126363 5763 Pengujian Komponen Metodologi

33

BAB III

METODOLOGI PENELITIAN

III.1 Event Study

Event study adalah suatu pengamatan terhadap pergerakan harga saham di

pasar modal untuk mengetahui apakah terdapat tingkat pengembalian abnormal

(abnormal return) yang diperoleh investor akibat dari suatu peristiwa (event)

tertentu. (Peterson, 1989). Sama halnya juga menurut Kritzman (1994) dan

Campbell, Lo dan Mac Kinlay. Menurut Kritzman, event study bertujuan untuk

mengukur hubungan antara suatu event yang mempengaruhi saham dan tingkat

pengembalian dari saham tersebut sedangkan menurut Lo dan Mac Kinlay event

study bertujuan untuk mengukur dampak sebuah kejadian ekonomi (economic

event), seperti merger dan akuisisi, pengumuman laba, penerbitan hutang atau

ekuitas atau pengumuman variabel makroekonomi lainnya, pada nilai sebuah

perusahaan. Dampak tersebut akan tercermin pada harga dari aset. Oleh karena itu,

untuk mengukur dampak dari sebuah economic event, kita harus mempelajari

bagaimana perilaku harga asset di sekitar event date.

Jadi berdasarkan definisi tersebut, metodologi event study dapat digunakan

untuk melihat reaksi pasar modal, yang tercermin dalam harga saham perusahaan,

terhadap suatu peristiwa tertentu.

Riset dengan event study telah banyak dilakukan belakangan ini. Penelitian

pertama dengan menggunakan metode event study diduga adalah penelitian yang

dilakukan oleh Dooley (1930) tentang pengaruh pemecahan saham terhadap

Pengujian komponen ..., Martha Anastasia Sibarani, FE UI, 2007

34

kekayaan para pemegang saham. Berbagai penelitian berikutnya yang dilakukan

oleh Myers dan Bakay (1948), Barker (1956), Ashley (1962), dan Fama et al (1969)

semakin menyempurnakan metodologi event study yang ada (Mac Kinley 1997).

Dalam event study, prediksi teoritis terhadap konsekuensi harus ditentukan,

kemudian pengujian akan dilakukan untuk memastikan apakah data konsisten

dengan prediksi teoritis sebelumnya.

Langkah-langkah untuk melakukan analisis ini adalah sebagai berikut :

1. Definisi kejadian (event definition)

Pertama adalah menentukan kejadian apa yang akan diteliti dan pada periode

waktu bagaimana harga saham akan dianalisis (event window).

Dalam penelitian ini, event yang dilihat adalah pemecahan saham (stock split)

yang terjadi pada tahun 1999 – 2006. Harga saham yang diamati adalah dari t-5

sampai dengan t+10.

2. Kriteria seleksi.

Kedua, menjelaskan kriteria yang digunakan dalam memilih perusahaan mana

yang diikutsertakan dalam analisis, misalnya perusahaan dari lingkup industri

yang sama atau perusahaan yang terdaftar pada pasar saham tertentu.

Dalam penelitian ini, saham-saham yang diamati adalah saham yang terdaftar di

Bursa Efek Jakarta.

3. Mengukur tingkat pengembalian normal dan abnormal.

Tingkat pengembalian normal adalah tingkat pengembalian yang diharapkan

apabila tidak terjadi event. Tingkat pengembalian transaksi yang terjadi

dinyatakan dalam variabel TRET. Variabel inilah yang akan dibandingkan saat

split ex-date dengan non split ex-date.


35

4. Melakukan pengujian terhadap tingkat pengembalian abnormal

Terakhir adalah menguji apakah tingkat pengembalian ternyata adalah

abnormal dan signifikan secara statistik. Dalam hal ini, variabel tingkat

pengembalian transaksi akan diuji apakah signifikan secara statistik.

III.2 Analisis Regresi

Dalam pengolahan data dan penarikan kesimpulan penelitian, penulis

menggunakan analisis regresi. Oleh sebab itu, pada bagian ini akan dibahas konsep

regresi. Istilah regresi pertama kali diperkenalkan oleh Francis Galton. Dalam salah

satu karyanya yang terkenal beliau menemukan bahwa walaupun anak dari orang

tua yang memiliki fisik yang tinggi cenderung tinggi dan sebaliknya, tetapi rata-rata

tinggi badan dari anak yang lahir dari orang tua dengan tinggi badan tertentu akan

bergerak (move atau regress) menuju tinggi badan rata-rata populasi secara

keseluruhan. Hukum ini (Galton’s universal law of regression) dikonfirmasi oleh

rekannya, Karl Pearson, yang mengumpulkan lebih dari seribu catatan tentang

tinggi badan dari anggota-anggota dari kelompok-kelompok keluarga yang ada.

Jadi, rata-rata tinggi badan anak yang lahir dari orang tua yang tinggi akan lebih

rendah dan demikian pula sebaliknya, rata-rata tinggi badan dari anak yang lahir

dari orang tua yang pendek, akan lebih tinggi, atau Galton menyebutnya dengan

“regression to mediocrity”.

