Upload
haliem
View
219
Download
0
Embed Size (px)
Citation preview
PENGUJIAN EFISIENSI PASAR MODAL DI ASEAN
(Studi Empiris Pada Indeks Saham Indonesia/JKSE, Malaysia/KLSE,
Singapura/STI, Filipina/PSI, Thailand/SETI, dan Vietnam/VNI
Periode 2011-2015)
SKRIPSI
Oleh:
Dini Nurliani
NIM: 1112081000097
JURUSAN MANAJEMEN
FAKULTAS EKONOMI DAN BISNIS
UNIVERSITAS ISLAM NEGERI SYARIF HIDAYATULLAH
JAKARTA
1438 H/2016 M
i
PENGUJIAN EFISIENSI PASAR MODAL DI ASEAN
(Studi Empiris Pada Indeks Saham Indonesia/JKSE, Malaysia/KLSE,
Singapura/STI, Filipina/PSI, Thailand/SETI, dan Vietnam/VNI Periode 2011-
2015)
SKRIPSI
Diajukan Kepada Fakultas Ekonomi dan Bisnis
Untuk Memenuhi Persyaratan Memperoleh Gelar Sarjana Ekonomi
Oleh:
Dini Nurliani
NIM: 1112081000097
Di Bawah Bimbingan
Pembimbing
Prof. Dr. Ahmad Rodoni, MM
NIP. 19690203 200112 1 003
JURUSAN MANAJEMAN
FAKULTAS EKONOMI DAN BISNIS
UNIVERSITAS ISLAM NEGERI SYARIF HIDAYATULLAH
JAKARTA
1438 H/2016 M
ii
LEMBAR PENGESAHAN UJIAN KOMPREHENSIF
Hari ini Kamis, 09 Juni 2016 telah dilakukan Ujian Komprehensif atas
mahasiswa:
1. Nama : Dini Nurliani
2. NIM : 1112081000097
3. Jurusan : Manajemen
4. Judul Skripsi : Pengujian Efisiensi Pasar Modal di ASEAN
(Studi Empiris Pada Indeks Saham Indonesia/JKSE,
Malaysia/KLSE, Singapura/STI, Filipina/PSI,
Thailand/SETI, dan Vietnam/VNI Periode 2011-2015)
Setelah mencermati dan memperhatikan penampilan dan kemampuan yang
bersangkutan selama proses Ujian Komprehensif, maka diputuskan bahwa
mahasiswa tersebut di atas dinyatakan LULUS dan diberi kesempatan untuk
melanjutkan ke tahap Ujian Skripsi sebagai salah satu syarat untuk memperoleh
gelar Sarjana Ekonomi pada Fakultas Ekonomi dan Bisnis Universitas Islam
Negeri Syarif Hidayatullah Jakarta.
Jakarta, 09 Juni 2016
1. Amalia, M.S.M (________________)
NIP. 19740821 200901 2 005 Penguji 1
2. Amir Syarifuddin, SH., MM (________________)
NIP. 19460818 196603 1 001 Penguji 2
iii
LEMBAR PENGESAHAN UJIAN SKRIPSI
Hari ini Selasa, 20 Desember 2016 telah dilakukan Ujian Skripsi atas mahasiswa:
Nama : Dini Nurliani
NIM : 1112081000097
Jurusan : Manajemen
Judul Skripsi : Pengujian Efisiensi Pasar Modal di ASEAN (Studi Empiris
Pada Indeks Saham Indonesia/JKSE, Malaysia/KLSE,
Singapura/STI, Filipina/PSI, Thailand/SETI, dan
Vietnam/VNI Periode 2011-2015)
Setelah mencermati dan memperhatikan penampilan dan kemampuan yang
bersangkutan selama proses Ujian Skripsi, maka diputuskan bahwa mahasiswa
tersebut di atas dinyatakan LULUS dan skripsi ini diterima sebagai salah satu
syarat untuk memperoleh gelar Sarjana Ekonomi pada Fakultas Ekonomi dan
Bisnis Universitas Islam Negeri Syarif Hidayatullah Jakarta.
Jakarta, 20 Desember 2016
1. Titi Dewi Warninda, SE., M.Si (_______________)
NIP. 19731221 200501 2 002 Ketua
2. Prof. Dr. Ahmad Rodoni, MM (_______________)
NIP. 19690203 200112 1 003 Sekretaris
3. Dr. Herni Ali HT, SE., MM (_______________)
NIDN. 0422 1259 02 Penguji Ahli
4. Prof. Dr. Ahmad Rodoni, MM (_______________)
NIP. 19690203 200112 1 003 Pembimbing
iv
LEMBAR PERNYATAAN KEASLIAN KARYA ILMIAH
Yang bertanda tangan di bawah ini:
Nama : Dini Nurliani
NIM : 1112081000097
Jurusan : Manajemen
Judul Skripsi : Pengujian Efisiensi Pasar Modal di ASEAN (Studi Empiris
Pada Indeks Saham Indonesia/JKSE, Malaysia/KLSE,
Singapura/STI, Filipina/PSI, Thailand/SETI, dan
Vietnam/VNI Periode 2011-2015)
Dengan ini menyatakan bahwa dalam penulisan skripsi ini, saya:
1. Tidak menggunakan ide orang lain tanpa mampu mengembangkan dan
mempertanggungjawabkan
2. Tidak melakukan plagiat terhadap naskah karya orang lain
3. Tidak menggunakan karya orang lain tanpa menyebutkan sumber asli
atau tanpa ijin pemilik karya
4. Tidak melakukan pemanipulasian dan pemalsuan data
5. Mengerjakan sendiri karya ini dan mampu bertanggung jawab atas
karya ini
Jika di kemudian hari ada tuntutan dari pihak lain atas karya saya, dan telah
melalui pembuktian yang dapat dipertanggungjawabkan, ternyata memang
ditemukan bukti bahwa saya telah melanggar pernyataan di atas, maka saya siap
untuk dikenai sanksi berdasarkan aturan yang berlaku di Fakultas Ekonomi dan
Bisnis UIN Syarif Hidayatullah Jakarta.
Demikian pernyataan ini saya buat dengan sesungguhnya.
Jakarta, 05 Desember 2016
Yang Menyatakan
(Dini Nurliani)
v
DAFTAR RIWAYAT HIDUP
I. DATA PRIBADI
Nama : Dini Nurliani
Tempat, tanggal lahir : Bogor, 03 November 1994
Jenis kelamin : Perempuan
Agama : Islam
Alamat : Jl. Cendana Pondok Miri RT 001/005 Desa
Rawakalong Kec. Gunung Sindur Bogor
No. Telp : 08119131994
Email : [email protected]
II. PENDIDIKAN
2012 – 2016 UIN Syarif Hidayatullah Jakarta
2009 – 2012 MA Al-Inaayah Bogor
2006 – 2009 MTS Al-Inaayah Bogor
2000 – 2006 SD Negeri Nusa Indah Bogor
III. LATAR BELAKANG KELUARGA
1. Ayah : Dilit Muhadi
2. Tempat & Tgl. Lahir : Bogor, 12 Juni 1972
3. Telepon : 083872876178
4. Ibu : Tamih
5. Tempat & Tgl. Lahir : Bogor, 06 Mei 1976
6. Anak Ke dari : 1 (satu) dari 3 (tiga) bersaudara
vi
ABSTRACT
Capital market is one of the significant phases of every financial institution and
now it‟s playing a strategic role in a country‟s economic growth. The
characteristics of stock prices reflect the all available information in market. The
study aimed to test the efficiency of capital markets in ASEAN. The study has
examined the weak form efficient market hypothesis on the sixth major stock
exchanges of ASEAN including Indonesia, Malaysia, Singapore, Philippines,
Thailand, and Vietnam. The study has used the daily closing price on the sixth
major stock exchanges of ASEAN from January 2011 to December 2015. This
study has used analysis method Kolmogorov Smirnov Test, Run Test,
Autocorrelation, ARIMA and ARCH/GARCH. Finding suggest that none of the
sixth major stock markets in ASEAN follows random-walk and hence all the these
markets are not the weak form of efficient market.
Keywords: capital market, efficient market hypothesis (EMH), random-walk,
ASEAN, ARCH/GARCH
vii
ABSTRAK
Pasar modal merupakan salah satu tahapan penting dari setiap lembaga keuangan
dan sekarang memainkan peran strategis dalam pertumbuhan ekonomi suatu
negara. Karakteristik harga saham mencerminkan informasi semua tersedia di
pasar. Penelitian ini bertujuan untuk menguji efisiensi pasar modal di ASEAN.
Penelitian ini telah meneliti hipotesis pasar efisien bentuk lemah di keenam bursa
saham utama ASEAN termasuk Indonesia, Malaysia, Singapura, Filipina,
Thailand, dan Vietnam. Penelitian ini telah menggunakan harga penutupan harian
di keenam bursa saham utama ASEAN dari Januari 2011 sampai Desember 2015.
Penelitian ini telah menggunakan metode analisis Kolmogorov Smirnov Test, Run
Test, Autokorelasi, ARIMA dan ARCH / GARCH. Temuan menunjukkan bahwa
tidak satupun dari keenam pasar saham utama di ASEAN yang mengikuti random
walk dan karenanya semua pasar ini merupakan pasar yang tidak efisien dalam
bentuk lemah.
Kata Kunci: pasar modal, hipotesis pasar efisien (EMH), random walk, ASEAN,
ARCH/GARCH
viii
KATA PENGANTAR
Bismillahirrahmanirrahim
Alhamdulillahirabbil‟alamiin, puji syukur senantiasa penulis panjatkan
kehadirat Allah SWT, atas segala taufik, hidayah dan inaayah-Nya sehingga
penulis dapat menyelesaikan skripsi yang berjudul “Pengujian Efisiensi Pasar
Modal di ASEAN (Studi Empiris Pada Indeks Saham Indonesia/JKSE,
Malaysia/KLSE, Singapura/STI, Filipina/PSI, Thailand/SETI, dan
Vietnam/VNI Periode 2011-2015)”.
Shalawat serta salam tak lepas penulis haturkan kehadirat Nabi Besar
Muhammad SAW, keluarga, sahabat, serta para pengikutnya yang telah membawa
kita dari zaman kegelapan ke zaman yang terang benderang.
Skripsi ini disusun sebagai salah satu untuk memperoleh gelar Sarjana
Strata satu pada Fakultas Ekonomi dan Bisnis, Program Studi Manajemen
Universitas Islam Negeri Jakarta.
Penulis menyadari bahwa penulisan skripsi ini tidak dapat terselesaikan
tanpa dukungan dari berbagai pihak baik moril maupun materil. Oleh karena itu,
dalam kesempatan ini penulis mengucapkan ucapan terimakasih kepada pihak-
pihak yang telah membantu dalam penyusunan skripsi ini, terutama kepada:
1) Ayah dan Ibu tercinta yang selalu memberikan cintanya kepadaku, yang
telah memberikan kasih sayang, kepercayaan, didikan, dan bimbingan
serta membesarkanku dengan lantunan doa dan semangat cinta beliau
sehingga membuatku menjadi orang yang tegar, termotivasi, serta
terdukung untuk terus maju dan berjuang dalam hidup.
2) Bapak Dr. M. Arief Mufraini Lc., M.Si selaku Dekan Fakultas Ekonomi
dan Bisnis UIN Syarif Hidayatullah
3) Ibu Titi Dewi Warninda, SE., M.Si selaku Ketua Jurusan Manajemen
Fakultas Ekonomi dan Bisnis UIN Syarif Hidayatullah.
4) Bapak Prof. Dr. Ahmad Rodoni, MM selaku Pembimbing yang banyak
memberikan saran, petunjuk, ilmu pengetahuan dan meluangkan waktunya
sehingga terselesaikan skripsi ini.
ix
5) Seluruh Dosen Fakultas Ekonomi dan Bisnis baik Staff Akademisi dan
keuangan terima kasih atas segala bantuannya.
6) Untuk suamiku, terima kasih kaka yang selalu menyemangatiku dalam
berbagai kondisi agar cepat meyelesaikan skripsi ini.
7) Seluruh keluarga besar yang telah memberikan semangat, motivasi, dan
dukungan yang besar kepada penulis untuk menyelesaikan skripsi ini.
8) Sahabat Zone (Yayah, Shefa, Dewi, Santi, Hedra, Abdi, Gendut dan Lutfi),
Dwi, Alip dan Andi serta Teman-teman seperjuangan di kelas manajemen
2012 khususnya keuangan, yang telah banyak membantu dalam
penyelesaian skripsi ini.
9) Terimakasih juga kepada Abang Uda Iswandi di Fotokopian Maju Jaya
yang telah banyak membantu dalam pencetakan skripsi ini.
10) Pihak-pihak yang belum saya sebutkan yang turut membantu baik dengan
moril maupun materiil sehingga skripsi ini dapat terselesaikan terima kasih
atas kebaikan dan perhatian yang kalian berikan.
Penulis menyadari bahwa hasil penelitian ini masih memiliki
banyak kekurangan. Dengan segenap kerendahan hati penulis
mengharapkan saran, arahan maupun kritikan yang konstruktif demi
penyempurnaan hasil penelitian ini. Semoga penulisan skripsi ini dapat
bermanfaat bagi semua pihak khususnya dalam bidang manajemen
keuangan.
Jakarta, 05 Desember 2016
Dini Nurliani
x
DAFTAR ISI
LEMBAR PENGESAHAN SKRIPSI ......................................................... i
LEMBAR PENGESAHAN UJIAN KOMPREHENSIF ............................ ii
LEMBAR PENGESAHAN UJIAN SKRIPSI ............................................ iii
LEMBAR PENGESAHAN KARYA ILMIAH ........................................... iv
DAFTAR RIWAYAT HIDUP ..................................................................... v
ABSTRACT ..................................................................................................... vi
ABSTRAK ...................................................................................................... vii
KATA PENGANTAR ................................................................................... viii
DAFTAR ISI .................................................................................................. x
DAFTAR TABEL .......................................................................................... xiii
DAFTAR GAMBAR ...................................................................................... xiv
DAFTAR LAMPIRAN ................................................................................. xv
BAB I PENDAHULUAN .................................................................. 1
A. Latar Belakang Masalah ..................................................... 1
B. Permasalahan...................................................................... 9
1. Identifikasi Masalah ..................................................... 9
2. Batasan Masalah........................................................... 10
3. Rumusan Masalah ........................................................ 11
C. Tujuan Penelitian ............................................................... 11
D. Manfaat Penelitian ............................................................. 12
BAB II TINJAUAN PUSTAKA ......................................................... 14
A. Kajian Teori ....................................................................... 14
xi
1. Pasar Modal .................................................................. 14
2. Investasi........................................................................ 17
3. Saham ........................................................................... 22
4. Return Saham .............................................................. 25
5. Efisiensi Pasar .............................................................. 27
6. Random Walk ............................................................... 45
B. Penelitian Terdahulu .......................................................... 50
C. Kerangka Pemikiran ........................................................... 55
D. Hipotesis Penelitian ............................................................ 57
BAB III METODOLOGI PENELITIAN ........................................... 58
A. Ruang Lingkup Penelitian .................................................. 58
B. Metode Penentuan Sampel ................................................. 58
C. Metode Pengumpulan Data ................................................ 59
D. Metode Analisis Data ......................................................... 60
1. Uji Kolmogorov Smirnov ............................................ 60
2. Uji Run Test ................................................................. 61
3. Uji Autokorelasi ........................................................... 63
4. Model ARIMA ............................................................. 64
5. Model ARCH/GARCH ................................................ 74
E. Definisi Operasional Variabel ............................................ 76
BAB IV ANALISIS DAN PEMBAHASAN ........................................ 80
A. Sekilas Gambaran Umum Objek Penelitian ...................... 80
B. Analisis dan Pembahasan ................................................... 87
1. Uji Kolmogorov Smirnov ............................................ 87
2. Uji Run Test ................................................................. 88
3. Uji Autokorelasi ........................................................... 91
4. Model ARIMA ............................................................. 95
5. Model ARCH/GARCH ................................................ 101
xii
BAB V PENUTUP ............................................................................... 109
A. Kesimpulan ........................................................................ 109
B. Saran ................................................................................... 110
DAFTAR PUSTAKA ..................................................................................... 112
LAMPIRAN .................................................................................................... 115
xiii
DAFTAR TABEL
No. Keterangan Halaman
Tabel 2.1 Penelitian Terdahulu ..................................................................... 54
Tabel 3.1 Pola ACF dan PACF ..................................................................... 71
Tabel 4.1 Hasil Uji Kolmogorov Smirnov .................................................... 88
Tabel 4.2 Hasil Uji Run Test ......................................................................... 89
Tabel 4.3 Hasil Uji Autokorelasi ................................................................... 93
Tabel 4.4 Hasil Uji Unit Root ....................................................................... 97
Tabel 4.5 Model Peramalan ARIMA Terbaik .............................................. 99
Tabel 4.6 Hasil Pengujian ARCH Effect....................................................... 101
Tabel 4.7 Model ARCH/GARCH Terbaik .................................................... 103
Tabel 4.8 Hasil Pengujian ARCH Effect....................................................... 105
xiv
DAFTAR GAMBAR
No. Keterangan Halaman
Gambar 2.1 Hubungan Bentuk Efisiensi Pasar dengan Ketersediaan
Informasi .............................................................................. 41
Gambar 2.2 Kerangka Pemikiran ............................................................ 56
xv
DAFTAR LAMPIRAN
No. Keterangan Halaman
Lampiran 1 Hasil Output Uji Kolmogorov Smirnov .............................. 115
Lampiran 2 Hasil Output Uji Run Test ................................................... 115
Lampiran 3 Hasil Output Uji Breusch-Godfrey ...................................... 116
Lampiran 4 Hasil Output Uji Stasioneritas Correlogram ........................ 117
Lampiran 5 Hasil Output Uji Stasioneritas ADF .................................... 123
Lampiran 6 Hasil Output Model ARIMA ............................................... 125
Lampiran 7 Hasil Output Uji ARCH Effect ............................................ 153
Lampiran 8 Hasil Output Model ARCH/GARCH .................................. 154
Lampiran 9 Hasil Output Uji ARCH-LM Model ARCH/GARCH ......... 166
1
BAB I
PENDAHULUAN
A. Latar Belakang Masalah
Menghadapi persaingan Masyarakat Ekonomi Asean (MEA 2015) antar
Negara yang tergabung dalam ASEAN untuk merebut peluang dalam
internasionalisasi keuangan maupun perdagangan, maka setiap negara tidak
saja harus membenahi pasar uang tetapi juga pasar modal. Pasar modal, tidak
bisa tidak, harus didorong untuk berperan lebih giat dalam memobilisasi dana
investasi dimaksud. Namun, semua negara juga menghadapi tantangan global
yang sama dan karena itu negara-negara tersebut dituntut untuk terus
melakukan pembenahan di bidang pasar modal. Dalam kondisi persaingan
seperti ini, salah satu kekuatan yang dapat meningkatkan bargaining position
adalah efisiensi (Erwin Hendarwin, 2015: 1)
Salah satu persyaratan penting bagi perkembangan pasar modal adalah
efisiensi. Konsep mengenai efisiensi pasar ini dapat dijumpai dalam beberapa
literatur dan penggunaannya tergantung pada konteks atau obyek
permasalahan yang dibahas. Konsep pasar modal yang efisien ini menurut
Suad Husnan (2012: 264 ) merupakan tema yang dominan pada tahun 1960-
an terutama di kalangan akademisi. Konsep ini meskipun secara umum
dipercaya oleh kalangan akademisi, akan tetapi tidak semua masyarakat
mempercayainya, bahkan istilah pasar modal yang efisien ini sering
digunakan dengan arti atau maksud yang berbeda-beda.
