BAB IV

PENGOLAHAN DAN ANALISIS DATA

4.1. Pendahuluan
Bagian terpenting dari sebuah penelitian adalah kegiatan pengolahan dan
analisis data. Pengolahan dan analisis data dilakukan setelah penetapan hipotesis dan
penyusunan model penelitian untuk diperoleh hasil atau kesimpulan. Penelitian ini
menggunakan model Vector Auto Regression (VAR). VAR merupakan sebuah
bangunan model ekonometrika time series yang bersifat tidak teoritis. Model VAR
dibangun dengan pertimbangan meminimalkan pendekatan teori dengan tujuan agar
mampu menangkap fenomena ekonomi dengan baik. Hal ini dikarenakan model yang
dibangun dengan teori ekonomi belum mampu menentukan spesifikasi yang tepat dan
memberikan penjelasan yang berbeda terhadap suatu fenomena (Nachrowi D.
Nachrowi, 2006).
Untuk persamaan simultan terdapat variabel endogen dan variabel eksogen.
Dalam membuat model simultan, langkah awal yang harus dilakukan adalah melihat
apakah suatu persamaan dalam sistem teridentifikasi atau tidak. Chritopher Sims
(Gujarati, 2003) berpendapat, jika terdapat hubungan yang simultan antar variabel
yang diamati, variabel-variabel tersebut perlu diperlakukan sama, sehingga tidak ada
lagi variabel endogen dan eksogen.
Dalam model VAR kita hanya perlu menentukan (Nachrowi D. Nachrowi,
2006):
1. Variabel yang saling berinteraksi (menyebabkan) yang perlu dimasukkan dalam
sistem.
2. Banyaknya variabel jeda yang perlu diikutsertakan dalam model yang diharapkan
dapat “menangkap” keterkaitan antar variabel dalam sistem.
Kelebihan model VAR (Nachrowi D. Nachrowi, 2006) antara lain:
1. Model VAR adalah model yang sederhana dan tidak perlu membedakan antara
variabel endogen dan variabel eksogen. Semua variabel pada model VAR dapat
dianggap sebagai variabel endogen.

30 Universitas Indonesia
 31

2. Cara estimasi model VAR sangat mudah, yaitu dengan menggunakan OLS pada
setiap persamaan secara terpisah.
3. Peramalan menggunakan model VAR pada beberapa hal lebih baik dibanding
menggunakan model dengan persamaan simultan yang lebih kompleks.
Kelemahan model VAR (Nachrowi D. Nachrowi, 2006) antara lain:
1. Model VAR lebih bersifat ateoiritik karena tidak memanfaatkan informasi atau
teori terlebih dahulu.
2. Mengingat tujuan utama model VAR untuk peramalan maka model VAR kurang
cocok untuk analisis kebijakan.
3. Pemilihan banyaknya lag yang digunakan dalam persamaan juga dapat
menimbulkan permasalahan.
4. Semua variabel dalam VAR harus stasioner, jika tidak, maka harus ditransformasi
terlebih dahulu.
5. Interprestasi koefisien yang didapat berdasarkan model VAR tidak mudah.

Pengolahan dan analisis data dalam penelitian ini seluruhnya akan

menggunakan software E-views dan didukung dengan pengolahan menggunakan
Microsoft Excel. Analisa data akan dimulai dengan uji kausalitas Granger untuk
melihat hubungan kausal antar variabel. Dalam uji kausalitas Granger menggunakan
lag optimal yang diambil berdasarkan beberapa kriteria seperti Akaike Information
Criteria (AIC), Schwartz Information Criteria (SC), Hannan-Quin Criteria (HQ),
Likelihood Ratio (LR) maupun dari Final Prediction Error (FPE). Selanjutnya
berdasarkan uji kausalitas Granger tersebut dilanjutkan estimasi menggunakan model
VAR. Menurut Nachrowi D. Nachrowi (2006:290), menyatakan bahwa berdasarkan
uji kausalitas Granger keduanya menunjukkan hubungan yang saling
“menyebabkan”, barulah kita dapat membentuk model VAR. Pengujian pertama
dalam model VAR adalah uji stasioneritas, selanjutnya dilakukan uji kointegrasi
untuk menentukan apakah estimasi akan dilakukan dengan model VAR ataukah
dengan restriksi untuk uji estimasinya (VECM). Dari hasil estimasi VAR dilakukan
analisis-analisis yang dihasilkan di dalam model VAR tersebut, yaitu antara lain:
1. Peramalan;

Universitas Indonesia
 32

2. Impulse Response;
3. Variance Decomposition;
4. Uji Kausalitas.

4.2. Uji Kausalitas Granger

Sebelum dilakukan uji kausalitas Granger, terlebih dahulu menentukan lag
optimal berdasarkan beberapa kriteria seperti Akaike Information Criteria (AIC),
Schwartz Information Criteria (SC), Hannan-Quin Criteria (HQ), Likelihood Ratio
(LR) maupun dari Final Prediction Error (FPE), seperti penelitian yang dilakukan
oleh Aris Budi Setyawan (2005) dan Le Viet Hung (2007).
Tabel 4.1
Penentuan Lag Optimal

VAR Lag Order Selection Criteria

Endogenous variables: JCI KLCI HIS NKY SHCOMP INDU UKX KOSPI ASX
Exogenous variables: C
Date: 02/21/09 Time: 16:29
Sample: 1/01/1998 12/31/2008
Included observations: 2862
Lag LogL LR FPE AIC SC HQ
0 -187622.5 NA 7.11e+45 131.1192 131.1379 131.1259
1 -128050.0 118728.8 6.27e+27 89.54579 89.73319 89.61336
2 -127251.7 1586.103 3.80e+27 89.04449 89.40055* 89.17287*
3 -127144.1 212.9527 3.73e+27 89.02596 89.55067 89.21515
4 -127047.0 191.7130 3.68e+27 89.01470 89.70807 89.26470
5 -126965.8 159.7705 3.68e+27 89.01456 89.87660 89.32538
6 -126884.8 159.0065 3.68e+27* 89.01452* 90.04521 89.38615
7 -126826.7 113.4828 3.74e+27 89.03057 90.22992 89.46300
8 -126761.3 127.5513* 3.78e+27 89.04144 90.40945 89.53469

* indicates lag order selected by the criterion

LR: sequential modified LR test statistic (each test at 5% level)
FPE: Final prediction error
AIC: Akaike information criterion
SC: Schwarz information criterion
HQ: Hannan-Quinn information criterion
Sumber : Hasil Pengolahan Data melalui E-Views 5, diolah.
Universitas Indonesia
 33

Berdasarkan hasil pemilihan lag di atas (tabel 4.1), penentuan lag optimal
dilihat dari kemungkinan nilai LR, FPE, AIC, SC dan HQ yang memiliki tanda
bintang (*) (nilai absolute paling kecil). Terdapat 3 lag yang memiliki tanda bintang
(*), yaitu pada lag 2, lag 6 dan lag 8. Penulis memilih AIC criteria sebagai lag
optimal yaitu pada lag 6, pemilihan AIC criteria seperti penelitian yang dilakukan
oleh Inggrid (2006) dan menurut Carlos Enrique Carrasco Gutierrez, et al (2007:15),
disebutkan bahwa AIC criteria menunjukkan performa yang lebih baik dalam
pemilihan model.

