BAB IV HASIL PENELITIAN. Dalam penelitian ini sampel yang digunakan adalah indeks harga saham gabungan

Transkripsi

1 BAB IV HASIL PENELITIAN IV.1. Gambaran Umum Objek Penelitian Dalam penelitian ini sampel yang digunakan adalah indeks harga saham gabungan (JSX dan IDX), indeks Dow Jones (DJIA), indeks FTSE (FTSE), indeks Nikkei (N225), indeks StraitTimes (STI), dan Indeks Hangseng (HANGSENG) sejak 1 Januari 2006 hingga 31 Desember 2008 untuk JSX dan kurun waktu yang digunakan untuk penelitian dengan variable tetap IDX dilakukan sejak 1 Januari 2009 sampai dengan 30 Juni Data harian yang digunakan dalam penelitian ini adalah data dimana indeks DJIA, indeks FTSE, indeks N225, indeks STI, indeks HANGSENG dan indeks JSX serta indeks IDX sama-sama mengalami pergerakan. Data tidak dipakai apabila ada salah satu indeks tersebut tidak aktif (hari libur) dan data mengenai indeks DJIA, indeks FTSE, indeks N225, indeks STI, indeks HANGSENG dan indeks JSX serta indeks IDX pada saat harga penutupan yang dipakai dalam penelitian ini dapat dilihat pada lampiran. IV.2. IV.2.1. Analisis dan Pembahasan Analisis Statistik Deskriptif Statistika deskriptif merupakan alat yang digunakan untuk menggambarkan data sampel yang digunakan dalam penelitian ini sehingga dapat diketahui nilai rata-rata, maksimum, minimum, standar deviasi dan keterangan lainnya dari data indeks JSX, indeks IDX, indeks DJIA, indeks FTSE, indeks N225, indeks STI, dan indeks HANGSENG. 75

2 76 Analisis ini berguna sebagai alat untuk menganalisis data dengan cara menggambarkan sampel yang telah ada tanpa maksud membuat kesimpulan yang berlaku umum atau generalisasi. Hasil pengujian dapat dilihat berikut ini: Tabel IV.1 Statistik Deskriptif untuk JSX dan IDX Y_JSX DJI FTSE N225 STI HANGSENG Mean Median Maximum Minimum Std. Dev Jarque-Bera Probability Observations IDX DJI FTSE N225 STI HANGSENG Mean Median Maximum Minimum Std. Dev Jarque-Bera Probability Observations Sumber : Hasil pengolahan EViews 5.1 Berdasarkan hasil pengujian di atas tampak bahwa Observations = 648 dan 108 berarti jumlah data yang valid adalah 648 sampel JSX, DJIA, FTSE, N225, STI, dan HANGSENG serta 108 sampel IDX, DJIA, FTSE, N225, STI, dan HANGSENG. Mean adalah nilai rata-rata dari sejumlah data yang dianalisis pada periode tertentu, nilai ini menunjukan nilai dari indeks ketika berada dalam kondisi yang stabil. Nilai maksimum adalah nilai tertinggi dari indeks yang merupakan puncak dari fase bullish pada periode tertentu. Nilai minimum adalah nilai terendah dari indeks yang merupakan bottom

3 77 dari fase bearish pada suatu periode tertentu. Standar deviasi adalah suatu nilai yang menunjukkan variasi, penyimpangan atau dispersi nilai indeks yang dianalisis pada periode tertentu. Pada tabel IV.1 terlihat nilai rata-rata (mean) JSX dari sampel yang diteliti adalah sebesar 1, Nilai maksimum JSX adalah 2, yaitu pada 9 Januari 2008, sedangkan nilai minimum JSX adalah 1, yaitu pada 28 Oktober Standar deviasi atau penyimpangan yang terjadi dari JSX sebesar Nilai indeks Dow Jones mempunyai nilai rata-rata (mean) dari sampel yang diteliti adalah sebesar 11, Nilai maksimum sebesar 14, seperti yang tercatat pada tanggal 21 September 2007, kemudian memiliki nilai minimum 7, yaitu pada tanggal 20 November Besarnya standar deviasi atau penyimpangan yang terjadi dari Dow Jones sebesar 1, Nilai Indeks FTSE memiliki nilai rata-rata (mean) dari sampel yang diteliti adalah sebesar 5, Nilai maksimum sebesar 6,732.4 yaitu pada 29 Mei 2007, kemudian nilai minimum 3,781 yaitu pada 21 November Besarnya standar deviasi atau penyimpangan yang terjadi dari FTSE sebesar Nilai Indeks N225 memiliki nilai rata-rata (mean) dari sampel yang diteliti adalah sebesar 15, Nilai maksimum sebesar 18, yaitu pada 9 Juli 2007, kemudian nilai minimum 7,162.9 yaitu pada 27 Oktober Besarnya standar deviasi atau penyimpangan yang terjadi dari N225 sebesar 2, Nilai Indeks STI memiliki nilai rata-rata (mean) dari sampel yang diteliti adalah sebesar 2, Nilai maksimum sebesar 3, yaitu pada 11 Oktober 2007,

4 78 kemudian nilai minimum 1, yaitu pada 24 Oktober Besarnya standar deviasi atau penyimpangan yang terjadi dari STI sebesar Nilai HANGSENG memiliki nilai rata-rata (mean) dari sampel yang diteliti adalah sebesar 20, Nilai maksimum sebesar 31, yaitu pada 17 Oktober 2007, nilai minimum 11, yaitu pada 23 Oktober Besarnya Standar deviasi atau penyimpangan yang terjadi dari HANGSENG sebesar 4, dimana angka tersebut adalah yang terbesar diantara indeks lain yang menandakan indeks HANGSENG memiliki tingkat risiko yang lebih tinggi dibanding indeks lainnya. Sedangkan untuk penelitian dalam jangka waktu IDX, terlihat nilai rata-rata (mean) IDX dari sampel yang diteliti adalah sebesar 1, Nilai maksimum IDX adalah 2, yaitu pada 10 Juni 2009, sedangkan nilai minimum IDX adalah 1, yaitu pada 2 Maret Standar deviasi atau penyimpangan yang terjadi dari IDX sebesar Nilai Indeks Dow Jones mempunyai nilai rata-rata (mean) dari sampel yang diteliti adalah sebesar Nilai maksimum sebesar 9,015.1 yaitu pada 6 Januari 2009, kemudian memiliki nilai minimum 6, yaitu pada 5 Maret Besarnya standar deviasi atau penyimpangan yang terjadi dari Dow Jones sebesar Nilai Indeks FTSE memiliki nilai rata-rata (mean) dari sampel yang diteliti adalah sebesar 4, Nilai maksimum sebesar 4,638.9 yaitu pada 6 Januari 2009, kemudian nilai minimum 3,512.1 yaitu pada 3 Maret Besarnya standar deviasi atau penyimpangan yang terjadi dari FTSE sebesar Nilai Indeks N225 memiliki nilai rata-rata (mean) dari sampel yang diteliti adalah sebesar 8, Nilai maksimum sebesar 10, yaitu pada 12 Juni 2009, kemudian