2
Pasar modal yang efisien dapat diartikan sebagai pasar yang bisa
menyediakan jasa-jasa yang diperlukan oleh para pemodal dengan biaya yang
minimal. Dalam pengertian yang lain, West (1975) dalam (Erwin Hendarwin,
2015: 7) misalnya membedakan istilah efisiensi pasar modal ini dengan dua
pendekatan, yakni external efficiency dan internal efficiency. Menurut West,
external efficiency menunjukkan bahwa pasar berada dalam keseimbangan
sehingga keputusan perdagangan saham berdasarkan atas informasi yang
tersedia tidak bisa memberikan keuntungan di atas tingkat keuntungan
keseimbangan. Sedangkan internal efficiency, lanjut West, menunjukkan
bahwa pasar modal tersebut bukan hanya memberikan harga yang benar
tetapi juga memberikan berbagai jasa yang diperlukan oleh para pembeli dan
penjual dengan biaya serendah mungkin.
Efsiensi eksternal (external efficiency) ini sesuai dengan pengertian
mikro pasar modal, yaitu suatu kondisi seberapa jauh pasar modal
informationally efficient, yang berkaitan dengan apakah harga sekuritas di
pasar modal tersebut mencerminkan informasi yang relevan. Konsep ini
berbeda dengan konsep makro pasar modal. Efisiensi eksternal ini
berhubungan dengan seberapa jauh pasar modal bisa memobilisasi dana dari
masyarakat. Para peneliti telah menguji keadaan/bentuk ini dengan melihat
peristiwa-peristiwa terntu seperti penerbitan saham baru, pengumuman laba
dan dividen, perkiraan laba perusahaan, perubahan praktek-praktek akuntansi,
merger dan pemecahan saham (split stock).
3
Untuk menyajikan pemahaman yang baik mengenai konsep efisiensi
pasar modal ini, sebaiknya perlu diperhatikan tiga bentuk teori pasar modal
yang efisiensi. Pertama, Weak form efficiency; kedua, Semi strong form
efficiency, dan ketiga, Strong form efficiency. Ketiga bentuk kategori pasar
modal yang efisien tersebut oleh Robert (2012) dalam (Erwin Hendarwin,
2015: 8) diuraikan sebagai berikut:
"Weak form hypotheses, that current stock price already reflects all
information that can be gleaned from past price changes".
"Semi strong form hypotheses, that current stock price reflect not only
the imformation implied by historical price changes but olso information
implied by all publicly available information relevant to a company‟s
securities".
"Strong form hypotheses, that current stock price reflecs all relevant
information available only to company insider or other frivilegedgroups".
Dengan demikian, pada weak form efficiency, pemodal tidak bisa
memperoleh tingkat keuntungan di atas normal dengan menggunakan trading
rules berdasarkan informasi harga pada masa atau waktu sebelumnya. Banyak
pasar modal di dunia mengambil bentuk seperti ini. Berbeda dengan weak
form, pada semi strong form efficiency, harga-harga saham yang ada saat ini
bukan saja dicerminkan pada kondisi harga pada waktu yang lalu tetapi juga
mencakup semua informasi yang dipublikasikan. Artinya, para pemodal tidak
dapat memperoleh tingkat keuntungan di atas normal dengan memanfaatkan
informasi publik.
4
Efisiensi pasar merupakan salah satu topik mendasar yang perlu
direnungi karena berkaitan langsung dengan relevan atau tidaknya kegiatan
untuk berusaha memprediksi arah harga (timing). Sebagian besar kalangan
akademisi berkeyakinan bahwa pasar saham merupakan pasar yang efisien.
Suatu pasar dikatakan efisien apabila harga barang-barang yang dijual telah
menunjukan semua informasi yang ada sehingga tidak terbias (not biased)
menjadi terlalu murah atau terlalu mahal. Perubahan harga di masa
mendatang hanya tergantung dari datangnya informasi baru di masa
mendatang yang tidak diketahui sebelumnya. Perubahan harga terjadi dengan
sangat cepat sehingga tidak memungkinkan untuk dieksploitasi. Karena
informasi baru datangnya tidak bisa diduga, maka perubahan harga pun tidak
bisa diduga alias random.
Di dalam suatu pasar yang efisien, tidak mungkin seseorang untuk
secara konsisten mengalahkan performa pasar dengan memakai informasi
yang telah diketahui pasar, kecuali dengan mendapatkan keberuntungan
(luck). Dalam setiap periode, kira-kira setengah investor akan mendapatkan
hasil lebih baik dari pasar dan setengah lagi akan mendapatkan hasil yang
lebih jelek hanya karena keberuntungan/kesialan.
Teori pasar yang efisien tergantung pada asumsi bahwa semua pelaku
pasar mengolah informasi secara rasional dan secara rata-rata informasi yang
dimiliki semua pelaku pasar adalah benar (meskipun tak seorang pemainpun
memiliki semua informasi yang benar: misal sebagian memiliki informasi
yang bagus-bagus sebagian lagi memiliki informasi yang jelek-jelek tentang
5
suatu perusahaan). Pasar yang efisien juga memerlukan sekelompok pemain
yang dengan cepat akan meng-arbitrage bila kemungkinan arbitrage
(keuntungan tanpa resiko) muncul.
Terdapat beberapa alasan yang menyebabkan pasar menjadi efisien.
Pasar efisien dapat terjadi karena peristiwa-peristiwa sebagai berikut ini: 1)
Investor adalah penerima harga, yang berarti bahwa sebagai pelaku pasar,
investor seorang diri tidak dapat mempengaruhi harga dari suatu sekuritas. 2)
Informasi tersedia secara luas kepada semua pelaku pasar pada saat yang
bersamaan dan harga untuk memperoleh informasi tersebut murah. Umumnya
pelaku pasar menerima informasi lewat radio, koran atau media masa lainnya,
sehingga informasi tersebut dapat diterima pada saat yang bersamaan. 3)
Informasi yang dihasilkan secara acak (random) dan tiap-tiap pengumuman
informasi sifatnya random satu dengan yang lainnya. Informasi dihasilkan
secara acak (random) mempunyai arti bahwa investor tidak dapat
memprediksi kapan emiten akan mengumumkan informasi yang baru. 4)
Investor bereaksi dengan menggunakan informasi secara penuh dan cepat,
sehingga harga dari sekuritas berubah dengan semestinya mencerminkan
informasi tersebut untuk mencapai keseimbangan yang baru.
Pasar modal ASEAN yang terintegrasi, akan meningkatkan perannya
dalam peingkatan pembanguna ekonomi negara-negara ASEAN. Peran pasar
modal ini penting karena pasar modal merupakan sumber pendanaan jangka
panjang bagi korporasi dan untuk memperoleh tambahan nilai keuntungan
bagi investor. Bursa-bursa saham yang terintegrasi akan memeberian peluang
6
bagi perusahaan-perusahaan untuk mendapatkan modal secara efisien.
Sedangkan bagi para investor dapat menanamkan modalnya pada sekuritas
atau investasi portofolio.
Sampai saat ini, antar negara ASEAN masih terdapat perbedaan-
perbedaan regulatory (peraturan). Kurangnya kerangka ker peraturan bersama
antar negara merupakan faktor yang dapat menghambat realisasi rencana ini.
Maka keinginan memiliki pasar modal tunggal di kawasan ASEAN, sampai
batas akhir 2015, perlu dilakukan pembuatan kebijakan yang mengatur
perpajakan, perlindungan investor dan penyelesaian sengketa. Setiap negara
harus memprioritaskan dan mensinkronkan program negaranya masing-
masing, integrasi harus dilakukan para pemangku kepentingan, setiap negara
harus berusaha meningkatkan likuiditas di pasar ASEAN.
Masalah efisiensi pasar modal di pasar saham negara-negara ASEAN
merupakan sangat penting. Tingkat kepentingannya menjadi tema kajian yang
menarik untuk ditelili dan dianalisis. Mengingat penerapan pasar tunggal
dalam perekonomian kian cepat, sehingga akan lebih menarik dan perlu untuk
mengetahui serta membuktikan apakah pasar modal dikawasan negara
anggota ASEAN sudah efisien ataukah masih belum efisien.
Penelitian tentang masalah efisiensi pasar modal di negara-negara
anggota ASEAN telah banyak dilakukan oleh beberapa peneliti. Namun,
karena penelitian tentang efisiensi pasar yang dilakukan oleh para peneliti
dengan menggunakan metode pengujian yang berbeda dan data yang berbeda
7
sehingga hasil yang diperoleh juga memiliki keragaman dan tidak dapat
memberikan hasil yang konsisten dari masing-masing peneliti.
Penelitian yang dilakukan oleh Kasihif Hamid, et al (2010). Penelitian
ini menguji efisiensi pasar bentuk lemah di Pakistan, India, Sri Langka,
China, Korea, Hong Kong, Indonesia, Malaysia, Filipina, Singapura,
Thailand, Taiwan, Japan, dan Australia. Observasi pada penelitian ini selama
periode Januari 2004 samapi Desember 2009 dengan menggunakan data
bulanan. Penelitian ini menggunakan uji Autokorelasi, Ljung-Box Q-statistik,
Run Test, Unit Root Test dan Variance Ratio untuk menguji hipotesis bahwa
pasar modal mengikuti random walk. Hasil penelitian menunjukkan bahwa
return bulanan pada pasar modal di Asia Pasifik tidak mengikuti pola random
walk.
Penelitian yang dilakukan oleh Francesco Guidi dan Rakesh Gupta
(2011). Penelitian ini menguji efisiensi pasar di ASEAN dengan
menggunakan data harga saham harian periode Januari 2000 sampai April
2011. Penelitian ini meggunakan uji Unit Root Test, Variance Ratio Test, dan
Run Test untuk menguji efisiensi pasar bentuk lemah di pasar modal ASEAN.
Hasil penelitian ini menunjukkan bahwa di pasar Indonesia, Malaysia,
Filipina, dan Vietnam menolak efisiensi pasar, sedangkan pada pasar
Singapura dan Thailand ditemukan efisiensi bentuk lemah.
Penelitian yang dilakukan oleh Nasruldin (2011). Penelitian ini menguji
efisiensi pasar bentuk lemah di pasar modal Indonesia selama periode 2009-
2010 dengan menggunakan data harga saham harian. Penelitian ini
8
menggunakan uji run test dan korelasi seri untuk menguji kerandoman dan
korelasi harga saham. Hasil penelitain menunjukkan bahwa pasar modal di
Indonesia efisien dalam bentuk lemah.
Penelitian yang dilakukan oleh Wenty Yolanda, dkk (2014). Penelitian
ini menguji efisiensi pasar modal di Indonesia khususnya pada saham terpilih
yaitu Indeks Saham LQ 45 dengan menggunakan data harga saham harian
peride 2009-2011. Penelitian ini menggunakan model GARCH untuk
menguji efisiensi pasar pada saham Indeks LQ 45. Hasil penelitian dengan
penerapan model GARCH (1,1) menunjukkan bahwa pada harga penutupan
harian (closing price) saham pada Indeks LQ 45 periode 2009-2011, harga
pada periode 3 hari dan 4 hari sebelumnya adalah yang paling berpengaruh.
Efisiensi pasar modal di Indonesia termasuk efisiensi bentuk lemah (weak
form efficiency) yang juga ditunjukkan oleh return harga saham yang
mengalami volatisitas dan random walk.
Penelitian yang dilakukan oleh Khoa Cuong Phan dan Jian Zhou
(2014). Penelitian ini menguji efisiensi pasar bentuk lemah di pasar modal
Vietnam dengan menggunakan data harga saham mingguan periode Juli 2000
sampai Juli 2013 (13 tahun). Penelitian ini menggunakan uji Autokorelasi,
Variance Ratio Test, dan Run Test untuk menguji hipotesis bahwa pasar
modal di Vietnam mengikuti pola random walk. Hasil penelitian ini
menunjukkan bahwa pasar modal Vietnam tidak efisien.
Penelitian yang dilakukan oleh Kasilingam Lingaraja, et al (2014).
Penelitian ini menguji efisiensi pasar di pasar saham Asia yang sedang
9
berkembang dengan menggunakan data harga saham harian selama 10 tahun
periode 1 Januari 2004 sampai 31 Desember 2013. Penelitian ini
menggunakan uji GARCH, Autokorelasi, dan Run Test untuk menguji
efisiensi pasar di pasar saham Asia yang sedang berkembang. Hasil penelitian
menunjukkan bahwa pada Indeks India, Indonesia, Malaysia, dan Filipina
sangat signifikan dan terdistribusi secara acak, sedangkan pada Indeks China,
Korea, Taiwan, dan Thailand tidak signifikan dan tidak terdistribusi secara
acak.
Penelitian yang dilakukan oleh Samithamby Senthilnathan (2015).
Penelitian ini menguji efisiensi pasar di Asia dan kawasan Pasifik dengan
menggunakan tinjauan literatur dari berbagai penelitian sebelumnya. Hasil
penelitian menunjukkan bahwa pasar modal di Thailand, Singapura, Jepang,
dan Selandia Baru cukup mencerminkan efisiensi, sedangkan tidak di negara
lainnya berdasarkan hasil tinjauan literatur.
Berdasarkan uraian di atas, maka peneliti tertarik untuk melakukan
penelitian dengan judul “Pengujian Efisiensi Pasar Modal di ASEAN”
(Studi Empiris Pada Indeks Saham Indonesia/JKSE, Malaysia/KLSE,
Singapura/STI, Filipina/PSI, Thailand/SETI, dan Vietnam/VNI Periode
2011-2015).
B. Permasalahan
1. Identifikasi Masalah
Berdasarkan latar belakang masalah di atas, maka peneliti
mengidentifikasi masalah yang ada sebagai berikut.
10
a. Terdapat sejumlah kecil pelaku pasar yang dapat mempengaruhi
harga dari sekuritas.
b. Harga dari informasi adalah mahal dan terdapat akses yang tidak
seragam antara pelaku pasar yang satu dengan yang lainnya
terhadap suatu informasi yang sama.
c. Informasi yang disebarkan dapat diprediksi dengan baik oleh
sebagian pelaku-pelaku pasar.
d. Investor adalah individual-individual yang lugas dan tidak canggih.
Untuk pasar yang tidak efisien, masih banyak investor yang
bereaksi terhadap informasi secara lugas, karena mereka
mempunyai kemampuan yang terbatas didalam mengartikan dan
menginterpretasikan informasi yang diterima. Karena mereka tidak
canggih, maka sering kali mereka melakukan keputusan yang salah
yang akibatnya sekuritas bersangkutan dinilai secara tidak tepat.
2. Batasan Masalah
Berdasarkan latar belakang dan identifikasi masalah di atas, agar
penelitian lebih fokus dan tidak meluas dari pembahasan yang dimaksud,
maka penulis menetapkan batasan masalah. Penelitian ini terfokus pada
pengujian efisiensi pasar modal bentuk lemah (weak form efficiency).
Penelitian ini menggunakan data harga saham harian untuk menghitung
return dari masing-masing negara. Penelitian ini mengambil objek
penelitian di negara ASEAN dengan menggunakan data harga saham
indeks di Indonesia, Malaysia, Singapura, Filipina, Thailand, dan
11
Vietnam. Penelitian ini menguji kerandoman data dari ke enam indeks
saham tersebut.
3. Rumusan Masalah
Berdasarkan identifikasi dan batasan permasalahan di atas, maka
dapat di rumuskan permasalahan sebagai berikut.
a. Apakah indeks saham Indonesia/JKSE efisien dalam bentuk lemah
pada periode 2011-2015?
b. Apakah indeks saham Malaysia/KLSE efisien dalam bentuk lemah
pada periode 2011-2015?
c. Apakah indeks saham Singapura/STI efisien dalam bentuk lemah
pada periode 2011-2015?
d. Apakah indeks saham Filipina/PSI efisien dalam bentuk lemah pada
periode 2011-2015?
e. Apakah indeks saham Thailand/SETI efisien dalam bentuk lemah
pada periode 2011-2015?
f. Apakah indeks saham Vietnam/VNI dalam bentuk lemah pada
periode 2011-2015?
g. Apakah pasar modal di ASEAN efisien dalam bentuk lemah pada
periode 2011-2015?
C. Tujuan Penelitian
Tujuan penelitian ini adalah menguji efisiensi pasar modal di negara-
negara ASEAN. Secara rinci tujuannya adalah sebagai berikut.
12
1. Menguji efisiensi pasar modal bentuk lemah di Indonesia pada periode
2011-2015
2. Menguji efisiensi pasar modal bentuk lemah di Malaysia pada periode
2012-2015
3. Menguji efisiensi pasar modal bentuk lemah di Singapura pada periode
2011-2015
4. Menguji efisiensi pasar modal bentuk lemah di Filipina pada periode
2011-2015
5. Menguji efisiensi pasar modal bentuk lemah di Thailand pada periode
2011-2015
6. Menguji efisiensi pasar modal bentuk lemah di Vietnam pada periode
2011-2015
7. Menguji efisiensi pasar modal bentuk lemah di ASEAN pada periode
2011-2015
D. Manfaat Penelitian
Penelitian ini diharapkan dapat bermanfaat bagi pihak-pihak yang
berkepentingan.
1. Bagi penulis
Memperluas informasi serta wawasan luas mengenai pasar modal di
ASEAN terutama masalah efisiensi pasar serta sebagai bahan masukan
dalam memahami efisiensi pasar bentuk lemah. Dan memberikan bahan
kajian bagi peneliti selanjutnya mengenai fenomena yang relevan dengan
penelitian.
13
2. Bagi Investor
Memberikan gambaran kepada investor, baik investor asing maupun
investor dalam negeri mengenai tingkat efisiensi pasar modal di ASEAN,
sehingga dapat membantu para investor dan pihak-pihak yang terkait
dengan pasar modal dalam menentukan strategi investasi yang lebih baik.
Hasil penelitian ini diharapkan dapat menggambarkan tingkat efisiensi
pasar modal di ASEAN dengan baik
3. Bagi ilmu manajemen, khususnya dan memperkaya informasi ilmiah
mengenai validitas empiris dari aplikasi Efficient Market Hypothesis
(EMH).
14
BAB II
TINJAUAN PUSTAKA
A. Kajian Teori
1. Pasar Modal
a. Pengertian Pasar modal
Pasar dapat diartikan sebagai tempat bertemunya penjual dan
pembeli yang saling mengadakan pertukaran barang dan jasa.
Pengertian pasar modal atau bursa efek adalah salah satu jenis pasar
dimana para investor bertemu untuk menjual atau membeli surat-surat
berharga atau efek. Pasar modal adalah pertemuan antara pihak yang
memiliki kelebihan dana dengan pihak yang membutuhkan dana
dengan cara memperjualbelikan sekuritas.