Uji kausalitas Granger menggunakan lag 6

Seperti yang telah dijelasakan pada bagian sebelumnya, bahwa uji kausalitas
Granger bertujuan untuk melihat bagaimana pola hubungan antar variabel. Tabel 4.2
merupakan rangkuman pola hubungan antar variabel dimaksud (hasil lengkap uji
kausalitas Granger pada lampiran).
Tabel 4.2
Rangkuman Hasil Uji Kausalitas Granger

Null Hypothesis F-Stat. Prob. Keterangan

KLCI does not Granger Cause JCI 1.37380 0.22127 H0 diterima Hubungan 1
arah dari JCI
JCI does not Granger Cause KLCI 8.61415 2.6E-09 H0 ditolak
ke KLCI
HIS does not Granger Cause JCI 0.88858 0.50221 H0 diterima Tidak ada
JCI does not Granger Cause HIS hubungan
1.83887 0.08777 H0 diterima
NKY does not Granger Cause JCI 1.84380 0.08687 H0 diterima Hubungan 1
arah dari JCI
JCI does not Granger Cause NKY 4.44365 0.00018 H0 ditolak
ke NKY
SHCOMP does not Granger Cause JCI 3.08698 0.00515 H0 ditolak Hubungan 2
JCI does not Granger Cause ASX H0 diterima arah
1.60370 0.14194
INDU does not Granger Cause JCI 36.1307 2.2E-42 H0 ditolak Hubungan 2
JCI does not Granger Cause INDU arah
2.42824 0.02413 H0 ditolak
UKX does not Granger Cause JCI 14.5862 1.8E-16 H0 ditolak Hubungan 1
arah dari UKX
JCI does not Granger Cause UKX 1.81120 0.09299 H0 diterima
ke JCI

Universitas Indonesia
 34

Tabel 4.2
Rangkuman Hasil Uji Kausalitas Granger (lanjutan)

Null Hypothesis F-Stat. Prob. Keterangan

KOSPI does not Granger Cause JCI 4.75046 8.0E-05 H0 ditolak Hubungan 2
JCI does not Granger Cause KOSPI arah
3.52268 0.00178 H0 ditolak
ASX does not Granger Cause JCI 16.5152 8.4E-19 H0 ditolak Hubungan 1
arah dari ASX
JCI does not Granger Cause ASX 1.60370 0.14194 H0 diterima
ke JCI
Sumber : Hasil Pengolahan Data melalui E-Views 5, diolah.

Uji kausalitas Granger yang pertama adalah KLCI dan JCI. Hasilnya adalah
terjadi hubungan satu arah dari JCI ke KLCI. JCI dan KLCI memiliki hubungan yang
positif, apabila JCI naik maka KLCI juga akan naik, begitu juga sebaliknya. Namun
KLCI tidak memberikan pengaruh terhadap pergerakan JCI.
Uji kausalitas Granger yang kedua adalah kausalitas antara JCI dan HIS. Hasil
uji kausalitas Granger menunjukan tidak adanya hubungan antara JCI dan HIS atau
dapat dikatakan pula bahwa pergerakan indeks JCI tidak akan berpengaruh terhadap
pergerakan JCI, begitu juga sebaliknya.
Uji kausalitas Granger yang ketiga adalah NKY dan JCI. Hasilnya adalah terjadi
hubungan satu arah dari JCI ke NKY. JCI dan NKY memiliki hubungan yang positif,
apabila JCI naik maka NKY juga akan naik, begitu juga sebaliknya. Namun NKY
tidak memberikan pengaruh terhadap pergerakan JCI.
Uji kausalitas Granger yang keempat adalah SHCOMP dan JCI. Hasilnya
adalah terjadi hubungan dua arah antara SHCOMP dan JCI. JCI dan SHCOMP
memiliki hubungan yang positif, apabila JCI naik maka SHCOMP juga akan naik,
begitu juga sebaliknya. Hal ini berlaku pula apabila SHCOMP mengalami
pergerakan, maka hal ini akan berpengaruh terhadap JCI. JCI memiliki pengaruh
yang lebih kuat daripada SHCOMP.
Uji kausalitas Granger yang kelima adalah INDU dan JCI. Hasilnya adalah
terjadi hubungan dua arah antara INDU dan JCI. JCI dan INDU memiliki hubungan
yang positif, apabila JCI naik maka INDU juga akan naik, begitu juga sebaliknya. Hal
ini berlaku pula apabila INDU mengalami pergerakan, maka hal ini akan berpengaruh

Universitas Indonesia
 35

terhadap JCI. INDU memiliki pengaruh yang lebih kuat daripada JCI. Hal ini berarti
pergerakan JCI akan mengikuti pergerakan dari INDU.
Uji kausalitas Granger yang keenam adalah UKX dan JCI. Hasilnya adalah
terjadi hubungan satu arah dari UKX ke JCI. JCI dan UKX memiliki hubungan yang
positif, apabila UKX naik maka JCI juga akan naik, begitu juga sebaliknya. Namun
JCI tidak memberikan pengaruh terhadap pergerakan UKX.
Uji kausalitas Granger yang ketujuh adalah KOSPI dan JCI. Hasilnya adalah
terjadi hubungan dua arah antara KOSPI dan JCI. JCI dan KOSPI memiliki hubungan
yang positif, apabila KOSPI naik maka JCI juga akan naik, begitu juga sebaliknya.
Hal ini berlaku pula apabila JCI mengalami pergerakan, maka hal ini akan
berpengaruh terhadap KOSPI. KOSPI memiliki pengaruh yang lebih kuat daripada
JCI. Hal ini berarti pergerakan JCI akan mengikuti pergerakan dari KOSPI.
Uji kausalitas Granger yang kedelapan adalah ASX dan JCI. Hasilnya adalah
terjadi hubungan satu arah dari ASX ke JCI. JCI dan ASX memiliki hubungan yang
positif, apabila ASX naik maka JCI juga akan naik, begitu juga sebaliknya. Namun
JCI tidak memberikan pengaruh terhadap pergerakan ASX.
Hasil uji kausalitas Granger yang menunjukkan hubungan saling mempengaruhi
(hubungan 2 arah) adalah hubungan antara JCI dengan SHCOMP, INDU dan KOSPI.
Dalam penelitian ini, penulis hanya memfokuskan terhadap kausalitas variabel JCI
dengan variabel lainnya. Dengan demikian, hanya JCI, SHCOMP, INDU dan KOSPI
yang akan diestimasi dengan menggunakan model VAR.

