BAB III METODE PENELITIN A. Jenis dan Pendektan Penelitian 1. Jenis Penelitian Penelitian ini merupakan penelitian kuantitatif. Penelitian kuantitatif adalah suatu penelitian yang didasari oleh falsafah positivisme yaitu ilmu yang valid, ilmu yang dibangun dari empiris, teramati terukur, menggunakan logika matematika dan membuat generalisasi atas rata-rata. 1 Penelitian kuantitatif biasa dipakai untuk menguji suatu teori, menyajikan suatu fakta atau mendeskripsikan statistik, menunjukkan hubungan antara variabel. 2 Penelitian ini bertujuan untuk mendeskripsikan Pengaruh Kurs dan Inflasi Terhadap Saham Sektor Perkebunan yang Terdaftar di JII (Jakarta Islamic Index) Pada Bursa Efek Indonesia Tahun 2012-2016. Penelitian ini menggunakan analisis Vector Autoregresive (VAR) dan dibantu dengan menggunakan perangkat Eviews9. 2. Pendekatan Penelitian Permasalahan yang diangkat pada penelitian ini adalah permasalahan asosiatif yaitu suatu pertanyaan peneliti yang bersifat menghubungkan dua variabel atau lebih. Hubungan variabel dalam penelitian adalah hubungan kasual yaitu hubungan yang bersifat sebab hal:140 1 I Made Wirartha, Metodologi Penelitian Sosial Ekonomi,(Yogyakarta:ANDI, 2006), 2 Ibid, hal:141 30
31 akibat. Ada variabel independent (variabel bebas) dan ada variabel dependent (variabel terikat). Variabel independent dalam penelitian ini adalah Kurs (X1), Inflasi (X2) sedangkan variabel dependent adalah Index Saham Sektor Pertanian. B. Data dan Sumber Data 1. Data Data yang digunakan dalam penelitian ini adalah data sekunder berupa data time series dari tahun 2012 sampai tahun 2016. Data tersebut terdiri dari data Kurs, Inflasi, dan Index Saham Sektor Pertanian. 2. Sumber Data Sumber data dalam Penelitian ini diambil dari instansi terkait seperti, Bank Indonesia, Badan Pusat Statistik dan idx.id serta literatur lain yang relevan dengan permasalahan dalam penelitian ini. C. Metode Pengumpulan Data Metode yang digunakan untuk mengumpulkan data dalam penelitian ini adalah dengan studi kepustakaan yaitu mengumpulkan berbagai data-data maupun teori-teori yang berhubungan dalam permasalahan yang akan diteliti. D. Model Penelitian Dalam penelitian ini akan mengkaji hubungan antara Kurs dan Inflasi terhadap Index Saham Sektor Pertanian sehingga model persamaannya adalah sebagai berikut: Y = α + β1, DTB_X1 + β2, I_X2 + β3 ULN_Y1 = Index Saham Sektor Pertanian
32 DTB_X1 = Kurs I_X2 = Inflasi E. Teknik Analisis Data Ada beberapa teknik dan metode yang digunakan dalam penelitian ini, yaitu sebagai berikut: 1. Metode Analisis Deskriptif Metode analisis deskriptif yang digunakan dalam penelitian ini adalah untuk mendeskripsikan Index Saham Sektor Pertanian sebagai variabel terikat, sedangkan variabel bebasnya adalah Kurs, dan Inflasi. Dalam analisis deskriptif ini akan digambarkan secara umum tentang perkembangan Index Saham Sektor Pertanian dan variabel-variabel yang mempengaruhinya seperti Kurs, dan Inflasi. Serta akan menggambarkan fenomena-fenomena yang terkait dengan variabel yang ada dalam penelitian ini. 2. Uji Stasioneritas Langkah awal dalam mengestimasi model VAR yaitu melalui uji stasioner. Hal ini dilakukan untuk memastikan bahwa data yang digunakan dalam penelitian ini adalah stasioner. Dalam data time series, stasioneritas merupakan salah satu konsep dasar karena terkait dengan model estimasi yang digunakan. Jika data stasioner, maka peneliti hanya dapat mempelajari perilaku data pada suatu periode tertentu saja berdasarkan berbagai pertimbangan (yang tentu akan menjadi subjektif). Data time series yang bersifat stasioner akan
33 berujung pada penggunaan VAR dengan metode standar. Sedangkan data time series yang bersifat tidak stasioner (non stasioner) akan berimplikasi pada dua pilihan VAR, yaitu data VAR dalam bentuk difference atau VECM. Dalam sebuah penelitian bisa saja terjadi fenomena nonsense regression (spurious regression) yang menggambarkan hubungan variabel yang nampaknya signifikan secara statistik, namun sebenarnya tidak memiliki hubungan. Hal tersebut dapat dilihat dari nilai R2 yang mendekati nol, serta nilai R2 yang lebih besar dari Durbin Watson Statistic. Jika data time series tersebut tidak stasioner, maka hanya dapat dilakukan studi pada waktu bersangkutan. Inilah tujuan dilakukannya uji stasioneritas pada data time series. Uji stasioneritas dapat dilakukan dengan beberapa metode, yaitu grafik, correlogram, maupun akar unit (unit root test) dengan menggunakan metode Augmented Dickey Fuller (ADF) test dan Philips Perron (PP) test. Suatu data deret waktu dapat dikatakan stasioner jika ratarata dan variannya konstan sepanjang waktu yang diikuti dengan nilai kovarians antar dua periode waktu yang hanya bergantung pada jarak atau selang diantara keduanya. Jika berdasarkan hasil uji stasioneritas dengan menggunakan uji ADF menunjukkan data dari semua variabel belum termasuk data stasioner pada level 1 (0), atau derajat integrasinya nol, maka yang