Dalam Undang-Undang No. 8 Tahun 1995 tentang Pasar
Modal, mendefinisikan suatu kegiatan yang berkenaan dengan
penawaran umum dan perdagangan efek, perusahaan publik yang
berkaitan dengan efek yang diterbitkannya, serta lembaga dan profesi
yang berkaitan dengan efek. Menurut Suad Husnan (2001:3) Pasar
modal juga dapat didefinisikan sebagai perdagangan instrumen
keuangan (sekuritas) jangka panjang, baik dalam bentuk modal sendiri
(stocks) maupun utang (bonds), baik yang diterbitkan oleh pemerintah
(public authorities) maupun oleh perusahaan keuangan (financial
market).
15
Secara umum pasar modal global dapat dibagi ada dua segmen
utama yaitu pasar uang dan pasar modal. Pasar uang adalah bidang
perekonomian dimana jangka pendek diperdagangkan. Pasar ini
adalah dimana bank umum dan bank unit usaha yang lain
menyesuaikan posisi likuiditas mereka. Dan bank sentral
melaksanakan kebijakan moneternya dan pemerintah menjual utang
untuk mendanai kegiatannya sehari-hari. Pasar uang bertujuan untuk
menyediakan dana pinjaman untuk memenuhi kebutuhan modal kerja
jangka pendek melalui pasar uang tabungan masyarakat dapat
dimanfaatkan lembaga keuangan.
Pasar modal adalah pasar konkret atau abstrak yang
mempertemukan pihak yang menawarkan dan yang memerlukan dana
jangka panjang, yaitu jangka waktu satu tahun ke atas. Pasar modal
adalah pasar untuk dana jangka panjang dimana saham biasa, saham
preferen dan obligasi yang diperdagangkan.
b. Faktor-faktor yang mempengaruhi pasar modal
Secara rinci faktor-faktor yang mempengaruhi keberhasilan
pasar modal antara lain adalah: (Suad Husnan; 2001, 8-9)
1) Supply Sekuritas
Faktor ini berarti harus banyak perusahaan yang bersedia
menerbitkan sekuritas di pasar modal.
16
2) Demand akan sekuritas
Faktor ini berarti bahwa harus terdapat anggota
masyarakat yang memiliki jumlah dana yang cukup besar
untuk dipergunakan membeli sekuritas-sekuritas yang
ditawarkan. Calon pembeli sekuritas berasal dari individu,
perusahaan non keuangan, maupun lembaga-lembaga
keuangan.
3) Kondisi politik dan ekonomi
Faktor ini akan mempengaruhi supply dan demand akan
sekuritas. Kondisi politik yang stabil akan ikut membantu
pertumbuhan ekonomi yang pada akhirnya mempengaruhi
supply dan demand akan sekuritas.
4) Masalah hukum dan peraturan
Pembelian sekuritas mengandalkan diri pada informasi
yang disediakan oleh perusahaan-perusahaan yang
menerbitkan sekuritas. Peraturan yang melindungi pemodal
dari informasi yang tidak benar dan menyesatkan menjadi
mutlak diperlukan.
c. Fungsi Pasar Modal
Pasar modal menjalankan dan mempunyai dua fungsi yaitu
fungsi ekonomi dan keuangan. Suad Husnan (2001: 4), dalam
melaksanakan fungsi ekonominya, pasar modal menyediakan fasilitas
untuk memindahkan dana dari pihak yang mempunyai kelebihan dana
17
kepada pihak yang memerlukan dana. Dengan menginvestasikan
kelebihan dana yang mereka miliki, lenders mengharapkan akan
memperoleh imbalan dari penyerahan dana tersebut. Dari sisi
peminjam tersedianya dana dari pihak luar memungkinkan mereka
melakukan investasi tanpa harus menunggu tersedianya dana dari
hasil operasi perusahaan. Fungsi ini sebenarnya juga dilakukan oleh
intermediasi keuangan lainnya, seperti lembaga perbankan. Hanya
bedanya dalam pasar modal diperdagangkan dana jangka panjang.
Suad Husnan (2001: 4), fungsi keuangan dilakukan dengan
menyediakan dana yang diperlukan oleh para peminjam (borrowers)
dan para lenders menyediakan dana tanpa harus terlibat langsung
dalam kepemilikan aktiva riil yang diperlukan untuk investasi
tersebut.
2. Investasi
a. Pengertian Investasi
Menurut Tandelilin (2010: 2), investasi adalah komitmen atas
sejumlah dana atau sumber daya lainnya yang dilakukan pada saat ini
dengan tujuan memperoleh keuntungan dimasa yang akan datang.
Menurut Husnan dan Pudjiastuti (2004: 47), proses investasi
menunjukkan bagaimana pemodal seharusnya melakukan investasi
dalam sekuritas, yaitu sekuritas apa yang akan dipilih, seberapa
banyak investasi tersebut dan kapan investasi tersebut dilakukan.
18
Menurut Abdul Halim (2005: 4-6), investasi pada hakikatnya
merupakan penempatan sejumlah dana pada saat ini dengan harapan
untuk memperoleh keuntungan mendatang. Umumnya investasi
dibedakan menjadi dua, yaitu: investasi pada asset-aset financial
(financial asset) dan investasi pada aset-aset real (real asset).
Investasi pada asset-aset financial dilakukan di pasar uang, misalnya
berupa sertifikat deposito, commercial paper, surat berharga dipasar
uang, dan lainnya. Investasi juga dapat dilakukan di pasar modal,
misalnya berupa saham, obligasi, waran, opsi dan lain-lain.
Sedangkan investasi pada aset-aset real dapat berbentuk pembelian
asset produktif, pendirian pabrik, pembukaan pertambangan,
pembukaan perkebunan dan lain-lain.
b. Proses Investasi
Proses investasi menunjukkan bagaimana seharusnya seorang
investor membuat keputusan pada efek-efek yang dapat dipasarkan,
dan kapan dilakukan. Untuk itu diperlukan tahapan sebagai berikut:
1) Menentukan Tujuan Investasi
Ada tiga hal yang perlu diperlukan dalam tahap ini, yaitu:
tingkat pengembalian yang diharapkan (expected rate of
return), tingkat resiko (rate of risk), dan ketersediaan jumlah
dana yang akan diinvestasikan. Apabila dana cukup tersedia,
maka investor menginginkan pengembalian yang maksimal
dengan resiko tertentu. Umumnya hubungan antara risiko
19
(risk) dan tingkat pengembalian yang diharapkan (expected
rate of return) bersifat linier, artinya semakin tinggi tingkat
risiko, maka semakin tinggi pula tingkat pengembalian yang
diharapkan.
2) Melakukan Analisis
Dalam tahap ini investor melakukan analisis terhadap
suatu efek atau sekelompok efek. Salah satu tujuan penilaian
ini adalah untuk mengidentifikasi efek yang salah harga
(mispriced), apakah harganya terlalu tinggi atau terlalu rendah.
Untuk itu, ada dua pendekatan yang dapat digunakan, yaitu:
a) Pendekatan Fundamental
Pendekatan ini didasarkan pada informasi-informasi
yang diterbitkan oleh emiten maupun oleh administrator
bursa efek. Karena kinerja emiten dipengaruhi oleh
kondisi sektor industri dimana perusahaan tersebut berada
dan perekonomian secara makro, maka untuk
memperkirakan prospek harga sahamnya dimasa
mendatang harus dikaitkan dengan faktor-faktor
fundamental yang mempengaruhinya. Jadi analisis ini
dimulai dari siklus usaha perusahaan secara umum,
selanjutnya ke sektor industrinya, akhirnya dilakukan
evaluasi terhadap kinerjanya dan saham yang
diterbitkannya.
20
b) Pendekatan Teknikal
Pendekatan ini didasarkan pada data (perubahan)
harga saham di masa lalu sebagai upaya untuk
memperkirakan harga saham di masa mendatang. Dengan
analisis ini para analisis para analis memperkirakan
pergeseran penawaran (supply) dan permintaan (demand)
dalam jangka pendek, serta mereka berusaha untuk
cenderung mengabaikan risiko dan pertumbuhan laba
dalam menentukan barometer dari penawaran dan
permintaan. Namun demikian, analisis ini lebih mudah
dan cepat dibanding analisis fundamental, karena dapat
secara simultan diterapkan pada beberapa saham. Analisis
ini tidak menganggap bahwa analisis fundamental tidak
berguna, namun mereka menganggap bahwa analisis
fundamental terlalu rumit dan terlalu banyak mendasarkan
pada laporan keuangan emiten. Oleh karena itu, analisis
teknikal mendasarkan diri pada premis bahwa harga
saham tergantung pada penawaran dan permintaan saham
itu sendiri. Data finansial historis yang tergambar pada
diagram dipelajari untuk mendapatkan suatu pola yang
berarti, dan pola tersebut digunakan untuk memprediksi
harga di masa mendatang, serta untuk memperkirakan
21
pergerakan individual saham maupun pergerakan indeks
pasar (market index).
3) Membentuk Portofolio
Dalam tahap ini dilakukan indentifikasi terhadap efek-efek
mana yang akan dipilih dan berapa proporsi dana yang akan
diinvestasikan pada masing-masing efek tersebut. Efek yang
dipilih dalam rangka pembentukan portofolio adalah efek-efek
yang mempunyai koefisien korelasi negatif (mempunyai
hubungan berlawanan). Hal ini dilakukan karena dapat
menurunkan risiko.
4) Mengevaluasi Kinerja Portofolio
Dalam tahap ini dilakukan evaluasi atas kinerja portofolio
yang telah dibentuk, baik terhadap tingkat pengembalian yang
diharapkan maupun terhadap risiko yang ditanggung. Sebagai
tolak ukur digunakan dua cara, pertama, pengukuran
(measurement) adalah penilaian kinerja portofolio atas dasar
asset yang telah ditanamkan dalam portofolio tersebut,
misalnya dengan menilai tingkat pengembalian. Kedua,
perbandingan (comparison) yaitu penilaian berdasarkan pada
perbandingan dua set portofolio dengan tingkat resiko yang
sama
22
5) Merevisi Kinerja Portofolio
Dalam tahap ini tindak lanjut dari tahap evaluasi kinerja
portofolio. Dari hasil evaluasi inilah selanjutnya dilakukan
revisi (perubahan) terhadap efek-efek yang membentuk
portofolio tersebut jika dirasa bahwa komposisi portofolio
yang sudah dibentuk tidak sesuai dengan tujuan investasi,
misalnya tingkat pengembaliannya lebih rendah dari yang
disyaratkan. Revisi tersebut dapat dilakukan secara total, yaitu
dilakukan likuidasi atas portofolio yang ada, kemudian
dibentuk portofolio yang baru. Atau dilakukan secara terbatas,
yaitu dilakukan perubahan atas proporsi atau komposisi dana
yang dialokasikan dalam masing-masing efek yang
membentuk portofolio tersebut. (Abdul halim, 2005: 4-6)
3. Saham
Instrumen pasar modal pada prinsipnya adalah semua surat
berharga (efek) yang umum diperjualbelikan melalui bursa efek di
Indonesia saat ini adalah saham. Wujud saham adalah selembar
kertas yang menerangkan bahwa pemilik kertas tersebut adalah
pemilik perusahaan yang menerbitkan kertas tersebut. Membeli
saham tidak ubahnya dengan menabung. Imbalan yang akan
diperoleh dari kepemilikan saham adalah kemampuannya
memberikan keuntungan yang tidak terhingga. Tidak terhingga ini
bukan berarti keuntungan investasi saham biasa sangat besar, tetapi
23
tergantung pada perkembangan perusahaan penerbitnya. Karena
laba yang besar tersebut menyediakan dana yang besar untuk
didistribusikan kepada pemegang saham sebagai deviden. Dengan
kepemilikan saham, pemegang saham juga dapat memperoleh
capital gain. Capital gain akan diperoleh bila ada kelebihan harga
jual di atas harga beli. (Rodoni, 2006 dalam Retno Kumala, 2009:
10).
Selanjutnya saham dapat dibedakan menjadi dua, yaitu saham biasa
(common stock) dan saham preferen (preffered stock). Penjelasan dari
kedua jenis saham tersebut adalah sebagai berikut:
a. Saham Biasa (common stock)
Saham biasa dikenal sebagai sekuritas penyertaan, sekuritas
ekuitas, atau cukup disebut ekuitas (equities), menunjukkan bagian
kepemilikan di sebuah perusahaan. Masing – masing lembar saham
biasa mewakili satu suara tentang segala hal dalam pengurusan
perusahaan dan menggunakan suara tersebut dalam rapat tahunan
perusahaan dan pembagian keuntungan. Adapun beberapa ciri dari
saham biasa adalah sebagai berikut:
1) Deviden dibayarkan sepanjang perusahaan memperoleh laba.
2) Memiliki hak suara (one share one vote).
3) Hak memperoleh pembagian kekayaan perusahaan apabila
bangkrut (dilakukan setelah semua kewajiban perusahaan
dilunasi).
24
b. Saham Preferen (preffered stock)
Saham preferen memiliki fitur yang serupa dengan ekuitas
sekaligus utang. Saham preferen adalah gabungan (hybrid) antara
obligasi dan saham biasa, artinya disamping memiliki karakteristik
seperti obligasi juga memiliki karakteristik saham biasa (Rodoni,
2006 dalam Retno Kumala, 2009: 11).
Seperti halnya obligasi, pemegang saham preferen akan
mendapatkan pembayaran tetap dari laba setiap tahun. Adapun
beberapa ciri dari saham preferen adalah sebagai berikut:
1) Memiliki hak utama/ terlebih dahulu dalam pembagian
deviden.
2) Tidak memiliki hak suara.
3) Memiliki hak pembayaran maksimum sebesar nilai nominal
saham lebih dahulu setelah kreditur, apabila perusahaan
dilikuidasi.
4) Kemungkinan dapat memperoleh tambahan dari pembagian
laba perusahaan disamping penghasilan yang diterima secara
tetap.
Menurut Tendelilin (2001) dalam Retno Kumala (2009: 12)
keuntungan yang mungkin diterima oleh para investor yang membeli
saham adalah:
a. Capital gain, yaitu keuntungan dari hasil jual beli saham, berupa
selisih antara nilai jual yang lebih tinggi dari pada nilai beli saham.
25
b. Deviden, yaitu bagian keuntungan perusahaan yang akan dibagikan
kepada pemegang saham.
c. Saham perusahaan, seperti juga tanah dan aktifa berharga sejenis,
nilainya akan meningkat sejalan dengan waktu dan perkembangan
atau kinerja perusahaan. Investor jangka panjang mengandalkan
kenaikan nilai saham ini untuk meraih keuntungan dari investasi
saham.
d. Saham juga dapat dijaminkan ke bank untuk memperoleh kredit
sebagai agunan tambahan dari agunan pokok.
Kerugian yang mungkin diterima oleh para investor yang membeli
saham adalah:
a. Capital loss, yaitu kerugian dari hasil jual beli saham, berupa
selisih antara milai jual yang lebih rendah dari pada nilai beli
saham.
b. Opportunity loss, yaitu kerugian berupa selisih suku bunga
deposito dikurangi total hasil yang diperoleh dari investasi saham.
c. Kerugian karena perusahaan dilikuidasi, namun nilai likuidasinya
lebih rendah dari harga beli saham.
4. Return Saham
1. Definisi Return Saham
Menurut Megginson (1997) dalam Retno Kumala (2009: 13)
return saham diukur sebagai total keuntungan atau kerugian yang
dialami oleh pemilik saham dalam periode tertentu. Return saham
26
dinyatakan sebagai perubahan dari nilai asset (capital gain yang
berarti keuntungan dari penjualan saham kembali) atau cash
distributions (devidens yang berarti begian laba perusahaan yang
dibagikan perseroan kepada pemegang saham/ interest payments)
yang biasa dinyatakan dalam suatu tingkat persentase tahunan.
2. Model Harga Saham Untuk Menghitung Tingkat Pengembalian
Return saham dapat digunakan untuk menghitung efisiensi
pasar modal. Sears and Trennepodl (1993) menguraikan empat model
untuk menghitung return saham yang paling umum digunakan
menurut Fama (1970) yaitu;
a. The fair-game model
x 100%
Dimana :
R = Pengembalian
Pt = Harga penutupan hari tersebut
Pt-1 = Harga penutupan hari sebelumnya
b. The martingale model
E {Yt+1 │Y0, Y1, .... , Yt } = Yt
c. The submartingale model
E {Pt+1 │P0, P1, .... , Pt } > Pt
d. The random walk model
f {rt+1 │r0, r1, .... , rt } = f (rt)
27
f (rt) = distribusi probabilitas dari return untuk sekuritas i
untuk periode t - n sampai t
5. Efisiensi Pasar
a. Konsep Pasar Efisiensi
Konsep pasar efisien pertama kali dikemukakan oleh Fama
(1970). Dalam konteks ini yang dimaksud dengan pasar adalah pasar
modal (capital market) dan pasar uang. Suatu pasar dikatakan efisien
apabila tidak seorangpun, baik investor individu maupun investor
institusi akan mampu memperoleh return tidak normal (abnormal
return) setelah disesuaikan dengan resiko, dengan strategi
perdagangan yang ada. Artinya, harga – harga yang terbentuk di pasar
merupakan cerminan dari informasi yang ada atau ”stock prices
reflect all available information”
Definisi dari Fama ini menekannkan pada dua aspek, yaitu
fully reflect dan information available. Pengertian dari fully reflect
menunjukkan bahwa harga dari sekuritas secara akurat mencerminkan
informasi yang tersedia. Dalam hal ini, informasi yang tersedia dapat
meliputi semua informasi, baik informasi di masa lalu (misalnya,
labaemiten di masa lalu), informasi saat ini (misalnya, rencana
kenaikan deviden tahun ini) maupun informasi yang bersifat pendapat
atau opini rasional yang beredar di bursa yang dapat mempengaruhi
perubahan harga (misalnya, banyak pemodal yang berpendapat bahwa
harga saham akan naik, maka informasi tersebut nantinya akan
28
tercermin pada perubahan harga saham yang cenderung naik). Dengan
demikian pasar dikatakan efisien menurut Fama.
Sedangkan dengan informasi yang tersedia (information
available) maka para pemodal secara akurat dapat mengekspektasikan
harga dari sekuritas yang bersangkutan. Karena informasi yang
mempengaruhi harga sekuritas tersebut terjadi secara acak, maka
perubahan harga yang terjadi akan bersifat independen satu dengan
lainnya dan bergerak secara acak pula. Artinya, perubahan harga yang
terjadi hari ini tidak tergantung pada perubahan harga yang terjadi di
waktu lalu, karena harga baru tersebut terbentuk berdasarkan reaksi
pemodal terhadap informasi baru yang terjadi secara acak.
Menurut Blake (1990) istilah pasar modal yang efisien
memiliki beberapa konsep yang berbeda yaitu:
1. Efisiensi secara alokasi (allocatively efficient)
2. Efisiensi secara operasional (operationally efficient), dan
3. Efisiensi secara informasi (informationally efficient)
Walaupun terdapat beberapa konsep pasar efisien, istilah pasar
efisien pada umumnya hanya dikaitkan dengan salah satu dari ketiga
konsep tersebut, yaitu efisiensi secara informasi (informationally
efficient), yaitu suatu pasar dikatakan efisien secara informasi jika
harga pasar saat ini segera dan sepenuhnya merefleksikan semua
informasi yang tersedia.