4.3. Model VAR

Seperti telah dijelaskan pada bagian sebelumnya, bahwa metode kedua yang
dipergunakan dalam penelitian ini adalah metode VAR. Menurut Nachrowi D.
Nachrowi (2006:290), menyatakan bahwa berdasarkan uji kausalitas Granger
keduanya menunjukkan hubungan yang saling “menyebabkan”, barulah kita dapat
membentuk model VAR. Berdasarkan uji kausalitas Granger di atas maka hanya JCI,
SHCOMP, INDU dan KOSPI yang akan diestimasi dengan menggunakan model
VAR. Uji-uji yang dilakukan dalam penelitian ini untuk menentukan apakah

Universitas Indonesia
 36

menggunakan VAR (unrestricted VAR) atau VAR yang teristriksi (restricted VAR)
atau yang lebih dikenal dengan Vector Error Correction Model (VECM).

4.4. Uji Stasioner

Data time series memiliki permasalahan yaitu otokorelasi. Otokorelasi tersebut

merupakan penyebab data menjadi tidak stasioner. Langkah pertama mengestimasi
model VAR adalah uji stasionaritas data. Untuk menguji apakah data bersifat
stasioner atau tidak, maka dalam penelitian ini akan digunakan uji Augmeted Dickey-
Fuller Unit Root Test (ADF-Unit Root Test) dan Phillips Perron. Kriteria pengujian
ini adalah:
- H0 : data bersifat stasioner
- H1 : data tidak bersifat stasioner
- Nilai absolut t-Statistic < nilai kritis uji pada tabel Mac Kinnon pada berbagai
tingkat kepercayaan (1%, 5%, dan 10%) atau
- Nilai Probability > tingkat signifikansi (0.05), maka secara statistik mampu untuk
menolak H0
Dalam output yang dihasilkan oleh E-views, rincian uji stasioneritas data
masing-masing ditunjukkan pada tabel di bawah ini:

Tabel 4.3
Uji Dickey Fuller

Uji Dickey Fuller

Variabel Level First Difference
adj-
t-Statistic Prob.* Keterangan Statistic
Prob.* Keterangan
JCI -0.956174 0.7705 Tidak stasioner -47.00999 0.0001 stasioner
SHCOMP -1.363705 0.6015 Tidak stasioner -23.70445 0.0000 stasioner
INDU -2.255070 0.1870 Tidak stasioner -41.81766 0.0000 stasioner
KOSPI -1.516860 0.5251 Tidak stasioner -52.18212 0.0001 stasioner
Sumber : Hasil Pengolahan Data melalui E-Views 5, diolah.

Universitas Indonesia
 37

Tabel 4.4
Uji Phillips Perron
Uji Phillips Perron
Variabel Level First Difference
adj-
t-Statistic Prob.* Keterangan Statistic
Prob.* Keterangan
JCI -0.931539 0.7787 Tidak stasioner -46.92055 0.0001 stasioner
SHCOMP -1.245902 0.6565 Tidak stasioner -53.87135 0.0001 stasioner
INDU -2.314940 0.1673 Tidak stasioner -57.62509 0.0001 stasioner
KOSPI -1.505520 0.5309 Tidak stasioner -52.17194 0.0001 stasioner
Sumber : Hasil Pengolahan Data melalui E-Views 5, diolah.

Berdasarkan table 4.3 dan table 4.4 di atas (hasil lengkap pada lampiran), dapat
dilihat bahwa variabel-variabel tidak stasioner pada level, akan tetapi stasioner pada
first difference. Dengan demikian dapat dinyatakan pada first difference bahwa JCI,
SHCOMP, INDU dan KOSPI stasioner.

4.5. Uji Kointegrasi

Sebagaimana dinyatakan oleh Engle-Granger (1983) (dalam Nachrowi D.
Nachrowi, 2006) keberadaan variabel nonstasioner menyebabkan kemungkinan besar
adanya hubungan jangka panjang antara variabel di dalam sistem VAR. Berkaitan
dengan hal ini, maka langkah selanjutnya di dalam estimasi VAR adalah uji
kointegrasi untuk mengetahui keberadaan hubungan antar variabel (Agus Widarjono,
2007). Menurut Josef Krisharianto dan Djoni Hartono (2007:14), menyatakan bahwa
jika hasil dari uji kointegrasi adalah variabel-variabel tersebut tidak terkointegrasi
maka yang digunakan untuk melakukan estimasi adalah model VAR in level. Jika
hasilnya adalah variabel-variabel yang terkointegrasi maka estimasi yang digunakan
adalah restricted VAR.
Tabel 4.5
Uji Kointegrasi Johansen
Date: 02/27/09 Time: 12:48
Sample: 1/01/1998 12/31/2008
Included observations: 2863
Series: JCI INDU SHCOMP KOSPI
Lags interval: 1 to 6

Universitas Indonesia
 38

Tabel 4.5
Uji Kointegrasi Johansen (lanjutan)
Selected (0.05 level*) Number of Cointegrating Relations by Model

Data Trend: None None Linear Linear Quadratic

Test Type No Intercept Intercept Intercept Intercept Intercept
No Trend No Trend No Trend Trend Trend
Trace 0 0 0 0 0
Max-Eig 0 0 0 0 0

*Critical values based on MacKinnon-Haug-Michelis (1999)

Information Criteria by Rank and Model

Data Trend: None None Linear Linear Quadratic

Rank or No Intercept Intercept Intercept Intercept Intercept
No. of CEs No Trend No Trend No Trend Trend Trend

Log Likelihood by Rank (rows) and Model (columns)

0 -56673.02 -56673.02 -56672.47 -56672.47 -56671.23
1 -56663.21 -56659.19 -56658.77 -56658.02 -56656.82
2 -56659.98 -56652.89 -56652.48 -56650.87 -56649.72
3 -56658.38 -56650.33 -56649.98 -56647.21 -56646.39
4 -56658.04 -56648.78 -56648.78 -56645.70 -56645.70

Akaike Information Criteria by Rank (rows) and Model (columns)

0 39.65701 39.65701 39.65942 39.65942 39.66136
1 39.65575 39.65365* 39.65545 39.65562 39.65688
2 39.65909 39.65553 39.65664 39.65691 39.65751
3 39.66355 39.66003 39.66048 39.66064 39.66077
4 39.66890 39.66523 39.66523 39.66588 39.66588

Schwarz Criteria by Rank (rows) and Model (columns)

0 39.85685* 39.85685* 39.86758 39.86758 39.87784
1 39.87224 39.87221 39.88026 39.88251 39.89002
2 39.89223 39.89283 39.89811 39.90254 39.90730
3 39.91335 39.91606 39.91860 39.92500 39.92721
4 39.93535 39.94000 39.94000 39.94898 39.94898

Sumber : Hasil Pengolahan Data melalui E-Views 5, diolah.

