Makalah
Disusun Oleh.
Puji dan syukur senantiasa Penulis panjatkan kepada Allah SWT. Karena
berkat danrahmat-Nyalah sehingga Penulis dapat menyelesaikan makalah ini
sebagai salah satu Tugas Mata Kuliah Ekonometrika Terapan pada Program Studi
Ilmu Ekonomi dan Keuangan Islam yang berjudul “ANALISIS VECTOR
AUTOREGRESSION (VAR): KONNSEP UMUM DAN SIMULASI DATA”
tepat pada waktunya.
Pada kesempatan ini Penulis juga mengucapkan terima kasih kepada Ibu Dr.
Aas Nurasiyah, M.Si selaku Dosen Pengajar yang selama ini telah bersedia
meluangkan waktunya untuk membagikan ilmunya serta pihak-pihak yang turut
membantu terselesaikannya makalah ini. Penulis tidak menutup kemungkinan
dalam penulisan makalah kepustakaan ini terdapat kekurangan atau kesalahan.
Oleh karena itu, kritik dan saran yang membangun dari semua pihak sangat
Penulis harapkan untuk memperbaiki penulisan makalah selanjutnya.
Wassalamualaikum warahmatullahi wabarakatuh.
Penulis
i
DAFTAR ISI
ii
DAFTAR GAMBAR
iii
DAFTAR TABEL
Tabel 3.1 Data Indeks Saham Syariah, Tinkat Inflasi, Suku Bunga, dan Nilai
Tukar Rupiah Periode Mei 2011-Februari 2017 ................................................... 14
Tabel 3.2 Hasil Uji Stasioneritas Pada Tingkat Level .......................................... 26
Tabel 3.3 Hasil Uji Stasioneritas Pada Tingkat First Difference .......................... 27
Tabel 3.4 Hasil Uji Penentuan Lag Optimum ....................................................... 29
Tabel 3.5 Hasil Uji Stabilitas ................................. Error! Bookmark not defined.
Tabel 3.6 Hasil Uji kointegerasi Johansen ............................................................ 29
Tabel 3.7 Hasil Uji Kausalitas Engel-Granger ...................................................... 30
Tabel 3.8 Hasil Uji Vector Auto Regression (VAR) ............................................ 31
iv
BAB I
PENDAHULUAN
A. Latar Belakang
Fenomena ekonomi dewasa ini sungguh sudah sangat bervariatif.
Pergerakannya yang bersifat dinamis, mengharuskan para pemangku kebijakan
ataupun masyarakat yang bergerak di bidang ekonomi untuk bisa terus mengikuti
perkembangannya guna membaca keadaan ekonomi yang ada serta diharapkan
dapat memprediksikan keadaan ekonomi yang akan datang dengan akurat.
Perkembangan Indeks Saham Syariah Indonesia, pergerakan Kurs Mata
Uang terhadap Mata Uang Asing, perkembangan inflasi, tingkat suku bunga, serta
perkembangan dunia perbankan syariah dewasa ini menjadi suatu fenomena yang
tidak dipungkiri dinilai sangat cepat perkembangannya. Dari tahun ke tahunnya
memiliki keunikan dan kekhasan yang saling mempengaruhi satu sama lainnya.
Oleh karena itu, dengan dinamisnya kondisi variabel ekonomi tersebut maka
sangat dibutuhkan alat yang membantu memudahkan dalam proses analisisnya.
Salah satu alat yang dapat digunakan dalam memudahkan proses analisis variabel
ekonomi yang bersifat dinamis adalah dengan menggunakan metode Vector
Autoregression (VAR). Vector Autoregression atau VAR merupakan salah satu
metode time series yang sering digunakan dalam penelitian,terutama dalam
bidang ekonomi.
