Pemodelan Indeks Harga Saham Gabungan Indonesia dengan Pendekatan Metode Regresi Probit Biner

Abstract

Perkembangan ekonomi adalah bagian dari isu penting bagi negara dan dapat dicirikan oleh pasar modal yang berkembang dengan baik. Pasar modal tidak dapat dipisahkan berdasarkan investasi pada pasar saham. Pergerakan harga saham dapat diamati melalui suatu indeks yang dinamakan IHSG. Besarnya return yang diterima oleh para investor tersebut dapat mempengaruhi keputusan investor untuk membeli atau menjual saham yang dimilikinya. Sehingga, penting bagi investor dapat memahami pergerakan harga saham agar tidak terjadi kerugian yang sangat besar. Bagian dari cara untuk memahami pergerakan harga saham yaitu dengan menganalisis dan memahami variabel-variabel yang mempengaruhi pergerakan IHSG. Maka dari itu diperlukan pemodelan mengenai pergerakan IHSG, dalam mengatasi hal tersebut ada metode yang dapat digunakan yaitu Regresi Probit Biner yang mempunyai kemampuan untuk mengetahui peluang setiap pergerakan naik dan turun pada IHSG. Berdasarkan analisis data dan pembahasan dapat diketahui bahwa variabel-variabel yang mempengaruhi pergerakan IHSG adalah KURS, jumlah uang beredar (M2), inflasi, dan BI-7DRR dengan toleransi tingkat kesalahan (α) 10% atau 0,1 dengan tingkat kepercayaan 90%. Ketepatan klasifikasi serta nilai Pseudo R-square Nagelkerke sebesar 76 persen dan 34,3 persen dengan nilai specificity serta sensitivity sebesar 57 persen dan 90 persen. Dilihat dari nilai efek marginal dapat diketahui bahwa BI-7DRR memiliki kontribusi terbesar yaitu 65,1 persen dalam naik dan turunnya nilai IHSG.

Full text

Jurnal Mahasiswa Matematika ALGEBRA
Vol. 02, No. 02 (2021), pp. 144-157
e-ISSN 2774-8677
2021 Matematika Bidang Penelitian 144
Vol. 02, No. 02 (2021), pp. 144-157
PEMODELAN INDEKS HARGA SAHAM GABUNGAN INDONESIA
DENGAN PENDEKATAN METODE REGRESI PROBIT BINER
Silvia Kartika Sari1, Putroue Keumala Intan2, Lutfi Hakim3, Yuniar Farida4, Wika
Dianita Utami5,
1UIN Sunan Ampel Surabaya, h02218011@uinsby.ac.id
2UIN Sunan Ampel Surabaya, putroue@uinsby.ac.id
3UIN Sunan Ampel Surabaya, lutfihakimbungah@gmail.com
4UIN Sunan Ampel Surabaya, yuniar_farida@uinsby.ac.id
5UIN Sunan Ampel Surabaya, wikadianita@uinsby.ac.id
Abstrak. Perkembangan ekonomi adalah bagian dari isu penting bagi negara dan dapat dicirikan oleh
pasar modal yang berkembang dengan baik. Pasar modal tidak dapat dipisahkan berdasarkan investasi
pada pasar saham. Pergerakan harga saham dapat diamati melalui suatu indeks yang dinamakan IHSG.
Besarnya return yang diterima oleh para investor tersebut dapat mempengaruhi keputusan investor untuk
membeli atau menjual saham yang dimilikinya. Sehingga, penting bagi investor dapat memahami
pergerakan harga saham agar tidak terjadi kerugian yang sangat besar. Bagian dari cara untuk memahami
pergerakan harga saham yaitu dengan menganalisis dan memahami variabel-variabel yang
mempengaruhi pergerakan IHSG. Maka dari itu diperlukan pemodelan mengenai pergerakan IHSG,
dalam mengatasi hal tersebut ada metode yang dapat digunakan yaitu Regresi Probit Biner yang
mempunyai kemampuan untuk mengetahui peluang setiap pergerakan naik dan turun pada IHSG.
Berdasarkan analisis data dan pembahasan dapat diketahui bahwa variabel-variabel yang mempengaruhi
pergerakan IHSG adalah KURS, jumlah uang beredar (M2), inflasi, dan BI-7DRR dengan toleransi
tingkat kesalahan (α) 10% atau 0,1 dengan tingkat kepercayaan 90%. Ketepatan klasifikasi serta nilai
Pseudo R-square Nagelkerke sebesar 76 persen dan 34,3 persen dengan nilai specificity serta sensitivity
sebesar 57 persen dan 90 persen. Dilihat dari nilai efek marginal dapat diketahui bahwa BI-7DRR
memiliki kontribusi terbesar yaitu 65,1 persen dalam naik dan turunnya nilai IHSG.
Kata kunci: Saham, BEI, IHSG, Pemodelan, Regresi Probit Biner
Abstract. Economic development is an important issue for countries and can be characterized by well-
developed capital markets. The capital market cannot be separated based on investment in the stock
market. The movement of stock prices can be observed through an index called the JCI. The amount of
return received by these investors can affect the decision of investors to buy or sell their shares. So, it is
important for investors to understand the movement of stock prices in order to avoid huge losses. Part
of the way to understand stock price movements is to analyze and understand the variables that affect
the JCI movement. Therefore it is necessary to model the JCI movement, in overcoming this there is a
method that can be used, namely Binary Probit Regression which has the ability to find out the
opportunities for each up and down movement in the JCI. Based on data analysis and discussion, it can
be seen that the variables that influence the movement of the JCI are the exchange rate, the money supply
(M2), inflation, and BI-7DRR with a tolerance level of error (α) of 10% or 0.1 with a confidence level of
90%. The classification accuracy and the value of Nagelkerke’s Pseudo R-square were 76 percent and
34,3 percent with specificity and sensitivity values of 57 percent and 90 percent, respectively. Judging
from the value of the marginal effect, it can be seen that the BI-7DRR has the largest contribution of 65,1
percent in the rise and fall of the JCI value.
Keywords: Stock, IDX, JCI, Modeling, Binary Probit Regression

