BAB III METODE PENELITIAN A. Ruang Lingkup Penelitian Ditinjau dari jenis datanya pendekatan penelitian yang digunakan dalam penelitian ini adalah pendekatan kuantitatif. Yang dimaksud dengan penelitian kuantitatif adalah pendekatan penelitian yang banyak dituntut menguakan angka, mulai dari pengumpulan data, penafsiran terhadap data tersebut, serta penampilan hasilnya. (Arikunto, 2006). Penelitian ini memiliki lima variabel, satu variabel dependen dan tiga variabel independen. Variabel dependen dalam penelitian ini adalah harga saham perusahaan BUMN yang terdaftar di Bursa Efek Indonesia. Variabel independen dalam penelitian ini adalah laju inflasi, kurs valuta asing, dan suku bunga (SBI). Data yang digunakan merupakan data bulanan yaitu tahun 2007 2015. B. Sampel Sugiyono (2007) menyatakan bahwa sampel adalah bagian dar jumlah dan karakteristik yang dimiliki oleh populasi. Pemilihan sampel dalam penelitian ini dengan menggunakan metode purposive sampling. Metode purposive sampling adalah penentuan sampel yang tidak acak dan secara sengaja atau sesuai dengan pertimbangan tertentu. Sampel dalam penelitian adalah lima perusahaan BUMN yang memiliki aset paling banyak yang terdaftar di Bursa Efek Indonesia periode 2007-2015. Kelima perusahaan tersebut adalah sebagai berikut: 25
26 1. PT. Bank Rakyat Indonesia (Persero) Tbk. (BBRI) 2. PT. Bank Mandiri (Persero) Tbk. (BMRI) 3. PT. Perusahaan Gas Negara (Persero) Tbk. (PGAS) 4. PT. Bukit Asam (Persero) Tbk. (PTBA) 5. PT. Telekomunikasi Indonesia (Persero) Tbk. (TLKM) C. Jenis dan Sumber Data Sumber data yang menjadi bahan analisis dalam penelitian ini adalah data sekunder. Menurut Sugiyono (2007), sumber sekunder merupakan sumber yang secara tidak langsung memberikan data kepada pengumpul data. Pengertian tersebut dapat diambil kesimpulan bahwa data sekunder adalah data yang diambil dan tgelah tersedia di buku-buku, majalah, jurnal, website, media online, dan sumber lainnya. Yang secara tidak langsung berhubungan dengan penelitian. Keuntungan utama dari penggunaan data sekunder adalah tidak memerlukan banyak biaya untuk memperolehnya, selain itu data sekunder juga dapat memunculkan banyak pilihan data yang mendukung dengan permasalahan yang ditelti. Selain itu, kerugian dari penggunaan data sekunder yaitu, informasi yang disajikan cenderung kurang frontier, pendefinisian dari sumber data yang bervariasi, perbedaan ssatuan unit, dan kurangnya informasi untuk melakukan verifikasi data. Jenis data yang digunakan peneliti dalam penelitian ini adalah: 1. Data kuantitatif Data kuantitatif merupakan jenis data yang disajikan dalam bentuk angka. Data ini menunjukkan nilai terhadap besaran atau variabel yang
27 diwakilinya. Sifat data ini adalah data rentet waktu (time series). Data sekunder dalam penelitian ini meliputi : a. Data Harga Saham Bulanan Perusahaan BUMN yang diperoleh dari Yahoo Finance pada tahun 2007 2015. b. Nilai tukar USD terhadap rupiah Amerika Serikat yang diperoleh dari www.bi.go.id tahun 2007 2015. c. Suku bunga yang ditentukan oleh Bank Indonesia uang diperoleh dari www.bi.go.id tahun 2007 2015. d. Tingkat Inflasi yang diperoleh dari www.bi.go.id tahun 2007 2015. D. Definisi Operasional Variabel 1. Variabel Independen Variabel independen adalah kondisi-kondisi atau karakteristikkarakteristik yang oleh peneliti dimanipulasi dalam rangka untuk menerangkan hubungan fenomena yang diobservasi. (Cholid Narbuko dan H.Abu Achmadi, 1999:80). Pada penelitian ini yang menjadi variabel independen adalah : a. Suku bunga Suku bunga Bank Indonesia (BI Rate) adalah suku bunga kebijakan yang mencerminkan sikap atau stance kebijakan moneter yang ditetapkan oleh bank Indonesia dan diumumkan kepada publik. BI Rate diumumkan oleh Dewan Gubernur Bank Indonesia setiap Rapat Dewan Gubernur bulanan dan diimplementasikan pada operasi moneter yang dilakukan Bank Indonesia melalui pengelolaan