Terdapat beberapa poin alasan metode ini digunakan diantaranya,
mengembangkan model secara bersamaan di dalam suatu sistem yang kompleks
(multivariate) sehingga dapat menangkap hubungan secara keseluruhan variabel
di dalam persamaan, estimasi sederhana, uji VAR dapat mendeteksi hubungan
antarvariabel di dalam sistem persamaan dengan menjadikan seluruh variabel
sebagai variabel endogenous. Selain itu, karena bekerja berdasarkan data, metode
VAR terbebas dari berbagai batasan teori ekonomi yang sering muncul termasuk
gejala perbedaan palsu (spurious variable endogeneity and exogeneity) di dalam
model ekonometrika konvensional terutama pada persamaan simultan, sehingga
menghindari penafsiran yang salah.
5
Maka dari itu, penulis tertarik untuk meneliti lebih lanjut mengenai
bagaimana konsep dari metode Vector Autoregression (VAR) dan bagaimana cara
pengolahan datanya dengan menggunakan analisis VAR ini dengan membuat
makalah yang berjudul ”ANALISIS VECTOR AUTOREGRESSION (VAR):
KONSEP UMUM DAN SIMULASI DATA”.
B. Rumusan Masalah
Berdasarkan latar belakang diatas, maka terdapat dua poin rumusan masalah
yang mendasari penulisan makalah ini, yaitu sebagai berikut.
1) Bagaimana konsep umum analisis Vector Autoregression (VAR)?
2) Bagaimana penerapan analisis Vector Autoregression (VAR) pada
simulasi data menggunakan software?
C. Tujuan Makalah
Adapun tujuan penulisan makalah ini adalah sebagai berikut.
D. Mafaat Makalah
Sebagai wahana penambah pengetahuan dan konsep keilmuan
Ekonometrikan khususnya Analisis Vector Autoregression (VAR) tentang
bagaimana konsep umum dan penerapannya dalam pengelolaan data yang
merupakan variabel-variabel yang saling berhubungan dan berkaitan serta bersifat
dinamis.
6
BAB II
KAJIAN PUSTAKA
7
terjadi kumulatif ekspor yang tidak mempunyai dampak positif terhadap
pertumbuhan ekonomi;
2. Data yang digunakan merupakan data time series yang menggambarkan
fluktuasi ekonomi;
3. Dampak kebijakan moneter terhadap perkembangan di sektor riil melalui
suatu mekanisme yang pada umumnya tidak berdampak seketika, biasanya
membutuhkan tenggang waktu tertentu (lag). Ketiga persoalan ini dapat
dijawab oleh model VAR sebagai salah satu bentuk model makro-
ekonometrika yang paling sering digunakan untuk melihat permasalahan
fluktuasi ekonomi.
8
2). Model VAR bersifat apriori atau mengolah data tanpa memanfaatkan teori
yang ada;
3). Semua variabel yang digunakan dalam VAR harus stasioner, jika belum
stasioner, maka harus ditransformasikan terlebih dahulu agar menjadi
stasioner;
4). Model VAR kurang cocok untuk analisis kebijakan.
Pra-Pengujian dan Uji VAR secara garis besar berikut penjelasan langkah-
langkah uji VAR menurut Ascarya (Tanjung, 2013) adalah sebagai berikut.
9
1). Data yang sudah siap harus ditransformasikan terlebih dahulu ke dalam
bentuk logaritma natural (Ln), kecuali untuk data berbentuk persen atau
indeks. Hal ini dilakukan untuk mendapatkan hasil yang konsisten dan valid.