29
Dalam hal ini, Haugen (2001) membagi kelompok informasi
menjadi tiga, yaitu :
1. Informasi harga saham masa lalu (information in past stock
prices),
2. Semua informasi public (all public information), dan
3. Semua informasi yang ada termasuk informasi orang dalam
(all available information including inside or private
information).
Konsep pasar efisien ini memang sangat menarik untuk
dibahas atau diteliti, karena merupakan konsep dasar yang dapat
membantu memahami mekanisme harga yang terjadi di pasar.
Efisiensi pasar dapat didefinisikan dalam beberapa jenis definisi, yaitu
(Ernawati dan Widjaja, 2002 dalam Retno Kumala; 2009,18) :
1. Berdasarkan Nilai Intrinsik Sekuritas
Nilai intrinsik adalah nilai sebenarnya dari saham yang
dapat diketahui setelah melakukan analisis fundamental
dengan menggunakan data keuangan emiten. Dalam konteks
ini, efisiensi pasar diukur dari besarnya penyimpangan harga –
harga sekuritas dari nilai intrinsiknya (Beaver, 1970). Dengan
demikian, suatu pasar yang efisien menurut konsep ini dapat
didefinisikan sebagai pasar yang nilai-nilai sekuritasnya tidak
menyimpang dari nilai intrinsiknya.
30
Konsep awal dari efisiensi pasar yang berhubungan
dengan informasi laporan keuangan berasal dari praktik
analisis sekuritas yang mencoba menemukan sekuritas-
sekuritsanya yang dihargai kurang benar (mispriced).
Sekuritas-sekuritas yang dihargai kurang benar merupakan
sekuritas – sekuritas yang harganya menyimpang dari nilai
intrinsiknya atau nilai fundamentalnya. Nilai intrinsik adalah
nilai sebenarnya dari saham yang dapat diketahui setelah
melakukan analisis fundamental dengan menggunakan data
keuangan emiten.
Perkembangan konsep efisiensi pasar selanjutnya
tampaknya tidak berpegang pada konsep nilai intrinsik.
Konsep efisiensi pasar lebih menjurus ke aspek akurasi return
yang diharapkan oleh investor, ketersediaan informasi, dan
kecepatan pasar menyerap informasi tersebut.
2. Berdasarkan Akurasi dan Ekspektasi Harga
Efisiensi pasar berdasarkan akurasi dan ekspektasi harga,
menurut Fama (1970) adalah pasar yang harga-harga
sekuritasnya mencerminkan secara penuh informasi yang
tersedia. Definisi Fama ini menekankan pada dua aspek, yaitu
”fully reflect” dan ”information available”.
Definisi efisiensi ini menimbulkan banyak perdebatan.
Beaver (1989) menyatakan bahwa definisi ini tidak jelas, tidak
31
operasional dan sirkular. Misalnya, terdapat informasi baru
yang masuk ke pasar dan menjadi tersedia untuk semua pelaku
pasar dan kemudian terlihat bahwa harga sekuritas yang
berhubungan dengan informasi ini berubah. Karena informasi
yang dibutuhkan tersedia dan harga yang berubah secara penuh
mencerminkan informasi ini, maka secara definisi dapat
dikatakan bahwa pasar efisien. Inilah yang disebut sirkular
oleh Beaver, yaitu harga tersebut tentu saja berubah karena
informasi tersedia. Tetapi apakah keadaan seperti ini dapat
disebut pasar efisien? Definisi ini tidak menunjukkan seberapa
cepat dan tepat perubahan harga tersebut diakibatkan oleh
informasi yang tersedia. Definisi Fama (1970) hanya
menunjukkan bahwa perubahan harga saja sudah cukup untuk
mengatakan pasar sudah efisien.
Dyckman dan Morse (1986) menyatakan bahwa istilah
”fully reflect” tidak jelas. Harga sekuritas berubah karena
adanya perubahan kepercayaan investor akibat adanya
informasi baru. Proses penyebaran informasi untuk
membentuk kepercayaan baru terhadap harga sekuritas akan
menentukan tingkat efisiensi pasar. Proses distribusi infomasi
ini menunjukkan seberapa merata penyebaran informasi ini
pada setiap orang.
32
Fama sendiri menyadari bahwa definisinya sulit
dibuktikan secara empiris. Fama mencoba memformalkan
definisinya dengan mendefinisikan suatu fungsi harga di masa
mendatang yang tergantung pada seperangkat informasi yang
tersedia pada periode sekarang. Kedua fungsi harga ini akan
dibandingkan. Fama juga mengemukakan dibutuhkannya suatu
model ekuilibrium untuk menentukan fungsi harga – harga di
masa datang akibat informasi sekarang. Dengan demikian,
hipotesis pasar efisien dapat diuji dengan adanya model
ekuilibrium (misalnya CAPM) dan efisiensi pasar.
3. Berdasarkan Distribusi Informasi
Definisi pasar sebelumnya hanya menekankan akurasi
harga ekspektasi, tapi mengabaikan isu penyebaran informasi
dan mengasumsikan bahwa semua investor mempunyai
pengharapan yang sama (common expectation) atau
kepercayaan yang sama (homogenous beliefs). Sebenarnya
definisi yang menggunakan akurasi ekspektasi harga sekuritas
ini bermasalah, yaitu jika ternyata investor memiliki ekpektasi
yang heterogen (berbeda), maka akan timbul pertanyaan:
”Ekspektasi siapa yang akan digunakan?”. Dengan adanya
heterogeneus beliefs, maka harga sekuritas tidak lagi
merefleksikan sepenuhnya (fully reflect) informasi yang
tersedia karena masingmasing investor mempunyai informasi
33
dan ekspektasi yang berbeda (Limopranoto, 2003 dalam Retno
Kumala; 2009, 21).
Beaver (1989) memberikan definisi efisiensi pasar yang
didasarkan pada distribusi informasi yaitu jika dan hanya jika
hargaharga sekuritas bertindak seakan-akan setiap orang
mengamati sistem informasi tersebut. Definisi ini secara
implisit mengatakan bahwa jika setiap orang mengamati suatu
sistem informasi, maka setiap orang dianggap mendapatkan
informasi yang sama. Beaver berargumentasi jika harga-harga
sekuritas mempunyai properti seperti yang didefinisikannya,
maka harga – harga tersebut dikatakan fully reflect informasi
yang tersedia.
Definisi Beaver ini mempunyai arti bahwa pasar
dikatakan efisien terhadap seperangkat informasi yang spesifik
jika harga yang terjadi setelah informasi yang diterima oleh
pelaku pasar sama dengan harga yang terjadi jika setiap orang
mendapatkan seperangkat informasi tersebut. Harga yang
terjadi di pasar yang efisien ini disebut ”full-information
price”.
4. Berdasarkan Proses Dinamik
Efisiensi pasar berdasarkan proses dinamis
mempertimbangkan distribusi informasi yang tidak simetris
dan kecepatan proses distribusinya. Informasi yang tidak
34
simetris (information asymmetric) adalah informasi private
yang hanya dimiliki oleh pemodal yang mendapat informasi
saja. Informasi asimetris ini dapat merugikan pasar modal yang
menawarkan sekuritas berkualitas. Berdasarkan alasan ini,
emiten yang menawarkan sekuritas berkualitas secara sukarela
mengungkapkan semua informasi yang dimiliki sehubungan
dengan sekuritas tersebut untuk mengurangi informasi
asimetris (Ernawati dan Widjaja, 2002 dalam Retno Kumala;
2009, 22).
Definisi efisiensi pasar yang didasarkan pada proses
dinamik mempertimbangkan distribusi informasi yang tidak
simetris dan menjelaskan bagaimana harga – harga akan
menyesuaikan karena informasi yang tidak simetris tersebut.
Definisi yang mendasarkan pada proses dinamik ini
menekankan pada kecepatan penyebaran informasi yang tidak
simetris. Pasar dikatakan efisien jika penyebaran informasi ini
dilakukan secara cepat sehingga informasi menjadi simetris,
yaitu setiap orang memiliki informasi ini.
Awal dari literatur efisiensi pasar mengasumsikan bahwa
kecepatan penyesuaian harga sekuritas karena penyebaran
informasi yang ada terjadi dengan seketika. Konsep terbaru
dari efisiensi pasar tidak mengharuskan kecepatan penyesuaian
35
harus terjadi dengan seketika, tetapi terjadi dengan cepat
setelah informasi disebarkan dan tersedia bagi semua orang
Jones (1996) memberikan definisi pasar efisien sebagai
pasar yang harga – harga sekuritasnya secara cepat
mencerminkan semua informasi yang tersedia atas sekuritas
tersebut, sehingga informasi menjadi simetris dalam arti setiap
pemodal memiliki informasi ini.
b. Kondisi dan Mekanisme Pasar Modal Yang Efisien
Membahas pasar efisien, pasti menimbulkan pertanyaan
mengapa harus ada konsep pasar efisien dan mungkinkah pasar efisien
ada dalam kehidupan nyata. Untuk menjawab pertanyaan tersebut,
kondisi-kondisi berikut idealnya harus terpenuhi (Gumanti dan Utami,
2002 dalam Retno Kumala; 2009, 23):
1. Banyak terdapat investor rasional dan berorientasi pada
maksimalisasi keuntungan yang secara aktif berpartisipasi di
pasar dengan menganalisa, menilai, dan berdagang saham.
2. Tidak diperlukan biaya untuk mendapatkan informasi dan
informasi tersedia bebas bagi pelaku pasar pada waktu yang
hampir sama (tidak jauh berbeda).
3. Informasi diperoleh dalam bentuk acak, dalam arti setiap
pengumuman yang ada di pasar adalah bebas atau tidak
terpengaruh dari pengumuman yang lain.
36
4. Investor bereaksi dengan cepat dan sepenuhnya terhadap
informasi baru yang masuk ke pasar, yang menyebabkan harga
saham segera melakukan penyesuaian.
Menurutnya kondisi-kondisi di atas mungkin terkesan kaku
atau akan sulit untuk dapat dipenuhi dalam kehidupan sehari-hari.
Harus diakui bahwa akan sulit sekali untuk mewujudkan kondisi
sebagaimana di atas.
Walaupun demikian, perlu dipertimbangkan seberapa dekat
kondisi-kondisi tersebut dengan kenyataan yang ada di pasar satu per
satu.
Hendrawaty (2007) memaparkan hal yang serupa dengan
Gumanti (2002) dalam Retno Kumala (2009: 24), dimana aspek yang
merupakan syarat utama terbentuknya suatu pasar modal yang efisien
adalah sebagai berikut:
1. Terdapat banyak pelaku pasar dalam hal ini penjual dan
pembeli sekuritas yang bersifat bebas (free market).
2. Ketersediaan dan penyebaran informasi.
3. Harga saham berfluktuasi bebas.
4. Terdapat analis investasi dalam jumlah besar di pasar modal.
c. Hipotesis Pasar Efisien
Hipotesis pasar efisien menurut Blake (1991) adalah: ”...that
market price instanteously and fully reflect all relevant available
37
information is known as efficient markets hypothesis”. Dari definisi
tersebut terdapat tiga hal yang penting untuk dipahami, yaitu:
1. Fully Reflect
Investor akan mengolah semua informasi yang relevan ke
dalam harga saham pada saat akan membuat keputusan akan
menjual atau membeli saham. Harga sekarang yang terjadi
mencerminkan semua informasi yang tersedia.
2. All Relevant Available Information/ All Known Information
Informasi yang direfleksikan dalam harga saham berasal
dari informasi perubahan harga saham di masa lalu (historical
price information), informasi yang terasedia di publik (public
information) dan semua informasi dan informasi yang tidak
tersedia di publik (inside information).
3. Instanteously/ Quickly and Accurately
Harga keseimbangan yang terbentuk di pasar modal tidak
akan berubah selama tidak ada informasi baru yang dapat
merubah kekuatan permintaan dan penawaran. Pada saat suatu
informasi baru yang relevan masuk ke pasar modal, kekuatan
permintaan dan penawaran atas satu atau beberapa saham akan
bereaksi, sehingga akan terbentuk harga keseimbangan yang
baru. Semakin cepat informasi diserap oleh pasar, maka pasar
modal tersebut akan semakin efisien.
38
Jika hipotesis pasar efisien tersebut terbukti, maka pasar
dalamckeadaan continous stochastic equilibrium, yang berarti harga
pasar sahamcakan sama dengan nilai fundamental saham tersebut.
Nilai fundamental suatu saham tidak akan berubah selama tidak ada
informasi baru mengenai saham tersebut. Informasi baru atau berita
umumnya tudak dapat diprediksi, implikasinya adalah harga saham
masa lalu tidak dapat digunakan untuk memprediksi harga saham di
masa yang akan datang. Dengan kata lain menurut hipotesis pasar
efisien, harga pasar suatu asset akan mengikuti langkah acak/ random-
walk.
d. Tingkatan Efisiensi Pasar
Haugen (1993) menyatakan bahwa ”The market is neither
strictly efficient nor strictly inefficient. The question is one of degree.
Just how efficient is the market?”. Bowman dan Buckanan (1995)
juga menyatakan “Market are not simply either efficient or inefficient.
Market efficiency can be viewed as a continnum running from the
perfect market to the grossly inefficient market where excess earning
opportunities abound”. Berdasarkan kedua pernyataan tersebut
diperoleh suatu kesimpulan bahwa pada dasarnya pasar tidak ada yang
secara sempurna efisien atau sepenuhnya tidak efisien. Semuanya
adalah efisien dengan tingkat atau derajat tertentu. Kunci utama untuk
mengukur pasar yang efisien adalah hubungan antara sekuritas dengan
informasi.
39
Tiga bentuk utama dari efisiensi pasar berdasarkan ketiga
macam bentuk informasi (Hendrawaty, 2007 dalam Retno Kumala;
2009, 27) yaitu:
1. Efisiensi Bentuk Lemah (Weak Form)
Pasar dikatakan efisien dalam bentuk lemah jika harga –
harga saham saat ini telah mencerminkan secara penuh semua
informasi harga saham di masa lalu. Jones (1993) menyatakan
bahwa hipotesis efisiensi pasar bentuk lemah berkaitan namun
tidak identik dengan hipotesis langkah acak (random-walk
hypothesis). Jika harga mengikuti langkah acak, perubahan
harga sepanjang waktu bersifat acak (independent). Perubahan
harga hari ini tidak berkaitan dengan perubahan harga kemarin
atau hari – hari lainnya. Dengan kata lain, harga masa lalu
tidak berhubungan dengan nilai sekarang dan tidak dapat
dipergunakan untuk memprediksi pergerakan harga.
Salah satu cara untuk menguji efisiensi pasar bentuk
lemah adalah dengan menguji independensi perubahan harga
secara statistik, yaitu menggunakan serial correlation test.
Serial correlation test mengukur korelasi perubahan harga
pada bermacam – macam lag waktu, seperti satu hari, dua hari
dan seterusnya.
2. Efisiensi Bentuk Setengah Kuat (Semi-Strong Form)
40
Pasar diakatakan efisien dalam bentuk setengah kuat jika
harga-harga saham mencerminkan secara penuh semua
informasi yang dipublikasikan termasuk informasi yang berada
di laporan-laporan keuangan perusahaan emiten. Jika pasar
efisien dalam bentuk setengah kuat, maka tidak ada investor
atau group dari investor yang dapat menggunakan informasi
yang dipublikasikan untuk mendapat keuntungan abnormal
dalam jangka waktu yang lama.
Pengujian efisiensi bentuk setengah kuat menggunakan
event study test. Event study merupakan metode yang
mempelajari reaksi pasar terhadap suatu peristiwa. Studi ini
melakukan pengamatan terhadap perilaku harga saham secara
cermat untuk megetahui bagaimana saham bereaksi. Jika
terdapat penundaan dalam penyesuaian harga dan investor
dapat memanfaatkan penundaan ini untuk memperoleh
keuntungan abnormal, maka pasar modal tersebut tidak efisien
dalam bentuk setengah kuat.
3. Efisiensi Bentuk Kuat (Strong Form)
Pasar dikatakan efisien dalam bentuk kuat jika harga –
harga sekuritas secara paenuh mencarminkan semua informasi
yang tersedia, termasuk informasi private. Jika pasar efisien
dalam bentuk kuat, maka tidak ada individual investor atau
41
institutional investor yang dapat memperoleh keuntungan
abnormal sekalipun mereka memiliki informasi private.
Cara untuk menguji efisiensi bentuk kuat adalah meneliti
kinerja kelompok yang diperkirakan memiliki akses informasi
yang tidak dipublikasikan, yaitu para corporate insiders dan
para portfolio managers. Jika kelompok ini terbukti
memperoleh tingkat pendapatan di atas rata-rata, maka pasar
dikatakan tidak efisien dalam bentuk kuat.
e. Hubungan Antar Tiga Tingkat Efisiensi Pasar
Hubungan bentuk efisiensi pasar dengan ketersediaan
informasi digambarkan oleh Jones (1993) seperti di bawah ini:
Gambar 2.1
Hubungan Bentuk Efisiensi Pasar dengan Ketersediaan Informasi
Strong Form
Semi-Strong Form
Weak Form
Sumber: Erny Hendrawati
Gambar tersebut menunjukkan bahwa jika ada sangkalan
terhadap efisiensi pasar bentuk lemah, maka sanggahan berlaku bagi
efisiensi pasar bentuk setengah kuat dan kuat. Jika pasar efisien dalam
bentuk lemah maka otomatis pasar juga tidak efisien dalam bentuk
All Information Public and Private
All Public Information
Market Related Data
42
setengah kuat dan kuat. Sebaliknya, bila pasar efisien dalam bentuk
kuat, maka pasar pasti efisien dalam bentuk setengah kuat dan bentuk
lemah.
f. Uji Efisiensi Pasar
Perlu untuk diperhatikan bahwa tidak ada satu pengujian pun
yang dapat membuktikan suatu pasar modal efisien atau tidak.
Pengujian – pengujian yang dilakukan hanya untuk menunjukkan
(sampai tingkat keyakinan tertentu) rangkaian tingkat pengembalian
berdasarkan studi penilaian yang konsisten dengan pasar yang efisien.
Menurut EMH (1960‟s), harga saham lebih dipengaruhi oleh
emosi dari pada secara ekonomi, sehingga teori perilaku harga saham
yang berdasarkan pada argumentasi ekonomi dianggap tidak tepat.
Alder (1992) seorang phsychiatry, praktisi pasar modal dan penulis
buku ”Analisis Teknikal” menyatakan bahwa perasaan ribuan investor
atau pedagang bergabung menjadi satu ikatan psikologis yang
menggerakkan pasar. Setiap harga mewakili konsensus sementara
nilai semua peserta pasar (pedagang besar, spekulator, peneliti
fundamental dan teknikal) pada saat transaksi. Pernyataan tersebut
memperlihatkan bahwa terlepas dari segala informasi fundamental
yang ada di bursa, faktor psikologi manusia sangat mempengaruhi
pengambilan keputusan di bursa.
43
Hearth dan Zaima (1995) memngatakan bahwa implikasi dari
pasar modal yang efisien terhadap teknik-teknik investasi yang
populer, yaitu seperti:
1. Technical Analysis (Analisis Teknikal)
Analisis teknikal pada dasarnya merupakan upaya
pencarian pola perulangan yang dapat diprediksi dalam harga
saham (Bodie, et al. 2006: 481). Analisis teknikal juga
menyatakan bahwa harga saham mengikuti pola – pola yang
dapat diperkirakan sehingga para investor dapat menggunakan
pola tersebut untuk meramalkan harga saham dimasa datang.