5 79 nilai minimum 7, yaitu pada 10 Maret Besarnya standar deviasi atau penyimpangan yang terjadi dari N225 sebesar Nilai Indeks STI memiliki nilai rata-rata (mean) dari sampel yang diteliti adalah sebesar 1, Nilai maksimum sebesar 2, yaitu pada 5 Juni 2009, kemudian nilai minimum 1, yaitu pada 10 Maret Besarnya standar deviasi atau penyimpangan yang terjadi dari STI sebesar Nilai HANGSENG memiliki nilai rata-rata (mean) dari sampel yang diteliti adalah sebesar 15, Nilai maksimum sebesar 18, yaitu pada 12 Juni 2009, nilai minimum 11, yaitu pada 10 Maret Besarnya Standar deviasi atau penyimpangan yang terjadi dari HANGSENG sebesar 2, , yaitu yang paling tinggi dibanding indeks lain dan sejalan dengan penelitian dengan rentang waktu JSX sehingga indeks HANGSENG memiliki risiko penyimpangan yang lebih besar dibanding indeks lainnya. IV.2.2. Uji Asumsi Klasik Pengujian asumsi klasik dilakukan untuk menguji kelayakan penggunaan model regresi dan kelayakan variabel bebas. Menurut Winarno (2007:5.1) masalah yang sering dijumpai dalam analisis regresi dan korelasi adalah multikolinearitas, heteroskedastisitas, dan autokorelasi. Dengan software EViews 5.1 uji asumsi klasik dapat dilakukan secara terintegrasi dengan pengujian model yang bersangkutan. Hal ini jelas sangat memudahkan pengguna dan meningkatkan efisiensi. Untuk uji normalitas, dalam Eviews 5.1 uji tersebut sudah digabungkan dengan uji statistic deskriptif yang dapat dilihat dari nilai probabilitas

6 80 Jarque-Bera yang harus lebih besar dari 0.05 dengan tingkat keyakinan 95%. Dan nilai Jarque-Bera yang lebih kecil dari 2. Dari tabel IV.1. dapat dilihat bahwa nilai probabilitas Jarque-Bera untuk JSX menunjukkan bahwa data telah normal: Jarque-Bera Probability Sama halnya dengan nilai probabilitas Jarque-Bera untuk IDX yang menunjukkan data telah normal: Jarque-Bera Probability IV Uji multikolinearitas Uji multikolinearitas bertujuan untuk menguji apakah pada model regresi ditemukan adanya korelasi antara variabel independen, model regresi yang baik seharusnya tidak mengandung multikolinearitas. Jika korelasi kuat terjadi antara variabel independen maka terjadi masalah multikolinearitas. Dalam penelitian ini untuk mengetahui adanya hubungan antara variabel independen dilakukan dengan correlation matrix test. Dasar pengambilan keputusan dalam uji multikolinearitas adalah : 1. Dalam model regresi berganda tidak terdapat multikolinearitas, apabila memiliki nilai korelasi kurang dari 0,5 dalam correlation matrix test. 2. Dalam model regresi berganda terdapat multikolinearitas, apabila memiliki nilai korelasi lebih dari 0,5 dalam correlation matrix test. Hasil correlation matrix test dapat dilihat pada Tabel IV.2

7 81 Tabel IV.2 Correlation Matrix Test untuk JSX dan IDX Y_JSX DJI FTSE HANGSENG N225 STI Y_JSX DJI FTSE HANGSENG N STI IDX DJI FTSE N225 STI HANGSENG IDX DJI FTSE N STI HANGSENG Sumber : Hasil pengolahan EViews 5.1 Hasilnya menunjukan terjadi multikolinearitas, karena nilai korelasi pada penelitian periode waktu JSX antara: DJIA dengan FTSE sebesar 0,916329, DJIA dengan HANGSENG sebesar , DJIA dengan N225 sebesar , DJIA dengan STI sebesar , FTSE dengan HANGSENG sebesar , FTSE dengan N225 sebesar , FTSE dengan STI sebesar , HANGSENG dengan STI sebesar , dan N225 dengan STI sebesar , serta nilai korelasi pada penelitian periode waktu IDX antara: DJIA dengan FTSE sebesar 0,944909, DJIA dengan HANGSENG sebesar , DJIA dengan N225 sebesar , DJIA dengan STI sebesar , FTSE dengan HANGSENG sebesar , FTSE dengan N225 sebesar , FTSE dengan STI sebesar , HANGSENG dengan N225 sebesar , HANGSENG dengan STI sebesar , dan N225 dengan STI sebesar Dengan terdeteksinya multikolinearitas, untuk mengetahui pengaruh indeks

8 82 DJIA, indeks FTSE, indeks N225, indeks STI dan indeks HANGSENG terhadap JSX dan IDX pemodelan dibuat untuk masing-masing indeks terhadap JSX dan IDX, sebagai berikut: JSX = α + β 1 DJIA + e JSX = α + β 2 FTSE + e JSX = α + β 3 N225 + e JSX = α + β 4 STI + e JSX = α + β 5 HANGSENG + e IDX = α + β 1 DJIA + e IDX = α + β 2 FTSE + e IDX = α + β 3 N225 + e IDX = α + β 4 STI + e IDX = α + β 5 HANGSENG + e IV Uji Heterokedastisitas Uji heteroskedastisitas bertujuan untuk menguji apakah dalam suatu model regresi terjadi ketidaksamaan variance dan residual dari suatu pengamatan ke pengamatan lain. Jika variance dan residual dari suatu pengamatan ke pengamatan yang lain tetap maka disebut homoskedastisitas, dan jika berbeda disebut heteroskedastisitas. Suatu model regresi yang baik adalah regresi yang tidak terjadi heteroskedastisitas. Untuk mendeteksi terdapat heteroskedastisitas pada model regresi dapat dilakukan uji white. Dasar pengambilan keputusan dapat dilihat dari nilai probability untuk Obs*Rsquared, jika nilai probability lebih kecil dari 0.05 maka dapat disimpulkan bahwa data tersebut bersifat heteroskedastis. Untuk pengolahan dengan software EViews 5.1 masalah heteroskedastisitas dapat di atasi dengan mudah, yaitu dengan menggunakan pemodelan ARCH (Auto Regressive Conditional Heteroscedasticity) atau GARCH (Generalized Auto Regressive Conditional Heteroscedasticity). Pemodelan dengan ARCH/GARCH secara langsung dapat mengatasi