145
1. Pendahuluan
Perkembangan ekonomi adalah bagian dari isu penting bagi negara dan dapat dicirikan oleh
pasar modal yang berkembang dengan baik. Pasar modal tidak dapat dipisahkan berdasarkan
investasi pada pasar saham. Adanya pasar modal, berinvestasi adalah cara untuk merencanakan masa
depan yang kuat. Berinvestasi dalam saham merupakan bagian dari bentuk investasi yang paling
populer atau banyak diminati. Sehingga, penting bagi investor dapat memahami pergerakan harga
saham di BEI agar tidak terjadi kerugian yang sangat besar. Bagian dari cara untuk memahami
pergerakan harga saham yaitu dengan menganalisis dan memahami variabel-variabel yang
mempengaruhi pergerakan IHSG dengan memperhatikan kondisi ekonomi makro meliputi KURS,
jumlah uang beredar (M2), inflasi, dan BI-7DRR [1]. Maka dari itu diperlukan pemodelan yang dapat
membuat peramalan berkaitan persoalan yang mungkin akan terjadi di masa depan, karena segala
sesuatu dalam kehidupan sosial tidak pasti dan sulit diperkirakan secara akurat. Dalam mengatasi hal
tersebut dalam penelitian ini metode yang dapat digunakan yaitu Regresi Probit Biner yang
mempunyai kemampuan untuk mengetahui peluang setiap pergerakan naik dan turun pada IHSG dan
juga variabel-variabel yang berkontribusi besar mempengaruhi pada kenaikan maupun penurunan
nilai IHSG .
Menurut Sekretaris perusahaan BEI, Yulianto Aji Sadono pada tahun 2021, IHSG
dikategorikan menjadi 2 tingkatan, yaitu IHSG naik dan IHSG turun dengan melihat pada indikator
nilai perubahan % pada periode tiap bulan. Regresi probit dapat dimanfaatkan untuk memecahkan
masalah dengan variabel respon kategorik (seperti biner) memakai fungsi penghubung tertentu.
Kegunaan dari fungsi penghubung dapat menganalisis hubungan antara variabel respon kategorik
dengan satu atau lebih variabel prediktor [2]. Regresi probit memakai fungsi penghubung distribusi
normal. Pada interpretasi modelnya, model probit ini diinterpretasikan menggunakan nilai efek
marginal. Bagian dari keuntungan memakai regresi probit yaitu dengan menggunakan tabel distribusi
peluang normal baku maka nilai-nilai yang terdapat dari pencocokan model dapat dikonversi
langsung ke probabilitas [3]. Oleh karena itu, dimungkinkan untuk memperoleh nilai probabilitas
untuk kategori tertentu dari variabel respon.
Serupa dengan penelitian sebelumnya, penelitian [4] mendapatkan hasil terbaik dari model
regresi probit, yaitu pada variabel prediktor yang signifikan adalah kualitas layanan, harga, dan
kualitas produk. Model memiliki tingkat ketepatan klasifikasi hasil prediksi sebesar 77,91% artinya
model tersebut sudah cukup baik untuk menjelaskan faktor-faktor loyalitas berbelanja online di
kalangan mahasiswa [4]. Kemudian penelitian [5] menghasilkan dua faktor yang mempengaruhi IPM
yaitu rata-rata lama sekolah dan angka harapan hidup. Model ini memiliki ketepatan klasifikasi
sebesar 89,29%, APER bernilai 10,71% model ini sangat baik karena nilai prediksi hampir mendekati
nilai observasi [5]. Terakhir, ada penelitian [6] mendapatkan hasil perbandingan model logit dan
probit pada regresi logistik diperoleh model probit lebih baik dibandingkan model logit dengan nilai
Wald terbesar yaitu 7,384 [6].
Berdasarkan penjelasan latar belakang di atas, peneliti tertarik untuk membahas pemodelan
IHSG Indonesia dengan pendekatan Metode Regresi Probit Biner, dikarenakan peningkatan serta
penurunan aktivitas pasar modal dan investor dalam melakukan transaksi jual beli saham dapat
dilihat melalui pergerakan harga saham. Pergerakan harga saham dapat diamati melalui suatu indeks
yang dinamakan IHSG.
Besarnya return yang diterima oleh para investor tersebut dapat mempengaruhi keputusan
investor untuk membeli atau menjual saham yang dimilikinya. IHSG berperan penting dalam
pencapaian pembangunan ekonomi, dimana variabel respon data IHSG yakni tipe data kategorikal
yang terdiri dari dua kategori atau biner yaitu IHSG naik dan IHSG turun sehingga diperlukan
penelitian yang bertujuan untuk memodelkan IHSG menggunakan model regresi probit biner,
mengetahui besar tingkat ketepatan atau akurasi klasifikasi model pada IHSG, serta mengetahui
variabel-variabel yang paling berpengaruh terhadap IHSG.

