Monthly Archives

8 Articles

Hubungan Dagang dengan Australia

Secara geografis letak Indonesia sangat dekat dengan Australia. Lokasi yang berdekatan memberikan manfaat dalam perdagangan, karena biaya transportasi lebih murah daripada berdagang dengan negara yang letaknya jauh. Bagi Australia, Indonesia adalah tetangga Australia yang terdekat.
Menurut Lembaga Australia Indonesia (AAI), hubungan antara kedua negara ini mempunyai sejarah yang panjang. Persamaan antara hewan dan tanaman yang ada di Australia, Irian Jaya, Nusa Tenggara dan Sulawesi merupakan bukti adanya hubungan tersebut. Juga terdapat hubungan sosial dan budaya. Cerita mengenai hubungan ini sudah lama dimulai dalam sejarah manusia. Namun sulit untuk mengatakan kapan tepatnya hubungan antara Australia-Indonesia itu dimulai. Read More

Flow Analysis

by Yohan Naftali 1 Comment

Flow analysis adalah analisis untuk pengambilan keputusan penaksiran nilai yang mengikuti flow atau arus pasar. Gehrig dan Menkhoff (2003) melakukan penelitian mengenai penggunaan flow analysis oleh manajer investasi (fund manager) dan foreign exchange dealer di Eropa. Salah satu hasil penelitian menunjukkan bahwa tingkat kepentingan penggunaan informasi yang didapat dari analisis teknikal untuk mengambil keputusan adalah sebesar 40.2%, kemudian disusul tingkat kepentingan penggunaan informasi dari analisis fundamental sebesar 36.3%, sisanya adalah 23.5% menggunakan informasi yang berasal dari flow analysis.

Regresi

Lains (2003) mengatakan bahwa istilah regresi dikemukakan untuk pertama kali oleh Francis Galton dalam artikelnya “Family Likeness in Stature” pada tahun 1886. Studinya ini menghasilkan apa yang dikenal dengan hukum regresi universal tentang tingginya anggota suatu masyarakat. Hukum tersebut menyatakan bahwa distribusi tinggi suatu masyarakat tidak mengalami perubahan yang besar sekali antar generasi. Hal ini dijelaskan Galton berdasarkan fakta yang memperlihatkan adanya kecenderungan mundurnya (regress) tinggi rata-rata anak dari orang tua dengan tinggi tertentu menuju tinggi rata-rata seluruh anggota masyarakat. Ini berarti terjadi penyusutan ke arah keadaan sekarang. Tetapi sekarang istilah regresi telah diberikan makna yang jauh berbeda dari yang dimaksudkan oleh Galton. Read More

Otokorelasi

Nachrowi dan Usman (2006) menjelaskan bahwa pelanggaran asumsi yang hampir dipastikan ditemui pada setiap data time series adalah apa yang disebut dengan otokorelasi. Langkah-langkah yang digunakan untuk menanggulangi otokorelasi ini, secara tidak langsung akan mampu pula menghindari pelanggaran asumsi lainnya. Oleh karena itulah, dalam data time series, masalah otokorelasi inilah yang menjadi fokus perhatian utama. Read More