Dari data tabel 4.5 di atas dan berdasarkan AIC, VAR memilih lag 1 dan pada
Schwarz Criterion memilih VAR pada lag 0. Hipotesa nol untuk variabel-variabel

Universitas Indonesia
 39

yang digunakan dalam penelitian ini adalah variabel-variabel tersebut tidak

terkointegrasi. Hipotesa alternatifnya adalah variabel-variabel tersebut terkointegrasi.
Tabel 4.6
Hasil Uji Kointegrasi Johansen
Hipotesa Trace 5 Percent
Eigenvalue
H0 ; r H1 ; r Statistic Critical Value
R=0 R>0 0.013112 62.84482 47.85613
R =1 R>1 0.006457 24.99145 29.79707
R =2 R>2 0.001400 6.411508 15.49471
R =3 R>3 0.000834 2.393295 3.841466
Sumber : Hasil Pengolahan Data melalui E-Views 5, diolah.
Menurut Wijoyo Santoso dan Iskandar (1999:57), disebutkan bahwa untuk
persamaan kointegrasi (unrestricted) dipilih vector kointegrasi yang memiliki
eigenvalue maksimum yang berarti memiliki dominan long run relationship. Dalam
penelitian ini, penulis menggunakan nilai trace statistic sebagaimana penelitian
sebelumnya yang dilakukan oleh Josef Khrisharianto dan Djoni Hartono. Dari tabel
4.6 di atas, dapat dilihat bahwa Hipotesa pertama (H0 ; R = 0) menunjukkan bahwa
nilai trace statistic-nya lebih besar dari critical value dalam level 5% (62.84482 >
47.85613), dengan demikian H0 ditolak atau data terkointegrasi. Untuk hipotesa
lainnya trace statistic-nya lebih kecil dari critical value dalam level 5%, dengan
demikian H0 diterima. Melihat hasil uji kointegrasi di atas maka estimasi yang akan
digunakan dalam penelitian ini adalah estimasi dengan resticted VAR, dalam hal ini
penulis akan menggunakan model Vector Error Correction Model (VECM).

4.6. Vector Error Correction Model (VECM)

Menurut Agus Widarjono (2007:374), menyebutkan bahwa Vector Error
Correction Model merupakan model yang terestriksi (restricted VAR) karena adanya
kointegrasi yang menunjukkan adanya hubungan jangka panjang antar variabel di
dalam sistem VAR. Spesifikasi VECM meresitriksi hubungan perilaku jangka
panjang antar variabel yang ada agar konvergen ke dalam hubungan kointegrasi
namun tetap membiarkan perubahan-perubahan dinamis di dalam jangka pendek.

Universitas Indonesia
 40

Tabel 4.7
Hasil estimasi Vector Error Correction Model (VECM)

Vector Error Correction Estimates

Date: 05/22/09 Time: 17:34
Sample (adjusted): 1/12/1998 12/31/2008
Included observations: 2863 after adjustments
Standard errors in ( ) & t-statistics in [ ]

Cointegration Restrictions:
B(1,1)=0, B(1,3)=0
Convergence achieved after 6 iterations.
Not all cointegrating vectors are identified
LR test for binding restrictions (rank = 1):
Chi-square(2) 13.15708
Probability 0.001390

Cointegrating Eq: CointEq1

JCI(-1) 0.000000

INDU(-1) 0.000725

SHCOMP(-1) 0.000000

KOSPI(-1) -0.001653

C -6.008234

Error Correction: D(JCI) D(INDU) D(SHCOMP) D(KOSPI)

CointEq1 1.398319 -6.523687 2.954895 1.235816

(0.60464) (4.00158) (1.36358) (0.55413)
[ 2.31265] [-1.63028] [ 2.16701] [ 2.23019]

D(JCI(-1)) 0.111214 0.048816 0.203920 0.059917

(0.02042) (0.13511) (0.04604) (0.01871)
[ 5.44755] [ 0.36130] [ 4.42914] [ 3.20244]

D(JCI(-2)) -0.020833 0.243157 -0.083732 -0.007222

(0.02043) (0.13518) (0.04606) (0.01872)
[-1.01992] [ 1.79876] [-1.81773] [-0.38578]

D(JCI(-3)) -0.019071 -0.237632 -0.057364 -0.062920

Universitas Indonesia
 41

Tabel 4.7
Hasil estimasi Vector Error Correction Model (VECM) (lanjutan)
(0.02044) (0.13525) (0.04609) (0.01873)
[-0.93318] [-1.75700] [-1.24469] [-3.35949]

D(JCI(-4)) 0.030381 0.186351 0.200486 0.007317

(0.02045) (0.13532) (0.04611) (0.01874)
[ 1.48586] [ 1.37713] [ 4.34789] [ 0.39050]

D(JCI(-5)) -0.058711 -0.240027 0.005127 -0.006738

(0.02051) (0.13572) (0.04625) (0.01879)
[-2.86299] [-1.76857] [ 0.11087] [-0.35851]

D(JCI(-6)) -0.049020 -0.071345 0.084971 0.002814

(0.02032) (0.13450) (0.04583) (0.01863)
[-2.41202] [-0.53044] [ 1.85395] [ 0.15107]

D(INDU(-1)) 0.038786 -0.066426 0.032975 0.050945

(0.00289) (0.01911) (0.00651) (0.00265)
[ 13.4338] [-3.47643] [ 5.06437] [ 19.2536]

D(INDU(-2)) 0.003986 -0.064343 0.011624 0.011072

(0.00311) (0.02056) (0.00701) (0.00285)
[ 1.28304] [-3.12928] [ 1.65895] [ 3.88841]

D(INDU(-3)) 0.010286 0.039499 -0.002658 0.013487

(0.00312) (0.02064) (0.00703) (0.00286)
[ 3.29756] [ 1.91329] [-0.37777] [ 4.71780]

D(INDU(-4)) -0.000750 -0.015674 0.007407 0.002669

(0.00313) (0.02073) (0.00706) (0.00287)
[-0.23954] [-0.75605] [ 1.04847] [ 0.92959]

D(INDU(-5)) 0.004789 -0.002527 -0.001807 0.005812

(0.00311) (0.02058) (0.00701) (0.00285)
[ 1.54027] [-0.12283] [-0.25776] [ 2.03993]

D(INDU(-6)) -0.005692 -0.009600 0.010243 0.003537

(0.00308) (0.02038) (0.00694) (0.00282)
[-1.84881] [-0.47113] [ 1.47526] [ 1.25354]

D(SHCOMP(-1)) -0.015139 -0.004631 -0.025750 -0.019671

(0.00854) (0.05654) (0.01927) (0.00783)
[-1.77214] [-0.08191] [-1.33657] [-2.51252]