146
2. Kajian Teori
2.1. IHSG
IHSG ialah angka indeks dari berbagai harga saham yang dikumpulkan dan dihitung untuk
menciptakan tren fluktuasi harga saham. IHSG berisi saham preferen dan semua saham biasa di BEI.
IHSG mencerminkan bagaimana pasar modal bekerja, sehingga IHSG menjadi bagian dari pedoman
untuk berinvestasi di pasar modal bagi investor [7].
2.2. Variabel-variabel yang Mempengaruhi IHSG
2.2.1. Inflasi
Inflasi merupakan sebuah proses di mana kenaikan harga secara universal, dan berkelanjutan
serta saling mempengaruhi [8].
2.2.2. KURS (Nilai Tukar)
Nilai Tukar adalah harga mata uang satu negara relatif atas mata uang negara lain [9].
2.2.3. Jumlah Uang Beredar
Jumlah Uang Beredar : yaitu jumlah uang yang dikeluarkan secara resmi oleh bank sentral
dalam bentuk uang kartal, uang giral, uang kuasi yang termasuk tabungan, deposito, dan valuta asing
[10].
2.2.4. BI-7DRR
BI-7 Day Reverse Repo Rate (BI7DRR) merupakan instrumen Bank Indonesia yang
memperkuat kondisi pengelolaan keuangannya serta menjadi suku bunga kebijakan baru [11].
2.3. Model Regresi Probit Biner
Regresi Probit Biner adalah model non-linear yang diaplikasikan untuk menganalisis
hubungan antara satu variabel respon dengan beberapa variabel prediktor, dengan variabel respon
berbentuk data kualitatif biner dengan nilai 1 menunjukkan adanya suatu karakteristik dan bernilai 0
untuk menunjukkan tidak adanya suatu karakteristik, untuk variabel prediktor berbentuk data kontinu
atau diskrit [12]. Model regresi probit biner pada Persamaan (1) berikut.
′
(1)
dengan  adalah variabel respon diskrit,  adalah vektor variabel prediktor untuk 
󰇟󰇠󰆒 dan  ialah vektor parameter koefisien untuk 󰇟󰇠󰆒 mempunyai
ukuran 󰇛󰇜 untuk  merupakan banyaknya variabel prediktor, dan  ialah vektor error yang
diasumsikan dalam distribusi normal standar 󰇛󰇜.
Dalam regresi probit biner, digunakan pengkategorian pada  secara biner dengan
memberikan batasan 󰇛󰇜, yakni untuk  tergolong kedalam  dan untuk  tergolong
kedalam . Probabilitas untuk  yang menunjukkan kategori nilai IHSG turun sebagai
berikut pada Persamaan (2) [12].
󰇛0󰇜Փ′
(2)
dimana probabilitas dari  diberikan  adalah fungsi dari 󰲅󰇛󰆒󰇜󰲅󰇛󰇜 yang dimana

147
merupakan fungsi model probit, kemudian probabilitas untuk y = 1 yang menunjukkan kategori nilai
IHSG naik seperti dibawah ini pada Persamaan (3) [12].
󰇛1󰇜1Փ′
(3)
dimana probabilitas dari  diberikan  adalah fungsi dari 󰲅󰲅󰇛󰇜 yang dimana
merupakan fungsi model probit dan fungsi distribusi kumulatif dari distribusi normal standar, terlihat
pada Persamaan (4) [12].
Փ′ 󰇛󰇜
′
∞
(4)
Efek marginal yang didapatkan pada turunan pertama probabilitas dari masing-masing
kategori di Persamaan (2.2) dan (2.3) berikut ini pada Persamaan (5) dan (6) [12].
󰇛0󰇜
 ′
(5)
󰇛1󰇜
 ′
(6)
Nilai efek marginal dalam Persamaan (2.5) dan (2.6) menunjukkan bahwa tingkat pengaruh
masing-masing variabel prediktor yang signifikan pada probabilitas masing-masing kategori dari
variabel respon dengan 󰲅󰇛󰆒󰇜󰲅󰇛󰇜 ialah fungsi distribusi probabilitas dari distribusi normal
standar, dalam Persamaan (7) [12].
󰇛󰇜1
2󰇧2
2󰇨∞∞
(7)
Fungsi 󰲅󰇛󰇜 didasarkan pada distribusi normal Z, sehingga model untuk peluang probit dapat
ditulis menjadi pada Persamaan (8) [12].
Փ1󰇟󰇛󰇜󰇠Փ1󰇟Փ′󰇠
((8)
′
2.3.1. Pengujian Parameter pada Model Regresi Probit Biner
Setelah model didapatkan, selanjutnya melakukan uji estimasi parameter untuk mendapati
adanya variabel prediktor berpengaruh signifikan pada variabel respon [13]. Adapun pengujian
dilaksanakan dengan dua uji yakni, uji serentak serta uji parsial.
1. Uji Serentak
Adapun hipotesis dari uji serentak terdapat dalam Hipotesis 1:
 :  (variabel prediktor tidak berpengaruh terhadap variabel respon)
 : paling tidak terdapat satu  dengan  dengan  merupakan banyaknya
variabel prediktor (minimal ada salah satu variabel prediktor berpengaruh terhadap variabel
respon)
Uji Serentak bisa juga disebut statistik Uji G atau Likelihood Ratio Test terlihat dalam Persamaan (9)
berikut [13].