Namun demikian, interpretasi modern terhadap regresi telah berbeda. Secara

luas, analisis regresi berfokus pada studi akan ketergantungan dari sebuah variabel,

yang disebut dependence variable, pada satu atau lebih variabel, yang disebut

dengan explanatory variable, untuk memprediksi rata-rata nilai populasi dari

variabel yang ada (former) yang dinyatakan dalam nilai variabel yang diketahui


36

(latter) dari sampel yang berulang, misalnya seorang direktur pemasaran ingin

mengetahui apakah permintaan terhadap produk perusahaannya terkait dengan

biaya iklan. Studi terhadap hal ini akan sangat membantu dalam menetapkan biaya

iklan yang optimum.

Walaupun analisis regresi berhubungan dengan ketergantungan dari satu

variabel dengan variabel lain, hal ini tidak menunjukkan hubungan kausalitas

(sebab akibat). Hubungan statistik yang kuat saja tidak dapat menciptakan

hubungan kausalitas di antara variabel-variabel terkait. Misalnya hasil panen

(dependence variable) memiliki hubungan statistik yang kuat dengan curah hujan

(independence / explanatory variable), karena tidak ada alasan statistik yang

mengasumsikan curah hujan tidak berpengaruh terhadap hasil panen, tetapi kita

tidak dapat mengatakan bahwa hasil panen bisa ada disebabkan oleh curah hujan.

Analisi korelasi sangat dekat dengan analisis regresi, tetapi kedua analisis

tersebut berbeda secara konsep. Analisis korelasi bertujuan untuk mengukur

kekuatan dari hubungan linear yang ada (dari hasil analisis regresi). Pada analisis

regresi, perlakuan terhadap variabel terikat dan bebas berbeda. Variabel terikat

diasumsikan acak (random / stochastic) sedangkan variabel bebas diasumsikan

tetap untuk pengambilan sampel yang berulang. Namun, pada analisis korelasi,

perlakuan terhadap kedua variabel sama, baik terikat, maupun bebas. Kedua

variabel diasumsikan acak.

Jadi, korelasi yang ada, misalnya, antara nilai matematika dan statistik sama

dengan korelasi antara nilai statistik dan matematik. Analisis regresi sangat

bergantung pada data yang tersedia.


37

Tiga tipe data yang mungkin tersedia untuk analisis empiris adalah :

a. Time series

Data time series adalah pengamatan pada nilai yang dimiliki oleh sebuah

variabel pada waktu yang berbeda, misalnya harga saham harian dari PT

Telkom (TLKM)

b. Cross section

Data cross section data dari satu atau lebih variabel yang dikumpulkan pada

waktu yang sama, misalnya sensus penduduk di seluruh daerah di Indonesia

pada waktu tertentu.

c. Panel (pooled)

Data pooled adalah kombinasi data dari data time series dan data cross section.

Misalnya harga saham harian dari PT Telkom dan PT Indosat sepanjang bulah

Juni 2007.

Metode regresi ordinary least square (OLS) yang akan digunakan dalam

pengolahan data pada penelitian ini identik dengan Carl Friedrich Gauss,

penemunya, yang merupakan seorang ahli matematika dari Jerman. Metode ini

adalah salah satu metode yang umum digunakan, selain maximum likelihood (ML),

dalam mengestimasi population regression function (PRF) atas dasar informasi

yang ada pada sample, melalui sample regression sample (SRF). Dalam

menggunakan metode maximum likelihood, PRF merupakan fungsi yang

menunjukkan hubungan yang timbul antara variable terikat dan bebas pada kondisi

tertentu dalam suatu populasi.

Estimasi PRF tersebut dilakukan berdasarkan SRF karena keterbatasan yang

ada dalam mengamati populasi, sehingga pengamatan terhadap sampel dapat


38

dikatakan mewakili populasi. Estimasi terhadap PRF ini juga yang menjadi tujuan

utama dalam melakukan analisis regresi, yang telah dijelaskan sebelumnya.

PRF untuk dua variabel dapat ditulis sebagai berikut :

ii uxY ++= 21 ββ

sedangkan SRF untuk dua variabel dapat ditulis :

ii uxY ˆˆˆ21 ++= ββ

di mana :

Yi : E(YIXi)

β1 dan β2 : parameter (bernilai tetap), disebut juga koefisien regresi

β1 dan β2 : penduga untuk β1 dan β2

Xi : variabel bebas

ui : stochastic error term / stochastic disturbance

Model estimasi yang dipakai dalam penelitian ini untuk menjelaskan hubungan

yang terjadi antara variabel-variabel terkait adalah :

Yi = a + bXi + ui

Dengan menggunakan beberapa asumsi tertentu, metode OLS ini memiliki

atribut statistik yang sangat menarik sehingga membuatnya menjadi salah satu

metode analisis regresi yang paling kuat dan paling populer. Apabila tujuan kita

hanyalah mengestimasi nilai β1 dan β2, metode OLS di atas cukup. Namun, tujuan

dari analisis regresi tidak hanya mencari nilai dari kedua parameter tersebut, tetapi

juga menarik kesimpulan dari keduanya, misalnya mencari hubungan seberapa

dekat nilai Y yang diperoleh dari perhitungan dengan nilai E (XIYi) yang

sebenarnya.