Sedangkan menurut EMH, meski di pasar efisien bentuk
lemah sekalipun, teknikal analisis tidak akan dapat digunakan
mengingat harga saham hari ini telah secara penuh
mencerminkan semua informasi yang ada pada harga saham
masa lalu. Dengan kata lain, investor tidak akan dapat
menghasilkan laba yang abnormal secara konsisten. EMH juga
tidak sependapat bahwa teknikal analisis menunjukkan pola
investasi, kecuali bagi para pialang saham yang menerima
komisi dari perdagangan.
2. Fundamental Analysis (Analisis Fundamental)
Analisis fundamental mempelajari data ekonomi, seperti
tingkat suku bunga, penjualan dan penerimaan untuk
mengestimasi nilai intrinsik suatu saham. Analisis fundamental
44
percaya bahwa setiap saham dijual berdasarkan nilai
intrinsiknya, sehingga para analis akan mencari undervalued
dan overvalued suatu saham. Nilai intrinsik merupakan nilai
sesungguhnya dari sebuah saham atau nilai dasar ekonomi
tersebut dihitung sebagai nilai sekarang dari sebuah rangkaian
aliran kas yang dikembalikan kepada pemegang saham yang
berinvestasi dalam modal perusahaan.
EMH menyatakan bahwa bila seorang analis tergantung
pada data masa lampau dan data sekarang, maupun pada
informasi umum yang tersedia, maka rekomendasi yang
dihasilkan tidak akan selalu dapat menghasilkan laba
abnormal. Lebih dari itu, menurut EMH untuk dapat
mengalahkan pasar, seorang analis harus mempunyai
kemampuan untuk memperkirakan faktor-faktor fundamental
yang akan mempengaruhi harga saham di masa datang
sebelum pasar menyadarinya.
3. Active Versus Passive Management
Para pendukung hipotesis pasar efisien percaya bahwa
manajemen aktif merupaka upaya yang sia-sia dan tidak dapat
membenarkan pengeluaran yang dilakukan. Jadi mereka
menyarankan strategi investasi pasif (passive investment
strategy) yang tidak berusaha untuk melawan pasar. Sebuah
strategi pasif bertujuan hanya untuk membentuk portofolio
45
sekuritas yang terdiversifikasi dengan baik tanpa mencoba
menemukan saham yang dinilai terlalu rendah atau terlalu
tinggi (Bodie, et al, 2006: 486).
Manajemen pasif biasanya ditandai dengan ”strategi beli
dan tahan” (buy and hold strategy). Karena teori pasar efisien
menunjukkan bahwa harga saham berada pada tingkat yang
wajar, dengan seluruh informasi yang tersedia, maka tidak ada
alasan untuk melakukan jual dan beli secara intensif, yang
akan menimbulkan beban komisi pialang yang besar tanpa
meningkatkan ekspektasi kinerja. Satu strategi umum untuk
manajemen pasif adalah membentuk sebuah dana indeks
(index fund), dana yang dirancang untuk mereplikasi kinerja
indeks saham secara umum (Bodie, et. al, 2006: 487).
6. Random Walk
Secara umum, keefisienan pasar dapat dibagi dalam dua keadaan
yaitu:
a. Keefisienan penyaluran, apabila modal disalurkan kepada sektor
yang paling membutuhkan.
b. Keefisienan pengendalian, apabila modal dipindahkan dengan
biaya yang minimum atau tanpa biaya langsung.
Pasar juga dikatakan efisien apabila semua informasi yang relevan
digambarkan secara menyeluruh dalam harga saham tanpa lag waktu,
yang dikenal sebagai keefisienan dari segi penyerapan informasi. Karena
46
itu, harga saham adalah pada harga yang sebenarnya dan tidak terjadi
pada keadaaan harga terendah atau harga tertinggi dipasar, namun
demikian, keadaan tersebut akan terjadi berdasarkan ciri-ciri berikut:
a. Harga saham menanggapi atas informasi baru dengan cepat dan
tepat. Tidak ada jarak antara jangka waktu informasi diterima
dengan tanggapan harga. Sistem melakukan proses informasi dan
penyampaiannya adalah efisien dan mengambil waktu yang singkat
saja.
b. Informasi baru yang ada adalah secara random, maka harga juga
berubah secara random, harga saham pada waktu Pt tidak ada
hubungannya dengan harga pada waktu Pt-1. Singkatnya harga
saham hari ini tidak ada hubungannya dengan harga saham
sebelumnya.
c. Sembarang strategi perdagangan yang digunakan tidak akan
berhasil dipasar.
d. Para investor yang mempunyai informasi orang dalam (insider
information) tidak dapat memperoleh keuntungan melebihi
keuntungan pasar.
Model random walk didasarkan atas asumsi-asumsi berikut :
a. Pasar sempurna terjadi apabila terdapat banyak pembeli dan
penjual, serta terdapat kemudahan masuk dan keluar. Kontrol pihak
penguasa terhadap manipulasi harga juga adalah baik dan ketat.
47
b. Informasi disebarkan secara luas dan free-flow. Tidak ada learning
lag dan tidak ada biaya yang dikenakan untuk memperoleh
informasi.
c. Pergerakan harga saham baik meningkat atau menurun secara
bebas, tidak ada individu yang dapat mengontrol pergerakan harga.
d. Para analisis fundamental adalah banyak. Mereka dapat
mempengaru harga melalui laporan akutansi yang mengisyaratkan
apakah harga akan naik atau turun melalui informasi yang ada.
Tidak dinafikan bahwa kadang kala mereka tidak mempunyai
pandangan yang sama tentang nilai instrinsik saham itu.
Asumsi-asumsi tersebut dapat dirumuskan dalam dua asumsi utama
yaitu: pengharapan adalah rasional dan pasar saham adalah efisien.
Berdasarkan asumsi pasar adalah efisien sempurna dalam menyalurkan
modal, maka pasar akan berada dalam keseimbangan berkelanjutan, yaitu
setiap informasi baru akan menyebabkan nilai instrinsik dan harga saham
berubah ke arah tahap yang baru itu. Sebenarnya, kecepatan proses
penyesuaian harga melalui informasi baru adalah ukuran betapa
efisiennya suatu pasar saham itu.
Pada dasarnya terdapat tiga teori tentang pergerakan harga saham,
yaitu teori fundamental, teknikal dan model random walk. Tujuan utama
ketiga pendekatan tersebut adalah untuk menganalisis dan menyesuaikan
informasi yang obyektif dan subyektif agar suatu keputusan untuk
membeli, menjual atau memegang saham dapat dilakukan. Analisis
48
fundamental menilai saham dari segi nilai instrinsiknya berdasarkan
informasi tentang keadaan ekonomi, industri dan informasi akutansi serta
keuangan perusahaaan seperti output, kegiatan harian, permintaan
terhadap pengeluaran, pendapatan dividen dan manajemen. Setelah
memperoleh nilai instrinsik saham, perbandingan dilakukan dengan harga
saham dipasar apakah bertambah (overvalued) atau berkurang
(undervalued). Jika nilai berkurang saham itu akan dibeli, dan sebaliknya
jika nilai bertambah saham akan dijual.
Pendekatan teknikal menganalisis harga saham dengan melihat
harga dan jumlah perdagangan yang lalu. Kedua elemen yang lalu ini
dapat digunakan untuk memperkirakan pergerakan harga waktu yang
akan datang. Dalam analisis teknikal terdapat bermacam-macam jenis,
diantaranya yang subjektif seperti contrary opinion theories. Dalam
pendekatan teknikal informasi lain dianggap tidak penting kecuali
informasi harga dan jumlah perdagangan yang lalu.
Model random walk mengemukakan persoalan yaitu: apakah harga
saham atau tingkat keuntungan yang lalu dapat membantu untuk
meramalkan harga-harga saham atau tingkat keuntungan pada waktu yang
akan datang. Model ini menegaskan dua hipotesis utama yaitu perubahan
perubahan harga adalah bebas antara satu jangka watu dengan jangka
waktu yang lain, dan perubahan harga adalah mengikuti beberapa
distribusi probabilitas tertentu.
49
Intinya dalam model ini bahwa pergerakan harga adalah bergerak
secara random walk (acak). Karena itu, walaupun para investor
memperoleh informasi melalui orang dalam (insider information), ia
masih tidak dapat digunakan untuk memperkirakan pergerakan harga
saham pada waktu yang akan datang dengan tepat. Karena segala
informasi yang terkandung dalam harga saham itu sebaiknya diketahui
umum, teori ini berdasarkan pada pasar yang efisien yaitu: informasi saat
ini mudah didapatkan. Rintangan dalam aliran informasi dan kegiatan
kegiatan disinformations, yang bertujuan kekeliruan atau memberikan
gambaran kabur kepada para investor tentang pasar, tidak ada sama
sekali.
Ditinjau dari faktor ketidakpastian dan interpretasi yang berbeda
dengan informasi yang sampai, maka harga tidak semestinya sama dengan
nilai intrinsik saham tersebut. Keadaan seperti ini menyebabkan adanya
perbedaan antara harga pasar dengan nilai saham sebenarnya. Singkatnya,
reaksi pembeli dan penjual itu akan menyebabkan harga bergerak secara
random disekitar nilai saham sebenarnya.
Model random walk mulai hebat dibicarakan pada tahun 1960-an
dan seterusnya bermacam-mcam studi empirikal dilakukan untuk
membuktikannya. Namun demikian, masih terdapat kontroversi dari hasil
temuan studi tentang model ini sejak 1960-an hingga kini. Antara yang
mendukung dan menentang penggunaan model random walk untuk
menganalisis pergerakan harga. (Rodoni: 2005, 28-31)
50
B. Penelitian Terdahulu
Penelitian mengenai efisiensi pasar memiliki penelitian terdahulu yang
beragam, banyaknya keberagaman menjadi suatu teori bisa berubah dan tetap
sesuai dengan hubungan kenyataan. Adapun penelitian tedahulu yang relevan
dan menjadi landasan dalam penelitian ini tertuang dalam deskripsi sebagai
berikut.
Peneltian yang dilakukan oleh Samithamby Senthilnathan (2015)
dengan judul “The Efficient Market: Rambling Evidence in Asia and Pasific”.
Penelitian ini menguji efisiensi pasar di Asia dan kawasan Pasifik dengan
menggunakan tinjauan literatur dari berbagai penelitian sebelumnya. Hasil
penelitian menunjukkan bahwa pasar modal di Thailand, Singapura, Jepang,
dan Selandia Baru cukup mencerminkan efisiensi, sedangkan tidak di negara
lainnya berdasarkan hasil tinjauan literatur.
Penelitian yang dilakukan oleh Kasilingam Lingaraja, et. al (2014)
dengan judul “The Stock Market Efficiency of Emerging Markets: Evidence
from Asian Region”. Penelitian ini menguji efisiensi pasar di pasar saham
Asia yang sedang berkembang dengan menggunakan data harga saham harian
selama 10 tahun periode 1 Januari 2004 sampai 31 Desember 2013. Penelitian
ini menggunakan uji GARCH, Autokorelasi, dan Run Test untuk menguji
efisiensi pasar di pasar saham Asia yang sedang berkembang. Hasil penelitian
menunjukkan bahwa pada Indeks India, Indonesia, Malaysia, dan Filipina
sangat signifikan dan terdistribusi secara acak, sedangkan pada Indeks China,
51
Korea, Taiwan, dan Thailand tidak signifikan dan tidak terdistribusi secara
acak.
Penelitian yang dilakukan oleh Khoa Cuong Phan dan Jian Zhou (2014)
dengan judul “Market efficiency in emerging stock markets: A case study of
the Vietnam stock market”. Penelitian ini menguji efisiensi pasar bentuk
lemah di pasar modal Vietnam dengan menggunakan data harga saham
mingguan periode Juli 2000 sampai Juli 2013 (13 tahun). Penelitian ini
menggunakan uji Autokorelasi, Variance Ratio Test, dan Run Test untuk
menguji hipotesis bahwa pasr modal di Vietnam mengikuti pola random
walk. Hasil penelitian ini menunjukkan bahwa pasar modal Vietnam tidak
efisien.
Penelitian yang dilakukan oleh Wenty Yolanda, dkk (2014) dengan
judul “Penerapan Model Garch (Generalized Autoregressive Conditional
Heteroscedasticity) untuk Menguji Pasar Modal Efisien di Indonesia”.
Penelitian ini menguji efisiensi pasar modal di Indonesia khususnya pada
saham terpilih yaitu Indeks Saham LQ 45 dengan menggunakan data harga
saham harian peride 2009-2011. Penelitian ini menggunakan model GARCH
untuk menguji efisiensi pasar pada saham Indeks LQ 45. Hasil penelitian
dengan penerapan model GARCH (1,1) menunjukkan bahwa pada harga
penutupan harian (closing price) saham pada Indeks LQ 45 periode 2009-
2011, harga pada periode 3 hari dan 4 hari sebelumnya adalah yang paling
berpengaruh. Efisiensi pasar modal di Indonesia termasuk efisiensi bentuk
52
lemah (weak form efficiency) yang juga ditunjukkan oleh return harga saham
yang mengalami volatisitas dan random walk.
Penelitian yang dilakukan oleh Nasruldin (2011) dengan judul
“Pengujian Hipotesis Pasar Efisien Bentuk Lemah Pasar Modal di Indonesia
periode 2009-2010”. Penelitian ini menguji efisiensi pasar bentuk lemah di
pasar modal Indonesia selama periode 2009-2010 dengan menggunakan data
harga saham harian. Penelitian ini menggunakan uji run test dan korelasi seri
untuk menguji kerandoman dan korelasi harga saham. Hasil penelitain
menunjukkan bahwa pasar modal di Indonesia efisien dalam bentuk lemah.
Penelitian yang dilakukan oleh Francesco Guidi dan Rakesh Gupta
(2011) dengan judul “Are ASEAN stock market efficient? Evidence from
univariate and multivariate variance ratio tests”. Penelitian ini menguji
efisiensi pasar di ASEAN dengan menggunakan data harga saham harian
periode Januari 2000 sampai April 2011. Penelitian ini meggunakan uji Unit
Root Test, Variance Ratio Test, dan Run Test untuk menguji efisiensi pasar
bentuk lemah di pasar modal ASEAN. Hasil penelitian ini menunjukkan
bahwa di pasar Indonesia, Malaysia, Filipina, dan Vietnam menolak efisiensi
pasar, sedangkan pada pasar Singapura dan Thailand ditemukan efisiensi
bentuk lemah.
Penelitian yang dilakukan oleh Kasihif Hamid, et. al (2010) dengan
judul “Testing the Weak form of Efficient Market Hypothesis: Empirical
Evidence from Asia-Pasific Markets”. Penelitian ini menguji efisiensi pasar
bentuk lemah di Pakistan, India, Sri Langka, China, Korea, Hong Kong,
53
Indonesia, Malaysia, Filipina, Singapura, Thailand, Taiwan, Japan, dan
Australia. Observasi pada penelitian ini selama periode Januari 2004 samapi
Desember 2009 dengan menggunakan data bulanan. Penelitian ini
menggunakan uji Autokorelasi, Ljung-Box Q-statistik, Run Test, Unit Root
Test dan Variance Ratio untuk menguji hipotesis bahwa pasar modal
mengikuti random walk. Hasil penelitian menunjukkan bahwa return bulanan
pada pasar modal di Asia Pasifik tidak mengikuti pola random walk.
54
Tabel 2.1
Penelitian Terdahulu
No. Peneliti Judul
Penelitian/Tahun
Metode
Penelitian
Perbedaan Hasil Penelitian
1 Samithamby The Efficient
Market: Rambling
Evidence in Asia
and Pasific/2015
Tinjauan
Literatur
Penulis
menggunakan
analisis statistik
Hasil penelitian
menunjukkan
bahwa pasar
modal di Thailand,
Singapura, Jepang,
dan Selandia Baru
cukup
mencerminkan
efisiensi, tidak di
negara lain sesuai
tinjauan literatur
penelitian ini
2 Kasilingam,
et.al
The Stock Market
Efficiency of
Emerging
Markets:
Evidence from
Asian
Region/2014
GARCH,
Autokorelasi
dan Runs
Test
Penulis
mengambil objek
penelitian di
ASEAN
Hasil penelitian
menunjukkan
bahwa indeks
India, Indonesia,
Malaysia, dan
Filipina sangat
signifikan dan
terdistibusi secara
acak. Sedang
Indeks China,
Korea, Taiwan,
dan Thailand tidak
signifikan dan
tidak terdistribusi
acak.
3 Khoa Cuong
Phan dan Jian
Zhou
Market efficiency
in emerging stock
markets: A case
study of the
Vietnam stock
market /2014
Autokorelasi
, Variance
Ratio Test,
dan Run
Test
Penulis
menggunakan
metode
tambahan yaitu
ARIMA dan
ARCH/GARCH
Hasil penelitian ini
menunjukkan
bahwa pergerakan
harga saham
harian pada indeks
saham Vietnam
(VN-Index) tidak
efisien dalam
bentuk lemah.
4 Wenty
Yolanda, dkk
Penerapan Model
Garch
(Generalized
Autoregressuve
Model
GARCH
Penulis
menggunakan
metode
tambahan yaitu
Hasil penelitian ini
menunjukkan
bahwa efisiensi
pasar modal di
55
Conditional
Heteroscedascity)
untuk Menguji
Pasar Modal
Efisien di
Indonesia/2014
Run Test dan
Autokorelasi
Indonesia
termasuk efisiensi
bentuk lemah
yang dintunjukkan
oleh return harga
saham yang
mengalami
volatilitas dan
random walk.
5 Nasruldin Pengujian
Hipotesis Pasar
Efisien Bentuk
Lemah Pasar
Modal di
Indonesia periode
2009-2010/2011
Run Test
dan Korelasi
Seri
Penulis
menggunakan
metode
tambahan yaitu
ARIMA dan
ARCH/GARCH
Hasil penelitian
menunjukkan
bahwa pasar
modal di
Indonesia efisien
dalam bentuk
lemah
6 Francesco
Guidi dan
Rakesh Gupta
Are ASEAN stock
market efficient?
Evidence from
univariate and
multivariate
variance ratio
tests /2011
Unit Root
Test,
Variance
Ratio Test,
dan Run
Test
Penulis
menggunakan
metode
tambahan yaitu
ARIMA dan
ARCH/GARCH
Hasil penelitian ini
menunjukkan
bahwa menolak
EMH untuk pasar
saham Indonesia,
Malaysia, Filipina,
dan Vietnam.
Studi ini
menemukan pasar
saham di
Singapura dan
Thailand adalah
efisien bentuk
lemah.
7 Kashif Hamid,
et.al
Testing the Weak
form of Efficient
Market
Hypothesis:
Empirical
Evidence from
Asia-Pasific
Markets /2010
Autokorelasi
, Ljung-Box
Q-statistik,
Run Test,
Unit Root
Test dan
Variance
Ratio
Penulis
menggunakan
metode
tambahan yaitu
ARIMA dan
ARCH/GARCH
Hasil penelitian ini
menunjukkan
bahwa harga
bulanan tidak
mengikuti random
walk di semua
negara-negara
kawasan Asia-
Pasifik.