148
22󰇯󰇛1
󰇜1󰇛0
󰇜0
󰇛1󰇜1

1󰇰
(9)
dimana, nilai 
  yakni banyaknya observasi yang dapat dikategorikan untuk kategori
 dan 
 󰇛󰇜 adalah banyaknya observasi yang dapat dikategorikan untuk
kategori . Ketika nilai 󰇛󰇜
 atau P-value pada tingkat signifikansi , maka
didapatkan keputusan H0 ditolak. Nilai 󰇛󰇜
 memperlihatkan nilai variabel random pada tabel Chi-
Square menggunakan derajat bebas (db) sebanyak p variabel prediktor.
2. Uji Parsial
Adapun hipotesis dari uji parsial terdapat dalam Hipotesis 2:
 :  (variabel prediktor tidak berpengaruh terhadap variabel respon)
 :  dengan  dengan  merupakan banyaknya variabel prediktor
(variabel prediktor berpengaruh terhadap variabel respon)
Uji parsial dikenal juga dengan statistik Uji Wald sesuai pada Persamaan (10) [13].
󰆹
󰆹󰇛01󰇜
(10)
dimana 󰆹 merupakan taksiran pada koefisien parameter  serta 󰆹 yaitu standard error pada
taksiran koefisien parameter . Pada Uji Wald mengikuti distribusi normal standar menggunakan
mean sebesar 0 serta variansi sebesar 1. Jika nilai 
 atau 
 dapat juga melihat pada
nilai P-value pada tingkat signifikansi , maka didapatkan keputusan H0 ditolak.
2.4. Multikolinieritas
Multikolinieritas adalah suatu keadaan di mana terjadi korelasi atau hubungan linier yang
kuat antara variabel prediktor yang signifikan pada model. Nilai Variance Inflation Factors (VIF)
dapat digunakan untuk mengetahui ada tidaknya multikolinieritas pada berikut ini dalam Persamaan
(11).
 1
1212
(11)
dimana  adalah nilai koefisien determinasi antara  dan variabel prediktor lainnya pada 
 dengan  merupakan banyaknya variabel prediktor. Ketika nilai VIF lebih besar dari 10,
tingkat korelasi lebih besar dari 95%, dan nilai toleransi lebih kecil dari 0,10 , oleh sebab itu
dikatakan terdapat multikolinieritas [14].
2.5. Uji Kesesuaian Model
Adapun hipotesis untuk uji kesesuaian model terdapat dalam Hipotesis 3:
 : Sesuai dengan model (tidak ada perbedaan yang signifikan antara hasil yang diamati serta
kemungkinan dari hasil prediksi model)
 : Tidak sesuai dengan model (ada perbedaan yang signifikan antara hasil yang diamati serta
kemungkinan dari hasil prediksi model)

149
Uji Kesesuaian model dikenal juga sebagai statistik Uji Deviance, pada pengujian ini dengan
melihat pada nilai deviance yang dirumuskan dalam persamaan (12) sebagai berikut.
2󰇟
󰇛1󰇜󰇛1
1󰇜󰇠

1
(12)
dimana  merupakan kategori pada variabel respon yang meliputi kategori 0 serta kategori 1,  ialah
probabilitas saat variabel respon bernilai Y=1 serta 1 −  merupakan probabilitas saat variabel
respon bernilai Y=0. Jika nilai 󰇛󰇜
 atau P-value < α dari tingkat signifikansi  dan derajat
bebas (db) sebanyak n-p-1, maka keputusan  ditolak (Isnaini, 2017) [15].
2.6. Uji Kesesuaian Model
Ukuran kebaikan model dilakukan agar menguji keunggulan pada model yang dihasilkan
yang terdapat dua alat pengukuran yang dipakai, ialah ketepatan klasifikasi dimanfaatkan agar
mendapatkan model terbaik yang dapat diprediksi dengan akurat serta Pseudo R-Square
mengindikasikan variabel prediktor mampu menjelaskan variasi dari variabel respon dan dapat
menyesuaikan indikator untuk berbagai area aplikasi [16].
2.6.1. Ketepatan Klasifikasi
Ketepatan klasifikasi yang diaplikasikan dalam penelitian ini ditunjukkan pada Tabel 1.
Tabel 1: Klasifikasi dalam Kelompok Aktual serta Kelompok Prediksi
Kelompok
Observasi Y
Kelompok Prediksi Y
Total
0
1
0
11
12
1
1
21
22
2
Nilai APER didapatkan berdasarkan Persamaan (3) sebagai berikut [16].
12 21
12100%
(13)
Selanjutnya, nilai ketepatan klasifikasi didapatkan dengan rumus berikut ini pada Persamaan (14)
[16].
1
(14)
Pada Tabel 1, dapat mengukur untuk nilai proporsi pada hasil klasifikasi dengan
menggunakan nilai specificity serta sensitivity. Nilai specificity dimanfaatkan untuk pengukuran
proporsi yang nilainya benar negatif, seperti proporsi pada kelas 0 yang bisa diidentifikasi dengan
benar. Selanjutnya dengan nilai sensitivity, untuk pengukuran proporsi yang nilainya benar positif,
seperti proporsi pada kelas 1 yang bisa diidentifikasi dengan benar [17]. Diformulasikan seperti
dibawah ini pada Persamaan (15) dan (16).
󰇛%󰇜11
12 11
(15)
󰇛%󰇜22
21 22
(16)
2.6.2. Pseudo R-Square
Pseudo R-Square meliputi Cox and Snell, Nagelkerke dan McFadden. Pengujiannya pada

150
Persamaan (17), (18), dan (19) berikut ini [18].
1. Cox and Snell

21󰇧2
󰇛󰇜󰇛0󰇜󰇨
(17)
2. Negelkerke

2
2
1󰇧2
󰇛0󰇜󰇨
(18)
3. McFadden

21󰇧󰇛󰇜
󰇛0󰇜󰇨
(19)
dimana L(0) adalah log-likelihood model hanya dengan konstanta, kemudian L(B) merupakan log-
likelihood model yang diestimasi dan n merupakan jumlah sampel. Model yang mempunyai nilai
Pseudo Pseudo R-Square yang terbesar merupakan model terbaik [18].
3. Metode Penelitian
Keseluruhan penelitian ini menggunakan data sekunder. Data sekunder merupakan data yang
berasal dari suatu instansi tanpa harus melakukan penelitian secara langsung. Data tersebut berbentuk
data historis yang berasal dari BEI (www.idx.co.id) untuk variabel IHSG 󰇛󰇜, Bank Indonesia (BI)
(www.bi.go.id) pada variabel KURS 󰇛󰇜, inflasi 󰇛󰇜, dan BI-7DRR 󰇛󰇜 dan Portal Statistik
Perdagangan (statistik.kemendag.go.id) untuk variabel jumlah uang beredar (M2) 󰇛󰇜. Untuk
variabel , untuk kategori 0 = kategori IHSG turun, jika nilai perubahan % bernilai negatif,
kemudian kategori 1 = kategori IHSG naik, jika nilai perubahan % bernilai positif. Memuat data
bulanan mulai bulan Juli 2017 hingga bulan Agustus 2021 sebanyak 50 data. Penelitian ini
menggunakan struktur dan sampel data yang ditunjukkan pada Tabel 2 di bawah ini.
Tabel 2: Sampel Data dalam Penelitian
No
Periode
Perubahan %
IHSG





