analisis integrasi bursa saham di asia, eropa, dan...

ANALISIS INTEGRASI BURSA SAHAM DI ASIA, EROPA,

DAN AMERIKA DENGAN BURSA SAHAM DI INDONESIA

(Studi Kasus: Syariah dan Konvensional)

Oleh :

Anjar Ningtias

(1110081000045)

JURUSAN MANAJEMEN

FAKULTAS EKONOMI DAN BISNIS

UNIVERSITAS ISLAM NEGERI SYARIF HIDAYATULLAH

JAKARTA

1435 H / 2014 M

vi

DAFTAR RIWAYAT HIDUP

IDENTITAS DIRI

Nama : Anjar Ningtias

Tempat / Tanggal Lahir : Jakarta / 4 Februari 1993

Agama : Islam

Alamat : Jl. Durian 2 Blok A No. 3 RT 005 RW 010,

Kebantenan, Jatiasih, Bekasi, 17423

Telp / HP : 021-82428943 / 082298425242

Email : [email protected]

PENDIDIKAN FORMAL

2010 – 2014 : UIN Syarif Hidayatullah Jakarta

2007 – 2010 : SMA Negeri 48 Pinang Ranti, Jakarta

2004 – 2007 : SMP Negeri 230 Pondok Rangon, Jakarta

1998 – 2004 : SD Negeri Jatisampurna 06, Bekasi

PENDIDIKAN NON FORMAL

2013 : Peserta Grand Talkshow ”Banking Liberalization in

The Era of ASEAN Free Trade Area 2015”, Universitas

Indonesia

2013 : Panitia Simulasi Pasar Modal ”Knowing More Doing

More To Be Smart Investor”, Lab Pasar Modal FEB,

UIN Syarif Hidayatullah

2011 : Panitia Seminar Series ”Invest Now Retire Rich

(Wealth Planner)”, Lab Pasar Modal FEB, UIN Syarif

Hidayatullah

2010 : Panitia Manajemen Cup 2010 ”Fair Play For The

Future”, BEMJ Manajemen UIN Syarif Hidayatullah

vii

2010 : Peserta Seminar Nasional Kewirausahaan Golden

Generation Expo & Forum 2010, 24 – 27 Desember

2010

2010 : Kursus Komputer di LPIA

2008 : ESQ Leadership Training

2003 – 2009 : Kursus Bahasa Inggris di LPK Generasi Mandiri

PENGALAMAN ORGANISASI

2012 – 2013 : Bendahara Lab Pasar Modal Fakultas Ekonomi dan

Bisnis, UIN Syarif Hidayatullah

2011 – 2012 : Divisi Desain dan Kreatifitas Lab Pasar Modal Fakultas

Ekonomi dan Bisnis, UIN Syarif Hidayatullah

2005 – 2006 : Divisi Olahraga OSIS SMPN 230 Pondok Rangon,

Jakarta

PENGALAMAN BEKERJA

2013 – sekarang : Accounting di PT Rayyan Global Investama

2012 – 2013 : Guru Kursus Bahasa Inggris di LPK Generasi Mandiri

viii

ABSTRACT

This study examines the integration of Islamic and conventional stock

market of Indonesia with Islamic and conventional stock market of its trading

partners in three regions, namely Asian, Europe, and America. This

categorization is also based on the level of development and geographical factors

which may have a significant influence on the Indonesian stock market. Countries

of which being sampled in this study is Malaysia, Japan, United Kingdom (UK),

Canada, and United States of America (USA). This study applies the method of

Vector Autoregressive (VAR) / Vector Error Correction Model (VECM) and daily

closing indices data spanning from 2008 to 2013.

The results indicate there are causality relationships among all Islamic

and conventional stock markets in Malaysia, Japan, United Kingdom (UK),

Canada, and United States of America (USA) with Islamic and conventional stock

market of Indonesia. Then, based on cointegration analysis, only Islamic and

conventional stock markets of Malaysia have a long-term relationship with

Islamic and conventional stock markets of Indonesia. Furthermore, based on

Variance Decomposition (VD) analysis is looked that Islamic and conventional

stock market of Indonesia provide the greatest contribution to Islamic and

conventional stock market of Malaysia’s movement. Meanwhile, the greatest

contributor to Islamic and conventional stock markets of Indonesia’s movement

itself that is derived from Islamic and conventional stock market of USA.

Keywords: integration, stock market, islamic, conventional, VAR, VECM,

causality, co-integration, variance decomposition

ix

ABSTRAK

Penelitian ini menguji integrasi bursa saham syariah dan konvensional

Indonesia dengan bursa saham syariah dan konvensional mitra dagangnya di tiga

kawasan, yaitu Asia, Eropa, dan Amerika. Kategorisasi ini juga berdasarkan

tingkat perkembangan dan faktor geografis yang mungkin memiliki pengaruh

signifikan terhadap bursa saham Indonesia. Negara-negara yang menjadi sampel

dalam penelitian ini adalah Malaysia, Jepang, Inggris, Kanada, dan Amerika

Serikat. Penelitian ini menerapkan metode Vector Autoregressive (VAR) / Vector

Error Correction Model (VECM) dan data indeks penutupan harian mulai dari

2008 sampai 2013.

Hasil penelitian menunjukkan adanya hubungan kausalitas antara semua

bursa saham syariah dan konvensional di Malaysia, Jepang, Inggris, Kanada, dan

Amerika Serikat dengan bursa saham syariah dan konvensional Indonesia.

Kemudian berdasarkan analisis kointegrasi, hanya bursa saham syariah dan

konvensional Malaysia yang memiliki hubungan jangka panjang dengan bursa

saham syariah dan konvensional Indonesia. Selanjutnya, berdasarkan analisis

Variance Decomposition (VD) terlihat bursa saham syariah dan konvensional

Indonesia memberikan kontribusi terbesar terhadap pergerakan bursa saham

syariah dan konvensional Malaysia. Sementara itu, penyumbang kontribusi

terbesar terhadap pergerakan bursa saham syariah dan konvensional Indonesia

sendiri berasal dari bursa saham syariah dan konvensional Amerika Serikat.

Kata kunci: integrasi, bursa saham, syariah, konvensional, VAR, VECM,

kausalitas, kointegrasi, variance decomposition

x

KATA PENGANTAR

Bismillaahirrahmaanirrahiim,

Segala puji dan syukur kepada Allah SWT atas limpahan dan kasih sayang

dan rahmat-Nya sehingga akhirnya penulis dapat menyelesaikan skripsi ini.

Shalawat serta salam untuk manusia paling mulia di muka bumi ini, Nabi

Muhammad SAW, juga keluarga dan para sahabat beliau yang telah membawa

banyak umat Islam menuju cahaya kemenangan.

Dalam penyusunan skripsi ini sebagai prasyarat memperoleh gelar Sarjana

Ekonomi, pastinya tidak akan terlepas dari hambatan ataupun kesulitan yang

dihadapi oleh penulis. Akan tetapi, banyaknya bantuan, dukungan, dan do’a dari

berbagai pihak serta atas seijin Allah SWT, akhirnya skripsi ini dapat

terselesaikan dengan baik. Oleh karena itu, penulis mengucapkan terima kasih

yang sebesar-besarnya kepada:

1. Kedua orang tua saya, Mama dan Papa tercinta yang senantiasa selalu berdo’a

dan memberikan semangat dalam penyusunan skripsi ini, terlebih ketika saya

sedang sakit, Mama dan Papa melakukan apapun untuk kesembuhan saya.

Semoga kelak saya bisa menjadi kebanggaan Mama dan Papa, baik di dunia

maupun di akhirat nanti.

2. Bapak Prof. Dr. Ahmad Rodoni selaku dosen pembimbing I dan Bapak Taridi

Kasbi Ridho, SE, MBA selaku dosen pembimbing II, yang telah bersedia

meluangkan waktunya untuk membagi ilmunya kepada saya dalam setiap

bimbingan skripsi hingga akhirnya skripsi ini dapat terselesaikan.

3. Bapak Prof. Dr. Abdul Hamid, MS selaku Dekan Fakultas Ekonomi dan

Bisnis UIN Syarif Hidayatullah Jakarta.

4. Ibu Dr. Muniaty Aisyah, Ir, MM selaku Ketua Jurusan Manajemen Fakultas

Ekonomi dan Bisnis UIN Syarif Hidayatullah Jakarta.

5. Ibu Titi Dewi Warninda, M.Si selaku seketaris Jurusan Manajemen Fakultas

Ekonomi dan Bisnis UIN Syarif Hidayatullah Jakarta.

6. Ibu Leis Suzanawaty, SE, M.Si selaku Dosen Pembimbing Akademik saya

selama menjadi mahasiswa.

xi

7. Bapak Hepi Prayudiawan, SE, MM, Ak. selaku sekretaris Jurusan Akuntansi

Fakultas Ekonomi dan Bisnis UIN Syarif Hidayatullah Jakarta dan

pembimbing untuk kepengurusan Lab Pasar Modal Fakultas Ekonomi dan

Bisnis UIN Syarif Hidayatullah Jakarta selama masa kepengurusan saya.

8. Seluruh civitas Fakultas Ekonomi dan Bisnis UIN Syarif Hidayatullah Jakarta

atas segalanya, baik itu ilmu dari para dosen maupun bantuan pelayanan dari

para staf dan karyawan.

9. Kakak saya tercinta sekaligus the best partner sepanjang hidup saya, Bernes

Lase, ”As sisters and friends, we're quite a pair. One soul, one mind is what

we share - Debbie A. Burrous.”

10. My lovely twin, Shelly Novianita, yang tiada hentinya memberikan dukungan

dan semangat saat suka maupun duka mulai dari awal menjadi mahasiswa

hingga saat ini dan selamanya our story will continue to grow with each

passing day. I will make sure I never lose you.

11. Mr. Rain, Reza Eka Nugraha, semoga selalu berada di dalam lindungan Allah

SWT. Allah knows what is the best for us.

12. Gadis-gadis yang kelak akan menjadi wanita-wanita hebat di Women

Generation, yaitu Shelly, Dini, Ida, Tiwi, Babay, Nisa, dan Ita. ”Friendship

consists in forgetting what one gives and remembering what one receives -

Alexander Dumas.”

13. Seluruh anak Manajemen Keuangan 2010, khususnya Aris (banyak bantuan

yang diberikan untuk satu angkatan 2010 bahkan mungkin satu Fakultas

Ekonomi dan Bisnis), Umi & Vae (asisten-asisten dospem I untuk

membimbing saya), Arifuddin (teman seperjuangan komprehensif dan sidang

skripsi), Deva, Nova, Ayu, Mar’atun, dll. Tidak lupa Rizma Yanika Chusna,

teman semasa bimbingan skripsi sekaligus temen masa SMA.

14. Seluruh anak Manajemen A 2010, khususnya Hafiz, Adit, Puput (Putera),

Malo, Indah, Fitri, Mia, Rachmad, Abi, Indra, Danial, Fajar, Derian, Fitra, dll.

Keep in touch wherever we are guys.

xii

15. Seluruh anak Manajemen 2010, Akuntansi 2010 (khususnya Ikhsan), dan

IESP 2010 (khususnya Agus) yang secara random memberikan dukungan

kepada saya.

16. Seluruh anggota Lab Pasar Modal dari awal periode kepengurusan saya

hingga saat ini. Semoga Lab Pasar Modal terus melangkah maju dan sukses ke

depannya.

17. Seluruh anak KKN AKSI 2010 (Icha, Mayda, Uki, Aulia, Bulan, Erna, Ebi,

Mulki, Angga, dll) serta partner KKN AKSI 2010, yaitu duo mahasiswa

Binus (Ryan dan Faris) dan mahasiswa-mahasiswa dari BSI yang telah

membantu dalam program-program KKN AKSI 2010 dengan lancar.

18. Mrs. Mathilda Sari Dewi, SE, MM selaku pendiri kursus Bahasa Inggris dan

Kindergarten Generasi Mandiri, yang menjadi guru saya dari kecil hingga saat

ini sekaligus teman sharing. Sukses untuk debut novelnya, ma’am. Guru-guru

lainnya di sana, yaitu Ms. Fida, Ms. Yuni, Ms. Ani, dll dan seluruh anak-anak

di LPK Generasi Mandiri. Tidak lupa Mba Shasha yang juga selalu menjadi

pelipur lara semasa di sana.

19. Seluruh crew dan staff di Siganture Coffee Slipi (Hilmi, Romi, Kak Ganesh)

dan Signature Coffee & Grill Kemang (Pak Gunawan, Kak Ikhsan, Mba

Shasha, Mba Rosita, Mba Wiwik, Mba Dewi, Mas Joe (terima kasih atas

design happy graduation untuk Women Generation)), dll. Keep in touch dan

semoga kita bisa mendapatkan yang lebih baik.

Akhir kata, sekali lagi saya mengucapkan terima kasih kepada semua

pihak di atas dan lainnya yang tidak dapat disebutkan satu persatu. Semoga segala

bentuk bantuan yang telah kalian berikan mendapatkan pahala yang berlipat dari

Allah SWT, aamiin.

Jakarta, 14 November 2014

Anjar Ningtias

xiii

DAFTAR ISI

Halaman

HALAMAN JUDUL ..................................................................................... i

LEMBAR PENGESAHAN SKRIPSI .......................................................... ii

LEMBAR PENGESAHAN UJIAN KOMPREHENSIF .............................. iii

LEMBAR PENGESAHAN UJIAN SKRIPSI .............................................. iv

LEMBAR PERNYATAAN KEASLIAN KARYA ILMIAH ...................... v

DAFTAR WIRAYAT HIDUP ...................................................................... vi

ABSTRACT .................................................................................................. viii

ABSTRAK .................................................................................................... ix

KATA PENGANTAR .................................................................................. x

DAFTAR ISI ................................................................................................. xiii

DAFTAR TABEL ......................................................................................... xv

DAFTAR GAMBAR .................................................................................... xix

DAFTAR LAMPIRAN ................................................................................. xxi

BAB I PENDAHULUAN ............................................................................ 1

A. Latar Belakang Penelitian ................................................................. 1

B. Perumusan Masalah ........................................................................... 9

C. Tujuan dan Manfaat Penelitian.......................................................... 10

BAB II TINJAUAN PUSTAKA ................................................................. 13

A. Landasan Teori .................................................................................. 13

1. Pasar Modal dan Pasar Modal Syariah ......................................... 13

2. Diversifikasi Internasional ............................................................ 18

3. Tingkat Pengembalian ................................................................... 21

xiv

4. Indeks Harga Saham ..................................................................... 22

5. Indeks Saham Syariah ................................................................... 27

6. Contagion Effect Theory ............................................................... 33

7. Integrasi Pasar Modal .................................................................... 35

B. Penelitian Terdahulu ......................................................................... 36

C. Kerangka Berpikir ............................................................................. 48

D. Hipotesis ............................................................................................ 51

BAB III METODOLOGI PENELITIAN ................................................. 54

A. Ruang Lingkup Penelitian ................................................................. 54

B. Teknik Penentuan Sampel ................................................................. 54

C. Teknik Pengumpulan Data ................................................................ 56

D. Teknik Analisis ................................................................................. 57

E. Operasional Variabel Penelitian ........................................................ 71

BAB IV ANALISIS DAN PEMBAHASAN .............................................. 76

A. Sekilas Gambaran Umum Objek Penelitian ...................................... 76

B. Penemuan dan Pembahasan .............................................................. 77

1. Deskripsi Data ............................................................................. 77

2. Pembahsan .................................................................................. 86

3. Interpretasi................................................................................... 185

BAB V KESIMPULAN DAN SARAN ...................................................... 195

A. Kesimpulan ....................................................................................... 195

B. Saran .................................................................................................. 196

DAFTAR PUSTAKA .................................................................................. 198

LAMPIRAN ................................................................................................. 205

xv

DAFTAR TABEL

Nomor Keterangan Halaman

2.1 Daftar Saham JII Periode Desember 2013 s.d. Mei 2014 32

2.2 Perbandingan Penelitian Terdahulu 42

4.1 Statistika Deskriptif atas Nilai Penutupan Harian Indeks 87

Bursa Saham Syariah

4.2 Statistika Deskriptif atas Nilai Penutupan Harian Indeks 88

Bursa Saham Konvensional

4.3 Uji Stasioneritas atas Nilai Penutupan Harian Indeks Bursa 89

Saham Syariah

4.4 Uji Stasioneritas atas Nilai Penutupan Harian Indeks Bursa 90

Saham Konvensional

4.5 Penentuan Lag Optimal atas FBMS dengan JII 92

4.6 Perbandingan Indikator Adjusted R2

untuk Pemilihan Lag 92

atas FBMS dengan JII

4.7 Penentuan Lag Optimal atas DJIJP dengan JII 93



atas DJIJP dengan JII

4.9 Penentuan Lag Optimal atas DJIUK dengan JII 94



atas DJIUK dengan JII

4.11 Penentuan Lag Optimal atas DJICA dengan JII 95



atas DJICA dengan JII

4.13 Penentuan Lag Optimal atas IMUS dengan JII 96



atas IMUS dengan JII

xvi


4.15 Penentuan Lag Optimal atas KLSE dengan IHSG 98



atas KLSE dengan IHSG

4.17 Penentuan Lag Optimal atas NIKKEI 225 dengan IHSG 99



atas NIKKEI 225 dengan IHSG

4.19 Penentuan Lag Optimal atas FTSE 100 dengan IHSG 100



atas FTSE 100 dengan IHSG

4.21 Penentuan Lag Optimal atas S&P TSX dengan IHSG 101



atas S&P TSX dengan IHSG

4.23 Penentuan Lag Optimal atas DJIA dengan IHSG 103



atas DJIA dengan IHSG

4.25 Hasil Uji Kausalitas Granger atas FBMS dengan JII 105

4.26 Hasil Uji Kausalitas Granger atas DJIJP dengan JII 106

4.27 Hasil Uji Kausalitas Granger atas DJIUK dengan JII 106

4.28 Hasil Uji Kausalitas Granger atas DJICA dengan JII 107

4.29 Hasil Uji Kausalitas Granger atas IMUS dengan JII 108

4.30 Hasil Uji Kausalitas Granger atas KLSE dengan IHSG 109

4.31 Hasil Uji Kausalitas Granger atas NIKKEI 225 dengan IHSG 109

4.32 Hasil Uji Kausalitas Granger atas FTSE 100 dengan IHSG 110

4.33 Hasil Uji Kausalitas Granger atas S&P TSX dengan IHSG 111

4.34 Hasil Uji Kausalitas Granger atas DJIA dengan IHSG 112

4.35 Hasil Uji Kointegrasi atas FBMS dengan JII 113

xvii


4.36 Hasil Uji Kointegrasi atas DJIJP dengan JII 114

4.37 Hasil Uji Kointegrasi atas DJIUK dengan JII 115

4.38 Hasil Uji Kointegrasi atas DJICA dengan JII 116

4.39 Hasil Uji Kointegrasi atas IMUS dengan JII 117

4.40 Hasil Uji Kointegrasi atas KLSE dengan IHSG 118

4.41 Hasil Uji Kointegrasi atas NIKKEI 225 dengan IHSG 119

4.42 Hasil Uji Kointegrasi atas FTSE 100 dengan IHSG 120

4.43 Hasil Uji Kointegrasi atas S&P TSX dengan IHSG 121

4.44 Hasil Uji Kointegrasi atas DJIA dengan IHSG 122

4.45 Hasil Estimasi VECM atas FBMS dengan JII 131

4.46 Hasil Estimasi VAR atas DJIJP dengan JII 134

4.47 Hasil Estimasi VAR atas DJIUK dengan JII 136

4.48 Hasil Estimasi VAR atas DJICA dengan JII 138

4.49 Hasil Estimasi VAR atas IMUS dengan JII 140

4.50 Hasil Estimasi VECM atas KLSE dengan IHSG 142

4.51 Hasil Estimasi VAR atas NIKKEI 225 dengan IHSG 145

4.52 Hasil Estimasi VAR atas FTSE 100 dengan IHSG 148

4.53 Hasil Estimasi VAR atas S&P TSX dengan IHSG 150

4.54 Hasil Estimasi VAR atas DJIA dengan IHSG 152

4.55 Variance Decomposition atas FBMS dengan JII 169

4.56 Variance Decomposition atas DJIJP dengan JII 171

4.57 Variance Decomposition atas DJIUK dengan JII 172

4.58 Variance Decomposition atas DJICA dengan JII 174

4.59 Variance Decomposition atas IMUS dengan JII 175

4.60 Variance Decomposition atas KLSE dengan IHSG 177

4.61 Variance Decomposition atas NIKKEI 225 dengan IHSG 178

xviii


4.62 Variance Decomposition atas FTSE 100 dengan IHSG 180

4.63 Variance Decomposition atas S&P TSX dengan IHSG 181

4.64 Variance Decomposition atas DJIA dengan IHSG 183

4.65 Total Neraca Perdagangan Indonesia 186

4.66 Neraca Perdagangan Indonesia dengan Malaysia 187

4.67 Neraca Perdagangan Indonesia dengan Jepang 188

4.68 Neraca Perdagangan Indonesia dengan Inggris 190

4.69 Neraca Perdagangan Indonesia dengan Amerika Serikat 191

xix

DAFTAR GAMBAR


1.1 Islamic Financial Assets 2012 2

1.2 Top Current Islamic Finance Markets 2012 (US Billion) 3

1.3 Perbandingan Indeks Bursa Saham Syariah dan Konvensional 5

Global

2.1 Kerangka Pemikiran 50

4.1 Pergerakan Indeks Harian atas JII 78

4.2 Pergerakan Indeks Harian atas FBMS 79

4.3 Pergerakan Indeks Harian atas DJIJP 79

4.4 Pergerakan Indeks Harian atas DJIUK 80

4.5 Pergerakan Indeks Harian atas DJICA 81

4.6 Pergerakan Indeks Harian atas IMUS 81

4.7 Pergerakan Indeks Harian atas IHSG 82

4.8 Pergerakan Indeks Harian atas KLSE 83

4.9 Pergerakan Indeks Harian atas NIKKEI 225 83

4.10 Pergerakan Indeks Harian atas FTSE 100 84

4.11 Pergerakan Indeks Harian atas S&P TSX 85

4.12 Pergerakan Indeks Harian atas DJIA 85

4.13 Hasil Uji Stabilitas VECM atas FBMS dengan JII 123

4.14 Hasil Uji Stabilitas VAR atas DJIJP dengan JII 124

4.15 Hasil Uji Stabilitas VAR atas DJIUK dengan JII 125

4.16 Hasil Uji Stabilitas VAR atas DJICA dengan JII 125

4.17 Hasil Uji Stabilitas VAR atas IMUS dengan JII 126

4.18 Hasil Uji Stabilitas VECM atas KLSE dengan IHSG 127

4.19 Hasil Uji Stabilitas VAR atas NIKKEI 225 dengan IHSG 127

4.20 Hasil Uji Stabilitas VAR atas FTSE 100 dengan IHSG 128

xx


4.21 Hasil Uji Stabilitas VAR atas S&P TSX dengan IHSG 129

4.22 Hasil Uji Stabilitas VAR atas DJIA dengan IHSG 129

4.23 Impulse Response Function atas FBMS dengan JII 155

4.24 Impulse Response Function atas DJIJP dengan JII 156

4.25 Impulse Response Function atas DJIUK dengan JII 157

4.26 Impulse Response Function atas DJICA dengan JII 159

4.27 Impulse Response Function atas IMUS dengan JII 160

4.28 Impulse Response Function atas KLSE dengan IHSG 162

4.29 Impulse Response Function atas NIKKEI 225 dengan IHSG 163

4.30 Impulse Response Function atas FTSE 100 dengan IHSG 164

4.31 Impulse Response Function atas S&P TSX dengan IHSG 166

4.32 Impulse Response Function atas DJIA dengan IHSG 167

xxi

DAFTAR LAMPIRAN


1 Analisis Deskriptif Indeks Bursa Saham Syariah 206

2 Analisis Deskriptif Indeks Bursa Saham Konvensional 206

3 Uji Stasioneritas Tingkat Level JII 207

4 Uji Stasioneritas Tingkat Level FBMS 207

5 Uji Stasioneritas Tingkat Level DJIJP 207

6 Uji Stasioneritas Tingkat Level DJIUK 207

7 Uji Stasioneritas Tingkat Level DJICA 208

8 Uji Stasioneritas Tingkat Level IMUS 208

9 Uji Stasioneritas Tingkat Level IHSG 208

10 Uji Stasioneritas Tingkat Level KLSE 208

11 Uji Stasioneritas Tingkat Level NIKKEI 225 209

12 Uji Stasioneritas Tingkat Level FTSE 100 209

13 Uji Stasioneritas Tingkat Level S&P TSX 209

14 Uji Stasioneritas Tingkat Level DJIA 209

15 Uji Stasioneritas Tingkat First Difference JII 210

16 Uji Stasioneritas Tingkat First Difference FBMS 210

17 Uji Stasioneritas Tingkat First Difference DJIJP 210

18 Uji Stasioneritas Tingkat First Difference DJIUK 210

19 Uji Stasioneritas Tingkat First Difference DJICA 211

20 Uji Stasioneritas Tingkat First Difference IMUS 211

21 Uji Stasioneritas Tingkat First Difference IHSG 211

22 Uji Stasioneritas Tingkat First Difference KLSE 211

23 Uji Stasioneritas Tingkat First Difference NIKKEI 225 212

24 Uji Stasioneritas Tingkat First Difference FTSE 100 212

25 Uji Stasioneritas Tingkat First Difference S&P TSX 212

xxii


26 Uji Stasioneritas Tingkat First Difference DJIA 212

27 Penentuan Kandidat Lag DJIJP dengan JII 213

28 Penentuan Kandidat Lag DJIA dengan IHSG 213

29 Pemilihan Lag Optimal DJIJP dengan JII 214

30 Pemilihan Lag Optimal DJIA dengan IHSG 216

31 Uji Penentuan Asumsi Deterministik FBMS dengan JII 218

32 Uji Penentuan Asumsi Deterministik DJIJP dengan JII 219

33 Uji Penentuan Asumsi Deterministik DJIUK dengan JII 220

34 Uji Penentuan Asumsi Deterministik DJICA dengan JII 221

35 Uji Penentuan Asumsi Deterministik IMUS dengan JII 222

36 Uji Penentuan Asumsi Deterministik KLSE dengan IHSG 223

37 Uji Penentuan Asumsi Deterministik NIKKEI 225 dengan IHSG 224

38 Uji Penentuan Asumsi Deterministik FTSE 100 dengan IHSG 225

39 Uji Penentuan Asumsi Deterministik S&P TSX dengan IHSG 226

40 Uji Penentuan Asumsi Deterministik DJIA dengan IHSG 227

41 Uji Kointegrasi Johansen FBMS dengan JII 228

42 Uji Kointegrasi Johansen DJIJP dengan JII 229

43 Estimasi VECM antara FBMS dengan JII 230

44 Estimasi VAR antara DJIJP dengan JII 232

45 Impulse Response Function FBMS dengan JII 233

46 Impulse Response Function DJIJP dengan JII 233

47 Variance Decomposition FBMS dengan JII 234

48 Variance Decomposition DJIJP dengan JII 234

49 Variance Decomposition DJIUK dengan JII 235

50 Variance Decomposition DJICA dengan JII 235

51 Variance Decomposition IMUS dengan JII 236

xxiii


52 Variance Decomposition KLSE dengan IHSG 236

53 Variance Decomposition NIKKEI 225 dengan IHSG 237

54 Variance Decomposition FTSE 100 dengan IHSG 237

55 Variance Decomposition S&P TSX dengan IHSG 238

56 Variance Decomposition DJIA dengan IHSG 238

1

BAB I

PENDAHULUAN

A. Latar Belakang Penelitian

Sistem keuangan Islam merupakan bagian dari konsep yang lebih luas

tentang ekonomi Islam. Ilmu keuangan Islam ialah ilmu yang membahas

urusan dan keadaan uang berdasarkan nilai-nilai Islam terutama dari segi

hukum atau syariahnya. Itulah sebabnya mengapa seperti halnya ekonomi

Islam yang juga umum dikenal dengan sebutan ekonomi syariah, maka istilah

keuangan Islam (al-maliyyah al-Islamiyah; islamic finance) juga lazim

dikenal dengan sebutan keuangan syariah (al-maliyyah as-syar’iyyah; syariah

finance). (Amin Suma, 2008:29).

Struktur keuangan syariah sangat kuat bersumber dari Al-Qur’an dan

Sunnah, serta dari penafsiran terhadap sumber-sumber wahyu ini oleh para

ulama. Dalam berbagai bentuknya, struktur keuangan syariah telah menjadi

sebuah peradaban Islam yang tidak berubah selama empat belas abad. Selama

tiga dasawarsa terakhir, struktur keuangan syariah telah tampil sebagai salah

satu implementasi modern dari sistem hukum Islam yang paling berhasil dan

sebagai uji coba bagi pembaruan dan perkembangan hukum Islam pada masa

datang. (Vogel dan Hayes, 2007:15).

Bangkitnya keuangan syariah di dunia dewasa ini menjadi sebuah

fenomena yang menarik dan menggembirakan. Praktek kegiatan keuangan

konvensional, khususnya dalam kegiatan bursa saham yang mengandung

2

unsur spekulasi sebagai salah satu komponennya nampaknya masih menjadi

hambatan psikologis bagi umat Islam untuk turut aktif dalam kegiatan

investasi terutama di bidang tersebut, sekalipun berlabel syariah.

Fenomena keuangan syariah yang telah menyebar ke berbagai belahan

dunia tidak hanya di negara-negara yang bermayoritas muslim, tetapi juga di

negara-negara yang bermayoritas non-muslim seperti di wilayah Eropa

walaupun presentasinya hanya sebesar 4%. Penyebaran keuangan syariah

terbesar berada di wilayah Middle East and North Africa (MENA) sebesar

38% karena banyaknya peminat investasi syariah di sana. Selanjutnya, diikuti

oleh Gullf Cooperation Council (GCC), yang beranggotakan negara-negara

teluk yang kaya produksi minyak mentah, yaitu Bahrain, Kuwait, Qatar,

Oman, United Arab Emirates, dan Arab Saudi sebesar 34% serta terakhir

adalah Asia sebesar 23%.

Sumber: data diolah dari Islamic Financial Service Industry Stability Report 2013

Gambar 1.1. Islamic Financial Assets 2012

3

Keuangan syariah secara luas mengacu pada transaksi pasar keuangan,

operasi dan layanan yang sesuai dengan aturan Islam, prinsip-prinsip sekaligus

prakteknya. Perkembangan pasar keuangan syariah sendiri saat ini, baik itu

pasar uang maupun pasar modal syariah dapat dinilai cukup signifikan

terutama di negara-negara dengan mayoritas penduduknya Islam. Hal tersebut

dapat dibuktikan dari grafik peringkat pasar keuangan syariah berikut ini, di

mana didominasi oleh negara-negara dengan mayoritas penduduk Islam,

seperti Malaysia, Arab Saudi, Qatar, Indonesia, dan sebagainya.

Di Indonesia sendiri sektor keuangan syariah memiliki potensi untuk

terus bertumbuh dan memiliki manfaat yang besar bagi perekonomian.

Berdasarkan yang dilansir dari www.bisniskeuangan.kompas.com, Bank

Indonesia (BI) bertekad mendorong sektor keuangan syariah di tanah air.

Gambar 1.2. Top Current Islamic Finance Markets 2012 (US Billion)

Sumber: data diolah dari State of The Global Islamic Economy 2013 Report

4

Direktur Eksekutif Departemen Komunikasi Bank Indonesia, Tirta Segara,

mengungkapkan bahwa bank sentral ingin menjadikan Indonesia sebagai pusat

pengembangan ekonomi syariah global. Menurut Tirta, sektor keuangan

syariah di Indonesia memiliki potensi yang besar. Dia menjelaskan, potensi

syariah layak dikembangkan lantaran ekonomi keuangan syariah terbukti

cukup tahan terhadap gejolak krisis. Hal ini karena pada dasarnya di sektor

keuangan syariah itu selalu ada underlying sektor riil-nya sehingga jika di

ekonomi keuangan syariah itu, sektor keuangannya tidak berjalan sendiri,

seperti bank syariah lebih dekat dengan sektor riil karena produk yang

ditawarkan, khususnya dalam pembiayaan, senantiasa menggunakan

underlying transaksi di sektor riil sehingga dampaknya lebih nyata dalam

mendorong pertumbuhan ekonomi.

Gejolak krisis ekonomi yang terjadi di Eropa dan Amerika sebenarnya

tidak sepenuhnya membawa kerugian terhadap kondisi perekonomian untuk

sebagian besar negara khususnya negara-negara yang memiliki bursa saham

syariah karena saat terjadinya krisis tersebut saham-saham syariah makin

diminati disebabkan ketahanannya yang bisa dibilang lebih bagus

dibandingkan dengan saham-saham konvensional. Hal ini dapat dibuktikan

melalui pergerakan indeks bursa saham syariah global di Amerika, yaitu Dow

Jones World Islamic dan MSCI World Islamic saat terjadi krisis dan pasca

terjadi krisis yang menunjukkan lebih unggul dibandingkan indeks bursa

saham konvensional keduanya. Pergerakan Dow Jones World Islamic dan

MSCI World Islamic awalnya kalah dari indeks bursa saham konvensionalnya,

5

yaitu Dow Jones World dan MSCI World, namun memasuki periode krisis

yang terjadi di Amerika tahun 2008 yang berawal dari krisis kredit macet atau

dikenal dengan subprime mortgage crisis kedua indeks bursa saham syariah

tersebut mengalami peningkatan secara bertahap mengalahkan indeks bursa

saham konvensional mereka hingga terjadinya krisis di Eropa yang mulai

terasa pada akhir tahun 2009 akibat krisis utang di negara Yunani yang

kemudian merembet ke Irlandia dan Portugal. Berdasarkan yang dilansir dari

Islamic Financial Service Industry (IFSI) Stability Report 2013, Dow Jones

Islamic Market Index telah memiliki kapitalisasi di akhir tahun 2012 sebesar

US$ 84.3 miliar dibandingkan indeks konvensionalnya, yaitu Dow Jones

Index sebesar US$ 58.1 miliar.

Gambar 1.3. Perbandingan Indeks Bursa Saham Syariah dan

Konvensional Global

Sumber: Islamic Financial Service Industry Stability Report 2013

6

Krisis ekonomi global yang terjadi ditambah proses globalisasi di abad

21 ini telah meningkatkan kadar hubungan saling ketergantungan antarnegara,

bahkan menimbulkan proses penyatuan ekonomi dunia sehingga batas-batas

antarnegara dalam berbagai praktik dunia usaha atau bisnis seakan-akan

dianggap tidak berlaku lagi sehingga apabila satu negara mengalami gejolak

ekonomi yang memburuk, maka tidak terlepas gejolak tersebut akan

menimbulkan efek domino (contangion effect) pada negara lainnya yang

memiliki hubungan dengan negara tersebut. Menurut Hendra Halwani

(2005:193-194). gejala globalisasi ekonomi terjadi dalam kegiatan finansial,

produksi, investasi dan perdagangan yang kemudian mempengaruhi tata

hubungan ekonomi antarbangsa. Globalisasi ini ditandai dengan menipisnya

batas-batas investasi atau pasar secara nasional, regional maupun

internasional.

Menurut Thoha (2001) dalam Pasaribu dan Kowandar (2013), dua kata

kunci dalam globalisasi adalah interaksi dan integrasi, yakni interaksi ekonomi

antarnegara dan tingkat integrasinya. Interaksi ekonomi antarnegara mencakup

arus perdagangan, produksi dan keuangan. Sementara integrasi berarti bahwa

perekonomian lokal atau nasional setiap negara secara efektif merupakan

bagian yang tidak terpisah dari satu perekonomian tunggal dunia.

Oleh karena itu, baik bursa saham syariah maupun bursa saham

konvensional yang saling terintegrasi akan menyebabkan munculnya

hubungan antara satu bursa saham dengan bursa saham yang lainnya. Apabila

terjadi shock pada suatu bursa saham dalam periode waktu tertentu, ada akan

7

mempengaruhi kondisi bursa saham yang lain. Hal ini membuat investor asing

yang ingin berinvestasi mempunyai kesempatan diversifikasi portofolio

mereka di bursa berbagai negara karena keterkaitan antarbursa secara global

tersebut sehingga dapat membantu para investor untuk meningkatkan return

yang didapat serta menurunkan risikonya dalam portofolio mereka.

Penelitian tentang integrasi antara bursa saham syariah dan bursa

saham konvensional masih relatif sedikit ditemukan. Beberapa di antaranya

adalah penelitian tentang integrasi bursa saham konvensional Indonesia

dengan bursa saham konvensional di Jepang, Amerika Serikat, Singapura, dan

China yang dilakukan oleh Bakri Abdul Karim, et.al (2009). Hasil penelitian

menunjukkan adanya kointegrasi antara bursa saham konvensional di

Indonesia dengan bursa saham konvensional di Jepang, Amerika Serikat,

Singapura, dan China. Hal ini berarti bahwa peluang diversifikasi portofolio di

bursa saham-bursa saham tersebut terbatas bagi investor internasional. Selain

itu, setiap pembangunan bursa saham di Jepang, Amerika Serikat, Singapura

dan Cina harus dipertimbangkan oleh pemerintah Indonesia dalam membuat

kebijakan yang berhuubungan dengan bursa saham Indonesia.

Kemudian Salina Hj. Kassim (2010) meneliti dampak krisis keuangan

global tahun 2007 terhadap integrasi tujuh bursa saham syariah, yaitu Jakarta

Islamic Index (Indonesia), Dow Jones Islamic Index of Kuwait (Kuwait), Dow

Jones Islamic Index of Malaysia (Malaysia), Dow Jones Islamic Index of

Turkey (Turki), Dow Jones Islamic Index of Japan (Jepang), Dow Jones

Islamic Index of UK (Inggris), dan Dow Jones Islamic Index of US (Amerika

8

Serikat). Hasil penelitian menunjukkan semua bursa saham syariah tersebut

saling terintegrasi di mana hubungan mereka semakin kuat saat terjadinya

krisis dibandingkan sebelum terjadi krisis.

Penelitian selanjutnya dilakukan oleh Zhang Hengchao dan Zarinah

Hamid (2011) tentang dampak krisis yang terjadi di Amerika Serikat terhadap

integrasi bursa saham syariah dan konvensionalnya yang terpilih di Asia-

Pasifik, yaitu United States Islamic Market, Japan Islamic Market, Kuala

Lumpur Islamic Market, Jakarta Islamic Market, China Islamic Market,

Japan Nikkei, US Total Market, Kuala Lumpur Composite Index, Jakarta

Composite Index, dan China Total Market. Hasil penelitian menunjukkan

periode sebelum krisis, bursa saham syariah di Asia-Pasifik dipengaruhi oleh

kinerja bursa saham syariah Amerika Serikat dan bursa saham konvensional

Malaysia, sedangkan selama periode krisis, ketiga bursa saham, baik syariah

maupun konvensional, di Amerika Serikat, Jepang, dan Malaysia memiliki

dampak yang signifikan terhadap kinerja bursa saham syariah di Asia Pasifik.

Dalam penelitian ini, integrasi antara bursa saham syariah dan

konvensional di beberapa negara dengan bursa saham syariah dan

konvensional di Indonesia mempunyai arti, yaitu bursa saham di Indonesia

merupakan bagian dari bursa saham yang lainnya dengan menganalisis

keterkaitan atau hubungannya yang dilihat dari nilai harian saham. Perbedaan

penelitian ini dengan penelitian-penelitian sebelumnya adalah penelitian yang

dilakukan mencakup perbandingan integrasi bursa saham syariah dan

konvensional di beberapa negara yang menjadi mitra bisnis Indonesia dalam

9

kawasan Asia, Amerika, dan Eropa dengan bursa saham syariah dan

konvensional di Indonesia. Data indeks saham syariah dan konvensional yang

digunakan adalah data harian dengan periode penelitian dari tahun 2008

sampai tahun 2013. Berdasarkan uraian yang telah dipaparkan, penulis

bermaksud melakukan penelitian dengan judul “Analisis Integrasi Bursa

Saham di Asia, Eropa, dan Amerika dengan Bursa Saham di Indonesia (Studi

Kasus: Syariah dan Konvensional)”.

B. Perumusan Masalah

Berdasarkan latar belakang yang telah dibahas, maka permasalahan

yang akan dibahas sebagai berikut

1. Apakah terdapat hubungan kausalitas antara bursa saham syariah di

kawasan Asia, Eropa, dan Amerika (FBMS, DJIJP, DJIUK, DJICA, dan

IMUS) dengan bursa saham syariah Indonesia (JII)?

2. Apakah terdapat hubungan kausalitas antara bursa saham konvensional di

kawasan Asia, Eropa, dan Amerika (KLSE, NIKKEI 225, FTSE 100, S&P

TSX, dan DJIA) dengan bursa saham konvensional Indonesia (IHSG)?

3. Apakah terdapat hubungan jangka panjang antara bursa saham syariah di

kawasan Asia, Eropa, dan Amerika (FBMS, DJIJP, DJIUK, DJICA, dan

IMUS) dengan bursa saham syariah Indonesia (JII)?

10

4. Apakah terdapat hubungan jangka panjang antara bursa saham

konvensional di kawasan Asia, Eropa, dan Amerika (KLSE, NIKKEI 225,

FTSE 100, S&P TSX, dan DJIA) dengan bursa saham konvensional Indonesia

(IHSG)?

5. Apakah terdapat kontribusi tiap bursa saham syariah di kawasan Asia,

Eropa, dan Amerika (FBMS, DJIJP, DJIUK, DJICA, dan IMUS) dalam

pergerakan bursa saham syariah Indonesia (JII)?

6. Apakah terdapat kontribusi tiap bursa saham konvensional di kawasan

Asia, Eropa, dan Amerika (KLSE, NIKKEI 225, FTSE 100, S&P TSX, dan

DJIA) dalam pergerakan bursa saham konvensional Indonesia (IHSG)?

C. Tujuan dan Manfaat Penelitian

1. Tujuan Penelitian

Sejalan dengan masalah yang telah dirumuskan diatas, maka tujuan

penulisan dalam melakukan penelitian ini adalah:

a. Untuk menganalisis hubungan kausalitas yang terjadi antara bursa

saham syariah di kawasan Asia, Eropa, dan Amerika (FBMS, DJIJP,

DJIUK, DJICA, dan IMUS) dengan bursa saham syariah Indonesia

(JII).

b. Untuk menganalisis hubungan kausalitas yang terjadi antara bursa

saham konvensional di kawasan Asia, Eropa, dan Amerika (KLSE,

11

NIKKEI 225, FTSE 100, S&P TSX, dan DJIA) dengan bursa saham

konvensional Indonesia (IHSG).

c. Untuk menganalisis hubungan jangka panjang antara bursa saham

syariah di kawasan Asia, Eropa, dan Amerika (FBMS, DJIJP, DJIUK,

DJICA, dan IMUS) dengan bursa saham syariah Indonesia (JII).

d. Untuk menganalisis hubungan jangka panjang antara bursa saham

konvensional di kawasan Asia, Eropa, dan Amerika (KLSE, NIKKEI

225, FTSE 100, S&P TSX, dan DJIA) dengan bursa saham


e. Untuk menganalisis kontribusi tiap bursa saham syariah di kawasan

Asia, Eropa, dan Amerika (FBMS, DJIJP, DJIUK, DJICA, dan IMUS)

dalam pergerakan bursa saham syariah Indonesia (JII).

f. Untuk menganalisis kontribusi tiap bursa saham konvensional di

kawasan Asia, Eropa, dan Amerika (KLSE, NIKKEI 225, FTSE 100,

S&P TSX, dan DJIA) dalam pergerakan bursa saham konvensional

Indonesia (IHSG).