28 likuiditas (liquidity management) di pasar uang untuk mencapai sasaran operasional kebijakan moneter. b. Nilai tukar USD terhadap Rupiah Nilai tukar yang digunakan dalam penelitian ini adalah nilai tukar nominal (nominal exchange rate) USD/Rupiah. Dolar AS (US$) merupakan mata uang utama di dunia. Sebagian besar mata uang yang ada di dunia pada umumnya menggunakan Dolar AS sebagai acuan dalam menentukan nilai tukarnya. c. Inflasi Data yang digunakan adalah tingkat inflasi dengan satuan persen yang terbentuk dari kebijakan moneter yang ditetapkan oleh Bank Indonesia. Indikator yang sering digunakan untuk mengukur tingkat inflasi adalah Indeks Harga Konsumen (IHK). Perubahan IHK dari waktu ke waktu menunjukkan pergerakan harga dari paket barang dan jasa yang dikonsumsi masyarakat. (www.bi.go.id, 2016) 2. Variabel Dependen Variabel dependen adalah tipe variabel yang dijelaskan atau dipengaruhi oleh variabel independen. Penjelasan dan prediksi fenomena secara sistematis digambarkan dalam variabilitas variabel-variabel dependen yang dijelaskan atau dipengaruhi oleh variabel-variabel independen. Pada penelitian ini yang menjadi variabel dependen adalah
29 Harga Saham. Indeks Harga Saham Perusahaan Rokok yang terdaftar di Bursa Efek Indonesia mencerminkan angka yang mewakili / mencerminkan pergerakan saham sektor barang konsumsi yaitu perusahaan rokok yang tercatat di BEI. Data Indeks Harga Saham Perusahaan Rokok yang digunakan dalam penelitian ini adalah nilai dari rata rata harian harga penutupan bulanan dari Data Indeks Harga Saham Perusahaan Rokok yang terdaftar di Bursa Efek Indonesia. E. Metode Analisis Untuk mengetahui seberapa besar pengaruh nilai tukar, pertumbuhan ekonomi, suku bunga SBI, dan inflasi terhadap variable dependen yaitu harga saham perusahaan BUMN maka dilakukan pendekatan analisis Vector Auto Regresion (VAR). Jika data yang diteliti adalah stasioner pada first difference, maka model VAR akan dikombinasikan dengan model koreksi kesalahan (error correction model) menjadi Cointegratedi VAR atau Vector Eros Correction Model (VECM). Selain itu dalam penelitian ini akan diuraikan fungsi impulse response dan variance decomposition yang merupakan property dari model VAR. Hal tersebut digunakan untuk melihat goncangan dari variabel inovasi terhadap variabel lainnya.
30 1. Vector Autoregressive (VAR) Vector Auto Regresion (VAR) sigunakan untuk memproyeksikan sistem variabel variabel runtut waktu. Selain itu juga dapat dugunakan untuk menganalisis dampak dinamis dari faktor gangguan yang terdapat dalam sistem variabel tersebut. Analisi VAR biasanya dipadankan dengan suatu model persamaan simultan, karena dalam analisis VAR dipertimbangkan beberapa variabel endogen secara bersama-sama dalam suatu model. Perbedaannya dengan model persamaan simultan adalah dalam analisis VAR masing-masing variabel selain diterangkan oleh nilainya di masa lampau, juga dipengaruhi oleh nilai masa lalu dari semua variabel endogen lainnya dalam model yang diamati. Dalam analisis VAR biasanya tidak terdapat variabel eksogen. (Agung, 2009) Sistem VAR tidak bergantung kepada teori ekonomi. Variabelvariabel yang berinteraksi pada sistem persamaan VAR dapat dipilih selama terdapat hubungan yang relevan antara variabel dengan teori ekonomi atau dengan kata lain dapat dijelaskan secara logika. Sistem persamaan VAR, tidak mensyaratkan variabel perlakuan khusus terhadap variabel, tidak membedakan variabel endogen dengan eksogen, maka harus sama dalam perlakuanterhadap variabel. Jadi dapat disimpulkan bahwa model VAR mengutamakan pemilihan variabel yang diteliti dan lag optimum yang dapat menangkap keterkaitan antar variabel sebagai focus dalam proses pembentukan sistem persamaan. Berdasarkan ada tidaknya restriksi maka VAR dibedakan menjadi 2 yaitu VAR tanpa retriksi (Unrestrictes VAR) dan VAR dengan retriksi