Oleh karena itu, beberapa asumsi harus dibuat terhadap proses bagaimana Yi

dihasilkan, dan karena Yi tergantung pada Xi dan ui, maka apabila kita tidak


39

mengasumsikan keadaan tertentu terhadap proses bagaimana Xi dan ui dihasilkan,

kita tidak dapat menarik kesimpulan statistik apapun tentang Yi dan juga β1 dan β2.

Jadi, asumsi-asumsi yang dibuat terhadap variabel Xi dan ui sangat penting untuk

interpretasi dari estimasi regresi.

Sepuluh asumsi terhadap analisis regresi metode OLS yang terdapat pada

classical linear regression model (CLRM) sebagai pondasi dari banyak teori

ekonometri adalah sebagai berikut :

1. Model regresi yang linear

2. Nilai X yang tetap dalam pengampilan sampel yang berulang, atau secara

lebih teknis X diasumsikan non stochastic.

3. Rata-rata nilai eror (ui) sama dengan 0

4. Varians dari disturbance error (ui) harus konstan walaupun nilai X berbeda-

beda pada setiap pengamatan (homoskedastisitas).

5. Tidak ada autokorelasi antar disturbance error antar waktu.

6. Tidak ada hubungan antara Xi dan ui (covarians Xi dan ui sama dengan 0)

7. Jumlah observasi harus lebih besar dari pada jumlah parameter yang

diestimasi.

8. Nilai X pada sampel secara keseluruhan harus bervariasi.

9. Model regresi harus secara benar ditetapkan (tidak terdapat bias pada model

yang dipakai dalam analisa empiris).

10. Tidak ada saling ketergantungan (multikolinearitas) antar variabel

independen yang terdapat pada model regresi.

Di antara sepuluh syarat tersebut di atas, hanya ada tiga syarat yang dapat

diuji secara ekonometri, yaitu apakah varians dari erornya homoskedastisitas,

apakah terdapat autokorelasi dan apakah terdapat multikolinearitas (untuk model


40

yang memiliki lebih dari satu variable independen). Asumsi-asumsi ini harus

dipenuhi sehingga estimasi yang kita lakukan dari sampel yang ada dapat

menghasilkan penduga yang linear (memiliki fungsi variabel acak yang linear),

tidak bias (sama dengan atau mendekati nilai yang sebenarnya) dan efisien

(memiliki varians yang minimum) atau biasa dikenal dengan BLUE, best linear

unbiased estimator. Asumsi normalitas juga merupakan hal yang penting untuk

memperoleh estimator yang memiliki criteria BLUE. Namun pada penelitian ini,

asumsi ini tidak perlu diuji karena jumlah sampel yang diteliti sudah lebih besar

dari 30 sampel, sehingga dapat dinyatakan telah memenuhi asumsi normalitas.

III.3 Sistematika Penelitian

Seperti yang telah dibahas pada bagian sebelumnya, metodologi yang dipakai

pada penelitian ini adalah metodologi event study, yang merupakan salah satu

metode yang paling sering dipakai sebagai alat analitikal dalam riset keuangan pada

tahun-tahun belakangan ini. Tujuan dari event study adalah untuk mengidentifikasi

apakah ada tingkat pengembalian abnormal yang diperoleh oleh para pemegang

saham terkait dengan adanya suatu peristiwa (event) yang dilakukan sebuah

perusahaan.

Sistematika penelitian yang dilakukan adalah :

1. Mengumpulkan data yang diperlukan.

Pengumpulan data dilakukan dengan mencari data yang dibutuhkan di Pusat

Referensi Pasar Modal (PRPM), BEJ. Populasi dari penelitian ini adalah

semua perusahaan yang terdaftar di BEJ, dari tahun 1999-2005.


41

Data-data (variabel-variabel) yang dibutuhkan adalah :

a. Perusahaan yang melakukan stock split dalam periode tersebut dan split

factor-nya.

b. Closing transaction price, mulai dari (t – 6) sampai (t + 10)

c. Bid price, yaitu harga maksimum yang bersedia dibayar oleh pembeli

untuk memperoleh saham, mulai dari (t – 6) sampai (t + 10)

d. Ask/offer price, yaitu harga minimum yang bersedia diterima oleh penjual

untuk menjual sahamnya mulai dari (t – 6) sampai (t + 10)

e. Jumlah transaksi, mulai dari (t – 6) sampai (t + 10)

f. Split-adjusted volume, mulai dari (t – 6) sampai (t + 10)

2. Membuat asumsi-asumsi penelitian untuk mempermudah jalannya penelitian.

3. Mengolah data berdasarkan tahapan-tahapan pengolahan data yang sesuai

dengan jurnal referensi.