9 83 heteroskedastisitas. Hasil uji heteroskedastisitas dapat dilihat dari hasil uji hipothesis pada sub bab IV IV Uji Autokorelasi Pengujian autokorelasi bertujuan untuk menguji apakah dalam suatu model regresi linier terdapat korelasi antara kesalahan penganggu pada periode t dengan kesalahan pengganggu pada periode t-1 (periode sebelumnya). Jika terjadi korelasi maka dinamakan ada problem autokorelasi. Model regresi yang baik adalah regresi yang bebas dari autokorelasi. Panduan yang digunakan untuk mendeteksi ada atau tidaknya autokorelasi akan dipakai besaran Durbin- Watson (D-W) yang secara umum dapat diambil patokan: 1. angka D-W; 0 1,10 berarti ada autokorelasi yang positif 2. angka D-W; 1,54 2,46 berarti tidak ada autokorelasi 3. angka D-W; 2,90-4 berarti ada autokorelasi negatif. Untuk uji autokorelasi dengan EViews 5.1 nilai D-W terintegrasi dengan output dari model regresi yang bersangkutan, jadi tidak perlu dilakukan pengujian secara khusus. IV.2.3. IV Uji hipotesis Granger Causality Test Uji kausalitas granger merupakan pengujian untuk melihat bentuk hubungan antar variabel (searah atau simultan). Pengujian ini dilakukan antara masing-masing variabel independen dengan variabel dependen. Dasar yang dapat digunakan untuk menentukan apakah terjadi hubungan searah atau simultan yaitu nilai probability untuk uji yang bersangkutan. Jika kedua nilai probability lebih kecil dari 0.05 maka hasilnya adalah

10 84 hubungan yang simultan. Jika hanya salah satu nilai probability yang lebih kecil dari 0.05 maka hasilnya adalah hubungan searah. IV Analisa hubungan JSX, IDX dan DJIA berikut ini: Hasil granger causality test untuk JSX, IDX, dan DJIA dapat dilihat pada Tabel IV.3 Tabel IV.3 Granger Causality Test JSX, IDX dan DJIA Pairwise Granger Causality Tests Sample: Lags: 2 Null Hypothesis: Obs F-Statistic Probability DJI does not Granger Cause Y_JSX E-13 Y_JSX does not Granger Cause DJI Pairwise Granger Causality Tests Sample: Lags: 2 Null Hypothesis: Obs F-Statistic Probability DJI does not Granger Cause IDX IDX does not Granger Cause DJI Sumber : Hasil pengolahan EViews 5.1 Berdasarkan hasil pengujian kausalitas granger (granger causality test) dapat disimpulkan bahwa DJIA mempunyai pengaruh terhadap JSX pada α = 5%, dimana nilai probability = 5.0E-13; lebih kecil dari 0,05. Sedangkan JSX tidak mempunyai pengaruh terhadap DJIA, dimana nilai probability = 0,16572; lebih besar dari 0,05. Sedangkan untuk pengujian granger pada variabel IDX dapat disimpulkan bahwa IDX dan DJIA saling

11 85 mempengaruhi (hubungan pengaruh 2 arah) yang dinilai dari hasil probabilitas DJIA terhadap IDX pada α = 5%, dimana nilai probability = ; lebih kecil dari 0,05 dan hasil probabilitas IDX terhadap DJIA pada α = 5%, dimana nilai probability = 0,01654; juga lebih kecil dari 0,05. Dari output EViews pada Tabel IV.3 dapat disimpulkan bahwa hubungan antara DJIA dan JSX adalah searah dan tidak simultan. Dengan demikian pemodelan yang akan digunakan untuk menunjukkan hubungan tersebut adalah model regresi dan hubungan antara DJIA dan IDX adalah dua arah dan dengan demikian pemodelan yang digunakan adalah model Vector Auto Regression (VAR). Hasil pengujian ini sejalan dengan penelitian yang dilakukan oleh Bagus (2008), dimana developed market mempengaruhi emerging market sesuai contagion effect theory. Indonesia sebagai salah satu emerging market tentunya belum memiliki kemampuan untuk mempengaruhi Amerika Serikat (AS) sebagai developed market. Hal ini terlihat dari Indeks Dow Jones (DJIA) yang secara jelas mempengaruhi pergerakan JSX, tetapi JSX tidak dapat mempengaruhi DJIA. Hal itu dikarenakan New York Stock Exchange (NYSE) sebagai acuan utama dari bursa efek lain di seluruh dunia memiliki kapitalisasi pasar yang jauh lebih besar daripada BEI, baik dari segi kuantitas maupun kualitas. Perekonomian AS tidak dipengaruhi oleh Indonesia, sedangkan Indonesia secara makro sangat tergantung pada AS, karena AS sampai saat ini masih merupakan salah satu tujuan ekspor utama Indonesia, jadi secara tidak langsung terjadi ketergantungan BEI terhadap NYSE. Namun, perlu ditambahkan bahwa saat terjadi kerontokan bursa saham seperti yang terjadi pada pertengahan pertama tahun 2009 menyebabkan NYSE mengalami penurunan dan IDX mengalami kestabilan sehingga menyebabkan pengaruh yang semula hanya searah berubah menjadi dua arah saling mempengaruhi antara Indonesia dan Amerika.