2. Manfaat Penelitian

Adapun hasil dari penelitian ini diharapkan dimanfaatkan untuk,

sebagai berikut:

12

a. Bagi Akademisi

Hasil penelitian ini merupakan sumbangan pemikiran dalam

rangka meningkatkan pengembangan ilmu pengetahuan secara teoritis

sebagaimana yang telah dipelajari di dalam perkuliahan dan sebagai

pengetahuan tentang pasar modal, investasi, dan diversifikasi portofolio.

Selain itu, hasil penelitian ini juga dapat digunakan sebagai suatu

gambaran dan informasi bagi para civitas akademika yang ingin

melakukan penelitian selanjutnya di masa depan.

b. Bagi Investor

Hasil penelitian ini dapat dipakai dalam mempertimbangkan

strategi investasi yang efektif untuk melakukan diversifikasi portofolionya

di bursa saham syariah dan konvensional, baik di dalam negeri maupun di

mancanegara. Selain itu, hasil penelitian ini juga dapat membantu mereka

meramalkan pergerakan dalam bursa saham syariah dan konvensional

sehingga sangat penting dibutuhkan pemahaman menyeluruh tentang

hubungan antara bursa saham.

c. Bagi Pemerintah

Hasil studi ini dapat dipergunakan sebagai bahan referensi bagi

pemerintah dalam menentukan suatu kebijakan strategis untuk

menghadapi permasalahan di bursa saham syariah maupun konvensional.

Selain itu, hasil penelitian ini juga berguna sebagai fakta empiris yang

berfungsi sebagai petunjuk dan pengingat untuk selalu mengkaji

efektivitas setiap kebijakan yang dilaksanakan.

13

BAB II

TINJAUAN PUSTAKA

A. Landasan Teori

1. Pasar Modal dan Pasar Modal Syariah

a. Pengertian Pasar Modal dan Pasar Modal Syariah

Dalam konteks ekonomi, sebagian kelompok masyarakat kerap

memiliki tingkat pendapatan yang tinggi. Pendapatan tersebut tidak

sepenuhnya digunakan untuk aktivitas konsumsi. Bahkan, dalam level

tertentu, ketika masyarakat memiliki pendapatan yang sangat tinggi,

kecenderungan untuk menggunakan pendapatannya untuk konsumsi semakin

menurun. Kelebihan pendapatan tersebut dialokasikan untuk ditabung atau

diinvestasikan pada berbagai portofolio investasi. Dalam kondisi tertentu,

terutama ketika perusahaan akan melakukan ekspansi atau menambah skala

produksi atau juga mengembangkan bisnisnya menjadi lebih besar, kerap

membutuhkkan dana tambahan untuk modal kerja. Kebutuhan perusahaan

terhadap dana untuk mengembangkan investasi bisnisnya akan mengantarkan

perusahaan di pasar keuangan dan pasar modal.

Secara etimologis, untuk istilah pasar digunakan kata bursa, exchange,

dan market. Adapun untuk istilah modal sering digunakan kata efek,

securities, dan stock. Menurut UU No. 8 Tahun 1995 tentang Pasar Modal,

yang dimaksud dengan pasar modal adalah kegiatan yang berkaitan dengan

penawaran umum dan perdagangan efek, perusahaan publik yang berkaitan

14

dengan efek yang diterbitkannya serta lembaga dan profesi yang berkaitan

dengan efek. Adapun yang dimaksud dengan efek adalah surat berharga, yaitu

surat pengakuan utang, surat berharga komersial, saham, obligasi, tanda bukti

utang, unit penyertaan kontrak investasi kolektif, kontrak berjangka atas efek,

dan setiap derivatif dari efek. Dalam perkembangannya, pasar modal dikenal

dengan nama bursa efek. Bursa efek menurut UU No. 8 Tahun 1995 (pasal 1

ayat 4) tentang Pasar Modal adalah pihak yang menyelenggarakan dan

menyediakan sistem dan/atau sarana untuk mempertemukan penawaran jual

dan beli efek pihak-pihak lain dengan tujuan memperdagangkan efek di antara

mereka. (M. Nur Rianto Al Arif, 2012:344).

Berdasarkan definisi pasar modal diatas, pasar modal syariah dapat

diartikan sebagai kegiatan dalam pasar modal sebagaimana yang diatur dalam

UUPM (Undang Undang Pasar Modal) yang tidak bertentangan dengan

prinsip syariah. (www.bapepam.go.id). Pengertian pasar modal syariah

lainnya menurut Adrian Sutedi (2011:29), pasar modal syariah adalah pasar

modal yang dijalankan dengan prinsip-prinsip syariah, setiap transaksi surat

berharga di pasar modal dilaksanakan sesuai dengan ketentuan syari’at Islam.

Adapun menurut M. Nur Rianto Al Arif (2012:345), pasar modal syariah

secara sederhana dapat diartikan sebagai pasar modal yang menerapkan

prinsip-prinsip syariah dalam kegiatan transaksi ekonomi dan terlepas dari

hal-hal yang dilarang oleh syariat, seperti unsur riba, perjudian, bersifat

spekulasi, dan lain-lain.

15

Perbedaan yang fundamental antara pasar modal konvensional dengan

pasar modal syariah adalah pasar modal syariah tidak mengenal kegiatan

perdagangan semacam short selling, beli atau jual dalam waktu yang amat

singkat untuk mendapatkan keuntungan antara selisih jual dan beli. Pemegang

saham syariah merupakan pemegang saham untuk jangka relatif panjang. Pola

pemilikkan saham yang demikian membawa dampak positif, yaitu perusahaan

tentunya akan mendapatkan pemegang saham yang jelas lebih menaruh

perhatian dan mempunyai rasa memiliki, ini akan menjadi kontrol yang

efektif. Perusahaan dan pemegang saham merupakan mitra yang saling

menghargai dan mengingatkan sehingga komunikasi kedua belah pihak akan

bertemu pada upaya mencapai kebaikan bagi kedua belah pihak. Karakteristik

pemilikan saham syariah yang hanya mengutamakan pencapaian keuntungan

yang akan dibagi atau kerugian yang akan ditanggung bersama (profit-loss

sharing), tidak akan menciptakan fluktuasi kegiatan perdagangan yang tajam

dan bersifat spekulasi. (M. Irsan Nasarudin, dkk, 2008:18).

b. Instrumen Pasar Modal dan Pasar Modal Syariah

Pasar modal memperdagangkan efek dalam wujud instrumen modal

dan utang serta instrumen derivatif seperti surat pengganti atau bukti

sementara dari efek, bukti keuntungan dan surat-surat jaminan, hak-hak untuk

memesan atau membeli saham atau obligasi, warrant dan option. Secara

umum instrumen di pasar modal dapat dibedakan atas beberapa kategori yaitu

(M. Irsan Nasarudin, dkk, 2008:182):

16

1) Instrumen Utang (Obligasi)

Obligasi adalah bukti pengakuan berutang dari perusahaan.

Obligasi dapat dibedakan dalam beberapa jenis, bergantung pada

sudut di mana kita melihatnya apakah dari sudut pengalihan, jangka

waktu, atau jaminan atas obligasi dan bunga yang dibayarkan.

2) Instrumen Penyertaan (Saham)

Instrumen penyertaan atau saham merupakan instrumen yang

lebih populer di masyarakat. Saham merupakan instrumen penyertaan

modal seseorang atau lembaga dalam suatu perusahaan. Saham ini

dikeluarkan dalam rangka pendirian perusahaan, pemenuhan modal

dasar, atau peningkatan modal dasar.

3) Instrumen Efek Derivatif

Efek-efek derivatif yang terdapat di pasar modal antara lain

right, warrant, option, dan lain sebagainya. Menurut UUPM (Undang

Undang Pasar Modal), right adalah penerbitan surat hak kepada

pemegang saham lama perusahaan publik untuk membeli saham baru

yang hendak diterbitkan. Option adalah hak kontraktual tetapi bukan

merupakan kewajiban yang diberikan kepada pemilik hak untuk

menjual atau membeli sejumlah tertentu saham dengan harga tertentu

pada suatu waktu tertentu. Warrant dalam UUPM pasal 1 ayat 5

adalah efek yang diterbitkan oleh suatu perusahaan yang memberi hak

kepada pemegang efek untuk memesan saham dari perusahaan

17

tersebut pada harga setelah 6 (enam) bulan atau lebih sejak efek

dimaksud diterbitkan.

Tidak berbeda jauh dengan efek-efek yang ada di pasar modal

konvensional, menurut Ahmad Rodoni (2009:67) efek-efek yang boleh

diperdagangkan dalam pasar modal syariah yang hanya memenuhi kriteria

syariah, seperti saham syariah, obligasi syariah, dan reksadana syariah. Untuk

menghasilkan instrumen yang benar-benar sesuai dengan syariah, telah

dilakukan upaya-upaya untuk rekontruksi terhadap suarat berharga

diantaranya:

Penghapusan bunga tetap dan mengalihknannya ke surat investasi yang

ikut serta dalam keuntungan dan dalam kerugian serta tunduk pada kaidah

Al-ghunmu bi al-ghurn (keuntungan atau penghasilan berimbang dengan

kerugian yang ditanggung).

Penghapusan syarat jaminan atas kembalinya harga obligasi dan bunga

sehingga menjadi seperti saham biasa.

Pengalihan obligasi ke saham biasa.

Berdasarkan kaidah tersebut, maka diterbitkanlah instrumen pasar modal

syariah dengan prinsip-prinsip berikut:

1) Muqaradah / Mudharabah Funds

Adalah dana yang berbentuk saham yang memberikan

kesempatan kepada investor untuk bersama-sama dalam pembiayaan

18

atau investasi dengan perjanjian bagi hasil dan bagi resiko (profit and

loss sharing).

2) Muraqadhah / Mudharabah Bonds

Salah satu bentuk obligasi yang sesuai dengan ketentuan

syariah adalah obligasi berdasarkan prinsip mudharabah. Jenis

obligasi ini dikeluarkan oleh perusahaan untuk tujuan pembiayaan

proyek-proyek tertentu atau proyek yang terpisah dari kegiatan

perusahaan yang bersifat jangka panjang. Keuntugan dari proyek akan

didistribusikan secara periodik didasarkan pada presentase rasio laba-

rugi yang telah disepakati oleh kedua belah pihak.

2. Diversifikasi Internasional

a. Pengertian Diversifikasi Internasional

Konsep diversifikasi berawal dari disertasi Harry Markowitz pada

tahun 1952 yang memuat tentang teori portofolio. Portofolio adalah kumpulan

investasi yang dimiliki oleh institusi atau perorangan yang bertujuan untuk

mengoptimalkan return dan meminimalkan risiko. Teori portofolio yang

dikembangkan oleh Markowitz menyajikan pengukuran risiko yang tepat bagi

investor, menunjukkan bagaimana memilih salah satu alternatif untuk

diversifikasi dan mengurangi risiko portofolio. (Endah Tri Utami, 2010:44).

Diversifikasi dapat bermakna bahwa investor perlu membentuk portofolio

melalui pemilihan kombinasi sejumlah asset sedemikian rupa hingga risiko

dapat diminimalkan tanpa mengurangi return harapan. (Tandelilin, 2010:115).

19

Seiring dengan perkembangan pasar modal di beberapa negara

berkembang, kesempatan investor menginvestasikan dananya pada berbagai

negara menjadi semakin terbuka. Fenomena seperti ini akan mendorong

berkembangnya pola investasi secara internasional atau dikenal pula dengan

istilah diversifikasi internasional. Dengan melakukan diversifikasi

internasional, investor bisa berharap memperoleh kombinasi risiko dan return

diharapkan yang lebih baik. Artinya, dengan menginvestasikan dananya secara

internasional berarti investor telah mendiversifikasikan dananya tidak saja

pada aset yang berbeda-beda, tapi juga pada berbagai negara yang berbeda.

b. Strategi Investasi Internasional

Dalam melakukan investasi internasional diperlukan beberapa strategi.

Menurut Tandelilin (2010), strategi investasi internasional terbagi menjadi

dua, yaitu:

1) Strategi Pasif

Manajer investasi yang melakukan strategi pasif akan berusaha

untuk mereproduksi atau mereplikasi kinerja indeks pasar ke dalam kinerja

portofolio aset yang dikelolanya. Strategi ini juga sering diistilahkan

sebagai strategi indexing. Tujuan dari strategi ini adalah untuk

memperoleh return portofolio sebesar return indeks pasar, dengan

menekan seminimal mungkin risiko dan biaya investasi yang harus

dikeluarkan.

20

2) Strategi Aktif

Manajer investasi secara aktif mencari informasi dan melakukan

peramalan-peramalan terhadap perilaku pasar ataupun nilai tukar

berdasarkan informasi yang diperoleh. Strategi aktif menuntut kemampuan

ekstra dari manajer untuk melakukan peramalan pasar ataupun nilai tukar

mata uang yang dalam kenyataannya sangat sulit dilakukan serta

membutuhkan biaya yang tidak kecil. Keputusan investasi yang terjadi

dalam strategi aktif bisa digolongkan ke dalam tiga tingkatan keputusan

investasi antara lain:

Keputusan alokasi aset

Keputusan investasi ini berkaitan dengan pemilihan pasar dan mata

uang yang apa diinginkan sebagai pilihan investasi. Manajer akan

menentukan besarnya proporsi dana yang akan ditanamkan pada masing-

masing pasar dan mata uang yang telah dipilih.

Seleksi sekuritas

Manajer investasi akan menentukan sekuritas-sekuritas apa saja yang

dipilih dari pasar yang telah ditentukan dalam keputusan alokasi aset.

Dalam tingkat keputusan ini, manajer investasi akan menentukan

sekuritas-sekuritas apa saja yang akan dipilih dari pasar yang telah

ditentukan dalam keputusan alokasi aset. Hal ini dilakukan untuk

mengoptimalkan return yang diperoleh dari suatu pasar.

21

Market timing

Keputusan ini merupakan taktik perdagangan (trading tactic) yang

bersifat jangka pendek. Dalam tingkat keputusan ini, manajer investasi

secara aktif mengamati pergerakan harga dan nilai tukar di pasar, dan

mengambil tindakan (trading) untuk memperoleh keuntungan dari

pergerakan tersebut.

3. Tingkat Pengembalian (Rate of Return)

Dalam konteks manajemen investasi, tingkat pengembalian (return)

merupakan imbalan yang diperoleh dari investasi. Pengembalian ini dibedakan

menjadi dua, yaitu pengembalian yang telah terjadi (actual return) yang

dihitung berdasarkan data historis dan pengembalian yang diharapkan

(expected return) akan diperoleh investor di masa depan. Komponen

pengembalian meliputi (Abdul Halim, 2005:34):

a. Untung/rugi modal (capital gain/loss) merupakan keuntungan

(kerugian) bagi investor yang diperoleh dari kelebihan harga jual

(harga beli) di atas harga beli (harga jual) yang keduanya terjadi di

pasar sekunder.

b. Imbal hasil (yield) merupakan pendapatan atau aliran kas yang

diterima investor secara periodik, misalnya berupa dividen atau bunga.

Yield dinyatakan dalam presentase dari modal yang ditanamkan.

Menurut Alteza (2010:28), investor dalam menghitung nilai actual

return yang diperoleh, dapat menggunakan persamaan total pengembalian

22

yang merupakan penjumlahan dari capital gain/loss dan yield. Nilai yield

untuk suatu saham dapat diperoleh dari besaran dividen yang diberikan

perusahaan kepada para pemegang saham. Sementara itu, untuk capital

gain/loss diperoleh dari return saham pada saat investor melakukan transaksi

jual beli saham.

4. Indeks Harga Saham

a. Pengertian Indeks Harga Saham

Kebutuhan suatu investor memilih investasi dalam suatu saham,

memerlukan data historis terhadap pergerakan saham dibursa. Didalam

transaksi pada bursa terjadi pada setiap saat hingga pergerakan harga pun

terjadi dalam tiap waktu. Dari ribuan kejadian dan fakta historis yang terjadi

dibursa harus dapat disajikan dengan sistem tertentu hingga menghasilkan

suatu informasi yang sederhana. Dengan informasi yang sederhana, investor

dapat menafsirkan informasi tersebut hingga dapat mengambil keputusan

investasi terhadap saham. Bentuk informasi yang dipandang sangat tepat

untuk menggambarkan pergerakan harga saham dimasa lalu adalah suatu

indeks harga saham yang memberikan deskripsi harga-harga saham pada suatu

saat tertentu maupun dalam periode tertentu pula (Sunariyah 2006:136).

Menurut Warsini (2009:53), indeks harga saham dapat dikatakan

sebagai indikator harga dari seluruh saham yang tercatat di Bursa efek. Indeks

ini biasanya merefleksikan kondisi pasar modal dan kondisi perekonomian

23

sebuah negara secara umum. Reilly dan Brown (2002) mengemukakan indeks

harga saham dapat digunakan untuk tujuan sebagai berikut:

1) Sebagai acuan untuk mengevaluasi kinerja manajer keuangan

profesional

2) Menciptakan dan memantau indeks dana

3) Menghitung rata-rata pengembalian pasar dalam studi ekonomi

4) Meramal pergerakan pasar di masa depan

5) Sebagai pelindung portofolio pasar atas aset berisiko ketika

menghitung risiko sistematis dari suatu asset.

Faktor-faktor yang mempengaruhi pergerakan indeks harga saham

menurut Pandana Pasaribu, dkk (2008:2) yaitu faktor domestik, faktor asing,

dan faktor aliran modal ke Indonesia. Faktor domestik yang dapat

berpengaruh terhadap indeks saham berupa faktor-faktor fundamental suatu

negara seperti inflasi, pendapatan nasional, jumlah uang yang beredar, suku

bunga, maupun nilai tukar Rupiah. Berbagai faktor fundamental tersebut

dianggap dapat berpengaruh pada ekspektasi investor yang akhirnya

berpengaruh pada pergerakan indeks. Faktor asing merupakan salah satu

implikasi dari bentuk globalisasi dan semakin terintegrasinya pasar modal

diseluruh dunia. Kondisi ini memungkinkan timbulnya pengaruh dari bursa-

bursa maju terhadap bursa yang sedang berkembang.

b. Pergerakkan Indeks Saham

Indeks saham dibentuk dengan tujuan untuk menggambarkan

pergerakan seluruh saham di satu bursa tertentu. Untuk mencapai tujuan itu,

24

sampel yang diambil harus representatif, meskipun tidak harus besar. Di

beberapa bursa saham yang jumlah emitennya tercatat belum banyak, indeks

dihitung dari seluruh saham seperti di bursa Taiwan, Korea, Denmark, dan

Indonesia (IHSG).

Di sebagian besar bursa saham lainnya, indeks agregat sahamnya tidak

mengambil seluruh populasi, tetapi menggunakan sampel yang representatif.

Jika sampel representatif (indeks LQ 45 dan indeks 100 saham) itu telah

terpilih, selanjutnya menentukan berapa bobot masing-msaing saham di dalam

sampel atau populasi untuk digunakan menghitung indeks.

Menurut Budi Frensidy (2008:8) ada empat cara pembobotan yang

bisa digunakan, yaitu berdasarkan harga, nilai kapitalisasi, saham yang

beredar di publik (free float), dan tidak tertimbang.

1) Berdasarkan Harga

Indeks saham berdasarkan harga yang paling popular adalah Dow

Jones Indutrial Average (DJIA). DJIA sebagai indeks pertama yang

berdasarkan harga merupakan harga rata-rata dari 30 saham industri besar

dan terkenal, umumnya adalah pemimpin dalam industrinya. Istilah

lainnya untuk 30 saham itu adalah blue chips. Selain DJIA, indeks saham

lain yang berdasarkan harga adalah Nikkei 225 dari bursa saham Tokyo.

Penghitungan indeks ini menyebabkan saham yang berharga tinggi

mempunyai pengaruh besar.

25

2) Berdasarkan Nilai

Berbeda dengan indeks berdasarkan harga, indeks berdasarkan

nilai memberikan bobot yang lebih besar pada saham yang berkapitalisasi

pasar bebas dan bukan pada saham berharga tinggi. Yang dimaksud

dengan kapitalisasi pasar suatu saham adalah jumlah saham tercatat

dikalikan dengan harga pasarnya.

Indeks saham berdasarkan nilai adalah yang paling banyak

digunakan, jauh melebihi penggunaan indeks lainnya. Indeks ini

digunakan di Bursa Efek Indonesia (BEI) untuk menghitung Indeks Harga

Saham gabungan (IHSG), Indeks LQ 45, Jakarta Islamic Index (JII), dan

sekitar 10 indeks sektoral di BEI. Indeks beradasarkan kapitalisasi pasar

ini juga digunakan untuk indeks S&P 500, NYSE, NASDAQ, dan Hang

Seng.

Keunggulan indeks berdasarkan nilai adalah perubahan indeks ini

mencerminkan perubahan nilai kapitalisasi pasar jika mencakup seluruh

saham di suatu bursa seperti IHSG di BEI. Jika IHSG naik, maka

kapitalisasi pasar saham di BEI naik. Penghitungan indeks berdasarkan

nilai menyebabkan saham yang mempunyai kapitalisasi besar lebih

menentukan pergerakan indeks dibandingkan dengan saham

berkapitalisasi kecil.

Rumus Perhitungan:

26

Dimana:

Indekst = Indeks pada periode t

MCt = Nilai kapitalisasi pasar pada periode t

Nit = Jumlah saham yang tercatat untuk perusahaan tercatat i pada

periode t

Pit = Harga penutupan di pasar sekunder untuk perusahaan tercatat i

pada periode t

MC0 = Nilai dasar

t = 0 adalah hari dasar

3) Indeks Tak Tertimbang

Metode yang relatif jarang digunakan adalah indeks tak tertimbang

atau indeks yang memberikan bobot sama kepada semua saham tanpa

melihat harga atau kapitalisasi pasar saham itu. Saham berharga Rp 50

sama pentingnya dengan saham berharga Rp 200. Saham berkapitalisasi

pasar besar juga berbobot sama dengan saham berkapitalisasi kecil. Indeks

tak tertimbang digunakan untuk indeks bursa Singapura, Milan, dan Value

Line.

4) Saham Beredar

Indeks yang berdasarkan saham yang beredar di publik berusaha

untuk mengoreksi indeks berdasarkan nilai. Jika indeks berdasarkan nilai

menggunakan seluruh saham tercatat sebagai dasar pembobotan, indeks ini

hanya menggunakan jumlah saham yang beredar atau jumlah saham yang

27

tersedia di pasar (a free float market capitalization) untuk menghitung

nilai kapitalisasi. Penggunaan indeks ini menyebabkan saham yang

mempunyai saham beredar dengan kapitalisasi terbesar yang paling

menentukan pergerakan indeks.

Kriteria saham yang tersedia di pasar berbeda-beda di antara

negara yang telah menerapkan penyesuaian atas saham jenis ini dalam

perhitungan indeks maupun kapitalisasi pasar di bursa negara tersebut.

Walaupun demikian pada umumnya, jenis saham yang tidak termasuk

dalam kategori saham yang tersedia untuk diperjualbelikan pada umumnya

terdiri dari: (1) saham yang dikuasai oleh pendiri; (2) saham yang dikuasai

oleh orang dalam perusahaan (direksi dan manajemen termasuk serikat

pekerja); (3) saham yang dikuasai oleh pemerintah; (4) saham yang

dikuasai oleh pihak yang memiliki tujuan untuk mengendalikan

perusahaan; (5) saham yang dikuasai oleh perusahaan induknya; (6) saham

yang dikuasai oleh perusahaan lain atau pribadi yang memiliki hubungan

strategis; dan (7) saham yang telah dikunci (locked in) oleh perusahaan

yang bersangkutan. (Andriansyah dkk, 2007).

5. Indeks Saham Syariah

Dalam konteks ekonomi Islam, pada pola investasi syariah, equity

fund dan indeks saham syariah justru pertama kali diluncurkan di negara yang

selama ini sangat alergi terhadap Islam, yaitu Amerika Serikat. Equity fund

pertama kali dikenalkan kepada masyarakat pada tahun 1986 oleh The North

28

America Trust. Sementara Dow Jones Index memperkenalkan indeks syariah

pada pada 8 Februari 1999 di Bahrain dengan membentuk Dow Jones Islamic

Market Index (DJIMI). Dow Jones Islamic Market Index (DJIMI) adalah

indeks ekuitas patokan Islam pertama yang didirikan untuk investor yang

ingin tetap setia pada prinsip-prinsip agama. Pencentus dan perintis ide

tersebut adalah A. Rushdi Siddiqui, yang sebelumnya bekerja sebagai analis

saham di sebuah perusahaan investment bank di Wall Street. Beliau menelaah

apakah usaha para emiten sesuai dengan ajaran Islam atau tidak dan akhirnya,

berhasil menemukan 1.708 emiten yang berasal dari 34 negara di dunia.

(Ahmad Rodoni, 2009:71)

DJIMI adalah bagian dari kelompok indeks-indeks global Dow Jones

(DJGI) yang terdiri dari 2700 saham dari 64 indeks negara yang di sesuai

dengan prinsip syariah. DJIMI mencakup 10 sektor ekonomi, 19 sektor pasar,

41 grup industri dan 114 sub grup. Sharia Suvervisory Board (SSB) dari Dow

Jones Islamic Market Index (DJIM) melakukan filterisasi terhadap saham-

saham halal berdasarkan aktivitas bisnis dan rasio finansialnya. SSB secara

lebih spesifik langsung mengeluarkan perusahaan yang memiliki usaha dalam

bidang-bidang berikut (M. Syafiq Hanafi, 2011:1412-1413):

a. Alkohol

b. Minuman keras dan produk turunannya

c. Jasa Keuangan Konvensional

d. Industri Hiburan

e. Tembakau

29

f. Senjata dan alat pertahanan

Untuk menjaga integritas dari investasi, Dewan Pengawas Syariah

yang terdiri dari ulama Islam terkemuka mengawasi dan meninjau ulang

komponen tersebut. Langkah ini dilakukan untuk melisting perusahaan yang

melanggar prinsip syariah. Hakim dan Rashidian (2004) dalam Daud, et. al

(2006:12) juga mencatat bahwa sebagai tambahan, hanya perusahaan efek

yang likuid diperdagangkan. Dengan demikian, perusahaan yang memiliki

tingkat utang yang tinggi dan pendapatan bunga yang tinggi tidak dapat masuk

dalam indeks ini. DJIM melakukan beberapa langkah untuk mengecualikan

perusahaan yang dianggap memiliki potensi risiko yang tinggi (Albaity dan

Ahmad, 2011):

a. Perusahaan dengan rasio utang lebih besar dari atau sama dengan

33%.

b. Perusahaan dengan jumlah bearing kas dan bunga dibagi dengan

trailing 12 bulan kapitalisasi pasar rata-rata adalah lebih besar dari

atau sama dengan 33%.

c. Perusahaan yang memiliki piutang dibagi dengan aset total lebih

besar dari atau sama dengan 45%.

Sementara itu, investor-investor di Kuala Lumpur Stock Exchange

akan mengalami suatu pembaharuan pada indeks syariah di negeri Jiran ini

yang diluncurkan pertama kali oleh Kuala Lumpur Stock Exchange pada

tahun 1999, yaitu Kuala Lumpur Syariah Index (KLSI). Indeks syariah

tersebut berfungsi untuk melihat kinerja saham-saham syariah yang tercatat

30

pada papan utama. Kemudian, pada tanggal 22 Januari 2007, bursa Malaysia

melakukan kerjasama dengan FTSE Group dan menghasilkan indeks syariah

baru yang dikenal dengan FTSE Bursa Malaysia EMAS Shariah Index

(FBMS). Dengan diperkenalkannya FBMS, KLSI secara resmi dinonaktifkan

pada tanggal 1 November 2007 dan diganti dengan FBMS setelah selama

sembilan bulan sama-sama diaktifkan sejajar dengan FBMS. Saat ini, FBMS

menjadi satu-satunya benchmark saham syariah di Malaysia (Bursa Malaysia).

FBMS terdiri dari perusahaan-perusahaan yang memenuhi kriteria syariah

yang telah ditetapkan oleh Shariah Advisory Council (SAC) per semester.

(The Report Malaysia 2007).

Berdasarkan yang dilansir dari www.sc.com, saham yang sesuai

dengan prinsip syariah di bursa Malaysia sampai Juni 2013 telah tercatat

sebanyak 800 saham, yakni kurang lebih 90% dari 910 saham yang tercatat di

bursa Malaysia. Di Malaysia, penentuan saham syariah terdiri dari dua lapisan

berbeda. Lapisan pertama, yaitu saham yang dikategorikan saham syariah

karena aktivitasnya murni sesuai prinsip syariah. Sementara lapisan kedua

adalah saham-saham yang aktivitasnya sesuai prinsip syariah namun ada

aktivitas lainnya yang tidak sesuai syariah. Dalam arti yang lain, aktivitas

saham tersebut bercampur antara yang syariah dan tidak syariah. Untuk

lapisan yang kedua ini, SAC menetapkan kriteria tambahan agar saham

tersebut bisa dikategorikan saham syariah.

Di pasar modal Indonesia, PT Bursa Efek Indonesia (BEI) bersama

dengan PT Danareksa Investment Management (DIM) meluncurkan indeks

31

saham yang dibuat berdasarkan syariah Islam yaitu Jakarta Islamic Index

(JII). Saham-saham dalam JII terdiri dari 30 saham yang dipilih dari saham-

saham yang sesuai dengan syariah Islam, yang dievaluasi setiap 6 bulan.

Penentuan komponen indeks setiap bulan Januari dan Juli, sedangkan

perubahan pada jenis usaha emiten akan dimonitoring secara terus-menerus

berdasarkan data-data publik yang tersedia.

Jakarta Islamic Index (JII) mensyaratkan saham dengan jenis usaha

utama yang tidak bertentangan dengan prinsip syariah dan sudah tercatat lebih

dari 3 bulan kecuali termasuk dalam 10 kapitalisasi besar. Pemilihan saham

berdasarkan laporan keuangan tahunan atau tengah tahun berakhir yang

memiliki rasio kewajiban terhadap aktiva maksimal sebesar 90%. Selanjutnya

60 saham dari susunan saham di atas berdasarkan rata-rata urutan kapitalisasi

pasar terbesar selama satu tahun terakhir. JII juga memiliki 30 saham dengan

urutan berdasarkan tingkat likuiditas rata-rata nilai perdagangan regular

selama satu tahun terakhir. (Rodoni dan Hamid, 2008).

Dari 30 emiten yang ada dalam daftar saham JII, terdapat 1 sektor

yang sahamnya tidak ada dalam daftar saham JII yaitu sektor bank. Sementara

saham JII terdapat dalam 8 sektor yaitu sektor pertanian; sektor pertambangan;

sektor industri dasar dan kimia; sektor aneka industri; sektor industri barang

konsumsi; sektor properti dan real estate; sektor infrastruktur, utilitas, dan

transportasi; serta sektor perdagangan, jasa, dan investasi. Adapun daftar

saham JII yang telah diterbitkan BEI adalah sebagai berikut

32

Tabel 2.1. Daftar Saham JII Periode Desember 2013 s.d. Mei 2014

No. Kode Nama Emiten

1 AALI Astra Agro Lestari Tbk

2 ADRO Adaro Energy Tbk

3 AKRA AKR Corporindo Tbk

4 ASII Astra International Tbk

5 ASRI Alam Sutera Realty Tbk

6 BMTR Global Mediacom Tbk

7 BSDE Bumi Serpong Damai Tbk

8 CPIN Charoen Pokphand Indonesia Tbk

9 EXCL Excelcomindo Pratama Tbk

10 HRUM Harum Energy Tbk

11 ICBP Indofood CBP Sukses Makmur Tbk

12 INDF Indofood Sukses Makmur Tbk

13 INTP Indocement Tunggal Prakasa Tbk

14 ITMG Indo Tambangraya Megah Tbk

15 JSMR Jasa Marga (Persero) Tbk

16 KLBF Kalbe Farma Tbk

17 LPKR Lippo Karawaci Tbk

18 LSIP

Perusahaan Perkebunan London Sumatera Indonesia

Tbk

19 MAPI Mitra Adiperkasa Tbk

20 MNCN Media Nusantara Citra Tbk

21 MPPA Matahari Putra Prima Tbk

22 PGAS Perusahaan Gas Negara Tbk

23 PTBA Bukit Asam (Persero) Tbk

24 PWON Pakuwon Jati Tbk

25 SMGR Semen Indonesia (Persero) Tbk

http://www.britama.com/index.php/2012/05/sejarah-dan-profil-singkat-adro/

http://www.britama.com/index.php/2012/05/sejarah-dan-profil-singkat-akra/

http://www.britama.com/index.php/2012/05/sejarah-dan-profil-singkat-asii/

http://www.britama.com/index.php/2012/05/sejarah-dan-profil-singkat-asri/

http://www.britama.com/index.php/2012/10/sejarah-dan-profil-singkat-bmtr/

http://www.britama.com/index.php/2012/10/sejarah-dan-profil-singkat-bsde/

http://www.britama.com/index.php/2012/10/sejarah-dan-profil-singkat-cpin/

http://www.britama.com/index.php/2012/11/sejarah-dan-profil-singkat-excl/

http://www.britama.com/index.php/2012/10/sejarah-dan-profil-singkat-hrum/

http://www.britama.com/index.php/2012/10/sejarah-dan-profil-singkat-icbp/

http://www.britama.com/index.php/2012/11/sejarah-dan-profil-singkat-indf/

http://www.britama.com/index.php/2012/11/sejarah-dan-profil-singkat-intp/

http://www.britama.com/index.php/2012/11/sejarah-dan-profil-singkat-itmg/

http://www.britama.com/index.php/2012/11/sejarah-dan-profil-singkat-jsmr/

http://www.britama.com/index.php/2012/11/sejarah-dan-profil-singkat-klbf/

http://www.britama.com/index.php/2012/11/sejarah-dan-profil-singkat-lpkr/

http://www.britama.com/index.php/2012/11/sejarah-dan-profil-singkat-lsip/

http://www.britama.com/index.php/2012/11/sejarah-dan-profil-singkat-mapi/

http://www.britama.com/index.php/2012/12/sejarah-dan-profil-singkat-mncn/

http://www.britama.com/index.php/2012/12/sejarah-dan-profil-singkat-mppa/

http://www.britama.com/index.php/2012/12/sejarah-dan-profil-singkat-pgas/

http://www.britama.com/index.php/2012/12/sejarah-dan-profil-singkat-ptba/

http://www.britama.com/index.php/2012/12/sejarah-dan-profil-singkat-pwon/

http://www.britama.com/index.php/2012/12/sejarah-dan-profil-singkat-smgr/

33

26 SMRA Summarecon Agung Tbk

27 TLKM Telekomunikasi Indonesia Tbk

28 UNTR United Tractors Tbk

29 UNVR Unilever Indonesia Tbk

30 WIKA Wijaya Karya (Persero) Tbk

Sumber: Bursa Efek Indonesia

6. Contagion Effect Theory (Domino Effect)

Contagion atau efek menular adalah suatu fenomena ketika krisis

keuangan yang terjadi pada suatu negara akan memicu krisis keuangan atau

ekonomi pada negara lain. Contagion theory menyebutkan bahwa tidak ada

satu negarapun dalam suatu kawasan dapat mengelak dari efek menular.

(Nuning Trihadmini, 2011:48).

Konsep contagion sendiri beragam dari satu penulis ke penulis lainnya.

Menurut Masson (1999) dalam Monica Weni Pratiwi, dkk (2012:87) suatu

krisis dipandang sebagai cotatgious (menular) jika ia menyebar dari negara

asal krisis ke negara lainnya, dengan mengubah kondisi sifat fundamental

negara tersebut, dengan kata lain penularan krisis bisa disebut sebagai

perubahan kesetabilan yang terjadi di bawah beberapa kondisi fundamental

perekonomian.

Ito (2002) dalam Monica Weni Pratiwi, dkk (2012:87) menggunakan

pendekatan baru yaitu contagion berkecepatan tinggi didefinisikan sebagai

effect spell offer dari “degound zero” (titik nol) ke negara lainnya dalam hal

penurunan harga saham dalam beberapa hari terakhir. Konsep ground zero

http://www.britama.com/index.php/2012/07/sejarah-dan-profil-singkat-smra/

http://www.britama.com/index.php/2012/06/sejarah-dan-profil-singkat-tlkm/

http://www.britama.com/index.php/2012/06/sejarah-dan-profil-singkat-untr/

http://www.britama.com/index.php/2012/06/sejarah-dan-profil-singkat-unvr/

http://www.britama.com/index.php/2012/06/sejarah-dan-profil-singkat-wika/

34

merupakan negara asal yang mana para investor merespons secara serius revisi

portofolio mereka, dan arah dari negara asal ke negara lainnya

menggambarkan saluran penyebaran krisis yang dijadikan sebagai sandaran

oleh para investor untuk mempredeksi penurunan harga saham di masa

mendatang (jatuhnya harga saham). Ketika pasar finansial berada dalam

keadaan krisis para investor cenderung untuk menarik modal mereka dari

negara-negara sekitarnya di wilayah tersebut, sebagai antisipasi terhadap

munculnya devaluasi di masa mendatang. Akan tetapi jatuhnya nilai mata

uang atau harga saham lebih cenderung menjadi faktor utama krisis di negara

asal. Oleh karena itu, selama masa memuncaknya krisis di wilayah tersebut

penurunan terbesar pasar finansial bisa menyebar langsung dari ground zero

ke negara tetangga lainnya berdasarkan pada perilaku investor dalam

meminimalkan kerugian.

Persepsi dari para investor ini pada akhirnya akan mempengaruhi dana

investasi yang masuk ke negara tersebut sehingga mempengaruhi keadaan

perekonomian negara yang bersangkutan. Hal tersebut bukan hanya terjadi di

Amerika Serikat, namun juga melanda Eropa dan Asia, termasuk Indonesia.

Krisis Amerika Serikat yang dampaknya meluas pada negara-negara lainnya,

menunjukan globalisasi yang pada akhirnya membuat penyatuan ekonomi

semua negara, dan mengakibatkan suatu negara akan mengalami interpedensi,

antara negara yang satu dengan negara yang lainnya. Dengan runtuhnya

perekonomian dunia mengakibatkan stabilitas ekonomi global memburuk,

yakni semakin meluasnya berbagai krisis ke berbagai negara. Hal tersebut

35

dikarenakan adanya efek penularan sehingga banyak investor yang menarik

kembali investasinya karena tidak ingin merugi sehingga akhirnya menjadi

bagian dari proses terciptanya integrasi pasar modal. (Yulein Rahamis,

2014:89).

7. Integrasi Pasar Modal

Integrasi berarti penggabungan atau fusi menurut bisnis ensiklopedia,

ekonomi, dan manajemen (1992: 256) dalam Puryati dan Marlina (2013).

Integrasi ekonomi adalah retraksi (penghapusan) hambatan ekonomi antara

dua atau lebih negara (negara-negara). Sementara itu, integrasi pasar adalah

suatu kondisi di mana harga saham di berbagai pasar modal di dunia memiliki

hubungan yang sangat dekat (berkorelasi erat) antara masing-masing pasar

modal di dunia sehingga pasar modal di dunia bisa mencapai harga

internasional saham mereka dan memberikan akses terbatas atau hambatan

apapun untuk investor di seluruh dunia untuk memilikinya. Dari definisi

tersebut, dapat disimpulkan bahwa di pasar yang terintegrasi sepenuhnya akan

menciptakan pasar modal dunia yang terkait erat satu sama lain dan

berhubungan erat. Ini berarti bahwa fluktuasi harga saham memiliki kesamaan

(gerakan yang sama) di setiap bursa efek, dan terjadi secara bersamaan

mengakibatkan risiko dan kembali dalam sama besarnya dalam semua pasar

modal dunia. Hal ini memberikan dampak pada kebebasan investor untuk

berinvestasi di pasar modal.

36

Berdasarkan jurnal ekonomi yang ditulis oleh Barli Suryanta (2011),

integrasi pasar modal memberikan kesempatan kepada diversifikasi yang lebih

baik seiring investor beralih ke risiko yang lebih tinggi dan sesuai dengan

keuntungan yang diharapkan karena mereka mampu mendiversifikasi

risikonya secara keseluruhan (Obstfeld, 1994). Dalam konteks ini, Rajan dan

Zingales (1998) menemukan bahwa pengembangan pasar modal memfasilitasi

pertumbuhan ekonomi dengan mengurangi biaya modal. Dengan penghapusan

hambatan investasi, Stulz (1999) menunjukkan bahwa integrasi pasar modal

memungkinkan untuk diversifikasi risiko internasional yang mempengaruhi

pertumbuhan ekonomi jangka panjang dengan mengubah alokasi sumber daya

dan tingkat tabungan.

B. Penelitian Terdahulu

Yoopi Abimanyu, dkk (2008) meneliti hubungan internasional antara

bursa saham Indonesia (IHSG) dengan 15 bursa saham di berbagai negara

yang dikelompokkan menjadi tiga grup. Pertama adalah wilayah ASEAN

antara lain Malaysia (KLCI) – kini berubah menjadi FTSE Bursa Malaysia

Index, Singapura (STI), Filipina (PSEi), dan Thailand (SET). Kedua adalah

wilayah Asia Pasifik dan negara maju antara lain Amerika Serikat (DJIA) dan

Jepang (NIKKEI 225) sebagai negara maju, Hongkong (HANG SENG),

Korea Selatan (KOSPI), Taiwan (TWSE), serta China (SHANGHAI dan

SHENZHEN). Ketiga adalah wilayah Eropa Barat antara lain Inggris (FTSE

100), Perancis (CAC 40), Jerman (DAX), dan Belanda (AEX). Fokus

37

penelitian ini terhadap hubungan jangka panjang yang dimiliki oleh IHSG

dengan bursa saham di wilayah ASEAN, IHSG dengan bursa saham di negara

maju dan Asia Pasifik, serta IHSG dengan bursa saham di wilayah Eropa

Barat. Periode penelitian mulai dari Januari 2005 s.d. Desember 2007 dan

menggunakan uji kointegrasi Johansen. Hasil penelitian menunjukkan secara

umum IHSG terintegrasi dengan 14 bursa saham yang berada di wilayah

ASEAN, Eropa Barat, dan Asia Pasifik serta negara maju, kecuali dengan

bursa saham di Thailand (SET) saja yang tidak terintegrasi.

