rata dan variannya
tidak mengalami perubahan secara sistematik sepanjang waktu, atau rata-rata dan
variannya konstan.
Dalam uji akar unit, hipotesis yang dibentuk adalah
Ho : ρ* = 0 (data mengandung akar unit/tidak stasioner)
Ha : ρ* < 0 (data tidak mengandung akar unit/stasioner)
Statistik ADF dihitung dengan:
ADF = ρ* (3.5)
SE (ρ*)
Data akan dikatakan menolak Ho artinya tidak mengandung akar unit atau sudah
stasioner jika nilai statistik uji Augmented Dickey-Fuller (ADF) lebih besar negatif
dari nilai kritis tabel Mackinnon atau nilai probability ADF-nya lebih kecil dari
nilai α = 0,05 pada tingkat kepercayaan 95 persen.
Jika pengujian akar unit pada level belum stasioner maka dilanjutkan
pada pengujian pembeda ke-1 (1st differencing) yaitu meregresikan bentuk
pembeda untuk setiap variabel dimana asumsi model dimodifikasi dengan
nilai lag dependen variabel ∆Y.
Yt = ψ1 Yt-1 + ψ2 Yt-2 + ... + ψp Yt-p + μt (3.6)
39
atau
∆Yt = ψ* Yt-1 + ψ1 ∆Yt-1 + ψ2 ∆Yt-2 + ... + ψp-1 ∆Yt-p + μt (3.7)
dimana :
ψ* = ψ1+ ψ2+ ... + ψp-1 = nilai koefesien
Penentuan besarnya k berdasarkan perkiraan banyaknya lag yang diperlukan
untuk membuat μt tidak berkorelasi satu sama lain atau sampai data sudah stasioner.
Hipotesis untuk pengujian pembeda adalah:
Ho : ψ* = 0 (data mengandung akar unit/tidak stasioner)
Ha : ψ* < 0 (data tidak mengandung akar unit/stasioner)
Data akan dikatakan menolak Ho artinya tidak mengandung akar unit atau sudah
stasioner jika nilai statistik uji Augmented Dickey-Fuller (ADF) lebih besar negatif
dari nilai kritis tabel Mackinnon atau nilai probability ADF-nya lebih kecil dari
nilai α = 0,05 pada tingkat kepercayaan 95 persen.
3.2.4 Pengujian Asumsi Klasik
Suatu model regresi dapat dikatakan sebagai model regresi terbaik apabila
memenuhi asumsi-asumsi regresi berikut:
3.2.4.1. Normalitas
Analisis regresi linier klasik mengasumsikan bahwa setiap error
berdistribusi normal. Pengujian dilakukan dengan hipotesis, sebagai berikut :
H0 : Error terdistribusi normal
H1 : Error tidak terdistribusi normal
Pengujian asumsi normalitas ini dilakukan dengan melihat nilai Jarque-
40
Berra-nya yang dibandingkan dengan nilai tabel Chi-Square ( χ2 ) dengan
besarnya “v” adalah sesuai dengan jumlah lag-nya. Jika nilai Jarque Berra-nya
lebih kecil dari nilai kritis tabelnya atau nilai probability lebih besar dari nilai α
yang ditetapkan, maka kesimpulan diperoleh adalah terima H0, yang artinya data
terdistribusi normal.
3.2.4.2 Nonmultikolinieritas
Multikolinieritas adalah kondisi adanya hubungan linier antar variabel
independen. Kondisi multikolinieritas ditunjukkan dengan berbagai informasi,
sebagai berikut:
1. Nilai R2 tinggi, tetapi variabel independen banyak yang tidak signifikan.
2. Dengan menghitung koefisien korelasi antar variabel independen. Apabila
koefisiennya rendah, maka tidak terdapat multikolinieritas.
3. Dengan melakukan regresi auxiliary. Regresi ini dilakukan dengan
memperlakukan masing-masing variabel independen sebagai variabel dependen.
Apabila model kita memiliki multikolinieritas, akan memunculkan akibat-
akibat berikut ini:
1. Estimator masih bersifat BLUE (Best Linier Unbiased Estimator), tetapi
memiliki varian dan kovarian yang besar, sehingga sulit dipakai sebagai alat
estimasi.
2. Interval estimasi cenderung lebar dan nilai statistik uji t akan kecil, sehingga
menyebabkan variabel independen tidak signifikan secara statistik dalam
mempengaruhi variabel indepen.
Uji multikolinieritas adalah pengujian bahwa tidak ada hubungan yang
41
eksak/linier antar variabel independen. Metode yang digunakan untuk mendeteksi
multikolinieritas adalah dengan melihat nilai R2
otokorelasi (AC) tidak melebihi 0,5
baik + atau -.
3.2.4.3 Asumsi Homoskedastisitas
Salah satu asumsi regresi linier yang harus dipenuhi adalah homogenitas
variansi dari error. Homoskedastisitas berarti bahwa variansi dari erro bersifat
konstan, kebalikannya adalah kasus heteroskedastisitas, yaitu jika kondisi variansi
errornya tidak konstan. Heteroskedastisitas sering muncul pada data keuangan yang
bersifat runtut waktu.
- Pada kondisi homoskedastisitas
Var (Yi) = Var (εi) = σ2 ; i = 1,2,……,n (3.8)
- Pada kondisi heteroskedastisitas
Var (Yi) = Var (εi) = σ2i ; i = 1,2,……,n (3.9)
Pada model regresi kuadrat terkecil, jika asumsi homoskedastisitas tidak
terpenuhi, akibatnya adalah :
1. Estimator metode kuadrat terkecil tidak memiliki varian yang minimum (tidak
lagi best), sehingga hanya memenuhi karakteristik LUE (linier unbiased
estimator). Meskipun demikian, estimator metode kuadrat terkecil masih
bersifat linier dan tidak bias.