Universitas Indonesia
 42

Tabel 4.7
Hasil estimasi Vector Error Correction Model (VECM) (lanjutan)
D(SHCOMP(-2)) 0.005219 0.010607 -0.018299 0.014222
(0.00855) (0.05658) (0.01928) (0.00783)
[ 0.61048] [ 0.18748] [-0.94916] [ 1.81533]

D(SHCOMP(-3)) 0.004813 -0.017673 0.072009 -0.005998

(0.00850) (0.05629) (0.01918) (0.00779)
[ 0.56592] [-0.31398] [ 3.75436] [-0.76959]

D(SHCOMP(-4)) 0.007337 -0.137546 0.052789 -0.005189

(0.00849) (0.05618) (0.01914) (0.00778)
[ 0.86431] [-2.44838] [ 2.75755] [-0.66706]

D(SHCOMP(-5)) -0.025402 -0.102788 -0.038750 -0.014395

(0.00850) (0.05622) (0.01916) (0.00779)
[-2.99005] [-1.82818] [-2.02254] [-1.84894]

D(SHCOMP(-6)) 0.000959 0.058471 -0.017102 -0.000450

(0.00850) (0.05627) (0.01917) (0.00779)
[ 0.11283] [ 1.03912] [-0.89193] [-0.05769]

D(KOSPI(-1)) -0.017327 0.005560 -0.053290 -0.060917

(0.02231) (0.14763) (0.05031) (0.02044)
[-0.77672] [ 0.03766] [-1.05930] [-2.97972]

D(KOSPI(-2)) 0.013420 -0.384940 -0.017860 -0.050413

(0.02230) (0.14759) (0.05029) (0.02044)
[ 0.60178] [-2.60826] [-0.35514] [-2.46673]

D(KOSPI(-3)) 0.066302 0.067793 0.099363 0.025093

(0.02234) (0.14787) (0.05039) (0.02048)
[ 2.96754] [ 0.45847] [ 1.97201] [ 1.22549]

D(KOSPI(-4)) -0.004179 0.042573 -0.020474 -0.020071

(0.02227) (0.14741) (0.05023) (0.02041)
[-0.18760] [ 0.28881] [-0.40760] [-0.98324]

D(KOSPI(-5)) 0.091332 -0.150639 -0.044062 -0.022608

(0.02220) (0.14692) (0.05007) (0.02035)
[ 4.11408] [-1.02530] [-0.88010] [-1.11119]

D(KOSPI(-6)) 0.027738 -0.075159 -0.024765 -0.003513

(0.02141) (0.14171) (0.04829) (0.01962)
[ 1.29543] [-0.53038] [-0.51286] [-0.17900]

Universitas Indonesia
 43

Tabel 4.7
Hasil estimasi Vector Error Correction Model (VECM) (lanjutan)
C 0.297650 0.636977 0.080107 0.266474
(0.34271) (2.26813) (0.77289) (0.31409)
[ 0.86851] [ 0.28084] [ 0.10365] [ 0.84841]

R-squared 0.102444 0.023996 0.050366 0.139503

Adj. R-squared 0.094534 0.015395 0.041998 0.131920
Sum sq. resids 952024.6 41698342 4841906. 799609.9
S.E. equation 18.31869 121.2355 41.31222 16.78840
F-statistic 12.95215 2.789987 6.018649 18.39725
Log likelihood -12374.74 -17785.28 -14703.04 -12124.99
Akaike AIC 8.662761 12.44239 10.28923 8.488294
Schwarz SC 8.716882 12.49651 10.34336 8.542415
Mean dependent 0.353628 0.417733 0.202900 0.248156
S.D. dependent 19.25122 122.1796 42.20804 18.01895

Determinant resid covariance (dof adj.) 1.89E+12

Determinant resid covariance 1.83E+12
Log likelihood -56665.35
Akaike information criterion 39.66004
Schwarz criterion 39.88485

Sumber : Hasil Pengolahan Data melalui E-Views 5, diolah.

Menurut Eviews Help, disebutkan bahwa hasil dan estimasi VECM memiliki
persamaan dengan hasil dan estimasi VAR. Tabel 4.7 menunjukkan hasil VECM,
VECM tersebut menggunakan lag 6 yang merupakan optimum lag berdasarkan
pemilihan lag berdasarkan AIC kriteria. Menurut Nachrowi D. Nachrowi (2006:296),
disebutkan bahwa setiap variabel mempunyai tiga nilai, yaitu:
1. Nilai koefisien pada baris pertama;
2. Nilai standar error koefisien pada baris kedua;
3. Uji-t pada baris ketiga. Pada model ini ternyata tidak terdapat nilai ”probability”
untuk uji-t, untuk sampel yang besar kita menggunakan standar Tolak hipotesis
jika nilai Uji-t lebih besar dari 2.
Berdasarkan tabel 4.7 terlihat bahwa variabel yang memengaruhi JCI secara
signifikan adalah: JCI t-1, JCI t-5, JCI t-6, INDU t-1, INDU t-3, SHCOMP t-5,
KOSPI t-3 dan KOSPI t-5. Variabel yang memengaruhi INDU secara signifikan
adalah: INDU t-1, INDU t-2, SHCOMP t-4 dan KOSPI t-2.Variabel yang
Universitas Indonesia
 44

memengaruhi SHCOMP secara signifikan adalah: JCI t-1, JCI t-4, INDU t-1,
SHCOMP t-3, dan SHCOMP t-4. Variabel yang memengaruhi KOSPI secara
signifikan adalah: JCI t-1, JCI t-3, INDU t-1, INDU t-2, INDU t-3, INDU t-5,
SHCOMP t-1, KOSPI t-1, dan KOSPI t-2. Hal tersebut menunjukkan hal-hal sebagai
berikut:
a. Perubahan indeks harga saham pada Bursa Efek Indonesia (JCI) dipengaruhi
perubahan JCI (1, 5 dan 6 hari sebelumnya), perubahan INDU (1 dan 3 hari
sebelumnya), perubahan SHCOMP (5 hari sebelumnya), dan perubahan KOSPI
(3 dan 5 hari sebelumnya).
b. Perubahan indeks pada Dow Jones Industrial Average (INDU) dipengaruhi
perubahan INDU (1 dan 2 hari sebelumnya), perubahan SHCOMP (4 hari
sebelumnya), dan perubahan KOSPI (2 hari sebelumnya).
c. Perubahan Shanghai SE Composite Index (SHCOMP) dipengaruhi perubahan JCI
(1 dan 4 hari sebelumnya), perubahan INDU (1 hari sebelumnya), dan perubahan
SHCOMP (3 dan 4 hari sebelumnya).
d. Perubahan Korea Index (KOSPI) dipengaruhi perubahan JCI (1 dan 3
sebelumnya), perubahan INDU (1, 2, 3 dan 5 hari sebelumnya), perubahan
SHCOMP (1 hari sebelumnya) dan perubahan KOSPI (1 dan 2 hari sebelumnya).