31 (Restricted VAR). Kemudian VAR tanpa restriksi dibedakan menjadi 2 jenis, yaitu VAR pada tingkat level (VAR in Level) dan VAR pada tingkat turunan atau differential (VAR in difference). Pada VAR dengan Retriksi juga dibedakan menjadi 2 yaitu : Vector Error Corection Model (VECM) dan Structural VAR(SVAR). Dalam penelitian ini, peneliti menggunakan Restricted VAR. Pada penelitian ini dimaksudkan untuk memberi gambaran keseimbangan pada jangka panjang. Maka agar dapat digunakan untuk analisis jangka panjang penelitian ini menggunakan kombinasi antara model VAR dengan matriks kointegrasi. Kombinasi antara model VAR dengan matriks kointegrasi dapat menghasilkan model VAR yang kointegrasi (cointegrasi VAR), kombinasi dari kedua persamaan ini dikenal dengan Vector Error Correction (VECM). 2. Vector Error Correction (VECM) Vector Autoregressive (VAR) merupakan salah satu bentuk khusus dari sitem persamaan simultan. Model VAR dapat diterapkan apabila semua peubah yang digunakan telah stasioner, akan tetapi jika ada beberapa peubah di dalam vector Z t tidak stasioner maka model Vector Error Correction (VECM) yang akan digunakan dengan syarat terdapat satu atau lebih hubungan kointegrasi antar peubah (Gujarati, 2004). Sampai saat ini teori ekonometrika berlandaskan asumsi bahwa data adalah stationer (Hendri : 1989) Data yang stationer pada dasarnya tidak
32 memiliki variasi yang terlalu besar selama periode observasi dan memiliki kecenderungan untuk mendekati nilai rata-ratanya (Granger, 1986). Untuk mengetahui apakah data runtun waktu yang digunakan stationer atau tidak, akan dilakukan uji akar-akar dan uji derajat integrasi. Data yang tidak stationer ditandai dengan R², juga uji t yang relative tinggi namun memiliki nilai statistik durbin Watson yang rendah, bahkan lebih rendah dari R². Hal tersebut memberikan indikasi bahwa regresi yang dihasilkan lancing atau semrawut dan dikenal dengan regresi lancung (Gujarati, 1995). Regresi Lancung mengakibatkan koefisien regresi penaksir tidak efisien, peramalan berdasarkan regresi tersebut akan meleset jauh dan uji baku yang umum untuk koefisien regresi terkait menjadi tidak valid. Apabila variabel-variabel yang diteliti memiliki derajat integrasi yang sama, maka dapat dilakukan estimasi regresi kointegrasi. Regresi kointegrasi ditaksir untuk menguji apakah residual regresi yang dihasilkan stationer atau tidak (Insukindro. 1994). Apabila hasil uji residual regresu kointegrasinya juga stationer, maka model dinamis yang cocok adalah model koreksi kesalahan (Kusumastuti, 1996). 3. Tahapan Model Penelitian VAR/VECM a. Pengujian Stationer Data Menurut Gujarati (1995), masalah yang ditemuka dalam data time series adalah masalah stationer data. Masalah stationer merupakan masalah yang sangat penting dalam mengestimasi data karena jika regresi yang dilakukan menghasilkan data yang tidak
33 stationer maka akan menghasilkan regresi palsu. Regresi palsu dapat dilihat dari nilai R-squared yang tinggi dan t-statistic yang keliatan signifikan namun tidak memiliki arti jika dikaitkan dengan teori ekonomi. Uji stationer dapat dilakukan dengan menggunakan model grafik, correlogram dan akar unit. Untuk uji akar unit dapat dibedakan menjadi Dickey Fuller Test, Augmented Dickey Fuller Test, dan Philip Peron Test. Menurut Gujarati (2003), uji stationer data dengan menggunakan Uji Dickey Fuller, dimulai dari sebuah proses autoregresi orde pertama. Jika menunjukan hasil data stationer, maka dapat langsung menggunakan metode VAR. Namun jika data ternyata tidak stationer pada estimasi pertama maka data tersebut harus diubah dahulu kedalam bentuk diferensialnya atau menggunakan metode VECM karena indikasi memiliki sifat kointegrasi dalam data yang tidak stationer. Formulasi uji Augmented Dickey Fuller adalah sebagai berikut : m Y t = β 1 + β 2 t + σy t 1 + i=1 i Y t 1 + t. (1) Y t = variabel yang diamati periode t Y t 1 = nilai variabel Y pada satu periode sebelumnya, β 1 = konstanta β 2 = koefisien tren i = koefisien variabel lag Y.