4. Melakukan analisis hasil pengolahan data dan menarik kesimpulan.

III.4 Sampel

Sesuai dengan konsep statistika inferens, apabila kita ingin mengetahui

karakteristik dari suatu populasi yang sangat besar dan informasinya susah untuk

diperoleh, kita dapat mengambil dan meneliti sampel dari populasi tersebut, karena

karakteristik dari sampel dapat dipakai untuk menyimpulkan karakteristik dari

populasi yang ingin kita ketahui. Pengujian apakah order flow effect berpengaruh

signifikan terhadap tingkat pengembalian abnormal yang dimiliki oleh suatu saham

setelah stock split memerlukan pengamatan terhadap seluruh saham yang

melakukan stock split sejak BEJ diprivatisasi, yaitu sejak tahun 1995. Jumlah


42

perusahaan yang melakukan stock split sejak tahun 1995 sampai sekarang (tahun

2007) lebih kurang 150 saham.

Dalam penelitian ini, sebagai sampel, jumlah saham perusahaan yang

diharapkan dapat diperoleh untuk diteliti oleh penulis lebih kurang 100 saham,

sehingga periode penelitian ditetapkan mulai dari tahun 1999-2006 dan periode

pengamatannya adalah 17 hari, yaitu dari (t–6) sampai dengan (t+10), di mana (t)

adalah tanggal, pada saat harga mengalami penyesuaian sehingga mencerminkan

stock split yang terjadi (ex-date).

Penentuan tanggal (historical date) yang digunakan sebagai acuan untuk

memperoleh harga saham atau pun nilai indeks adalah berdasarkan tanggal yang

ada pada data yang diperoleh dari Pusat Referensi Pasar Modal, BEJ, dan sejauh ini

keduanya konsisten.

Misalnya perusahaan A melakukan stock split pada tanggal 5 Januari,

sementara dari data yang ada, hari sebelum 5 January adalah 3 January, maka untuk

kasus ini, ( t – 1 ) - nya adalah harga saham pada tanggal 3 January.

Berdasarkan data yang diperoleh dalam periode tersebut, jumlah perusahaan

yang mengalami stock split ada 108 perusahaan, dengan perincian sebagai berikut :

- Tahun 1999 21 saham, yaitu :

BCIC, BGIN, NISP, BBLD, BHIT, BUDI, DNKS, DSUC, EKAD, EPMT,

FASW, SHID, IGAR, KLBF, KKGI, LTLS, MTDL, PNBN, SUBA, SSTM,

SUDI


TMPI, APLI, ASGR, ASIA, AHAP, BASS, RMBA, BHIT, ESTI, FAST,

INDF, INTA, MREI, MEDC, MIRA, SIMA, SONA, TIRT, TRST, TRIM,

UNVR, UNTR


43


BBCA, RMBA, CPIN, DSFI, HMSP, SDPC, RALS, SRSN, STTP, SUBA,

SMPL, SIMM, TBLA, TURI, ULTJ


ACAP, ASDM, BBIA, PNBN, BLTA, FMII, HEXA, JAKA, MRAT, PANS,

SMRA, VOKS


AHAP, CFIN, EPMT, NISP, PBRX, PNIN, PNLF, POOL, SMSM, UNVR


APIC, UNSP, BBCA, BLTA, DNKS, DAVO, EKAD, ISAT, INCO, JIHD,

KLBF, RALS, RIGS, SHDA, TLKM


CTRS, HEXA, HITS, PRAS, SMAR, TGKA


EKAD, JPRT, LPKR, TMAS, PJAA, PLIN, TSPC

Data sampel tersebut diperoleh dari JSX Statistic 1999-2006, pada bagian

“additional listed share”. Namun demikian, tidak semua dari data tersebut dapat

digunakan karena beberapa keterbatasan.

Berikut akan dipaparkan kondisi-kondisi yang ditemui, yang menyebabkan

beberapa data saham harus dikeluarkan dari penelitian.

1. Stock split yang dilakukan beberapa perusahaan yang tercatat pada JSX

Statistic tidak tercermin dari data harga saham yang diamati sepanjang

periode penelitian, yang mencakup split ex-date, di mana seharusnya pada


44

hari itu terjadi perubahan harga penutupan yang signifikan, tetapi untuk

beberapa saham, hal itu tidak terlihat.

Terkait dengan hal ini, maka saham AHAP (2000) harus dikeluarkan dari

perhitungan agar tidak mengganggu hasil penelitian nanti.

2. Saham akan dikeluarkan dari perhitungan apabila data harian saham tersebut,

walaupun tercatat ,melakukan stock split, selama periode penelitian tidak

tersedia. Oleh karena itu, maka saham ASIA (1999) harus dikeluarkan dari

perhitungan agar tidak mengganggu hasil penelitian nanti.

3. Untuk beberapa saham, penulis tidak dapat menemukan split factor-nya, baik

dari internet ataupun dari berkas-berkas laporan keuangan yang ada di Pusat

Referensi Pasar Modal, BEJ. Oleh karena itu, saham BUDI, SUBA (1999)

dan SIMA, TIRT (2000) juga harus dikeluarkan dari perhitungan.

Jadi berdasarkan kondisi-kondisi yang ditemui seperti dipaparkan di atas,

maka enam saham harus dikeluarkan dari perhitungan, sehingga yang tersisa adalah

102 saham. Data dari saham-saham tersebut beserta harganya selama periode

pengamatan dapat dilihat pada lampiran 1.