34 harus dilakukan adalah mengujinya kembali dengan cara differencing data, yakni dengan mengurangi data tersebut dengan periode sebelumnya. Maka, proses differencing pertama ini diperoleh data selisish. Jika pada uji ADF yang kedua ini sudah dinyatakan stasioner, data tersebut terintegrasi pada derajat pertama (1) untuk seluruh variabel. Namun apabila masih belum stasioner juga, harus dilakukan proses differencing kedua. Hal ini dilakukan secara terus menerus sehingga mendapatkan data yang stasioner dan bisa diterapkan ke metode selanjutnya. Langkah-langkah pengujian sebagai berikut: Hipotesis: Ho = data tidak stasioner Ha = data stasioner Apabila hasil uji Augmented Dicky-Fuller menyatakan bahwa: Nilai ADF statistik > nilai kritis maka data stasioner, Ho ditolak Nilai ADF statistik < nilai kritis maka data tidak stasioner, Ho diterima 3. Uji Lag Length Uji lag length bertujuan untuk mengetahui lag optimal yang digunakan dalam model penelitian. Hal ini dikarenakan jika lag yang digunakan terlalu sedikit, maka residual dari regresi tidak akan menampilkan proses white noise sehingga model tidak dapat mengestimasi actual error secara tepat. Akibatnya standar kesalahan
35 tidak diestimasi secara baik. Selain itu jika memasukkan lag terlalu banyak akan mengurangi kemampuan menolak Ho dan dapat mengurangi derajat kebebasan. 3 4. Uji Causalitas Granger Uji Causalitas Granger digunakan untuk mengetahui jenis suatu variabel, yang apakah variabel tersebut mempunyai hubungan dua arah atau hanya satu arah. Pada uji ini digunakan data time series karena untuk melihat pengaruh masa lalu terhadap kondisi saat ini. Sebelum dilakukan analisis kointegrasi, VAR dan VECM perlu dilakukan pengujian kausalitas antara variabel-variabel penelitian. Uji Kausalitas ini menggunakan metode Granger Causality. Jika terdapat hubungan kausalitas antara variabel penelitian, maka analisis regresi (OLS) tidak dapat dilakukan karena hasil estimasinya akan bias. 5. Estimasi VAR Estimasi dalam kajian VAR ini menggunakan jumlah lag yang telah ditentukan berdasarkan kriteria penghitungan lag optimal. Dengan program Eviews 6, dihasilkan empat persamaan untuk maisng-masing variabel endogen yang ada, yaitu: velocity, M1, e- money, dan PDB. Selanjutnya, dalam implementasi analisis dalam penelitian ini, analisis dengan model VAR akan ditekankan pada forecasting (peramalan), Impulse Response Function (IRF), dan Variance Decomposition. 3 Shocrul Rohamtul Ajija, Cara Cerdas Menguasai Eviews. (Jakarta: Salemba Empat, 2011), h. 186
36 6. Analisis Impulse Response Function (IRF) Teknik Impulse Response Function (IRF) yaitu penulusuran pengaruh guncangan sebesar satu standar deviasi yang dialami oleh satu peubah di dalam sistem terhadap nilai-nilai peubah saat ini dan beberapa periode mendatang. Guncangan (shock) ini diberikan pada salah satu peubah endogen dan biasanya sebesar satu deviasi dari peubah tersebut (biasanya disebut innovations). Hal ini dilakukan karena model VAR juga bisa digunakan untuk melihat dampak perubahan dari satu peubah dalam sistem terhadap peubah lainnya dalam sistem secara dinamis. Tampilan output eviews untuk IRF adalah dalam bentuk grafik. Grafik ini menunjukkan respon atas guncangan yang diberikan. Apakah respon tersebut positif atau negatif. 7. Variance Decomposition Analisis variance decomposition ini menggambarkan relatif pentingnya setiap variabel di dalam sistem VAR karena adanya shock. Variance decomposition berguna untuk memprediksi kontribusi persentase varian setiap variabel karena adanya perubahan variabel tertentu di dalam sistem VAR.
37 INPUT DATA ISSP KURS INFLASI UJI STASIONERITAS STASIONER VAR LEVEL TIDAK STASIONER STASIONER DIFERENSIASI DATA TIDAK UJI KOINTEGRASI YA VAR DIFFERENCE VECM IMPULSE RESPONSE FUNCTION VARIANCE DECOMPOSITION