2). Pra-pengujian VAR yang pertamaialah Uji Stasioneritas (Unit Root Test)
denganmetode Augmented Dickey-Fuller (ADF) yang berfungsi untuk
mengetahui apakah data stasioner atau masih mengandung tren. Jika data
stasioner pada level-nya, maka VAR dapat dilakukan pada level. VAR
level dapat mengestimasi hubungan jangka panjang antar variabel. Namun,
jika data tidak stasioner pada level-nya, maka data harus diturunkan pada
tingkat pertama (first difference) yang mencerminkan data selisih atau
perubahan;
3). Setelah melakukan pengujian stasioneritas, maka ada satu hal yang paling
penting dalam uji VAR, yaitu menentukan Lag Optimum. Jika lag yang
ditentukan terlalu banyak atau sedikit, maka model VAR tidak akan valid
sebagaimana mestinya. Penetapan lag optimum dapat ditentukan dengan
cara menetapkan nilai lag yang diperoleh dari LR (sequential modified LR
test statistic), FPE (Final Prediction Error), AIC (Akaike Information
Criterion), SC (Schwarz Information Criterion) dan HQ (Hannan-Quinn
Information Criterion);
4). Kemudian data harus dilakukan pengujian Stabilitas modal VAR dengan
menghitung akar-akar dari fungsi polinomial atau dikenal dengan roots of
characteristic polynomial. Jika semua akar dari fungsi polinomial tersebut
berada di dalam unit circle atau nilai AR roots-nya di bawah satu maka
model VAR tersebut dianggap stabil sehingga Impulse-Response Function
(IRF) dan Forecast Error Variance Decomposition (FEVD) yang
dihasilkan dianggap valid (Firdaus, 2011);
5). Selanjutnya, jika data stasioner pada turunan pertama, maka data akan
diuji untuk keberadaan kointegrasi antar variabel. Jika tidak ada
kointegrasi, maka VAR bisa dilakukan pada turunan pertamanya, namun
jika terdapat kointegrasi maka metode yang digunakanialah Vector Error
Correction Model (VECM);
10
6). Uji Kausalitas Engel-Granger pada akhirnya harus dilakukan juga,
sehingga peneliti dapat melihat hubungan kausalitas di antara variabel-
variabel yang ada dalam model. Uji kausalitas dilakukan untuk mengetahui
apakah suatu variabel bebas (independent variable) meningkatkan kinerja
forecasting dari variabel tidak bebas (dependent variable). Pengujian
sebab akibat dengan menggunakan F-test, menguji apakah lag informasi
dalam variabel Y memberikan informasi statistik yang signifikan tentang
variabel x dalam menjelaskan perubahan X. Kriteria pengujian jika nilai F
hitung lebih besar dari F tabel maka terdapat pengaruh yang signifikan
secara statistik (Junaedi, 2012);
7). Uji Vector Autoregression bisa dilakukan setelah melakukan pra-uji VAR
di atas, model Vector Autoregressive (VAR) diperkenalkan oleh
Christopher Sims pada tahun 1980. Firdaus (2011) memaparkan bahwa
jika sebelumnya univariate autoregression merupakan sebuah persamaan
tunggal (single equation) dengan model linier variabel tunggal (single-
variable linear model), di mana nilai sekarang dari masing-masing
variabel dijelaskan oleh nilai lag-nya sendiri, maka VAR merupakan
sebuah n-persamaan dengan n-variabel, di mana masing-masing variabel
dijelaskan oleh nilai lag-nya sendiri, serta nilai saat ini dan masa
lampaunya (current and past values). Menurut Firdaus (2011), alat analisis
yang disediakan oleh VAR bagi deskripsi data, peramalan, inferensi
struktural, dan analisis kebijakan dilakukan melalui empat macam
penggunaannya, yakni Forecasting, Impulse Response Function (IRF),
Forecast Error Variance Decomposition (FEVD), dan Granger Causality
Test.
8). Impulse-Response Function (IRF) adalah suatu metode yang digunakan
untuk menentukan respons suatu variabel endogen terhadap suatu shock
tertentu. Hal ini dikarenakan shock variabel misalnya variabel ke-i, tidak
hanya berpengaruh terhadap variabel ke-i itu saja tetapi ditransmisikan
kepada semua variabel endogen lainnya melalui struktur dinamis struktur
lag dalam VAR. Dengan kata lain, IRF mengukur pengaruh suatu shock
pada suatu waktu kepada inovasi variabel endogen pada saat tersebut dan
11
di masa yang akan datang. IRF bertujuan untuk mengisolasi suatu
guncangan agar lebih spesifik, yang artinya suatu variabel dapat
dipengaruhi oleh shock atau guncangan tertentu. Apabila suatu variabel
tidak dapat dipengaruhi oleh shock, maka shock spesifik tersebut tidak
dapat diketahui melainkan shock secara umum (Firdaus, 2011);
9). Forecast Error Variance Decomposition (FEVD), analisis FEVD dalam
model VAR bertujuan untuk memprediksi kontribusi persentase varian
setiap peubah karena adanya perubahan peubah tertentu dalam sistem
VAR. Pada analisis IRF sebelumnya digunakan untuk melihat dampak
guncangan dari satu peubah terhadap peubah lainnya, dalam analisis
FEVD digunakan untuk menggambarkan relatif pentingnya setiap peubah
dalam sistem VAR karena adanya shock (Junaedi, 2012).