III.5 Asumsi-asumsi Penelitian

Dalam pengolahan data, ada beberapa asumsi yang dipakai untuk mempermudah

perhitungan, antara lain :

1. Apabila harga penutupan transaksi pada data yang diperoleh adalah 0, maka

diasumsikan harga pada hari itu sama dengan harga pada hari sebelumnya

(menggunakan previous price). Ditemukan juga harga penutupan yang sama

dengan 0 pada ex-date, untuk kasus ini, harga sebelumnya (previous price)


45

telah mengalami penyesuaian terhadap stock split (mengalami pemecahan

sebesar split factor).

2. Apabila sebuah saham memiliki bid price atau ask price yang sama dengan

0, perlakuan yang diberikan juga sama seperti harga penutupan, diasumsikan

sama dengan harga pada hari sebelumnya. Namun apabila nilai 0 tersebut ada

pada ex-date, mengingat untuk data bid price dan ask price tidak diberikan

data previous price, maka nilai 0 tersebut akan tetap 0, tidak mengalami

penyesuaian apapun untuk mempermudah perhitungan, karena kalau

disamakan dengan harga sebelumnya, maka angka yang diperoleh adalah nilai

bid yang belum mengalami penyesuaian terhadap stock split dan hal ini akan

mengganggu hasil perhitungan nantinya.

3. Oleh karena data harga mentah yang diperoleh adalah harga penutupan

(closing price), bukan adjusted closing price, maka harga tersebut selanjutnya

akan disesuaikan sendiri karena data tersebut tidak tersedia di BEJ, sementara

hasil pencarian di internet hanya memuat adjusted closing price beberapa

tahun terakhir saja. Asumsi penyesuaian dilakukan hanya terhadap stock split

dan dividend payment apabila split ex-date dan ex-dividend date (tanggal

yang dilihat untuk penyesuaian terhadap pembagian dividen) perusahaan

berada di dalam periode penelitian.

Penyesuaian terhadap stock split dilakukan berdasarkan split factor yang

diperoleh dari annual report perusahaan, baik hardcopy, yaitu berkas laporan

keuangan perusahaan, maupun softcopy melalui pencarian internet di situs

perusahaan, sementara penyesuaian terhadap pembagian dividen dilakukan

berdasarkan data besar dividen yang dibagikan, yang diperoleh dari JSX

Statistic.


46

Jadi kalau sebuah perusahaan membagi dividen dan ex-dividend date – nya

berada di dalam 17 hari periode penelitian, maka terhadap harga saham yang

sebelumnya dilakukan penyesuaian.

Ada dua alasan yang digunakan penulis dalam mengasumsikan hal tersebut :

a. Kita tidak melihat pembagian dividen yang dilakukan perusahaan setelah

periode pengamatan karena karya akhir ini berupa event study, sehingga

kita hanya berfokus pada waktu atau periode pengamatan tertentu yang

ditetapkan untuk mempelajari efek (dampak) sebuah kejadian (event),

sehingga event lain yang terjadi di luar periode yang ditetapkan, baik

sebelum maupun setelahnya, diasumsikan tidak ikut dipertimbangkan.

b. Alasan lain kenapa event dividend payment yang terjadi sebelum periode

stock split tidak dipertimbangkan adalah karena penyesuaian harga untuk

dividend payment dilakukan untuk harga saham sebelum ex-dividend date,

sedangkan kalau event yang terjadi adalah stock split, harga sudah

langsung mengalami penyesuaian setelah split ex-date.

III.6 Model Penelitian

Hipotesis yang telah dikemukakan sebelumnya pada bagian pendahuluan

akan diuji dengan menggunakan model regresi sebagai berikut :

1. Model pertama digunakan untuk menjawab pertanyaan “Apakah order flow

bias memiliki hubungan dan pengaruh terhadap tingkat pengembalian

abnormal pada saat ex date?”


47

Terkait dengan pertanyaan ini, maka dilakukan regresi linear dengan variabel

dependen adalah close-to-close return dan varabel independen masing-masing

adalah :

a. TRET

b. BRET

c. PROSPD

d. order flow bias (LitSit – Li,t-1Si,t-1)

e. TRET dan PROSPD

f. BRET dan PROSPD

Keenam variabel independen tersebut masing-masing akan diregresikan

dengan close-to-close return dengan menggunakan model regresi sebagai

berikut :

a. rit – ri,t-1 = β0 + β1 TRET + εt

b. rit – ri,t-1 = β0 + β1 BRET + εt

c. rit – ri,t-1 = β0 + β1 PROSPD + εt

d. rit – ri,t-1 = β0 + β1 (LitSit – Li,t-1Si,t-1) + εt

e. rit – ri,t-1 = β0 + β1 TRET + β2 PROSPD + εt

f. rit – ri,t-1 = β0 + β1 BRET + β2 PROSPD + εt

di mana :

t terdiri dari t - 5, t - 4, ... , t + 10 dan t adalah split ex-date

rit – ri,t-1 : tingkat pengembalian abnormal dari closing price saham i hari t

rit : tingkat pengembalian dari closing price saham i hari t

ri,t-1 : tingkat pengembalian dari closing price saham i hari t-1

εt : eror


48

LitSit – Li,t-1Si,t-1 adalah order flow bias dengan :

Lit : location parameter yang menjelaskan kecenderungan letak harga

penutupan pada rentang bid-ask spread

Sit : bid-ask spread

Untuk TRET, BRET dan PROSPD akan dibahas pada penjelasan variabel

dalam langkah-langkah pengolahan data.