56
C. Kerangka Pemikiran
Secara sistematis alur kerangka pemikiran dalam penelitian ini
digambarkan sebagai berikut.
Gambar 2.2
Kerangka Pemikiran
Gambar 2.2
Kerangka Pemikiran
Efficient Market Hypothesis (EMH)
Pasar Modal ASEAN
Indonesia/JKSE
Malaysia/KLSE
Singapura/STI
Filipina/PSI
Thailand/SETI
Vietnam/VNI
Kesimpulan dan Saran
Analisis Pokok Bahasan (Interpretasi Hasil Uji)
Metode Analisis Data
Model
ARCH/GARCH
Model ARIMA Uji
Autokorelasi
Uji Run Test Uji
Kolmogorov
Smirnov
57
D. Hipotesis Penelitian
Hipotesis merupakan jawaban masalah atau pertanyaan penelitian yang
dikembangan berdasarkan teori-teori yang perlu diuji melalui proses
pemilihan, pengumpulan, dan analisis data. Adapun hipotesis dalam
penelitian ini dapat dijelaskan sebagai berikut:
H1 : Pasar modal di Indonesia efisien dalam bentuk lemah periode 2011-2015
H2 : Pasar modal di Malaysia efisien dalam bentuk lemah periode 2011-2015
H3 : Pasar modal di Singapura efisien dalam bentuk lemah periode 2011-
2015
H4 : Pasar modal di Filipina efisien dalam bentuk lemah periode 2011-2015
H5 : Pasar modal di Thailand efisien dalam bentuk lemah periode 2011-2015
H6 : Pasar modal di Vietnam efisien dalam bentuk lemah periode 2011-2015
H7 : Pasar modal di ASEAN efisien dalam bentuk lemah periode 2011-2015
58
BAB III
METODOLOGI PENELITIAN
A. Ruang Lingkup Penelitian
Ruang lingkup penelitian ini adalah pasar modal di ASEAN. Dari
beberapa negara anggota ASEAN dipilihlah 6 negara yaitu Indonesia,
Malaysia, Singapura, Filipina, Thailand, dan Vietnam. Dari keenam negara
tersebut akan diuji efisiensi pasar modalnya, apakah sudah efisien atau belum
efisien.
Data yang digunakan dalam penelitian ini adalah laporan historical
price harga saham harian dari ke enam indeks selama periode penelitian yakni
Januari 2011 sampai dengan Desember 2015.
Data-data yang digunakan untuk keperluan penelitian ini adalah data
sekunder yang diperoleh dari website www.aseanexchanges.org. Adapun
pemilihan periode penelitian dari Januari 2011 sampai dengan Desember
2015 dikarenakan keterbatasan data yang tersedia pada website
www.aseanexchanges.org, sehingga diperoleh periode penelitian selama 5
tahun.
B. Metode Penentuan Sampel
1. Populasi
Populasi adalah wilayah generalisasi yang terdiri atas obyek atau
subyek yang mempunyai kuantitas dan karakteristik tertentu yang
diharapkan oleh peneliti untuk dipelajari dan kemudian ditarik
59
kesimpulannya (Sugiyono, 2014: 80). Populasi dalam penelitian ini
adalah pasar modal di ASEAN.
2. Sampel
Sampel adalah sebagian dari jumlah dan karakteristik yang dimiliki
oleh suatu populasi (Sugiyono, 2014: 81). Teknik yang dilakukan dalam
pengambilan sampel penelitian adalah purposive sampling, yaitu suatu
model pemilihan sampel berdasarkan kriteria tertentu, sesuai dengan yang
dibutuhkan oleh peneliti. Sampel penelitian ini adalah enam indeks dari
enam negara yang merupakan anggota ASEAN yaitu Indonesia, Malaysia,
Singapura, Filipina, Thailand, dan Vietnam.
C. Metode Pengumpulan Data
Data yang digunakan dalam penelitan ini adalah data sekunder. Data
sekunder yaitu data yang bukan diusahakan sendiri oleh peneliti, akan tetapi
data diambil dari pihak lain. Data sekunder yang dimaksud adalah:
1. Data Indeks dari enam negara ASEAN yaitu Indonesia, Malaysia,
Singapura, Filipina, Thailand, dan Vietnam selama periode penelitian
diperoleh dari internet dengan website www.aseanexchanges.org.
2. Dalam tinjauan pustaka dan metode penelitian, peneliti melakukan studi
pustaka pada jurnal, buku, artikel, skripsi dan thesis yang berhubungan
dengan penelitian.
60
D. Metode Analisis Data
Pengujian hipotesis penelitian ini dilakukan dengan menguji data harian
indeks harga saham pada negara anggota ASEAN yang telah dipilih secara
berturut-turut sejak 1 Januari 2011 hingga 31 Desember 2015.
Penelitian ini menggunakan alat bantu dalam melakukan analisis data
dan pengujian hipotesis, yaitu dengan Microsoft Excel 2007, EViews 9.0, dan
SPSS 24. Langkah pertama yang dilakukan yaitu menghitung return harian
indeks / return pasar dari masing-masing indeks.
Return indeks harian dapat diperoleh dengan menghitung terlebih
dahulu menggunakan rumus sebagai berikut:
Dimana :
Rt = return indeks harian atau return pasar
Pt = indeks hari ke t
Pt-1 = indeks hari ke t-1
Langkah-langkah selanjutnya yang dilakukan untuk melakukan analisis
data adalah sebagai berikut:
1. Kolmogorov Smirnov
Uji Kolmogorov-Smirnov termasuk dalam uji nonparametrik
untuk kasus satu sampel. Uji ini digunakan untuk menguji asumsi
normalitas data. Tes dalam uji ini adalah tes goodness of fit yang mana
tes tersebut untuk mengukur tingkat kesesuian antara distribusi
serangkaian sampel (data observasi) dengan distribusi teoritis tertentu.
61
Uji Kolmogorov-Smirnov (Chakravart, Laha, dan Roy, 1967)
biasa digunakan untuk memutuskan jika sampel berasal dari populasi
dengan distribusi spesifik/tertentu.
Uji Kolmogorov-Smirnov digunakan untuk menguji „goodness
of fit„ antar distribusi sampel dan distribusi lainnya, Uji ini
membandingkan serangkaian data pada sampel terhadap distribusi
normal serangkaian nilai dengan mean dan standar deviasi yang sama.
Singkatnya uji ini dilakukan untuk mengetahui kenormalan distribusi
beberapa data. Uji Kolmogorov-Smirnov merupakan uji yang lebih kuat
daripada uji chi-square ketika asumsi-asumsinya terpenuhi. Uji
Kolmogorov-Smirnov juga tidak memerlukan asumsi bahwa populasi
terdistribusi secara normal.
Hipotesis pada uji Kolmogorov-Smirnov adalah sebagai berikut:
H0 : data mengikuti distribusi yang ditetapkan
Ha : data tidak mengikuti distribusi yang ditetapkan
2. Run Test
Metode yang digunakan untuk mengetahui apakah pergerakan
harga saham bergerak secara random atau tidak dengan menggunakan
wald-wolfowitz runs test. Sebagai alat analisis metode tersebut
digunakan untuk menguji perbedaaan dua kelompok sampel yang
paling independen. Oleh karna itu banyaknya sample pada masing-
masing kelompok tidak harus selalu sama. Perbedaan dari dua
kelompok sample tersebut dapat terjadi sembarang hal, misalnya
62
terhadap mean, variabilitas, kemencengan dan sebagainya. (Rodoni,
2005: 42)
Dalam run test menggunakan uji Z, dengan langkah yang
digunakan oleh Herman Legowo (1998) dalam Nasruldin (2011: 74),
sebagai berikut :
a. Bandingkan perubahan harga saham harian dengan harga saham
harian sebelumnya.
b. Tentukan posisi perubahannya (naik, turun, tetap)
c. Hitung jumlah masing-masing tanda setiap saham
d. Hitung runtun sesungguhnya ( R ) periode yang diobservasi
e. Hitung expected run, untuk seluruh tanda dengan rumus :
( ) ∑
Keterangan :
M = total jumlah run yang diharapkan
N = total jumlah perubahan harga
Ni = jumlah perubahan harga untuk tiap tanda
f. Hitung deviasi standar dengan rumus :
√ ∑
∑
( ) ∑
( )
g. Menghitung Z, karna perubahan harga mengikuti atau
menyesuaikan dengan distribusi normal (random walk) dengan
rumus :
63
(
⁄ )
Dimana : R adalah jumlah runtun sesungguhnya adalah koreksi
kontinum (+ jika R m dan - >m)
h. Menentukan α dan mengevaluasihasil pengolahan data berdasarkan
nilai Z yang didapat.
i. Melakukan randomness test, jika besar prob value lebih besar dari
α, maka sample probabilitas tinggi.
3. Autokorelasi
Autokorelasi (autocorrelation) adalah hubungan antara residual
satu observasi dengan residual observasi lainnya. Autokorelasi lebih
mudah timbul pada data yang bersifat runtun waktu, karena berdasarkan
sifatnya, data masa sekarang dipengaruhi oleh data pada masa-masa
sebelumnya. Meskipun demikian, tetap dimungkinkan autokorelasi
dijumpai pada data yang bersifat antarobjek (cross section). (Wing W.
Winarno, 2009: 5.26)
Autokorelasi terjadi karena beberapa sebab. Menurut Gujarati
(2003) dalam Wing W.Winarno (2009: 5.26), beberapa penyebab
autokorelasi adalah:
a. Data mengandung pergerakan naik turun secara musiman,
misalnya kondisi perekonomian suatu negara yang kadang naik dan
kadang menurun.
b. Kekeliruan memanipulasi data, misalnya data tahunan dijadikan
data kurtalan dengan membagi empat.
64
c. Data runtut waktu, yang meskipun bila dianalisis dengan model yt
= a + bxt + et, karena datanya bersifat runtut, maka berlaku juga yt-1
= a + bxt-1 + et-1. Dengan demikian akan terjadi hubungan antara
data sekarang dan data periode sebelumnya.
d. Data yang dianalisis tidak bersifat stasioner
Apabila data yang kita analisis mengandung autokorelasi, maka
estimator yang kita dapatkan memiliki karakteristik berikut ini:
a. Estimator metode kuadrat terkecil masih linear.
b. Estimator metode kuadrat terkecil masih tidak bias.
c. Estimator metode kuadrat terkecil tidak mempunyai varian yang
minimum (ni longer best).
Dengan demikian, seperti halnya pengaruh heteroskedastisitas,
autokorelasi juga akan menyebabkan estimator hanya bersifat LUE,
tidak lagi BLUE. Cara untuk memeriksa ada tidaknya autokorelasi
adalah dengan Uji Durbin-Watson dan Uji Breusch-Godfrey (Wing
W.Winarno, 2009: 5.27).
4. Metode ARIMA (Autoregressive Integrated Moving Average)
Teknik analisis data dengan metode ARIMA dilakukan karena
merupakan teknik untuk mencari pola yang paling cocok dari
sekelompok data (curve fitting), dengan demikian ARIMA
memanfaatkan sepenuhnya data masa lalu dan sekarang untuk
melakukan peramalan jangka pendek yang akurat. ARIMA seringkali
65
ditulis sebagai ARIMA (p,d,q) yang memiliki arti bahwa p adalah
orde koefisien autokorelasi, d adalah orde / jumlah diferensiasi yang
dilakukan (hanya digunakan apabila data bersifat non-stasioner) dan q
adalah orde dalam koefisien rata-rata bergerak (moving average).
(Sugiarto dan Harijono, 2000 dalam Aulia Syafaat, 2008: 23)
Peramalan dengan menggunakan model ARIMA dapat
dilakukan dengan rumus :
qtnttptnttt eeeYYYY 221122110 ...
Keterangan :
B : Koefisien Regresi
YT : Variabel dependen pada waktu t
Yt-1 ... Yt-p : Variabel lag
et : Residual term
W1 ... Wq : Bobot
et-1 ... et-p : nilai sebelumnya atau residual
a. Stasioneritas data
Data yang tidak stasioner memiliki rata-rata dan varian yang
tidak konstan sepanjang waktu. Dengan kata lain, secara ekstrim
data stasioner adalah data yang tidak mengalami kenaikan dan
penurunan. Selanjutnya regresi yang menggunakan data yang
tidak stasioner biasanya mengarah kepada regresi lancung.
66
Permasalahan ini muncul diakibatkan oleh variabel (dependen
dan independen) runtun waktu terdapat tren yang kuat (dengan
pergerakan yang menurun maupun meningkat). Adanya tren akan
menghasilkan nilai R2 yang tinggi, tetapi keterkaitan antar
variabel akan rendah (Aulia Syafaat, 2008: 24).
Model ARIMA mengasumsikan bahwa data masukan harus
stasioner. Apabila data masukan tidak stasioner perlu dilakukan
penyesuaian untuk menghasilkan data yang stasioner. Salah satu
cara yang umum dipakai adalah metode pembedaan
(differencing). Metode ini dilakukan dengan cara mengurangi
nilai data pada suatu periode dengan nilai data periode
sebelumnya.
Untuk keperluan pengujian stasioneritas, dapat dilakukan
dengan beberapa metode seperti autocorrelation function
(correlogram), uji akar-akar unit dan derajat integrasi.
1) Pengujian stasioneritas berdasarkan correlogram
Suatu pengujian sederhana terhadap stasioneritas data
adalah dengan menggunakan fungsi koefisien autokorelasi
(autocorrelation function / ACF). Koefisien ini menunjukkan
keeratan hubungan antara nilai variabel yang sama tetapi
pada waktu yang berbeda. Correlogram merupakan peta /
grafik dari nilai ACF pada berbagai lag.
67
Secara matematis rumus koefisien autokorelasi adalah
(Sugiharto dan Harijono, 2000:183) :
n
i
t
kn
i
ktt
YY
YYYY
rk
1
2
1
Untuk menentukan apakah nilai koefisien autokorelasi
berbeda secara statistik dari nol dilakukan sebuah pengujian.
Suatu runtun waktu dikatakan stasioner atau menunjukkan
kesalahan random adalah jika koefisien autokorelasi untuk
semua lag secara statistik tidak berbeda signifikan dari nol
atau berbeda dari nol hanya untuk berberapa lag didepan.
Untuk itu perlu dihitung kesalahan standard dengan rumus :
nserk
1
Dimana n menunjukkan jumlah observasi. Dengan
interval kepercayaan yang dipilih, misalnya 95 persen, maka
batas signifikansi koefisien autokorelasi adalah :
rkrk xSedZsxSeZ22
.
Suatu koefisien autokorelasi disimpulkan tidak berbeda
secara signifikan dari nol apabila nilainya berada diantara
rentang tersebut dan sebaliknya. Apabila koefisien
autokorelasi berada diluar rentang, dapat disimpulkan
68
koefisien tersebut signifikan, yang berarti ada hubungan
signifikan antara nilai suatu variabel dengan nilai variabel itu
sendiri dengan time lag 1 periode.
2) Uji akar-akar unit (unit root test)
Sebuah tes stasioneritas (atau non-stasioneritas) yang
menjadi sangat populer beberapa tahun belakangan adalah uji
akar-akar unit (unit root test). Stasioneritas dapat diperiksa
dengan mencari apakah data runtun waktu mengandung akar
unit (unit root). Terdapat berbagai metode untuk melakukan
uji akar unit diantarnya dickey-fuller, Augmented Dickey
Fuller, Dickey-Fuller DLS (ERS), Philips-Perron,
Kwiatkowski-Philips-Schmidt-Shin, Elliot-Rothenberg-Stock
Point-Optimal, dan Ng-Perron. Dalam penelitian ini akan
digunakan uji Augmented Dickey-Fuller untuk menentukan
apakah suatu data runtun waktu mengandung akar unit atau
bersifat non-stasioner.
Untuk memperoleh gambaran mengenai uji akar-akar
ujit, ditaksir model autoregresif berikut ini dengan OLS
(Gujarati, 2003 dalam Aulia Syafaat, 2008: 26) :
k
i
t
i
itt DXBbBXaaDX1
10
k
i
ii
i
tt DXBdBXaTaaDX1
210
69
Dimana, tttttt XBXXXDX , , T = tren waktu, Xt
= variabel yang diamati pada periode t. Selanjutnya dihitung
statistik ADF. Nilai ADF digunakan untuk uji hipotesis
bahwa a1=0 dan c2=0 ditunjukkan oleh nilai t statistik hitung
pada koefisien BXt pada persamaan diatas. Jumlah
kelambanan k ditentukan oleh k=n1/5
, dimana n = jumlah
observasi (Gujarati, 2003 dalam Aulia Syafaat, 2008: 27).
Nilai kritis (tabel) untuk kedua uji terkait dapat dilihat pada
Fuller, 1976; Guilky dan Schmidt, 1989. Runtun waktu yang
diamati stasioner jika memiliki nilai ADF lebih besar dari
nilai kritis. Beberapa piranti lunak ekonometrika seperti
EViews, SPlus, dan R menyediakan nilai kritis ini setiap kali
kita melakukan running data.
Metode ARIMA menggunakan pendekatan iteratif dalam
mengidentifikasi suatu model yang paling tepat dari berbagai model
yang ada. Model sementara yang telah dipilih diuji lagi dengan data
historis untuk melihat apakah model sementara yang terbentuk
tersebut sudah memadai atau belum. Model sudah dianggap memadai
apabila residual (selisih hasil peramalan dengan data historis)
terdistribusi secara acak, kecil dan independen satu sama lain.
Langkah-langkah penerapan metode ARIMA secara berturut-turur
adalah : identifikasi model, estimasi parameter model, diagnostic
checking, dan peramalan (forecasting)
70
a. Identifikasi model
Seperti yang dijelaskan sebelumnya bahwa model ARIMA
hanya dapat diterapkan untuk deret waktu yang stasioner. Oleh
karena itu, pertama kali yang harus dilakukan adalah menyelidiki
apakah data yang kita gunakan sudah stasioner atau belum. Jika
data tidak stasioner, yang perlu dilakukan adalah memeriksa pada
pembedaan beberapa data akan stasioner, yaitu menentukan
berapa nilai d. Proses ini dapat dilakukan dengan menggunakan
koefisien ACF (Auto Correlation Function), atau uji akar-akar
unit (unit roots test) dan derajat integrasi. Jika data sudah
stasioner sehingga tidak dilakukan pembedaan terhadap data
runtun waktu maka d diberi nilai 0.
Disamping menentukan d, pada tahap ini juga ditentukan
berapa jumlah nilai lag residual (q) dan nilai lag dependen (p)
yang digunakan dalam model. Alat utama yang digunakan untuk
mengidentifikasi q dan p adalah ACF (Autocorrelation Function )
dan PACF (Partial Auto Correlation Funtion / Koefisien
Autokorelasi Parsial), dan correlogram yang menunjukkan plot
nilai ACF dan PACF terhadap lag.