M. Shabri Abd. Majid dan Salina Hj. Kassim (2010) meneliti integrasi

lima bursa saham syariah, yaitu Indonesia (JII), Malaysia (DJIMY), Jepang

(DJIJP), Inggris (DJIUK), dan Amerika Serikat (IMUS) untuk melihat celah

diversifikasi yang potensial bagi para investor. Periode penelitian mulai dari 1

Januari 1999 s.d. 31 Agustus 2006 dan menggunakan metode Auto-Regressive

Distributed Lag (ARDL) dan Vector Error Correction Mechanism (VECM)

yang berdasarkan pada Generalized Method of Moments (GMM). Hasil

penelitian menunjukkan integrasi bursa saham syariah tergantung pada tingkat

perkembangan ekonomi negaranya, yaitu bursa saham syariah Malaysia dan

Indonesia yang terkategori sebagai negara berkembang terintegrasi sangat

dekat satu sama lain, begitu juga halnya dengan bursa saham syariah Amerika

Serikat, Inggris, dan Jepang yang termasuk negara maju juga saling

terintegrasi satu sama lain.

Eka Siskawati (2011) meneliti interkoneksi tiga bursa saham syariah,

yaitu Indonesia (JII), Malaysia (KLSI – kini berubah menjadi FTSE Bursa

38

Malaysia Emas Syariah) dan Amerika (DJIMI). Penelitian ini menggunakan

uji kointegrasi Johansen dan uji kausalitas Granger yang berada dalam metode

Vector Error Correction Model (VECM) untuk periode mulai dari tahun 2005

sampai 2007. Hasil penelitian menunjukkan adanya kointegrasi (hubungan

jangka panjang) antara JII dengan KLSI serta JII, KLSI, dan DJIMI.

Kemudian, hasil uji kausalitas Granger menunjukkan adanya hubungan dua

arah antara JII dengan KLSI dan hubungan satu arah antara DJIMI dengan JII

serta DJIMI dengan KLSI, namun tidak sebaliknya. Selain itu, hasil estimasi

VECM juga menemukan bahwa baik JII dan KLSI memiliki koefisien error

correction term yang signifikan yang berarti adanya penyesuaian untuk setiap

ketidakseimbangan dalam jangka pendek.

Irfan Syauqi Beik dan Wisnu Wardhana (2011) meneliti hubungan

antara bursa saham syariah di Indonesia yaitu JII dengan bursa saham syariah

dan konvensional di Malaysia dan Amerika Serikat yaitu DJIMY – KLCI dan

IMUS – DJIA serta bursa saham konvensional di Indonesia itu sendiri yaitu

IHSG pada saat krisis keuangan global. Penelitian ini menggunakan uji

kointegrasi Johansen untuk meneliti hubungan jangka panjang dan analisis

Impulse Response Function (IRF) yang berada dalam metode Vector

Autoregressive (VAR) untuk meneliti interaksi dinamis jangka pendek.

Periode yang digunakan adalah mulai dari 1 Januari 2006 s.d. 31 Desember

2008. Hasil penelitian menunjukkan tidak ada hubungan jangka panjang

antara JII dengan DJIMY, IMUS, KLCI, DJIA, serta IHSG sendiri dan dalam

39

jangka pendek setiap shock dari DJIMY, IMUS, KLCI, DJIA, dan IHSG

secara signifikan akan mempengaruhi JII.

Moeljadi (2012) meneliti pengaruh krisis keuangan global tahun 2007

terhadap integrasi dan co-movement bursa saham konvensional dan bursa

saham syariah di lima negara. Bursa saham konvensional dan bursa saham

syariah yang akan diteliti adalah KLCI - DJIMY (Malaysia), IHSG - JII

(Indonesia), NIKKEI 225 - DJIJP (Jepang), FTSE 100 - DJIUK (Inggris),

S&P 500 - IMUS (Amerika Serikat). Penelitian ini menggunakan metode

Vector Autoregressive (VAR) untuk dua periode yaitu periode sebelum krisis

(15 Februari 2006 s.d. 25 Juli 2007) dan periode saat terjadinya krisis (26 Juli

2007 s.d. 31 Desember 2008). Hasil penelitian menunjukkan kinerja bursa

saham syariah sedikit lebih baik dibandingkan bursa saham konvensionalnya

baik sebelum terjadi krisis maupun saat terjadinya krisis. Berdasarkan uji

kointegrasi, menunjukkan bahwa adanya hubungan jangka panjang antara

bursa saham konvensional di periode saat terjadinya krisis dengan bursa

saham syariah di periode sebelum krisis sehingga dapat disimpulkan manfaat

diversifikasi investasi internasional yang besar dapat diperoleh oleh para

investor dengan mengalokasikan investasinya pada bursa saham syariah saat

terjadi krisis.

Mohd Yahya Mohd Hussin, et.al (2013) meneliti integrasi antara bursa

saham syariah di 3 negara, yaitu FBMS (Malaysia), JII (Indonesia), dan DJIM

(Amerika) dengan menggunakan uji kointegrasi Johansen dan uji kausalitas

Granger yang berada dalam metode Vector Autoregressive (VAR). Periode

40

penelitian ini adalah Januari 2007 s.d. Mei 2012. Hasil penelitian

menunjukkan tidak ada hubungan jangka panjang (kointegrasi) yang terjadi

antara ketiga indeks tersebut. Selain itu, uji kausalitas Granger menunjukkan

adanya hubungan dua arah antara DJIM dengan FBMS dan hubungan satu

arah antara FBMS dengan JII.

Sarkar Humayun Kabir, et.al (2013) meneliti integrasi beberapa bursa

saham syariah dengan menggunakan Dow Jones Islamic Market Index di Asia

Pasifik (DJIAP), Eropa (DJIEU), Kuwait (DJIMKW), Inggris (DJIUK), dan

Amerika Serikat (IMUS). Penelitian ini menggunakan gabungan metode time

series, yaitu Vector Error Correction Model (VECM) dan analisis Beveridge-

Nelson (BN) Time Series Decomposition. Periode penelitian ini mulai dari 5

Januari 2005 s.d. 29 Februari 2012. Hasil penelitian menunjukkan adanya

hubungan kointegrasi antara lima bursa saham syariah tersebut. Selain itu,

variabel DJIUK menjadi satu-satunya variabel endogen (variabel dependen) di

dalam penelitian ini, sedangkan yang lainnya merupakan varibel-variabel

eksogen (variabel independen) sehingga menunjukkan bahwa ketika ada shock

dari variabel eksogen, maka DJIUK yang akan menanggung beban

penyesuaian jangka pendek dalam mewujudkan ekuilibrium jangka panjang di

lingkup bursa saham syariah. Kemudian, DJIEU merupakan variabel eksogen

yang paling memberikan pengaruh terhadap bursa saham di Inggris walaupun

Inggris bukan termasuk zona Euro. Dengan kata lain, kelima bursa saham

syariah yang diuji terikat bersama oleh hubungan teoritis secara keseluruhan.

41

Dwi Puryati dan dan Reni Marlina (2013) meneliti pergerakan harga

saham di sembilan bursa saham konvensional dalam kawasan Asia, yaitu

Indonesia (IHSG), Malaysia (KLCI), Singapura (STI), Korea (KOSPI),

Hongkong (HANG SENG), China (SHANGHAI), India (BSE), Jepang

(NIKKEI 225), dan Taiwan (TWSE) yang selanjutnya untuk diketahui apakah

saling terintegrasi atau tidak. Penelitian ini menggunakan analisis korelasi dan

uji kointegrasi Johansen yang berada dalam metode Vector Error Correction

Model (VECM). Periode penelitian yang digunakan mulai dari 4 Januari 2011

s.d. 30 November 2012. Hasil penelitian, baik melalui analisis korelasi

maupun uji kointegrasi, menunjukkan bahwa kesembilan bursa saham

terintegrasi dalam jangka panjang. Sementara untuk jangka pendek, hanya

bursa saham di India (BSE) yang tidak terintegrasi. Hal ini dapat disimpulkan

pembentukan harga saham tidak lagi hanya dipengaruhi oleh faktor-faktor

yang terkait dengan pembentukan harga saham di dalam negeri, namun juga di

luar negeri.

Jeina Malangkay (2013) meneliti integrasi bursa saham di Indonesia

(IHSG) dengan beberapa bursa saham di dunia, yaitu DJIA (Amerika Serikat),

DAX (Jerman), HANG SENG (Hongkong), dan NIKKEI 225 (Jepang).

Periode penelitian ini adalah Januari 2013 s.d. Maret 2013 dengan

menggunakan metode korelasi sederhana (bevariate correlation). Hasil

penelitian menunjukkan bahwa IHSG memiliki hubungan yang signifikan

dengan DJIA, DAX, HANG SENG, dan NIKKEI 225 yang berarti IHSG

terintegrasi dengan bursa saham-bursa saham tersebut.

42

Tabel 2.2. Perbandingan Penelitian Terdahulu

No. Peneliti Variabel Metode

Penelitian

Persamaan /

Perbedaan

Hasil Penelitian

1. Yoopi

Abimanyu,

dkk (2008)

IHSG, KLCI,

STI, PSEi,

SET, DJIA,

NIKKEI 225,

HANG

SENG,

KOSPI,

TWSE,

SHANGHAI,

SHENZHEN,

FTSE 100,

CAC 40,

DAX, AEX

Uji Kointegrasi

Johansen

Variabel:

IHSG,

KLCI/KLSE,

DJIA, NIKKEI

225, FTSE 100

Metode: uji

kointegrasi

Johansen /

Variabel: JII,

FBMS, DJIJP,

DJIUK,

DJICA, IMUS,

S&P TSX

IHSG

terintegrasi

dengan 14 bursa

saham, kecuali

dengan bursa

saham di

Thailand (SET)

saja yang tidak

terintegrasi.

2. M. Shabri

Abd. Majid

dan Salina

Hj. Kassim

(2010)

JII, DJIMY,

DJIJP,

DJIUK,

IMUS

Auto-

Regressive

Distributed

Lag (ARDL)

dan Vector

Error

Correction

Mechanism

(VECM) yang

berdasarkan

pada

Variabel: JII,

DJIJP, DJIUK,

IMUS/

Variabel:

IHSG, KLSE,

NIKKEI 225,

FTSE 100,

S&P TSX,

DJIA, FBMS,

DJICA

Metode:

VAR/VECM

DJIMY dan JII

yang terkategori

sebagai bursa

saham syariah di

negara

berkembang

terintegrasi

sangat dekat

satu sama lain,

begitu juga

halnya dengan

43


Penelitian

Persamaan /

Perbedaan

Hasil Penelitian

Generalized

Method of

Moments

(GMM)

IMUS, DJIUK,

dan DJIJP yang

termasuk bursa

saham syariah di

negara maju

juga saling

terintegrasi satu

sama lain.

3. Eka

Siskawati

(2011)

JII,

KLSI/FBMS,

DJIMI

Uji Kointegrasi

Johansen dan

Uji Kausalitas

Granger

Variabel: JII

dan FBMS

Metode: Uji

Kointegrasi

Johansen dan

Uji Kausalitas

Granger /

Variabel:

DJIJP, DJIUK,

DJICA, IMUS,

IHSG, KLSE,

NIKKEI 225,

FTSE 100,

S&P TSX,

DJIA

Adanya

kointegrasi

(hubungan

jangka panjang)

antara JII

dengan KLSI

serta JII, KLSI,

dan DJIMI.

Kemudian, hasil

uji kausalitas

Granger

menunjukkan

adanya

hubungan dua

arah antara JII

dengan KLSI

dan hubungan

satu arah

44


Penelitian

Persamaan /

Perbedaan

Hasil Penelitian

antara DJIMI

dengan JII serta

DJIMI dengan

KLSI.

4. Irfan Syauqi

Beik dan

Wisnu

Wardhana

(2011)

JII, DJIMY,

IMUS, IHSG,

KLCI, DJIA

Uji Kointegrasi

Johansen dan

Impulse

Response

Function (IRF)

Variabel: JII,

IMUS, IHSG,

KLSE, DJIA

Metode: Uji

Kointegrasi

Johansen dan

Impulse

Response

Function (IRF)

/ Variabel:

FBMS, DJIJP,

DJIUK,

DJICA,

NIKKEI 225,

FTSE 100

Tidak ada

hubungan

kointegrasi

antara JII

dengan DJIMY,

IMUS, KLCI,

DJIA, dan

IHSG. Namun,

dalam jangka

pendek setiap

shock dari

DJIMY, IMUS,

KLCI, DJIA,

dan IHSG

signifikan JII.

5. Moeljadi

(2012)

JII, DJIMY,

DJIJP,

DJIUK,

IMUS, IHSG,

KLCI,

Vector

Autoregressive

(VAR)

Variabel: JII,

DJIJP, DJIUK,

IMUS, IHSG,

KLCI, NIKKEI

225

Berdasarkan uji

kointegrasi,

adanya

hubungan

keseimbangan

jangka panjang

antara bursa

45


Penelitian

Persamaan /

Perbedaan

Hasil Penelitian

NIKKEI 225,

S&P 500

Metode: Vector

Autoregressive

(VAR) /

Variabel:

FBMS, DJICA,

S&P TSX,

DJIA

saham

konvensional di

periode saat

terjadinya krisis

dengan bursa

saham syariah di

periode sebelum

krisis.

6. Mohd

Yahya

Mohd

Hussin,

et.al (2013)

FBMS, JII,

DJIM

Uji Kointegrasi

Johansen dan

Uji Kausalitas

Granger

Variabel: JII

dan FBMS

Metode: Uji

Kointegrasi

Johansen dan

Uji Kausalitas

Granger /

Variabel:

IMUS, IHSG,

KLCI, DJIA

Tidak ada

hubungan

jangka panjang

(kointegrasi)

antara FBMS,

JII, dan DJIM.

Selain itu, uji

kausalitas

Granger

menunjukkan

adanya

hubungan dua

antara DJIM

dengan FBMS

dan hubungan

satu arah antara

FBMS dengan

JII.

46


Penelitian

Persamaan /

Perbedaan

Hasil Penelitian

7. Sarkar

Humayun

Kabir, et.al

(2013)

DJIAP,

DJIEU,

DJIMKW,

DJIUK,

IMUS

Vector Error

Correction

Model

(VECM) dan

analisis

Beveridge-

Nelson (BN)

Time Series

Decomposition

Variabel:

DJIUK dan

IMUS

Metode:

VECM /

Variabel: JII,

FBMS, DJIJP,

IHSG, KLCI

Adanya

hubungan

kointegrasi

antara lima

bursa saham

syariah tersebut.

8. Dwi Puryati

dan dan

Reni

Marlina

(2013)

IHSG, KLCI,

STI, KOSPI,

HANG

SENG,

SHANGHAI,

BSE, NIKKEI

225, dan

TWSE

Analisis

korelasi dan

Vector Error

Correction

Model

(VECM)

Varibel: IHSG,

KLSE,

NIKKEI 225

Metode:

VECM /

Variabel: JII,

FBMS, DJIJP,

DJIUK,

Berdasarkan

analisis korelasi

maupun uji

kointegrasi

menunjukkan

bahwa

kesembilan

bursa saham

terintegrasi

dalam jangka

panjang.

Sementara untuk

jangka pendek,

hanya bursa

saham BSE

yang tidak

terintegrasi.

47


Penelitian

Persamaan /

Perbedaan

Hasil Penelitian

9. Jeina

Malangkay

(2013)

IHSG, DJIA,

DAX, HANG

SENG,

NIKKEI 225

Analisis

Korelasi

Sederhana

(Bevariate

Correlation)

Variabel:

IHSG, DJIA,

NIKKEI 225 /

Variabel:

KLSE, FTSE

100, S&P TSX,

JII, FBMS,

DJIJP, DJIUK,

DJICA, IMUS

Metode:

VAR/VECM

IHSG memiliki

hubungan yang

signifikan

dengan DJIA,

DAX, HANG

SENG, dan

NIKKEI 225

sehingga dapat

dikatakan IHSG

terintegrasi

dengan bursa

saham-bursa

saham tersebut.

48

C. Kerangka Berpikir

Penelitian ini bertujuan untuk mengetahui integrasi yang terjadi antara

bursa saham syariah dan konvensional di negara-negara yang berada dalam

kawasan Asia, Eropa, dan Amerika dengan bursa saham syariah dan

konvensional di Indonesia. Data yang digunakan dalam penelitian ini berupa

data time series harian dari tiap indeks yang menjadi objek penelitian. Model

analisis yang digunakan adalah analisis Vector Autoregressive (VAR) / Vector

Error Correction Model (VECM) dengan tahap-tahap analisisnya, yaitu uji

stasioneritas, penentuan lag optimum, uji kausalitas, uji kointegrasi, uji

stabilitas VAR, estimasi VAR / VECM, Impulse Response Function (IRF),

dan Variance Decomposition (VD).

Langkah pertama adalah mengumpulkan semua data nilai penutupan

saham di tiap indeks bursa saham syariah dan konvensional yang menjadi

objek penelitian melalui internet, kemudian data-data tersebut diolah dengan

bantuan software Eviews 7. Setelah itu, dilakukan uji stasioneritas yang

bertujuan untuk melihat data tersebut stasioner atau tidak menggunakan uji

Augmented Dickey Fuller (ADF). Kemudian, dilakukannya penentuan lag

optimum untuk mengetahui jumlah lah yang akan digunakan dalam uji

kausalitas, uji kointegrasi, dan estimasi VAR / VECM.

Setelah diketahui jumlah lag yang optimal, uji kausalitas Granger

dilakukan untuk mengetahui bagaimana hubungan bursa saham syariah dan

konvensional di kawasan Asia, Eropa, dan Amerika terhadap bursa saham

syariah dan konvensional di Indonesia, apakah terjadi hubungan satu arah atau

49

dua arah (saling mempengaruhi) atau tidak memiliki hubungan. Kemudian, uji

kointegrasi dilakukan untuk mengetahui adanya hubungan jangka panjang

antar variabel karena hal ini akan berpengaruh dalam pemilihan estimasi yang

akan dilakukan, yaitu apakah estimasi VAR in difference atau estimasi

VECM. Jika diketahui data stasioner pada level, maka dapat langsung

dilakukan estimasi VAR bentuk level, sedangkan untuk data yang stasioner

pada first difference serta terjadi kointegrasi dilakukan estimasi VECM. Akan

tetapi, apabila tidak terjadi kointegrasi, maka akan dilakukan estimasi VAR in

difference. Setelah uji kointegrasi, uji stabilitas VAR juga diperlukan untuk

mengetahui model VAR / VECM yang akan digunakan sudah stabil atau

belum agar hasil analisis Impulse Response Function (IRF) dan Variance

Decomposition (VD) dapat dikatakan valid. Apabila model VAR / VECM

dikatakan valid, maka tahapan selanjutnya adalah estimasi model VAR /

VECM tersebut dan terakhir dilakukan analisis Impulse Response Function

(IRF) dan Variance Decomposition (VD).

50

Gambar 2.1. Kerangka Pemikiran

Bursa Saham Syariah

JII (Indonesia), FBMS

(Malaysia), DJIJP (Jepang),

DJIUK (Inggris), DJICA

(Kanada), dan IMUS

(Amerika Serikat)

Uji Kausalitas Granger

VECM

Interpretasi

VAR bentuk level

IRF dan Variance Decomposition

Stasioner dideferensiasi

data

Uji Stasioneritas

Stasioner Tidak Stasioner

Uji Kointegrasi Tidak VAR bentuk

difference

Ya

Kesimpulan


IHSG (Indonesia), FBMS

(Malaysia), NIKKEI

(Jepang), FTSE (Inggris),

S&P TSX (Kanada), dan

DJIA (Amerika Serikat)

51

D. Hipotesis

Berdasarkan variabel-variabel penelitian dan permasalahan, maka

peneliti melakukan beberapa hipotesa mengenai integrasi bursa saham syariah

dan konvensional di kawasan Asia, Eropa, dan Amerika dengan bursa saham

syariah dan konvensional di Indonesia.

1. Hipotesis Pertama

Ho : Tidak terdapat hubungan kausalitas antara bursa saham syariah di

kawasan Asia, Eropa, dan Amerika (FBMS, DJIJP, DJIUK,


Ha : Terdapat hubungan kausalitas antara bursa saham syariah di



2. Hipotesis Kedua

Ho : Tidak hubungan kausalitas antara bursa saham konvensional di

kawasan Asia, Eropa, dan Amerika (KLSE, NIKKEI 225, FTSE

100, S&P TSX, dan DJIA) dengan bursa saham konvensional

Indonesia (IHSG).

Ha : Terdapat hubungan kausalitas antara bursa saham konvensional di


100, S&P TSX, dan DJIA) dengan bursa saham konvensional

Indonesia (IHSG).

52

3. Hipotesis Ketiga

Ho : Tidak terdapat hubungan jangka panjang antara bursa saham

syariah di kawasan Asia, Eropa, dan Amerika (FBMS, DJIJP,

DJIUK, DJICA, dan IMUS) dengan bursa saham syariah

Indonesia (JII).

Ha : Terdapat hubungan jangka panjang antara bursa saham syariah di



4. Hipotesis Keempat

Ho : Tidak terdapat hubungan jangka panjang antara bursa saham

konvensional di kawasan Asia, Eropa, dan Amerika (KLSE,

NIKKEI 225, FTSE 100, S&P TSX, dan DJIA) dengan bursa

saham konvensional Indonesia (IHSG).

Ha : Terdapat hubungan jangka panjang antara bursa saham

konvensional di kawasan Asia, Eropa, dan Amerika (KLSE,

NIKKEI 225, FTSE 100, S&P TSX, dan DJIA) dengan bursa

saham konvensional Indonesia (IHSG).

5. Hipotesis Kelima

Ho : Tidak terdapat kontribusi tiap bursa saham syariah di kawasan

Asia, Eropa, dan Amerika (FBMS, DJIJP, DJIUK, DJICA, dan

IMUS) dalam pergerakan bursa saham syariah Indonesia (JII).

53

Ha : Terdapat kontribusi tiap bursa saham syariah di kawasan Asia,

Eropa, dan Amerika (FBMS, DJIJP, DJIUK, DJICA, dan IMUS)

dalam pergerakan bursa saham syariah Indonesia (JII).

6. Hipotesis Keenam

Ho : Tidak terdapat kontribusi tiap bursa saham konvensional di


100, S&P TSX, dan DJIA) dalam pergerakan bursa saham


Ha : Terdapat kontribusi tiap bursa saham konvensional di kawasan

Asia, Eropa, dan Amerika (KLSE, NIKKEI 225, FTSE 100, S&P

TSX, dan DJIA) dalam pergerakan bursa saham konvensional

Indonesia (IHSG).

54

BAB III

METODOLOGI PENELITIAN

A. Ruang Lingkup Penelitian

Ruang lingkup penelitian ini adalah menganalisa integrasi yang terjadi

antara bursa saham syariah di tiga kawasan, yaitu Asia yang diwakili oleh

FTSE Bursa Malaysia Emas Shariah (FBMS) dan Dow Jones Islamic Market

Japan (DJIJP), Eropa yang diwakili oleh Dow Jones Islamic Market United

Kingdom (DJIUK), dan juga Amerika yang diwakili oleh Dow Jones Islamic

Market Canada (DJICA) dan Dow Jones Islamic Market United States

(IMUS) serta bursa saham konvensional di kawasan Asia yang diwakili oleh

Kuala Lumpur Stock Exchange (KLSE) dan Nikkei Heikin Kabuka (NIKKEI

225), Eropa yang diwakili oleh Financial Times Stock Exchange (FTSE 100),

dan juga Amerika yang diwakili oleh Toronto Stock Exchange (S&P TSX),

dan Dow Jones Industrial Average (DJIA) terhadap bursa saham syariah dan

konvensional di Indonesia, yaitu Jakarta Islamic Index (JII) dan Indeks Harga

Saham Gabungan (IHSG). Periode yang akan diteliti adalah dari tahun 2008 -

2013.

B. Teknik Penentuan Sampel

Populasi dari penelitan ini adalah seluruh aktifitas pergerakan nilai

penutupan harian indeks saham syariah dan konvensional di Indonesia serta

nilai penutupan harian indeks saham syariah dan konvensional di Malaysia,

55

Jepang, Inggris, Kanada, dan Amerika Serikat mulai dari tahun 2008 sampai

tahun 2013. Sampel yang dipilih adalah JII, FBMS, DJIJP, DJIUK, DJICA,

IMUS, IHSG, KLSE, NIKKEI 225, FTSE 100, S&P TSX, dan DJIA.

Pemilihan negara Indonesia, Malaysia, Jepang, Inggris, Kanada, dan

Amerika Serikat berdasarkan beberapa faktor. Pertama, bursa saham

mencakup wilayah geografis yang memberikan kontribusi untuk kebaruan

penelitian ini. Secara khusus, bursa saham yang dipilih mewakili bursa saham

utama di wilayahnya yaitu Indonesia, Malaysia, dan Jepang yang mewakili

kawasan Asia, Inggris mewakili Eropa dan terakhir, Kanada dan Amerika

Serikat mewakili wilayah Amerika. Kedua, bursa saham dari negara-negara

yang dipilih dalam penelitian ini juga dapat dikategorikan menurut tingkat

negara pembangunan. Secara khusus, Indonesia dan Malaysia merupakan

bursa saham dari negara berkembang, sementara Jepang, Inggris, Kanada, dan

Amerika Serikat berasal dari negara-negara maju.

Ketiga, pemilihan kelima negara yang akan diuji berpasangan dengan

Indonesia merupakan 15 besar negara-negara yang paling banyak

menanamkan modalnya di Indonesia. Berdasarkan yang dilansir dari laporan

kuartal 2014 Badan Koordinasi Penanaman Modal (BPKM), Malaysia,

Jepang, Inggris, dan Amerika Serikat berturut-turut menduduki peringkat 2

sampai dengan 5 dengan nilai investasi yaitu Malaysia sebesar US$ 616.62

juta, Jepang sebesar US$ 589.78 juta, Inggris sebesar US$ 588.83 juta, dan

Amerika Serikat sebesar US$ 401.53 juta. Sementara itu, Kanada berada di

peringkat 12 dengan nilai investasi sebesar US$ 53.11 juta

56

Metode pemilihan sampel menggunakan judgement sampling atau

purposive sampling dimana peneliti melakukan pengumpulan datanya atas

dasar strategi kecakapan atau pertimbangan pribadi semata. (Muhammad

Teguh, 2005:156). Pemilihan sampel data berdasarkan kriteria tertentu, yaitu:

1. Bursa saham syariah dan konvensional yang terkenal / utama / terbesar

di enam negara yang dipilih, khusus untuk Inggris memakai indeks

Dow Jones Islamic Market karena tidak tersedianya data indeks bursa

saham syariah khusus wilayah Inggris dari FTSE.

2. Tersedianya data indeks bursa saham syariah dan konvensional harian

selama periode penelitian, yaitu dari tahun 2008 sampai tahun 2013.

C. Teknik Pengumpulan Data

Penelitian ini menggunakan data sekunder berupa data runtun waktu

(time series) dengan skala harian yang diambil dari sumber data antara lain

Google Finance dan Yahoo Finance. Teknik pengumpulan data yang

digunakan dalam penelitian ini adalah:

1. Penelitian Kepustakaan (Library Research), yaitu metode

pengumpulan data yang diperoleh dari membaca buku-buku, bahan-

bahan, serta literatur-literatur yang terkait dengan permasalahan yang

diteliti.

2. Internet Research, dimana terkadang buku referensi atau literatur yang

dimiliki atau pinjam di perpustakaan tertinggal selama beberapa waktu

karena ilmu yang selalu berkembang, penulis melakukan penelitian

57

dengan bantuan media internet sehingga data yang diperoleh up to date

seperti: www.yahoofinance.com, www.googlefinance.com,

www.wikipedia.com, dan website lainnya.

D. Teknik Analisis

Dalam penelitian ini analisis yang akan digunakan adalah analisis

Vector Autoregressive (VAR) / Vector Error Correction Model (VECM) dan

sebagai alat analisis adalah program Eviews 7. Sebelum memasuki detail atas

analisis dan pembahasan model yang digunakan, pada bagian ini akan

dijelaskan terlebih dahulu mengenai statistika deskriptif dan analisis Vector

Autoregressive (VAR) / Vector Error Correction Model (VECM).

1. Statistika Deskriptif

Statistika deskriptif merupakan ringkasan atas data yang disajikan

yang berisi beberapa hitungan pokok statistik, seperti rata-rata, nilai

maksimum, nilai minimum, standar deviasi, kurtosis, Jarque-Bera, dan lain

sebagainya. Akan tetapi, standarnya hanya tiga informasi, yaitu rata-rata,

standar deviasi, dan observation (banyaknya data), tetapi tidak menutup

kemungkinan bisa juga ditambahkan dengan informasi lainnya. Berikut ini

penjelasan dari beberapa hitungan pokok di dalam statistika deskriptif (Wing

Wahyu Winarno, 2011:3.9 - 3.10).

a. Rata-rata (mean) diperoleh dengan menjumlahkan seluruh data dan

membaginya dengan cacah data.

b. Maaximum adalah nilai paling besar dari data.

58

c. Minimum adalah nilai paling kecil dari data.

d. Standar deviasi adalah ukuran disperse atau penyebaran data.

e. Skewness adalah ukuran asimetri distribusi data di sekitar mean.

f. Kurtosis mengukur ketinggian suatu distribusi.

g. Jarque-Bera adalah uji statistik untuk mengetahui apakah data

berdistribusi normal atau tidak. Uji ini mengukur perbedaan skewness

dan kurtosis data yang dibandingkan dengan apabila datanya bersifat

normal.

2. Analisis Vector Autoregressive (VAR) / Vector Error Correction Model

(VECM)

Sebagian besar model-model ekonometrika deret waktu (time series)

adalah model yang dibangun berdasarkan teori ekonomi yang ada. Dengan

kata lain, teori ekonomi menjadi dasar dalam mengembangkan hubungan antar

peubah pada model. Namun, seringkali teori ekonomi belum mampu

menentukan spesifikasi yang tepat untuk model. Hal ini mungkin disebabkan

teori ekonomi yang ada terlalu kompleks (rumit/majemuk) sehingga perlu

dilakukan penyerdehanaan dalam model atau sebaliknya fenomena yang ada

terlalu kompleks sehingga tidak cukup hanya dijelaskan dengan teori yang

ada. Model Vector Autoregressive (VAR) menawarkan alternatif pemodelan

sebagai jalan keluarnya karena model ini dibangun dengan pendekatan yang

meminimalkan teori dengan tujuan agar mampu menangkap fenomena

ekonomi dengan baik. (Juanda dan Junaidi, 2012:133-134).

59

Dalam Teguh Sugiarto (2014:13), metodologi Vector Autoregressive

(VAR) pertama kali diperkenalkan oleh Sims (1980) sebagai alternatif untuk

model makroekonomi skala besar tradisional. VAR adalah model ekonometrik

yang digunakan untuk menangkap dinamika dan interaksi antara beberapa

time series. Semua variabel diperlakukan secara simetris dan variabel

dependen dalam setiap persamaan dijelaskan oleh tertinggal dari semua

variabel dalam model, termasuk variabel dependen itu sendiri. VAR ini

dikembangkan dalam menanggapi argumen Sims (1980) bahwa tidak ada

apriori panduan atau penalaran ekonomi yang besar untuk membenarkan

memperlakukan variabel tertentu sebagai variabel eksogen dalam proses

pemodelan dan karena itu semua variabel harus diperlakukan sebagai

endogen.

Secara garis besar, terdapat empat hal yang ingin diperoleh dari

pembentukan sebuah sistem persamaan yang pada dasarnya dapat disediakan

dengan metode VAR, yaitu deskripsi data, peramalan, inferensi struktural, dan

analisis kebijakan. Menurut Juanda dan Junaidi (2012), analisis VAR dapat

digunakan untuk:

a. Granger Causality Test, yaitu mengetahui hubungan sebab akibat antar

variabel.

b. Peramalan (forecasting), yaitu dengan melakukan ekstrapolasi nilai

saat ini dan masa depan seluruh variabel melalui pemanfaatan seluruh

informasi masa lalu variabel.

60

c. Impulse Response Function (IRF), yaitu dengan mendeteksi respon

setiap variabel baik pada saat ini maupun masa depan akibat adanya

perubahan atau shock suatu variabel tertentu.

d. Forecast Error Decomposition of Variance (FEDV), yaitu dengan

melakukan prediksi terhadap kontribusi persentase varians setiap

variabel terhadap perubahan suatu variabel tertentu.

Berdasarkan bentuknya, metode VAR yang secara umum sering

digunakan adalah unrestricted VAR, restricted VAR, dan Structural VAR.

Unrestricted VAR sendiri memiliki dua bentuk, yaitu VAR in level dan VAR

in difference. VAR in level digunakan jika data telah stasioner pada tingkat

level, sedang VAR in difference digunakan jika data tidak stasioner dalam

level dan tidak memiliki hubungan kointegrasi, maka estimasi VAR dapat

dilakukan dalam bentuk data deferens. Bentuk VAR yang terestriksi

(restricted VAR) disebut juga Vector Error Correction Model (VECM).

Restriksi tambahan diberikan karena keberadaan data yang tidak stasioner

namun terkointegrasi. Spesifikasi VECM merestriksi hubungan jangka

panjang variabel-variabel endogen agar konvergen ke dalam hubungan

kointegrasinya, namun tetap membiarkan keberadaan dinamisasi jangka

pendek. Sementara itu, seperti VECM, pada dasarnya Structural VAR (SVAR)

juga merupakan bentuk VAR yang terestriksi. Perbedaannya terletak pada

restriksinya yang berdasarkan hubungan teoritis yang kuat antar variabel-

variabel yang digunakan dalam sistem VAR. Oleh karena itu bentuk SVAR

juga sering disebut sebagai theoritical VAR. (Juanda dan Junaidi, 2012:137).

61

Menurut Shochrul R Ajija (2011:165), ada beberapa kelemahan dari

model VAR di antaranya:

a. Model VAR merupakan model yang atheoritic atau tidak berdasarkan

teori, hal ini tidak seperti pada persamaan simultan. Pada persamaan

simultan, pemilihan variabel yang akan dimasukkan dalam persamaan

memegang peranan penting dalam mengidentifikasi model.

b. Pada model VAR, penekananya terletak pada peramalan sehingga

model ini kurang cocok digunakan dalam menganalisis kebijakan.

c. Permasalahan yang besar dalam model VAR adalah pada pemilihan

panjang lag (lag length) yang tepat. Oleh karena semakin panjang lag,

jumlah parameter yang akan bermasalah pada derajat bebas (degrees of

freedom) akan bertambah.

d. Sering ditemui kesulitan dalam menginterpretasi setiap koefisien pada

estimasi model VAR sehingga sebagian besar peneliti melakukan

interpretasi pada estimasi Impulse Response Function (IRF) dan

Variance Decomposition (VD).

Sementara itu, menurut Fitri Kartiasih (2014) ada juga beberapa

keunggulan dari model VAR di antara lain:

a. Mengembangkan model secara bersamaan di dalam suatu sistem yang

kompleks (multivariate), sehingga dapat menangkap hubungan

keseluruhan variabel di dalam sistem (persamaan) itu. Hubungan yang

terdeteksi bisa bersifat langsung ataupun tidak langsung.

62

b. Uji VAR yang bersifat multivariat bisa menghindari parameter yang

bias akibat tidak dimasukannya variabel yang relevan.

c. Dapat mendeteksi hubungan antarvariabel dalam sistem persamaan,

dengan menjadikan seluruh variabel menjadi endogenous.

d. Karena bekerja berdasarkan data, metode VAR terbebas dari berbagai

batasan teori ekonomi yang sering muncul termasuk gejala perbedaan

semu (spurious variable endogenty dan exogenty) di dalam model

ekonometrik konvensional terutama pada persamaan simultan,

sehingga menghindari penafsiran yang salah.

e. Dengan teknik VAR maka yang akan terpilih hanya variabel yang

relevan untuk disinkronisasi dengan teori yang ada.

Adapun tahap-tahap yang harus dilakukan dalam analisis VAR /

VECM sebagai berikut.

a. Uji Stasioneritas

Langkah pertama yang harus dilakukan dalam estimasi model

ekonomi dengan data time series adalah dengan menguji stasioneritas pada

data atau disebut juga stationary stochastic process. Proses stokastik

didiefinisikan sebagai suatu proses yang menghasilkan rangkaian nilai-

nilai peubah acak yang menggambarkan perilaku data pada berbagai

kondisi. Setiap data deret waktu (time series) merupakan suatu data dari

hasil proses stokastik. Ada tiga cara yang umum digunakan dalam

melakukan pendugaan terhadap kestasioneran data antara lain (Juanda dan

Junaidi, 2012:20-21):

63

a. Melihat tren data dalam grafik

b. Menggunakan autokolerasi dan korelogram

c. Uji akar unit (unit root test)

Dalam penelitian ini, uji stasioneritas data dapat dilakukan dengan

menggunakan uji akar unit sebagai uji formal untuk mengetahui

kestasioneran data. Uji akar unit dapat dilakukan dengan berbagai metode

di antaranya adalah Dickey-Fuller (DF test), Augmented Dickey Fuller

(ADF test), Philips-Perron (PP test), Kwiatkowski-Philips-Schmidt-Shin,

Elliot-Rothenberg-Stock Point-Optimal, dan Ng-Perron. Tiga di antaranya

yang sering digunakan dalam berbagai analisis yaitu DF test, ADF test,

dan PP test. Di sini akan digunakan ADF test pada derajat yang sama

(level atau difference) hingga diperoleh suatu data yang stasioner, yaitu

data yang variansnya tidak terlalu besar dan mempunyai kecenderungan

untuk mendekati nilai rata-ratanya. (Ender, 1995) dalam (Shochrul R

Ajija, dkk, 2011:165).

Menurut Kuncoro (2001) dalam Winta Ratna Sari (2012), uji ADF

merupakan alternatif dari uji DF yang berisi regresi dari diferensi pertama

data runtut waktu terhadap lag variabel tersebut, lagged difference terms,

konstanta dan variabel trend. Sementara itu, Gujarati dan Porter (2013)

menjelaskan perbedaan mendasar dari uji ADF dan uji PP adalah pada

penggunaan lag dari bentuk diferns dari variabel dependen. Jika

menggunakan Uji ADF mengatasi kemungkinan adanya masalah

autokorelasi pada error term dengan menambahkan lags, sebaliknya pada

64

uji PP menggunakan metode statistik nonparametrik untuk mengatasi

masalah autokorelasi pada error term tanpa menambahkan lag dari bentuk

differs.

Jika dalam uji stasioneritas ini menunjukkan nilai ADFstatistik yang

lebih besar daripada Mackinnon critical value, maka dapat diketahui

bahwa data tersebut stasioner karena tidak mengandung unit root.

Sebaliknya, jika nilai ADFstatistik lebih kecil daripada Mackinnon critical

value, maka dapat disimpulkan data tersebut tidak stasioner pada derajat

level. Dengan demikian, differencing data untuk memperoleh data yang

stasioner pada derajat yang sama di first difference I(1) harus dilakukan,

yaitu dengan mengurangi data tersebut dengan data periode sebelumnya.

Dalam model VAR dipersyaratkan penggunaan derajat integrasi yang

sama sehingga jika terdapat data yang tidak stasioner pada level, maka

secara keseluruhan data yang digunakan adalah data first difference.

(Shochrul R Ajija, dkk, 2011:166).

b. Penentuan Lag Length

Salah satu permasalahan yang terjadi dalam uji stasioneritas adalah

penentuan lag optimal. Permasalahan yang muncul apabila panjang lagnya

terlalu kecil akan membuat model tersebut tidak dapat digunakan karena

kurang mampu meenjelaskan hubungannya. Sebaliknya, jika panjang lag

yang digunakan terlalu besar, maka derajat bebasnya (degree of freedom)

65

akan menjadi lebih besar sehingga tidak efisien lagi dalam menjelaskan.

(Shochrul R Ajija, dkk, 2011:166)

Oleh karena itu, dalam penentuan lag optimal dipilih kriteria yang

mempunyai Likelihood Ratio (LR), Final Prediction Error (FPE), Akaike

Information Criterion (AIC), Schwarz Information Criterion (SC), dan

Hannan-Quin Criterion (HQ) yang paling kecil atau minimal diantara

berbagai lag yang diajukan. Jika kriteria informasi hanya merujuk pada

sebuah kandidat lag saja, maka kandidat tersebutlah yang optimal. Jika

diperoleh lebih dari satu kandidat dan semuanya termasuk kriteria paling

kecil nilainya, maka pemilihan dilanjutkan dengan nilai Adjusted R2

tertinggi pada variabel terpenting dalam sistem VAR dengan lag optimal.

(Juanda dan Junaidi, 2012:151).

c. Uji Kausalitas

Uji kausalitas dilakukan untuk mengetahui apakah suatu variabel

endogen dapat diperlakukan sebagai variabel eksogen. Hal ini bermula

dari ketidaktahuan keterpengaruhan antar variabel. Jika ada dua variabel y

dan z, maka apakah y menyebabkan z atau z menyebabkan y atau berlaku

keduanya atau tidak ada hubungan keduanya. (Studi Bapepam, 2008: 27).

Menurut Juanda dan Junaidi (2012:145), uji kausalitas adalah

pengujian untuk menentukan hubungan sebab-akibat antara variabel dalam

sistem VAR. Hubungan sebab-akibat ini dapat diuji dengan menggunakan

uji kausalitas Granger (Granger causality test). Granger causality semata-

66

mata mengimplikasikan suatu rangkaian kronologis dari perubahan atau

pergerakan suatu variabel dalam sistem atau model (Adwin Surja Atmadja,

2010:356).

Dalam Shochrul R Ajija, dkk (2011:167), secara umum suatu

persamaan Granger dapat diinterpretasikan sebagai berikut (Gujarati,

2003:696-697).

1) Unidirectional causality (kausalitas satu arah) dari variabel

dependen ke variabel independen. Hal ini terjadi ketika koefisien

lag variabel dependen secara statistik signifikan berbeda dengan

nol, sedangkan koefisien lag seluruh variabel independen sama

dengan nol.

2) Feedback/bilateral causality (kausalitas dua arah), jika koefisien

lag seluruh variabel, baik variabel dependen maupun independen

secara statistik signifikan berbeda dengan nol.

3) Independence (tidak saling mempengaruhi), jika koefisien lag

seluruh variabel, baik variabel dependen maupun independen

secara statistik tidak berbeda dengan nol.

Untuk menguji kausalitas tersebut, apabila nilai probabilitas lebih

kecil daripada 0.05, maka terjadi kausalitas Granger, dan sebaliknya

apabila lebih besar daripada 0.05, maka tidak terjadi kausalitas Granger.

67

d. Uji Kointegrasi (Co-integration Test)

Dalam Ebrinda Daisy Gustiani, dkk (2010:533), pengujian

kointegrasi dilakukan untuk memperoleh hubungan jangka panjang antar

variabel yang telah memenuhi persyaratan selama proses integrasi yaitu

dimana semua variabel telah stationer pada derajat yang sama yaitu derajat

satu I(1). Hubungan kointegrasi dalam sebuah sistem persamaan

menandakan bahwa dalam sistem tersebut terdapat error correction model

yang mengambarkan adanya dinamisasi dalam jangka pendek secara

konsisten dengan hubungan jangka panjangnya seperti diungkapkan oleh

Verbeek (2000).