12 86 Dari artikel yang didapat yang berjudul Ekonomi Asia Lebih Tahan Krisis ( menyatakan bahwa ekonomi negara-negara di Asia terutama Asia Tenggara setelah terjadinya kasus Subprime Mortgage tidak terlalu bergantung dari Ekspor ke negara-negara maju sehingga saat krisis terjadi lebih cepat pulih dan dapat mempengaruhi pemulihan ekonomi di negara maju dengan angka impor negaranegara Asia Tenggara yang meningkat seiring pemulihan ekonomi yang meningkat. IV Analisa hubungan JSX, IDX dan FTSE Hasil granger causality test untuk JSX, IDX, dan FTSE dapat dilihat pada Tabel IV.4 Pairwise Granger Causality Tests Sample: Lags: 2 Tabel IV.4 Granger Causality Test JSX, IDX dan FTSE Null Hypothesis: Obs F-Statistic Probability FTSE does not Granger Cause Y_JSX Y_JSX does not Granger Cause FTSE Pairwise Granger Causality Tests Sample: Lags: 2 Null Hypothesis: Obs F-Statistic Probability FTSE does not Granger Cause IDX IDX does not Granger Cause FTSE Sumber : Hasil pengolahan EViews 5.1 Berdasarkan hasil pengujian kausalitas granger (granger causality test) dapat disimpulkan bahwa FTSE mempunyai pengaruh terhadap JSX pada α = 5%;dimana nilai

13 87 probability = 0,00021; lebih kecil dari 0,05. Sedangkan JSX tidak mempunyai pengaruh terhadap FTSE; dimana nilai probability = 0,26365, lebih besar dari 0,05. Dari output EViews pada Tabel IV.4 dapat disimpulkan bahwa hubungan antara FTSE dan JSX adalah searah dan tidak simultan. Dengan demikian pemodelan yang akan digunakan untuk menunjukkan hubungan tersebut adalah model regresi. Lain halnya dengan hubungan antara IDX dan FTSE dimana IDX lah yang memiliki pengaruh terhadap FTSE sebagaimana ditunjukkan dari hasil uji granger bahwa dapat disimpulkan bahwa pengaruh FTSE terhadap IDX pada α = 5%; dimana nilai probability = 0,16070; lebih besar dari 0,05 dan pengaruh IDX terhadap FTSE; dimana nilai probability = 0,04859, lebih kecil dari 0,05. Pemodelan yang digunakan untuk menganalisa adalah model regresi. Hasil penelitian ini sejalan dengan hasil penelitian yang dilakukan oleh Bagus (2008), dimana developed market mempengaruhi emerging market. Sama seperti hubungan JSX dan DJIA, Indonesia sebagai salah satu emerging market belum memiliki kemampuan untuk mempengaruhi Inggris yang juga merupakan developed market. Inggris sebagai leader di bidang ekonomi untuk kawasan Eropa tentunya tidak akan terpengaruh oleh perekonomian Indonesia, selain karena perbedaaan kapitalisasi yang timpang, hubungan ekonomi diantara keduanya juga tidak signifikan. Namun sejak tahun 2009, dimana Indonesia memiliki pemulihan ekonomi yang lebih baik dibandingkan Inggris, sebagaimana terlihat dari resistensi harga indeks Indonesia yang mengalami kenaikan signifikan dipenghujung pertengahan tahun 2009.

14 88 IV Analisa hubungan JSX, IDX dan N225 Hasil granger causality test untuk JSX, IDX, dan Nikkei dapat dilihat pada Tabel IV.5 berikut: Pairwise Granger Causality Tests Sample: Lags: 2 Tabel IV.5 Granger Causality Test JSX, IDX dan N225 Null Hypothesis: Obs F-Statistic Probability N225 does not Granger Cause Y_JSX Y_JSX does not Granger Cause N Pairwise Granger Causality Tests Sample: Lags: 2 Null Hypothesis: Obs F-Statistic Probability N225 does not Granger Cause IDX IDX does not Granger Cause N E-05 Sumber : Hasil pengolahan EViews 5.1 Berdasarkan hasil pengujian kausalitas granger (granger causality test) dapat disimpulkan bahwa N225 tidak mempunyai pengaruh terhadap JSX pada α = 5%;dimana nilai probability = 0,05017; lebih besar dari 0,05. Sedangkan JSX mempunyai pengaruh terhadap N225; dimana nilai probability = 0,00521, lebih besar dari 0,05. Dari output EViews pada Tabel IV.5 dapat disimpulkan bahwa hubungan antara FTSE dan JSX adalah searah dan tidak simultan. Dengan demikian pemodelan yang akan digunakan untuk menunjukkan hubungan tersebut adalah model regresi. Sama halnya dengan hubungan antara IDX dan N225 dimana IDX lah yang memiliki pengaruh terhadap N225

15 89 sebagaimana ditunjukkan dari hasil uji granger bahwa dapat disimpulkan bahwa pengaruh N225 terhadap IDX pada α = 5%; dimana nilai probability = 0,10621; lebih besar dari 0,05 dan pengaruh IDX terhadap N225; dimana nilai probability = 0,000061, lebih kecil dari 0,05. Pemodelan yang digunakan untuk menganalisa adalah model regresi. Sejalan dengan hasil uji Granger tersebut di atas, Indonesia jelas memiliki dampak dan pengaruh terhadap bursa Jepang karena seperti yang disebutkan dalam artikel yang berjudul Revitalisasi hubungan dua bangsa ( yang mengatakan bahwa ada lebih dari 1,000 perusahaan Jepang yang beroperasi di Indonesia. Selain itu, Jepang juga memiliki ketergantungan bahan baku yang harus diimpor dari Indonesia sehingga secara tidak langsung perekonomian Indonesia mempengaruhi bursa Jepang (N225). IV Analisa hubungan JSX, IDX dan STI Hasil granger causality test untuk JSX, IDX dan StraitTimes dapat dilihat pada Tabel IV.6 berikut: Pairwise Granger Causality Tests Sample: Lags: 2 Tabel IV.6 Granger Causality Test JSX, IDX dan STI Null Hypothesis: Obs F-Statistic Probability STI does not Granger Cause Y_JSX Y_JSX does not Granger Cause STI

16 90 Pairwise Granger Causality Tests Sample: Lags: 2 Null Hypothesis: Obs F-Statistic Probability STI does not Granger Cause IDX IDX does not Granger Cause STI Sumber : Hasil pengolahan EViews 5.1 Berdasarkan hasil pengujian kausalitas granger (granger causality test) dapat disimpulkan bahwa terdapat hubungan saling mempengaruhi antara STI dan JSX dimana STI mempengaruhi JSX pada α = 5%; dimana nilai probability = 0,00192; lebih kecil dari 0,05. JSX juga mempunyai pengaruh terhadap STI; dimana nilai probability = 0,00516, lebih besar dari 0,05. Dari output EViews pada Tabel IV.6 dapat disimpulkan bahwa hubungan antara STI dan JSX adalah dua arah maka dengan demikian pemodelan yang akan digunakan untuk menunjukkan hubungan tersebut adalah model Vector Auto Regression (VAR). Hubungan antara IDX dan STI menunjukkan bahwa IDX lah yang memiliki pengaruh terhadap STI sebagaimana ditunjukkan dari hasil uji granger bahwa dapat disimpulkan bahwa pengaruh STI terhadap IDX pada α = 5%; dimana nilai probability = 0,53645; lebih besar dari 0,05 dan pengaruh IDX terhadap STI; dimana nilai probability = 0,02287, lebih kecil dari 0,05. Pemodelan yang digunakan untuk menganalisa adalah model regresi. Pada kondisi ekonomi yang seimbang Singapura dan Indonesia saling mempengaruhi secara ekonomi (dilihat dari keterkaitan indeks bursa saham kedua negara) karena pada beberapa perusahaan di Indonesia terdapat kepemilikan saham dari perusahaan Singapura sehingga kondisi ekonomi di Indonesia secara tidak langsung akan mempengaruhi bursa