Koefisien autokorelasi parsial mengukur tingkat keeratan
hubungan antara Xt dan Xt-k sedangkan pengaruh dari time lab
1,2,3,…,k-1 dianggap konstan. Dengan kata lain, koefisien
autokorelasi parsial mengukur derajat hubungan antara nilai-nilai
71
sekarang dengan nilai-nilai sebelumnya (untuk time lag tertentu),
sedangkan pengaruh nilai variabel time lab yang lain dianggap
konstan. Secara matematis, koefisien autokorelasi parsial berorde
m didefinisikan sebagai koefisien autoregressive terakhir dari
model AR(m).
Tabel 3.1
Pola ACF dan PACF
Tipe Model Pola Tipikal ACF Pola tipikal PACF
AR(p) Menurun secara eksponensial menuju
nol
Signifikan pada semua
lag p
MA(q) Signifikan pada semua lag p Menurun secara
eksponensial menuju nol
ARMA(p,q) Menurun secara eksponensial menuju
nol
Menurun secara
eksponensial menuju nol
Sumber : Gujarati 2003
b. Estimasi
Setelah menetapkan model sementara dari hasil identifikasi,
yaitu menentukan nilai p, d, dan q, langkah berikutnya adalah
melakukan estimasi paramater autoregressive dan moving average
yang tercakup dalam model. Jika teridentifikasi proses AR murni
maka parameter dapat diestimasi dengan menggunakan kuadrat
72
terkecil (Least Square). Jika sebuah pola MA diidentifikasi maka
maximum likelihood atau estimasi kuadrat terkecil, keduanya
membutuhkan metode optimisasi non-linier hal ini terjadi karena
adanya unsur moving average yang menyebabkan ketidak linieran
parameter. Namun, saat ini sudah tersedia berbagai piranti lunak
statistik yang mampu menangani perhitungan tersebut sehingga
kita tidak perlu khawatir mengenai estimasi matematis.
c. Diagnostic Checking
Setelah melakukan estimasi dan mendapatkan penduga
paramater, agar model sementara dapat digunakan untuk
peramalan, perlu dilakukan uji kelayakan terhadap model
tersebut. Tahap ini disebut diagnostic checking, dimana pada
tahap ini diuji apakah spesifikasi model sudah benar atau belum.
Pengujian kelayanan ini dapat dilakukan dengan beberapa cara.
1) Setelah estimasi dilakukan, maka nilai residual dapat
ditentukan. Jika nilai-nilai koefisien autokorelasi residual
untuk berbagi time lag tidak berbeda secara signifikan dari
nol, model dianggap memadai untuk dipakai sebagai model
peramalan.
2) Menggunakan statistik Box-Pierce Q, yang dihitung dengan
formula :
m
k
knQ1
2̂
73
Dimana :
n = jumlah sampel
m = jumlah lag, dan
k̂ = nilai koefisien autokorelasi time lag k.
Jika nilai Q hitung lebih kecil daripada 2 kritis dengan
derajat kebebasan m, maka model dianggap memadai.
3) Menggunakan varian dari statistik Box-Pierce Q, yaitu
statistik Ljung-Box (LB), yang dapat dihitung dengan :
m
k
k
knnnLB
1
2ˆ
)2(
Sama seperti Q statistik, statistik LB mendekati 2 kritis
dengan derajat kebebasan m. Jika statistik LB lebih kecil dari
nilai 2
kritis, maka semua koefisien autokorelasi dianggap
tidak berbeda dari nol, atau model telah dispesifikasikan
dengan benar. Statistik LB dianggap lebih unggul secara
statistik daripada Q statistik dalam menjelaskan sample kecil.
4) Menggunakan t statistik untuk menguji apakah koefisien
model secara individu berbeda dari nol. Apabila suatu
variabel tidak signifikan secara individu berarti variabel
tersebut seharusnya dilepas dari spesifikasi model lain
kemudian diduga dan diuji. Jika model sementara yang
dipilih belum lolos uji diagnostik, maka proses pembentukan
74
model diulang kembali. Menemukan model ARIMA yang
terbaik merupakan proses iteratif.
d. Peramalan (forecasting)
Setelah model terbaik diperoleh, selanjutnya peramalan dapat
dilakukan. Dalam berbagai kasus, peramalan dengan metode ini
lebih dipercaya daripada peramalan yang dilakukan dengan model
ekonometri tradisional. Namun, hal ini tentu saja perlu dipelajari
lebih lanjut oleh para peneliti yang tertarik menggunakan metode
serupa.
Berdasarkan ciri yang dimilikinya, model runtun waktu
seperti ini lebih cocok untuk peramalan dengan jangkauan sangat
pendek, sementara model struktural lebih cocok untuk peramalan
dengan jangkauan panjang (Nahrowi, 2003 dalam Aulia Syafaat,
2008: 32)
5. Metode ARCH/GARCH
Wing W. Winarno (2009: 8.1) dalam bukunya menuliskan
bahwa model ARCH dikembangkan oleh Robert Engle pada tahun
1982 dengan mengenalkan konsep Conditional Heterocedastic, sebuah
konsep tentang ketidak konstanan variasi dari data acak, dan
perubahan variansi ini dipengaruhi oleh acak sebelumnya yang
tersusun dalam urutan waktu.
Dalam perkembangannya muncul variasi dari model ARCH
(Autoregressive Conditional Heteroscedasticity), yang dikenal dengan
75
nama GARCH (General Autoregressive Conditional
Heteroscedasticity). GARCH dimaksudkan untuk memperbaiki
ARCH dan dikembangkan oleh Tim Bollerslev (1986 dan 1994).
Dalam metode ARCH, varian residual data runtun waktu tidak
hanya dipengaruhi oleh variabel independen, tapi juga dipengaruhi
oleh nilai residual variabel yang diteliti. Model ARCH menggunakan
dua persamaan berikut:
Yt = 0 + 1.X1t + t ...................................................................(1)
t2 = α0 + α1. t-1
2 ...............................................................................(2)
Dengan Y adalah variabel dependen, X variabel independen,
adalah pengganggu atau residual, t2
adalah residual α1. t-12
disebut
dengan komponen ARCH.
Varian residual memiliki dua komponen, yaitu konstanta dan
residual dari periode sebelumnya. Itulah sebabnya model ini disebut
model bersyarat (conditional), karena varian residual periode sekarang
(t) dipengaruhi oleh periode jauh sebelumnya (t-1, t-2 dan seterusnya).
Persamaan (1) disebut dengan persamaan rat-rata bersyarat
(conditional mean) ,dan persamaan (2) disebut dengan persamaan
varian bersyarat (conditional variance). Varian residual t yang
dipengaruhi pergerakan residual kuadrat satu periode sebelumnya
(seperti persamaan 2) disebut dengan ARCH (1). Apabila dipengaruhi
oleh p periode, maka disebut ARCH (p) dan persamaannya
ditunjukkan seperti berikut:
76
Yt = 0 + 1.X1t + t .......................................................(3)
t2 = α0 + α1. t-1
2 + .... + αp. t-p
2..........................................................(4)
Persamaan (4) juga dapat dituliskan dengan cara yang lebih ringkas,
yaitu:
t2 = α0 + α1. t-1
2
Agar varian selalu positif (var ( 2) > 0), maka harus dipenuhi syarat α0
> 0 dan 0 < α1 < 1. Apabila diperhatikan, persamaan (2) bersifat linier
sedangkan persamaan (3) tidak linier, sehingga teknik OLS tidak
dapat digunakan untuk mengestimasi persamaan tersebut.
Secara formal (Nahrowi, 2006) menuliskan model GARCH dengan
derajat (p,q):
t2 = α0 + α1. t-1
2 + .... + αp. t-p
2 + 1. αt-1
2 + .... + p. αt-p
2 .................(6)
Dengan α0 > 0, α1 0, dan p
E. Operasional Variabel Penelitian
Variabel utama dalam penelitian ini adalah return indeks dari 6 negara
anggota ASEAN. Dimana 6 negara tersebut yaitu Indonesia, Malaysia,
Singapura, Filipina, Thailand, dan Vietnam. Return saham yang dipergunakan
adalah retun saham harian dari ke enam indeks dalam periode penelitian
yakni 1 Januari 2011 sampai dengan 31 Desember 2015. Data tersebut
diperoleh dari website www.aseanexchanges.org , data yang diperoleh berupa
harga saham indeks harian dari masing-masing negara.
Berikut ini deskripsi variabel utama dari enam indeks yang akan diteliti
adalah sebagai berikut.
77
1. Indeks Indonesia (JKSE)
Indeks Harga Saham Gabungan (disingkat IHSG, dalam Bahasa
Inggris disebut juga Indonesia Composite Index, ICI, atau IDX Composite)
merupakan salah satu indeks pasar saham yang digunakan oleh Bursa Efek
Indonesia (BEI; dahulu Bursa Efek Jakarta (BEJ)). Diperkenalkan pertama
kali pada tanggal 1 April 1983, sebagai indikator pergerakan harga saham
di BEJ, Indeks ini mencakup pergerakan harga seluruh saham biasa dan
saham preferen yang tercatat di BEI. Hari Dasar untuk perhitungan IHSG
adalah tanggal 10 Agustus 1982. Pada tanggal tersebut, Indeks ditetapkan
dengan Nilai Dasar 100 dan saham tercatat pada saat itu berjumlah 13
saham.
2. Indeks Malaysia (KLSE)
Indeks Komposit Kuala Lumpur (IKKL; bahasa Inggris: Kuala
Lumpur Composite Index; KLCI) merupakan indeks pasar
saham umumnya diterima sebagai barometer pasar saham lokal.
Diperkenalkan pada tahun 1986 untuk menjawab kebutuhan satu indeks
pasar saham yang akan memberikan layanan sebagai suatu indikator
kinerja pasar saham Malaysia begitu juga dengan ekonomi. Ia digunakan
sebagai indeks utama, dan sekarang merupakan salah satu dari tia indeks
utama untuk pasar saham Malaysia yang mana dua lagi adalah FMB30 dan
FMBEMAS, Bursa Malaysia. Ia mengandung 100 perusahaan dari Papan
Utama dengan sekitar 500 hingga 650 terdaftar di dalam Papan Utama
yang terdiri dari perusahaan berbagai sektor menyeberangi tahun 2000
78
sampai 2006 dan merupakan sebuah indeks pemberat pemodalan.
Perangkat tambahan untuk mengadopsi metodologi Indeks FTSE Bursa
Malaysia yang diterapkan pada Senin, 6 Juli 2009.
3. Indeks Singapura (STI)
Indeks Straits Times (disingkat: STI; bahasa Inggris: Straits Times
Index) adalah sebuah indeks pasar saham berdasarkan kapitalisasi di Bursa
efek Singapura. Indeks ini digunakan untuk mendata dan memonitor
perubahan harian dari 30 perusahaan terbesar di pasar
saham Singapura dan sebagai indikator utama dari performa pasar di
Singapura. Indeks ini bersama-sama dihitung dengan Singapore Press
Holdings (SPH), Singapore Exchange (SGX) dan FTSE Group (FTSE).
4. Indeks Filipina (PSI)
PSE Composite Index, dikenal umum sebagai PHISIX,
adalah indeks pasar saham utama di Bursa Efek Filipina (PSE). PHISIX
adalah indeks yang paling diamati di PSE. Indeks ini merupakan salah satu
indikator ekonomi Filipina.
5. Indeks Thailand (SETI)
Indeks SET (bahasa Inggris: SET Index) merupakan salah
satu indeks pasar saham untuk semua saham umum Thailand. Indeks ini
mencakup pergerakan harga seluruh saham biasa dan saham preferen yang
tercatat di Bursa Saham Thailand (SET). Hari Dasar untuk perhitungan
Indeks SET adalah tanggal 30 April 1975. Pada tanggal tersebut, Indeks
ditetapkan dengan Nilai Dasar 100.
79
6. Indeks Vietnam (VNI)
VN Indeks - singkatan Indeks Saham Vietnam - adalah indeks
kapitalisasi tertimbang yang terdiri dari daftar ekuitas di Bursa Efek
HoChiMinh, pasar yang lebih besar dan lebih mapan di Vietnam. VN
Index diluncurkan oleh Bursa Efek HoChiMinh (HSX) pada Juli 2000
dengan nilai dasar 100 dan dalam mata uang dong Vietnam. Hal ini
dianggap indeks patokan untuk lebih besar, saham lebih mapan dan blue
chips dibandingkan dengan yang lebih baru, daftar kecil-tutup pada Indeks
HaSTC di elektronik Hanoi Securities Trading Center.
80
BAB IV
ANALISIS DAN PEMBAHASAN
A. Sekilas Gambaran Umum Objek Penelitian
Negara-negara berkembang mulai mengaktifkan pasar modal ketika
terancam dengan krisis hutang (debt crisis) pada awal tahun 1982. Tahun
1980-an ditandai dengan resesi ekonomi sebagai akibat dari turunnya harga
minyak di pasar dunia dari US$34,5 per barel menjadi US$10 pada bulan
Agustus 1986 yang kemudian mengancam neraca pembayaran dan anggaran
belanja dari negara-negara berkembang. Dampak negatif yang ditimbulkan
oleh krisis ekonomi dan krisis utang ini mendorong negara-negara
berkembang untuk melakukan penjadwalan kembali hutang-hutang mereka.
Pendanaan melalui sistem perbankan dirasakan semakin sulit karena dibebani
dengan cost of capital yang tinggi. Akibatnya untuk sebagian negara yang
tetap mengandalkan kredit bank sebagai sumber pembiayaan semakin sulit
berkembang karena tidak dapat menawarkan barang dan jasa di pasar
internasional dengan harga yang lebih rendah. Kondisi ini yang kemudian
memberatkan neraca pembayaran negara-negara berkembang.
Pentingnya pasar modal bagi suatu negara adalah dalam rangka
meningkatkan tabungan (saving) melalui sistem keuangan (financial system)
yang pada gilirannya mendorong mobilisasi dan alokasi sumber-sumber daya
ekonomi secara lebih efisien (efficiency of resource mobilization and
allocation) berdasarkan perkiraan atas risiko (risk) dan keuntungan (returns).
Penanaman modal (investasi) yang berorientasi di dalam negeri mungkin
81
tidak efisien dibanding dengan jika dilakukan diluar negeri.Begitu juga
penanaman modal di negara maju bisa menjadi kurang efisien jika dibanding
dengan kalau dilakukan di negara-negara berkembang. Kondisi ini
mendorong para investor melakukan investasi lintas negara, baik dalam
bentuk penanaman modal langsung (foreingn direct investment) maupun
penanaman modal tidak langsung (portfolio investment).
Kinerja pasar modal ini menunjukkan bahwa dunia usaha telah
menempatkan produk pasar modal seperti saham (equity), obligasi(bonds)
dan beberapa produk derivatif seperti right sertificate, warrant dan
sebagainya sebagai sumber pembiayaan dunia usaha jangka panjang yang
sangat potensial dan bermanfaat untuk meningkatkan efisiensi dalam alokasi
sumber-sumber produksi. Bagi investor (demand side), ada dua kepentingan
dalam pasar modal, yakni bagaimana meraih gain dan deviden atas setiap unit
saham obligasi yang diportofoliokan. Sedangkan dunia usaha (supply side)
berkepentingan dalam pemupukan dana murah untuk membiayai produksi
dan mungkin untuk melunasi hutang jangka panjang, yang relatif lebih murah
dibanding pembiayaan dari sektor perbankan atau lembaga keuangan lainnya.
Semakin maju industri di suatu negara, pembiayaan melalui pasar
modal cenderung lebih dominan dibanding dengan pembiayaan melalui
perbankan. Menjadikan suatu bursa yang efisien tidak sekadar merupakan
akibat dari mekanisme pasar tetapi juga intervensi pemerintah dalam batas-
batas tertentu untuk membuat regulasi dan/atau deregulasi yang memberi
peluang bagi setiap pelaku pasar modal untuk bekerja secara lebih efisien.
82
Campur tangan pemerintah yang berlebihan misalnya di bidang perpajakan
(taxation), atauprosedur administrasi yang berlebihan (biro kratif) hanya akan
menciptakan hambatan (barrier) bagi pengembangan pasar modal itu sendiri.
Hampir semua negara berkembang telah menyadari hal ini, dan mulai
melakukan reformasi kebijakan untuk menghilangkan hambatan-hambatan
tersebut. Swastanisasi BUMN misalnya yang dilakukan di beberapa negara
seperti di Malaysia, Filipina, dan Thailand serta juga Indonesia adalah salah
satu bentuk pengurangan campur tangan pemerintah dalam ekonomi. Sasaran
akhir tetap bermuara pada penciptaan efisiensi.
Objek yang akan dianalisa pada penelitian ini adalah indeks saham di
negara-negara ASEAN. Indeks negara yang menjadi sampel pada penelitian
ini yakni ada 6 negara yang meliputi Indonesia, Malaysia, Singapura,
Filipina, Thailand, dan Vietnam. Berikut ini adalah penjelasan dari 6 indeks
yang termasuk dalam sampel penelitian.
1. Indonesia
Bursa Efek Indonesia (disingkat BEI, atau Indonesia Stock
Exchange (IDX) atau Jakarta Stock Exchange (JKSE) merupakan
bursa hasil penggabungan dari Bursa Efek Jakarta (BEJ) dengan Bursa
Efek Surabaya (BES). Demi efektivitas operasional dan transaksi,
Pemerintah memutuskan untuk menggabung Bursa Efek Jakarta
sebagai pasar saham dengan Bursa Efek Surabaya sebagai pasar obligasi
dan derivatif.
83
Bursa hasil penggabungan ini mulai beroperasi pada 1 Desember
2007. BEI menggunakan sistem perdagangan bernama Jakarta
Automated Trading System (JATS) sejak 22 Mei 1995, menggantikan
sistem manual yang digunakan sebelumnya. Sejak 2 Maret 2009 sistem
JATS ini sendiri telah digantikan dengan sistem baru bernama JATS-
NextG yang disediakan OMX. Bursa Efek Indonesia berpusat di Gedung
Bursa Efek Indonesia, Kawasan Niaga Sudirman, Jalan Jenderal
Sudirman 52-53, Senayan, Kebayoran Baru, Jakarta Selatan.
2. Malaysia
Bursa Malaysia dahulu dikenal sebagai Bursa Saham Kuala
Lumpur (KLSE, Kuala Lumpur Stock Exchange), adalah sebuah
perusahaan induk bursa yang memberikan layanan berbeda yang
berkaitan dengan perdagangan derivatif dan sekuritas dan lain-lain.
KLSE dimulai pada tahun 1930 ketika Asosiasi Broker Saham
Singapura didirikan sebagai satu lembaga resmi sekuritas di Tanah
Melayu. Pada tahun 1937, ia terdaftar kembali sebagai Asosiasi Broker
Saham Tanah Melayu, tetapi ia masih tidak memperdagangkan saham-
saham publik.
Pada tahun 1960, Bursa Saham Tanah Melayu telah didirikan dan
perdagangan saham publik dimulai pada 9 Mei. Pada tahun 1961, sistem
papan telah diperkenalkan di mana dua buah kamar dagangan, masing-
masing satu di Singapura dan Kuala Lumpur, telah terhubung oleh
barisan-barisan online telepon terus menjadi satu pasar tunggal dengan
84
saham-saham serupa dan saham-saham tercantum di satu set harga yang
tunggal di kedua papan.
Bursa Saham Malaysia telah dibentuk secara resmi pada tahun
1964 dan pada tahun berikut, dengan pemisahan Singapura dari
Malaysia, bursa saham terus berfungsi di bawah Bursa Saham Malaysia
dan Singapura (SEMS).