Informasi jangka panjang diperoleh dengan menentukan terlebih

dahulu rank kointegrasi untuk mengetahui berapa sistem persamaan yang

dapat menerangkan dari keseluruhan sistem yang ada. (Aam Slamet

Rusydiana, 2009:53). Uji kointegrasi yang digunakan dalam penelitian ini

adalah uji kointegrasi yang dikembangkan oleh Johansen dengan

membandingkan dua pengujian statistik yang berbeda, yaitu trace test dan

maximum eigenvalue test dengan nilai kritis 0.05. Jika nilai trace statistic

dan nilai Max-Eigen statistic lebih besar daripada nilai kritis 0.05, maka

data terkointegrasi. Pengujian hubungan kointegrasi dilakukan dengan

menggunakan lag optimal sesuai dengan pengujian sebelumnya.

Sementara itu, penentuan asumsi deterministik yang melandasi

pembentukan persamaan kointegrasi didasarkan pada dua kriteria, yaitu

68

SC dan AIC. Keputusan penentuan kriteria antara SC dan AIC tidak

dipermasalahkan. (Shochrul R Ajija, dkk, 2011:199).

e. Stabilitas VAR / VECM

Stabilitas VAR perlu diuji terlebih dahulu sebelum melakukan

analisis lebih jauh karena jika hasil estimasi VAR / VECM menunjukkan

tidak stabil, maka Impulse Response Function (IRF) dan Variance

Decomposition (VD) menjadi tidak valid. Setiawan (2007) dalam Aam

Slamet Rusydiana (2009). Uji stabilitas VAR / VECM dapat dilakukan

dengan menghitung akar-akar dari fungsi polynomial atau yang dikenal

dengan roots of characteristic polynomial. Jika semua akar dari fungsi

polynomial tersebut berada di dalam unit circle atau jika nilai absolutnya

lebih kecil daripada 1, sebagaimana menurut Gereen (2003) dalam Rossar

Maries (2008) “dynamic stability is achieved if the characteristic roots of

1 have modulus than one”, dengan demikian model VAR / VECM

tersebut bersifat stabil sehingga analisis IRF dan VD dapat dilakukan.

f. Estimasi VAR / VECM

Menurut Juanda dan Junaidi (2012:146), pada tahap pertama

sebelum model VAR dirumuskan adalah pemeriksaan terhadap apakah

data tersebut stasioner atau tidak. Jika data stasioner, maka model VAR

langsung bisa dirumuskan dan diestimasi. Jika data tidak stasioner,

sebagaimana dijelaskan ada dua kemungkinan model yang bisa digunakan,

yaitu (1) melakukan differencing terhadap data sehingga data menjadi

69

stasioner dan modelnya menjadi VAR in difference atau (2) tidak

melakukan differencing tetapi merestriksi VAR dengan persamaan

kointegrasi sehingga modelnya menjadi model VECM. Model Vector

Autoregressive (VAR) adalah model persamaan regresi yang

menggunakan data time series.

Estimasi VAR / VECM dilakukan dengan melihat apakah variabel

X mempengaruhi variabel Y, begitupun sebaliknya. Untuk melihat apakah

variabel X mempengaruhi variabel Y dapat dilihat dengan

membandingkan nilai t-statistik hasil estimasi secara mutlak, yaitu apabila

variabel X memiliki nilai t-statistik yang lebih besar dari 2 atau 1.96 maka

variabel X memiliki pengaruh yang signifikan terhadap variabel Y, dan

sebaliknya. (I Gusti Ngurah Agung, 2009:327)

Menurut Lutkepohl and Reimers, (1992) dan Runkle (1987) dalam

Yang et.al. (2003), interpretasi secara langsung terhadap hasil estimasi

dari VAR dan VECM seringkali sulit untuk lakukan, bahkan interpretasi

tersebut berpotensi menyesatkan. Untuk menghindari kesalahan tafsir dari

hasil estimasi VAR / VECM, maka digunakan suatu metode analisis yang

disebut dengan Accounting Innovation Analysis, yang terdiri atas Impulse

Response Analysis dan Variance Decomposition Analysis yang merupakan

suatu metode analisis yang tepat untuk mengeksplorasi struktur dinamik

dari interaksi jangka pendek antar variabel.

70

g. Impulse Response Function (IRF)

Model VAR dapat digunakan untuk melihat dampak perubahan

dari satu variabel dalam sistem terhadap variabel lainnya dalam sistem

secara dinamis. Caranya adalah dengan memberikan guncangan (shocks)

pada salah satu variabel endogen. Guncangan yang diberikan biasanya

sebesar satu standar deviasi dari variabel tersebut (biasanya disebut

innovations). Penelusuran pengaruh guncangan sebesar satu standar

deviasi yang dialami oleh satu variabel di dalam sistem terhadap nilai-nilai

semua variabel saat ini dan beberapa periode mendatang disebut sebagai

teknik Impulse Response Function (IRF). (Juanda dan Junaidi, 2012:139).

Menurut Sims (1992) dalam Shochrul R. Ajija (2011:168), fungsi

IRF menggambarkan ekspektasi k-periode ke depan dari kesalahan

prediksi suatu variabel akibat inovasi dari variabel yang lain. Jadi,

lamanya pengaruh dari shock suatu variabel terhadap variabel lain sampai

pengaruhnya hilang atau kembali ke titik keseimbangan dapat dilihat.

h. Variance Decomposition (VD)

Variance Decomposition atau disebut juga forecast error variance

decomposition merupakan perangkat pada model VAR yang memisahkan

variasi dari sejumlah variabel yang diestimasi menjadi komponen-

komponen shock atau menjadi variabel inovasi dengan asumsi bahwa

variabel-variabel inovasi tersebut tidak saling berkorelasi. Kemudian,

variance decomposition akan memberikan informasi mengenai proporsi

71

dari pergerakan pengaruh shock pada sebuah variabel terhadap shock

variabel lainnya pada periode saat ini dan periode yang akan datang.

(Shochrul R Ajija, dkk, 2011:168). Pada analisis impulse response

sebelumnya digunakan untuk melihat dampak guncangan dari satu

variabel terhadap variabel lainnya, sedangkan dalam analisis forecast

error variance decomposition digunakan untuk menggambarkan relatif

pentingnya setiap variabel dalam sistem VAR karena adanya shock.

(Juanda dan Junaidi, 2012:144).

E. Operasional Variabel Penelitian

Terdapat dua belas variabel dalam penelitian ini, yaitu:

1. Indeks JII

Pada tanggal 3 Juli 2000, PT Bursa Efek Indonesia bekerja sama

dengan PT Danareksa Investment Management (DIM) meluncurkan indeks

saham yang dibuat berdasarkan syariah Islam yaitu Jakarta Islamic Index

(JII). Jakarta Islamic Index terdiri dari 30 saham yang dipilih dari saham-

saham yang sesuai dengan syariah Islam (www.bapepam.go.id). JII

menggunakan hari dasar tanggal 2 Januari 1995 dengan nilai indeks sebesar

100. Perhitungan JII dilakukan dengan menggunakan metode perhitungan

indeks yang telah ditetapkan yaitu dengan kapitalisasi pasar

(www.wikipedia.org)

72

2. Indeks FBMS

Pada tanggal 22 Januari 2007, bursa Malaysia melakukan kerjasama

dengan FTSE Group dan menghasilkan indeks syariah baru yang dikenal

dengan FTSE Bursa Malaysia EMAS Shariah Index (FBMS). Dengan

diperkenalkannya FBMS, Kuala Lumpur Shariah Index secara resmi

dinonaktifkan pada tanggal 1 November 2007 dan diganti dengan FBMS

setelah selama sembilan bulan sama-sama diaktifkan sejajar dengan FBMS.

Saat ini, FBMS menjadi satu-satunya benchmark saham syariah di Malaysia

(The Report Malaysia 2007). Metode perhitungan indeks FBMS berdasarkan

jumlah saham yang beredar dan menggunakan hari dasar tanggal 31 Maret

2006 dengan nilai indeks sebesar 6000. (FTSE Monthly Report Oktober 2014)

3. Indeks DJIJP

Pada Februari 1999, Dow Jones meluncurkan indeks bursa syariah

yang pertama, yaitu Dow Jones Islamic Market Index (DJIMI) yang

merupakan bagian dari kelompok indeks-indeks global Dow Jones. Sekitar

tahun 2000, ada 117 saham yang terdaftar di Dow Jones Islamic Market Japan

Index (DJIJP) dan dihitung berdasarkan kapitalisasi pasar menggunakan

jumlah saham yang beredar atau free-float market capitalization. (www.

djindexes.com)

73

4. Indeks DJIUK

Dow Jones Islamic Market United Kingdom Index (DJIUK)

diluncurkan bersama dengan indeks DJIM negara lainnya pada Februari 1999.

Dow Jones Islamic Market Index (DJIMI) saat ini meliputi saham-saham dari

69 negara, termasuk DJIUK di dalamnya. DJIUK menggunakan metode yang

sama dengan indeks Dow Jones Islamic Market lainnya, yaitu metode

kapitalisasi pasar menggunakan jumlah saham yang beredar atau free-float

market capitalization. (www. djindexes.com)

5. Indeks DJICA

Dow Jones Islamic Market Canada Index (DJICA) pertama kali

dihitung pada tanggal 24 Mei 1999 berdasarkan free-float market

capitalization. Dalam DJICA terdapat 10 sektor yaitu minyak dan gas

(45,22%), basic materials (25,60%), industri (16,73%), consumer services

(3,68%), consumer goods (2.23%), utilities (2.17%), teknologi (2.08%),

health care (1.57%), telekomunikasi (0.58%), dan keuangan (0.15%). Indeks

ini memiliki tahun dasar 29 Desember 1995. (www. djindexes.com)

6. Indeks IMUS

Dow Jones Islamic Market United States Index (IMUS) diluncurkan

bersama dengan saham-saham dari 32 negara lainnya, mencakup 10 sektor

ekonomi, 18 sektor pasar, 51 kelompok dan 89 sub kelompok industri pada

Februari 1999. Metode yang digunakan untuk menghitung indeks ini adalah

kapitalisasi pasar menggunakan jumlah saham yang beredar atau free-float

74

market capitalization sama dengan indeks Dow Jones Islamic Market di

negara lainnya. (www. djindexes.com)

7. Indeks IHSG

Indeks Harga Saham Gabungan diperkenalkan pertama kali pada April

1983, yang digunakan sebagai indikator utama untuk memantau pergerakan

harga saham secara keseluruhan di bursa saham Indonesia (Bursa Efek

Indonesia). Dasar perhitungan IHSG adalah jumlah nilai pasar dari total

saham yang tercatat pada tanggal 10 Agustus 1982 dengan nilai dasar 100 dan

saham tercatat pada saat itu berjumlah 13 saham. (www.wikipedia.org)

8. Indeks KLSE

Indeks Kuala Lumpur Stock Exchange (KLSE) yang dulu bernama

Kuala Lumpur Composite Index (KLCI) dan merupakan indeks pasar saham

yang berfungsi sebagai indikator pergerakan pasar saham dan keadaan

ekonomi negara Malaysia. Kuala Lumpur Stock Exchange berdasarkan

kapitalisasi pasar. KLSE terdiri dari 30 perusahaan terbesar yang terdaftar di

bursa saham Malaysia. (www.wikipedia.org)

9. Indeks NIKKEI 225

Indeks NIKKEI 225 memakai metode price weighted dimana saham-

saham yang menjadi sampel pada perhitungan indeks ini terdiri dari 225

perusahaan ranking tertinggi di Bursa Saham Tokyo. Indeks ini diperkenalkan

pada tanggal 16 Mei 1949 dengan harga rata – rata 176,21 dan dengan

pembagi 225. (www.wikipedia.org)

75

10. Indeks FTSE 100

Indeks FTSE 100 (Financial Times Stock Exchange) merupakan

indeks dari 100 perusahaan yang mempunyai nilai kapitalisasi tertinggi yang

diperdagangkan di London Stock Exchange. Indeks ini juga merupakan indeks

yang paling banyak digunakan sebagai indikator pasar modal negara Inggris.

Indeks ini dihitung dengan menggunakan metode price weighted.

(www.wikipedia.org)

11. Indeks S&P TSX

Toronto Stock Exchange (TSX, sebelumnya TSE) adalah bursa saham

terbesar di Kanada, yang terbesar ketiga di Amerika Utara dan terbesar

ketujuh di dunia berdasarkan kapitalisasi pasar. TSX adalah pemimpin dunia

di sektor pertambangan dan migas karena lebih banyak perusahaan

pertambangan serta perusahaan minyak dan gas yang terdaftar di bursa ini

dibandingkan bursa lainnya. (www.wikipedia.org)

12. Indeks DJIA

Dow Jones Industrial Average (DJIA) adalah salah satu indeks pasar

saham yang didirikan oleh editor The Wall Street Journal dan pendiri Dow

Jones & Company Charles Dow. Dow sebagai suatu cara untuk mengukur

performa komponen industri di pasar saham Amerika.. Sekarang, bursa saham

ini terdiri dari 30 perusahaan terbesar di Amerika Serikat yang sudah secara

luas go public. Untuk mengkompensasi efek pemecahan saham dan

penyesuaian lainnya, sekarang ini menggunakan price weighted.

(www.wikipedia.org)

76

BAB IV

ANALISIS DAN PEMBAHASAN

A. Sekilas Gambaran Umum Objek Penelitian

Kemajuan teknologi dan informasi di era globalisasi saat ini membuat

segala macam aktivitas termasuk kegiatan investasi pun semakin mudah.

Dengan semakin terintegrasinya perekonomian dunia, hampir semua negara

(termasuk Indonesia) tidak dapat lepas dari pengaruh aliran modal

antarnegara. Salah satu karakteristik investor di bursa saham adalah

memperkecil risiko investasi. Pada masa lalu, ketika sistem keuangan dunia

masih tertutup, investor melakukan investasi pada banyak jenis saham (yang

pola pergerakannya berbeda) pada bursa saham konvensional dalam negeri.

Kini semakin terbukanya sistem finansial dunia, investor dapat

mengurangi risiko dengan melakukan investasi di beberapa negara

(international risk sharing), baik itu di bursa saham syariah maupun

konvensional. Investor berharap jika investasi hanya pada satu negara dimana

jika terjadi kondisi yang buruk, maka investasi di negara yang lain diharapkan

lebih baik dan dapat menjadi kompensasi. Dengan demikian investasi tersebut

tidak hanya dipengaruhi oleh kondisi satu negara saja. Investor yang

menanamkan modalnya di bursa saham baik syariah maupun konvensional di

berbagai negara membuat antar bursa saham tersebut memiliki keterkaitan

satu sama lain.

77

Dalam investasi di dunia saham, investor tidak akan terlepas dari

melihat indeks harga saham karena dari indeks harga saham tersebut

mencerminkan pergerakan harga saham yang berubah dengan cepat sehingga

investor pun dapat menentukan saat harus menjual, membeli, dan menahan

saham-saham yang mereka miliki. Selain itu, indeks juga berfungsi sebagai

indikator trend pasar, artinya pergerakan indeks menggambarkan kondisi

pasar pada saat tertentu apakah pasar sedang aktif atau lesu.

Oleh karena itu, ketika suatu negara mengalami kondisi perekonomian

yang buruk, maka akan tercermin dalam pergerakan indeks harga yang

menurun dan ketika perekonomian negara tersebut baik, maka pergerakan

indeks juga akan meningkat. Hal ini dapat dilihat saat terjadi krisis keuangan

global pada tahun 2008, baik harga saham konvensional maupun syariah

mengalami kejatuhan. Jatuhnya harga saham-saham ini akan memberikan

dampak terhadap perekonomian sejumlah negara, baik di Inggris, Amerika

Serikat, Kanada, Jepang, dan Malaysia, dan Indonesia.

B. Penemuan dan Pembahasan

1. Deskripsi Data

Data yang diuji dalam penelitian ini merupakan data nilai penutupan

indeks harian. Oleh karena itu, analisis singkat mengenai pola pergerakan atas

nilai penutupan indeks-indeks yang menjadi variabel dalam penelitian ini akan

dibahas sebagai berikut.

78

a. Jakarta Islamic Index (JII)

Dari periode 4 Januari 2008 s.d. 30 Desember 2013, terlihat range

pergerakan nilai penutupan JII adalah antara 150 hingga 750. Indeks ini

mencapai nilai penutupan terendah 172.71 pada tanggal 28 Oktober 2008

dan nilai penutupan tertinggi 708.10 pada tanggal 22 Mei 2013. Nilai

penutupan harian rata-rata JII adalah 480.85.

Gambar 4.1. Pergerakan Indeks Harian atas JII

Sumber: data diolah dari Yahoo Finance

b. FTSE Bursa Malaysia Emas Shariah (FBMS)


pergerakan nilai penutupan FBMS adalah antara 5,500 hingga 13,500.

Indeks ini mencapai nilai penutupan terendah 5,600.69 pada tanggal 29

Oktober 2008 dan nilai penutupan tertinggi 13,093.77 pada tanggal 30

Desember 2013. Nilai penutupan harian rata-rata FBMS adalah 9,638.11.

79

Gambar 4.2. Pergerakan Indeks Harian atas FBMS

Sumber: data diolah dari Bloomberg

c. Dow Jones Islamic Market Japan (DJIJP)


pergerakan nilai penutupan DJIJP adalah antara 650 hingga 1,300. Indeks

ini mencapai nilai penutupan terendah 676.01 pada tanggal 10 Maret 2009

dan nilai penutupan tertinggi 1,292.58 pada tanggal 2 Juni 2008. Nilai

penutupan harian rata-rata DJIJP adalah 1,049.36.

Gambar 4.3. Pergerakan Indeks Harian atas DJIJP

Sumber: data diolah dari Google Finance

80

d. Dow Jones Islamic Market United Kingdom (DJIUK)


pergerakan nilai penutupan DJIUK adalah antara 1,000 hingga 3,000.


Maret 2009 dan nilai penutupan tertinggi 2,714.66 pada tanggal 22 Mei

2008. Nilai penutupan harian rata-rata DJIUK adalah 2,054.08.

Gambar 4.4. Pergerakan Indeks Harian atas DJIUK


e. Dow Jones Islamic Market Canada (DJICA)


pergerakan nilai penutupan DJICA adalah antara 950 hingga 3,500. Indeks

ini mencapai nilai penutupan terendah 990.03 pada tanggal 20 November

2008 dan nilai penutupan tertinggi 3,066.34 pada tanggal 21 Mei 2008.

Nilai penutupan harian rata-rata DJICA adalah 2,136.25.

81

Gambar 4.5. Pergerakan Indeks Harian atas DJICA


f. Dow Jones Islamic Market United States (IMUS)


pergerakan nilai penutupan IMUS adalah antara 1,000 hingga 3,500.


Maret 2009 dan nilai penutupan tertinggi 3,330.59 pada tanggal 27

Desember 2013. Nilai penutupan harian rata-rata IMUS adalah 2,290.76.

Gambar 4.6. Pergerakan Indeks Harian atas IMUS


82

g. Indeks Harga Saham Gabungan (IHSG)


pergerakan nilai penutupan IHSG adalah antara 1,000 hingga 5,500.


Oktober 2008 dan nilai penutupan tertinggi 5,208.00 pada tanggal 22 Mei

2013. Nilai penutupan harian rata-rata IHSG adalah 3,259.75.

Gambar 4.7. Pergerakan Indeks Harian atas IHSG


h. Kuala Lumpur Stock Exchange (KLSE)


pergerakan nilai penutupan KLSE adalah antara 800 hingga 2,000. Indeks

ini mencapai nilai penutupan terendah 829.41 pada tanggal 29 Oktober

2008 dan nilai penutupan tertinggi 1,872.52 pada tanggal 30 Desember

2013. Nilai penutupan harian rata-rata KLSE adalah 1,409.14.

83

Gambar 4.8. Pergerakan Indeks Harian atas KLSE


i. NIKKEI 225


pergerakan nilai penutupan NIKKEI 225 adalah antara 7,000 hingga

16,500. Indeks ini mencapai nilai penutupan terendah 7,054.98 pada

tanggal 10 Maret 2009 dan nilai penutupan tertinggi 16,291.31 pada

tanggal 30 Desember 2013. Nilai penutupan harian rata-rata NIKKEI 225

adalah 10,619.36.

Gambar 4.9. Pergerakan Indeks Harian atas NIKKEI 225


84

j. Financial Times Stock Exchange 100 (FTSE 100)


pergerakan nilai penutupan FTSE 100 adalah antara 3,500 hingga 7,000.


Maret 2009 dan nilai penutupan tertinggi 6,840.27 pada tanggal 22 Mei

2013. Nilai penutupan harian rata-rata FTSE 100 adalah 5,551.33.

Gambar 4.10. Pergerakan Indeks Harian atas FTSE 100


k. S&P Toronto Stock Exchange (S&P TSX)


pergerakan nilai penutupan S&P TSX adalah antara 7,500 hingga 15,500.


Maret 2009 dan nilai penutupan tertinggi 15,073.13 pada tanggal 18 Juni

2008. Nilai penutupan harian rata-rata S&P TSX adalah 12,103.10.

85

Gambar 4.11. Pergerakan Indeks Harian atas S&P TSX


l. Dow Jones Industrial Average (DJIA)


pergerakan nilai penutupan DJIA adalah antara 6,500 hingga 17,000.


Maret 2009 dan nilai penutupan tertinggi 16,504.29 pada tanggal 30

Desember 2013. Nilai penutupan harian rata-rata DJIA adalah 11,791.61.

Gambar 4.12. Pergerakan Indeks Harian atas DJIA


86

Dari keseluruhan analisis penutupan harian atas indeks-indeks

yang menjadi variabel dalam penelitian, diketahui hampir semuanya

memiliki nilai penutupan terendah di kisaran bulan Oktober 2008 dan

Maret 2009, kecuali DJICA yang tidak begitu jauh dari lainnya memiliki

nilai penutupan terendah di bulan November 2008. Hal ini membuktikan

saat krisis keuangan global terjadi di Amerika dan Eropa memberikan efek

jatuhnya sebagian besar saham syariah dan konvensional di wilayah Asia,

Eropa, dan Amerika. Walaupun begitu, setiap negara akan menyusun

strategi masing-masing dalam membangkitkan kembali perekonomian

mereka agar tidak terlalu terpuruk akibat krisis tersebut.

2. Pembahasan

Dalam pembahasan analisis Vector Autoregressive (VAR), langkah-

langkah dalam analisis ini adalah uji stasioneritas, penentuan lag optimum, uji

kausalitas, uji kointegrasi, uji stabilitas VAR, estimasi VAR / VECM, Impulse

Response Function (IRF), dan Variance Decomposition (VD). Akan tetapi,

sebelum melakukan tahap-tahap analisis VAR, perlunya dilakukan analisis

statistika deskriptif yaitu analisis yang paling mendasar untu menggambarkan

keadaan data secara umum lebih lanjut. Setelah itu, dilakukan analisis VAR /

VECM untuk mengetahui integrasi antara bursa saham syariah dan

konvensional di Malaysia, Jepang, Inggris, Kanada, dan Amerika Serikat

dengan bursa saham syariah dan konvensional di Indonesia.

87

a. Statistika Deskriptif

Berdasarkan tabel statistika deskriptif untuk bursa saham syariah di

bawah ini, terlihat bahwa rata-rata nilai penutupan harian yang terbesar

adalah FBMS sebesar 9,638.11, sedangkan rata-rata nilai penutupan harian

yang terkecil adalah JII sebesar 480.45. Sementara itu, dari informasi data

standar deviasi di tabel diketahui FBMS adalah yang memiliki risiko

paling tinggi diimbangi dengan return yang lebih tinggi (nilai penutupan

lebih tinggi) dan DJIJP adalah yang memiliki risiko paling rendah.

Tabel 4.1. Statistika Deskriptif atas Nilai Penutupan Harian Indeks Bursa

Saham Syariah

JII IMUS FBMS DJIUK DJIJP DJICA

Mean 480.4500 2290.756 9638.108 2054.084 1049.362 2136.248

Median 511.0010 2291.195 9870.930 2090.540 1058.730 2116.305

Maximum 708.1000 3330.590 13093.77 2714.660 1292.580 3066.340

Minimum 172.7102 1323.090 5600.690 1236.280 676.0100 990.0300

Std. Dev. 121.7010 426.1959 1808.203 275.7143 115.2104 408.8972

Sumber: data diolah

Kemudian berdasarkan tabel statistika deskriptif untuk bursa

saham konvensional di bawah ini, terlihat bahwa rata-rata nilai penutupan

harian yang terbesar adalah S&P TSX sebesar 12,103.10, sedangkan rata-

rata nilai penutupan harian yang terkecil adalah KLSE sebesar 1,409.14.

Sementara itu, dari informasi data standar deviasi di tabel diketahui DJIA

adalah yang memiliki risiko paling tinggi dan KLSE adalah yang memiliki

88

risiko paling rendah diimbangi dengan return yang lebih rendah (nilai

penutupan lebih rendah).

Tabel 4.2. Statistika Deskriptif atas Nilai Penutupan Harian Indeks Bursa

Saham Konvensional

IHSG FTSE DJIA KLSE NIKKEI S_P_TSX

Mean 3259.752 5551.328 11791.61 1409.143 10619.36 12103.10

Median 3565.930 5680.235 12001.03 1472.935 9918.600 12272.12

Maximum 5208.000 6840.270 16504.29 1872.520 16291.31 15073.13

Minimum 1111.390 3512.090 6594.440 829.4100 7054.980 7591.470

Std. Dev. 1035.111 694.8857 2090.442 260.7491 2065.325 1419.710

Sumber: data diolah

b. Uji Stasioneritas

Uji stasioneritas dalam penelitian ini menggunakan uji Augmented

Dickey Fuller (ADF). Nilai statistik ADF akan dibandingkan nilai kritis

MacKinnon untuk mengetahui derajat stasioneritas variabel-variabel.

Hipotesis dalam uji ini adalah sebagai berikut.

H0: data tidak stasioner

H1: data stasioner

Apabila nilai ADF statistik lebih besar daripada nilai kritis

MacKinnon, maka H0 ditolak atau data tersebut stasioner karena tidak

mengandung unit root. Sebaliknya, apabila nilai ADF statistik lebih kecil

daripada nilai kritis MacKinnon, maka data tersebut tidak stasioner pada

derajat level. Dengan demikian, differencing data untuk memperoleh data

yang stasioner pada derajat yang sama di first difference I(1) harus

89

dilakukan. Berikut adalah hasil uji variabel-variabel penelitian (indeks

saham bursa saham syariah dan konvensional) pada tingkat level dan 1st

difference.

Tabel 4.3. Uji Stasioneritas atas Nilai Penutupan Harian Indeks

Bursa Saham Syariah

Variabel ADF statistik

Level 1st Difference

JII -3.029353 -22.89536

FBMS -4.096611 -23.32847

DJIJP -2.692941 -30.49335

DJIUK -2.809071 -36.42546

DJICA -2.262833 -32.09699

IMUS -2.454421 -38.30584

5% critical value MacKinnon -3.413376

Sumber: data diolah

Berdasarkan tabel uji stasioneritas nilai penutupan harian indeks

bursa saham syariah pada tingkat level dan 1st difference di atas

menunjukan bahwa pada unit level hanya nilai ADF statistik FBMS yang

lebih besar dari α = 5% critical value sehingga dapat dikatakan stasioner,

sedangkan yang lainnya tidak stasioner. Oleh karena itu, semua indeks

perlu dilakukan proses 1st difference karena jika salah satu variabel

stasioner di tingkat 1st difference, maka semua variabel harus stasioner di

tingkat 1st difference juga. Setelah dilakukan proses 1

st difference, nilai

ADF statistik sudah lebih besar dari α = 5% critical value yang berarti

90

seluruh variabel indeks bursa saham syariah stasioner pada order pertama

atau 1st difference.

Tabel 4.4. Uji Stasioneritas atas Nilai Penutupan Harian Indeks


Variabel ADF statistik

Level 1st Difference

IHSG -2.775900 -22.16271

KLSE -3.607964 -34.22601

NIKKEI -1.510244 -38.43694

FTSE -3.263944 -35.59969

S&P TSX -2.329110 -26.47936

DJIA -2.488543 -39.62337

5% critical value MacKinnon -3.413376

Sumber: data diolah

Sementara itu, berdasarkan tabel uji stasioneritas nilai penutupan

harian indeks bursa saham konvensional pada tingkat level dan 1st

difference di atas menunjukan bahwa pada unit level hanya nilai ADF

statistik KLSE yang lebih besar dari α = 5% critical value sehingga dapat

dikatakan stasioner, sedangkan yang lainnya tidak stasioner. Oleh karena

itu, semua indeks perlu dilakukan proses 1st difference karena jika salah

satu variabel stasioner di tingkat 1st difference, maka semua variabel harus

stasioner di tingkat 1st difference juga. Setelah dilakukan proses 1

st

difference, nilai ADF statistik sudah lebih besar dari α = 5% critical value

yang berarti seluruh variabel indeks bursa saham konvensional stasioner

pada order pertama atau 1st difference.

91

c. Penentuan Lag Optimal

Pada tahap selanjutnya, dilakukan penentuan lag optimal yang

dilakukan dengan menggunakan kriteria informasi yang tersedia. Kandidat

lag yang terpilih adalah panjang lag menurut kriteria Likelihood Ratio

(LR), Final Prediction Error (FPE), Akaike Information Criterion (AIC),

Schwarz Information Criterion (SC), dan Hannan-Quin Criterion (HQ).

Dalam penentuan lag optimal dengan menggunakan kriteria

informasi tersebut, maka dipilih kriteria yang mempunyai nilai paling kecil

yang ditunjukkan oleh tanda asterik (*) pada hasil lag optimal. Jika kriteria

informasi hanya merujuk pada sebuah kandidat lag saja, maka kandidat

tersebutlah yang optimal. Akan tetapi, jika ada beberapa pilihan kandidat,

maka selanjutnya dipilih berdasarkan nilai Adjusted R2 tertinggi pada

variabel terpenting dalam sistem VAR di mana variabel terpenting di sini

adalah JII dan IHSG.

1) Penentuan Lag Opimal Indeks Bursa Saham Syariah

(a) Lag Optimal antara FBMS dengan JII

Dari tabel penentuan lag optimal antara FBMS dengan JII di

bawah ini, terlihat bahwa lag menurut SC akan optimal saat lag 1,

lag menurut HQ akan optimal saat lag 4, dan lag atas LR, FPE, AIC

akan optimal saat lag 5. Karena terdapat tiga kandidat yang berbeda,

maka perlu dilakukan tahap selanjutnya dalam penentuan lag

optimal, yaitu dengan pemilihan nilai Adjusted R2.

92

Tabel 4.5. Penentuan Lag Optimal atas FBMS dengan JII

Lag LogL LR FPE AIC SC HQ 0 -17430.66 NA 3.90e+09 27.75901 27.76719 27.76208

1 -11710.34 11413.30 434018.5 18.65660 18.68113* 18.66582

2 -11699.68 21.25023 429434.9 18.64598 18.68687 18.66135

3 -11692.59 14.09506 427329.1 18.64106 18.69831 18.66258

4 -11680.74 23.52332 422023.2 18.62857 18.70217 18.65623*

5 -11675.50 10.39407* 421188.9* 18.62659* 18.71655 18.66040

6 -11673.13 4.684292 422286.1 18.62919 18.73550 18.66915

7 -11671.96 2.325521 424189.1 18.63369 18.75635 18.67979

8 -11671.84 0.233086 426819.7 18.63987 18.77889 18.69212 * 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: data diolah

Pada tahap ini, nilai Adjusted R2 pada sistem VAR atas ketiga

lag tersebut akan diperbandingkan dan dipilih lag yang memiliki

nilai Adjusted R2 terbesar sebagai lag optimalnya. Berdasarkan

pebandingan nilai Adjusted R2 yang telah dilakukan, maka Adjusted

R2 pada lag 5 sebesar 0.995173 yang dipilih.

Tabel 4.6. Perbandingan Indikator Adjusted R2

untuk Pemilihan Lag

atas FBMS dengan JII

Lag Adjusted R2

1 0.995028

4 0.995150

5 0.995173

Sumber: data diolah

93

(b) Lag Optimal antara DJIJP dengan JII

Dari tabel penentuan lag optimal antara DJIJP dengan JII di

bawah ini, terlihat bahwa lag menurut SC akan optimal saat lag 2 dan

lag atas LR, FPE, AIC, HQ akan optimal saat lag 4. Karena terdapat

dua kandidat yang berbeda, maka perlu dilakukan tahap selanjutnya

dalam penentuan lag optimal, yaitu dengan pemilihan nilai Adjusted

R2.

Tabel 4.7. Penentuan Lag Optimal atas DJIJP dengan JII

Lag LogL LR FPE AIC SC HQ 0 -15104.92 NA 95998593 24.05560 24.06378 24.05867

1 -9703.055 10777.92 17756.81 15.46028 15.48481 15.46950

2 -9671.726 62.40782 17000.66 15.41676 15.45765* 15.43213

3 -9658.900 25.50904 16763.40 15.40271 15.45995 15.42422

4 -9646.309 25.00197* 16535.64* 15.38903* 15.46263 15.41669*

5 -9644.604 3.379309 16596.20 15.39268 15.48264 15.42649

6 -9641.711 5.726305 16625.48 15.39444 15.50076 15.43440

7 -9641.421 0.573054 16724.01 15.40035 15.52302 15.44646






Sumber: data diolah

Pada tahap ini, nilai Adjusted R2 pada sistem VAR atas kedua





94


untuk Pemilihan Lag

atas DJIJP dengan JII

Lag Adjusted R2

2 0.995015

4 0.995124

Sumber: data diolah

(c) Lag Optimal antara DJIUK dengan JII

Dari tabel penentuan lag optimal antara DJIUK dengan JII di

bawah ini, terlihat bahwa lag menurut SC dan HQ akan optimal saat

lag 3 dan lag atas LR, FPE, AIC akan optimal saat lag 5. Karena

terdapat dua kandidat yang berbeda, maka perlu dilakukan tahap

selanjutnya dalam penentuan lag optimal, yaitu dengan pemilihan

nilai Adjusted R2.

Tabel 4.9. Penentuan Lag Optimal atas DJIUK dengan JII


1 -10695.74 11327.79 86269.34 17.04098 17.06552 17.05020

2 -10666.20 58.83799 82831.71 17.00032 17.04121 17.01569

3 -10651.69 28.86237 81456.75 16.98358 17.04083* 17.00510*

4 -10644.80 13.68933 81082.25 16.97897 17.05257 17.00664

5 -10639.32 10.85885* 80891.76* 16.97662* 17.06658 17.01043

6 -10637.43 3.746039 81163.71 16.97998 17.08629 17.01993

7 -10636.25 2.317682 81529.98 16.98448 17.10715 17.03058






Sumber: data diolah

95







untuk Pemilihan Lag

atas DJIUK dengan JII

Lag Adjusted R2

3 0.995264

5 0.995354

Sumber: data diolah

(d) Lag Optimal antara DJICA dengan JII

Tabel 4.11. Penentuan Lag Optimal atas DJICA dengan JII


1 -11015.62 12089.60 143572.6 17.55035 17.57488 17.55957

2 -10963.77 103.2925 133039.0 17.47415 17.51504* 17.48952

3 -10951.88 23.64678 131378.1 17.46159 17.51883 17.48310*

4 -10945.56 12.53819* 130894.8* 17.45790* 17.53150 17.48557

5 -10942.40 6.268489 131069.7 17.45924 17.54919 17.49305

6 -10939.51 5.726514 131301.0 17.46100 17.56731 17.50096

7 -10938.19 2.601920 131863.3 17.46527 17.58794 17.51138






Sumber: data diolah

96

Dari tabel penentuan lag optimal antara DJICA dengan JII di

atas, terlihat bahwa lag menurut SC akan optimal saat lag 2, lag

menurut HQ akan optimal saat lag 3, dan lag atas LR, FPE, AIC










untuk Pemilihan Lag

atas DJICA dengan JII

Lag Adjusted R2

2 0.995353

3 0.995411

4 0.995452

Sumber: data diolah

(e) Lag Optimal antara IMUS dengan JII

Dari tabel penentuan lag optimal indeks IMUS dengan JII di

bawah, terlihat bahwa lag menurut SC akan optimal saat lag 2, lag

menurut LR dan HQ akan optimal saat lag 4 serta lag atas FPE dan

AIC akan optimal saat lag 5. Karena terdapat tiga kandidat yang

97

berbeda, maka perlu dilakukan tahap selanjutnya dalam penentuan

lag optimal, yaitu dengan pemilihan nilai Adjusted R2.

Tabel 4.13. Penentuan Lag Optimal atas IMUS dengan JII


1 -10515.40 11517.75 64735.44 16.75382 16.77835 16.76304

2 -10460.83 108.6927 59727.56 16.67330 16.71419* 16.68867

3 -10447.92 25.68431 58885.76 16.65911 16.71635 16.68062

4 -10437.91 19.87120* 58325.17 16.64954 16.72314 16.67721*

5 -10433.74 8.278715 58308.86* 16.64926* 16.73922 16.68307

6 -10431.85 3.729430 58505.67 16.65263 16.75894 16.69259

7 -10429.90 3.852272 58697.07 16.65590 16.77856 16.70200






Sumber: data diolah







untuk Pemilihan Lag

atas IMUS dengan JII

Lag Adjusted R2

2 0.995325

4 0.995464

5 0.995496

Sumber: data diolah

98

2) Penentuan Lag Optimal Indeks Bursa Saham Konvensional

(a) Lag Optimal antara KLSE dengan IHSG

Dari tabel penentuan lag optimal antara KLSE dengan IHSG

di bawah, terlihat bahwa lag menurut SC akan optimal saat lag 2 dan

lag menurut LR, FPE, AIC, HQ akan optimal saat lag 4. Karena



nilai Adjusted R2.

Tabel 4.15. Penentuan Lag Optimal atas KLSE dengan IHSG


1 -11274.72 12355.37 216895.6 17.96293 17.98746 17.97215

2 -11258.14 33.02311 212594.8 17.94290 17.98379* 17.95827

3 -11253.23 9.761968 212287.6 17.94145 17.99870 17.96297

4 -11241.44 23.41938* 209669.2* 17.92904* 18.00264 17.95670*

5 -11239.93 2.984671 210503.7 17.93301 18.02297 17.96682

6 -11236.32 7.152094 210633.5 17.93363 18.03994 17.97358

7 -11236.21 0.221128 211941.8 17.93982 18.06249 17.98592






Sumber: data diolah




99




untuk Pemilihan Lag

atas KLSE dengan IHSG

Lag Adjusted R2

2 0.997735

4 0.997746

Sumber: data diolah

(b) Lag Optimal antara NIKKEI 225 dengan IHSG

Tabel 4.17. Penentuan Lag Optimal atas NIKKEI 225 dengan IHSG


1 -14974.41 13660.38 78484336 23.85416 23.87870* 23.86338

2 -14963.45 21.85065 77618205 23.84307 23.88396 23.85843*

3 -14962.28 2.327859 77968726 23.84757 23.90482 23.86909

4 -14950.50 23.38742 77009018 23.83519 23.90879 23.86285

5 -14946.00 8.911428 76948363 23.83440 23.92435 23.86821

6 -14939.13 13.60519* 76597095* 23.82982* 23.93613 23.86978

7 -14937.98 2.275939 76945349 23.83436 23.95703 23.88046

8 -14934.27 7.311839 76981449 23.83483 23.97385 23.88708 * indicates lag order selected by the criterion





Sumber: data diolah

Dari tabel penentuan lag optimal antara NIKKEI 225 dengan

IHSG di atas, terlihat bahwa lag menurut SC akan optimal saat lag 1,

lag menurut HQ akan optimal saat lag 2, dan lag atas LR, FPE, AIC


100









untuk Pemilihan Lag

atas NIKKEI 225 dengan IHSG

Lag Adjusted R2

1 0.997732

2 0.997753

6 0.997810

Sumber: data diolah

(c) Lag Optimal antara FTSE 100 dengan IHSG

Tabel 4.19. Penentuan Lag Optimal atas FTSE 100 dengan IHSG


1 -13776.54 12015.45 11651785 21.94672 21.97126 21.95594

2 -13748.24 56.37963 11209496 21.90803 21.94892* 21.92339*

3 -13744.97 6.507962 11222495 21.90918 21.96643 21.93070

4 -13734.48 20.82739 11107138 21.89885 21.97245 21.92651

5 -13729.36 10.15264* 11087331* 21.89707* 21.98702 21.93088

6 -13727.50 3.676821 11125225 21.90048 22.00679 21.94043

7 -13724.20 6.525468 11137603 21.90159 22.02426 21.94769






Sumber: data diolah

101

Dari tabel penentuan lag optimal indeks FTSE 100 dengan

IHSG di atas, terlihat bahwa lag menurut SC dan HQ akan optimal

saat lag 2 dan lag atas LR, FPE, AIC akan optimal saat lag 5. Karena



nilai Adjusted R2.







untuk Pemilihan Lag

atas FTSE 100 dengan IHSG

Lag Adjusted R2

2 0.997809

5 0.997848

Sumber: data diolah

(d) Lag Optimal antara S&P TSX dengan IHSG

Dari tabel penentuan lag optimal indeks S&P TSX dengan

IHSG di bawah, terlihat bahwa lag menurut SC dan HQ akan optimal

saat lag 2, lag menurut LR akan optimal saat lag 4 serta lag atas FPE

dan AIC akan optimal saat lag 5. Karena terdapat tiga kandidat yang

102

berbeda, maka perlu dilakukan tahap selanjutnya dalam penentuan

lag optimal, yaitu dengan pemilihan nilai Adjusted R2.

Tabel 4.21. Penentuan Lag Optimal atas S&P TSX dengan IHSG


1 -14767.84 12804.96 56483775 23.52522 23.54975 23.53444

2 -14708.67 117.8589 51733791 23.43738 23.47827* 23.45274*

3 -14704.55 8.198934 51723713 23.43718 23.49443 23.45870

4 -14696.11 16.76082* 51359253 23.43011 23.50371 23.45777

5 -14691.58 8.975783 51316149* 23.42927* 23.51923 23.46308

6 -14687.86 7.369131 51338810 23.42971 23.53602 23.46967

7 -14685.98 3.703334 51512941 23.43310 23.55576 23.47920






Sumber: data diolah







untuk Pemilihan Lag

atas S&P TSX dengan IHSG

Lag Adjusted R2

2 0.997918

4 0.997939

5 0.997947

Sumber: data diolah

103

(e) Lag Optimal antara DJIA dengan IHSG

Dari tabel penentuan lag optimal indeks DJIA dengan IHSG

di bawah ini, terlihat bahwa lag menurut SC dan HQ akan optimal

saat lag 2 dan lag atas LR, FPE, AIC akan optimal saat lag 4. Karena



nilai Adjusted R2.

Tabel 4.23. Penentuan Lag Optimal atas DJIA dengan IHSG


1 -14723.98 12615.50 52673633 23.45538 23.47991 23.46460

2 -14638.74 169.7942 46282212 23.32602 23.36691* 23.34139*

3 -14636.95 3.560573 46445359 23.32954 23.38679 23.35106

4 -14626.93 19.90517* 46001949* 23.31995* 23.39355 23.34761

5 -14623.69 6.408092 46058234 23.32117 23.41113 23.35498

6 -14622.15 3.058369 46238652 23.32508 23.43139 23.36504

7 -14619.72 4.804790 46354325 23.32758 23.45024 23.37368






Sumber: data diolah






104


untuk Pemilihan Lag

atas DJIA dengan IHSG

Lag Adjusted R2

2 0.997941

4 0.997972

Sumber: data diolah

d. Uji Kausalitas Granger

Metode yang digunakan untuk menganalisi hubungan kausalitas

antar variabel yang diamati adalah dengan uji kausalitas Granger. Dalam

penelitian ini, uji kausalitas Granger hanya difokuskan untuk melihat arah

hubungan antara bursa saham syariah dan konvensional di wilayah Asia,

Eropa, dan Amerika dengan bursa saham syariah dan konvensional di

Indonesia.