4.7. Analisis di dalam Model VAR

Analisis lebih lanjut dalam model VAR/VECM adalah menggunakan Impulse
Response Function dan Variance decomposition.

4.7.1. Impulse Response Function

Menurut Josef Khrisharianto dan Djoni Hartono (2007:16), menyebutkan

bahwa Impulse Response Function digunakan untuk melihat pengaruh perubahan dari
satu variabel pada variabel itu sendiri atau variabel lainnya. Estimasi yang dilakukan
adalah dengan menitikberatkan pada respon suatu variabel pada perubahan satu
standard deviasi dari variabel itu sendiri maupun dari variabel lainnya yang terdapat
dalam model. Sedangkan menurut Yonathan S. Hadi (2003:110), menyebutkan
bahwa Impulse Response Function digunakan untuk melihat efek gejolak (shock)
Universitas Indonesia
 45

suatu standar deviasi dari variabel inovasi terhadap nilai sekarang (current time
values) dan dinilai yang akan datang (future values) dari variabel-variabel endogen
yang terdapat dalam model yang diamati.
Tabel 4.8
Impulse Response Function

Response of JCI:
Period JCI INDU SHCOMP KOSPI

1 18.31869 0.000000 0.000000 0.000000

2 20.60695 4.771249 -0.646375 -0.302438
3 20.57978 5.398514 -0.459214 -0.122382
4 20.87377 6.527287 -0.143752 0.663460
5 21.41268 7.031987 0.061331 0.601065
6 20.88273 7.891927 -1.024237 1.909881
7 19.60542 7.623480 -1.215688 2.355845
8 19.33344 7.428247 -1.082309 2.224643
9 19.20008 7.581684 -1.268415 2.061624
10 18.95048 7.529258 -1.475160 1.979060

Response of INDU:
Period JCI INDU SHCOMP KOSPI

1 12.55139 120.5840 0.000000 0.000000

2 12.61517 112.0350 -0.159079 0.251726
3 14.07989 103.9547 -0.406743 -5.554786
4 10.54410 108.3991 -0.766519 -3.670842
5 12.57369 105.2976 -6.257692 -2.212264
6 6.886699 104.4926 -10.07179 -4.746175
7 4.792806 100.6636 -6.610863 -5.193512
8 5.306984 99.84129 -7.225728 -4.225983
9 4.574102 99.07986 -7.877555 -4.664175
10 4.330179 98.30326 -7.460521 -4.192217

Response of SHCOMP:
Period JCI INDU SHCOMP KOSPI

1 8.371062 -0.471587 40.45247 0.000000

2 11.97089 3.671200 39.31022 -0.895926
3 10.62227 5.507585 38.47530 -1.219573
4 10.56213 4.602706 41.66593 0.186520
5 14.91484 6.436505 43.59179 -0.234460
6 14.91860 7.409302 41.48165 -1.173733
7 15.58074 8.482154 40.62329 -1.236216

Universitas Indonesia
 46

Tabel 4.8
Impulse Response Function (lanjutan)
8 15.67712 8.664748 41.15922 -1.088497
9 16.17394 8.869801 41.05812 -1.467865
10 15.92898 9.441435 40.46026 -1.302411

Response of KOSPI:
Period JCI INDU SHCOMP KOSPI

1 6.204405 1.787041 1.729231 15.40039

2 7.397396 7.934982 0.824618 14.43079
3 7.203402 8.651784 1.341680 13.69654
4 6.410027 9.567298 1.155101 13.85720
5 6.165190 9.799254 0.837241 13.59241
6 5.914439 10.07066 -0.007164 13.25300
7 5.600492 10.21137 -0.239237 13.19213
8 5.373311 9.818496 -0.189655 13.14552
9 5.344891 9.720022 -0.249602 13.00625
10 5.273595 9.695038 -0.284691 12.98334

Cholesky Ordering: JCI INDU

SHCOMP KOSPI

Sumber : Hasil Pengolahan Data melalui E-Views 5, diolah.

Grafik 4.1
Impulse Response Function

Res pons e to Chole sky One S.D. Inn ovatio ns

R es pons e of JC I t o JC I R es pons e of JC I to I N DU R es pons eof JC I t o SH C OMP R es pons e of J CI to K OSP I
24 24 24 24

20 20 20 20

16 16 16 16

12 12 12 12

8 8 8 8

4 4 4 4

0 0 0 0

-4 -4 -4 -4
1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 7 8 9 10

R es pons eof I N DU t o J CI Res ponse of I N DU t o IN D U R es pons e of I ND U t o SH C OMP Res ponse of IN D U t o KOSPI

120 120 120 120

80 80 80 80

40 40 40 40

0 0 0 0

1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 7 8 9 10

R esponse of SH C OMP t o KOSPI

R es pons e of SH C OMP t o JC I R es pons e of SH C OMP to IN D U R esponse of SH C OMP t o SH C OMP
50 50 50 50

40 40 40 40

30 30 30 30

20 20 20 20

10 10 10 10

0 0 0 0

-10 -10 -10 -10

1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 7 8 9 10

R espons e of K OSP I to J C I R espons e of KOSPI t o I N DU R es pons e of KOSP I to SH COMP R es pons e of KOSPI t o KOSP I
16 16 16 16

12 12 12 12

8 8 8 8

4 4 4 4

0 0 0 0

-4 -4 -4 -4
1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 7 8 9 10

Sumber : Hasil Pengolahan Data melalui E-Views 5, diolah.

Universitas Indonesia
 47

Respon Variabel JCI pada perubahan variabel lain

Sesuai dengan hasil dari uji kausalitas Granger pada tabel 4.8, maka yang
akan dibahas adalah respon dari JCI pada perubahan satu standar deviasi dari
variabel itu sendiri dan juga variabel INDU, SHCOMP dan KOSPI. Respon yang
diberikan oleh JCI pada perubahan satu standar deviasi dari variabel itu sendiri
menunjukkan bahwa respon JCI mengalami kenaikan sampai dengan periode 5. Pada
periode 1, respon yang diberikan sebesar 18,31% dan terus meningkat sampai
dengan sebesar 21,4%. Setelah itu respon yang diberikan menurun seiring dengan
bertambahnya periode. Pada jangka panjang responnya berkisar di angka 18,9%.
Sedangkan respon yang diberikan oleh JCI pada perubahan satu standar deviasi dari
INDU pada periode 1 tidak memberikan respon. Pada periode ke dua menunjukkan
nilai yang positif dan seterusnya serta menunjukkan ada peningkatan sampai periode
6 sebesar 7,9% kemudian mengalami penurunan yang tidak signifikan. Atas
perubahan satu standar deviasi dari SHCOMP, JCI memberikan respon negatif baik
jangka pendek maupun jangka panjang. JCI memberikan respon yang negatif pada
periode kedua dan ketiga terhadap KOSPI. Untuk periode 4 dan selanjutnya
memberikan respon positif.