Dimana:
ΔLNISSI : ISSI dalam bentuk Logaritma Natural
ΔINF : Laju Inflasi
ΔSBBI : Tingkat Suku Bunga Bank Indonesia
ΔLNKURS : Kurs IDR-USD dalam bentuk Logaritma Natural
𝛽 : Vektor dari variabel eksogen, termasuk konstanta (intersep) &trend
𝑖 : Fungsi dari koefisien matriks (n × n)
𝑝 : Ordo (lag) dari VAR
𝜀𝑝𝑝 : Vektor dari residual (galat/error)
12
BAB III
DESKRIPSI KERJA DAN PEMBAHASAN
13
Tabel 3.1 Data Inddeks Saham Syariah, Tinkat Inflasi, dan Nilai Tukar Rupiah
Periode Mei 2011-Maret 2017
X1 X2 X3
Waktu Y (ISSI)
(Inflasi) (SBBI) (Kurs)
14
April 166,91 5,57 5,75 9722
15
Juni 157,92 7,26 7,50 13332
16
4,93 1,38 1,75 9,12
17
5,08 1,99 2,01 9,36
18
Uji Stasioner
Uji Stasioner ini merupakan langkah yang penting sebelum mengolah data
lebih lanjut. Data time series yang digunakan mengandung kemungkinan memiliki
akar unit yang menyebabkan data menjadi tidak stasioner pada level.
Data yang memiliki akar unit, mungkin saja hasil regresinya kelihatan bagus
ternyata hasil tersebut menjadi tidak valid dan tidak mampu menggambarkan
keadaan sesungguhnya yang terjadi. Dalam penelitian ini akan digunakan uji
stasioneritas Augmented Dickey Fuller (ADF). Apabila hasil dari pengujian ini
menunjukkan nilai mutlak t-ADF lebih kecil dari nilai mutlak MacKinnon critical
values-nya maka data telah stasioner pada taraf nyata sebesar lima persen. Dapat
juga dilihat pada nilai probabilitasnya. Apabila nilai probabilitasnya (P-Value)
kurang dari 0,05 maka data tersebut stasioner pada taraf tersebut. Berikut langkah
pengujiannya dengan menggunakan aplikasi Eviews.
1) Siapkan data yang akan diteliti didalam folder c;
2) Setelah data telah siap, buka aplikasi Eviews-Creat New Worksheet-File-
Import File. (Pilih file data yang akan diteliti yang tersimpan didalam folder
Microsoft Excel yang sebelumnya telah dipersiapkan;
3) Akan tampak pada gambar dibawah ini;
19
ISSI-View-Pilih Unit unit Root Test. Seperti tampak pada gambar dibawah
ini;
5) Setelah muncul tampilan diatas, kita akan diberi pilihan sebagaimana gambar
berikut.
20
kriteriainformasi merujuk pada sebuah kandidat selang, maka lag tersebut yang
akan dipilih untuk melanjutkan estimasi pada tahapan berikutnya. Uji lag dalam
penelitian ini menggunakan aplikasi EViews berikut.
1) Close saja hasil uji stasionernya, akan kembali pada lembar kerja awal.
Kemudian, Klik CTRL+ISSI-CTRL+Inflasi-CTRL+SBBI-CTRL+Kurs-
View-Open-As VAR;
21
4) Apabila ada tampilan berikut, pilih saja OK, dan akan langsung keluar
hasilnya.