Hipotesis dalam uji ini adalah sebagai berikut.

H0: tidak terdapat kausalitas Granger

H1: terdapat kausalitas Granger

Apabila nilai probabilitas lebih kecil daripada 0.05, maka H0

ditolak atau data terjadi, dan sebaliknya apabila lebih besar daripada 0.05,

maka H0 diterima atau tidak terjadi kausalitas Granger.

1) Uji Kausalitas Granger Indeks Bursa Saham Syariah

(a) Uji Kausalitas Granger antara FBMS dengan JII

Sesuai dengan penentuan lag pada tahap sebelumnya,

menunjukkan bahwa lag yang dipilih adalah lag 5 sehingga uji

105

kausalitas Granger akan dilakukan pada lag tersebut. Berdasarkan

tabel uji kausalitas Granger di bawah ini, terlihat bahwa kedua

hipotesis nol ditolak karena nilai probabilitas keduanya lebih kecil

daripada 0.05, yaitu sebesar 0.00001 dan 0.0278. Artinya, FBMS

berpengaruh signifikan terhadap JII, demikian juga JII berpengaruh

signifikan terhadap FBMS. Dengan demikian, terjadi hubungan

kausalitas dua arah antara FBMS dan JII.

Tabel 4.25. Hasil Uji Kausalitas Granger atas FBMS dengan JII

Null Hypothesis: Obs F-Statistic Prob. FBMS does not Granger Cause JII 1259 6.11871 1.E-05

JII does not Granger Cause FBMS 2.52302 0.0278

Sumber: data diolah

(b) Uji Kausalitas Granger antara DJIJP dengan JII






daripada 0.05, yaitu sebesar 0.0003 dan 9 x 10-6

. Artinya, DJIJP

berpengaruh signifikan terhadap JII, demikian juga JII berpengaruh

signifikan terhadap DJIJP. Dengan demikian, terjadi hubungan

kausalitas dua arah antara DJIJP dan JII.

106

Tabel 4.26. Hasil Uji Kausalitas Granger atas DJIJP dengan JII

Null Hypothesis: Obs F-Statistic Prob. DJIJP does not Granger Cause JII 1260 5.31811 0.0003

JII does not Granger Cause DJIJP 7.23244 9.E-06

Sumber: data diolah

(c) Uji Kausalitas Granger antara DJIUK dengan JII




tabel uji kausalitas Granger di bawah ini, terlihat bahwa hipotesis nol

yang pertama ditolak. Artinya, DJIUK berpengaruh signifikan

terhadap JII karena nilai probabilitasnya lebih kecil daripada 0.005,

yaitu sebesar 2 x 10-15

. Sebaliknya untuk hipotesis nol yang kedua

diterima. Artinya, JII tidak berpengaruh signifikan terhadap DJIUK

karena nilai probabilitasnya lebih besar daripada 0.005, yaitu sebesar

0.0996. Dengan demikian, terjadi hubungan kausalitas satu arah

antara DJIUK dan JII.

Tabel 4.27. Hasil Uji Kausalitas Granger atas DJIUK dengan JII

Null Hypothesis: Obs F-Statistic Prob. DJIUK does not Granger Cause JII 1259 16.0887 2.E-15

JII does not Granger Cause DJIUK 1.85427 0.0996

Sumber: data diolah

107

(d) Uji Kausalitas Granger antara DJICA dengan JII





yang pertama ditolak. Artinya, DJICA berpengaruh signifikan




diterima. Artinya, JII tidak berpengaruh signifikan terhadap DJICA



antara DJICA dan JII.

Tabel 4.28. Hasil Uji Kausalitas Granger atas DJICA dengan JII

Null Hypothesis: Obs F-Statistic Prob. DJICA does not Granger Cause JII 1260 28.3084 2.E-22

JII does not Granger Cause DJICA 1.64536 0.1605

Sumber: data diolah

(e) Uji Kausalitas Granger antara IMUS dengan JII





yang pertama ditolak. Artinya, IMUS berpengaruh signifikan

108




diterima. Artinya, JII tidak berpengaruh signifikan terhadap IMUS



antara IMUS dan JII.

Tabel 4.29. Hasil Uji Kausalitas Granger atas IMUS dengan JII

Null Hypothesis: Obs F-Statistic Prob. IMUS does not Granger Cause JII 1259 24.4956 1.E-23

JII does not Granger Cause IMUS 2.20265 0.0518

Sumber: data diolah

2) Uji Kausalitas Granger Indeks Bursa Saham Konvensional

(a) Uji Kausalitas Granger antara KLSE dengan IHSG





yang pertama diterima. Artinya, KLSE tidak berpengaruh signifikan

terhadap IHSG karena nilai probabilitasnya lebih besar daripada

0.005, yaitu sebesar 0.1941. Sebaliknya untuk hipotesis nol yang

kedua ditolak. Artinya, IHSG berpengaruh signifikan terhadap KLSE

karena nilai probabilitasnya lebih kecil daripada 0.05, yaitu sebesar 1

109

x 10-8

. Dengan demikian, terjadi hubungan kausalitas satu arah

antara KLSE dan IHSG.

Tabel 4.30. Hasil Uji Kausalitas Granger atas KLSE dengan IHSG

Null Hypothesis: Obs F-Statistic Prob. KLSE does not Granger Cause IHSG 1260 1.51942 0.1941

IHSG does not Granger Cause KLSE 10.7797 1.E-08

Sumber: data diolah

(b) Uji Kausalitas Granger antara NIKKEI 225 dengan IHSG






daripada 0.05, yaitu sebesar 0.00002 dan 0.0094. Artinya, NIKKEI

225 berpengaruh signifikan terhadap IHSG, demikian juga IHSG

berpengaruh signifikan terhadap NIKKEI 225. Dengan demikian,

terjadi hubungan kausalitas dua arah antara NIKKEI 225 dengan

IHSG.

Tabel 4.31. Hasil Uji Kausalitas Granger atas NIKKEI 225 dengan

IHSG

Null Hypothesis: Obs F-Statistic Prob. NIKKEI does not Granger Cause IHSG 1258 5.23009 2.E-05

IHSG does not Granger Cause NIKKEI 2.84421 0.0094

Sumber: data diolah

110

(c) Uji Kausalitas Granger antara FTSE 100 dengan IHSG






daripada 0.05, yaitu sebesar 2 x 10-11

dan 0.0248. Artinya, FTSE 100

berpengaruh signifikan terhadap IHSG, demikian juga IHSG

berpengaruh signifikan terhadap FTSE 100. Dengan demikian,

terjadi hubungan kausalitas dua arah antara FTSE 100 dengan IHSG.

Tabel 4.32. Hasil Uji Kausalitas Granger atas FTSE 100 dengan

IHSG

Null Hypothesis: Obs F-Statistic Prob. FTSE does not Granger Cause IHSG 1259 12.1730 2.E-11

IHSG does not Granger Cause FTSE 2.58078 0.0248

Sumber: data diolah

(d) Uji Kausalitas Granger antara S&P TSX dengan IHSG





yang pertama ditolak. Artinya, S&P TSX berpengaruh signifikan

terhadap IHSG karena nilai probabilitasnya lebih kecil daripada

111

0.005, yaitu sebesar 7 x 10-24

. Sebaliknya untuk hipotesis nol yang

kedua diterima. Artinya, IHSG tidak berpengaruh signifikan terhadap

S&P TSX karena nilai probabilitasnya lebih besar daripada 0.005,

yaitu sebesar 0.6318. Dengan demikian, terjadi hubungan kausalitas

satu arah antara S&P TSX dan IHSG.

Tabel 4.33. Hasil Uji Kausalitas Granger atas S&P TSX dengan

IHSG

Null Hypothesis: Obs F-Statistic Prob. S_P_TSX does not Granger Cause IHSG 1259 24.7900 7.E-24

IHSG does not Granger Cause S_P_TSX 0.68898 0.6318

Sumber: data diolah

(e) Uji Kausalitas Granger antara DJIA dengan IHSG






daripada 0.05, yaitu sebesar 6 x 10-29

dan 0.0382. Artinya, DJIA

berpengaruh signifikan terhadap IHSG, demikian juga IHSG

berpengaruh signifikan terhadap DJIA. Dengan demikian, terjadi

hubungan kausalitas dua arah antara DJIA dengan IHSG.

112

Tabel 4.34. Hasil Uji Kausalitas Granger atas DJIA dengan IHSG

Null Hypothesis: Obs F-Statistic Prob. DJIA does not Granger Cause IHSG 1260 36.5388 6.E-29

IHSG does not Granger Cause DJIA 2.54258 0.0382

Sumber: data diolah

e. Uji Kointegrasi

Pengujian kointegrasi dilakukan untuk memperoleh hubungan

jangka panjang antar variabel yang telah memenuhi persyaratan selama

proses integrasi yaitu dimana semua variabel telah stationer pada derajat

yang sama yaitu derajat satu I(1). Apabila ditemukan adanya kointegrasi,

maka estimasi VECM dilakukan. Namun sebaliknya, apabila tidak

ditemukan adanya kointegrasi, maka estimasi VAR in difference yang

akan dilakukan.

Uji kointegrasi yang digunakan dalam penelitian ini adalah uji

kointegrasi Johansen dengan membandingkan nilai trace statistic dan nilai

Max-Eigen statistic dengan nilai kritis 0.05. Jika nilai trace statistic dan

nilai Max-Eigen statistic lebih besar daripada nilai kritis 0.05, maka data

terkointegrasi, dan sebaliknya. Sementara itu, penentuan asumsi

deterministik yang melandasi pembentukan persamaan kointegrasi,

didasarkan pada pemilihan nilai kriteria antara AIC dan SC yang tidak

dipermasalahkan (bebas menentukan) sehingga hasil penentuan asumsi

deterministik dapat dilihat di lampiran 31 s.d. lampiran 40.

113

1) Uji Kointegrasi Indeks Bursa Saham Syariah

(a) Uji Kointegrasi antara FBMS dengan JII

Berdasarkan tabel hasil uji kointegrasi antara FBMS dengan

JII, nilai trace statistic dan nilai Max-Eigen statistic menunjukkan

adanya 1 rank kointegrasi yang signifikan pada α = 5% yang

ditunjukkan oleh tanda asentrik (*). Hal ini mengindikasikan bahwa

di antara pergerakan FBMS dan JII memiliki hubungan

keseimbangan dalam jangka panjang. Dengan demikian, analisis

selanjutnya akan menggunakan model VECM.

Tabel 4.35. Hasil Uji Kointegrasi atas FBMS dengan JII

Trend assumption: Linear deterministic trend (restricted)

Series: JII FBMS

Lags interval (in first differences): 1 to 5

Unrestricted Cointegration Rank Test (Trace) Hypothesized Trace 0.05

No. of CE(s) Eigenvalue Statistic Critical Value Prob.** None * 0.018054 27.16451 25.87211 0.0344

At most 1 0.003369 4.245104 12.51798 0.7064 Trace test indicates 1 cointegrating eqn(s) at the 0.05 level

* denotes rejection of the hypothesis at the 0.05 level

**MacKinnon-Haug-Michelis (1999) p-values

Unrestricted Cointegration Rank Test (Maximum Eigenvalue) Hypothesized Max-Eigen 0.05


At most 1 0.003369 4.245104 12.51798 0.7064 Max-eigenvalue test indicates 1 cointegrating eqn(s) at the 0.05 level



Sumber: data diolah

114

(b) Uji Kointegrasi antara DJIJP dengan JII

Berdasarkan tabel hasil uji kointegrasi antara DJIJP dengan


tidak adanya rank kointegrasi yang signifikan pada α = 5% yang


di antara pergerakan DJIJP dan JII tidak memiliki hubungan


selanjutnya akan menggunakan model VAR in difference.

Tabel 4.36. Hasil Uji Kointegrasi atas DJIJP dengan JII

Trend assumption: No deterministic trend (restricted constant)

Series: JII DJIJP



No. of CE(s) Eigenvalue Statistic Critical Value Prob.** None 0.011354 17.03646 20.26184 0.1312

At most 1 0.002111 2.659969 9.164546 0.6459 Trace test indicates no cointegration at the 0.05 level





At most 1 0.002111 2.659969 9.164546 0.6459 Max-eigenvalue test indicates no cointegration at the 0.05 level



Sumber: data diolah

115

(c) Uji Kointegrasi antara DJIUK dengan JII

Berdasarkan tabel hasil uji kointegrasi antara DJIUK dengan




di antara pergerakan DJIUK dan JII tidak memiliki hubungan



Tabel 4.37. Hasil Uji Kointegrasi atas DJIUK dengan JII


Series: JII DJIUK












Sumber: data diolah

116

(d) Uji Kointegrasi antara DJICA dengan JII

Berdasarkan tabel hasil uji kointegrasi antara DJICA dengan




di antara pergerakan DJICA dan JII tidak memiliki hubungan



Tabel 4.38. Hasil Uji Kointegrasi atas DJICA dengan JII


Series: JII DJICA












Sumber: data diolah

117

(e) Uji Kointegrasi antara IMUS dengan JII

Berdasarkan tabel hasil uji kointegrasi antara IMUS dengan




di antara pergerakan IMUS dan JII tidak memiliki hubungan



Tabel 4.39. Hasil Uji Kointegrasi atas IMUS dengan JII


Series: JII IMUS












Sumber: data diolah

118

2) Uji Kointegrasi Indeks Bursa Saham Konvensional

(a) Uji Kointegrasi antara KLSE dengan IHSG

Berdasarkan tabel hasil uji kointegrasi antara KLSE dengan

IHSG, nilai trace statistic dan nilai Max-Eigen statistic menunjukkan

adanya 1 rank kointegrasi yang signifikan pada α = 5% yang


di antara pergerakan KLSE dan IHSG memiliki hubungan


selanjutnya akan menggunakan model VECM.

Tabel 4.40. Hasil Uji Kointegrasi atas KLSE dengan IHSG


Series: IHSG KLSE




At most 1 0.004028 5.081034 12.51798 0.5848 Trace test indicates 1 cointegrating eqn(s) at the 0.05 level





At most 1 0.004028 5.081034 12.51798 0.5848 Max-eigenvalue test indicates 1 cointegrating eqn(s) at the 0.05 level



Sumber: data diolah

119

(b) Uji Kointegrasi antara NIKKEI 225 dengan IHSG

Berdasarkan tabel hasil uji kointegrasi antara NIKKEI 225

dengan IHSG, nilai trace statistic dan nilai Max-Eigen statistic

menunjukkan tidak adanya rank kointegrasi yang signifikan pada α =

5% yang ditunjukkan oleh tanda asentrik (*). Hal ini

mengindikasikan bahwa di antara pergerakan NIKKEI 225 dengan

IHSG tidak memiliki hubungan keseimbangan dalam jangka

panjang. Dengan demikian, analisis selanjutnya akan menggunakan

model VAR in difference.

Tabel 4.41. Hasil Uji Kointegrasi atas NIKKEI 225 dengan IHSG


Series: IHSG NIKKEI












Sumber: data diolah

120

(c) Uji Kointegrasi antara FTSE 100 dengan IHSG

Berdasarkan tabel hasil uji kointegrasi antara FTSE 100




mengindikasikan bahwa di antara pergerakan FTSE 100 dengan




Tabel 4.42. Hasil Uji Kointegrasi atas FTSE 100 dengan IHSG


Series: IHSG FTSE












Sumber: data diolah

121

(d) Uji Kointegrasi antara S&P TSX dengan IHSG

Berdasarkan tabel hasil uji kointegrasi antara S&P TSX




mengindikasikan bahwa di antara pergerakan S&P TSX dengan




Tabel 4.43. Hasil Uji Kointegrasi atas S&P TSX dengan IHSG


Series: IHSG S_P_TSX












Sumber: data diolah

122

(e) Uji Kointegrasi antara DJIA dengan IHSG

Berdasarkan tabel hasil uji kointegrasi antara DJIA dengan

IHSG, nilai trace statistic dan nilai Max-Eigen statistic menunjukkan



di antara pergerakan DJIA dengan IHSG tidak memiliki hubungan



Tabel 4.44. Hasil Uji Kointegrasi atas DJIA dengan IHSG


Series: IHSG DJIA












Sumber: data diolah

123

f. Uji Stabilitas VAR / VECM

Stabilitas VAR / VECM perlu diuji terlebih dahulu sebelum

melakukan analisis lebih jauh karena jika hasil estimasi VAR (tidak ada

kointegrasi) atau VECM (ada kointegrasi) menunjukkan tidak stabil, maka

Impulse Response Function (IRF) dan Variance Decomposition (VD)

menjadi tidak valid. Model VAR / VECM dikatakan stabil jika semua akar

dari fungsi polynominal atau yang dikenal dengan roots of characteristic

polynomial berada di dalam unit circle.

1) Uji Stabilitas VAR / VECM Indeks Bursa Saham Syariah

(a) Uji Stabilitas VECM antara FBMS dengan JII

Dari hasil uji stabilitas VECM antara FBMS dengan JII pada

pilihan lag optimal 5, terlihat bahwa semua root berada di dalam unit

circle. Hal ini menunjukkan bahwa model VECM sudah stabil pada

lag optimalnya sehingga dapat digunakan.

Gambar 4.13. Hasil Uji Stabilitas VECM atas FBMS dengan JII

-1.5

-1.0

-0.5

0.0

0.5

1.0

1.5

-1.5 -1.0 -0.5 0.0 0.5 1.0 1.5

Inverse Roots of AR Characteristic Polynomial

Sumber: data diolah

124

(b) Uji Stabilitas VAR antara DJIJP dengan JII

Dari hasil uji stabilitas VAR antara DJIJP dengan JII pada


circle. Hal ini menunjukkan bahwa model VAR sudah stabil pada lag

optimalnya sehingga dapat digunakan.

Gambar 4.14. Hasil Uji Stabilitas VAR atas DJIJP dengan JII

-1.5

-1.0

-0.5

0.0

0.5

1.0

1.5

-1.5 -1.0 -0.5 0.0 0.5 1.0 1.5


Sumber: data diolah

(c) Uji Stabilitas VAR antara DJIUK dengan JII

Dari hasil uji stabilitas VAR antara DJIUK dengan JII pada




125

Gambar 4.15. Hasil Uji Stabilitas VAR atas DJIUK dengan JII

-1.5

-1.0

-0.5

0.0

0.5

1.0

1.5

-1.5 -1.0 -0.5 0.0 0.5 1.0 1.5


Sumber: data diolah

(d) Uji Stabilitas VAR antara DJICA dengan JII

Dari hasil uji stabilitas VAR antara DJICA dengan JII pada




Gambar 4.16. Hasil Uji Stabilitas VAR atas DJICA dengan JII

-1.5

-1.0

-0.5

0.0

0.5

1.0

1.5

-1.5 -1.0 -0.5 0.0 0.5 1.0 1.5


Sumber: data diolah

126

(e) Uji Stabilitas VAR antara IMUS dengan JII

Dari hasil uji stabilitas VAR antara IMUS dengan JII pada




Gambar 4.17. Hasil Uji Stabilitas VAR atas IMUS dengan JII

-1.5

-1.0

-0.5

0.0

0.5

1.0

1.5

-1.5 -1.0 -0.5 0.0 0.5 1.0 1.5


Sumber: data diolah

2) Uji Stabilitas VAR / VECM Indeks Bursa Saham Konvensional

(a) Uji Stabilitas VECM antara KLSE dengan IHSG

Dari hasil uji stabilitas VECM antara KLSE dengan IHSG

pada pilihan lag optimal 4, terlihat bahwa semua root berada di

dalam unit circle. Hal ini menunjukkan bahwa model VECM sudah

stabil pada lag optimalnya sehingga dapat digunakan.

127

Gambar 4.18. Hasil Uji Stabilitas VECM atas KLSE dengan IHSG

-1.5

-1.0

-0.5

0.0

0.5

1.0

1.5

-1.5 -1.0 -0.5 0.0 0.5 1.0 1.5


Sumber: data diolah

(b) Uji Stabilitas VAR antara NIKKEI 225 dengan IHSG

Dari hasil uji stabilitas VAR antara NIKKEI 225 dengan

IHSG pada pilihan lag optimal 6, terlihat bahwa semua root berada

di dalam unit circle. Hal ini menunjukkan bahwa model VAR sudah


Gambar 4.19. Hasil Uji Stabilitas VAR atas NIKKEI 225 dengan

IHSG

-1.5

-1.0

-0.5

0.0

0.5

1.0

1.5

-1.5 -1.0 -0.5 0.0 0.5 1.0 1.5


Sumber: data diolah

128

(c) Uji Stabilitas VAR antara FTSE 100 dengan IHSG

Dari hasil uji stabilitas VAR antara FTSE 100 dengan IHSG


dalam unit circle. Hal ini menunjukkan bahwa model VAR sudah


Gambar 4.20. Hasil Uji Stabilitas VAR atas FTSE 100 dengan IHSG

-1.5

-1.0

-0.5

0.0

0.5

1.0

1.5

-1.5 -1.0 -0.5 0.0 0.5 1.0 1.5


Sumber: data diolah

(d) Uji Stabilitas VAR antara S&P TSX dengan IHSG

Dari hasil uji stabilitas VAR antara S&P TSX dengan IHSG


dalam unit circle. Hal ini menunjukkan bahwa model VAR sudah


129

Gambar 4.21. Hasil Uji Stabilitas VAR atas S&P TSX dengan IHSG

-1.5

-1.0

-0.5

0.0

0.5

1.0

1.5

-1.5 -1.0 -0.5 0.0 0.5 1.0 1.5


Sumber: data diolah

(e) Uji Stabilitas VAR antara DJIA dengan IHSG

Dari hasil uji stabilitas VAR antara DJIA dengan IHSG pada




Gambar 4.22. Hasil Uji Stabilitas VAR atas DJIA dengan IHSG

-1.5

-1.0

-0.5

0.0

0.5

1.0

1.5

-1.5 -1.0 -0.5 0.0 0.5 1.0 1.5


Sumber: data diolah

130

g. Estimasi VAR / VECM

Pada tahap pertama sebelum model VAR dirumuskan adalah

pemeriksaan terhadap apakah data tersebut stasioner atau tidak. Jika data

stasioner, maka model VAR langsung bisa dirumuskan dan diestimasi.

Jika data tidak stasioner, sebagaimana dijelaskan ada dua kemungkinan

model yang bisa digunakan, yaitu (1) melakukan differencing terhadap

data sehingga data menjadi stasioner dan modelnya menjadi VAR in

difference atau (2) tidak melakukan differencing tetapi merestriksi VAR

dengan persamaan kointegrasi sehingga modelnya menjadi model VECM.

Penentuan signifikasi hasil estimasi VAR / VECM adalah dengan

membandingkan nilai t-statistik hasil estimasi secara mutlak, yaitu apabila

variabel X memiliki nilai t-statistik yang lebih besar dari 2 atau 1.96 maka

variabel X memiliki pengaruh yang signifikan terhadap variabel Y, dan

sebaliknya.

1) Estimasi VAR / VECM Indeks Bursa Saham Syariah

(a) Estimasi VECM antara FBMS dengan JII

Setelah dilakukan uji kointegrasi antara FBMS dengan JII

dan hasilnya terbukti adanya hubungan kointegrasi, maka

selanjutnya akan dilakukan estimasi VECM. Estimasi VECM

dilakukan untuk melihat analisis jangka panjang dan jangka pendek.

131

Tabel 4.45. Hasil Estimasi VECM atas FBMS dengan JII

Cointegrating Eq: CointEq1 JII(-1) 1.000000

FBMS(-1) -0.229910 [-5.42489]*

@TREND(1) 0.991883 [ 4.66877]

C 1104.465 Error Correction: D(JII) D(FBMS) CointEq1 0.000864 0.057822 [ 0.67439] [ 4.62543]*

D(JII(-1)) -0.041329 0.717880 [-1.34801] [ 2.39964]*

D(JII(-2)) -0.120108 -0.004407 [-3.91892]* [-0.01474]

D(JII(-3)) -0.118405 0.357171 [-3.87481]* [ 1.19786]

D(JII(-4)) -0.051787 0.622176 [-1.69197] [ 2.08323]*

D(JII(-5)) -0.069328 -0.141242 [-2.26730]* [-0.47339]

D(FBMS(-1)) 0.013328 -0.001623 [ 4.27703]* [-0.05339]

D(FBMS(-2)) 0.011374 0.042776 [ 3.63048]* [ 1.39933]

D(FBMS(-3)) 0.004495 0.031978 [ 1.43615] [ 1.04714]

D(FBMS(-4)) 0.000521 -0.044441 [ 0.16698] [-1.45854]

D(FBMS(-5)) 0.001490 -0.001943 [ 0.47904] [-0.06402]

C 0.067103 1.820445 [ 0.28200] [ 0.78405] Catatan: tanda asterik (*) menunjukkan variabel signifikan pada α = 5%

Sumber: data diolah

132

Berdasarkan hasil estimasi VECM antara FBMS dengan JII,

menunjukkan terdapat dua persamaan VECM yang memuat

persamaan kointegrasi serta variabel yang merupakan hasil

differencing dari lag tiap variabel. Berikut ini dua persamaan VECM

yang terbentuk sekaligus penjelasannya.

D(JII) = 0.000864 (JII(-1) – 0.2299101*FBMS(-1) + 1104.465)

– 0.041329D(JII(-1)) – 0.120108*D(JII(-2)) –

0.118405*D(JII(-3)) – 0.051787D(JII(-4)) –

0.069328*D(JII(-5)) + 0.013328*D(FBMS(-1)) +

0.011374*D(FBMS(-2)) + 0.004495D(FBMS(-3)) +

0.00052D(FBMS(-4)) + 0.001490D(FBMS(-5)) +

0.067103

D(FBMS) = 0.057822* (JII(-1) – 0.2299101*FBMS(-1) + 1104.465)

+ 0.717880*D(JII(-1)) – 0.004407D(JII(-2)) +

0.357171D(JII(-3)) + 0.622176*D(JII(-4)) –

0.141242D(JII(-5)) – 0.001623D(FBMS(-1)) +

0.042776D(FBMS(-2)) + 0.031978D(FBMS(-3)) –

0.044441D(FBMS(-4)) – 0.001943D(FBMS(-5)) +

1.820445

Pada hasil estimasi cointegrating vector di dalam kedua

persamaan di atas menunjukkan bahwa FBMS (-0.2299101)

133

memiliki pengaruh yang signifikan terhadap cointegrating vector,

yang berarti bahwa bursa saham syariah tersebut berkontribusi

signifikan pada hubungan jangka panjang dengan bursa saham

syariah di Indonesia. Selain itu, koefisien speed of adjustment pada

cointegrating vector untuk FBMS sebesar 0.05782 juga dinilai

signifikan secara statistik, artinya pada saat terjadi disequilibrium

dalam jangka pendek terhadap keseimbangan jangka panjang, maka

FBMS akan menyesuaikan secara positif sebesar 0.05782.

Sebaliknya, koefisien speed of adjustment pada JII sebesar 0.00086

dinilai tidak signifikan sehingga mengindikasikan bahwa

cointegrating vector tidak berkontribusi terhadap bursa saham

syariah tersebut dalam hubungan keseimbangan jangka panjangnya,

meskipun JII memiliki kontribusi penting pada cointegrating vector.

Selanjutnya, pada persamaan pertama di atas, variabel FBMS

memberikan pengaruh yang signifikan secara positif terhadap

pergerakan JII baik pada 1 maupun 2 hari sebelumnya, sedangkan JII

sendiri memberikan pengaruh yang signifikan secara negatif pada 2,

3 dan 5 hari sebelumnya. Sementara itu, pada persamaan kedua,

variabel JII memberikan pengaruh yang signifikan secara positif

terhadap pergerakan FBMS pada 1 dan 4 hari sebelumnya,

sedangkan FBMS sendiri sama sekali tidak memberikan pengaruh

yang signifikan.

134

(b) Estimasi VAR antara DJIJP dengan JII

Setelah dilakukan uji kointegrasi antara DJIJP dengan JII dan

hasilnya terbukti tidak adanya hubungan kointegrasi, maka

selanjutnya akan dilakukan estimasi VAR in difference. Estimasi

VAR in difference dilakukan untuk melihat analisis jangka

pendeknya saja.

Tabel 4.46. Hasil Estimasi VAR atas DJIJP dengan JII

D(JII) D(DJIJP) D(JII(-1)) 0.017349 0.233360

[ 0.58069] [ 4.15464]*

D(JII(-2)) -0.082636 -0.078009

[-2.77084]* [-1.39127]

D(JII(-3)) -0.119796 -0.012981

[-4.01545]* [-0.23144]

D(JII(-4)) -0.040219 -0.062906

[-1.34604] [-1.11981]

D(DJIJP(-1)) 0.014984 -0.232468

[ 0.94213] [-7.77436]*

D(DJIJP(-2)) 0.033116 -0.099400

[ 2.02361]* [-3.23073]*

D(DJIJP(-3)) 0.060877 0.040911

[ 3.71780]* [ 1.32890]

D(DJIJP(-4)) 0.013516 -0.001337

[ 0.84845] [-0.04466]

C 0.088852 -0.020951

[ 0.36998] [-0.04640] Catatan: tanda asterik (*) menunjukkan variabel signifikan pada α = 5%

Sumber: data diolah

135

Berikut ini adalah dua persamaan yang terbentuk dalam hasil

estimasi VAR in difference di atas.

D(JII) = 0.017349D(JII(-1)) – 0.082636*D(JII(-2)) –

0.119796*D(JII(-3)) – 0.040219D(JII(-4)) +

0.014984D(DJIJP(-1)) + 0.033116*D(DJIJP(-2)) +

0.060877*D(DJIJP(-3)) + 0.013516D(DJIJP(-4)) +

0.088852

D(DJIJP) = 0.233360*D(JII(-1)) – 0.078009D(JII(-2)) –

0.012981D(JII(-3)) – 0.062906D(JII(-4)) –

0.232468*D(DJIJP(-1)) – 0.099400*D(DJIJP(-2)) +

0.040911D(DJIJP(-3)) – 0.001337D(DJIJP(-4)) –

0.020951

Pada persamaan pertama di atas, variabel DJIJP memberikan

pengaruh yang signifikan secara positif terhadap pergerakan JII pada

2 dan 3 hari sebelumnya, sedangkan JII sendiri memberikan

pengaruh yang signifikan secara negatif pada 2 dan 3 hari

sebelumnya. Sementara itu, pada persamaan kedua, variabel JII


pergerakan DJIJP hanya pada 1 hari sebelumnya, sedangkan DJIJP

sendiri memberikan pengaruh yang signifikan secara negatif pada 1

dan 2 hari sebelumnya.

136

(c) Estimasi VAR antara DJIUK dengan JII

Setelah dilakukan uji kointegrasi antara DJIUK dengan JII

dan hasilnya terbukti tidak adanya hubungan kointegrasi, maka



pendeknya saja.

Tabel 4.47. Hasil Estimasi VAR atas DJIUK dengan JII

Catatan: tanda asterik (*) menunjukkan variabel signifikan pada α = 5%

Sumber: data diolah

D(JII) D(DJIUK) D(JII(-1)) -0.062455 -0.214996

[-2.10850]* [-1.68399]

D(JII(-2)) -0.102742 -0.063972

[-3.47757]* [-0.50237]

D(JII(-3)) -0.106395 -0.062030

[-3.60314]* [-0.48738]

D(JII(-4)) -0.046378 0.003796

[-1.58069] [ 0.03002]

D(JII(-5)) -0.033727 0.085381

[-1.17527] [ 0.69029]

D(DJIUK(-1)) 0.047833 -0.016208

[ 6.94069]* [-0.54565]

D(DJIUK(-2)) 0.031185 -0.044014

[ 4.42394]* [-1.44864]

D(DJIUK(-3)) 0.016586 -0.003259

[ 2.33078]* [-0.10624]

D(DJIUK(-4)) 0.020203 0.009636

[ 2.84655]* [ 0.31501]

D(DJIUK(-5)) -0.005738 -0.028302

[-0.81140] [-0.92855]

C 0.127349 -0.016660

[ 0.54377] [-0.01650]

137



D(JII) = –0.062455*D(JII(-1)) – 0.102742*D(JII(-2)) –

0.106395*D(JII(-3)) – 0.046378D(JII(-4)) –

0.033727D(JII(-5)) + 0.047833*D(DJIUK(-1)) +

0.031185*D(DJIUK(-2)) + 0.016586*D(DJIUK(-3)) +

0.020203*D(DJIUK(-4)) – 0.005738D(DJIUK(-5)) +

0.127349

D(DJIUK) = –0.214996D(JII(-1)) – 0.063972D(JII(-2)) –

0.062030D(JII(-3)) + 0.003796D(JII(-4)) +

0.085381D(JII(-5)) – 0.016208D(DJIUK(-1)) –

0.044014D(DJIUK(-2)) – 0.003259D(DJIUK(-3)) +

0.009636D(DJIUK(-4)) – 0.028302D(DJIUK(-5)) –

0.016660

Pada persamaan pertama di atas, variabel DJIUK


pergerakan JII pada 1, 2, 3, dan 4 hari sebelumnya, sedangkan JII

sendiri memberikan pengaruh yang signifikan secara negatif pada 1,

2, dan 3 hari sebelumnya. Sementara itu, pada persamaan kedua,

baik variabel JII maupun variabel DJIUK sendiri sama sekali tidak

memberikan pengaruh yang signifikan terhadap pergerakan DJIUK.

138

(d) Estimasi VAR antara DJICA dengan JII

Setelah dilakukan uji kointegrasi antara DJICA dengan JII

dan hasilnya terbukti tidak adanya hubungan kointegrasi, maka



pendeknya saja.

Tabel 4.48. Hasil Estimasi VAR atas DJICA dengan JII


Sumber: data diolah

D(JII) D(DJICA) D(JII(-1)) -0.067225 -0.370066

[-2.32612]* [-2.32531]*

D(JII(-2)) -0.086961 0.069080

[-3.01493]* [ 0.43491]

D(JII(-3)) -0.103309 -0.028230

[-3.60098]* [-0.17869]

D(JII(-4)) -0.047608 0.030265

[-1.70646] [ 0.19700]

D(DJICA(-1)) 0.050618 0.121430

[ 9.61978]* [ 4.19070]*

D(DJICA(-2)) 0.021226 -0.048595

[ 3.88873]* [-1.61671]

D(DJICA(-3)) 0.009191 -0.011917

[ 1.67673] [-0.39476]

D(DJICA(-4)) 0.011209 -0.011366

[ 2.04532]* [-0.37660]

C 0.141244 -0.460706

[ 0.61083] [-0.36181]

139



D(JII) = –0.067225*D(JII(-1)) – 0.086961*D(JII(-2)) –

0.103309*D(JII(-3)) – 0.047608D(JII(-4)) +

0.050618*D(DJICA(-1)) + 0.021226*D(DJICA(-2)) +

0.009191D(DJICA(-3)) + 0.011209D(DJICA(-4)) +

0.141244

D(DJICA) = –0.370066*D(JII(-1)) + 0.069080D(JII(-2)) –

0.028230D(JII(-3)) + 0.030265D(JII(-4)) +

0.121430*D(DJICA(-1)) – 0.048595D(DJICA(-2)) –

0.011917D(DJICA(-3)) – 0.011366D(DJICA(-4)) –

0.460706

Pada persamaan pertama di atas, variabel DJICA


pergerakan JII pada lag 1, 2, dan 4 hari sebelumnya, sedangkan JII

sendiri memberikan pengaruh yang signifikan secara negatif pada lag

1, 2, dan 3 hari sebelumnya. Sementara itu, pada persamaan kedua,

variabel JII memberikan pengaruh yang signifikan secara negatif

terhadap pergerakan DJICA hanya pada lag 1 hari sebelumnya,

sedangkan DJICA sendiri memberikan pengaruh yang signifikan

secara positif juga hanya pada lag 1 hari sebelumnya.

140

(e) Estimasi VAR antara IMUS dengan JII

Setelah dilakukan uji kointegrasi antara IMUS dengan JII dan

hasilnya terbukti tidak adanya hubungan kointegrasi, maka



pendeknya saja.

Tabel 4.49. Hasil Estimasi VAR atas IMUS dengan JII

D(JII) D(IMUS) D(JII(-1)) -0.065195 -0.174148

[-2.26968]* [-1.64766]

D(JII(-2)) -0.089990 0.096091

[-3.13866]* [ 0.91081]

D(JII(-3)) -0.114984 -0.156680

[-4.01875]* [-1.48822]

D(JII(-4)) -0.033807 0.086927

[-1.18765] [ 0.82993]

D(JII(-5)) -0.049670 -0.020836

[-1.81497] [-0.20692]

D(IMUS(-1)) 0.078375 -0.063755

[ 9.99719]* [-2.21012]*

D(IMUS(-2)) 0.040083 -0.022348

[ 4.89139]* [-0.74116]

D(IMUS(-3)) 0.023963 -0.026658

[ 2.90033]* [-0.87686]

D(IMUS(-4)) 0.017604 -0.021620

[ 2.13008]* [-0.71096]

D(IMUS(-5)) 0.004631 0.008773

[ 0.56624] [ 0.29150]

C -0.016748 0.961114

[-0.07265] [ 1.13313] Catatan: tanda asterik (*) menunjukkan variabel signifikan pada α = 5%

Sumber: data diolah

141



D(JII) = –0.065195*D(JII(-1)) – 0.089990*D(JII(-2)) –

0.114984*D(JII(-3)) – 0.033807D(JII(-4)) –

0.049670D(JII(-5)) + 0.078375*D(IMUS(-1)) +

0.040083*D(IMUS(-2)) + 0.023963*D(IMUS(-3)) +

0.017604*D(IMUS(-4)) + 0.004631D(IMUS(-5)) –

0.016748

D(IMUS) = –0.174148D(JII(-1)) + 0.096091D(JII(-2)) –

0.156680D(JII(-3)) + 0.086927D(JII(-4)) –

0.020836D(JII(-5)) – 0.063755*D(IMUS(-1)) –

0.022348D(IMUS(-2)) – 0.026658D(IMUS(-3)) –

0.021620D(IMUS(-4)) + 0.008773D(IMUS(-5)) –

0.961114

Pada persamaan pertama di atas, variabel IMUS memberikan

pengaruh yang signifikan secara positif terhadap pergerakan JII pada

1, 2, 3, dan 4 hari sebelumnya, sedangkan JII sendiri memberikan

pengaruh yang signifikan secara negatif pada 1, 2, dan 3 hari

sebelumnya. Sementara itu, pada persamaan kedua, variabel JII sama

sekali tidak memberikan pengaruh yang signifikan terhadap

pergerakan IMUS, sedangkan IMUS sendiri memberikan pengaruh

yang signifikan secara negatif hanya pada lag 1 hari sebelumnya.

142

2) Estimasi VAR / VECM Indeks Bursa Saham Konvensional

a) Estimasi VECM antara KLSE dengan IHSG

Tabel 4.50. Hasil Estimasi VECM atas KLSE dengan IHSG

Cointegrating Eq: CointEq1 IHSG(-1) 1.000000

KLSE(-1) 54.30455 [ 3.91945]*

@TREND(1) -48.60464 [-4.87235]

C -48935.83 Error Correction: D(IHSG) D(KLSE) CointEq1 -0.000350 -0.000183 [-2.06462]* [-4.74961]*

D(IHSG(-1)) 0.096109 0.046963 [ 2.83850]* [ 6.09194]*

D(IHSG(-2)) 0.000857 0.009420 [ 0.02509] [ 1.21086]

D(IHSG(-3)) -0.100955 -0.003048 [-2.96418]* [-0.39306]

D(IHSG(-4)) -0.025334 0.004037 [-0.74206] [ 0.51930]

D(KLSE(-1)) -0.308748 -0.087712 [-2.08513]* [-2.60175]*

D(KLSE(-2)) -0.076200 0.024240 [-0.51460] [ 0.71900]

D(KLSE(-3)) 0.188752 0.073887 [ 1.28100] [ 2.20244]*

D(KLSE(-4)) -0.108247 -0.035502 [-0.74113] [-1.06758]

C 1.353619 0.235895 [ 0.97826] [ 0.74878]


Sumber: data diolah

143

Setelah dilakukan uji kointegrasi antara FBMS dengan JII

dan hasilnya terbukti adanya hubungan kointegrasi, maka

selanjutnya akan dilakukan estimasi VECM. Estimasi VECM

dilakukan untuk melihat analisis jangka panjang dan jangka pendek.

Berdasarkan hasil estimasi VECM antara KLSE dengan

IHSG, menunjukkan terdapat dua persamaan VECM yang memuat

persamaan kointegrasi serta variabel yang merupakan hasil

differencing dari lag tiap variabel. Berikut ini dua persamaan VECM

yang terbentuk sekaligus penjelasannya.

D(IHSG) = –0.000350* (D(IHSG) + 54.30455*D(KLSE) –

48935.83) + 0.096109*D(IHSG(-1)) +

0.000857D(IHSG(-2)) – 0.100955*D(IHSG(-3)) –

0.025334D(IHSG(-4)) – 0.308748*D(KLSE(-1)) –

0.076200D(KLSE(-2)) + 0.188752D(KLSE(-3)) –

0.108247D(KLSE(-4)) + 1.353619

D(KLSE) = –0.000183* (D(IHSG) + 54.30455*D(KLSE) –

48935.83) + 0.046963*D(IHSG(-1)) +

0.009420D(IHSG(-2)) – 0.003048D(IHSG(-3)) +

0.004037D(IHSG(-4)) – 0.087712*D(KLSE(-1)) +

0.024240D(KLSE(-2)) + 0.073887*D(KLSE(-3)) –

0.035502D(KLSE(-4)) + 0.235895

144

Pada hasil estimasi cointegrating vector di dalam kedua

persamaan di atas menunjukkan bahwa KLSE (54.30455) memiliki

pengaruh yang signifikan terhadap cointegrating vector, yang berarti

bahwa bursa saham konvensional tersebut berkontribusi signifikan

pada hubungan jangka panjang dengan bursa saham konvensional di

Indonesia. Selain itu, koefisien speed of adjustment pada

cointegrating vector untuk KLSE sebesar –0.000183 juga dinilai

signifikan secara statistik, artinya pada saat terjadi disequilibrium

dalam jangka pendek terhadap keseimbangan jangka panjang, maka

KLSE akan menyesuaikan secara negatif sebesar 0.000183. Begitu

pula dengan koefisien speed of adjustment pada IHSG sebesar –

0.000350 dinilai signifikan signifikan secara statistik, artinya pada

saat terjadi disequilibrium dalam jangka pendek terhadap

keseimbangan jangka panjang, maka IHSG akan menyesuaikan

secara negatif sebesar 0.000350.