Respon Variabel INDU pada perubahan variabel lain

Berdasarkan hasil uji kausalitas Granger pada tabel 4.8 dapat dilihat respon
dari INDU pada perubahan satu standar deviasi dari variabel itu sendiri dan juga
variabel JCI, SHCOMP dan KOSPI. Respon yang diberikan oleh INDU pada
perubahan satu standar deviasi dari variabel itu sendiri menunjukkan bahwa respon
INDU mengalami penurunan dari periode pertama sampai dengan periode ke sepuluh.
Respon terbesar terjadi pada periode pertama yaitu sebesar 120,58%. Sedangkan
respon yang diberikan oleh INDU pada perubahan satu standar deviasi dari JCI pada
periode pertama memberikan respon sebesar 12,55% dan naik sampai dengan periode
3 kemudian turun pada periode 4 dan naik lagi pada periode 5. Selanjutnya
mengalami penurunan pada periode jangka panjangnya. Respon yang diberikan
INDU atas perubahan satu standar deviasi dari SHCOMP dan KOSPI menunjukkan

Universitas Indonesia
 48

pengaruh yang sama, yaitu pada periode pertama tidak memberikan respon. Pada
periode selanjutnya, JCI memberikan respon yang negatif dan berfluktuasi.

Respon Variabel SHCOMP pada perubahan variabel lain

Sesuai dengan hasil dari uji kausalitas Granger pada tabel 4.8 maka yang akan
dibahas adalah respon dari SHCOMP pada perubahan satu standar deviasi dari
variabel itu sendiri dan juga variabel JCI, INDU dan KOSPI. Respon yang diberikan
oleh SHCOMP pada perubahan satu standar deviasi dari variabel itu sendiri
menunjukkan bahwa respon SHCOMP mengalami fluktuasi dari periode pertama
hingga periode ke sepuluh. Pada periode 1, respon yang diberikan sebesar 40,45%
dan respon tertinggi terjadi pada periode 5 sebesar 43,59%. Sedangkan respon yang
diberikan oleh SHCOMP pada perubahan satu standar deviasi dari JCI pada periode 1
memberikan respon sebesar 8,37% dan berfluktuasi sampai dengan periode jangka
panjang. Nilai tertinggi yang tercatat adalah sebesar 16,17% pada period ke 9. Atas
perubahan satu standar deviasi dari INDU, SHCOMP memberikan respon negatif
pada periode pertama dan selanjutnya menunjukkan respon positif dan peningkatan
pada jangka panjang. SHCOMP tidak memberikan respon pada periode pertama
KOSPI, pada periode selanjutnya memberikan respon negatif baik jangka pendek
maupun jangka panjang, kecuali pada periode 4.

Respon Variabel KOSPI pada perubahan variabel lain

Pembahasan yang terakhir adalah respon dari KOSPI pada perubahan satu
standar deviasi dari variabel itu sendiri dan juga variabel JCI, INDU dan SHCOMP.
Berdasarkan tabel 4.8, respon yang diberikan oleh KOSPI pada perubahan satu
standar deviasi dari variabel itu sendiri menunjukkan bahwa respon KOSPI
mengalami penurunan dari periode pertama hingga periode ke sepuluh. Pada periode
1, respon yang diberikan sebesar 15,4% dan terus menurun sampai dengan sebesar
12,9%. Sedangkan respon yang diberikan oleh KOSPI pada perubahan satu standar
deviasi dari JCI pada periode 1 memberikan respon sebesar 6,2% dan meningkat pada
periode ke dua sebesar 7,39%. Pada periode ke tiga mengalami penurunan sampai
dengan periode ke sepuluh hingga mencapai 5,27%. Atas perubahan satu standar
Universitas Indonesia
 49

deviasi dari INDU, KOSPI memberikan respon positif pada periode pertama sebesar
1,78% dan terus mengalami peningkatan sampai periode 7 sebesar 10,21% dan
menurun sampai dengan periode 10. KOSPI memberikan respon positif juga pada
SHCOMP, sampai dengan periode 5 selanjutnya pada periode sampai dengan periode
10 memberikan respon negative.

4.7.2. Variance Decomposition

Variance decomposition ini bertujuan untuk mengukur perkiraan varians error suatu
variabel, yaitu seberapa besar perbedaan antara sebelum dan sesudah shock, baik
yang berasal dari variabel itu sendiri maupun dari variabel lain. Menurut Yonathan S.
Hadi (2003:110), menyebutkan bahwa variance decomposition memberikan
informasi mengenai variabel inovasi yang relatif lebih penting dalam VAR. Test ini
digunakan untuk menyusun perkiraan error variance suatu variabel, yaitu seberapa
besar perbedaan antara variance sebelum dan sesudah shock, baik shock yang berasal
dari diri sendiri maupun shock dari variabel lain.
Tabel 4.9
Variance Decomposition

Variance Decomposition of
JCI:
Period S.E. JCI INDU SHCOMP KOSPI

1 18.31869 100.0000 0.000000 0.000000 0.000000

2 27.99098 97.02945 2.905548 0.053325 0.011674
3 35.16237 95.74214 4.198406 0.050848 0.008609
4 41.41465 94.41979 5.510479 0.037859 0.031870
5 47.15389 93.45515 6.474646 0.029373 0.040832
6 52.21645 92.20617 7.564323 0.062429 0.167081
7 56.35668 91.25812 8.323576 0.100126 0.318177
8 60.09290 90.61387 8.848741 0.120500 0.416891
9 63.58570 90.05009 9.325024 0.147418 0.477472
10 66.82098 89.58417 9.713534 0.182225 0.520075

Variance Decomposition of
INDU:
Period S.E. JCI INDU SHCOMP KOSPI

1 121.2355 1.071826 98.92817 0.000000 0.000000

Universitas Indonesia
 50

Tabel 4.9
Variance Decomposition (lanjutan)
2 165.5570 1.155382 98.84429 9.23E-05 0.000231
3 196.0738 1.339378 98.57970 0.000496 0.080424
4 224.3224 1.244226 98.66600 0.001547 0.088223
5 248.2142 1.272838 98.58234 0.064822 0.080000
6 269.6301 1.143908 98.56284 0.194467 0.098781
7 287.9708 1.030538 98.62715 0.223186 0.119125
8 304.9487 0.949269 98.67013 0.255171 0.125434
9 320.8041 0.878085 98.69657 0.290869 0.134480
10 335.6647 0.818698 98.72778 0.315084 0.138434