1
Agustus '21
1,32%
1
0,345
1,000
0,105
0,000
2
Juli '21
1,41%
1
0,384
0,975
0,078
0,000
3
Juni '21
0,64%
1
0,385
0,961
0,004
0,000








48
September '17
0,63%
1
0,056
0,038
0,938
0,300
49
Agustus '17
0,40%
1
0,009
0,021
0,977
0,400
50
Juli '17
0,19%
1
0,000
0,000
1,000
0,500
Tahap analisis penelitian merupakan tahap yang patut dilakukan untuk memecahkan
permasalahan yang didapatkan. Berikut langkah-langkah yang dilakukan dalam penelitian ini:
1. Pengumpulan data, dari sumber yang dituju.
2. Mendeskripsikan data, mengelompokkan pada variabel respon kedalam 2 kategori, Y=0 untuk
IHSG turun dan Y=1 untuk IHSG naik menggunakan pie chart, kemudian pada variabel
prediktor menggunakan statistika deskriptif.
3. Melakukan Uji multikolinearitas, jika nilai VIF lebih dari 10 maka terdapat masalah
multikolinieritas. Jika diketahui terjadi multikolinieritas, menggunakan prosedur backward

151
elimination untuk mengatasinya.
4. Pembuatan model regresi probit biner, yang dapat diketahui berdasarkan pengujian parameter
secara serentak dan parsial dengan alpha yang digunakan sebesar 0,1 untuk mengetahui ada
tidaknya pengaruh dari setiap variabel prediktor terhadap variabel respon.
5. Melakukan interpretasi model terbaik dengan menggunakan nilai efek marginal pada regresi
probit biner melihat dari variabel prediktor yang signifikan dalam model.
6. Melakukan uji kesesuaian model.
7. Kebaikan model diukur melalui ketepatan klasifikasi dan nilai Pseudo R-Square agar
mendapatkan nilai kebaikan model yang terbentuk.
8. Menarik kesimpulan dan saran.
4. Hasil dan Pembahasan
4.1 Karakteristik Data
Hasil analisis deskriptif dari kategori IHSG Indonesia ditampilkan pada Gambar 1.
Gambar 1: Persentase dan Jumlah kategori IHSG Indonesia
Gambar 1 menunjukkan bahwa dari 50 periode bulan terdapat 21 periode 51 52 bulan atau
sebesar 42 persen yang termasuk dalam kategori IHSG turun. Sedangkan terdapat 29 periode bulan
atau 58 persen yang termasuk dalam kategori IHSG naik. Analisis statistika deskriptif untuk
mengetahui karakteristik masing-masing variabel prediktor disajikan dalam Tabel 3.
Tabel 3: Statistika Deskriptif Variabel Prediktor
Variabel Prediktor
Minimum
Maksimum
Rata-Rata
Standar Deviasi
KURS 󰇛󰇜
13323
16367
14242,04
542,69
M2 󰇛󰇜
5178078,75
7198894,78
6054459,41
614458,78
Inflasi 󰇛󰇜
1,32
3,88
2,66
0,82
BI-7DRR 󰇛󰇜
3,50
6
4,67
0,86
Tabel 3 menjelaskan bahwa di Indonesia dari kurun waktu 2017 hingga 2021 pada rata-rata
KURS 󰇛󰇜 adalah sebesar 14242,04 dengan standar deviasi sebesar 542,69 memiliki jumlah paling
tinggi dengan jumlah sebesar 16367 rupiah, sedangkan untuk KURS terendah dengan jumlah sebesar
13323 rupiah. Rata-rata jumlah uang beredar (M2) 󰇛󰇜 adalah sebesar 6054459,41 dengan standar
deviasi sebesar 614458,78 memiliki jumlah paling tinggi dengan jumlah sebesar 7198894,78 kali,
sedangkan untuk jumlah uang beredar (M2) terendah dengan jumlah sebesar 5178078,75 kali. Rata-
rata inflasi 󰇛󰇜 adalah sebesar 2,66 dengan standar deviasi sebesar 0,82 memiliki persentase paling
tinggi dengan persentase sebesar 3,88 persen, sedangkan untuk inflasi terendah dengan 53 persentase
sebesar 1,32 persen. Rata-rata BI-7DRR 󰇛󰇜 adalah sebesar 4,67 dengan standar deviasi sebesar
0,86 memiliki persentase paling tinggi dengan persentase sebesar 6 persen, sedangkan untuk BI-
7DRR terendah dengan persentase sebesar 3,50 persen.
4.2 Pemodelan IHSG