17 91 Singapura. Sebaliknya kondisi ekonomi Singapura juga mempengaruhi bursa saham Indonesia (JSX) karena beberapa perusahaan Indonesia memiliki perwakilan atau kantor cabang di Singapura untuk pasar Singapura dan negara lainnya, sehingga saat kondisi ekonomi Singapura memburuk akan mempengaruhi kinerja perusahaan Indonesia yang mengakibatkan dampak negative terhadap bursa Indonesia (JSX) juga. Tidak demikian dengan kondisi saat awal tahun 2009 dimana Singapura tidak lagi memiliki pengaruh terhadap bursa Indonesia yang ditandai dengan kondisi bursa saham Singapura yang turun dan penguatan bursa Indonesia (IDX). Sebaliknya Indonesia mempengaruhi bursa Singapura yang terlihat dari fluktuasi bursa Singapura seiring dengan kenaikan dan penurunan IDX. Seperti yang disadur dari artikel yang berjudul Peluang Dari Perjanjian Perbatasan Indonesia-Singapura ( hal tersebut di atas disebabkan oleh pasang surutnya hubungan kedua negara dan pada tahun 2009 hubungan keduanya sedang tidak baik seiring permasalahan perluasan wilayah Singapura dengan reklamasi pantai yang mempengaruhi batas wilayah laut kedua negara dan pasir yang tergerus di Riau akibat penjualan secara besar-besaran ke Singapura. Karena hubungan tidak baik tersebut maka hubungan ekonomi kedua negara melambat sehingga berpengaruh terhadap bursa kedua negara yang tidak lagi saling mempengaruhi, kecuali Indonesia yang masih mempengaruhi Singapura karena impor dari Indonesia tetap dibutuhkan oleh Singapura yang memiliki keterbatasan sumber daya.

18 92 IV Analisa hubungan JSX, IDX dan HANGSENG Hasil granger causality test untuk JSX, IDX dan HANGSENG dapat dilihat pada Tabel IV.7 berikut: Pairwise Granger Causality Tests Sample: Lags: 2 Tabel IV.7 Granger Causality Test JSX, IDX dan HANGSENG Null Hypothesis: Obs F-Statistic Probability HANGSENG does not Granger Cause Y_JSX Y_JSX does not Granger Cause HANGSENG Pairwise Granger Causality Tests Sample: Lags: 2 Null Hypothesis: Obs F-Statistic Probability HANGSENG does not Granger Cause IDX IDX does not Granger Cause HANGSENG Sumber : Hasil pengolahan EViews 5.1 Berdasarkan hasil pengujian kausalitas granger dapat disimpulkan bahwa HANGSENG mempunyai pengaruh terhadap JSX pada α = 5%, dimana nilai probability = 0,00041; lebih kecil dari 0,05; sedangkan JSX tidak mempunyai pengaruh terhadap HANGSENG; dimana nilai probability = ; lebih besar dari 0,05. Dari output EViews pada Tabel IV.7 dapat disimpulkan bahwa hubungan antara HANGSENG dan JSX adalah searah dan tidak simultan. Lain halnya dengan hasil uji granger yang ditunjukkan pada periode waktu IDX dimana IDX lah yang memiliki pengaruh terhadap HANGSENG dengan nilai

19 93 probabilitas = dan HANGSENG tidak memiliki pengaruh terhadap IDX dimana nilai probabilitas HANGSENG terhadap IDX di bawah 0.05, yaitu Dengan demikian pemodelan yang akan digunakan untuk menunjukkan hubungan JSX, IDX dengan HANGSENG adalah model regresi. Hasil penelitian ini tidak sejalan dengan hasil penelitian yang dilakukan oleh Bagus (2008), dimana pasar modal negara yang berada dalam satu regional yang berdekatan akan cenderung saling mempengaruhi. JSX dan HANGSENG berada pada regional yang sama, tentunya memiliki hubungan ekonomi yang lebih erat, memiliki kondisi pasar yang cenderung serupa, dan struktur pasar yang sejenis sehingga keduanya dapat saling mempengaruhi. Jam buka bursa keduanya memiliki waktu yang sangat berdekatan, otomatis peristiwa ekonomi yang terjadi dapat langsung direspon oleh keduanya secara bersamaan, tetapi setelah tahun 2009 hal tersebut berbalik dimana IDX lebih mempengaruhi HANGSENG. Penguatan bursa Indonesia yang puncaknya terjadi pada tanggal 10 Juni 2009 mempengaruhi penguatan indeks HANGSENG yang mencapai titik tertingginya dua hari kemudian pada tanggal 12 Juni IV Perumusan model Berdasarkan pengujian kausalitas granger tersebut di atas, dapat kita tarik kesimpulan bahwa hubungan antar pasar saham regional dengan pasar saham Indonesia tidak saling mempengaruhi, kecuali untuk IDX dengan DJIA dan JSX dengan STI yang saling mempengaruhi (dua arah). Berdasarkan kondisi ini khusus untuk IDX dan DJIA serta JSX dengan STI dibuat dengan pendekatan model VAR (Vector Auto Regression) sedangkan untuk hubungan lainnya digunakan pendekatan model regresi.

