BAB IV METODE PENELITIAN

51 BAB IV METODE PENELITIAN 4.1. Disain Penelitian Berdasarkan rumusan masalah, tujuan penelitian dan hipotesis penelitian, maka desain penelitian yang digunakan adalah kombinasi antara deskriptif dan kausal dengan perincian sebagai berikut: Disain deskriptif kuantitatif digunakan untuk menjelaskan secara umum pada semua variabel yang dipergunakan dalam penelitian ini baik variabel dependent (terikat) maupun variable independent (bebas). Disain kausalitas digunakan untuk mengukur hubungan dan pengaruh antar variabel independent (bebas) terhadap variabel dependent (terikat). Dalam menganalisa pengaruh variabel independent terhadap variabel dependent maka digunakan model persamaan regresi linear berganda. 4.2. Variabel Penelitian Variabel penelitian yang menjadi dasar penelitian ini terdiri atas variabel dependent dan variabel independent. 4.2.1. Variabel Dependent Variabel dependent dalam penelitian ini adalah indeks harga saham sektoral (9 sektor) yang diperoleh dari Bursa Efek Indonesia setiap bulan (IDX Monthly 51

52 Statistics). Data yang digunakan adalah data indeks harga penutupan setiap bulannya selama periode penelitian yaitu mulai bulan Januari 2009 sampai dengan Juni 2014. 4.2.2 Variabel Independent Variabel independent (bebas) yang digunakan dalam penelitian ini terdiri dari beberapa indikator ekonomi dan harga emas dunia. Variabel independent tersebut antara lain : a) Tingkat suku bunga atau BI rate yaitu tingkat suku bunga yang dikeluarkan oleh Bank Indonesia sesuai keputusan rapat dewan gubernur. Data diperoleh dari www.bi.go.id. Data yang digunakan adalah bulanan selama periode penelitian yaitu mulai bulan Januari 2009 sampai dengan Juni 2014. b) Inflasi yaitu suatu keadaan menurunnya nilai mata uang pada suatu negara dan menaiknya harga-harga barang dan jasa yang berlangsung secara sistematis (Noor, 2009). Variabel ini diukur dengan mencatat data laju inflasi nasional yang diterbitkan BPS tiap bulan. Data diperoleh dari www.bi.go.id. Data yang digunakan adalah bulanan selama periode penelitian yaitu mulai bulan Januari 2009 sampai dengan Juni 2014. c) Jumlah uang beredar adalah uang yang berada di tangan masyarakat. Data diperoleh dari www.bi.go.id. Data yang digunakan adalah bulanan selama periode penelitian yaitu mulai bulan Januari 2009 sampai dengan Juni 2014. d) Nilai tukar atau kurs rupiah terhadap US$ yaitu kurs yang digunakan adalah kurs tengah rupiah terhadap US$ yang dikeluarkan oleh Bank Indonesia. Data 52

53 diperoleh dari www.bi.go.id. Data yang digunakan adalah bulanan selama periode penelitian yaitu mulai bulan Januari 2009 sampai dengan Juni 2014. e) Harga emas dunia adalah harga spot yang terbentuk dari akumulasi penawaran dan permintaan di pasar emas. Harga emas yang digunakan adalah harga emas penutupan bulanan diambil dari www.kitco.com selama periode penelitian yaitu mulai bulan Januari 2009 sampai dengan Juni 2014. 4.3. Pengukuran Variabel Pengukuran terhadap variable bebas (dependent) dan variabel terikat (independent) pada penelitian ini dengan menggunakan skala rasio, unit satuan dan sumber data yang berbeda-beda tergantung variabel yang digunakan. Semua data didapatkan secara langsung dari sumber datanya berdasarkan data bulanan. Sehubungan dengan kemajuan teknologi informasi maka pengumpulan data dilakukan dengan mengakses dan mengunduh dari website resmi masing-masing sumber data antara lain www.idx.co.id, www.bi.go.id, www.bps.go.id, www.kitco.com. Secara ringkas pengukuran variabel dapat dilihat pada tabel 4.1. 4.4. Jenis dan Sumber Data Jenis data yang digunakan dalam penelitian ini adalah data sekunder bulanan runtun waktu (time series) dan telah dipublikasikan oleh beberapa lembaga terkait yaitu : 53