152
Analisis metode ini adalah analisis regresi yang tidak diperbolehkan didapati hubungan
linear pada setiap variabel prediktornya, maka dari itu uji multikolinieritas hendaklah dilakukan
sebelum melaksanakan pemodelan dengan regresi probit biner.
4.2.1 Uji Multikolinieritas
Tabel yang menampilkan nilai VIF pada tiap variabel prediktor yang terdapat di Persamaan
(2.11) sebagai berikut.
Tabel 4: Hasil Uji Multikolinieritas
Variabel Prediktor
VIF
KURS 󰇛󰇜
1,574
M2 󰇛󰇜
7,187
Inflasi 󰇛󰇜
6,384
BI-7DRR 󰇛󰇜
1,924
Berdasarkan Tabel 4 diatas tersebut, didapati hasil uji multikolinieritas pada tiap variabel
prediktor. Memperlihatkan bahwa keseluruhan variabel prediktor mempunyai nilai VIF terdapati
kurang dari 10, maka dari itu dapat diambil kesimpulan bahwa tidak terjadi multikolinieritas pada
setiap variabel prediktor.
4.2.2 Pengujian Parameter Model Regresi Probit Biner
Pengaruh dari variabel prediktor pada IHSG dapat dilihat dengan dilakukan pengujian pada
signifikansi parameter. Dilakukannya pengujian dengan menggunakan uji serentak serta uji parsial.
1. Uji Serentak
Uji serentak pada penelitian ini digunakan statistik uji G memakai α = 0,1 terdapat di
Persamaan (2.9) dengan Hipotesis 1. Didapati hasil, nilai G ialah 15,009 lebih besar pada nilai Chi-
Square tabel 󰇛
󰇜 serta P-value sebanyak 0,005 kurang dari α = 0,1 maka tolak H0.
Artinya minimal didapati 1 variabel prediktor yang signifikan mempengaruhi IHSG.
2. Uji Parsial
Pengujian serentak dengan uji G menunjukkan bahwa setidaknya ada satu variabel prediktor
yang penting bagi model, sehingga pengujian parsial dengan uji Wald dilanjutkan. Hasil uji parsial
ditunjukkan pada Tabel 5 dibawah ini.
Tabel 5: Hasil Pengujian Parameter secara Parsial
Variabel
Koefisien
SE
Wald
P-value
Konstanta
6,695
3,012
4,940
0,026
KURS 󰇛󰇜
-0,022
0,013
2,724
0,099
M2 󰇛󰇜
0,015
0,008
3,414
0,065
Inflasi 󰇛󰇜
-0,028
0,014
3,919
0,048
BI-7DRR 󰇛󰇜
-0,029
0,018
2,751
0,097
Berdasarkan Tabel 5, didapatkan hasil seluruh variabel memiliki pengaruh yang signifikan
pada model. Ditunjukkan pada nilai statistika W terdapat di Persamaan (2.10) dengan Hipotesis 2,
didapatkan nilai  atau P-value dengan α = 0,1. Masing-masing memiliki nilai 

153
 dan . Selain itu, P-value pada keseluruhan variabel didapati kurang dari 0,1.
Maka dapat diambil keputusan ialah tolak H0. Hasil keputusan yang menentukan menyiratkan bahwa
variabel-variabel ini memiliki pengaruh yang signifikan pada model. Selain itu, variabel dengan
pengaruh signifikan akan dimasukkan pada model regresi probit biner. Model pada regresi probit
biner terbaik didapati bentuk terdapat di Persamaan (2.8) dan melihat pada Tabel 4.3 pada kolom
Koefisien.
6695 00221001520028300294
(2.20)
󰇛0󰇜Փ󰇛󰇜
Փ󰇛6695 00221001520028300294󰇜
(2.21)
󰇛1󰇜1Փ󰇛󰇜
1Փ󰇛6695 00221001520028300294󰇜
(2.22)
Dalam penerapannya sebagai contoh, besaran peluang pada IHSG dengan dipengaruhi
variabel KURS, M2, inflasi, dan BI-7DRR dalam periode bulan Juli 2021 ke Agustus 2021,
perhitungannya sebagai berikut terdapat di Persamaan (2.8).
1. Periode Juli 2021
󰲅󰇟󰇛󰇜󰇠󰇛󰇜󰇛󰇜󰇛󰇜󰇛󰇜
2. Periode Agustus 2021
󰲅󰇟󰇛󰇜󰇠󰇛󰇜󰇛󰇜󰇛󰇜󰇛󰇜
3. Selisih nilai
y=0

y=1
󰇛󰇜
Artinya, didapatkan peluang pergerakan IHSG dari periode bulan Juli 2021 ke Agustus 2021 dalam
kategori IHSG naik sebesar 99,9551 persen, didapatkan pula hasil untuk kategori IHSG turun sebesar
0,0449 persen.
4.3 Uji Kesesuaian Model
Menggunakan uji Deviance terdapat di Persamaan (2.12) dengan Hipotesis 3. Menghasilkan
sebanyak 53,020 lebih kecil pada 󰇛
󰇜. Serta diperoleh P-value sebanyak 1,178 ialah
lebih besar dari α = 0,1. Oleh karena itu gagal tolak H0 serta dapat diambil keputusan bahwa model
tersebut sesuai atau tidak didapati perbedaan antara hasil pengamatan dengan hasil prediksi.
4.4 Pengukuran Kebaikan Model
4.4.1 Ketepatan Klasifikasi
Didapatkan dari perhitungan pada nilai APER, disajikan dalam Tabel 6 dibawah ini.
Tabel 6 : Tabulasi Silang Klasifikasi Hasil Observasi Aktual dan Prediksi Model
Kelompok Aktual
Kelompok Prediksi
Total
IHSG turun
IHSG naik
IHSG turun
12
9
21
IHSG naik
3
26
29
Total
15
35
50
Hasil dari tingkat kesalahan klasifikasi serta ketepatan klasifikasi dari model regresi probit
biner ialah terdapat di Persamaan (2.13) dan (2.14) berikut ini.

154

 

Dalam perhitungan diatas, memperoleh hasil untuk ketepatan klasifikasi sebesar 76 persen
serta tingkat kesalahan klasifikasi sebanyak 24 persen dalam kategori IHSG Indonesia. Dalam
pengukuran terhadap nilai proporsi dari hasil tersebut bisa digunakan specificity serta sensitivity.
Hasil perhitungan dari specificity serta sensitivity yaitu terdapat di Persamaan (2.15) dan (2.16)
berikut ini.  