20 94 Suatu model dapat disebut sudah baik jika koefisien untuk setiap variabel sudah memiliki nilai yang signifikan secara statistik, hal ini dapat dilihat dari nilai probability dari koefisien yang bersangkutan. Nilai probability harus lebih kecil dari 0.05, barulah koefisien tersebut dapat dianggap signifikan secara statistik. Selain itu diperlukan analisis terhadap koefisien determinasi. Koefisien determinasi (R-squared) pada intinya mengukur seberapa jauh kemampuan model dalam menerangkan variasi variabel independen. Kelemahan mendasar penggunaan koefisien determinasi adalah bias terhadap jumlah variabel independen yang dimasukkan ke dalam model. Setiap tambahan satu variabel independen, maka R-squared pasti meningkat tidak peduli apakah variabel tersebut berpengaruh secara signifikan terhadap variabel dependen. Oleh karena itu banyak peneliti menganjurkan untuk menggunakan nilai adjusted R squared, hal ini dilakukan untuk mengetahui berapa besar persentase dari variabel independen dapat menjelaskan variabel dependen. Nilai adjusted R-squared yang kecil menunjukkan kemampuan variabel-variabel independen dalam menjelaskan variasi variabel dependen sangat terbatas. Nilai adjusted R-squared yang mendekati seratus persen berarti variabel-variabel independen memberikan hampir semua informasi yang dibutuhkan untuk memprediksi variasi variabel dependen. Terlebih dahulu akan dicoba pemodelan regresi untuk semua variabel independen secara bersama-sama, hasil output model regresi untuk semua variabel dapat dilihat pada Tabel IV.8 berikut:

21 95 Tabel IV.8 Pemodelan JSX dan IDX, DJIA, FTSE, N225, STI, dan HANGSENG Dependent Variable: Y_JSX Method: Least Squares Sample: Included observations: 648 Variable Coefficient Std. Error t-statistic Prob. C DJI FTSE N STI HANGSENG R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid Schwarz criterion Log likelihood F-statistic Durbin-Watson stat Prob(F-statistic) Dependent Variable: IDX Method: Least Squares Sample: Included observations: 108 Variable Coefficient Std. Error t-statistic Prob. C DJI FTSE N STI HANGSENG R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid Schwarz criterion Log likelihood F-statistic Durbin-Watson stat Prob(F-statistic) Sumber : Hasil pengolahan EViews 5.1

22 96 Berdasarkan hasil output EViews tersebut di atas, dapat disimpulkan hanya FTSE yang tidak signifikan secara statistik sedangkan variabel independen lainnya signifikan. Hal ini dapat dilihat dari nilai probability untuk FTSE sebesar 0,8918; dan yang signifikan lainnya adalah DJIA sebesar 0,0000, STI sebesar 0,0000, N225 sebesar 0,0000, dan HANGSENG sebesar 0,0000 dimana keempatnya lebih kecil dari 0,05 dengan tingkat keyakinan 95%; sedangkan untuk IDX, variabel yang berpengaruh adalah FTSE, STI, dan HANGSENG dengan probabilitas masing-masing sebesar , , dan DJI dan N225 tidak berpengaruh dengan nilai probabilitas dan Dengan banyaknya jumlah variabel independen yang signifikan mengindikasikan tidak terjadi multikolinearitas. Hasil ini tidak sesuai dengan hasil correlation matrix test pada Tabel IV.8 dimana nilai probabilitas F-statistik yang lebih kecil dari 0.05 dengan tingkat keyakinan 95% menunjukkan terjadinya multikorelasi. Melihat kondisi seperti ini maka untuk melihat pengaruh indekes-indeks tersebut terhadap JSX dan IDX maka pemodelan akan dibuat untuk masing-masing variabel independen terhadap variabel independen. IV Pemodelan Antara JSX, IDX dan DJIA Untuk melihat hubungan antara JSX dan DJIA, pertama dicoba dengan menggunakan metode regresi sederhana. Hasil pemodelan untuk JSX dan DJIA dapat dilihat pada Tabel IV.9 berikut ini:

23 97 Dependent Variable: Y_JSX Method: Least Squares Sample (adjusted): Included observations: 647 after adjustments Tabel IV.9 Pemodelan Regresi JSX dan DJIA Variable Coefficient Std. Error t-statistic Prob. C DJI(-1) R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid Schwarz criterion Log likelihood F-statistic Durbin-Watson stat Prob(F-statistic) Sumber : Hasil pengolahan EViews 5.1 Model regresi antara JSX dan DJIA menginformasikan bahwa DJIA t-1 mempunyai pengaruh yang signifikan terhadap JSX, nilai probabilitas untuk DJIA t-1 = 0,0000; lebih kecil dari 0,05. Akan tetapi model tersebut masih mempunyai nilai Durbin Watson (DW) kecil yaitu 1,022209; sehingga dapat disimpulkan masih mengandung autokorelasi. Hasil penelitian ini sejalan dengan hasil penelitian yang dilakukan oleh Bagus (2008) dimana untuk model regresi menggunakan Least Squares, belum menghasilkan model yang baik karena masih mengandung autokorelasi. Selanjutnya untuk mengetahui apakah terdapat masalah heteroskedastisitas dilakukan uji white. Hasil uji white untuk JSX dan DJIA dapat dilihat pada Tabel IV.8

24 98 White Heteroskedasticity Test (JSX): Tabel IV.10 Uji White JSX dan DJIA F-statistic Prob. F(2,644) Obs*R-squared Prob. Chi-Square(2) Test Equation: Dependent Variable: RESID^2 Method: Least Squares Sample: Included observations: 647 Variable Coefficient Std. Error t-statistic Prob. C DJI(-1) DJI(-1)^ R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid 6.38E+12 Schwarz criterion Log likelihood F-statistic Durbin-Watson stat Prob(F-statistic) Sumber : Hasil pengolahan EViews 5.1 Berdasarkan white heteroskedasitas test, hasil pengujian menunjukkan bahwa variance error masih heteroskedastis. Hasil pengujian menunjukan nilai probabilitas untuk Obs*Rsquared = 0,000000; lebih kecil dari 0,05. Berdasarkan pemodelan regresi di atas asumsi bebas autokorelasi dan homoskedastisitas masih dilanggar maka pemodelan dilakukan dengan model ARCH untuk menghilangkan unsur heteroskedastisitas. Model ARCH merupakan model yang dapat digunakan jika residual tidak terbebas dari autokorelasi dan tidak bersifat konstan dari waktu ke waktu.