Selanjutnya, pada persamaan pertama di atas, variabel KLSE

hanya memberikan pengaruh yang signifikan secara negatif terhadap

pergerakan IHSG hanya pada 1 hari sebelumnya, sedangkan IHSG


dan 3 hari sebelumnya. Sementara itu, sebaliknya pada persamaan

kedua, variabel IHSG memberikan pengaruh yang signifikan secara

positif terhadap pergerakan KLSE hanya pada 1 hari sebelumnya,

145

sedangkan KLSE sendiri memberikan pengaruh yang signifikan

secara negatif pada 1 hari sebelumnya dan pengaruh yang signifikan

secara positif pada 3 hari sebelumnya.

b) Estimasi VAR antara NIKKEI 225 dengan IHSG

Tabel 4.51. Hasil Estimasi VAR atas NIKKEI 225 dengan IHSG

D(IHSG) D(NIKKEI) D(IHSG(-1)) 0.101186 0.312936 [ 3.18509]* [ 2.39089]*

D(IHSG(-2)) -0.034856 -0.015517 [-1.09894] [-0.11875]

D(IHSG(-3)) -0.114671 0.092940 [-3.61399]* [ 0.71095]

D(IHSG(-4)) -0.041922 -0.311702 [-1.32047] [-2.38302]*

D(IHSG(-5)) -0.079925 0.109169 [-2.51357]* [ 0.83332]

D(IHSG(-6)) 0.005918 -0.132172 [ 0.18575] [-1.00689]

D(NIKKEI(-1)) -0.026351 -0.108170 [-3.41964]* [-3.40722]*

D(NIKKEI(-2)) 0.009975 -0.006830 [ 1.28751] [-0.21399]

D(NIKKEI(-3)) 0.017049 0.028780 [ 2.21057]* [ 0.90576]

D(NIKKEI(-4)) 0.009348 0.001948 [ 1.21262] [ 0.06133]

D(NIKKEI(-5)) 0.015981 -0.007881 [ 2.06963]* [-0.24771]

D(NIKKEI(-6)) 0.004388 0.024886 [ 0.56867] [ 0.78282]

C 1.465302 2.082587 [ 1.06591] [ 0.36770]


Sumber: data diolah

146

Setelah dilakukan uji kointegrasi antara NIKKEI 225 dengan

IHSG dan hasilnya terbukti tidak adanya hubungan kointegrasi,

maka selanjutnya akan dilakukan estimasi VAR in difference.

Estimasi VAR in difference dilakukan untuk melihat analisis jangka

pendeknya saja.



D(IHSG) = 0.101186*D(IHSG(-1)) – 0.034856D(IHSG(-2)) –

0.114671*D(IHSG(-3)) – 0.041922D(IHSG(-4)) –

0.079925*D(IHSG(-5)) + 0.005918D(IHSG(-6)) –

0.026351*D(NIKKEI(-1)) + 0.009975D(NIKKEI(-2)) +

0.017049*D(NIKKEI(-3)) + 0.009348D(NIKKEI(-4)) +

0.015981*D(NIKKEI(-5)) + 0.004388D(NIKKEI(-6)) +

1.465302

D(NIKKEI) = 0.312936*D(IHSG(-1)) – 0.015517D(IHSG(-2)) +

0.092940D(IHSG(-3)) – 0.311702*D(IHSG(-4)) +

0.109169D(IHSG(-5)) – 0.132172D(IHSG(-6)) –

0.108170*D(NIKKEI(-1)) + 0.006830D(NIKKEI(-2)) +

0.028780D(NIKKEI(-3)) + 0.001948D(NIKKEI(-4)) –

0.007881D(NIKKEI(-5)) + 0.024886D(NIKKEI(-6)) +

2.082587

147

Pada persamaan pertama di atas, variabel NIKKEI

memberikan pengaruh yang signifikan secara negatif pada 1 hari

sebelumnya dan secara positif pada 3 dan 5 hari sebelumnya

terhadap pergerakan IHSG, sama halnya dengan IHSG sendiri

memberikan pengaruh yang signifikan secara negatif pada 1 hari

sebelumnya dan secara positif pada 3 dan 5 hari sebelumnya.

Sementara itu, pada persamaan kedua, variabel IHSG

memberikan pengaruh yang signifikan secara positif pada 1 hari

sebelumnya dan secara negatif pada 4 hari sebelumnya terhadap

pergerakan NIKKEI, sedangkan NIKKEI sendiri memberikan

pengaruh yang signifikan secara negatif hanya pada 1 hari

sebelumnya.

c) Estimasi VAR antara FTSE 100 dengan IHSG

Setelah dilakukan uji kointegrasi antara FTSE 100 dengan




pendeknya saja.

148

Tabel 4.52. Hasil Estimasi VAR atas FTSE 100 dengan IHSG

D(IHSG) D(FTSE) D(IHSG(-1)) -0.033103 -0.020675

[-1.08503] [-0.43779]

D(IHSG(-2)) -0.036484 0.009919

[-1.19731] [ 0.21029]

D(IHSG(-3)) -0.119513 -0.023077

[-3.95041]* [-0.49275]

D(IHSG(-4)) -0.056772 -0.082456

[-1.86642] [-1.75115]

D(IHSG(-5)) -0.023038 0.014429

[-0.77399] [ 0.31317]

D(FTSE(-1)) 0.135321 -0.003108

[ 6.86154]* [-0.10181]

D(FTSE(-2)) 0.020979 -0.059873

[ 1.04252] [-1.92204]

D(FTSE(-3)) 0.055682 -0.032363

[ 2.76765]* [-1.03915]

D(FTSE(-4)) 0.043181 0.042879

[ 2.14164]* [ 1.37380]

D(FTSE(-5)) -0.016444 -0.052747

[-0.81760] [-1.69415]

C 1.545743 0.767631

[ 1.13949] [ 0.36556]


Sumber: data diolah



149

D(IHSG) = –0.033103D(IHSG(-1)) – 0.036484D(IHSG(-2)) –

0.119513*D(IHSG(-3)) – 0.056772D(IHSG(-4)) –

0.023038D(IHSG(-5)) + 0.135321*D(FTSE(-1)) +

0.020979D(FTSE(-2)) + 0.055682*D(FTSE(-3)) +

0.043181*D(FTSE(-4)) – 0.016444 D(FTSE(-5)) +

1.545743

D(FTSE) = –0.020675D(IHSG(-1)) + 0.009919D(IHSG(-2)) –

0.023077D(IHSG(-3)) – 0.082456D(IHSG(-4)) +

0.014429D(IHSG(-5)) – 0.003108D(FTSE(-1)) –

0.059873D(FTSE(-2)) – 0.032363D(FTSE(-3)) +

0.042879D(FTSE(-4)) – 0.052747D(FTSE(-5)) +

0.767631

Pada persamaan pertama di atas, variabel FTSE memberikan

pengaruh yang signifikan secara positif pada 1, 3, dan 4 hari

sebelumnya terhadap pergerakan IHSG, sedangkan IHSG sendiri

memberikan pengaruh yang signifikan secara negatif hanya pada 3

hari sebelumnya. Sementara itu, pada persamaan kedua, baik

variabel IHSG maupun variabel FTSE sendiri sama sekali tidak

memberikan pengaruh yang signifikan terhadap pergerakan FTSE.

150

d) Estimasi VAR antara S&P TSX dengan IHSG

Setelah dilakukan uji kointegrasi antara S&P TSX dengan




pendeknya saja.

Tabel 4.53. Hasil Estimasi VAR atas S&P TSX dengan IHSG

D(IHSG) D(S_P_TSX) D(IHSG(-1)) -0.035167 -0.002798 [-1.19883] [-0.02840]

D(IHSG(-2)) -0.039106 -0.052722 [-1.33574] [-0.53617]

D(IHSG(-3)) -0.098255 -0.007294 [-3.37577]* [-0.07462]

D(IHSG(-4)) -0.052182 -0.133653 [-1.78507] [-1.36129]

D(IHSG(-5)) -0.040421 -0.141248 [-1.44557] [-1.50400]

D(S_P_TSX(-1)) 0.094582 0.044337 [ 10.8300]* [ 1.51155]

D(S_P_TSX(-2)) 0.003773 -0.075352 [ 0.41362] [-2.45977]*

D(S_P_TSX(-3)) 0.023846 -0.025850 [ 2.61026]* [-0.84249]

D(S_P_TSX(-4)) 0.007980 -0.057563 [ 0.87438] [-1.87801]

D(S_P_TSX(-5)) 0.011009 0.066436 [ 1.20519] [ 2.16537]*

C 1.628260 0.776689 [ 1.22951] [ 0.17462]


Sumber: data diolah

151




0.098255*D(IHSG(-3)) – 0.052182D(IHSG(-4)) –

0.040421D(IHSG(-5)) + 0.094582*D(SPTSX(-1)) +

0.003773D(SPTSX(-2)) + 0.023846*D(SPTSX(-3)) +

0.007980*D(SPTSX(-4)) – 0.011009D(SPTSX(-5)) +

1.628260

D(SPTSX) = –0.002798D(IHSG(-1)) – 0.052722D(IHSG(-2)) –

0.007294D(IHSG(-3)) – 0.133653D(IHSG(-4)) –

0.141248D(IHSG(-5)) + 0.044337D(SPTSX(-1)) –

0.075352*D(SPTSX(-2)) – 0.025850D(SPTSX(-3)) –

0.057563D(SPTSX(-4)) + 0.066436*D(SPTSX(-5)) +

0.776689

Pada persamaan pertama di atas, variabel S&P TSX

memberikan pengaruh yang signifikan secara positif pada 1 dan 3

hari sebelumnya terhadap pergerakan IHSG, sedangkan IHSG

sendiri memberikan pengaruh yang signifikan secara negatif hanya

pada 3 hari sebelumnya. Sementara itu, pada persamaan kedua,

variabel IHSG sama sekali tidak memberikan pengaruh yang

signifikan terhadap pergerakan S&P TSX, sedangkan S&P TSX


152

hari sebelumnya dan memberikan pengaruh yang signifikan secara

positif pada 5 hari sebelumnya.

e) Estimasi VAR antara DJIA dengan IHSG

Setelah dilakukan uji kointegrasi antara S&P TSX dengan




pendeknya saja.

Tabel 4.54. Hasil Estimasi VAR atas DJIA dengan IHSG

D(IHSG) D(DJIA)

D(IHSG(-1)) -0.015930 0.010903

[-0.54939] [ 0.11729]

D(IHSG(-2)) -0.042092 -0.028251 [-1.46284] [-0.30625]

D(IHSG(-3)) -0.106647 -0.099378 [-3.70502]* [-1.07691]

D(IHSG(-4)) -0.039686 -0.117837 [-1.45847] [-1.35078]

D(DJIA(-1)) 0.105160 -0.110509 [ 11.6051]* [-3.80400]*

D(DJIA(-2)) 0.013498 -0.029801 [ 1.39354] [-0.95966]

D(DJIA(-3)) 0.031029 -0.006176 [ 3.20882]* [-0.19923]

D(DJIA(-4)) 0.013630 0.001707 [ 1.42808] [ 0.05580]

C 0.988879 3.874552 [ 0.75191] [ 0.91894] Catatan: tanda asterik (*) menunjukkan variabel signifikan pada α = 5%

Sumber: data diolah

153




0.106647*D(IHSG(-3)) – 0.039686D(IHSG(-4)) +

0.105160*D(DJIA(-1)) + 0.013498D(DJIA(-2)) +

0.031029*D(DJIA(-3)) + 0.013630D(DJIA(-4)) +

0.988879

D(DJIA) = 0.010903D(IHSG(-1)) – 0.028251D(IHSG(-2)) –

0.099378D(IHSG(-3)) – 0.117837D(IHSG(-4)) –

0.110509*D(DJIA(-1)) + 0.029801D(DJIA(-2)) –

0.006176D(DJIA(-3)) + 0.001707D(DJIA(-4)) +

3.874552

Pada persamaan pertama di atas, variabel DJIA memberikan

pengaruh yang signifikan secara positif pada 1 dan 3 hari

sebelumnya terhadap pergerakan IHSG, sedangkan IHSG sendiri

memberikan pengaruh yang signifikan secara negatif hanya pada 3

hari sebelumnya. Sementara itu, pada persamaan kedua, variabel

IHSG sama sekali tidak memberikan pengaruh yang signifikan

terhadap pergerakan DJIA, sedangkan DJIA sendiri memberikan

pengaruh yang signifikan secara negatif pada 1 hari sebelumnya.

154

h. Impulse Response Function (IRF)

Perilaku dinamis dari model VAR / VECM dapat dilihat melalui

respon dari setiap variabel terhadap kejutan dari variabel lainnya. Impulse

Response Function (IRF) memberikan gambaran bagaimana respon dari

suatu variabel di masa mendatang jika terjadi gangguan pada satu variabel

lainnya. Dengan demikian, lamanya pengaruh dari gangguan (shock) suatu

variabel terhadap variabel lain sampai pengaruhnya hilang atau kembali ke

titik keseimbangan dapat dilihat. Dalam grafik IRF, sumbu horizontal

merupakan periode waktu ke depan setelah terjadinya shock, sedangkan

sumber vertikal adalah nilai respon. Secara mendasar dalam analisis ini

akan diketahui respon positif atau negatif dari suatu variabel terhadap

variabel lainnya yang dilihat dari grafik pada kuadran pertama dan ketiga

saja karena kuadran kedua dan keempat menunjukkan respon dari masing-

masing variabel itu sendiri.

1) Impulse Response Function (IRF) Indeks Bursa Saham Syariah

(a) Impulse Response Function antara FBMS dengan JII

Berdasarkan grafik Impulse Response Function antara FBMS

dengan JII di bawah ini, pada kuadran pertama terlihat bahwa JII

merespon guncangan FBMS secara positif. Pada awal periode,

respon JII mengalami kenaikan hingga periode keempat, namun

kemudian cenderung mengalami penurunan pada periode kelima

hingga periode terakhir.

155

Gambar 4.23. Impulse Response Function atas FBMS dengan JII

0

2

4

6

8

10

1 2 3 4 5 6 7 8 9 10

Response of JII to JII

0

2

4

6

8

10

1 2 3 4 5 6 7 8 9 10

Response of JII to FBMES

30

40

50

60

70

80

90

1 2 3 4 5 6 7 8 9 10

Response of FBMES to JII

30

40

50

60

70

80

90

1 2 3 4 5 6 7 8 9 10

Response of FBMES to FBMES

Response to Cholesky One S.D. Innovations

Sumber: data diolah

Selanjutnya, pada kuadran ketiga terlihat bahwa FBMS

merespon guncangan JII juga secara positif. Pada periode pertama

hingga periode keempat respon FBMS mengalami kenaikan dan

mencapai kenaikan yang cukup signifikan pada periode kelima.

Akan tetapi, setelah periode kelima cenderung mengalami penurunan

pada periode keenam hingga periode terakhir.

(b) Impulse Response Function antara DJIJP dengan JII

Berdasarkan grafik Impulse Response Function antara DJIJP


mulai merespon guncangan DJIJP secara positif pada periode kedua

dan terus mengalami kenaikan hingga periode keempat. Setelah itu,

156

respon JII mengalami penurunan dan kenaikan secara bergantian

dalam posisi negatif hingga periode kedelapan. Pada periode

kesembilan respon JII kembali positif dan mengalami kenaikan

hingga akhir periode yang semakin mendekati titik nol.

Gambar 4.24. Impulse Response Function atas DJIJP dengan JII

-2

0

2

4

6

8

10

1 2 3 4 5 6 7 8 9 10

Response of D(JII) to D(JII)

-2

0

2

4

6

8

10

1 2 3 4 5 6 7 8 9 10

Response of D(JII) to D(DJIJP)

-5

0

5

10

15

20

1 2 3 4 5 6 7 8 9 10

Response of D(DJIJP) to D(JII)

-5

0

5

10

15

20

1 2 3 4 5 6 7 8 9 10

Response of D(DJIJP) to D(DJIJP)

Response to Cholesky One S.D. Innovations ± 2 S.E.

Sumber: data diolah

Sementara itu, pada kuadran ketiga terlihat bahwa DJIJP

merespon guncangan JII secara positif pada awal periode. Kemudian

pada periode kedua, respon DJIJP mengalami kenaikan dan

penurunan secara bergantian hingga periode kedelapan dan akhirnya

terus mengalami penurunan hingga akhir periode.

Secara keseluruhan grafik IRF antara DJIUK dengan JII

menunjukkan dampak respon yang diterima oleh DJIUK maupun JII

157

akibat guncangan varibel lainnya selama 10 periode adalah bersifat

convergence, yaitu pergerakannya yang semakin mendekati titik

keseimbangan menuju titik nol.

(c) Impulse Response Function antara DJIUK dengan JII

Berdasarkan grafik Impulse Response Function antara DJIUK


mulai merespon guncangan DJIUK secara positif pada periode

kedua. Akan tetapi, setelah periode kedua terus mengalami

penurunan hingga periode keenam dan berangsur-angsur mulai

mengalami kenaikan kembali secara positif hingga akhir periode.

Gambar 4.25. Impulse Response Function atas DJIUK dengan JII

-2

0

2

4

6

8

10

1 2 3 4 5 6 7 8 9 10


-2

0

2

4

6

8

10

1 2 3 4 5 6 7 8 9 10

Response of D(JII) to D(DJIUK)

-10

0

10

20

30

40

1 2 3 4 5 6 7 8 9 10

Response of D(DJIUK) to D(JII)

-10

0

10

20

30

40

1 2 3 4 5 6 7 8 9 10

Response of D(DJIUK) to D(DJIUK)


Sumber: data diolah

158

Sementara itu, pada kuadran ketiga terlihat bahwa DJIUK

merespon guncangan JII cukup tinggi secara positif pada awal

periode dan kemudian respon DJIUK mengalami penurunan

setelahnya hingga periode ketiga. DJIUK mulai merespon kembali

secara positif pada periode kelima hingga ketujuh dan mengalami

penurunan kembali secara negatif hingga akhir periode.

Secara keseluruhan grafik IRF antara DJIUK dengan JII

menunjukkan dampak respon yang diterima oleh DJIUK maupun JII




(d) Impulse Response Function antara DJICA dengan JII

Berdasarkan grafik Impulse Response Function antara DJICA


merespon guncangan DJICA secara positif dan mengalami kenaikan

pada periode kedua dan berangsur-angsur mengalami penurunan

hingga periode keenam. Kemudian, pada periode ketujuh mengalami

kenaikan secara negatif dan akhirnya mulai kembali positif pada

periode kedelapan hingga akhir periode.

159

Gambar 4.26. Impulse Response Function atas DJICA dengan JII

-2

0

2

4

6

8

10

1 2 3 4 5 6 7 8 9 10


-2

0

2

4

6

8

10

1 2 3 4 5 6 7 8 9 10

Response of D(JII) to D(DJICA)

-10

0

10

20

30

40

50

1 2 3 4 5 6 7 8 9 10

Response of D(DJICA) to D(JII)

-10

0

10

20

30

40

50

1 2 3 4 5 6 7 8 9 10

Response of D(DJICA) to D(DJICA)


Sumber: data diolah

Sementara itu, pada kuadran ketiga terlihat bahwa DJICA

merespon guncangan JII cukup tinggi secara positif pada awal

periode, namun mengalami penurunan secara negatif pada periode

kedua. Setelah itu, respon DJICA mulai mengalami kenaikan

kembali pada periode ketiga hingga periode kelima dan kemudian

terus mengalami penurunan hingga akhir periode mendekati nol.

Secara keseluruhan grafik IRF antara DJICA dengan JII

menunjukkan dampak respon yang diterima oleh DJICA maupun JII


160



(e) Impulse Response Function antara IMUS dengan JII

Berdasarkan grafik Impulse Response Function antara IMUS


mulai merespon guncangan IMUS secara positif pada periode kedua

dan berangsur-angsur mengalami penurunan hingga periode keenam.

Kemudian, pada periode ketujuh mengalami kenaikan secara negatif

dan akhirnya mulai kembali positif pada periode kesembilan hingga

akhir periode.

Gambar 4.27. Impulse Response Function atas IMUS dengan JII

-2

0

2

4

6

8

10

1 2 3 4 5 6 7 8 9 10


-2

0

2

4

6

8

10

1 2 3 4 5 6 7 8 9 10

Response of D(JII) to D(IMUS)

-10

0

10

20

30

40

1 2 3 4 5 6 7 8 9 10

Response of D(IMUS) to D(JII)

-10

0

10

20

30

40

1 2 3 4 5 6 7 8 9 10

Response of D(IMUS) to D(IMUS)


Sumber: data diolah

161

Sementara itu, pada kuadran ketiga terlihat bahwa IMUS

merespon guncangan JII mengalami penurunan dan kenaikan secara

bergantian mulai dari awal periode hingga akhir periode mendekati

nol.

Secara keseluruhan grafik IRF antara IMUS dengan JII

menunjukkan dampak respon yang diterima oleh IMUS maupun JII




2) Impulse Response Function (IRF) Indeks Bursa Saham

Konvensional

(a) Impulse Response Function antara KLSE dengan IHSG

Berdasarkan grafik Impulse Response Function antara KLSE

dengan IHSG di bawah ini, pada kuadran pertama terlihat bahwa

IHSG merespon guncangan KLSE secara negatif. Pada periode

pertama hingga periode ketiga respon JII mengalami penurunan,

kemudian cenderung mengalami kenaikan tetapi masih dalam

kondisi negatif pada periode keempat. Setelah periode keempat,

respon JII terus mengalami penurunan secara negatif sehingga

respon IHSG selalu berada di bawah garis hingga akhir periode.

162

Gambar 4.28. Impulse Response Function atas KLSE dengan IHSG

-10

0

10

20

30

40

50

60

1 2 3 4 5 6 7 8 9 10

Response of IHSG to IHSG

-10

0

10

20

30

40

50

60

1 2 3 4 5 6 7 8 9 10

Response of IHSG to KLSE

6

7

8

9

10

1 2 3 4 5 6 7 8 9 10

Response of KLSE to IHSG

6

7

8

9

10

1 2 3 4 5 6 7 8 9 10

Response of KLSE to KLSE


Sumber: data diolah

Sementara itu, pada kuadran ketiga terlihat bahwa KLSE

merespon guncangan IHSG secara positif dan terus mengalami

kenaikan dari awal periode hingga periode ketujuh. Setelah itu,

respon KLSE mengalami penurunan namun tidak terlalu signifikan

hingga akhir periode.

(b) Impulse Response Function antara NIKKEI 225 dengan IHSG

Berdasarkan grafik Impulse Response Function antara

NIKKEI 225 dengan IHSG di bawah ini, pada kuadran pertama

terlihat bahwa IHSG merespon guncangan NIKKEI 225 secara

negatif mulai dari awal periode dan mengalami kenaikan pada

periode ketiga. Kemudian, respon IHSG mengalami kenaikan dan

163

penurunan hingga periode keenam dan akhirnya terus mengalami

penurunan hingga akhir periode.

Gambar 4.29. Impulse Response Function atas NIKKEI 225 dengan

IHSG

-10

0

10

20

30

40

50

60

1 2 3 4 5 6 7 8 9 10

Response of D(IHSG) to D(IHSG)

-10

0

10

20

30

40

50

60

1 2 3 4 5 6 7 8 9 10

Response of D(IHSG) to D(NIKKEI)

-50

0

50

100

150

200

1 2 3 4 5 6 7 8 9 10

Response of D(NIKKEI) to D(IHSG)

-50

0

50

100

150

200

1 2 3 4 5 6 7 8 9 10

Response of D(NIKKEI) to D(NIKKEI)


Sumber: data diolah

Sementara itu, pada kuadran ketiga terlihat bahwa NIKKEI

225 merespon guncangan IHSG cukup tinggi pada awal periode.

Kemudian, respon NIKKEI 225 mengalami penurunan dan kenaikan

secara bergantian mulai dari awal periode hingga akhir periode.

Secara keseluruhan grafik IRF antara NIKKEI 225 dengan

IHSG menunjukkan dampak respon yang diterima oleh NIKKEI 225

maupun IHSG akibat guncangan varibel lainnya selama 10 periode

164

adalah bersifat convergence, yaitu pergerakannya yang semakin

mendekati titik keseimbangan menuju titik nol.

(c) Impulse Response Function antara FTSE 100 dengan IHSG

Berdasarkan grafik Impulse Response Function antara FTSE

100 dengan IHSG di bawah ini, pada kuadran pertama terlihat bahwa

IHSG mulai merespon guncangan FTSE 100 cukup tinggi pada

periode kedua dan kemudian mengalami kenaikan dan penurunan

secara bergantian hingga periode kelima. Pada periode keenam,

respon IHSG mengalami penurunan dan setelahnya berangsur-angsur

mengalami kenaikan hingga akhir periode.

Gambar 4.30. Impulse Response Function atas FTSE 100 dengan

IHSG

-10

0

10

20

30

40

50

60

1 2 3 4 5 6 7 8 9 10


-10

0

10

20

30

40

50

60

1 2 3 4 5 6 7 8 9 10

Response of D(IHSG) to D(FTSE)

-20

0

20

40

60

80

1 2 3 4 5 6 7 8 9 10

Response of D(FTSE) to D(IHSG)

-20

0

20

40

60

80

1 2 3 4 5 6 7 8 9 10

Response of D(FTSE) to D(FTSE)


Sumber: data diolah

165

Sementara itu, pada kuadran ketiga terlihat bahwa FTSE 100

merespon guncangan IHSG secara positif pada awal periode dan

setelah itu, respon FTSE 100 terus mengalami penurunan secara

negatif hingga periode kelima. Pada periode keenam, respon FTSE

100 mengalami kenaikan secara bertahap hingga akhir periode.

Secara keseluruhan grafik IRF antara FTSE 100 dengan

IHSG menunjukkan dampak respon yang diterima oleh FTSE 100




(d) Impulse Response Function antara S&P TSX dengan IHSG

Berdasarkan grafik Impulse Response Function antara S&P

TSX dengan IHSG di bawah ini, pada kuadran pertama terlihat

bahwa IHSG mulai merespon guncangan S&P TSX secara positif

pada periode kedua dan setelahnya mengalami penurunan dan

kenaikan secara bergantian hingga periode ketujuh. Pada periode

kedelapan dan kesembilan, respon IHSG mengalami penurunan

secara negatif dan akhirnya kembali positif pada akhir periode.

Sementara itu, pada kuadran ketiga terlihat bahwa S&P TSX

merespon guncangan IHSG cukup tinggi secara positif pada awal

periode. Kemudian, respon S&P TSX mengalami penurunan hingga

periode ketiga. Pada periode keempat, respon S&P TSX mengalami

166

kenaikan dan penurunan secara negatif hingga periode ketujuh.

Setelah periode ketujuh, S&P TSX merespon kembali secara positif

hingga akhir periode.

Gambar 4.31. Impulse Response Function atas S&P TSX dengan

IHSG

-10

0

10

20

30

40

50

1 2 3 4 5 6 7 8 9 10


-10

0

10

20

30

40

50

1 2 3 4 5 6 7 8 9 10

Response of D(IHSG) to D(S_P_TSX)

-40

0

40

80

120

160

1 2 3 4 5 6 7 8 9 10

Response of D(S_P_TSX) to D(IHSG)

-40

0

40

80

120

160

1 2 3 4 5 6 7 8 9 10

Response of D(S_P_TSX) to D(S_P_TSX)


Sumber: data diolah

Secara keseluruhan grafik IRF antara S&P TSX dengan

IHSG menunjukkan dampak respon yang diterima oleh S&P TSX




167

(e) Impulse Response Function antara DJIA dengan IHSG

Berdasarkan grafik Impulse Response Function antara DJIA

dengan IHSG di bawah ini, pada kuadran pertama terlihat bahwa

IHSG mulai merespon guncangan DJIA secara positif pada periode

kedua dan setelahnya mengalami penurunan pada periode ketiga.

Pada periode keempat, respon IHSG mengalami kenaikan, namun

tidak lama kembali mengalami penurunan dan kenaikan yang negatif

secara bergantian pada periode kelima hingga periode kedelapan.

Pada akhir periode, respon IHSG kembali mengalami kenaikan

secara positif.

Gambar 4.32. Impulse Response Function atas DJIA dengan IHSG

-10

0

10

20

30

40

50

1 2 3 4 5 6 7 8 9 10


-10

0

10

20

30

40

50

1 2 3 4 5 6 7 8 9 10

Response of D(IHSG) to D(DJIA)

-40

0

40

80

120

160

1 2 3 4 5 6 7 8 9 10

Response of D(DJIA) to D(IHSG)

-40

0

40

80

120

160

1 2 3 4 5 6 7 8 9 10

Response of D(DJIA) to D(DJIA)


Sumber: data diolah

168

Sementara itu, pada kuadran ketiga terlihat bahwa DJIA

merespon guncangan IHSG cukup tinggi secara positif pada awal

periode. Setelah itu, respon DJIA mengalami penurunan secara

negatif pada periode kedua dan kembali naik masih dalam kondisi

negatif pada periode ketiga. Pada periode keempat, respon DJIA

mengalami penurunan secara negatif hingga periode kelima. Setelah

periode kelima, DJIA merespon kembali secara positif hingga

periode kesembilan dan berakhir negatif pada akhir periode.

Secara keseluruhan grafik IRF antara DJIA dengan IHSG

menunjukkan dampak respon yang diterima oleh DJIA maupun

IHSG akibat guncangan varibel lainnya selama 10 periode adalah

bersifat convergence, yaitu pergerakannya yang semakin mendekati

titik keseimbangan menuju titik nol.

i. Variance Decomposition (VD)

Langkah terakhir dalam analisis VAR / VECM adalah Variance

Decomposition (VD). Langkah ini bertujuan untuk memberikan informasi

mengenai proporsi dari pergerakan pengaruh shock pada sebuah variabel

terhadap shock varibel lainnya pada periode saaat ini dan periode yang

akan datang. Variance Decomposition akan memberikan informasi tentang

pentingnya setiap perubahan (inovasi) yang terjadi yang akan berdampak

terhadap variabel-variabel lain dalam suatu sistem. Prosedur VD yaitu

dengan mengukur persentase kejutan-kejutan atas masing-masing variabel.

169

1) Variance Decomposition (VD) Indeks Bursa Saham Syariah

(a) Variance Decomposition antara FBMS dengan JII

Pada tabel pertama dalam hasil Variance Decomposition

antara FBMS dengan JII, menunjukkan bahwa pada periode pertama

hanya JII yang mempengaruhi dirinya sebesar 100%. Pada periode

kedua, FBMS mulai memberikan kontribusinya terhadap variabilitas

JII sebesar 0.68%.

Tabel 4.55. Variance Decomposition atas FBMS dengan JII

Variance Decomposition of JII:

Period JII FBMS 1 100.0000 0.000000

2 99.31598 0.684023

3 98.01862 1.981377

4 96.94988 3.050116

5 96.37270 3.627297

6 95.98919 4.010809

7 95.84604 4.153956

8 95.79199 4.208010

9 95.76166 4.238336

10 95.73835 4.261653 Variance Decomposition of FBMS:

Period JII FBMS 1 15.26411 84.73589

2 18.07119 81.92881

3 18.97937 81.02063

4 20.06777 79.93223

5 21.64796 78.35204

6 22.38558 77.61442

7 22.84729 77.15271

8 23.19169 76.80831

9 23.46247 76.53753

10 23.71360 76.28640 Cholesky Ordering: JII FBMS

Sumber: data diolah

170

Kemudian, kontribusi FBMS semakin lama semakin relatif

besar hingga akhir periode sebesar 4.26%, sedangkan kontribusi JII

sendiri semakin menurun dari waktu ke waktu hingga akhir periode

sebesar 95.74%. Hal ini menunjukkan bahwa fluktuasi JII lebih

banyak dipengaruhi oleh JII itu sendiri daripada variabel FBMS.

Selanjutnya, pada tabel kedua terlihat bahwa kontribusi JII

mampu menjelaskan variabilitas FBMS sebesar 15.26% pada periode

pertama dan nilai ini terus meningkat hingga akhir periode sebesar

23.71%. Hal ini berbeda dengan kontribusi FBMS itu sendiri yang

cenderung menurun dari awal periode sebesar 84.74% menjadi

76.29% pada akhir periode.

(b) Variance Decomposition antara DJIJP dengan JII


antara DJIJP dengan JII, menunjukkan bahwa pada periode pertama


kedua, DJIJP mulai memberikan kontribusinya terhadap variabilitas

JII sebesar 0.07%. Kemudian, kontribusi DJIJP semakin lama

semakin meningkat, namun tidak terlalu besar hingga akhir periode

sebesar 1.23%, sedangkan kontribusi JII sendiri cenderung menurun

dari waktu ke waktu hingga akhir periode sebesar 98.77%. Hal ini

menunjukkan bahwa fluktuasi JII lebih banyak dipengaruhi oleh JII

itu sendiri daripada variabel DJIJP.

171

Tabel 4.56. Variance Decomposition atas DJIJP dengan JII

Variance Decomposition of D(JII):

Period D(JII) D(DJIJP) 1 100.0000 0.000000

2 99.92916 0.070837

3 99.64952 0.350484

4 98.82571 1.174294

5 98.82143 1.178571

6 98.77883 1.221171

7 98.77487 1.225131

8 98.77464 1.225363

9 98.77435 1.225649

10 98.77410 1.225899 Variance Decomposition of D(DJIJP):

Period D(JII) D(DJIJP) 1 10.61729 89.38271

2 10.32824 89.67176

3 10.88006 89.11994

4 10.83436 89.16564

5 10.93346 89.06654

6 10.93275 89.06725

7 10.93784 89.06216

8 10.93780 89.06220

9 10.93780 89.06220

10 10.93779 89.06221 Cholesky Ordering: D(JII) D(DJIJP)

Sumber: data diolah


mampu menjelaskan variabilitas DJIJP sebesar 10.62% pada periode

pertama dan setelahnya nilai ini mengalami penurunan sebesar

10.33%. Akan tetapi, setelah periode kedua, kontribusi JII terus

meningkat hingga akhir periode sebesar 10.94%. Hal ini berbeda

dengan kontribusi DJIJP itu sendiri yang cenderung menurun dari

awal periode sebesar 89.38% menjadi 89.06% pada akhir periode.

172

(c) Variance Decomposition antara DJIUK dengan JII


antara DJIUK dengan JII, menunjukkan bahwa pada periode pertama


kedua, DJIUK mulai memberikan kontribusinya terhadap variabilitas

JII sebesar 3.71%.

Tabel 4.57. Variance Decomposition atas DJIUK dengan JII


Period D(JII) D(DJIUK) 1 100.0000 0.000000

2 96.28533 3.714674

3 95.14875 4.851248

4 95.11721 4.882793

5 94.98553 5.014471

6 94.71967 5.280330

7 94.66328 5.336716

8 94.66279 5.337210

9 94.65902 5.340984

10 94.65829 5.341714 Variance Decomposition of D(DJIUK):

Period D(JII) D(DJIUK) 1 9.236809 90.76319

2 9.506370 90.49363

3 9.548542 90.45146

4 9.554651 90.44535

5 9.565331 90.43467

6 9.574698 90.42530

7 9.575483 90.42452

8 9.575414 90.42459

9 9.575819 90.42418

10 9.575950 90.42405 Cholesky Ordering: D(JII) D(DJIUK)

Sumber: data diolah

173

Kemudian, kontribusi DJIUK semakin lama semakin relatif




banyak dipengaruhi oleh JII itu sendiri daripada variabel DJIUK.


mampu menjelaskan variabilitas DJIUK sebesar 9.24% pada periode


9.58%. Hal ini berbeda dengan kontribusi DJIUK itu sendiri yang



(d) Variance Decomposition antara DJICA dengan JII


antara DJICA dengan JII, menunjukkan bahwa pada periode pertama


kedua, DJICA mulai memberikan kontribusinya terhadap variabilitas

JII sebesar 6.88%. Kemudian, kontribusi DJICA semakin lama

semakin relatif besar hingga akhir periode sebesar 8.32%, sedangkan

kontribusi JII sendiri semakin menurun dari waktu ke waktu hingga

akhir periode sebesar 91.68%. Hal ini menunjukkan bahwa fluktuasi

JII lebih banyak dipengaruhi oleh JII itu sendiri daripada variabel

DJICA.

174

Tabel 4.58. Variance Decomposition atas DJICA dengan JII


Period D(JII) D(DJICA) 1 100.0000 0.000000

2 93.11932 6.880679

3 91.74361 8.256389

4 91.78431 8.215686

5 91.77698 8.223021

6 91.69865 8.301352

7 91.68572 8.314276

8 91.68588 8.314123

9 91.68470 8.315302

10 91.68402 8.315982 Variance Decomposition of D(DJICA):

Period D(JII) D(DJICA) 1 4.896860 95.10314

2 4.981555 95.01845

3 4.969389 95.03061

4 4.965507 95.03449

5 4.971641 95.02836

6 4.972171 95.02783

7 4.972272 95.02773

8 4.972493 95.02751

9 4.972524 95.02748

10 4.972528 95.02747 Cholesky Ordering: D(JII) D(DJICA)

Sumber: data diolah


mampu menjelaskan variabilitas DJICA sebesar 4.90% pada periode


4.97%. Hal ini berbeda dengan kontribusi DJICA itu sendiri yang



175

(e) Variance Decomposition antara IMUS dengan JII


antara IMUS dengan JII, menunjukkan bahwa pada periode pertama


kedua, IMUS mulai memberikan kontribusinya terhadap variabilitas

JII sebesar 7.42%.

Tabel 4.59. Variance Decomposition atas IMUS dengan JII


Period D(JII) D(IMUS) 1 100.0000 0.000000

2 92.58303 7.416966

3 91.63618 8.363819

4 91.59629 8.403713

5 91.59906 8.400944

6 91.54590 8.454102

7 91.49735 8.502655

8 91.49655 8.503453

9 91.49593 8.504065

10 91.49408 8.505915 Variance Decomposition of D(IMUS):

Period D(JII) D(IMUS) 1 3.665325 96.33468

2 3.989989 96.01001

3 4.050936 95.94906

4 4.237721 95.76228

5 4.298874 95.70113

6 4.298335 95.70166

7 4.298975 95.70102

8 4.299358 95.70064

9 4.299367 95.70063

10 4.299475 95.70053 Cholesky Ordering: D(JII) D(IMUS)

Sumber: data diolah

176

Kemudian, kontribusi IMUS semakin lama semakin relatif




banyak dipengaruhi oleh JII itu sendiri daripada variabel IMUS.


mampu menjelaskan variabilitas IMUS sebesar 3.67% pada periode


4.30%. Hal ini berbeda dengan kontribusi IMUS itu sendiri yang



2) Variance Decomposition (VD) Indeks Bursa Saham Konvensional

(a) Variance Decomposition antara KLSE dengan IHSG


antara KLSE dengan IHSG, menunjukkan bahwa pada periode

pertama hanya IHSG yang mempengaruhi dirinya sebesar 100%.

Pada periode kedua, KLSE mulai memberikan kontribusinya yang

relatif kecil terhadap variabilitas IHSG sebesar 0.18%. Kemudian,

kontribusi KLSE semakin lama semakin menigkat namun nilainya

masih tidak terlalu besar hingga akhir periode sebesar 0.50%,

sedangkan kontribusi IHSG sendiri cenderung menurun dari waktu

ke waktu hingga akhir periode sebesar 99.50%. Hal ini menunjukkan

177

bahwa fluktuasi IHSG lebih banyak dipengaruhi oleh IHSG itu

sendiri daripada variabel KLSE.

Tabel 4.60. Variance Decomposition atas KLSE dengan IHSG

Variance Decomposition of IHSG:

Period IHSG KLSE 1 100.0000 0.000000

2 99.81796 0.182039

3 99.67952 0.320485

4 99.69307 0.306928

5 99.64443 0.355569

6 99.61434 0.385663

7 99.58585 0.414153

8 99.55517 0.444827

9 99.52770 0.472301

10 99.50048 0.499524 Variance Decomposition of KLSE:

Period IHSG KLSE 1 30.83457 69.16543

2 39.15572 60.84428

3 42.86935 57.13065

4 44.26143 55.73857

5 45.27140 54.72860

6 45.71904 54.28096

7 45.99481 54.00519

8 46.20877 53.79123

9 46.36507 53.63493

10 46.48923 53.51077 Cholesky Ordering: IHSG KLSE

Sumber: data diolah

Selanjutnya, pada tabel kedua terlihat bahwa kontribusi IHSG

mampu menjelaskan variabilitas KLSE sebesar 30.83% pada periode

pertama dan nilai ini terus meningkat cukup besar hingga akhir

periode sebesar 46.49%. Hal ini berbeda dengan kontribusi KLSE itu

sendiri yang menurun dari awal periode sebesar 69.17% menjadi


178

(b) Variance Decomposition antara NIKKEI 225 dengan IHSG


antara NIKKEI 225 dengan IHSG, menunjukkan bahwa pada periode


Pada periode kedua, NIKKEI 225 mulai memberikan kontribusinya

terhadap variabilitas IHSG sebesar 0.93%.

Tabel 4.61. Variance Decomposition atas NIKKEI 225 dengan IHSG

Variance Decomposition of D(IHSG):

Period D(IHSG) D(NIKKEI) 1 100.0000 0.000000

2 99.07274 0.927264

3 98.93659 1.063414

4 98.52114 1.478860

5 98.36464 1.635363

6 98.04920 1.950801

7 98.03022 1.969780

8 98.00944 1.990556

9 97.99639 2.003614

10 97.99376 2.006244 Variance Decomposition of D(NIKKEI):

Period D(IHSG) D(NIKKEI) 1 20.37427 79.62573

2 20.24435 79.75565

3 20.24685 79.75315

4 20.32407 79.67593

5 20.86132 79.13868

6 20.90771 79.09229

7 20.94293 79.05707

8 20.94506 79.05494

9 20.94501 79.05499

10 20.94814 79.05186 Cholesky Ordering: D(IHSG) D(NIKKEI)

Sumber: data diolah

Kemudian, kontribusi NIKKEI 225 semakin lama semakin

menigkat hingga akhir periode sebesar 2.01%, sedangkan kontribusi

179

IHSG sendiri cenderung menurun dari waktu ke waktu hingga akhir

periode sebesar 97.99%. Hal ini menunjukkan bahwa fluktuasi IHSG

lebih banyak dipengaruhi oleh IHSG itu sendiri daripada variabel

NIKKEI 225.


mampu menjelaskan variabilitas NIKKEI 225 sebesar 20.37% pada

periode pertama dan nilai ini terus meningkat namun tidak terlalu

besar hingga akhir periode sebesar 20.95%. Hal ini berbeda dengan

kontribusi NIKKEI 225 itu sendiri yang menurun dari awal periode

sebesar 79.63% menjadi 79.05% pada akhir periode.

(c) Variance Decomposition antara FTSE 100 dengan IHSG


antara FTSE 100 dengan IHSG, menunjukkan bahwa pada periode


Pada periode kedua, FTSE 100 mulai memberikan kontribusinya

terhadap variabilitas IHSG sebesar 3.62%. Kemudian, kontribusi

FTSE 100 semakin lama semakin menigkat hingga akhir periode

sebesar 4.24%, sedangkan kontribusi IHSG sendiri menurun dari

waktu ke waktu hingga akhir periode sebesar 95.76%. Hal ini

menunjukkan bahwa fluktuasi IHSG lebih banyak dipengaruhi oleh

IHSG itu sendiri daripada variabel FTSE 100.