Uji Kointegerasi
Pengujian kointegrasi penting dilakukan untuk mengetahui variabel –
variabel yang tidak stasioner secara individual dapat terkointegrasi atau tidak.
Selain itu, uji kointegrasi juga dilakukan untuk melihat hubungan jangka panjang
variabel-variabel yang digunakan dalam penelitian. Hubungan kointegrasi dalam
penelitian ini dapat dilihat dari nilai trace statistic. Suatu persamaan dikatakan
terdapat hubungan kointegrasi apabila nilai trace statistic lebih besar daripada
nilai critical value 5 persen. Pengujian Stabilitas dalam penelitian ini
menggunakan Johansen Cointegration test pada aplikasi EViews 10.0. Berikut
langkahnya.
1) Close saja hasil tes sebelumnya. Kemudian Klik CTRL+ISSI-CTRL+Inflasi-
CTRL+SBBI-CTRL+Kurs-Quick-Group Statistic-Johansen Ciontegeration
Test;
22
2) Kemudian akan muncul tampilan sebagai berikut. Langsung Klik Ok, maka
akan langsung keluar hasilnya.
23
Uji Vector Autoregression (VAR)
Model Vector Auto Regression (VAR) adalah salah satu model yang paling
sukses, fleksibel, dan yang paling mudah digunakan untuk analisis multivariate
time series. Model VAR telah terbukti sangat berguna untuk menggambarkan
perilaku dinamis dari bentuk data time-series ekonomi dan keuangan dan juga
untuk peramalan. Model ini sering memberikan perkiraan yang superior untuk
model time-series univariate dan persamaan simultan teori berbasis model
simultan. Prakiraan dari model VAR cukup fleksibel karena bisa dibuat bersyarat
pada jalur potensial masa depan dari variabel tertentu dalam model ini.
Selain deskripsi data dan peramalan, model VAR juga digunakan untuk
analisis inferensi struktural dan analisis kebijakan. Dalam analisis struktural,
asumsi pasti tentang struktur kausal data di bawah penelitian adalah dipaksakan,
dan dampak kausal yang dihasilkan dari guncangan di luar prakiraan atau Inovasi
terhadap variabel tertentu pada variabel dalam model sudah terangkum. Dampak
kausal ini biasanya dirangkum dengan Impulse-Response Function (IRF) dan
Forecast Error Variance Decompositions (FEVD).
Penelitian ini menggunakan signifikansi dengan nilai kepercayaan 95
persen, yaitu nilai t-statistik untuk nilai kritis 5% sama dengan ± 1,99495 yang
memiliki arti yaitu, H0 dikatakan ditolak apabila nilai mutlak t-statistik lebih
besar dari nilai t-ADF maka variabel dinyatakan berpengaruh signifikan.
Pengujian estimasi VAR ini menggunakan aplikasi EViews 10.0. Langkah
pengujiannya sebagai berikut.
24
1) Close saja hasil tes sebelumnya. Kemudian Klik CTRL+ISSI-CTRL+Inflasi-
CTRL+SBBI-CTRL+Kurs-Quick-Estimate VAR;
2) Akan muncul tampilan seperti berikut ini. Pilih Unrestricted VAR-OK, akan
langsung keluar hasil tesnya.
25
B. Hasil-hasil Pengujian Langkah Beserta Penjelasan
Uji Stasioner
Tabel 3.3 Hasil Uji Stasioneritas Pada Tingkat Level
Null Hypothesis: LN_ISSI has a unit root
Exogenous: Constant, Linear Trend
Lag Length: 0 (Automatic - based on SIC, maxlag=10)
t-Statistic Prob.*
t-Statistic Prob.*
t-Statistic Prob.*
t-Statistic Prob.*
26
Berdasarkan Tabel 3.3, hasil pengujian akar unit pada tingkat level
menunjukkan bahwa semua variabel tidak stasioner pada taraf nyata 5% yang
dilihat dari nilai mutlak t-ADF lebih besar dari nilai mutlak MacKinnon Critical
Values-nya pada taraf 5%. Atau dapat pula dilihat dari nilai P-Value nya yang
ditunjukkan dengan nilai yang > 0,05. Pada pengujian akar unit yang tidak
stasioner pada tingkat level dilakukan pengujian lanjutan pada tingkat first
difference. Hal tersebut menunjukkan bahwa data tersebut tidak stasioner pada
tarafnya. Caranya sama dengan ketika akan menguji stasioner pada tahap level,
hanya saja ketika ada tampilan seperti ini, kita pili 1st difference-OK.