 

Hasil dari perhitungan diatas, didapati metode regresi probit biner ini mempunyai
kemampuan untuk pengukuran proporsi hasil dari klasifikasi periode bulan tepat pada klasifikasi
dalam kategori 0, sebanyak 57 persen. Kemudian, regresi probit biner ini juga mempunyai
kemampuan untuk pengukuran proporsi hasil dari klasifikasi periode bulan tepat pada klasifikasi
dalam kategori 1, sebanyak 90 persen.
4.4.2 Pseudo R-Square
Ukuran dalam kebaikan model pada regresi probit biner berlandaskan dari nilai Pseudo R-
Square didapatkan hasil pada Tabel 7 berikut terdapat di Persamaan (2.17), (2.18), dan (2.19).
Tabel 7: Hasil Uji Pseudo R-Square
Pseudo R-Square
Nilai
Cox and Snell
0,255
Nagelkerke
0,343
McFadden
0,216
Berdasarkan Tabel 7 diatas, didapatkan nilai Pseudo R-Square terbesar pada Nagelkerke
dengan nilai sebanyak 0,343 ataupun 34,3 persen. Dapat memiliki arti bahwa 34,3 persen
keberagaman pada data bisa dipaparkan dari model.
4.5 Variabel-variabel yang paling berpengaruh terhadap IHSG
Setelah didapatkan model IHSG, kemudian dilakukan analisis untuk melihat variabel-
variabel mana paling berpengaruh pada IHSG Indonesia menggunakan regresi probit biner. Untuk
melihat seberapa besar pengaruh pada variabel prediktor yang signifikan pada probabilitas setiap
kategori dalam variabel respon, pada metode regresi probit dimanfaatkan marginal effect. Sebagai
contoh pada nilai efek marginal pada variabel prediktor BI-7DRR 󰇛󰇜 untuk periode bulan Agustus
2021. Berikut adalah perhitungan marginal effect terdapat di Persamaan (2.5) dan (2.6).
󰇛0󰇜
40029󰇛6695 00221001520028300294󰇜
0029󰇛6695 0022󰇛0345󰇜0015󰇛1󰇜0028󰇛0105󰇜0029󰇛0󰇜󰇜
0029󰇛6699󰇜
0029 󰇧1
2󰇩󰇛6699󰇜2
2󰇪󰇨

155
0029󰇛222󰇜
0645
󰇛1󰇜
40029󰇛6695 00221001520028300294󰇜
0029󰇛6695 0022󰇛0345󰇜0015󰇛1󰇜0028󰇛0105󰇜0029󰇛0󰇜󰇜
0029󰇛6699󰇜
0029 󰇧1
2󰇩󰇛6699󰇜2
2󰇪󰇨
0029󰇛222󰇜
0645
Berdasarkan persamaan efek marginal BI-7DRR di atas, dapat diketahui bahwasannya efek
marginal BI-7DRR 󰇛󰇜 memiliki pengaruh terhadap naik dan turun nilai dalam IHSG. Berdasarkan
nilai tersebut menunjukan bahwa nilai efek marginal BI-7DRR memiliki kontribusi dalam kenaikan
dan penurunan nilai IHSG sebesar 64,5 persen pada periode bulan Agustus 2021.
Berdasarkan keseluruhan hasil nilai efek marginal dalam penelitian ini didapati kontribusi
terbesar pada periode bulan Juni 2021, adapun urutan variabel prediktor yang paling berpengaruh
terhadap naik turunnya nilai IHSG yaitu BI-7DRR 󰇛󰇜 sebesar 65,1 persen, inflasi 󰇛󰇜 sebesar 62,9
persen, KURS 󰇛󰇜 sebesar 49,4 persen, dan jumlah uang beredar (M2) 󰇛󰇜 sebesar 33,7 persen.
Maka dari itu untuk variabel BI-7DRR 󰇛󰇜 memiliki kontribusi terbesar yaitu 65,1 persen dalam
naik dan turunnya nilai IHSG. Dimana ketika BI-7DRR berfluktuasi maka berdampak dan sangat
mempengaruhi pada kenaikan maupun penurunan nilai IHSG.
5. Simpulan
Didasarkan hasil dan pembahasan pada penelitian berkaitan dengan pemodelan IHSG
Indonesia dengan pendekatan metode regresi probit biner yang telah dilakukan diperoleh hasil
analisis pada regresi probit biner, variabel yang berpengaruh pada IHSG Indonesia meliputi KURS
󰇛󰇜, jumlah uang beredar (M2) 󰇛󰇜, inflasi 󰇛󰇜, dan BI-7DRR 󰇛󰇜 serta model terbaik pada
regresi probit biner terbentuk terdapat di Persamaan (2.20), (2,21), dan (2.22) untuk penelitian ini,
menggunakan toleransi tingkat kesalahan (α) 10% atau 0,1 dengan tingkat kepercayaan 90%.
Kebaikan model berdasarkan ketepatan klasifikasi yang telah dilakukan menghasilkan dari model
terbaik yang terbentuk didapatkan memprediksi sebanyak 76 persen serta tingkat kesalahan
klasifikasi sebanyak 24 persen, dapat diartikan yaitu model mempunyai prediksi yang baik. Nilai
Pseudo R-Square Nagelkerke diperoleh nilai sebesar 34,3 persen. Proporsi dari hasil klasifikasi
periode bulan tepat diklasifikasikan dalam kategori IHSG turun (specificity) sebesar 57 persen, dan
periode bulan yang tepat diklasifikasikan pada kategori IHSG naik (sensitivity) sebesar 90 persen.
Melihat pada hasil nilai efek marginal diketahui bahwa BI-7DRR 󰇛󰇜 memiliki kontribusi terbesar
yaitu 65,1 persen dalam naik dan turunnya nilai IHSG. Dimana ketika BI-7DRR berfluktuasi maka
berdampak dan sangat mempengaruhi pada kenaikan maupun penurunan nilai IHSG.
Akan halnya saran yang diusulkan untuk penelitian selanjutnya, pada perhitungan dalam
pemodelan masih diperlukan beberapa percobaan dengan melakukan penambahan variabel-variabel
diluar model, serta penambahan data yang digunakan, agar semakin baik atau optimal hasilnya. Hasil
pada ketepatan klasifikasi dalam kategori baik, pada penelitian selanjutnya diharapkan dapat mencari
model yang lebih baik sehingga hasil pada ketepatan klasifikasi yang dihasilkan juga lebih baik.
Acknowledgements
∗
. Terima kasih kepada seluruh pihak yang berpartisipasi dalam membantu dan menyusun
jurnal penelitian ini. Peneliti berharap jurnal ini dapat bermanfaat.
Referensi