Heteroskedastisitas

Asumsi penting lainnya dari classical linier regression model adalah bahwa disturbance term error dan homoskedastisitas varians sama untuk semua disturbance term error. Masalah heteroskedastisitas akan lebih sering muncul pada data cross-sectional daripada time series.
Heteroskedastisitas terjadi apabila varians dari setiap kesalahan pengganggu tidak bersifat konstan. Dampak yang akan ditimbulkan adalah asumsi yang terjadi masih tetap tidak berbias, tetapi tidak lagi efisien.
Halbert White mengatakan bahwa uji Χ2 merupakan uji umum ada tidaknya kesalahan spesifikasi model karena hipotesis nol yang melandasi adalah asumsi bahwa: (1) residual adalah homoskedastisitas dan merupakan variabel independen, (2) spesifikasi linear atas model sudah benar. Dengan hipotesis nol tidak ada heteroskedastisitas, jumlah observasi (n) dikalikan R2 yang diperoleh dari regresi auxiliary secara simtotis akan mengikuti distribusi Chi Square dengan derajat kebebasan sama dengan jumlah variabel independen (tidak termasuk konstanta). Bila salah satu atau kedua asumsi ini tidak dipenuhi akan mengakibatkan nilai statistik t yang signifikan. Namun sebaliknya, jika nilai statistik t tidak signifikan, berarti kedua asumsi di atas dipenuhi, artinya model yang digunakan lolos dari masalah heteroskedastisitas.
Manurung et al. (2005) menjelaskan bahwa ada dua cara untuk mendeteksi keberadaan heteroskedastisitas, yaitu metode informal dan metode formal. Metode informal biasanya dilakukan dengan melihat grafik plot dari nilai prediksi variabel independen (ZPRED) dengan residualnya (SRESID). Variabel dinyatakan tidak terjadi heteroskedastisitas jika tidak terdapat pola yang jelas dan titik-titik menyebar di atas dan di bawah angka nol pada sumbu Y. Metode formal untuk mendeksi keberadaan heteroskedastisitas antara lain dengan Park Test, Glejser Test, Spearman’s Rank Correlation Test, Golfeld-Quandt Test, Breusch-Pagan-Godfrey Test, White’s General Heteroscedasticity Test, dan Koenker-Basset Test.
Nachrowi dan Usman (2006) menjelaskan bahwa data cross section sering memunculkan varians error yang heteroskedastis, akan tetapi, bukan berarti data time series terhindar dari permasalahan ini. Indeks harga saham, inflasi, nilai tukar, atau suku bunga, seringkali mempunyai varians error yang tidak konstan. Sekalipun keberadaan heteroskedastisitas masih memberikan pendugaan yang tidak bias dan konsisten, pendugaan tersebut sudah tidak efisien, yaitu varians dari estimator tidak minimum. Akibatnya pada uji t, interval kepercayaan, dan berbagai ukuran lainnya, menjadi tidak tepat. Model yang dikenal sebagai AutoRegressive Conditional Heteroscedasticity (ARCH) dan Generalized AutoRegressive Conditional Heteroscedasticity (GARCH) justru memanfaatkan heteroskedastisitas untuk membuat model.
Misalkan kita memiliki persamaan regresi
Yi = a0 + a1.Xi + ei
regresikan persamaan untuk mendapatkan a0, a1 dan nilai residualnya (ei)
Uji Heteroskedastisitas dengan metode di bawah ini:
A. Uji Park

  1. Regresikan nilai absolut residual (ei) pada x
    ln(ei^2) = b0 + b1.ln(Xi) + Vi
  2. Bila b1 signifikan beda dengan 0 (uji t) maka persamaan memiliki masalah hetrosekdastistas
  3. Pada multivariate, cobakan tiap tiap variabel independen (Xi) atau variabel dependen (Yi)
  4. B. Uji Glejser:

    1. Regresikan nilai absolut ei pada x
      |ei| = b0 + b1.Xi + Vi atau
      |ei| = b0 + b1.sq(Xi^2) + Vi atau
      |ei| = b0 + b1.(1/Xi) + Vi atau
      dll
    2. Apabila t pada b1 signifikan artinya ada heteroskedastistas
    3. Pada multivariate, cobakan tiap tiap variabel independen (Xi) atau variabel dependen (Yi)

    C. Uji Goldfeld-Quandt

    1. Urutkan data X berdasarkan nilainya
    2. Bagi data menjadi 2, satu bagian memiliki nilai yang tinggi, bagian lainnya memiiki nilai yang rendah, sisihkan data pada nilai tengah
    3. Jalankan regresi untuk masing-masing data
    4. Hitung F test, F=[ESSlarge X/df]/[ESSsmall X/df]
    5. Apabila nilai F unite, maka homoskedastistas