2. Model kedua digunakan untuk menjawab pertanyaan “Apakah peningkatan

atau penurunan jumlah dan volume transaksi pada saat ex date memiliki

hubungan dan pengaruh terhadap variabel order flow bias tersebut?”

Terkait dengan pertanyaan ini, maka dilakukan regresi antara variabel

TRANS sebagai variabel independen dan order flow bias sebagai variabel

dependen dengan menggunakan model :

LitSit – Li,t-1Si,t-1 = β0 + β1 TRANSit

LitSit = β0 + β1 TRANSit

Li,t-1Si,t-1 = β0 + β1 TRANSit

di mana :

t terdiri dari t - 1 dan t = 0

TRANSit : variabel yang mengukur perbedaan tingkat pertumbuhan jumlah

transaksi relatif terhadap volume transaksi sekuritas yang telah disesuaikan

dengan split factor

Persamaan yang diperlukan untuk memperoleh nilai TRANS akan

dijelaskan lebih lanjut pada langkah ketiga pengolahan data, bagian

penjelasan variabel. Regresi dilakukan terhadap variabel order flow bias

secara keseluruhan dan terhadap masing-masing komponennya untuk


49

mendukung hasil regresi yang telah dilakukan terhadap variabel ini secara

keseluruhan.

Di samping kedua model utama tersebut, ada sebuah model regresi lagi

yang digunakan untuk menguji perbedaan antara nilai location parameter (Lit)

saat split ex-date dan setelah split ex-date dengan nilai rerata nilai location

parameter sebelum split ex-date (lima hari sebelum stock split).

Lit = β0 + β1 average (Li,t-5 - Li,t-1)

di mana :

t terdiri dari t = 0, t + 1, t + 2, ... , t + 10 dan t adalah split ex date

average (Li,t-5 - Li,t-1) : rerata nilai Lit antara t-5 dan t-1

III.7 Pengolahan Data

Pada pengolahan data, kita akan mencari tahu dan menguji bagaimana

kenaikan ask price dan kenaikan specialists’ spread dapat menyebabkan tingkat

pengembalian abnormal pada saat terjadi stock split (ex-date) dan setelah split ex-

date (t + 10). Jenis data yang dipakai adalah data panel (pooled), yang merupakan

kombinasi antara data cross section dan time series.

Berikut dijelaskan langkah-langkah yang dilakukan dalam pengolahan data.

Langkah pertama adalah menghitung Lit, yaitu sebuah location parameter

yang berfungsi untuk mengetahui apakah harga saham pada saat penutupan

cenderung berada pada bid price atau ask price. Lit juga merupakan komponen

yang akan membentuk order flow bias.

Lit dapat dihitung dengan rumus :

Lit = (PiTt – PiBt) / (PiAt – PiBt) (1)


50

di mana :


PiTt : closing price dari saham i pada waktu t

PiBt : bid price dari saham i pada waktu t

PiAt : ask price dari saham i pada waktu t

Nilai Lit yang akan diregresikan dapat dilihat pada lampiran 2, tabel III-1

Dari hasil perhitungan Lit, kita dapat menyimpulkan apakah harga penutupan

transaksi berada pada ask price atau bid price dengan memperhatikan kriteria

sebagai berikut :

Apabila 0 < Lit < 0.5 , maka harga penutupan akan cenderung berada pada bid

price

Apabila 0.5 < Lit < 1, maka harga penutupan akan cenderung berada pada ask

price

Terkait dengan perhitungan Lit, beberapa saham seperti kondisi yang menyebabkan

data saham tertentu harus dikeluarkan dari perhitungan, yaitu FAST’00, TBLA’01,

PBRX’03, dan POOL’03. Saham-saham ini dikeluarkan dari perhitungan karena

ada hari (bahkan seluruh hari) dalam periode pengamatan, di mana baik bid price

maupun ask price – nya sama dengan 0, sehingga hasil perhitungan Lit menjadi

tidak terdefinisi.

Langkah kedua adalah mencari hubungan yang timbul antara nilai Lit pada

hari sebelum stock split dan nilai Lit pada hari setelah stock split dengan melakukan

regresi dengan Eviews 4.0, di mana variabel bebasnya (independent variable)

adalah nilai Lit sebelum stock split dan variabel dependennya adalah nilai Lit setelah

stock split. Nilai Lit sebelum stock split diambil dari rata-rata nilai Lit dari (t-5)


51

sampai dengan (t-1), sedang nilai Lit setelah stock split adalah Lit (0) sampai dengan

Lit (10).

Langkah ketiga adalah menyatakan tingkat pengembalian hasil pada ex-date

(ex-date return) dalam bid price dan transaction price serta menguji apakah tingkat

pengembalian abnormal yang terjadi pada harga penutupan saat ex date benar

dipengaruhi oleh tingkat pengembalian harga permintaan (bid-to-bid return), order

flow effect, tingkat pengembalian harga transaksi (transaction return), dan spread.

