41 

BAB IV

HASIL DAN PEMBAHASAN

IV.1 Hasil dan Pengolahan Data

  Pada bab ini akan dibahas mengenai proses dan hasil serta pembahasan

dari pengolahan data yang akan dilakukan. Data yang telah didapatkan akan

diolah dengan menggunakan metode Vector Auto Regression (VAR) dengan

bantuan program EView 7 for Windows. Untuk mengetahui hubungan dan besar

pengaruh hubungan antara Indeks Harga Saham Gabungan (IHSG) terhadap

tingkat suku bunga, nilai tukar Rupiah terhadap US Dollar, dan tingkat inflasi,

serta kesimpulan berdasarkan atas uji hipotesis yang digunakan.

Analisis yang digunakan pada penelitian ini merupakan analisis regresi

berganda dengan metode estimasi VAR.

IV.1.1 uji akar unit (Unit Root Test)

Dengan bantuan program Eviews, dilakukan Augmented

Dickey-Fuller test untuk melakukan uji akar unit (unit root test) untuk

menguji apakah variabel tingkat suku bunga, nilai tukar Rupiah terhadap

US Dollar, tingkat inflasi dan IHSG stasioner atau tidak (Test ini

sebenarnya hanya merupakan pelengkap dari analisis VAR, menurut

Dickey dan Fuller (1979) apabila data yang diamati adalah stationer, hal

ini akan meningkatkan akurasi dari analisis VAR). Dengan mencakup

trend dan intercept, diperoleh hasil perhitungan sebagai berikut:

 42 
 

Gambar 4.1 Uji Akar Unit Tingkat Suku Bunga Bank Indonesia

Gambar 4.2 Uji Akar Unit Nilai Tukar Rupiah terhadap Dollar

Gambar 4.3 Uji Akar Unit Indeks Harga Saham Gabungan

 43 
 

Gambar 4.4 Uji Akar Unit Tingkat Inflasi Data Dasar (Level)

Gambar 4.5 Uji Akar Unit Tingkat Inflasi Turunan Pertama (First

Difference)

Dari hasil uji akar-akar unit terhadap variabel yang diamati,

ternyata variabel tingkat suku bunga, nilai tukar rupiah terhadap USD

dan IHSG sudah stasioner pada data dasarnya (level), atau stasioner pada

order 0, pada tingkat kepercayaan 99%. Sedangkan variabel inflasi

stationer pada turunan pertamanya (first difference) atau stationer pada

order 1, pada tingkat kepercayaan 99%.

 44 
 

IV.1.2 The Likelihood Ratio Test

The likelihood ratio test digunakan untuk melihat

berapakah jumlah lag yang paling sesuai untuk suatu model. Test ini

seharusnya dilakukan terhadap semua jumlah lag yang mungkin sesuai

untuk model yang diamati. Dengan bantuan Eviews dapat diketahui

langsung jumlah lag yang sesuai untuk suatu model.

Gambar 4.6 Penentuan Lag

Kriteria pemilihan lag yang sesuai dapat dilakukan

menggunakan statistik FPE, AIC, SC, maupun HQ. Model yang baik

adalah model yang mampu memberikan tingkat residual (error) yang

paling kecil. Dalam hal ini diwakilkan dengan nilai-nilai statistik tersebut
 45 
 

yang paling kecil. Dalam penelitian ini diketemukan lag = 2 merupakan

lag model VAR yang sesuai berdasarkan seluruh kriteria yang ada.

IV.1.3 Analisa VAR

      Setelah ditentukan lag = 2, berikutnya adalah analisis VAR

dengan dibantu software Eviews. Pada penelitian ini disajikan penggalan

output analisis pada bagian dugaan model untuk data ilustrasi dengan lag =

2. Signifikan tidaknya lag dari suatu variabel terhadap variable

endogenous lainnya dapat dievaluasi menggunakan nilai mutlak dari

statistik-t (nilai yang ada dalam tanda kurun […]). Sebagai perbandingan

dapat digunakan nilai kritis rule-of-thumb sebesar 2.00. Jika lebih besar

dari 2.00 maka dikatakan signifikan. Nilai kritis yang tepat tentu saja harus

disesuaikan dengan degree of freedom dari error dan tingkat kepercayaan

yang digunakan.
 46 
 

Gambar 4.7 Hasil Analisis VAR Menggunakan EViews

 47 
 

Pada kasus di atas terlihat bahwa Pengaruh nilai lag -1 dan -

2 dari masing-masing variabel yaitu KURS, INFL dan SBI tidak

memberikan pengaruh yang signifikan terhadap IHSG. Adapun variabel

INFL pada lag -1 mempunyai pengaruh yang paling kuat dengan arah

positif diantara variabel lainnya walaupun tidak signifikan.

Dari output ini diperoleh model VAR sebagai berikut ini:

IHSG = 0.282002709339 * KURS(-1) + 0.281703437672 * KURS(-2) +

0.828645980859 * INFL(-1) - 0.516183586432 * INFL(-2) + 0.290801221385 *

SBI(-1) - 0.888751069802 * SBI(-2) + 0.28783895586 * IHSG(-1) +

0.0396510150253 * IHSG(-2) + 0.0105687800473

Penilaian mengenai kebaikan model yang diperoleh,

disajikan pada penggalan output pada gambar 4.7. Karena ada beberapa

persamaan dalam model VAR, yaitu sebanyak variabel yang terlibat, maka

dihasilkan ringkasan goodness-offit dari setiap variabel. Besaran yang ada

antara lain adalah nilai R2 yang identik dengan R2 pada model regresi

biasa. Semakin besar nilainya tentu semakin baik/pas model yang

didapatkan. Terdapat juga besaran yang menilai goodness-offit secara

keseluruhan. Nilai ini berguna, jika nantinya akan dibandingkan dengan

model VAR yang lain. Besaran yang digunakan adalah AIC dan SC di

mana model yang lebih bagus adalah model dengan nilai AIC dan SC yang

lebih kecil.
 48 
 

IV.1.4 Diagnostik Model

Setelah model diperoleh, langkah selanjutnya adalah memeriksa

model. Salah satu diagnostik terhadap residual yang dapat dilakukan

adalah memeriksa adanya korelasi serial antar residual pada beberapa lag

dengan menggunakan Uji Portmanteau Q.

Gambar 4.8 Hasil Uji Portmanteau Q

Terlihat dari output bahwa hingga periode ke 8, tidak ada

komponen autokorelasi yang signifikan pada tingkat kesalahan 5% (semua

pvalue > 5%).