25 99 Pada langkah pertama dicoba model ARCH (1) yang merupakan model yang paling sederhana. Setelah dilakukan pengolahan data maka diperoleh output sebagai berikut : Dependent Variable: Y_JSX Method: ML - ARCH (Marquardt) Sample (adjusted): Included observations: 647 after adjustments Convergence achieved after 238 iterations Variance backcast: ON Tabel IV.11 Pemodelan ARCH (1) JSX dan DJIA Coefficient Std. Error z-statistic Prob. C DJI(-1) Variance Equation C ARCH(1) R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid 1.26E+08 Schwarz criterion Log likelihood F-statistic Durbin-Watson stat Prob(F-statistic) Sumber : Hasil pengolahan EViews 5.1 Berdasarkan output EViews pada Tabel IV.9, ternyata model ARCH (1) sudah menunjukkan hasil yang baik karena pada model regresinya variabel DJIA pada t-1 mempunyai koefisien yang signifikan secara statistik pada α = 5%; dimana nilai probabilitas = 0,0000; lebih kecil dari 0,05; yang berarti DJIA t-1 mempunyai pengaruh signifikan terhadap JSX. Untuk menganalisa hubungan antara IDX dan DJIA dilakukan

26 100 pengujian VAR, karena hubungan antara dua variabel tersebut adalah hubungan saling mempengaruhi dua arah seperti yang ditampilkan dalam tabel berikut ini: Vector Autoregression Estimates Sample (adjusted): Included observations: 107 after adjustments Standard errors in ( ) & t-statistics in [ ] TABEL IV.12 VAR IDX dan DJI IDX DJI IDX(-1) ( ) ( ) [ ] [ ] DJI(-1) ( ) ( ) [ ] [ ] C ( ) ( ) [ ] [ ] R-squared Adj. R-squared Sum sq. resids S.E. equation F-statistic Log likelihood Akaike AIC Schwarz SC Mean dependent S.D. dependent Determinant resid covariance (dof adj.) Determinant resid covariance Log likelihood Akaike information criterion Schwarz criterion Sumber : Hasil pengolahan EViews 5.1

27 101 Dari model di atas dapat dinyatakan bahwa antara JSX dan DJIA mempunyai hubungan terbalik (dengan koefisien DJIA negatif seperti pada tabel IV.11), hubungan terbalik ini menunjukan bahwa peningkatan DJIA berakibat buruk terhadap JSX. Ada beberapa hal yang mungkin menyebabkan hubungan terbalik ini berdasarkan analisa penulis yang dihubungkan dengan kondisi ekonomi negara tersebut: 1. Periode 1 Januari 2007 sampai 31 Desember 2008 merupakan periode yang sangat dipengaruhi oleh adanya krisis subprime mortgage, dimana terjadi anomali pasar. Diawali oleh kenaikan harga saham-saham di NYSE hingga menembus level tertingginya sepanjang sejarah, namun kenaikan ini sama sekali tidak didukung oleh faktor fundamental, seperti perbaikan infrastruktur, efisiensi, maupun perbaikan struktur ekonomi. Kenaikan ini hanya dikarenakan terjadinya pembelanjaan besar-besaran yang mendorong terjadinya permintaan berlebihan untuk waktu sesaat. Pembelanjaan besarbesaran ini disebabkan adanya pasokan kredit yang melimpah, dimana yang dijadikan agunan adalah perumahan. Kondisi yang berbeda terjadi di negara-negara berkembang termasuk Indonesia, dimana perputaran ekonomi mulai melambat, harga bahan pokok menjadi semakin tinggi, dan likuiditas berkurang. Jadi ketika AS sedang mengalami peningkatan, Indonesia justru mulai menghadapi penurunan di bidang ekonomi. 2. Sebagai emerging market, Indonesia masih berada dalam tahap perkembangan awal untuk pasar modalnya. Hal ini dapat dilihat dari jumlah emiten, frekuensi transaksi dan kapitalisasi pasar modal. Dalam transaksi harian normal terhitung untuk periode 1 Januari 2007 sampai 31 Desember 2008, rata-rata nilai transaksi yang terjadi di BEI berkisar di angka Rp 2 triliun, rasio dari jumlah ini jika dibandingkan indikator makro ekonomi seperti Gross Domestic Product dapat dikatakan masih kecil terutama jika

28 102 dibandingkan dengan negara-negara maju. Padahal dalam kenyataannya, banyak investor perorangan atau institusi yang memiliki dana lebih dari 1 triliun rupiah di Indonesia, hal ini tentunya berakibat terjadinya praktek perbandaran saham, dimana untuk saham-saham tertentu pergerakannya dapat diatur oleh investor yang bersangkutan, bahkan dapat berlawanan dengan pasar. 3. Pada saat krisis subprime mortgage sudah mulai terkuak dan memuncak, ditandai dengan bangkrutnya beberapa institusi keuangan raksasa di AS, terjadi arus pemindahan dana investasi. Para institusi keuangan yang semula menempatkan dananya di emerging market, termasuk Indonesia menarik dananya untuk menutupi kerugian investasi di negara asalnya yaitu AS. Tindakan penarikan dana investasi secara serentak ini memicu penurunan bursa saham di negara-negara berkembang. Dilihat dari hasil pemodelan VAR IDX dan DJI pada table IV.12 di atas, terdapat pengaruh signifikan dari IDX terhadap DJI yang berlaku sebaliknya. Model yang didapat dari pemodelan tersebut: 1. Pengaruh DJI terhadap IDX IDX = IDX t DJI t-1 Persamaan tersebut di atas diinterpretasikan sebagai berikut: a. Koefisien regresi variabel IDX t-1 sebesar yang berarti bahwa setiap kenaikan satu satuan IDX t-1 akan menaikkan IDX sebesar satuan, berlaku juga sebaliknya. b. Koefisien regresi variabel DJI t-1 sebesar dimana setiap kenaikan satu satuan DJI t-1 akan menurunkan IDX sebesar satuan, yang berarti hubungan

29 103 negatif antara DJI dan IDX. Semakin tinggi DJI t-1 maka akan semakin menurunkan IDX. 2. Pengaruh IDX terhadap DJI DJI = IDX t DJI t-1 Persamaan tersebut di atas diinterpretasikan sebagai berikut: a. Koefisien regresi variabel IDX t-1 sebesar yang berarti bahwa setiap kenaikan satu satuan IDX t-1 akan menaikkan DJI sebesar satuan, berlaku juga sebaliknya. b. Koefisien regresi variabel DJI t-1 sebesar dimana setiap kenaikan satu satuan DJI t-1 akan menurunkan DJI sebesar satuan, yang berarti hubungan negatif antara DJI dan DJI t-1. Semakin tinggi DJI t-1 maka akan semakin menurunkan DJI. Berbanding terbalik dengan hasil regresi JSX dan DJI, hasil korelasi positif antara IDX dan DJI dimana IDX t-1 mempengaruhi kenaikan DJI setiap kenaikan IDX t-1 menunjukkan bahwa Indonesia mempengaruhi keadaan ekonomi Amerika Serikat melalui indeks bursa saham DowJones dan sejalan dengan hasil penelitian yang disampaikan sebelumnya pada penelitian Granger di atas yang menyebutkan bahwa kestabilan ekonomi Indonesia sebagai bagian dari negara-negara di Asia Tenggara mempengaruhi secara positif perekonomian negara maju seperti Amerika Serikat.