Keempat variabel tersebut dinyatakan masing-masing dalam :

1. BRET

BRET adalah sebuah variabel yang menjelaskan tingkat pengembalian pada bid

price (bid-to-bid return), yang diperoleh dengan mengurangkan bid-to-bid

return dengan market index return, sehingga :

bid-to-bid return (riBt) = PiBt - Pi,Bt-1

BRET = bid-to-bid return (riBt) – market index

BRET = [(bid t – bid t-1) / bid t-1] – [(ihsg t – ihsg t-1) / ihsg t-1] (2)

di mana :

t terdiri dari t - 5, t - 4, ...., t + 10 dan t adalah split ex-date


Pi,Bt-1 : bid price dari saham i pada waktu t-1

ihsg t : nilai Indeks Harga Saham Gabungan pada waktu t

ihsg t-1 : nilai Indeks Harga Saham Gabungan pada waktu t-1

Data BRET yang akan digunakan dalam regresi dapat dilihat pada lampiran 2,

tabel III-2 dan data IHSG terkait dapat dilihat pada tabel III-3 (nilai IHSG) dan

III-4 (return IHSG).


52

2. Order flow bias

Order flow bias, seperti yang telah disebut sebelumnya, merupakan variabel

yang menjelaskan bias yang terjadi pada aliran order transaksi saat perusahaan

melakukan stock split.

order flow bias = Lit Sit – Li,t-1 Si,t-1 (3)

di mana :





Data order flow bias yang digunakan dalam regresi dapat dilihat pada lampiran

2, tabel III-5.

3. TRET

TRET adalah sebuah variabel yang menjelaskan tingkat pengembalian

transaksi, yang diperoleh dengan mengurangkan transaction return dengan

market index return, sehingga :

TRET = transaction return (riTt) – market index

transaction return = bid-to-bid return + order flow

= riBt + Lit Sit – Li,t-1 Si,t-1

sehingga diperoleh :

TRET = [riBt + Lit Sit – Li,t-1 Si,t-1] - [(ihsg t – ihsg t-1) / ihsg t-1] (4)

di mana :


riBt : bid-to-bid return

ihsg t : nilai Indeks Harga Saham Gabungan pada waktu t


53

ihsg t-1 : nilai Indeks Harga Saham Gabungan pada waktu t-1




Data TRET yang akan digunakan dalam regresi dapat dilihat pada lampiran 2,

tabel III-6.

4. PROSPD (sit)

PROSPD merupakan variabel yang menjelaskan rentang bid-ask spread yang

terjadi pada harga penutupan transaksi.

Sit = (PiAt – PiBt) / PiBt (5)



PiAt : ask price dari saham i pada waktu t

Data bid-ask spread (PROSPD) yang akan diregresikan dapat dilihat pada

lampiran 2, tabel III-7.

Untuk mencari hubungan tersebut dilakukan regresi antara BRET, order flow

effect, TRET dan PROSPD masing-masing terhadap tingkat pengembalian harga

penutupan (close to close return), apakah memberikan pengaruh yang besar dan

signifikan pada ex-date.

close-to-close return = (PiTt – PiTt-1) / PiTt-I (6)

Data close-to-close return yang akan digunakan dalam regresi dapat dilihat pada

lampiran 2, tabel III-8.

Terkait dengan persamaan (5) di atas, di mana penyebutnya adalah bid

price, maka untuk saham-saham yang memiliki bid price sama dengan 0, harus


54

dikeluarkan dari perhitungan agar tidak diperoleh hasil yang tidak terhingga. Oleh

karena itu, maka saham PLIN’06 harus dikeluarkan dari perhitungan.

Langkah keempat ialah menguji apakah variable order flow effect yang

menjadi kunci penelitian ini benar dibentuk dan dipengaruhi oleh besar volume dan

frekuensi transaksi yang terjadi, khususnya pada saat ex-date, dengan melakukan

regresi antara kedua variabel tersebut, yaitu order flow effect dan TRANS.

Order flow effect merupakan variabel yang menjelaskan posisi dari harga

transaksi di dalam spread dan juga menjelaskan spread yang terjadi, di mana kedua

variabel itulah yang secara khusus akan dicari hubungan dan pengaruhnya terhadap

tingkat pengembalian abnormal (abnormal return) pasca stock split.

Order flow effect diperoleh dari persamaan (3). Dari definisi dan persamaan

tersebut dapat dilihat bahwa order flow effect mencakup perubahan pada tendensi

relatif penutupan harga pada bid/ask (Lit) dan perubahan pada besar spread (Sit).

Apabila harga memiliki tendensi untuk ditutup pada ask price, maka Lit akan

meningkat dan transaction return pun akan meningkat. Demikian pula halnya

apabila proportional spread meningkat maka transaction return juga akan

meningkat.