t-Statistic Prob.*
27
D(LN_SBBI)
t-Statistic Prob.*
D(LN_INF)
t-Statistic Prob.*
D(LN_KURS)
t-Statistic Prob.*
Berdasarkan Tabel 3.4, dapat dilihat bahwa hasil pengujian akar unit pada
tingkat first difference menunjukkan bahwa semua variabel telah stasioner pada taraf
nyata 5% yang dilihat dari nilai mutlak t-ADF lebih kecil dari nilai mutlak
MacKinnon Critical Values-nya. Dapat dilihat pula pada nilai P-Valuenya yang
memiliki nilai <0,05. Setelah semua data dinyatakan stasioner, maka data dapat
diproses ke tahapan selanjutnya yaitu menentukan Lag Optimum.
28
Menentukan Lag Optimum
Tabel 3.5 Hasil Uji Penentuan Lag Optimum
VAR Lag Order Selection Criteria
Endogenous variables: LN_ISSI LN_INF LN_SBBI LN_KURS
Exogenous variables: C
Date: 11/22/17 Time: 13:36
Sample: 2011M05 2016M05
Included observations: 54
29
Unrestricted Cointegration Rank Test (Maximum Eigenvalue)
Berdasarkan Tabel 3.7, dapat dilihat bahwa hasil uji kointegrasi Johansen
menunjukkan tidak terdapat persamaan kointegrasi, yaitu saat nilai trace statistic
lebih kecil daripada critical value pada titik kritis 5%. Hal yang sama juga ketika
nilai Max-Eigen Statistic nya lebih kecil dari nilai Critical Value, hal ini
mengindikasikan bahwa persamaan ini memiliki hubungan keseimbangan jangka
pendek antara ISSI dengan Inflasi, BI rate dan Kurs IDR. Dengan tidak
terdapatnya kointegrasi pada persamaan ini, maka model yang akan digunakan
pada penelitian ini adalah Vector Autoregression (VAR).
Uji Kausalitas Engel-Granger
Tabel 3.7 Hasil Uji Kausalitas Engel-Granger
Pairwise Granger Causality Tests
Date: 11/22/17 Time: 14:08
Sample: 2011M05 2016M03
Lags: 2
30
Berdasarkan Tabel 3.8, hasil yang didapat menunjukkan bahwa pada taraf
sebesar lima persen, yaitu pada saat nilai probabilitasnya di bawah 0.05, maka dapat
disimpulkan bahwa;
31
[ 0.60330] [-2.11055] [ 0.04598] [-0.12783]
Dari output table 3.9 tersebut terlihat bahwa untuk variable ISSI secara
signifikan dipengaruhi oleh ISSI(-1) yang ditunjukkan oleh nilai statistiknya >
+2,00324 atau <-2,00324. Sedangkan konstanta C tidak berpengaruh secara
32
signifikan terhadap ISSI. Untuk variabel INFLASI secara signifikan dipengaruhi
oleh INFLASI (-1) dan INFLASI (-2) yang ditunjukkan oleh nilai statistiknya >
+2,00324 atau <-2,00324. Sedangkan konstanta C tidak berpengaruh secara
signifikan terhadap INFLASI.
Kemudia untuk variabel SBBI secara signifikan dipengaruhi oleh ISSI (-2),
SBBI (-1) dan SBBI (-2) yang ditunjukkan oleh nilai statisticnya > +2,00324 atau
<-2,00324. Sedangkan konstanta C tidak berpengaruh secara signifikan terhadap
SBBI. Sedangkan untuk variabel KURS secara signifikan dipengaruhi oleh KURS
(-1) yang ditunjukkan oleh nilai statistiknya > +2,00324 atau <-2,00324.