54 a) Indeks harga saham diperoleh dari Bursa Efek Indonesia (IDX Monthly Statistics) yang merupakan indeks penutupan bulanan selama periode Januari 2009 sampai dengan Juni 2014. b) Tingkat suku bunga, jumlah uang beredar, nilai tukar rupiah terhadap US$ diperoleh dari Bank Indonesia yang merupakan data bulanan selama periode Januari 2009 sampai dengan Juni 2014. c) Tingkat inflasi diperoleh dari Biro Pusat Statistik yang merupakan data bulanan selama periode Januari 2009 sampai dengan Juni 2014. Tabel 4.1. Pengukuran Variabel Penelitian Variabel Pengukuran Unit Sumber Skala Indeks Harga Saham Sektoral Indeks Penutupan Bulanan Indeks Bursa Efek Indonesia Rasio Inflasi Inflasi Bulanan % Biro Pusat Statistik Rasio Nilai Tukar (Kurs) Kurs Tengah Bulanan Rp/US$ Bank Indonesia Rasio Suku Bunga BI Rate Bulanan % Bank Indonesia Rasio Jumlah Uang Beredar Jumlah Uang Beredar Bulanan Trilyun Rupiah Bank Indonesia Rasio Harga Emas Dunia Harga Emas Bulanan US$/Oz www.kitco.com Rasio d) Harga emas dunia mengikuti harga yang terpublikasi dari www.kitco.com selama periode Januari 2009 sampai dengan Juni 2014 yang merupakan harga penutupan bulanan. 54

55 e) Beberapa data pendukung dari laporan Otoritas Jasa Keuangan, laporan tahunan BI, maupun penelitian-penelitian terdahulu. 4.5. Teknik Pengumpulan Data Populasi dan sample penelitian ini adalah indeks harga saham saham sektoral (9 sektor) yang terdapat di Bursa Efek Indonesia selama periode Januari 2009 sampai dengan Juni 2014. Penelitian ini menggunakan data time series (runtun waktu). Metode pengumpulan data dalam penelitian ini adalah dengan mendokumentasikan yaitu mencatat data bulanan yang tercantum pada IDX Monthly Statistics untuk data mengenai indeks harga saham bulanan melalui website resmi Bursa Efek Indonesia (www.idx.co.id). Untuk data kurs, jumlah uang beredar dan tingkat suku bunga (BI Rate) bulanan diperoleh dari website resmi Bank Indonesia (www.bi.go.id), serta Biro Pusat Statistik (www.bps.go.id) untuk tingkat inflasi bulanan. Untuk harga emas dunia bulanan diperoleh dari website www.kitco.com. 4.6. Metode Analisis Data Dalam penelitian ini akan diberikan analisa mengenai variabel-variabel yang ada secara diskriptif dengan menggunakan rata-rata, nilai minimum dan nilai maksimum selama periode penelitian. Deskripsi statistik adalah untuk memberikan gambaran secara umum terhadap data yang ada baik variabel independent (bebas) maupun variabel dependent (terikat). 55

56 Untuk menganalisis pengaruh variabel-variabel independent (bebas) terhadap variabel dependent (terikat) dalam penelitian ini digunakan model persamaan regresi linear berganda. dengan persamaan kuadrat terkecil (OLS) sebagai berikut : Yi = αi + β1i X1 + β2i X2 + β3i X3 + β4i X4 + β5i X5 + εi Dimana : Yi = Indeks Harga Saham Sektoral αi = Intercept βki = Koefisien regresi X1 = Tingkat inflasi (%) X2 = Tingkat suku bunga (%) X3 = Nilai tukar (kurs) rupiah terhadap US$ (Rp/US$) X4 = Jumlah uang beredar (Trilyun Rp) X5 = Harga emas dunia (US$/Oz) εi = Kesalahan residu k = Banyaknya variabel independent = X1, X2, X3, X4, X5. i = Banyaknya variabel dependent yaitu IHS Sektoral (9 sektor) Nilai β sebagai koefisien regresi adalah koefisien yang paling penting dalam model regresi karena koefisien tersebut yang akan digunakan dalam analisa hubungan antara variabel independent (variabel bebas) dengan variabel dependent (variabel terikat). Koefisien β yang bernilai positif (+) artinya bahwa antara variabel independent dengan variabel dependent mempunyai hubungan yang searah dimana kenaikan 56