180

Tabel 4.62. Variance Decomposition atas FTSE 100 dengan IHSG


Period D(IHSG) D(FTSE) 1 100.0000 0.000000

2 96.37511 3.624893

3 96.32875 3.671254

4 96.03125 3.968751

5 95.96709 4.032905

6 95.83982 4.160178

7 95.76167 4.238329

8 95.76022 4.239778

9 95.76025 4.239752

10 95.76016 4.239835 Variance Decomposition of D(FTSE):

Period D(IHSG) D(FTSE) 1 14.10670 85.89330

2 14.12470 85.87530

3 14.10095 85.89905

4 14.14479 85.85521

5 14.22834 85.77166

6 14.19414 85.80586

7 14.19769 85.80231

8 14.20120 85.79880

9 14.20108 85.79892

10 14.20147 85.79853 Cholesky Ordering: D(IHSG) D(FTSE)

Sumber: data diolah


mampu menjelaskan variabilitas FTSE 100 sebesar 14.11% pada

periode pertama dan nilai ini terus meningkat, namun tidak terlalu

cukup besar hingga akhir periode sebesar 14.20%. Hal ini berbeda

dengan kontribusi FTSE 100 itu sendiri yang menurun dari awal

periode sebesar 85.89% kemudian mengalami penurunan dan

kenaikan beberapa kali hingga periode ketujuh dan akhirnya terus

menurun menjadi 85.80% pada akhir periode.

181

(d) Variance Decomposition antara S&P TSX dengan IHSG


antara S&P TSX dengan IHSG, menunjukkan bahwa pada periode


Pada periode kedua, S&P TSX mulai memberikan kontribusinya

terhadap variabilitas IHSG sebesar 8.55%.

Tabel 4.63. Variance Decomposition atas S&P TSX dengan IHSG


Period D(IHSG) D(S_P_TSX) 1 100.0000 0.000000

2 91.45259 8.547412

3 91.44278 8.557215

4 91.35320 8.646798

5 91.35262 8.647381

6 91.36566 8.634337

7 91.36415 8.635848

8 91.35946 8.640538

9 91.35997 8.640029

10 91.36010 8.639904 Variance Decomposition of D(S_P_TSX):

Period D(IHSG) D(S_P_TSX) 1 7.152471 92.84753

2 7.150705 92.84930

3 7.230404 92.76960

4 7.234838 92.76516

5 7.469422 92.53058

6 7.511402 92.48860

7 7.514859 92.48514

8 7.519852 92.48015

9 7.526402 92.47360

10 7.526362 92.47364 Cholesky Ordering: D(IHSG) D(S_P_TSX)

Sumber: data diolah

Kemudian, kontribusi S&P TSX semakin lama semakin

menigkat hingga akhir periode sebesar 8.64%, sedangkan kontribusi

182

IHSG sendiri semakin menurun dari waktu ke waktu hingga akhir

periode sebesar 91.36%. Hal ini menunjukkan bahwa fluktuasi IHSG

lebih banyak dipengaruhi oleh IHSG itu sendiri daripada variabel

S&P TSX.


mampu menjelaskan variabilitas S&P TSX sebesar 7.15% pada

periode pertama dan nilai ini terus meningkat namun tidak terlalu


kontribusi S&P TSX itu sendiri yang menurun dari awal periode

sebesar 92.85% menjadi 92.47% pada akhir periode.

(e) Variance Decomposition antara DJIA dengan IHSG


antara DJIA dengan IHSG, menunjukkan bahwa pada periode


Pada periode kedua, DJIA mulai memberikan kontribusinya terhadap

variabilitas IHSG sebesar 9.68%. Kemudian, kontribusi DJIA

semakin lama semakin menigkat hingga akhir periode sebesar

10.06%, sedangkan kontribusi IHSG sendiri menurun dari waktu ke

waktu hingga akhir periode sebesar 89.94%. Hal ini menunjukkan

bahwa fluktuasi IHSG lebih banyak dipengaruhi oleh IHSG itu

sendiri daripada variabel DJIA.

183

Tabel 4.64. Variance Decomposition atas DJIA dengan IHSG


Period D(IHSG) D(DJIA) 1 100.0000 0.000000

2 90.32328 9.676717

3 90.33754 9.662461

4 89.98221 10.01779

5 89.99798 10.00202

6 89.94980 10.05020

7 89.93810 10.06190

8 89.93788 10.06212

9 89.93782 10.06218

10 89.93743 10.06257 Variance Decomposition of D(DJIA):

Period D(IHSG) D(DJIA) 1 5.377893 94.62211

2 5.362677 94.63732

3 5.377253 94.62275

4 5.466965 94.53303

5 5.576257 94.42374

6 5.577245 94.42275

7 5.579949 94.42005

8 5.581666 94.41833

9 5.581786 94.41821

10 5.581787 94.41821 Cholesky Ordering: D(IHSG) D(DJIA)

Sumber: data diolah


mampu menjelaskan variabilitas DJIA sebesar 5.38% pada periode

pertama dan nilai ini terus meningkat, namun tidak terlalu cukup


kontribusi DJIA itu sendiri yang menurun dari awal periode sebesar

94.62% dan kemudian mengalami kenaikan sebesar 94.64%. Setelah

periode ketiga, kontribusi DJIA akhirnya terus menurun menjadi


184

3. Interpretasi

Dalam melihat integrasi bursa saham, menurut Tony Cavoli, et.al.

(2004:24-27), ada lima analisis yang dapat digunakan, seperti analisis korelasi,

kausalitas, kointegrasi, variance decomposition, dan berdasarkan asset pricing

models. Di penelitian ini, hanya digunakan tiga analisis saja yang berada di

dalam metode VAR / VECM, yaitu analisis kausalitas, kointegrasi, dan

variance decomposition.

Secara keseluruhan, indeks bursa saham syariah dan konvensional di

Indonesia, yaitu JII dan IHSG memiliki hubungan kausalitas dengan indeks

bursa saham syariah dan konvensional di Asia, Eropa, dan Amerika, hanya

saja arah hubungan kausalitas mereka berbeda-beda terhadap JII dan IHSG

tersebut. Hubungan kausalitas dua arah atau bisa dikatakan saling

mempengaruhi di kelompok indeks bursa saham syariah hanya dimiliki oleh

pasangan FBMS dengan JII dan DJIJP dengan JII, sedangkan di kelompok

indeks bursa saham konvensional dimiliki oleh pasangan NIKKEI 225 dengan

IHSG, FTSE 100 dengan IHSG, serta DJIA dengan JII. Sementara itu,

hubungan kausalitas satu arah atau bisa dikatakan tidak ada hubungan timbal

balik yang terjadi (hanya suatu variabel mempengaruhi varibel lainnya, namun

tidak sebaliknya) di kelompok indeks bursa saham syariah dimiliki oleh

pasangan DJIUK dengan JII, DJICA dengan JII, serta IMUS dengan JII,

sedangkan di kelompok indeks bursa saham konvensional dimiliki oleh

pasangan KLSE dengan IHSG dan DJICA dengan IHSG.

185

Dalam hubungan kausalitas satu arah, variabel yang paling banyak

dipengaruhi adalah indeks bursa saham syariah dan konvensional di Indonesia.

Hal ini dikarenakan nilai harian saham yang ada dipengaruhi oleh faktor

besarnya kapitalisasi bursa suatu saham sehingga saham yang memiliki

kapitalisasi besar mempunyai pengaruh terhadap indeks lebih besar

dibandingkan saham dengan kapitalisasi kecil (L. Thian Hin, 2008:4), artinya

saham-saham yang berada di bursa saham syariah dan konvensional di

Indonesia masih memiliki kapitalisasi pasar yang lebih kecil dibandingkan

dengan bursa saham lainnya. Seperti yang dilansir dari www.merdeka.com,

bahwa hingga bulan Maret 2014, nilai kapitalisasi pasar Indonesia hanya

mencapai US$ 415 miliar, sedangkan Malaysia mencapai sekitar US$ 500

miliar, kemudian diikuti Singapura hampir mencapai USD 1 triliun, dan India

mendekati USD 1,5 triliun. Tentu saja, Otoritas Jasa Keuangan (OJK) perlu

bekerja keras untuk menarik minat para perusahaan di Indonesia yang belum

terdaftar di bursa saham Indonesia agar bursa saham Indonesia segera bisa

mengejar ketinggalannya.

Selain faktor kapitalisasi bursa, hubungan antar bursa saham yang

saling mempengaruhi (hubungan kausalitas dua arah) bisa disebabkan adanya

kerja sama yang cukup kuat yang dilakukan oleh antar perusahaan yang

terdaftar di masing-masing bursa saham tersebut khususnya dalam bidang

ekonomi, misalnya ekspor dan impor. Ekspor dan impor dilakukan oleh

perusahaan-perusahaan antar negara untuk dapat saling memenuhi kebutuhan

di dalam negeri mereka masing-masing. Perusahaan-perusahaan yang

186

melakukan ekspor dan impor tentu bukan sembarang perusahaan kecil karena

banyaknya prosedur persyaratan yang harus dipenuhi untuk melakukan

kegiatan tersebut sehingga ada saatnya perusahaan tersebut melakukan go

public untuk memperlancar usaha mereka.

Seiring melemahnya perekonomian dunia, aktivitas perdagangan

sepanjang 2013 juga mengalami perlambatan. Defisit pada tahun 2013 hingga

US$ 4,06 miliar meningkat dibandingkan tahun sebelumnya. Total ekspor dan

impor di Indonesia didominasi oleh sektor non migas, seperti sektor industry,

pertanian, dan pertambangan. Komoditi-komoditi utama di Indonesia yang

banyak diekspor ke berbagai negara adalah tekstil dan produk tekstil, karet

dan produk karet, sawit, produk hasil hutan, otomotif, udang, kakao, dan kopi.

Tabel 4.65. Total Neraca Perdagangan Indonesia

(Nilai: Juta US$)

No Uraian 2009 2010 2011 2012 2013

1. Ekspor 116.510 157.779 203.496 190.020 182.551

- Oil & Gas 19.018 28.039 41.477 36.977 32.633

- Non Oil & Gas 97.491 129.739 162.019 153.042 149.918

2. Import 96.829 135.663 177.435 191.689 186.628

- Oil & Gas 18.980 27.412 40.701 42.564 45.266

- Non Oil & Gas 77.848 108.250 136.734 149.125 141.362

3. Total Perdagangan 213.339 293.442 380.932 381.709 369.180

- Oil & Gas 37.999 55.452 82.178 79.541 77.899

- Non Oil & Gas 175.340 237.990 298.753 302.168 291.281

Sumber: BPS, data diolah oleh Kementrian Perdagangan

187

Malaysia, Jepang, Inggris, dan Amerika Serikat merupakan mitra

dagang Indonesia yang cukup penting, terutama Jepang yang menduduki

peringkat kedua setelah China dan Malaysia berada di peringkat ketujuh

sebagai negara tujuan ekspor Indonesia dari tahun 2009 – 2013. Total

perdagangan yang dilakukan Indonesia dengan Malaysia secara umum

mengalami kenaikan dari tahun 2009 – 2013, hanya saja terjadi penurunan

ekspor ke Malaysia sekitar 1.11% pada tahun 2013 dibandingkan tahun

sebelumnya.

Tabel 4.66. Neraca Perdagangan Indonesia dengan Malaysia

(Nilai: Juta US$)

Uraian 2009 2010 2011 2012 2013

Total Perdagangan 12.500 18.011 21.400 23.521 23.989

Migas 3.679 5.735 6.455 8.731 10.791

Non Migas 8.820 12.275 14.945 14.790 13.197

Ekspor 6.811 9.362 10.995 11.278 10.666

Migas 1.175 1.608 1.795 2.809 3.398

Non Migas 5.636 7.753 9.200 8.469 7.268

Impor 5.688 8.648 10.404 12.243 13.322

Migas 2.504 4.126 4.659 5.922 7.393

Non Migas 3.184 4.521 5.745 6.321 5.929

Neraca Perdagangan 1.123 713 590 -965 -2.655

Migas -1.328 -2.518 -2.863 -3.113 -3.994

Non Migas 2.452 3.231 3.454 2.147 1.339


Komoditi ekspor utama terbesar ke Malaysia adalah CPO (Crude Palm

Oil), batu bara, dan kakao. Kakao di Indonesia banyak diminati oleh negara-

negara di dunia, Malaysia sendiri menempati urutan pertama dalam

mengimpor kakao dari Indonesia. Pada tahun 2013, Malaysia mengimpor

188

kakao sekitar US$ 421 juta, nilai ini meningkat dibandingkan tahun 2012 yang

hanya sekitar US$ 250 juta. Sementara itu, Indonesia impor dari Malaysia

seperti mesin / peralatan mekanik, plastik dan barang dari plastik, bahan kimia

organik, besi dan baja, serta kapal laut dan bangunan terapung

(www.finance.detik.com)

Berdasarkan yang dilansir dari www.bisnis.liputan6.com, Indonesia

dan Jepang sepakat untuk meningkatkan kerjasama dalam bidang

perdagangan, investasi dan infrastruktur. Hal ini dituangkan pada kunjungan

Presiden Susilo Bambang Yudhoyono (SBY) ke Jepang pada 13 Desember

2013. Total perdagangan yang dilakukan Indonesia dengan Jepang pada tahun

2013 mengalami penurunan sebesar 2.93% dibandingkan tahun sebelumnya.

Tabel 4.67. Neraca Perdagangan Indonesia dengan Jepang

(Nilai: Juta US$)

Uraian 2009 2010 2011 2012 2013


Migas 6.628 9.340 15.500 12.950 11.232

Non Migas 21.789 33.407 37.651 39.952 35.138

Ekspor 18.574 25.781 33.714 30.135 27.086

Migas 6.595 9.285 15.384 12.903 11.002

Non Migas 11.978 16.496 18.330 17.231 16.084

Impor 9.843 16.965 19.436 22.767 19.284

Migas 33 55 115 46 230

Non Migas 9.810 16.910 19.320 22.721 19.054

Neraca Perdagangan 8.731 8.816 14.278 7.367 7.801

Migas 6.562 9.230 15.268 12.857 10.771

Non Migas 2.168 -414 -990 -5.490 -2.969


189

Komoditi penting yang diimpor Jepang dari Indonesia dominan berasal

dari non migas, seperti kayu dan produk kayu, ikan dan produk perikanan,

serta tekstil. Di lain pihak, barang-barang yang diekspor Jepang ke Indonesia

meliputi mesin-mesin dan suku-cadang, produk plastik dan kimia, baja,

perlengkapan listrik, suku-cadang elektronik, mesin alat transportasi dan suku-

cadang mobil.

Indonesia kerap kali mendapatkan perlakuan kurang menyenangkan

terhadap produk-produk Indonesia yang di ekspor ke Inggris. Salah satunya

ada kopi luwak dari Indonesia yang dilarang dijual di pertokoan bergengsi di

London bernama Harrods. Para aktivis kesejahteraan hewan menilai bahwa

kopi luwak diproduksi dengan cara kurang baik sehingga kopi luwak dilarang

diperjualbelikan di Harrods. Akan tetapi, seiring dilakukannya diplomasi

dagang dengan Inggris, ekspor Indonesia kini mendapat feedback yang positif

di sana (www.neraca.co.id). Pada tahun 2013 total perdagangan di antara

kedua negara senilai US$ 2.72 miliar menurun dibandingkan dengan tahun

2012 senilai US$ 3.06 miliar. Sementara itu, rata-rata pertumbuhan

perdagangan Indonesia-Inggris dalam lima tahun terakhir sebesar 5.6%.

Komoditas ekspor utama Indonesia ke Inggris meliputi mesin percetakan, alas

kaki, peralatan komunikasi, karet, dan kopi. Sementara dari Inggris, Indonesia

mengimpor beberapa komoditas seperti truk pengangkut yang dirancang untuk

luar jalan raya, turbo jet, set generator, suku cadang pesawat terbang, serta

bongkaran besi.

190

Tabel 4.68. Neraca Perdagangan Indonesia dengan Inggris

(Nilai: Juta US$)

Uraian 2009 2010 2011 2012 2013


Migas 28 869 581 571 1

Non Migas 2.275 2.630 2.893 3.062 2.715

Ekspor 1.459 1.693 1.719 1.696 1.634

Migas 27 0,2 0,1 0,0 1

Non Migas 1.431 1.693 1.719 1.696 1.633

Impor 844 937 1.173 1.366 1.081

Migas 690 869 581 571 436

Non Migas 843 936 1.173 1.365 1.081

Neraca Perdagangan 614 755 545 330 552

Migas 27 -869 -581 -571 678

Non Migas 587 756 546 331 552


Kegiatan ekspor komoditas dari Indonesia ke Amerika Serikat tetap

tinggi, meski negara adidaya tersebut sedang menghadapi ketidakpastian

politik. Meskipun total nilai perdagangan Amerika Serikat dengan Indonesia

pada tahun 2013 sebesar US$ 24.76 miliar atau menurun sebesar 1.44%

apabila dibandingkan dengan tahun 2012 sebesar US$ 26.48 miliar, namun

ekspor Indonesia pada 2013 sebesar US$ 15.69 naik dibandingkan tahun 2012

sebesar US$ 14.87 miliar. Jenis komoditas yang permintaannya tinggi ke

negeri Paman Sam ini antara lain udang, kopi dan ikan. Komoditas ini

memang menjadi primadona bagi Indonesia, terlebih Indonesia merupakan

negara tropis dengan hasil kopi yang menjadi salah satu terbaik di dunia.

Khusus udang dan ikan, dua komoditas ini juga menjadi primadona bagi

191

Indonesia karena Indonesia dikenal sebagai negara maritim dengan hasil

komoditas hasil laut yang terkemuka (www.bisniskeuangan.kompas.com)

Tabel 4.69. Neraca Perdagangan Indonesia dengan Amerika Serikat

(Nilai: Juta US$)

Uraian 2009 2010 2011 2012 2013


Migas 426 1.039 891 417 801

Non Migas 17.507 22.625 26.381 26.059 23.955

Ekspor 10.850 14.266 16.459 14.874 15.691

Migas 379 940 774 283 609

Non Migas 10.470 13.326 15.684 14.590 15.081

Impor 7.083 9.399 10.813 11.602 9.065

Migas 46 99 116 133 191

Non Migas 7.037 9.299 10.696 11.468 8.873

Neraca Perdagangan 3.766 4.867 5.645 3.271 6.626

Migas 333 840 658 149 418

Non Migas 3.432 4.027 4.987 3.122 6.207


Hasil uji kausalitas Granger merupakan hasil awal integrasi dalam

penelitian ini sehingga perlu hasil uji lainnya, seperti uji kointegrasi dan

analisis Variance Decomposition (VD) sebagai perbandingan dan penjelasan

yang lebih lanjut. Hasil uji kointegrasi antara bursa saham syariah dan

konvensional di Asia, Eropa, dan Amerika dengan bursa saham syariah dan

konvensional di Indonesia menunjukkan bahwa hanya FBMS dan KLSE milik

Malaysia yang memiliki hubungan jangka panjang atau kointegrasi dengan

bursa saham syariah dan konvensional di Indonesia. Hasil ini diperkuat

dengan teori yang diungkapkan oleh Janakiramanan dan Lamba (1998) dalam

Welfens, et.al (2006) “Geographically close countries normally have a

192

similar group of investors in their markets. Therefore, these markets influence

each other.”

Terakhir, analisis Variance Decomposition (VD) menunjukkan bahwa

di kelompok bursa saham syariah, bursa saham syariah Amerika Serikat

(IMUS) yang memberikan kontribusi terbesar yaitu 8.51% terhadap

pergerakkan bursa saham syariah Indonesia (JII), tetapi hal ini bertolak

belakang dengan kontribusi terbesar yang diberikan oleh JII terhadap FBMS

sebesar 23.71%. Sementara itu sama halnya dengan yang terjadi di kelompok

bursa saham syariah, di kelompok bursa saham konvensional masih

didominasi oleh Amerika Serikat, yaitu kontribusi DJIA merupakan yang

terbesar terhadap pergerakan bursa saham konvensional Indonesia (IHSG)

sebesar 10.06%, sedangkan IHSG memberikan kontribusinya terhadap KLSE

sebesar 46.49%.

Tidak heran bursa saham Amerika Serikat memegang kontrol terhadap

pergerakan bursa saham di Indonesia karena bursa saham di negara Obama ini

merupakan benchmark para investor di dunia. Indeks DJIA mencerminkan

95% kapitalisasi perusahaan besar di Amerika, diluar perusahaan kecil

menengah yang pergerakan sahamnya sangat lambat. Jadi indeks Dow Jones

mencerminkan kondisi ekonomi Amerika secara global. Berdasarkan

www.finance.detik.com, sebagai salah satu kekuatan ekonomi terbesar,

pengaruh Amerika Serikat sangat besar bagi negara-negara lain, hal ini juga

termasuk pengaruh dari perusahaan-perusahaan dan investornya sehingga

pergerakan DJIA yang merupakan salah satu indeks dalam NYSE (New York

193

Stock Exchange) akan berpengaruh pada pergerakan indeks negara-negara

lain. Salah satu contoh pada tahun 2008 di mana saat itu krisis mortgage di AS

yang akhirnya juga menyeret IHSG hingga turun 50% padahal impact krisis

itu terhadap perekonomian Indonesia relatif kecil. Penurunan IHSG terjadi

karena banyak fund manager dari Eropa dan Amerika Serikat yang mengalami

krisis likuiditas (ditarik besar- besaran oleh investornya sehingga harus

menjual portfolionya). Sementara itu, bursa saham syariah Amerika Serikat

sendiri tidak terlepas dari bursa saham konvensionalnya karena perusahaan-

perusahaan yang terdaftar di indeks IMUS juga merupakan bagian dari

perusahaan-perusahaan yang ada di indeks DJIA.

Oleh karena itu, berdasarkan tiga analisis yang telah dipaparkan

sebelumnya dapat disimpulkan bahwa bursa saham syariah yang terintegrasi

dengan JII adalah FBMS dan bursa saham konvensional yang terintegrasi

dengan IHSG adalah KLSE. Hasil penelitian ini sesuai dengan penelitian-

penelitian terdahulu, seperti yang dilakukan oleh Salina Hj. Kassim (2010), M.

Shabri Abd. Majid dan Salina Hj. Kassim (2010), serta Eka Siskawati (2011)

di mana bursa saham syariah Malaysia terintegrasi dengan bursa saham

syariah Indonesia, sedangkan hasil penelitian bursa saham konvensional

Malaysia terintegrasi dengan bursa saham konvensional Indonesia juga sesuai

dengan hasil penelitian yang dilakukan oleh Yoopi Abimanyu, dkk (2008)

serta Dwi Puryati dan dan Reni Marlina (2013).

194

Menurut Mafizatun Nurhayati (2012), dengan terintegrasinya bursa

saham, para pemodal bisa melakukan diversifikasi investasi dengan lebih luas

(bukan hanya antar industri, tetapi juga antar negara) karena risiko yang

relevan bagi para pemodal hanyalah risiko yang tidak bisa dihilangkan dengan

diversifikasi, maka semakin besar bagian risiko total yang bisa dihilangkan

dengan diversifikasi semakin menarik diversifikasi internasional bagi para

pemodal. Dengan semakin kecilnya risiko yang ditanggung pemodal, maka

tingkat keuntungan yang disyaratkanpun akan lebih kecil. Dengan kata lain,

biaya modal akan menjadi lebih kecil. Menurunnya biaya modal tentu akan

membuat investasi makin menguntungkan, apabila hal-hal lain sama. Ini akan

berarti bahwa investasi akan makin banyak dilakukan, penyerapan tenaga

kerja makin besar, dan seterusnya. Dengan demikian, nampaknya bursa saham

yang terintegrasikan akan memberikan manfaat yang besar dibandingkan

dengan seandainya tersegmentasikan.

195

BAB V

KESIMPULAN DAN SARAN

A. Kesimpulan

Integrasi bursa saham syariah dan konvensional di kawasan Asia,

Eropa, dan Amerika dengan bursa saham syariah dan konvensional di

Indonesia dapat dilihat melalui hasil tiga analisis antara lain:

1. Hasil analisis kausalitas Granger yang menunjukkan bahwa semua bursa

saham syariah dan konvensional di kawasan Asia, Eropa, dan Amerika

memiliki hubungan kausalitas dengan bursa saham syariah dan

konvensional di Indonesia, hanya saja arah hubungan kausalitas tersebut

berbeda-beda. Hubungan kausalitas dua arah (saling mempengaruhi)

dengan Jakarta Islamic Index (JII) hanya dimiliki oleh FTSE Bursa

Malaysia Emas Shariah (FBMS) dan Dow Jones Islamic Market Japan

(DJIJP), sedangkan sisanya memiliki hubungan kausalitas satu arah. Tidak

berbeda jauh, hubungan kausalitas dua arah dengan Indeks Harga Saham

Gabungan (IHSG) dimiliki oleh pasangan NIKKEI 225, Financial Times

Stock Exchange (FTSE 100), dan Dow Jones Industrial Average (DJIA),

sedangkan sisanya memiliki hubungan kausalitas satu arah.

2. Hasil analisis kointegrasi Johansen menunjukkan bahwa bursa saham

syariah dan konvensional di Indonesia, yaitu Jakarta Islamic Index (JII)

dan Indeks Harga Saham Gabungan (IHSG) hanya memiliki hubungan

jangka panjang dengan bursa saham syariah dan konvensional di Malaysia,

196

yaitu FTSE Bursa Malaysia Emas Shariah (FBMS) dan Kuala Lumpur

Stock Exchange (KLSE).

3. Hasil analisis Variance Decomposition (VD) menunjukkan bahwa bursa

saham syariah dan konvensional di Amerika Serikat, yaitu Dow Jones

Islamic Market United States (IMUS) dan Dow Jones Industrial Average

(DJIA) memberikan kontribusi terbesar terhdap pergerakan bursa saham

syariah dan konvensional di Indonesia, yaitu Jakarta Islamic Index (JII)

dan Indeks Harga Saham Gabungan (IHSG). Sementara itu, pergerakkan

bursa saham syariah dan konvensional di Malaysia, yaitu FTSE Bursa

Malaysia Emas Shariah (FBMS) dan Kuala Lumpur Stock Exchange

(KLSE) menerima kontribusi terbesar dari bursa saham syariah dan

konvensional di Indonesia, yaitu Jakarta Islamic Index (JII) dan Indeks

Harga Saham Gabungan (IHSG).

Oleh karena itu, berdasarkan tiga analisis tersebut dapat disimpulkan

bahwa bursa saham syariah yang terintegrasi dengan bursa saham syariah di

Indonesia (JII) adalah FTSE Bursa Malaysia Emas Shariah (FBMS) dan bursa

saham konvensional yang terintegrasi dengan bursa saham konvensional di

Indonesia (IHSG) adalah Kuala Lumpur Stock Exchange (KLSE).

B. Saran

1. Bagi Investor

Hasil penelitian ini diharapkan dapat membantu para investor dalam

pengambilan keputusan investasi yang tepat, terutama jika investor ingin

berinvestasi di beberapa negara yang berbeda.

197

2. Bagi Perusahaan

Hasil penelitian ini diharapkan dapat membantu perusahaan dalam

pengambilan keputusan investasi yang tepat, terutama jika perusahaan

ingin melakukan investasi dengan cara membeli saham-saham perusahaan

lain yang berada di beberapa negara yang berbeda.

3. Bagi Peneliti Selanjutnya

Penelitian ini menggunakan variabel bursa saham dari lima negara yang

penulis duga memiliki integrasi dengan bursa saham syariah dan

konvensional di Indonesia dan menggunakan kurun waktu penelitian dari

tahun 2008 – 2013 dengan metode VAR / VECM. Peneliti selanjutnya

dapat mencoba membuat model dalam kurun waktu yang berbeda dan

menambah variabel bursa saham dari negara yang lainnya.

198

DAFTAR PUSTAKA

Abimanyu, Yoopi, Nur Sigit Warsidi, Sunu Kartiko, Ridiani Kurnia, dan Tety

Mahrani. “International Linkages To The Indonesian Capital Market:

Cointegration Test”, Kementrian Keuangan Republik Indonesia,

Jakarta, 2008.

Agung, I Gusti Ngurah. “Time Series Data Analysis Using Eviews”, John Wiley

& Sons (Asia), Singapore, 2009.

Ahmad, Kamaruddin. “Dasar-dasar Manajemen Investasi dan Portofolio”,

Rineka Cipta, Jakarta, 2004.

Albaity, Mohamed dan Ruby Ahmad. “Return Performance and Leverage Effect

in Islamic and Sosilly Responsible Stock Indices Evidend From Dow

Jones (DJ) and Financial Times Stock Exchange (FTSE)”, Journal of

Business Management Vol.5 No.16, 2011.

Alteza, Muniya. “Diktat Manajemen Investasi”, Jurusan Manajemen Fakultas

Ilmu Sosial dan Ekonomi Universitas Negeri Yogyakarta. 2010.

Andriansyah, Basri Pohan, dan Bayu Husodo. “Tentang Penyesuaian Atas Saham

yang Tersedia di Pasar (On Free Float Shares Adjustment)”, Kertas

Diskusi Bagian Riset Ekonomi No.1, 2007.

Ajija, Shochrul R., Dyah Wulansari, Rahmat Heru Setianto, dan Martha Ranggi

Primanthi. “Cara Cerdas Menguasai Eviews”, Salemba Empat,

Jakarta, 2011.

Al Arif, M. Nur Rianto. “Lembaga Keuangan Syariah”, CV Pustaka Setia,

Bandung, 2012.

Atmadja, Adwin Surja. “Pasar Modal Regional Dalam Masa Krisis Finansial

1997 dan 2007: Kajian Terhadap Interdependensi Bursa Efek Asia

Tenggara”, Ekuitas Vol. 14 No. 3 hal. 350 – 364, September 2010.

Badan Pengawas Pasar Modal (Bapepam) dan Lembaga Keuangan Departemen

Keuangan Republik Indonesia, “Analisis Hubungan Kointegrasi dan

Kausalitas Serta Hubungan Dinamis Antara Aliran Modal Asing,

Perubahan Nilai Tukar dan Pergerakan IHSG di Pasar Modal

Indonesia”, 2008.

199

Badan Koordinasi Penanaman Modal (BKPM), “Domestic and Foreign Direct

Investment Realization in Quarter II and January - June 2014”, Juli

2014.

Beik, Irfan Syauqi dan Wisnu Wardhana. “The Relationship Between Jakarta

Islamic Index And Other Selected Markets: Evidence From Impulse

Response Function”, Majalah Ekonomi No.2, 2011.

Cavoli, Tony, Ramkishen S. Rajan dan Reza Siregar. “A Survey of Financial

Integration in East Asia: How Far? How Much Further to Go?”, Centre

For International Economic Studies (CIES) Discussion Paper No. 0401

University of Adelaide, January 2004.

Daud, Dalila, Omar Samad, dan Ahmad Marzzuki Aminudin. “The Relationship

Between Islamic Market (Syariah Index) and Conventional Index

(Finance Index) in Bursa Malaysia, Kuala Lumpur”, University

Teknologi Mara, Selangor-Malaysia, 2006.

Direktorat Jenderal Pengembangan Ekspor Nasional Kementrian Perdagangan.

“Laporan Statistik Perdagangan Luar Negeri Indonesia 2013”

Frensidy, Budi. “Memahami Perhitungan Indeks Saham”, Majalah Bisnis

Indonesia: Universitas Indonesia hal.8, Februari 2008.

FTSE Group. “FTSE Monthly Report: Ftse Bursa Malaysia Index Series”,

Oktober 2014.

Gujarati, Damodar N., Porter Dawn C. “Dasar-dasar Ekonometrika Edisi Kelima

Buku 2”, Salemba Empat, Jakarta, 2013.

Gustiani, Ebrinda Daisy, Ascarya, dan Jaenal Effendi. “Analisis Pengaruh Social

Values Terhadap Jumlah Permintaan Uang Islam di Indonesia”,

Buletin Ekonomi Moneter dan Perbankan, April 2010.

Halim, Abdul. “Analisis Investasi”, Salemba Empat, Jakarta, 2005.

Halwani, Hendra. “Ekonomi Internasional & Globalisasi Ekonomi Edisi Kedua”,

Ghalia Indonesia, Bogor, 2005.

Hanafi, Syafiq M., “Perbandingan Kriteria Syari’ah Pada Indeks Saham

Syari’ah Indonesia, Malaysia, dan Dow Jones”, Asy-Syir’ah Jurnal

Ilmu Syari’ah dan Hukum Vol. 45 No. II, Juli-Desember 2011.

200

Hengchao, Zhang dan Zarinah Hamid, “ The Impact Of Subprime Crisis On Asia-

Pacific Islamic Stock Markets”, 8th International Conference On

Islamic Economics And Finance, 2011.

Hin, L. Thian. “Panduan Berinvestasi Saham”, PT Elex Media Komputindo,

Jakarta, 2008.

Islamic Financial Service Board (IFSB). “Islamic Financial Service Industry

Stability Report 2013”.

Juanda, Bambang dan Junaidi. “Ekonometrika Deret Waktu: Teori dan Aplikasi”,

IPB Press, Bogor, 2012.

Kabir, Sarkar Humayun, Ginanjar Dewandaru, dan Mansur Masih. ”Are islamic

Stock Markets Integrated Globally? Evidence From time Series

Techniques”, Australian Journal of Basic and Applied Sciences

hal.702-720, 2013.

Kartiasih, Fitri. “Vector Autoregressive (VAR)”. Sekolah Tinggi Ilmu Statistik,

2014.

Kassim, Salina H. “Global Financial Crisis and Integration of Islamic Stock

Markets in Developed and Developing Countries”, Institute of

Developing Economies-Japan External Trade Organization, VRF

Series No. 461, 2010.

Karim, Bakrie Abdul, M. Shabri Abdul Majid dan Samsul Ariffin Abdul Karim.

“Financial Integration between Indonesia and Its Major Trading

Partners”, MPRA (Munich Personal RePEc Archieve) Paper No.

17277, 2009.

Majid, M. Shabri Abdul dan Salina H. Kassim. “Potential Diversification Benefits

Across Global Islamic Equity Markets”, Journal of Economic

Cooperation and Development hal.103-126, 2010.

Mailangkay, Jeina. “Integrasi Pasar Modal Indonesia Dan Beberapa Bursa Di

Dunia (Periode Januari 2013 - Maret 2013)”, Jurnal EMBA Vol.1

No.3 hal. 722-731, 2013.

Maries, Rossar. “Dampak Fluktuasi Variabel Ekonomi Makro Terhadap DPK

yang Dihimpun dan Penyaluran Pembiayaan pada Perbankan Syariah

di Indonesia”, Program Pascasarjana Universitas Indonesia, 2008.

201

Moeljadi. “Resilience of Islamic and Conventional Stock Markets During the

2007 Global Financial Crisis: A Comparative Empirical

Examination”, Article Asia Pasific Management and Business

Application hal.81-102, 2012.

Mohd. Hussin, Mohd Yahya, Yusni Anis Yusof, Fidlizan Muhammad, Azila

Abdul Razak, Emilda Hashim, dan Nur Fakhzan Marwan. “The

Integration of Islamic Stock Markets: Does a Problem For

Investors?”, Labuan e-Journal of Muamalat and Society Vol. 7 hal.17-

27, 2013.

Nasarudin, M. Irsan, Indra Surya, Ivan Yustiavandana, Arman Nefi, Adi Warman.

“Aspek Hukum Pasar Modal Indonesia”, Kencana, Jakarta, 2008.

Nachrowi, Djalal Dan Usman Hardianus, “Pendekatan Popular Dan Praktis

Ekonometrika Untuk Analisis Ekonomi Dan Keuangan”, Lembaga

Penerbit FE UI, Jakarta, 2006.

Nurhayati, Mafizatun. “Analisis Integrasi Pasar Modal Kawasan ASEAN Dalam

Rangka Menuju Masyarakat Ekonomi ASEAN”, Jurnal Fakultas

Ekonomi dan Bisnis Universitas Mercu Buana, Jakarta, 2012.

Oxford Business Group Malaysia, “The Report Malaysia 2007”.

Pasaribu, Pandana, Wilson RL Tobing dan Haymans Manurung. “Pengaruh

Variabel Makro Ekonomi Terhadap IHSG”, Jurnal Ekonomi No. 2

Vol.14, 2008.

Pasaribu, Rowland Bismark Fernando dan Dionysia Kowandar. “Dinamika Bursa

Saham Asing dan Makroekonomi Terhadap Indeks Harga Saham

Gabungan Bursa Efek Indonesia”, Jurnal Akuntansi dan Bisnis Vol.

14, No. 1 hal: 89-112, 2013.

Pratiwi, Monica Weni, Anang Sucahyo, dan Solechuddin. “Pendekatan Contagion

Theory”, Media Riset Akuntansi Vol. 2 No. 1, 2012.

Puryati, Dwi dan Reni Marlina. “Analysis Of Capital Market Integration Region

Asia”, Kuala Lumpur International Business, Economics and Law

Conference, Malaysia, 2013.

202

Rahamis, Yulein. “Analisis Komparasi Kinerja Pasar Modal Di Indonesia,

Hongkong, China, Inggris Dan Amerika”, Jurnal Riset Bisnis dan

Manajemen Vol.2 No.3 hal. 87-104, 2014.

Reilly, Frank K. dan Keith C. Brown. “Investment Analysis and Portfolio

Management”, Cengage Learning, Canada, 2002.

Rodoni, Ahmad. “Investasi Syariah”, Lembaga Penelitian UIN Jakarta, Jakarta,

2009.

____________ . “Pasar Modal Syariah”, Lembaga Penelitian UIN Jakarta,

Jakarta, 2009.

Rodoni, Ahmad dan Abdul Hamid, “Lembaga Keuangan Syariah”, Zikrul

Hakimi, Jakarta, 2008.

Rusydiana, Aam Slamet. “Hubungan Antara Perdagangan Internasional,

Pertumbuhan Ekonomi dan Perkembangan Industri Keuangan Syariah

di Indonesia”, TAZKIA Islamic Finance & Business Review Vol. 4

No.1, Januari – Juli 2009.

Sari, Winta Ratna. “Analisis Dinamis Keterkaitan Variabel yang Mempengaruhi

Neraca Transaksi Berjalan Indonesia Tahun 2012”, Quantitative

Economic Journal Vol. 1 No. 2, hal. 40-55, Juni 2012.

Siskawati, Eka. “Islamic Capital Market Interconnection: An Evidence From

Jakarta Islamic Index To The Regional Islamic Market And Global

Islamic Market”, Jurnal Akuntansi & Manajemen Vol 6 No.2 hal. 75-

85, Desember 2011.

Sugiarto, Teguh. “Analisa Struktur dan Keseimbangan Jangka Pendek Pada M1

dan PDB di Indonesia”, Jurnal GICI Vol. 4 No. 2 hal. 6-23, 2014.

Suma, Amin. “Menggali Akar Mengurai Serat Ekonomi dan Keuangan Islam”,

Kholam Publishing, Jakarta, 2008.

Sunariyah. “Pengantar Pengetahuan Pasar Modal. Edisi Kelima”, BPFE (Bakti

Profesindo), Yogyakarta, 2006.

Suryanta, Barli. “Capital Market Integration in ASEAN Countries: Special

Investigation of Indonesian Towards the Big Four”, The Asian Journal of

Technology Management Vol. 4 No. 2 hal: 109-114, 2011.

203

Sutedi, Adrian. “Pasar Modal Syariah”, Sinar Grafika, Jakarta, 2011.

Tandelilin, Eduardus. “Portofolio Dan Investasi: Teori Dan Aplikasi”, Kanisius,

Yogyakarta, 2010.

Teguh, Muhammad. “Metodologi Penelitian Ekonomi Teori Dan Aplikasi”, Raja

Grafindo Persada, Jakarta, 2005.

Thomson Reuters. “State of The Global Islamic Economy 2013 Report”

Trihadmini, Nuning. “Contagion dan Spillover Effect Pasar Keuangan Global

Sebagai Early Warning System”, Finance and Banking Journal Vol. 13

No. 1, Universitas Katolik Atmajaya Jakarta, 2011.

Utami, Endah Tri. “Cara Cerdas Berinvestasi via Online Trading”, Transmedia,

Jakarta, 2010.

Vogel, Frank E. dan Samuel L. Hayes, “Hukum Keuangan Islam: Konsep, Teori,

dan Praktik”, Nusamedia, Bandung, 2007.

Warsini, Sabar, ”Manajemen Investasi”, Semesta Media, Jakarta, 2009.

Welfens, J.J. Paul, Franz Knipping, Sutiphand Chirathivat, Cillian Ryan.

“Integration in Asia and Europe: Historical Dynamics, Political

Issues, and Economic Perspectives”, Springer Berlin, Heidelberg,

2006.

Winarno, Wing Wahyu. “Analisis Ekonometrika dan Statistika dengan Eviews

Edisi Ketiga”, UPP STIM YKPN, Yogyakarta, 2011.

Yang, Jian, James W. Kolari, dan Insik Min. “Stock Market Integration and

Financial Crises: The Case of Asia”, Applied Financial Economics 13

hal: 477-486, 2003.

www.bloomberg.com

www.djindexes.com

www.googlefinance.com

www.idx.co.id

www.wikipedia.org

204

http://www.bapepam.go.id/syariah/sejarah_pasar_modal_syariah.html, diakses

pada 4 Maret 2014

http://www.bapepam.go.id/syariah/introduction.html, diakses pada 16 Juli 2014

http://www.merdeka.com/uang/ojk-prihatin-pasar-modal-indonesia-keok-dari-

malaysia.html, diakses pada 3 November 2014

http://finance.detik.com/read/2012/09/12/095510/2015584/4/0/ini-dia-10-barang-

impor-favorit-ri-dari-malaysia, diakses pada 3 November 2014

http://bisnis.liputan6.com/read/773786/ri-jepang-sepakat-tingkatkan-kerjasama-

ekonomi-dan-investasi, diakses pada 3 November 2014

http://www.neraca.co.id/article/42095/Ekspor-Indonesia-ke-Inggris-Makin-

Positif/2, diakses pada 3 November 2014

http://bisniskeuangan.kompas.com/read/2013/10/19/0807133/Ekspor.Indonesia.ke

.AS.Tetap.Tinggi, diakses pada 3 November 2014

http://finance.detik.com/read/2012/04/09/114259/1887703/65/pengaruh-indeks-

dow-jones-terhadap-ihsg, diakses pada 3 November 2014

http://bisniskeuangan.kompas.com/read/2014/10/29/163715726/BI.Ingin.Dorong.

Ekonomi.Keuangan.Syariah.di.Tanah.Air, diakses pada 4 November

2014

http://www.sc.com.my/data-statistics/islamic-capital-market-statistics/, diakses

pada 4 November 2014.

205

LAMPIRAN

206

Lampiran 1: Analisis Deskriptif Indeks Bursa Saham Syariah

JII IMUS FBMS DJIUK DJIJP DJICA

Mean 480.4500 2290.756 9638.108 2054.084 1049.362 2136.248

Median 511.0010 2291.195 9870.930 2090.540 1058.730 2116.305

Maximum 708.1000 3330.590 13093.77 2714.660 1292.580 3066.340

Minimum 172.7102 1323.090 5600.690 1236.280 676.0100 990.0300

Std. Dev. 121.7010 426.1959 1808.203 275.7143 115.2104 408.8972

Skewness -0.718939 0.116067 -0.310441 -0.591942 -0.751666 -0.109726

Kurtosis 2.858809 2.641537 2.464127 3.409154 3.489713 2.939436

Jarque-Bera 109.9379 9.605455 35.42654 82.63325 131.6574 2.729570

Probability 0.000000 0.008207 0.000000 0.000000 0.000000 0.255436

Sum 607288.8 2895515. 12182569 2596362. 1326394. 2700217.