156
[1] M. F. Ilmi, “Pengaruh Kurs/ Nilai Tukar Rupiah, Inflasi Dan Tingkat Suku Bunga SBI Terhadap
Indeks Harga Saham Gabungan LQ-45 Periode Tahun 2009-2013,” Nominal, Barom. Ris.
Akunt. dan Manaj., vol. 6, no. 1, pp. 93–108, 2017.
[2] Y. A. Epriliyanti and V. Ratnasari, “Pemodelan Faktor-faktor yang Mempengaruhi Keefektifan
Sistem Pembelajaran Daring (SPADA) Menggunakan Regresi Probit Biner (Studi Kasus:
Mahasiswa ITS Masa Pandemi),” Inferensi, vol. 3, no. 2, pp. 115–122, 2020.
[3] S. J. Putri and Helma, “Regresi Probit dan Penerapannya pada Penentuan Faktor-faktor yang
Mempengaruhi Kelulusan Mahasiswa pada Suatu Mata Kuliah (Suatu Studi Kasus pada
Perkuliahan Analisis Real di Jurusan Matematika FMIPA UNP Selama Pembelajaran Daring),”
UNPjoMath, vol. 4, no. 2, pp. 67–74, 2021.
[4] D. Fadilla, “Analisis regresi probit untuk menentukan faktor-faktor yang mempengaruhi
kesetiaan berbelanja online di kalangan mahasiswa skripsi,” Universitas Sriwijaya, 2021.
[5] S. Christyadi, A. M. A. Satriya, and R. Goejantoro, “Pemodelan Indeks Pembangunan Manusia
(IPM) Menggunakan Analisis Regresi Probit (Studi Kasus: Indeks Pembangunan Manusia
(IPM) di Pulau Kalimantan Tahun 2017),” J. EKSPONENSIAL, vol. 11, no. 2, pp. 181–188,
2020.
[6] Styaningsih, F, "Perbandingan Regresi Logistik Ordinal Model Logit Dan Model Probit Pada
Pengaruh Faktor Ibu Terhadap Berat Badan Lahir Rendah (Bblr) Di Indonesia Tahun 2017,"
PhD thesis, Universitas Airlangga Surabaya, 2020.
[7] I. P. Dewi, “Pengaruh Inflasi, Kurs, dan Harga Minyak Dunia Terhadap Indeks Harga Saham
Gabungan di Bursa Efek Indonesia,” J. Ilmu Manaj., vol. 17, no. 1, pp. 11–19, 2020.
[8] G. Fudllayati, “Analisis produk domestik bruto (PDB) dengan regresi nonparametrik kernel
menggunakan estimator priestley-chao,” Universitas Islam Negeri Sunan Ampel Surabaya,
2021.
[9] A. M. Mukhsin, R. F. Umbara, and A. A. Rohmawati, “Model Prediksi Indeks Harga Saham Di
Bursa Efek Indonesia (BEI) Menggunakan Rantai Markov Dan Proses Stokastik Fuzzy,” e-
Proceeding Eng., vol. 3, no. 2, pp. 3840–3848, 2016.
[10] H. Krisnandi and D. P. Julianda, “Analisis Pengaruh Inflasi, Kurs, Indeks Dow Jones dan
Jumlah Uang Beredar Terhadap Indeks Harga Saham Gabungan (IHSG),” Universitas Nasional,
2020.
[11] G. Sejati and E. Wijaya, “Analisis Pengaruh Makroekonomi dan Indeks Global Terhadap IHSG
(Januari 2016-Mei 2021),” Bus. Manag. Econ. Account. Natl. Semin., vol. 2, pp. 125–140, 2021.
[12] F. A. Nuraini, “Faktor-Faktor Yang Mempengaruhi Indeks Pembangunan Manusia (IPM) Di
Indonesia Menggunakan Metode Regresi Probit Biner,” Institut Teknologi Sepuluh Nopember
Surabaya, 2017.
[13] E. Wulandari and H. T. Sutanto, “Model Regresi Probit untuk Mengetahui Faktor-faktor yang
Mempengaruhi Jumlah Penderita Diare di Jawa Timur,” Matematika, pp. 1–6, 2010.
[14] H. Y. Rahman, “Analisis Tingkat Partisipasi Perempuan dalam Angkatan Kerja di Provinsi
Jawa Timur Menggunakan Regresi Probit Biner dengan Efek Interaksi,” Institut Teknologi
Sepuluh Nopember Surabaya, 2017.
[15] F. Isnaini, “Pemodelan Kasus Diabetes Mellitus Tipe 2 di Klinik Assalam Kabupaten
Banjarnegara Jawa Tengah dengan Metode Probit Biner,” Institut Teknologi Sepuluh
Nopember Surabaya, 2017.

157
[16] D. S. Royyana, “Pemodelan Age Specific Fertility Rate 15-19 Tahun di Provinsi Jawa Timur
dengan Menggunakan Regresi Probit Biner,” Institut Teknologi Sepuluh Nopember Surabaya,
2018.
[17] A. C. Suardi, “Analisis Faktor-faktor yang Mempengaruhi Tingkat Kemiskinan dengan Metode
Regresi Probit Ordinal,” Universitas Diponegoro Semarang, 2015.
[18] F. Masitoh and V. Ratnasari, “Pemodelan Status Ketahanan Pangan di Provinsi Jawa Timur
dengan Pendekatan Metode Regresi Probit Biner,” J. Sains dan Seni ITS, vol. 5, no. 2, pp. 211–
216, 2016.