57 variabel independent akan mengakibatkan kenaikan variabel dependent dan penurunan variabel independent maka variabel independent juga akan menurun. Sedangkan jika koefisien β bernilai negatif (-) berarti hubungan antara variabel independent dengan variabel dependent adalah berlawanan (tidak searah) dimana kenaikan variabel independent akan mengakibatkan penurunan variabel dependent dan penurunan penurunan variabel independent akan mengakibatkan kenaikan variabel dependent. Dalam persamaan regresi koefisien regresi β merupakan penduga yang bersifat tidak bias, efisien/linier dan varians minimum atau dikenal dengan istilah BLUE (best linier unbiased estimator) (Nachrowi, 2006). Untuk mendapatkan model regersi yang bersifat BLUE maka dilakukan uji beberapa asumsi klasik antara lain uji normalitas data, uji autokorelasi, uji heteroskedastisitas dan uji multikolinieritas. 4.6.1 Uji Normalitas Uji Normalitas bertujuan untuk menguji apakah variabel pengganggu atau residual dalam model regresi mempunyai distribusi normal karena dalam uji simultan (uji F) dan uji partial (uji t) diasumsikan bahwa nilai residual berdistribusi normal (Ghozali, 2011). Salah satu cara dalam uji normalitas adalah dengan Jarque-Bera yaitu mengukur perbedaan skewness dan kurtois data dan diperbanding dengan rumus sebagai berikut : Jarque Bera = n S2 6 (K 3)2 + 24 57

58 Dimana : S adalah skewness, K adalah kurtosis dan n adalah banyaknya sample (Ghozali, 2011). Dengan menggunakan aplikasi Eviews, pengujian normalitas data dengan Jarque-Bera bisa dilakukan pada beberapa variabel sekaligus (tanpa histogram) dan dapat pula dilakukan satu per satu (dengan histogram). Dalam pengujian normalitas maka hipotesa yang dibangun adalah sebagai berikut (Ghozali, 2011) : Ho : Residual berdistribusi normal Ha : Residual tidak berdistribusi normal Keputusan dalam uji Jarque-Bera adalah : Bila probability > 5% maka Ho tidak boleh ditolak yang berarti residual berdistribusi normal, Bila probablity < 5% ma ka Ho boleh ditolak atau Ha diterima yang berarti residual tidak berdistribusi normal. 4.6.2. Uji Autokorelasi Autokorelasi adalah hubungan antara residual satu observasi dengan residual observasi lain dan lebih mudah muncul pada data yang bersifat time series (runtun waktu) karena sifatnya dimana data saat sekarang dipengaruhi oleh data pada masa lalu (Winarno, 2013). Tujuan dari uji autokorelasi adalah untuk menguji apakah terdapat korelasi antar residual (kesalahan pengganggu) pada periode saat ini dengan residual pada periode sebelumnya dalam suatu model regresi linear (Ghozali, 2011). 58

59 Dari beberapa cara menguji adanya autokorelasi, salah satunya adalah dengan uji Breusch-Godfrey atau uji Langrange-Multiplier (uji BG-LM). Hipotesa yang digunakan pada uji autokorelasi adalah (Ariefianto, 2012): Ho : Residual tidak mengandung autokorelasi Ha : Residual mengandung autokorelasi Pada aplikasi Eviews, uji BG-LM bisa dilakukan dan berdasarkan nilai Obs*Rsquared atau Probabiltynya maka bisa di ambil dasar kesimpulan sebagai berikut (Winarno, 2013 dan Ariefianto, 2012) : Bila nilai probability > 5%, berarti terima Ho dimana residual tidak mengandung autokorelasi Bila nilai probability < 5%, berarti tolak Ho dimana residual mengandung autokorelasi 4.6.3. Uji Multikolinearitas Multikolinearitas mempunyai arti mengenai keberadaaan dari hubungan linier yang sempurna atau tepat di antara variabel independen dalam sebuah model regresi (Gujarati,2010). Uji multikolinieritas bertujuan menguji apakah pada model regresi ditemukan adanya korelasi yang tinggi antar variabel independent (Ghozali, 2011). Jika suatu model regresi mengandung multikolinearitas, maka akan berakibat estimasi masih bersifat BLUE tetapi memiliki varians dan kovarians yang besar sehingga kurang tepat jika dijadikan alat estimasi, interval estimasi cenderung lebar dan uji statsitik t akan kecil yang menyebabkan variabel independent tidak signifikan secara 59