2. Perhitungan standard error tidak dapat lagi dipercaya kebenarannya, karena
varian tidak minimum. Varian yang tidak minimum mengakibatkan estimasi
regresi tidak efisien.
3. Uji hipotesis yang didasarkan pada uji t dan uji F tidak dapat lagi dipercaya.
42
Pada penelitian ini pengujian kondisi heteroskedastisitas dideteksi dengan Uji
White Heteroscedasticity. Hipotesis yang diujikan adalah :
H0 : Residu bersifat homoskedastis
Ha : Residu tidak bersifat homoskedastis
Hasil yang diperhatikan dari uji ini adalah nilai Obs*R-squared dan nilai
probabilitasnya. Jika nilai Obs*R-squared lebih kecil dari χ2
atau jika nilai
probabilitasnya lebih besar dari α = 0,05, maka terima H0 atau tidak terjadi
heteroskedastisitas. Demikian pula sebaliknya.
3.2.4.4 Asumsi Nonotokorelasi
Otokorelasi dalam konsep regresi linier berarti komponen error berkorelasi
berdasarkan urutan waktu atau korelasi pada dirinya sendiri. Model regresi linier
klasik mengasumsikan bahwa otokorelasi tidak boleh terjadi, artinya covarian antara
εi dan εj sama dengan nol, atau secara matematis dapat dituliskan sebagai berikut:
Cov (εi εj) = E{[ εi – E(εi)][ εj – E(εj)]} (3.10)
= E(εi εj) = 0 ; i ≠ 0
Dengan asumsi bahwa E(εi) = E(εj) = 0
Artinya, komponen error εi yang berkaitan dengan data pengamatan ke-i tidak
dipengaruhi oleh εj yang berkaitan dengan pengamatan ke-j. dengan kata lain, regresi
klasik mensyaratkan bahwa pengamatan sang satu (yi) dengan pengamatan yang lain
(yj) saling bebas (independen).
Uji otokorelasi dapat diketahui dari nilai Durbin-Watson (DW). Jika nilai
DW hitung lebih besar dari nilai dU pada tabel DW, maka dapat disimpulkan tidak
terjadi otokorelasi. Hipotesis yang diuji adalah H0 = “Tidak terdapat otokorelasi
43
dalam model”. Daerah penolakan H0 dapat dijelaskan sebagai berikut :
I II III IV V
Tolak H0,
Otokorelasi
Positif
Tidak dapat
diputuskan
Terima H0, tidak
ada otokorelasi
Tidak dapat
diputuskan
Tolak H0,
Otokorelasi
negatif
- Apabila nilai DW hitung terletak di daerah III, maka tidak ada otokorelasi.
- Bila DW hitung terletak di daerah I, artinya ada otokorelasi positif.
- Bila DW hitung terletak di daerah V, maka ada otokorelasi negatif.
- Bila DW hitung terletak di daerah II dan IV, artinya tidak dapat diputuskan
(daerah ragu-ragu)
3.2.5 Pengujian Kelayakan Model
3.2.5.1 Pengujian Nilai Koefesien Determinasi ( R2 )
Koefesien determinasi adalah rasio dari jumlah kuadrat regresi dengan
jumlah kuadrat total. Kelayakan suatu model regresi dapat dilihat dari koefesien
determinasi (R2) yang menunjukkan proporsi variasi dalam variabel dependen yang
dijelaskan oleh variabel-variabel independen secara bersam-sama. R2 sangat
dipengaruhi oleh penambahan jumlah variabel penjelas, maka untuk
menyesuaikannya digunakan adjusted R2 (R
2adj), yang dirumuskan sebagai berikut:
(3.11)
atau
(3.12)
(3.13)
dimana :
0 dl du 4-du 4-dl 4
44
0 < R2, R
2adj < 1
Residual Sum of Square = RSS = ∑ei2
= ∑( ŷi – ў)2
Explained Sum of Square = ESS = ∑( yi – ŷi)2
Total Sum of Square = TSS = ∑ yi 2
3.2.5.2 Pengujian Koefesien Regresi Secara Simultan
Pengujian koefesien regresi secara simultan dilakukan dengan
menggunakan tabel ANOVA atau tabel Estimate Equation pada Eviews dengan
hipotesis sebagai berikut :
Ho : bi = 0, untuk semua i
Ha : sekurang-kurangnya satu bi ≠ 0 , i = banyak parameter
Statistiki uji F yang digunakan dalam pengujian koefesien regresi secara simultan
adalah : (3.14)
Ho ditolak jika Fobs > Fα;(p-1)(n-p) yang berarti ada pengaruh dari variabel
independen terhadap variabel dependen yaitu indeks harga saham gabungan.
3.2.5.3 Pengujian Koefesien Regresi Secara Parsial
Pengujian koefesien regresi secara parsial menggunakan statistik uji t,
dengan hipotesis sebagai berikut:
Ho : bi = 0, (tidak ada pengaruh variabel X terhadap variabel Y)
Ha : bi ≠ 0, (ada pengaruh variabel X terhadap variabel Y)
45
Statistik uji :
(3.15)
Ho ditolak jika tobs > tα/2;(n-p) yang berarti ada pengaruh dari variabel independen
terhadap variabel dependen yaitu indeks harga saham gabungan