Variance Decomposition of
SHCOMP:
Period S.E. JCI INDU SHCOMP KOSPI

1 41.31222 4.105860 0.013031 95.88111 0.000000

2 58.39157 6.258166 0.401813 93.31648 0.023542
3 70.95476 6.479383 0.874624 92.60051 0.045486
4 83.08674 6.341334 0.944729 92.68026 0.033677
5 95.22387 7.281105 1.176136 91.51651 0.026245
6 105.2005 7.976623 1.459679 90.52975 0.033951
7 114.1650 8.635689 1.791455 89.53230 0.040554
8 122.6774 9.111886 2.050330 88.79479 0.042994
9 130.6826 9.561528 2.267503 88.12046 0.050504
10 138.0563 9.898687 2.499449 87.54771 0.054153

Variance Decomposition of
KOSPI:
Period S.E. JCI INDU SHCOMP KOSPI

1 16.78840 13.65782 1.133053 1.060931 84.14819

2 24.66706 15.31991 10.87287 0.603197 73.20402
3 30.40726 15.69380 15.25099 0.591643 68.46357
4 35.36353 14.88858 18.59490 0.544116 65.97240
5 39.62410 14.27983 20.92707 0.478041 64.31506
6 43.38329 13.77091 22.84605 0.398788 62.98425
7 46.81706 13.25597 24.37498 0.345047 62.02401
8 49.89943 12.82842 25.32829 0.305179 61.53810
9 52.74680 12.50760 26.06337 0.275360 61.15367
10 55.43173 12.23039 26.65868 0.251968 60.85896

Cholesky Ordering: JCI

INDU SHCOMP KOSPI

Sumber : Hasil Pengolahan Data melalui E-Views 5, diolah.

Universitas Indonesia
 51

Grafik 4.2
Variance Decomposition

V arianc e Deco mpos itio n

P ercent J CI v arianc edue t oJ CI Perc ent J CI v arianc edue to IN D U Perc ent J C I v ariance due to SH COMP Percent J CI v arianc eduet o KOSP I
100 100 100 100

80 80 80 80

60 60 60 60

40 40 40 40

20 20 20 20

0 0 0 0
1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 7 8 9 10

Perc ent IN DU v arianc eduet oJ C I Percent IN D U v aria nce duet oI ND U Percent I ND U v arianc edue to SH C OMP Perc ent IN D U v aria nce due to KOSPI
100 100 100 100

80 80 80 80

60 60 60 60

40 40 40 40

20 20 20 20

0 0 0 0
1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 7 8 9 10

Perc ent SH C OMP v aria nce due to J CI Perc ent SHC OMP v ariance due to IN D U Perc ent SHC OMP v arianc eduet o SHC OMP P ercent SH C OMP v arianc edue t oKOSPI
100 100 100 100

80 80 80 80

60 60 60 60

40 40 40 40

20 20 20 20

0 0 0 0
1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 7 8 9 10

Perc ent K OSP I v ariance due to JC I Perc ent KOSPI v ariance due to IN D U Perc ent KOSPI v arianc eduet oS HC OMP P erc ent K OSP I v ariance due t oKOSPI
90 90 90 90
80 80 80 80

70 70 70 70
60 60 60 60
50 50 50 50

40 40 40 40
30 30 30 30
20 20 20 20
10 10 10 10

0 0 0 0
1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 7 8 9 10

Sumber : Hasil Pengolahan Data melalui E-Views 5, diolah.

Variance decomposition dari JCI

Hasil dari variance decomposition pada tabel 4.9, menunjukkan bahwa JCI bersifat
inertia dimana penjelas terbesar dari variabel adalah variabel itu sendiri. Hal ini dapat
dilihat bahwa variabel JCI dalam periode 1 sebesar 100% dan selanjutnya menurun
tidak terlalu signifikan. Pada jangka pendek variabel INDU tidak berpengaruh
terhadap JCI, nilai pengaruh mulai muncul pada periode ke dua sebesar 2,9% dan
semakin meningkat pada periode-periode selanjutnya. Untuk variabel SHCOMP
hanya mampu memberikan penjelasan terbesar pada jangka panjang sebesar 0,18%,
demikian juga pada variabel KOSPI yang memberikan nilai terbesar pada periode ke
sepuluh yaitu sebesar 0,5%.
Universitas Indonesia
 52

Variance decomposition dari INDU

Hasil dari variance decomposition pada tabel 4.9, menunjukkan bahwa INDU bersifat
inertia dimana penjelas terbesar dari variabel adalah variabel itu sendiri. Hal ini dapat
dilihat bahwa variabel INDU dalam periode 1 sebesar 98,9% dan selanjutnya
mengalami pergerakan yang fluktuatif. Variabel JCI tidak berpengaruh terhadap
INDU, dimana pada periode 1 hanya mampu memberikan penjelasan sebesar 1,07%
dan semakin menurun pada periode selanjutnya. Untuk variabel SHCOMP hanya
mampu memberikan penjelasan terbesar pada jangka panjang sebesar 0,3%, demikian
juga pada variabel KOSPI yang memberikan nilai terbesar pada periode ke sepuluh
yaitu sebesar 0,13%.

Variance decomposition dari SHCOMP

Hasil dari variance decomposition pada tabel 4.9, menunjukkan bahwa SHCOMP
juga bersifat inertia dimana penjelas terbesar dari variabel adalah variabel itu sendiri.
Hal ini dapat dilihat bahwa variabel SHCOMP dalam periode 1 sebesar 95,88% dan
pada periode berikutnya mengalami penurunan hingga mencapai 87,54%. Variabel
JCI memberikan penjelasan sebesar 4,1% pada periode pertama dan semakin naik
pada periode selanjutnya hingga mencapai 9,89% pada period ke sepuluh. Variabel
INDU hanya memberikan penjelasan sebesar 0,013% pada periode pertama dan
semakin naik pada periode selanjutnya tetapi besarnya tidak terlalu signifikan hingga
mencapai 2,49% pada periode 10.Untuk variabel KOSPI hanya mampu memberikan
penjelasan terbesar pada jangka panjang sebesar 0,05%.

Variance decomposition dari KOSPI

Hasil dari variance decomposition pada tabel 4.9, menunjukkan bahwa SHCOMP
juga bersifat inertia dimana penjelas terbesar dari variabel adalah variabel itu sendiri.
Hal ini dapat dilihat bahwa variabel KOSPI dalam periode 1 sebesar 84,14% dan
pada periode berikutnya mengalami penurunan yang signifikan hingga mencapai
60,85%. Variabel JCI memberikan penjelasan sebesar 13,6% pada periode pertama
dan berfluktuasi pada periode selanjutnya. Variabel INDU memberikan penjelasan
sebesar 1,13% kemudian melonjak pada periode ke dua mencapai 10,87% dan pada
Universitas Indonesia
 53

periode selanjutnya semakin naik hingga mencapai 26,65 pada periode 10.Untuk
variabel SHCOMP hanya mampu memberikan penjelasan terbesar pada periode
jangka pendek yaitu sebesar 1,06% dan pada jangka panjang mengalami penurunan.

Universitas Indonesia