Sum Sq. Dev. 18706473 2.29E+08 4.13E+09 96011209 16764338 2.11E+08

Observations 1264 1264 1264 1264 1264 1264

Lampiran 2: Analisis Deskriptif Indeks Bursa Saham Konvensional

IHSG FTSE DJIA KLSE NIKKEI S_P_TSX

Mean 3259.752 5551.328 11791.61 1409.143 10619.36 12103.10

Median 3565.930 5680.235 12001.03 1472.935 9918.600 12272.12

Maximum 5208.000 6840.270 16504.29 1872.520 16291.31 15073.13

Minimum 1111.390 3512.090 6594.440 829.4100 7054.980 7591.470

Std. Dev. 1035.111 694.8857 2090.442 260.7491 2065.325 1419.710

Skewness -0.291599 -0.689369 -0.049872 -0.469255 0.814042 -0.926491

Kurtosis 2.007496 3.111609 2.573288 2.382772 2.473170 3.958078

Jarque-Bera 69.79300 100.7711 10.11369 66.45333 154.2188 229.1766

Probability 0.000000 0.000000 0.006366 0.000000 0.000000 0.000000

Sum 4120326. 7016879. 14904591 1781157. 13422871 15298323

Sum Sq. Dev. 1.35E+09 6.10E+08 5.52E+09 85871508 5.39E+09 2.55E+09

Observations 1264 1264 1264 1264 1264 1264

207

Lampiran 3: Uji Stasioneritas Tingkat Level JII

Null Hypothesis: JII has a unit root Exogenous: Constant, Linear Trend Lag Length: 0 (Automatic - based on SIC, maxlag=22)

t-Statistic Prob.*

Augmented Dickey-Fuller test statistic -3.029353 0.1245

Test critical values: 1% level -3.965328 5% level -3.413373 10% level -3.128721

*MacKinnon (1996) one-sided p-values.

Lampiran 4: Uji Stasioneritas Tingkat Level FBMS

Null Hypothesis: FBMS has a unit root Exogenous: Constant, Linear Trend Lag Length: 0 (Automatic - based on SIC, maxlag=22)

t-Statistic Prob.*




Lampiran 5: Uji Stasioneritas Tingkat Level DJIJP

Null Hypothesis: DJIJP has a unit root Exogenous: Constant, Linear Trend Lag Length: 2 (Automatic - based on SIC, maxlag=22)

t-Statistic Prob.*




Lampiran 6: Uji Stasioneritas Tingkat Level DJIUK

Null Hypothesis: DJIUK has a unit root Exogenous: Constant, Linear Trend Lag Length: 0 (Automatic - based on SIC, maxlag=22)

t-Statistic Prob.*




208

Lampiran 7: Uji Stasioneritas Tingkat Level DJICA

Null Hypothesis: DJICA has a unit root Exogenous: Constant, Linear Trend Lag Length: 1 (Automatic - based on SIC, maxlag=22)

t-Statistic Prob.*




Lampiran 8: Uji Stasioneritas Tingkat Level IMUS

Null Hypothesis: IMUS has a unit root Exogenous: Constant, Linear Trend Lag Length: 0 (Automatic - based on SIC, maxlag=22)

t-Statistic Prob.*




Lampiran 9: Uji Stasioneritas Tingkat Level IHSG

Null Hypothesis: IHSG has a unit root Exogenous: Constant, Linear Trend Lag Length: 3 (Automatic - based on SIC, maxlag=22)

t-Statistic Prob.*




Lampiran 10: Uji Stasioneritas Tingkat Level KLSE

Null Hypothesis: KLSE has a unit root Exogenous: Constant, Linear Trend Lag Length: 0 (Automatic - based on SIC, maxlag=22)

t-Statistic Prob.*




209

Lampiran 11: Uji Stasioneritas Tingkat Level NIKKEI 225

Null Hypothesis: NIKKEI has a unit root Exogenous: Constant, Linear Trend Lag Length: 0 (Automatic - based on SIC, maxlag=22)

t-Statistic Prob.*




Lampiran 12: Uji Stasioneritas Tingkat Level FTSE 100

Null Hypothesis: FTSE has a unit root Exogenous: Constant, Linear Trend Lag Length: 0 (Automatic - based on SIC, maxlag=22)

t-Statistic Prob.*




Lampiran 13: Uji Stasioneritas Tingkat Level S&P TSX

Null Hypothesis: S_P_TSX has a unit root Exogenous: Constant, Linear Trend Lag Length: 0 (Automatic - based on SIC, maxlag=22)

t-Statistic Prob.*




Lampiran 14: Uji Stasioneritas Tingkat Level DJIA

Null Hypothesis: DJIA has a unit root Exogenous: Constant, Linear Trend Lag Length: 1 (Automatic - based on SIC, maxlag=22)

t-Statistic Prob.*




210

Lampiran 15: Uji Stasioneritas Tingkat First Difference JII

Null Hypothesis: D(JII) has a unit root Exogenous: Constant, Linear Trend Lag Length: 2 (Automatic - based on SIC, maxlag=22)

t-Statistic Prob.*




Lampiran 16: Uji Stasioneritas Tingkat First Difference FBMS

Null Hypothesis: D(FBMS) has a unit root Exogenous: Constant, Linear Trend Lag Length: 1 (Automatic - based on SIC, maxlag=22)

t-Statistic Prob.*




Lampiran 17: Uji Stasioneritas Tingkat First Difference DJIJP

Null Hypothesis: D(DJIJP) has a unit root Exogenous: Constant, Linear Trend Lag Length: 1 (Automatic - based on SIC, maxlag=22)

t-Statistic Prob.*




Lampiran 18: Uji Stasioneritas Tingkat First Difference DJIUK

Null Hypothesis: D(DJIUK) has a unit root Exogenous: Constant, Linear Trend Lag Length: 0 (Automatic - based on SIC, maxlag=22)

t-Statistic Prob.*




211

Lampiran 19: Uji Stasioneritas Tingkat First Difference DJICA

Null Hypothesis: D(DJICA) has a unit root Exogenous: Constant, Linear Trend Lag Length: 0 (Automatic - based on SIC, maxlag=22)

t-Statistic Prob.*




Lampiran 20: Uji Stasioneritas Tingkat First Difference IMUS

Null Hypothesis: D(IMUS) has a unit root Exogenous: Constant, Linear Trend Lag Length: 0 (Automatic - based on SIC, maxlag=22)

t-Statistic Prob.*


Test critical values: 1% level -3.965334 5% level -3.413376


Lampiran 21: Uji Stasioneritas Tingkat First Difference IHSG

Null Hypothesis: D(IHSG) has a unit root Exogenous: Constant, Linear Trend Lag Length: 2 (Automatic - based on SIC, maxlag=22)

t-Statistic Prob.*




Lampiran 22: Uji Stasioneritas Tingkat First Difference KLSE

Null Hypothesis: D(KLSE) has a unit root Exogenous: Constant, Linear Trend Lag Length: 0 (Automatic - based on SIC, maxlag=22)

t-Statistic Prob.*




212

Lampiran 23: Uji Stasioneritas Tingkat First Difference NIKKEI 225

Null Hypothesis: D(NIKKEI) has a unit root Exogenous: Constant, Linear Trend Lag Length: 0 (Automatic - based on SIC, maxlag=22)

t-Statistic Prob.*




Lampiran 24: Uji Stasioneritas Tingkat First Difference FTSE 100

Null Hypothesis: D(FTSE) has a unit root Exogenous: Constant, Linear Trend Lag Length: 0 (Automatic - based on SIC, maxlag=22)

t-Statistic Prob.*




Lampiran 25: Uji Stasioneritas Tingkat First Difference S&P TSX

Null Hypothesis: D(S_P_TSX) has a unit root Exogenous: Constant, Linear Trend Lag Length: 1 (Automatic - based on SIC, maxlag=22)

t-Statistic Prob.*




Lampiran 26: Uji Tes Stasioneritas Tingkat First Difference DJIA

Null Hypothesis: D(DJIA) has a unit root Exogenous: Constant, Linear Trend Lag Length: 0 (Automatic - based on SIC, maxlag=22)

t-Statistic Prob.*




213

Lampiran 27: Penentuan Kandidat Lag DJIJP dengan JII

VAR Lag Order Selection Criteria

Endogenous variables: JII DJIJP

Exogenous variables: C

Date: 10/17/14 Time: 14:36

Sample: 1 1264

Included observations: 1256 Lag LogL LR FPE AIC SC HQ 0 -15104.92 NA 95998593 24.05560 24.06378 24.05867

1 -9703.055 10777.92 17756.81 15.46028 15.48481 15.46950

2 -9671.726 62.40782 17000.66 15.41676 15.45765* 15.43213

3 -9658.900 25.50904 16763.40 15.40271 15.45995 15.42422

4 -9646.309 25.00197* 16535.64* 15.38903* 15.46263 15.41669*

5 -9644.604 3.379309 16596.20 15.39268 15.48264 15.42649

6 -9641.711 5.726305 16625.48 15.39444 15.50076 15.43440

7 -9641.421 0.573054 16724.01 15.40035 15.52302 15.44646





SC: Schwarz information criterion

HQ: Hannan-Quinn information criterion

Lampiran 28: Penentuan Kandidat Lag DJIA dengan IHSG

VAR Lag Order Selection Criteria

Endogenous variables: IHSG DJIA

Exogenous variables: C

Date: 10/17/14 Time: 15:20

Sample: 1 1264

Included observations: 1256 Lag LogL LR FPE AIC SC HQ 0 -21046.83 NA 1.23e+12 33.51724 33.52542 33.52032

1 -14723.98 12615.50 52673633 23.45538 23.47991 23.46460

2 -14638.74 169.7942 46282212 23.32602 23.36691* 23.34139*

3 -14636.95 3.560573 46445359 23.32954 23.38679 23.35106

4 -14626.93 19.90517* 46001949* 23.31995* 23.39355 23.34761

5 -14623.69 6.408092 46058234 23.32117 23.41113 23.35498

6 -14622.15 3.058369 46238652 23.32508 23.43139 23.36504

7 -14619.72 4.804790 46354325 23.32758 23.45024 23.37368





SC: Schwarz information criterion

HQ: Hannan-Quinn information criterion

214

Lampiran 29: Pemilihan Lag Optimal DJIJP dengan JII

Output VAR pada Lag 2

Vector Autoregression Estimates Date: 10/17/14 Time: 14:37 Sample (adjusted): 3 1264 Included observations: 1262 after adjustments Standard errors in ( ) & t-statistics in [ ]

JII DJIJP

JII(-1) 1.030931 0.220559

(0.02970) (0.05545) [ 34.7120] [ 3.97738]

JII(-2) -0.029743 -0.205537 (0.02979) (0.05562) [-0.99853] [-3.69561]

DJIJP(-1) 0.002735 0.771151 (0.01557) (0.02907) [ 0.17568] [ 26.5279]

DJIJP(-2) -0.007992 0.209233 (0.01553) (0.02900) [-0.51458] [ 7.21559]

C 5.004947 13.32075 (2.39722) (4.47595) [ 2.08781] [ 2.97607]

R-squared 0.995030 0.980567 Adj. R-squared 0.995015 0.980505 Sum sq. resids 92957.78 324072.3 S.E. equation 8.599540 16.05659 F-statistic 62920.28 15856.81 Log likelihood -4503.652 -5291.658 Akaike AIC 7.145249 8.394070 Schwarz SC 7.165615 8.414436 Mean dependent 480.4118 1049.031 S.D. dependent 121.7937 114.9992

Determinant resid covariance (dof adj.) 17057.78 Determinant resid covariance 16922.88 Log likelihood -9725.083 Akaike information criterion 15.42802 Schwarz criterion 15.46876

215



JII DJIJP

JII(-1) 1.018168 0.233732

(0.02961) (0.05549) [ 34.3882] [ 4.21227]

JII(-2) -0.099825 -0.308955 (0.04170) (0.07815) [-2.39377] [-3.95318]

JII(-3) -0.039992 0.058125 (0.04192) (0.07855) [-0.95411] [ 0.73993]

JII(-4) 0.124273 0.032879 (0.02972) (0.05571) [ 4.18084] [ 0.59021]

DJIJP(-1) 0.011882 0.756947 (0.01594) (0.02988) [ 0.74529] [ 25.3334]

DJIJP(-2) 0.017095 0.133705 (0.01979) (0.03709) [ 0.86371] [ 3.60467]

DJIJP(-3) 0.025180 0.137194 (0.01973) (0.03698) [ 1.27615] [ 3.71010]

DJIJP(-4) -0.061410 -0.047759 (0.01586) (0.02972) [-3.87269] [-1.60709]

C 6.419262 13.26598 (2.39509) (4.48864) [ 2.68017] [ 2.95545]

R-squared 0.995155 0.980820 Adj. R-squared 0.995124 0.980697 Sum sq. resids 90627.68 318306.8 S.E. equation 8.511415 15.95123 F-statistic 32115.98 7996.525 Log likelihood -4481.521 -5272.962 Akaike AIC 7.127811 8.384067 Schwarz SC 7.164517 8.420773 Mean dependent 480.3653 1048.712 S.D. dependent 121.8847 114.8107


216

Lampiran 30: Pemilihan Lag Optimal DJIA dengan IHSG



IHSG DJIA

IHSG(-1) 1.000110 -0.010288

(0.02730) (0.08661) [ 36.6402] [-0.11879]

IHSG(-2) 0.000945 0.032556 (0.02739) (0.08689) [ 0.03450] [ 0.37467]

DJIA(-1) 0.101866 0.887419 (0.00900) (0.02856) [ 11.3155] [ 31.0683]

DJIA(-2) -0.103329 0.102892 (0.00900) (0.02855) [-11.4824] [ 3.60359]

C 14.68458 44.87697 (8.79677) (27.9112) [ 1.66931] [ 1.60785]

R-squared 0.997948 0.994934 Adj. R-squared 0.997941 0.994918 Sum sq. resids 2776485. 27951566 S.E. equation 46.99807 149.1198 F-statistic 152795.6 61713.20 Log likelihood -6647.030 -8104.190 Akaike AIC 10.54204 12.85133 Schwarz SC 10.56241 12.87170 Mean dependent 3260.527 11789.99 S.D. dependent 1035.748 2091.702

Determinant resid covariance (dof adj.) 46397337 Determinant resid covariance 46030416 Log likelihood -14715.28 Akaike information criterion 23.33641 Schwarz criterion 23.37715

217



IHSG DJIA

IHSG(-1) 0.985234 0.016959

(0.02885) (0.09216) [ 34.1524] [ 0.18402]

IHSG(-2) -0.029086 -0.044333 (0.04055) (0.12954) [-0.71725] [-0.34222]

IHSG(-3) -0.052568 -0.076364 (0.03959) (0.12647) [-1.32779] [-0.60379]

IHSG(-4) 0.098634 0.127114 (0.02721) (0.08692) [ 3.62509] [ 1.46244]

DJIA(-1) 0.104305 0.882985 (0.00910) (0.02906) [ 11.4654] [ 30.3829]

DJIA(-2) -0.090796 0.081619 (0.01203) (0.03843) [-7.54834] [ 2.12408]

DJIA(-3) 0.014920 0.022347 (0.01231) (0.03932) [ 1.21229] [ 0.56839]

DJIA(-4) -0.030633 0.002982 (0.00955) (0.03050) [-3.20802] [ 0.09775]

C 19.62812 46.04868 (8.81602) (28.1630) [ 2.22641] [ 1.63507]

R-squared 0.997985 0.994959 Adj. R-squared 0.997972 0.994927 Sum sq. resids 2724668. 27805301 S.E. equation 46.66896 149.0854 F-statistic 77458.49 30863.05 Log likelihood -6625.626 -8089.041 Akaike AIC 10.53115 12.85403 Schwarz SC 10.56786 12.89074 Mean dependent 3261.245 11788.60 S.D. dependent 1036.413 2093.072

Determinant resid covariance (dof adj.) 45756173 Determinant resid covariance 45104848 Log likelihood -14679.16 Akaike information criterion 23.32883 Schwarz criterion 23.40224

218

Lampiran 31: Uji Penentuan Asumsi Deterministik FBMS dengan JII

Date: 10/17/14 Time: 15:59

Sample: 1 1264

Included observations: 1258

Series: JII FBMS

Lags interval: 1 to 5

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 1 2

Max-Eig 0 0 0 1 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 -11695.83 -11695.83 -11695.55 -11695.55 -11692.08

1 -11693.56 -11693.23 -11692.96 -11684.09 -11683.96

2 -11693.31 -11692.96 -11692.96 -11681.96 -11681.96

Akaike Information Criteria by

Rank (rows) and Model (columns)

0 18.62613 18.62613 18.62885 18.62885 18.62652

1 18.62888 18.62994 18.63110 18.61858* 18.61996

2 18.63483 18.63745 18.63745 18.62315 18.62315

Schwarz Criteria by


0 18.70780* 18.70780* 18.71869 18.71869 18.72453

1 18.72688 18.73203 18.73728 18.72884 18.73430

2 18.74917 18.75996 18.75996 18.75383 18.75383

219

Lampiran 32: Uji Penentuan Asumsi Deterministik DJIJP dengan JII

Date: 10/17/14 Time: 16:01

Sample: 1 1264


Series: JII DJIJP







Trace 0 0 1 0 2







0 -9682.636 -9682.636 -9682.551 -9682.551 -9681.599

1 -9680.158 -9675.447 -9675.367 -9675.288 -9675.267

2 -9680.154 -9674.117 -9674.117 -9671.554 -9671.554



0 15.40689 15.40689 15.40993 15.40993 15.41160

1 15.40931 15.40341* 15.40487 15.40633 15.40789

2 15.41565 15.40924 15.40924 15.40835 15.40835

Schwarz Criteria by


0 15.47218* 15.47218* 15.48339 15.48339 15.49322

1 15.49093 15.48911 15.49466 15.50020 15.50584

2 15.51360 15.51535 15.51535 15.52262 15.52262

220

Lampiran 33: Uji Penentuan Asumsi Deterministik DJIUK dengan JII

Date: 10/17/14 Time: 16:03

Sample: 1 1264


Series: JII DJIUK







Trace 0 0 0 0 0







0 -10661.56 -10661.56 -10661.39 -10661.39 -10660.72

1 -10659.34 -10656.06 -10655.91 -10655.77 -10655.70

2 -10659.31 -10654.79 -10654.79 -10652.72 -10652.72



0 16.98181 16.98181 16.98472 16.98472 16.98684

1 16.98464 16.98102* 16.98238 16.98374 16.98522

2 16.99096 16.98694 16.98694 16.98683 16.98683

Schwarz Criteria by


0 17.06348* 17.06348* 17.07456 17.07456 17.08485

1 17.08265 17.08311 17.08855 17.09400 17.09956

2 17.10530 17.10945 17.10945 17.11751 17.11751

221

Lampiran 34: Uji Penentuan Asumsi Deterministik DJICA dengan JII

Date: 10/17/14 Time: 16:05

Sample: 1 1264


Series: JII DJICA







Trace 0 0 0 0 2







0 -10978.32 -10978.32 -10978.00 -10978.00 -10977.64

1 -10977.25 -10975.42 -10975.10 -10969.96 -10969.86

2 -10977.18 -10974.80 -10974.80 -10967.08 -10967.08



0 17.46517 17.46517 17.46784 17.46784 17.47043

1 17.46981 17.46849 17.46957 17.46300* 17.46443

2 17.47606 17.47546 17.47546 17.46636 17.46636

Schwarz Criteria by


0 17.53046* 17.53046* 17.54130 17.54130 17.55205

1 17.55143 17.55419 17.55936 17.55687 17.56238

2 17.57400 17.58156 17.58156 17.58063 17.58063

222

Lampiran 35: Uji Penentuan Asumsi Deterministik IMUS dengan JII

Date: 10/17/14 Time: 16:07

Sample: 1 1264


Series: JII IMUS







Trace 0 0 0 0 0







0 -10456.57 -10456.57 -10455.88 -10455.88 -10453.89

1 -10453.03 -10452.99 -10452.91 -10449.22 -10447.52

2 -10453.02 -10451.03 -10451.03 -10446.25 -10446.25



0 16.65591 16.65591 16.65799 16.65799 16.65802

1 16.65664 16.65818 16.65963 16.65536 16.65425*

2 16.66298 16.66301 16.66301 16.65859 16.65859

Schwarz Criteria by


0 16.73759* 16.73759* 16.74784 16.74784 16.75603

1 16.75465 16.76027 16.76580 16.76562 16.76859

2 16.77733 16.78552 16.78552 16.78927 16.78927

223

Lampiran 36: Uji Penentuan Asumsi Deterministik KLSE dengan IHSG

Date: 10/17/14 Time: 16:09

Sample: 1 1264


Series: IHSG KLSE







Trace 0 0 0 1 2







0 -11280.79 -11280.79 -11280.29 -11280.29 -11277.22

1 -11278.66 -11275.79 -11275.29 -11268.78 -11268.62

2 -11278.22 -11275.25 -11275.25 -11266.24 -11266.24



0 17.94565 17.94565 17.94803 17.94803 17.94633

1 17.94863 17.94565 17.94645 17.93770* 17.93904

2 17.95429 17.95273 17.95273 17.94161 17.94161

Schwarz Criteria by


0 18.01095* 18.01095* 18.02149 18.02149 18.02796

1 18.03025 18.03136 18.03623 18.03157 18.03698

2 18.05223 18.05884 18.05884 18.05588 18.05588

224

Lampiran 37: Uji Penentuan Asumsi Deterministik NIKKEI 225 dengan

IHSG

Date: 10/17/14 Time: 16:11

Sample: 1 1264


Series: IHSG NIKKEI







Trace 0 0 0 0 0







0 -14957.01 -14957.01 -14956.43 -14956.43 -14953.24

1 -14954.87 -14951.82 -14951.78 -14950.94 -14947.76

2 -14954.77 -14949.71 -14949.71 -14947.66 -14947.66



0 23.83614 23.83614 23.83840 23.83840 23.83650

1 23.83909 23.83583 23.83736 23.83761 23.83415*

2 23.84529 23.84043 23.84043 23.84036 23.84036

Schwarz Criteria by


0 23.93421* 23.93421* 23.94464 23.94464 23.95092

1 23.95351 23.95433 23.95995 23.96428 23.96491

2 23.97606 23.97937 23.97937 23.98746 23.98746

225

Lampiran 38: Uji Penentuan Asumsi Deterministik FTSE 100 dengan IHSG

Date: 10/17/14 Time: 16:13

Sample: 1 1264


Series: IHSG FTSE







Trace 0 0 0 0 0







0 -13755.34 -13755.34 -13754.68 -13754.68 -13753.87

1 -13753.86 -13750.84 -13750.25 -13749.94 -13749.74

2 -13753.51 -13749.74 -13749.74 -13748.48 -13748.48



0 21.90038* 21.90038* 21.90251 21.90251 21.90440

1 21.90439 21.90118 21.90183 21.90292 21.90419

2 21.91019 21.90737 21.90737 21.90856 21.90856

Schwarz Criteria by


0 21.98205* 21.98205* 21.99236 21.99236 22.00241

1 22.00240 22.00327 22.00801 22.01318 22.01853

2 22.02453 22.02988 22.02988 22.03924 22.03924

226

Lampiran 39: Uji Penentuan Asumsi Deterministik S&P TSX dengan IHSG

Date: 10/17/14 Time: 16:15

Sample: 1 1264


Series: IHSG S_P_TSX







Trace 0 0 0 0 0







0 -14717.83 -14717.83 -14717.05 -14717.05 -14716.67

1 -14716.62 -14714.52 -14713.92 -14713.88 -14713.84

2 -14716.27 -14713.38 -14713.38 -14711.25 -14711.25



0 23.43057* 23.43057* 23.43251 23.43251 23.43509

1 23.43501 23.43327 23.43389 23.43542 23.43694

2 23.44081 23.43940 23.43940 23.43919 23.43919

Schwarz Criteria by


0 23.51224* 23.51224* 23.52235 23.52235 23.53310

1 23.53302 23.53536 23.54007 23.54568 23.55129

2 23.55516 23.56191 23.56191 23.56986 23.56986

227

Lampiran 40: Uji Penentuan Asumsi Deterministik DJIA dengan IHSG

Date: 10/17/14 Time: 16:16

Sample: 1 1264


Series: IHSG DJIA







Trace 0 0 0 0 0







0 -14669.62 -14669.62 -14669.04 -14669.04 -14666.48

1 -14665.82 -14664.57 -14664.51 -14662.81 -14660.89

2 -14665.71 -14662.25 -14662.25 -14660.04 -14660.04



0 23.32903 23.32903 23.33128 23.33128 23.33039

1 23.32934 23.32895 23.33044 23.32932 23.32786*

2 23.33553 23.33321 23.33321 23.33287 23.33287

Schwarz Criteria by


0 23.39433* 23.39433* 23.40474 23.40474 23.41201

1 23.41097 23.41465 23.42022 23.42319 23.42580

2 23.43347 23.43931 23.43931 23.44714 23.44714

228

Lampiran 41: Uji Kointegrasi Johansen FBMS dengan JII

Date: 10/17/14 Time: 16:00

Sample (adjusted): 7 1264

Included observations: 1258 after adjustments


Series: JII FBMS


Unrestricted Cointegration Rank Test (Trace)

Hypothesized Trace 0.05

No. of CE(s) Eigenvalue Statistic Critical Value Prob.**

None * 0.018054 27.16451 25.87211 0.0344

At most 1 0.003369 4.245104 12.51798 0.7064

Trace test indicates 1 cointegrating eqn(s) at the 0.05 level



Unrestricted Cointegration Rank Test (Maximum Eigenvalue)

Hypothesized Max-Eigen 0.05


None * 0.018054 22.91940 19.38704 0.0147

At most 1 0.003369 4.245104 12.51798 0.7064

Max-eigenvalue test indicates 1 cointegrating eqn(s) at the 0.05 level



229

Lampiran 42: Uji Kointegrasi Johansen DJIJP dengan JII

Date: 10/17/14 Time: 16:02




Series: JII DJIJP


Unrestricted Cointegration Rank Test (Trace)

Hypothesized Trace 0.05


None 0.011354 17.03646 20.26184 0.1312

At most 1 0.002111 2.659969 9.164546 0.6459

Trace test indicates no cointegration at the 0.05 level



Unrestricted Cointegration Rank Test (Maximum Eigenvalue)

Hypothesized Max-Eigen 0.05


None 0.011354 14.37649 15.89210 0.0852

At most 1 0.002111 2.659969 9.164546 0.6459

Max-eigenvalue test indicates no cointegration at the 0.05 level



230

Lampiran 43: Estimasi VECM antara FBMS dengan JII

Vector Error Correction Estimates

Date: 10/17/14 Time: 16:20



Standard errors in ( ) & t-statistics in [ ]

Cointegrating Eq: CointEq1

JII(-1) 1.000000

FBMES(-1) -0.229910

(0.04238)

[-5.42489]

@TREND(1) 0.991883

(0.21245)

[ 4.66877]

C 1104.465

Error Correction: D(JII) D(FBMES)

CointEq1 0.000864 0.057822

(0.00128) (0.01250)

[ 0.67439] [ 4.62543]

D(JII(-1)) -0.041329 0.717880

(0.03066) (0.29916)

[-1.34801] [ 2.39964]

D(JII(-2)) -0.120108 -0.004407

(0.03065) (0.29906)

[-3.91892] [-0.01474]

D(JII(-3)) -0.118405 0.357171

(0.03056) (0.29817)

[-3.87481] [ 1.19786]

D(JII(-4)) -0.051787 0.622176

(0.03061) (0.29866)

[-1.69197] [ 2.08323]

D(JII(-5)) -0.069328 -0.141242

(0.03058) (0.29836)

[-2.26730] [-0.47339]

D(FBMES(-1)) 0.013328 -0.001623

(0.00312) (0.03041)

[ 4.27703] [-0.05339]

D(FBMES(-2)) 0.011374 0.042776

(0.00313) (0.03057)

[ 3.63048] [ 1.39933]

231

D(FBMES(-3)) 0.004495 0.031978

(0.00313) (0.03054)

[ 1.43615] [ 1.04714]

D(FBMES(-4)) 0.000521 -0.044441

(0.00312) (0.03047)

[ 0.16698] [-1.45854]

D(FBMES(-5)) 0.001490 -0.001943

(0.00311) (0.03034)

[ 0.47904] [-0.06402]

C 0.067103 1.820445

(0.23795) (2.32186)

[ 0.28200] [ 0.78405]

R-squared 0.039595 0.033989

Adj. R-squared 0.031117 0.025461

Sum sq. resids 88608.60 8436700.

S.E. equation 8.432938 82.28625

F-statistic 4.669977 3.985511

Log likelihood -4461.235 -7327.033

Akaike AIC 7.111661 11.66778

Schwarz SC 7.160665 11.71678

Mean dependent 0.093109 1.948188

S.D. dependent 8.567284 83.35423

Determinant resid covariance (dof adj.) 408018.4

Determinant resid covariance 400271.4

Log likelihood -11684.09

Akaike information criterion 18.61858

Schwarz criterion 18.72884

232

Lampiran 44: Estimasi VAR antara DJIJP dengan JII


D(JII) D(DJIJP)

D(JII(-1)) 0.017349 0.233360

(0.02988) (0.05617) [ 0.58069] [ 4.15464]

D(JII(-2)) -0.082636 -0.078009 (0.02982) (0.05607) [-2.77084] [-1.39127]

D(JII(-3)) -0.119796 -0.012981 (0.02983) (0.05609) [-4.01545] [-0.23144]

D(JII(-4)) -0.040219 -0.062906 (0.02988) (0.05618) [-1.34604] [-1.11981]

D(DJIJP(-1)) 0.014984 -0.232468 (0.01590) (0.02990) [ 0.94213] [-7.77436]

D(DJIJP(-2)) 0.033116 -0.099400 (0.01636) (0.03077) [ 2.02361] [-3.23073]

D(DJIJP(-3)) 0.060877 0.040911 (0.01637) (0.03079) [ 3.71780] [ 1.32890]

D(DJIJP(-4)) 0.013516 -0.001337 (0.01593) (0.02995) [ 0.84845] [-0.04466]

C 0.088852 -0.020951 (0.24015) (0.45151) [ 0.36998] [-0.04640]

R-squared 0.024698 0.062265 Adj. R-squared 0.018456 0.056263 Sum sq. resids 90732.66 320711.8 S.E. equation 8.519749 16.01778 F-statistic 3.956788 10.37488 Log likelihood -4479.193 -5274.015 Akaike AIC 7.129774 8.392399 Schwarz SC 7.166503 8.429129 Mean dependent 0.071080 -0.007307 S.D. dependent 8.599475 16.48834


233

Lampiran 45: Impulse Response Function FBMS dengan JII

0

2

4

6

8

10

1 2 3 4 5 6 7 8 9 10

Response of JII to JII

0

2

4

6

8

10

1 2 3 4 5 6 7 8 9 10

Response of JII to FBMES

30

40

50

60

70

80

90

1 2 3 4 5 6 7 8 9 10

Response of FBMES to JII

30

40

50

60

70

80

90

1 2 3 4 5 6 7 8 9 10

Response of FBMES to FBMES


Lampiran 46: Impulse Response Function DJIJP dengan JII

-2

0

2

4

6

8

10

1 2 3 4 5 6 7 8 9 10


-2

0

2

4

6

8

10

1 2 3 4 5 6 7 8 9 10

Response of D(JII) to D(DJIJP)

-5

0

5

10

15

20

1 2 3 4 5 6 7 8 9 10

Response of D(DJIJP) to D(JII)

-5

0

5

10

15

20

1 2 3 4 5 6 7 8 9 10

Response of D(DJIJP) to D(DJIJP)


234

Lampiran 47: Variance Decomposition FBMS dengan JII

Variance Decomposition of JII: Period S.E. JII FBMS

1 8.432938 100.0000 0.000000 2 12.02448 99.31598 0.684023 3 14.52175 98.01862 1.981377 4 16.32563 96.94988 3.050116 5 17.83988 96.37270 3.627297 6 19.12909 95.98919 4.010809 7 20.38683 95.84604 4.153956 8 21.60371 95.79199 4.208010 9 22.76942 95.76166 4.238336 10 23.87078 95.73835 4.261653

Variance Decomposition of FBMS: Period S.E. JII FBMS

1 82.28625 15.26411 84.73589 2 117.4677 18.07119 81.92881 3 146.2633 18.97937 81.02063 4 172.1030 20.06777 79.93223 5 193.8370 21.64796 78.35204 6 212.9639 22.38558 77.61442 7 230.0943 22.84729 77.15271 8 245.5310 23.19169 76.80831 9 259.7030 23.46247 76.53753 10 272.8349 23.71360 76.28640

Cholesky Ordering: JII FBMS

Lampiran 48: Variance Decomposition DJIJP dengan JII

Variance Decomposition of D(JII): Period S.E. D(JII) D(DJIJP)

1 8.519749 100.0000 0.000000 2 8.525767 99.92916 0.070837 3 8.553334 99.64952 0.350484 4 8.619775 98.82571 1.174294 5 8.624005 98.82143 1.178571 6 8.625944 98.77883 1.221171 7 8.626777 98.77487 1.225131 8 8.626845 98.77464 1.225363 9 8.626857 98.77435 1.225649 10 8.626872 98.77410 1.225899

Variance Decomposition of D(DJIJP): Period S.E. D(JII) D(DJIJP)

1 16.01778 10.61729 89.38271 2 16.41838 10.32824 89.67176 3 16.48281 10.88006 89.11994 4 16.52791 10.83436 89.16564 5 16.53900 10.93346 89.06654 6 16.54006 10.93275 89.06725 7 16.54059 10.93784 89.06216 8 16.54067 10.93780 89.06220 9 16.54067 10.93780 89.06220 10 16.54068 10.93779 89.06221

Cholesky Ordering: D(JII) D(DJIJP)

235

Lampiran 49: Variance Decomposition DJIUK dengan JII

Variance Decomposition of D(JII): Period S.E. D(JII) D(DJIUK)

1 8.303108 100.0000 0.000000 2 8.461759 96.28533 3.714674 3 8.534924 95.14875 4.851248 4 8.573074 95.11721 4.882793 5 8.580100 94.98553 5.014471 6 8.595581 94.71967 5.280330 7 8.599748 94.66328 5.336716 8 8.600547 94.66279 5.337210 9 8.600890 94.65902 5.340984 10 8.600932 94.65829 5.341714

Variance Decomposition of D(DJIUK): Period S.E. D(JII) D(DJIUK)

1 35.78782 9.236809 90.76319 2 35.84579 9.506370 90.49363 3 35.90644 9.548542 90.45146 4 35.90967 9.554651 90.44535 5 35.91244 9.565331 90.43467 6 35.93250 9.574698 90.42530 7 35.93336 9.575483 90.42452 8 35.93415 9.575414 90.42459 9 35.93431 9.575819 90.42418 10 35.93434 9.575950 90.42405

Cholesky Ordering: D(JII) D(DJIUK)

Lampiran 50: Variance Decomposition DJICA dengan JII

Variance Decomposition of D(JII): Period S.E. D(JII) D(DJICA)

1 8.199052 100.0000 0.000000 2 8.496703 93.11932 6.880679 3 8.582308 91.74361 8.256389 4 8.616660 91.78431 8.215686 5 8.619383 91.77698 8.223021 6 8.624287 91.69865 8.301352 7 8.625893 91.68572 8.314276 8 8.625975 91.68588 8.314123 9 8.626051 91.68470 8.315302 10 8.626119 91.68402 8.315982

Variance Decomposition of D(DJICA): Period S.E. D(JII) D(DJICA)

1 45.15064 4.896860 95.10314 2 45.50257 4.981555 95.01845 3 45.56160 4.969389 95.03061 4 45.58025 4.965507 95.03449 5 45.58660 4.971641 95.02836 6 45.58674 4.972171 95.02783 7 45.58722 4.972272 95.02773 8 45.58733 4.972493 95.02751 9 45.58734 4.972524 95.02748 10 45.58735 4.972528 95.02747

Cholesky Ordering: D(JII) D(DJICA)

236

Lampiran 51: Variance Decomposition IMUS dengan JII

Variance Decomposition of D(JII): Period S.E. D(JII) D(IMUS)

1 8.159154 100.0000 0.000000 2 8.480101 92.58303 7.416966 3 8.549868 91.63618 8.363819 4 8.588683 91.59629 8.403713 5 8.590487 91.59906 8.400944 6 8.596267 91.54590 8.454102 7 8.599847 91.49735 8.502655 8 8.600409 91.49655 8.503453 9 8.600632 91.49593 8.504065 10 8.600725 91.49408 8.505915

Variance Decomposition of D(IMUS): Period S.E. D(JII) D(IMUS)

1 30.02244 3.665325 96.33468 2 30.13422 3.989989 96.01001 3 30.15909 4.050936 95.94906 4 30.19504 4.237721 95.76228 5 30.21731 4.298874 95.70113 6 30.22119 4.298335 95.70166 7 30.22131 4.298975 95.70102 8 30.22139 4.299358 95.70064 9 30.22139 4.299367 95.70063 10 30.22142 4.299475 95.70053

Cholesky Ordering: D(JII) D(IMUS)

Lampiran 52: Variance Decomposition KLSE dengan IHSG

Variance Decomposition of IHSG: Period S.E. IHSG KLSE

1 49.02916 100.0000 0.000000 2 71.31095 99.81796 0.182039 3 87.65984 99.67952 0.320485 4 99.26183 99.69307 0.306928 5 108.6107 99.64443 0.355569 6 117.0484 99.61434 0.385663 7 125.0322 99.58585 0.414153 8 132.6150 99.55517 0.444827 9 139.7843 99.52770 0.472301 10 146.5626 99.50048 0.499524

Variance Decomposition of KLSE: Period S.E. IHSG KLSE

1 11.16294 30.83457 69.16543 2 16.03096 39.15572 60.84428 3 19.97144 42.86935 57.13065 4 23.51275 44.26143 55.73857 5 26.36781 45.27140 54.72860 6 28.86344 45.71904 54.28096 7 31.11213 45.99481 54.00519 8 33.15199 46.20877 53.79123 9 35.03645 46.36507 53.63493 10 36.78822 46.48923 53.51077

Cholesky Ordering: IHSG KLSE

237

Lampiran 53: Variance Decomposition NIKKEI 225 dengan IHSG

Variance Decomposition of D(IHSG): Period S.E. D(IHSG) D(NIKKEI)

1 48.64492 100.0000 0.000000 2 48.93852 99.07274 0.927264 3 48.97695 98.93659 1.063414 4 49.25431 98.52114 1.478860 5 49.33385 98.36464 1.635363 6 49.45398 98.04920 1.950801 7 49.46454 98.03022 1.969780 8 49.47325 98.00944 1.990556 9 49.48055 97.99639 2.003614 10 49.48131 97.99376 2.006244

Variance Decomposition of D(NIKKEI): Period S.E. D(IHSG) D(NIKKEI)

1 200.4175 20.37427 79.62573 2 201.4223 20.24435 79.75565 3 201.4266 20.24685 79.75315 4 201.6357 20.32407 79.67593 5 202.3193 20.86132 79.13868 6 202.3803 20.90771 79.09229 7 202.4963 20.94293 79.05707 8 202.5011 20.94506 79.05494 9 202.5018 20.94501 79.05499 10 202.5080 20.94814 79.05186

Cholesky Ordering: D(IHSG) D(NIKKEI)

Lampiran 54: Variance Decomposition FTSE 100 dengan IHSG

Variance Decomposition of D(IHSG): Period S.E. D(IHSG) D(FTSE)

1 48.03217 100.0000 0.000000 2 48.97792 96.37511 3.624893 3 49.01003 96.32875 3.671254 4 49.29170 96.03125 3.968751 5 49.34746 95.96709 4.032905 6 49.41480 95.83982 4.160178 7 49.43648 95.76167 4.238329 8 49.43861 95.76022 4.239778 9 49.43988 95.76025 4.239752

10 49.44010 95.76016 4.239835

Variance Decomposition of D(FTSE): Period S.E. D(IHSG) D(FTSE)

1 74.35387 14.10670 85.89330 2 74.36202 14.12470 85.87530 3 74.49756 14.10095 85.89905 4 74.55217 14.14479 85.85521 5 74.65707 14.22834 85.77166 6 74.77842 14.19414 85.80586 7 74.78042 14.19769 85.80231 8 74.78197 14.20120 85.79880 9 74.78289 14.20108 85.79892

10 74.78320 14.20147 85.79853

Cholesky Ordering: D(IHSG) D(FTSE)

238

Lampiran 55: Variance Decomposition S&P TSX dengan IHSG

Variance Decomposition of D(IHSG): Period S.E. D(IHSG) D(S_P_TSX)

1 46.88135 100.0000 0.000000 2 49.08398 91.45259 8.547412 3 49.11485 91.44278 8.557215 4 49.33113 91.35320 8.646798 5 49.38959 91.35262 8.647381 6 49.43338 91.36566 8.634337 7 49.43385 91.36415 8.635848 8 49.43677 91.35946 8.640538 9 49.43847 91.35997 8.640029 10 49.43886 91.36010 8.639904

Variance Decomposition of D(S_P_TSX): Period S.E. D(IHSG) D(S_P_TSX)

1 157.4582 7.152471 92.84753 2 157.6114 7.150705 92.84930 3 158.1053 7.230404 92.76960 4 158.2191 7.234838 92.76516 5 158.6638 7.469422 92.53058 6 158.9181 7.511402 92.48860 7 158.9211 7.514859 92.48514 8 158.9298 7.519852 92.48015 9 158.9358 7.526402 92.47360 10 158.9380 7.526362 92.47364

Cholesky Ordering: D(IHSG) D(S_P_TSX)

Lampiran 56: Variance Decomposition DJIA dengan IHSG

Variance Decomposition of D(IHSG): Period S.E. D(IHSG) D(DJIA)

1 46.60170 100.0000 0.000000 2 49.12944 90.32328 9.676717 3 49.16576 90.33754 9.662461 4 49.46480 89.98221 10.01779 5 49.51266 89.99798 10.00202 6 49.52779 89.94980 10.05020 7 49.53332 89.93810 10.06190 8 49.53425 89.93788 10.06212 9 49.53448 89.93782 10.06218 10 49.53458 89.93743 10.06257

Variance Decomposition of D(DJIA): Period S.E. D(IHSG) D(DJIA)

1 149.4026 5.377893 94.62211 2 150.3000 5.362677 94.63732 3 150.3317 5.377253 94.62275 4 150.4042 5.466965 94.53303 5 150.4947 5.576257 94.42374 6 150.5068 5.577245 94.42275 7 150.5090 5.579949 94.42005 8 150.5106 5.581666 94.41833 9 150.5109 5.581786 94.41821 10 150.5110 5.581787 94.41821

Cholesky Ordering: D(IHSG) D(DJIA)

analisis integrasi bursa saham di asia, eropa, dan...

Documents