60 statistik dalam mempengaruhi variable independent (Winarno, 2013). Uji multikoliniearitas dalam model regresi dapat dilakukan dengan mengetahui nilai tolerance atau nilai variance inflation factor (VIF) sebagai lawan dari nilai tolerance (Ghozali, 2009). Dengan menggunakan aplikasi Eviews maka nilai VIF (variance inflating factor) dapat diketahui. Keputusan dalam uji multikolinieritas adalah sebagai berikut (Ghozali, 2011) Jika VIF < 10, berarti tidak terdapat gejala multikolinearitas di antara variabel independentnya Jika VIF > 10, berarti terjadi gejala multikolinearitas di antara variabel independentnya. 4.6.4. Uji Heteroskedastisitas Salah satu asumsi dalam OLS adalah varians residual yang konstan yaitu varians residual yang tidak berubah seiring berubahnya satu atau lebih variabel independen (Ariefianto, 2012). Varians yang konstan disebut juga dengan istilah homoskedastisitas (homo artinya sama, scedasticity artinya sebaran) (Ghozali, 2011). Lawan kata dari homoskedastisitas adalah heteroskedastisitas yang artinya varians yang tidak konstan atau berubah-ubah (Nachrowi, 2006). Jika terjadi heteroskedastisitas dalam estimasi OLS maka sifat tidak bias (unbiased) dan konsisten estimator masih berlaku tetapi estimator tidak memiliki minimum varians dan tidak efisien sehingga sifat BLUE tidak terpenuhi (Ghozali, 2011). 60

61 Banyak cara untuk melakukan uji heteroskedastisitas dan salah satunya adalah dengan uji Glejser. Pada uji Glejser hipotesa yang digunakan adalah sebagai berikut : Ho : Residual tidak mengandung heteroskedastisitas Ha : Residual mengandung heteroskedastisitas Pada aplikasi Eviews, uji Glejser bisa dilakukan dan pengambilan kesimpulan berdasarkan nilai t atau Probabiltynya pada tiap variabel independen sebagai berikut (Ghozali, 2011) : Bila nilai probability > 5%, berarti terima Ho dimana residual tidak mengandung heteroskedastisitas Bila nilai probability < 5%, berarti tolak Ho dimana dimana residual mengandung heteroskedastisitas 4.6.5. Pengujian Goodness Of Fit Ketepatan model regresi dalam melakukan estimasi atau taksiran nilai aktual diukur dari Goodness Of Fit yang secara statistik dapat diukur dari nilai koefisien determinasi (R 2 ), nilai statistik F (uji model regresi / uji simultan / uji F) dan nilai statsitik t (uji partial / uji t) (Ghozali, 2011). Perhitungan statistik mensyaratkan adanya hipotesa awal (Ho) dan hipotesa alternatif (Ha) dalam pengambilan kesimpulan apakah hipotesa awal tersebut ditolak atau tidak ditolak sehinggamenyebabkan hipotesa alternatif diterima. Dengan adanya aplikasi statistik seperti Minitab, SPSS, Eviews, SAS, Stata dan lain-lain maka hal ini sangat banyak 61