TRANS adalah variabel yang mengukur perbedaan tingkat pertumbuhan

jumlah transaksi relatif terhadap volume transaksi sekuritas yang telah disesuaikan

dengan split factor. TRANS merupakan kebalikan dari perubahan yang terjadi pada

order size saat ex date. Jadi apabila order size menurun setelah stock split, maka

TRANS meningkat dan sebaliknya. TRANS dapat dihitung dengan persamaan :

TRANSit = log [Tit/Ti,t-1] – log [Vit/(1+SFAC)(Vi,t-1)] (4)

di mana :

Tit : jumlah (frekuensi) transaksi saham i pada ex-date (t)


55

Ti,t-1 : jumlah (frekuensi) transaksi saham i satu hari sebelum ex-date (t-1)

Vit : volume dalam lembaran saham pada ex-date

Vi,t-1 : volume dalam lembaran saham pada hari sebelum ex-date

SFAC : split factor

Cukup banyaknya saham yang berdasarkan data dari BEJ memiliki volume

dan frekuensi yang sama dengan 0 pada hari ex-date dan sebelum ex-date membuat

banyak saham yang harus dikeluarkan dari perhitungan pada tahap ini, yaitu

sebesar 23 saham, karena apabila diikutsertakan akan memberikan hasil TRANS

yang tidak terdefinisi (secara matematis log 0 tidak terdefinisi) dan tidak bisa

diregresikan. Saham-saham yang harus dikeluarkan terkait dengan hal ini yaitu :

Tahun 1999 : NISP, DNKS, DSUC, EKAD, EPMT, FASW, SHID, IGAR,

KLBF, KKGI, MTDL, PNBN, SUDI (13)

Tahun 2000 : INTA (1)

Tahun 2001 : CPIN, SDPC (2)

Tahun 2002 : JAKA, PANS (2)

Tahun 2004 : EKAD, RIGS (2)

Tahun 2005 : HITS, PRAS, TGKA (3)

Jadi, saham yang cukup layak untuk diolah karena memiliki data-data yang

lengkap tinggal 74 saham. Walaupun untuk tahap awal, perhitungan masih bisa

dilakukan dengan 98 saham, tetapi untuk alasan konsistensi, maka mulai dari

proses awal pengolahan data sampai akhir, jumlah saham yang diikutsertakan

adalah 74 saham. Nilai TRANS yang akan digunakan dalam perhitungan dapat

dilihat pada lampiran 2 tabel III-9.

Sesuai dengan konsep metode OLS yang telah dibahas pada bab sebelumnya,

maka setiap model yang digunakan dan diuji dalam mencari tahu kuat lemahnya


56

hubungan yang terjadi melalui regresi, pada setiap tahap, harus memenuhi sepuluh

asumsi dari CLRM, khusunya tiga asumsi ekonometrik yang dapat diuji dengan

software. Pengujian terhadap heteroskedastisitas dilakukan dengan menggunakan

White Heteroskedasticity Test pada Eviews dan pengujian terhadap autokorelasi

dilakukan dengan Ljung Box Statistic Test, di mana apabila terdapat autokorelasi,

dapat dilakukan koreksi untuk jumlah sampel tertentu terhadap Box-Pierce Q-

Statistic, untuk melihat apakah autokorelasi sampai dengan lag tertentu sama

dengan nol.

Apabila ditemukan model atau variabel-variabel yang varians dari erornya

tidak konstan (heteroskedastisitas), memiliki autokorelasi dan multikolinearitas,

maka dilakukan tindakan “penyembuhan” (remedial).

Langkah yang dilakukan adalah sebagai berikut :

1. Untuk heteroskedastisitas, dilakukan tindakan “penyembuhan” dengan White

Heteroskedasticity. Langkah ini tidak mengubah data, tetapi hanya mengubah

proses estimasi, sehingga nilai variabel penduga yang dihasilkan merupakan

yang terbaik dan tidak bias. Oleh karena metode ini mengubah proses estimasi,

maka setelah dilakukan tindakan “penyembuhan”, tidak perlu dilakukan uji

heteroskedastisitas lagi terhadap hasil regresi.

2. Untuk autokorelasi, langkah yang diambil adalah dengan melakukan pemodelan

AR pada persamaan regresi yang mengandung autokorelasi sampai diperoleh

nilai DW (Durbin Watson) yang terbaik, yaitu yang paling mendekati 2.00.

3. Untuk kasus multikolinearitas, langkah yang diambil adalah dengan membuang

salah satu variabel independen dari dua variabel yang saling berhubungan.

Nilai intercept, koefisien regresi, t-statistic dan R-squared yang akan ditampilkan

dan dianalisa pada Bab IV merupakan hasil regresi yang telah memenuhi asumsi-


57

asumsi CLRM dan telah “disembuhkan” apabila sebelumnya belum memenuhi

ketiga asumsi ekonometrik tersebut.

Dalam menyimpulkan hubungan yang terjadi dari hasil regresi, yaitu

berdasarkan nilai t-statistik dan probabilita prinsipnya secara umum adalah apabila

nilai probabilita (p value) < 0.05 (untuk significance level 5%), maka H0 ditolak,

demikian pula sebaliknya, apabila nilai probabilita (p value) > 0.05, maka H0

diterima.


126363 5763 Pengujian Komponen Metodologi

Documents

Transcript of 126363 5763 Pengujian Komponen Metodologi