30 104 Indeks Hubungan dengan JSX Hubungan dengan IDX DJI Hubungan 1 arah terbalik dimana kenaikan DJIA akan berpengaruh pada penurunan JSX Hubungan 2 arah dimana kenaikan DJIA mempengaruhi penurunan IDX dan sebaliknya kenaikan IDX berpengaruh positif terhadap kenaikan DJIA IV Pemodelan Antara JSX, IDX Dan FTSE Untuk melihat hubungan antara JSX dan FTSE, pertama akan dicoba dengan menggunakan metode regresi sederhana. Hasil pemodelan untuk JSX dan FTSE dapat dilihat pada Tabel IV.13 berikut: Dependent Variable: Y_JSX Method: Least Squares Sample (adjusted): Included observations: 647 after adjustments Tabel IV.13 Pemodelan Regresi JSX, IDX dan FTSE Variable Coefficient Std. Error t-statistic Prob. C FTSE(-1) R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid 1.23E+08 Schwarz criterion Log likelihood F-statistic Durbin-Watson stat Prob(F-statistic)

31 105 Dependent Variable: IDX Method: Least Squares Sample (adjusted): Included observations: 107 after adjustments Variable Coefficient Std. Error t-statistic Prob. C FTSE(-1) R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid Schwarz criterion Log likelihood F-statistic Durbin-Watson stat Prob(F-statistic) Sumber : Hasil pengolahan EViews 5.1 Model regresi antara JSX, IDX dan FTSE menginformasikan bahwa FTSE t-1 mempunyai pengaruh yang signifikan terhadap JSX dan IDX, nilai probabilitas untuk FTSE t-1 = 0,0000; lebih kecil dari 0,05. Hal ini sejalan dengan hasil uji kausalitas granger, dimana FTSE memiliki pengaruh yang signifikan terhadap JSX. Tetapi model tersebut masih memiliki nilai Durbin Watson kecil yaitu kurang dari 1.54, sehingga dapat disimpulkan masih mengandung autokorelasi. Untuk model regresi sederhana di atas, ternyata berdasarkan white heteroskedasitas test menunujukkan bahwa variance error masih heteroskedastis (lihat Tabel IV.13); karena nilai probabilitas untuk Obs*R-squared adalah 0,000000; lebih kecil dari 0,05.

32 106 White Heteroskedasticity Test (JSX): Tabel IV.14 Uji White JSX, IDX dan FTSE F-statistic Prob. F(2,644) Obs*R-squared Prob. Chi-Square(2) Test Equation: Dependent Variable: RESID^2 Method: Least Squares Sample: Included observations: 647 Variable Coefficient Std. Error t-statistic Prob. C FTSE(-1) FTSE(-1)^ R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid 1.31E+13 Schwarz criterion Log likelihood F-statistic Durbin-Watson stat Prob(F-statistic)

33 107 White Heteroskedasticity Test (IDX): F-statistic Prob. F(2,104) Obs*R-squared Prob. Chi-Square(2) Test Equation: Dependent Variable: RESID^2 Method: Least Squares Sample: Included observations: 107 Variable Coefficient Std. Error t-statistic Prob. C FTSE(-1) FTSE(-1)^ R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid 2.33E+11 Schwarz criterion Log likelihood F-statistic Durbin-Watson stat Prob(F-statistic) Sumber : Hasil pengolahan EViews 5.1 Berdasarkan pemodelan regresi pada Tabel IV.14 di atas asumsi bebas autokorelasi dan homoskedastisitas masih dilanggar maka pemodelan dilakukan dengan ARCH untuk menghilangkan unsur heteroskedastisitas. Pada langkah pertama dicoba model ARCH (1) yang merupakan model ARCH yang paling sederhana. Setelah dilakukan pengolahan data maka didapat output sebagai berikut :

34 108 Dependent Variable: Y_JSX Method: ML - ARCH (Marquardt) Sample (adjusted): Included observations: 647 after adjustments Failure to improve Likelihood after 11 iterations Variance backcast: ON Tabel IV.15 Pemodelan ARCH (1) JSX, IDX dan FTSE Coefficient Std. Error z-statistic Prob. C FTSE(-1) Variance Equation C ARCH(1) R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid 1.26E+08 Schwarz criterion Log likelihood F-statistic Durbin-Watson stat Prob(F-statistic)

35 109 Dependent Variable: IDX Method: ML - ARCH (Marquardt) Sample (adjusted): Included observations: 107 after adjustments Convergence achieved after 95 iterations Variance backcast: ON Coefficient Std. Error z-statistic Prob. C FTSE(-1) Variance Equation C ARCH(1) R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid Schwarz criterion Log likelihood F-statistic Durbin-Watson stat Prob(F-statistic) Sumber : Hasil pengolahan EViews 5.1 Berdasarkan output EViews di atas, ternyata model ARCH (1) pada JSX masih belum baik meskipun pada model regresinya, variabel FTSE pada t-1 mempunyai koefisien yang sudah signifikan secara statistik, nilai probabilitas = 0,0000; lebih kecil dari 0,05; yang berarti FTSE t-1 mempunyai pengaruh terhadap JSX. Hal ini tentunya sesuai dengan hasil uji kausalitas granger, tetapi kesalahan terlihat pada nilai Durbin Watson yang masih lebih kecil dari Sedangkan untuk model ARCH (1) pada IDX sudah menunjukkan hasil yang baik dan bebas dari autokorelasi (Durbin-Watson stat diantara 1.54 dan 2.46) dan tidak terdapat heteroskedastisitas karena nilai semua probabilitasnya di bawah 0.05 dengan tingkat signifikansi 95%.

36 110 Pemodelan untuk JSX selanjutnya dilakukan dengan GARCH (1,1), berdasarkan Tabel IV.15, hasilnya menunjukan bahwa model masih belum baik karena nilai Durbin Watson yang masih di bawah 1.54 meskipun nilai koefisien sudah signifikan sebesar 0,0000. Tabel IV.16 Pemodelan GARCH (1) JSX dan FTSE Dependent Variable: Y_JSX Method: ML - ARCH (Marquardt) Sample (adjusted): Included observations: 647 after adjustments Convergence achieved after 84 iterations Variance backcast: ON Coefficient Std. Error z-statistic Prob. C FTSE(-1) Variance Equation C ARCH(1) GARCH(1) R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid 1.26E+08 Schwarz criterion Log likelihood F-statistic Durbin-Watson stat Prob(F-statistic) Sumber : Hasil pengolahan EViews 5.1 Selanjutnya dicoba untuk membentuk model transformasi GARCH (1) dan menurunkan variabel independen JSX menjadi JSX t-1. Model yang dipilih adalah ARCH (1) karena