62 membantu dalam melakukan perhitungan dan mempercepat pengambilan kesimpulan atas hipotesa yang ada dimana biasanya diwakili oleh adanya nilai probablity. 4.6.5.1. Koefisien Determinasi (R 2 ) Koefisien determinasi merupakan ukuran yang secara ringkas menginformasikan seberapa baik suatu model atau persamaan regresi dari sekelompok sample sesuai dengan datanya (Gujarati, 2010) atau besaran yang memberikan informasi mengenai seberapa kuat kemampuan model regresi yang dibuat dalam menerangkan variasi terhadap variabel-variabel yang digunakan (Ghozali, 2011). Koefisien determinasi dilambangkan dengan R 2 atau biasa disebut R-square yang mempunyai nilai antara 0 sampai dengan 1 atau untuk alasan tertentu nilai tersebut dikonversi dalam bentuk persen sehingga nilainya adalah antara 0% sampai dengan 100%. Semakin tinggi nilai R 2 artinya bahwa model regresi semakin baik dimana semua variabel independen memberikan hampir semua informasi yang dibutuhkan. Koefisien determinasi bukanlah satu-satunya kriteria memilih model yang baik, tetapi hanya salah satu saja. Hal yang perlu menjadi perhatian dalam model regresi adalah regresi lancung (spurious regression). Regresi lancung adalah model regresi dimana variabel independen dan variabel dependen tidak berkorelasi (secara teori tidak ada hubungan sama sekali), tetapi ketika dilakukan pengolahan data maka menghasilkan output (seolah-olah) berkorelasi dimana memiliki R 2 yang tinggi dan modelnya siginifikan secara statistik (Winarno, 2013). 62

63 4.6.5.2. Pengujian Secara Simultan (Uji F). Uji model regresi secara simultan atau biasa disebut dengan uji F dilakukan untuk mengetahui pengaruh semua variabel independen yang terdapat di dalam model secara bersama sama (simultan) terhadap variabel dependent (Ghozali, 2011). Atau dengan kata lain bahwa uji F dilakukan untuk menguji hipotesa semua koefisien regresi secara bersamaan (Nachrowi, 2006). Hipotesa yang dibangun atas uji F adalah sebagai berikut : Ho : β1 = β2 = β3 =... = βk = 0 Ha : Minimal ada satu β yang 0 Di mana : k adalah banyaknya variabel. Dalam melakukan uji F, maka nilai F harus terlebih dahulu dihitung secara matematis sebagai berikut (Nachrowi, 2006) : Fhit = SSR/k SSE/(n k 1) Dimana : SSR adalah sum square regresi, SSE adalah sum square error, k adalah jumlah variabel independent, n adalah jumlah data. Berikutnya adalah membandingkan F hit dengan F tabel (dengan df = k dan n-k-1), dimana jika F hit > F α(k, n-k-1) maka Ho ditolak artinya minimal ada satu koefisien regresi tidak sama dengan nol (model yang dibuat signifikan secara statsistik). Dengan menggunakan aplikasi Eviews, maka untuk menentukan kesimpulan model regresi dilakukan sebagai berikut : 63

64 Bila nilai probability > 5%, berarti Ho diterima atau Ha ditolak, semua β = 0 atau model tidak signifikan secara statistik Bila nilai probability < 5%, berarti Ho ditolak atau Ha diterima, minimal satu β 0 atau model signifikan secara statistik 4.6.5.3. Pengujian Secar Parsial (Uji t) Setelah melakukan uji koefisien regresi secara keseluruhan, maka tahap selanjutnya adalah melakukan uji koefisien regresi secara individual atau partial yang dikenal dengan uji t. Pengujian ini dilakukan untuk mengetahui seberapa kuat pengaruh satu variabel independent terhadap variabel dependent dengan menganggap variabel independent lainnya adalah konstan (Ghozali, 2011). Hipotesa yang dibangun atas uji t adalah sebagai berikut : Ho : βi = 0 Ha : βi 0 Dimana : i = 0, 1, 2,... k k adalah banyaknya koefisen regresi t hit = βi / se (βi) se adalah standard error Nilai t hit diatas akan dibandingkan dengan t tabel dan jika t hit > t (α,n-k), maka Ho di tolak atau Ha di terima yang berarti variabel berpengaruh signifikan terhadap model yang dibuat. Dengan menggunakan aplikasi Eviews, maka untuk menentukan kesimpulan uji partial dilakukan sebagai berikut : 64

65 Bila nilai probability > 5%, berarti Ho diterima atau Ha ditolak, maka βi = 0 atau variabel i tidak berpengaruh secara signifikan terhadap model yang di buat Bila nilai probability < 5%, berarti Ho ditolak atau Ha diterima, maka βi 0 atau variabel i berpengaruh secara signifikan terhadap model yang di buat 65