Sedangkan konstanta C tidak berpengaruh secara signifikan terhadap KURS.
Untuk mengestimasi model yang signifikan, kita dapat mengikuti langkah
berikut.
Estimation Proc:
===============================
LS 1 2 LN_ISSI LN_INF LN_SBBI LN_KURS
VAR Model:
===============================
LN_ISSI = C(1,1)*LN_ISSI(-1) + C(1,2)*LN_ISSI(-2) + C(1,3)*LN_INF(-1) + C(1,4)*LN_INF(-2) +
C(1,5)*LN_SBBI(-1) + C(1,6)*LN_SBBI(-2) + C(1,7)*LN_KURS(-1) + C(1,8)*LN_KURS(-2) + C(1,9)
33
LN_SBBI = C(3,1)*LN_ISSI(-1) + C(3,2)*LN_ISSI(-2) + C(3,3)*LN_INF(-1) + C(3,4)*LN_INF(-2) +
C(3,5)*LN_SBBI(-1) + C(3,6)*LN_SBBI(-2) + C(3,7)*LN_KURS(-1) + C(3,8)*LN_KURS(-2) + C(3,9)
Berdasarkan uji VAR diatas, maka diperoleh maodel persamaan penelitian ini
yang merupakan model persamaan yang dibentuk dari nilai koefisien tiap-tiap
variabel sehingga kemudian disesuaikan model persamaan yang telah terbentuk.
Berikut model persamaan penelitian yang terbentuk:
LN_ISSI=0.978538501214LN_ISSI(-1)+0.212293419744INFLASI(-1)-
0.102957666213SBBI(-1)-0.0786119063287LN_KURS(-1)+0.151852
Interpretasi:
Koefisien LN_ISSI(-1) Pada Model LN_ISSI = 0,978539
ISSI ↑ 1 unit pada 1 bulan sebelumnya → ISSI sekarang ↑ 0,978539
34
BAB IV PENUTUP
A. Simpulan
Berdasarkan hasil penelitian dan pembahasan pada bab sebelumnya, maka
simpulan penelitian ini dapat dijelaskan sebagai berikut:
1. Variabel Indeks Saham Syariah Indonesia periode sebelumnya memiliki
pengaruh yang positif terhadap Indeks Saham Syariah Indonesia, hal ini
berarti ketika Indeks Saham Syariah Indonesia periode sebelumnya
mengalami peningkatan akan berdampak pada Indeks Saham Syariah
Indonesia periode sekarang yang mengalami peningkatan juga, juga
sebaliknya.
2. Variabel Inflasi memiliki pengaruh yang negatif terhadap Indeks Saham
Syariah Indonesia, hal ini berarti ketika Inflasi mengalami peningkatan akan
berdampak pada Indeks Saham Syariah Indonesia yang akan mengalami
penurunan, juga sebaliknya.
3. Variabel BI Rate memiliki pengaruh yang negatif terhadap Indeks Saham
Syariah Indonesia, hal ini berarti ketika BI Rate mengalami peningkatan akan
berdampak pada Indeks Saham Syariah Indonesia yang akan mengalami
peningkatan, juga sebaliknya.
4. Variabel Kurs Rupiah-Dolar AS memiliki pengaruh yang negatif terhadap
Indeks Saham Syariah Indonesia, hal ini berarti ketika Kurs Rupiah-Dolar AS
mengalami peningkatan akan berdampak pada Indeks Saham Syariah
Indonesia yang akan mengalami penurunan, juga sebaliknya.
35
DAFTAR PUSTAKA
Firdaus. (2011). Aplikasi Ekonometrika untuk Data Panel dan Timee Series.
Bogor : IPB Press.
Junaedi, J. d. (2012). Ekonometrika Deret Waktu Teori daan Aplikasi. Bogor: IPB
Press.
23