34 m = panjangnya lag. t = white noise error terms. Untuk pendugaan pengujian unit root, dilakukan dengan hipotesis sebagai berikut : H 0 : γ = 1 H 0 : γ 1 : no unit root Jika data suatu variabel memiliki unti root, maka dapat disimpulkan bahwa data variabel tersebut tidak stationer. b. Uji Penentu Lag Optimal Langkah selanjutnya adalah menetukan panjangnya lag yang optimal. Dalam VAR, penentuan panjangnya lag merupakan hal yang penting karena lag yang terlalu panjang akan mengurangi banyaknya degree of freedom, sedangkan terlalu pendek akan mengarah pada kesalahan spesifikasi (Gujarati, 2003). Indikator yang digunakan adalah Akaike Information Criterion (AIC) dan Schwarz Information Criterion (SIC). Prinsip kedua indikator tersebut adalah memberikan penalty atas penambahan regressor pada suatu persamaan termasuk dalam persamaan yang mengandung lag. Nilai terendah dari indikator AIC san SIC merupakan nilai yang lebih disukai. Dengan demikian, dalam menentukan panjang lag yang dipilih adalah kriteri SIC dan AIC yang terkecil.
35 c. Uji Kointegrasi Tahap selanjutnya adalah uji kointegrasi. Kointegrasi merupakan suatu hubungan jangka panjang antara variabel-variabel yang stationer pada derajat integrasi yang sama. Uji ini digunakan untuk mengetahui perilaku data dalam jangka panjang atara variabel terkait apakah berkointegrasi atau tidak seperti yang dikehendaki oleh teori ekonomi. Untuk dapat melakukan uji kointegrasi, maka harus diyakini bahwa variabel-variabel yang terkait dalam pendekatan ini mempunyai derajat integrasi yang sama atau tidak. Dalam konsep kointegrasi, dua atau lebih variabel non-stationer akan terkointegrasi bila kombinasinya juga linier sejalan dengan berjalannya waktu, meskipun bisa terjadi masing-masing variabelnya bersifat non stationer. Apabila data tersebut terkointegrasi, maka terdapat hubungan jangka panjang atau variabel. Uji Kointegrasi dalampenelitian ini adalah uji kointegrasi Johansen. Ho = non-kointegrasi H1 = kointegrasi Jika t-trace statistic > t-mckinnon maka tolak Ho atau H1 yang artinya terjadi kointegrasi. Tahapan analisis dilanjutkan dengan analisis VECM setelah jumlah persamaan yang terkointegrasi telah diketahui.
36 d. Analisis Impulse Response Function (IRF) Impulse Response Function (IRF) merupakan respon dari sebuah variabelsependen jika mendapat guncangan atau inovasi variabel independen sebesar satu standard deviasi. IRF mengukur pengaruh guncangan pada waktu tersebut dan pengaruhnya di masa yang akan datang. IRF berfungsi untuk mengetahui pengaruh suatu variabel terhadap variabel tertentu apabila terjadi guncangan atau shock suatu variabel. Kemudian IRF juga berfungsi untuk mengetahui besarnya nilai guncangan terhadap variabel yang ada. Apabila suatu variabel yang dapat dipengaruhi oleh shock, maka shock spesifik tersebut tidak dapat diketahui melainkan secara umum. b. Analisis Forecasting Error Variance Decomposition Analisis Variance Decomposition menggambarkan relative pentingnya setiap variabel dalam model VAR/VECM karena adanya shock atau seberapa kuat komposisi dari peranan variabel tertentu terhadap variabel lain. Berbede dengan tahap sebelumnya yaitu IRF, DV berguna untuk memprediksi presentase kontribusi varian setiap variabel karena adanya perubahan variabel tertentu, sedangkan IRF digunakan untuk melacak dampak shock dari satu variabel endogen terhadap variabel lainnya dalam model VAR/VECM.
37 Metode DV ini dapat digunakan untuk mengetahui kelemahan dan kekuatan masing-masing variabel dalam mempengaruhi variabel lainnya dalam persamaan untuk kurun waktu jangka panjang. Maka varians dekomposisi memberikan informasi tentang tingkat kepentingan relative dari masing-masing inobasi dalam mempengaruhi variabel-variabel dalam VECM.