Pada tahun 1973, dengan penghentian saling-bisa-mata uang antara
Malaysia dan Singapura, SEMS terpisah menjadi dua, Bursa Saham
Kuala Lumpur Bhd (KLSEB) dan Bursa Efek Singapura (SES).
Perusahaan-perusahaan Malaysia terus terdaftar di SES dan sebaliknya.
Sebuah perusahaan berhad baru menurut gerenti, Bursa Saham Kuala
Lumpur (BSKL) mengambil alih operasi sebagai bursa saham KLSEB.
Pada tahun 1994, perusahaan ini diubah namanya sebagai Bursa Saham
Kuala Lumpur.
Bursa Saham Kuala Lumpur menjadi satu perubahan yang mutual
dan telah diubah namanya sebagai Bursa Malaysia pada tahun 2004.
MYX mengandung satu papan utama, satu papan kedua dan papan
MESDAQ dengan jumlah permodalan pasar RM700 miliar (AS$189
miliar). Pada tahun 2005, Bursa Malaysia telah terdaftar sendiri di 18
Maret. Pada 28 April, Bursa Malaysia memperkenalkan CBRS, satu
skema yang mengizinkan semua investor untuk memasuki laporan-
laporan penelitian perusahaan-perusahaan terdaftar Bursa dengan
pembayaran gratis.
85
Indeks pasar saham pertama untuk Bursa Malaysia adalah Indeks
Komposit Kuala Lumpur (KLCI). Namun, pada Juni 2006, satu seri
indeks baru dikembangkan secara bersama oleh Bursa Malaysia dan
FTSE berkumpul telah diperkenalkan. Pada 7 November, indeks
komposit akhirnya mencapai 1.000 poin dan ditutup pada 1.003,28. Ia
adalah sebagian didorong oleh dagangan kukuh semalaman Wall Street.
KLCI adalah diperkirakan untuk menyetujui 1.000 tanda lagi. Saat di
pertengahan-Maret 2007, permodalan pasar diperkirakan berjumlah
RM927.8 miliar (AS$270 miliar).
3. Singapura
Bursa efek Singapura adalah bursa saham yang berlokasi di
Singapura, sebelumnya dikenal sebagai Stock Exchange of Singapore
(SES) sampai menggabungkan dengan Singapore International Monetary
Exchange (SIMEX) pada 30 November 1999. Bursa ini juga
memperdagangkan sekuritas lainnya seperti obligasi pemerintah dan
derivatif seperti opsi saham. Indeks pasar saham utama SGX adalah
Indeks Straits Times (Strait Times Index, STI).
Indeks Straits Times (disingkat: STI; bahasa Inggris: Straits
Times Index) adalah sebuah indeks pasar saham berdasarkan
kapitalisasi di Bursa efek Singapura. Indeks ini digunakan untuk mendata
dan memonitor perubahan harian dari 30 perusahaan terbesar di pasar
saham Singapura dan sebagai indikator utama dari performa pasar di
86
Singapura. Indeks ini bersama-sama dihitung dengan Singapore Press
Holdings (SPH), Singapore Exchange (SGX) dan FTSE Group (FTSE).
Singapore Exchange Limited adalah perusahaan induk investasi
yang memberikan layanan berbeda yang berkaitan dengan perdagangan
derivatif dan sekuritas dan lain-lain. SGX adalah anggota World
Federation of Exchanges dan Asian and Oceanian Stock Exchanges
Federation.
Masa perdagangan di bursa SGX adalah 08:00 hingga 17:30 setiap
hari kecuali Sabtu, Minggu, dan hari libur yang ditetapkan pengelola
bursa sebelumnya.
4. Filipina
Bursa Saham Filipina (PSE: PSE) adalah salah satu dari
dua bursa saham di Filipina, satunya lagi adalah Philippine Dealing
Exchange. PSE merupakan salah satu bursa saham utama di Asia
Tenggara dan juga merupakan pasar saham pertama di Asia dan yang
beroperasi terlama sejak tahun 1927. PSE memiliki dua tempat
perdagangan, satu di Kota Makati dan satu lagi di Kota Pasig.
5. Thailand
Bursa Saham Thailand (SET) adalah bursa saham Thailand yang
terletak di Bangkok. Per 31 Desember 2013, Bursa Efek Thailand telah
584 perusahaan yang terdaftar dengan gabungan kapitalisasi
87
pasar sebesar BT฿11.496 miliar. Indeks pasar saham dari bursa ini
adalah Indeks SET, Indeks SET50 dan Indeks SET100.
Masa perdagangan di bursa SET adalah 08:15 hingga 12:30 dan
14:15 hingga 17:30 setiap hari kecuali Sabtu, Minggu, dan hari libur
yang ditetapkan pengelola bursa sebelumnya.
6. Vietnam
Bursa Efek Hanoi ( bahasa Inggris: Hanoi Securities Trading
Center / Hanoi STC) adalah bursa efek yang terletak di Hanoi, Vietnam,
diluncurkan pada Maret 2005 dan menangani lelang dan
perdagangan saham dan obligasi. Bursa Efek Hanoi adalah pusat
perdagangan efek kedua untuk membuka di Vietnam setelah Bursa Efek
Kota Ho Chi Minh.
B. Analisis dan Pembahasan
1. Kolmogorov Smirnov
Uji Kolmogorov-Smirnov termasuk dalam uji nonparametrik untuk
kasus satu sampel. Uji ini digunakan untuk menguji asumsi normalitas
data. Tes dalam uji ini adalah tes goodness of fit yang mana tes tersebut
untuk mengukur tingkat kesesuian antara distribusi serangkaian sampel
(data observasi) dengan distribusi teoritis tertentu.
Berikut ini adalah hasil dari uji kolmogorov smirnov dari ke enam
indeks di ASEAN yang dapat dilihat pada tabel 4.1.
88
Tabel 4.1
Hasil Uji Kolmogorov Smirnov
JKSE KLSE STI PSI SETI VNI
N 1298 1298 1298 1298 1298 1298
Normal Parametersa,b
Mean ,000193 ,000172 ,000084 ,000485 ,000175 ,000591
Std.
Deviation ,0108890 ,0055796 ,0065862 ,0153605 ,0102375 ,0109569
Most Extreme
Differences
Absolute ,080 ,075 ,055 ,146 ,070 ,071
Positive ,069 ,062 ,044 ,139 ,051 ,047
Negative -,080 -,075 -,055 -,146 -,070 -,071
Kolmogorov-Smirnov Z 2,894 2,711 1,988 5,248 2,537 2,561
Asymp. Sig. (2-tailed) ,000 ,000 ,001 ,000 ,000 ,000
Sumber: Data diolah menggunakan SPSS 24
Pada tabel di atas hasil uji Kolmogorov Smirnov dari ke enam
indeks menunjukkan bahwa data tidak terdistribusi normal. Hal ini dapat
dilihat dari nilai Asymtotic Signifikan dari ke enam indeks adalah 0.00
yang artinya lebih kecil dari α = 5% (0,05). Sedangkan hipotesis nol
diterima ketika nilai Asymtotic Signifikan > α (0,05). Berdasarkan hasil
analisis tersebut maka dapat disimpulkan hipotesis nol (H0) ditolak yang
artinya data harga saham indeks Indonesia, Malaysia, Singapura, Filipina,
Thailand, dan Vietnam tidak mengikuti distribusi normal.
2. Run Test
Analisis Run Test termasuk dalam statistik nonparametrik. Uji ini
digunakan untuk menguji pada kasus satu sampel. Sampel yang diambil
dari populasi, apakah sampel yang diambil berasal dari sampel acak atau
bukan. Pengujian ini untuk kasus satu sampel. Prosedur pengujian
89
dilakukan dengan mengurutkan data sampel dan mencari letak nilai
mediannya.
Uji Run Test adalah uji hipotesis yang merupakan bagian dari uji
satu sampel. Tujuan hipotesis untuk menguji apakah data dari sampel yang
ada sudah cukup kuat untuk menggambarkan populasinya, sedangkan
sampel adalah sebagian dari populasi.
Run Test adalah alat statistik untuk menguji apakah sampel yang
mewakili sebuah populasi telah diambil secara acak (random). Jika tidak,
maka sampel tersebut tidak bisa digunakan untuk perlakuan lebih lanjut,
seperti untuk menggambarkan isi populasi.
Berikut ini adalah hasil dari uji Run Test dari ke enam indeks di
ASEAN yang dapat dilihat pada tabel 4.2.
Tabel 4.2
Hasil Uji Run Test
JKSE KLSE STI PSI SETI VNI
Test Valuea ,0004 ,0001 ,0001 ,0003 ,0002 ,0002
Cases < Test Value 649 649 649 649 649 649
Cases >= Test
Value 649 649 649 649 649 649
Total Cases 1298 1298 1298 1298 1298 1298
Number of Runs 662 590 654 576 611 615
Z -2,149 -3,332 -2,025 -4,110 -2,166 -2,328
Asymp. Sig. (2-
tailed) ,032 ,001 ,043 ,000 ,030 ,020
Sumber: Data diolah menggunakan SPSS 24
90
Tabel 4.2 di atas menunjukkan hasil Run Test dari ke enam (6)
indeks di enam negara ASEAN yaitu Indonesia, Malaysia, Singapura,
Filipina, Thailand dan Vietnam untuk jangka waktu 2011-2015.
Pengujian ini dilakukan dengan membandingkan besar Asymp. Sig
masing- masing indeks dengan nilai absolut (α = 5%. atau 0.05). Jika
Asymp. Sig > α, maka menunjukkan bahwa pola harga saham bersifat
acak (random walk). Begitu pula sebaliknya bila Asymp. Sig < α, maka
pola harga saham tidak bersifat acak atau tidak random walk.
Pada tabel di atas terlihat bahwa Asym.Sig pada indeks JKSE,
KLSE, STI, PSI, SETI, dan VNI menunjukkan pola harga saham tidak
bersifat random karena Asym.Sig < α dengan perolehan nilai masing-
masing 0.032, 0.001, 0.043, 0.000, 0.030, dan 0.020.
Pada indeks JKSE, hasil penelitian ini sejalan dengan penelitian
yang dilakukan oleh Francesco Guidi (2011) dan Kashif Hamid (2010)
yang menyatakan bahwa pasar modal di Indonesia belum efisien dalam
bentuk lemah karena harga saham tidak mengikuti random walk.
Pada indeks KLSE, hasil penelitian ini sejalan dengan penelitian
yang dilakukan oleh Francesco Guidi (2011) dan Kashif Hamid (2010)
yang menyatakan bahwa pasar modal di Malaysia belum efisien dalam
bentuk lemah karena harga saham tidak mengikuti random walk.
Pada indeks STI, hasil penelitian ini sejalan dengan penelitian yang
dilakukan oleh Kashif Hamid (2010) yang menyatakan bahwa pasar
91
modal di Singapura belum efisien dalam bentuk lemah karena harga
saham tidak mengikuti random walk.
Pada indeks PSI, hasil penelitian ini sejalan dengan penelitian yang
dilakukan oleh Francesco Guidi (2011) dan Kashif Hamid (2010) yang
menyatakan bahwa pasar modal di Filipina belum efisien dalam bentuk
lemah karena harga saham tidak mengikuti random walk.
Pada indeks SETI, hasil penelitian ini sejalan dengan penelitian
yang dilakukan oleh Kasilingam (2014) dan Kashif Hamid (2010) yang
menyatakan bahwa pasar modal di Thailand belum efisien dalam bentuk
lemah karena harga saham tidak mengikuti random walk.
Pada indeks VNI, hasil penelitian ini sejalan dengan penelitian
yang dilakukan oleh Khoa Cuong (2014), Francesco Guidi (2011) dan
Kashif Hamid (2010) yang menyatakan bahwa pasar modal di Vietnam
belum efisien dalam bentuk lemah karena harga saham tidak mengikuti
random walk.
Dari uraian hasil analisis tersebut maka dapat disimpulkan bahwa
pasar modal di ASEAN tidak efisien dalam bentuk lemah yang artinya
bahwa harga saham hari ini ada hubungannya dengan harga saham
sebelumnya.
3. Autokorelasi
Uji autokorelasi bertujuan untuk mengetahui apakah dalam model
regresi terjadi korelasi antara variabel pengganggu (error) pada periode t
dan periode t-1 (sebelumnya). Autokorelasi muncul karena observasi yang
92
berurutan sepanjang waktu berkaitan satu sama lainnya (Imam Ghozali,
2005: 95).
Beberapa cara untuk menanggulangi masalah autokorelasi adalah
dengan mentransformasikan data atau bisa juga dengan mengubah model
regresi ke dalam bentuk persamaan beda umum (generalized difference
equation). Selain itu juga dapat dilakukan dengan memasukkan variabel
lag dari variabel terikatnya menjadi salah satu variabel bebas, sehingga
data observasi menjadi berkurang 1.
Dalam penelitian ini peneliti menggunakan pengujian sederhana
terhadap stasioneritas data yaitu dengan menggunakan uji Breusch-
Godfrey. Perhatikan nilai Obs*R-squared dan nilai Probability disebelah
kanannya. Nilai Obs*R-squared berasal dari koefisien determinasi (yaitu
R-square) dikalikan dengan banyaknya observasi. Jika nilai probabilitynya
lebih besar daripada α = 5%, mengindikasikan bahwa data tidak
mengandung masalah autokorelasi. Sebaliknya, jika nilai probabilitynya
lebih kecil daripada α = 5%, maka mengindikasikan bahwa data
mengandung masalah autokorelasi.
Berikut ini adalah hasil dari uji Autokorelasi dengan menggunakan
uji Breusch-Godfrey dari ke enam indeks di ASEAN yang dapat dilihat
pada tabel 4.3.
93
Tabel 4.3
Hasil Uji Autokorelasi
Variabel Obs*R-squared Prob Kesimpulan
JKSE 8.857877 0.0119 Terdapat Autokorelasi
KLSE 16.18218 0.0003 Terdapat Autokorelasi
STI 6.923467 0.0314 Terdapat Autokorelasi
PSI 38.18482 0.0000 Terdapat Autokorelasi
SETI 22.69873 0.0000 Terdapat Autokorelasi
VNI 8.135807 0.0171 Terdapat Autokorelasi
Sumber: Data diolah menggunakan Eviews 9.0
Berdasarkan tabel 4.3 dapat dilihat bahwa ke enam indeks memiliki
masalah autokorelasi. Pada indeks JKSE nilai hitung Obs*R-square sama
dengan 8.857877 dengan probabilitas 0.0119 atau α lebih kecil daripada α
= 5%, maka mengindikasikan bahwa data mengandung masalah
autokorelasi. Pada indeks KLSE nilai hitung Obs*R-square sama dengan
16.18218 dengan probabilitas 0.0003 atau α lebih kecil daripada α = 5%,
maka mengindikasikan bahwa data mengandung masalah autokorelasi.
Pada indeks STI nilai hitung Obs*R-square sama dengan 6.923467 dengan
probabilitas 0.0314 atau α lebih kecil daripada α = 5%, maka
mengindikasikan bahwa data mengandung masalah autokorelasi. Pada
indeks PSI nilai hitung Obs*R-square sama dengan 38.18482 dengan
probabilitas 0.0000 atau α lebih kecil daripada α = 5%, maka
mengindikasikan bahwa data mengandung masalah autokorelasi. Pada
indeks SETI nilai hitung Obs*R-square sama dengan 22.69873 dengan
probabilitas 0.0000 atau α lebih kecil daripada α = 5%, maka
mengindikasikan bahwa data mengandung masalah autokorelasi. Pada
94
indeks VNI nilai hitung Obs*R-square sama dengan 8.135807 dengan
probabilitas 0.0000 atau α lebih kecil daripada α = 5%, maka
mengindikasikan bahwa data mengandung masalah autokorelasi.
Pada indeks JKSE, hasil penelitian ini sejalan dengan penelitian
yang dilakukan oleh Francesco Guidi (2011) dan Kashif Hamid (2010)
yang menyatakan bahwa pasar modal di Indonesia belum efisien dalam
bentuk lemah karena harga saham tidak mengikuti random walk.
Pada indeks KLSE, hasil penelitian ini sejalan dengan penelitian
yang dilakukan oleh Francesco Guidi (2011) dan Kashif Hamid (2010)
yang menyatakan bahwa pasar modal di Malaysia belum efisien dalam
bentuk lemah karena harga saham tidak mengikuti random walk.
Pada indeks STI, hasil penelitian ini sejalan dengan penelitian yang
dilakukan oleh Kashif Hamid (2010) yang menyatakan bahwa pasar
modal di Singapura belum efisien dalam bentuk lemah karena harga
saham tidak mengikuti random walk.
Pada indeks PSI, hasil penelitian ini sejalan dengan penelitian yang
dilakukan oleh Francesco Guidi (2011) dan Kashif Hamid (2010) yang
menyatakan bahwa pasar modal di Filipina belum efisien dalam bentuk
lemah karena harga saham tidak mengikuti random walk.
Pada indeks SETI, hasil penelitian ini sejalan dengan penelitian
yang dilakukan oleh Kasilingam (2014) dan Kashif Hamid (2010) yang
menyatakan bahwa pasar modal di Thailand belum efisien dalam bentuk
lemah karena harga saham tidak mengikuti random walk.
95
Pada indeks VNI, hasil penelitian ini sejalan dengan penelitian
yang dilakukan oleh Khoa Cuong (2014), Francesco Guidi (2011) dan
Kashif Hamid (2010) yang menyatakan bahwa pasar modal di Vietnam
belum efisien dalam bentuk lemah karena harga saham tidak mengikuti
random walk.
Dari uraian hasil analisis tersebut maka dapat disimpulkan bahwa
pasar modal di ASEAN tidak efisien dalam bentuk lemah yang artinya
bahwa harga saham hari ini ada hubungannya dengan harga saham
sebelumnya karena hasil analisis menunjukkan bahwa data pada keenam
indeks tersebut mengandung masalah autokorelasi.
4. Model ARIMA
a. Uji Stasioneritas Data
Data ekonomi time series pada umumnya bersifat stokastik atau
memeiliki tren yang tidak stasioner. Artinya data tersebut merupakan
data yang mengandung akar unit (unit root). Untuk dapat mengestimasi
suatu model menggunakan data tersebut maka langkah pertama yang
harus dilakukan adalah uji stasioneritas, apabila data yang digunakan
tidak stasioner maka sulit untuk mengestimasi suatu model dengan
menggunakan data tersebut karena tren data tersebut cenderung
berfluktuasi dan tidak disekitar nilai rata-ratanya. Maka dapat
disimpulkan bahwa data yang stasioner akan cenderung untuk
mendekati nilai rata-ratanya dan berfluktuasi di sekitar nilai rata-
ratanya. (Gujarati, 2003: 816)
96
Metode yang digunakan untuk menguji stasioneritas data pada
penelitian ini adalah dengan menggunakan Augmented Dickey Fuller
Test. Bila nilai statistik lebih besar dari pada tingkat kritis McKinnon,
pada tingkat kritis (critical value) yang telah ditentukan yaitu, 1%, 5%,
atau 10%, maka H0 diterima yang berarti data mengandung akar unit
atau tidak stasioner. Sebaliknya bila nilai statistik lebih kecil dari nilai
kritis McKinnon maka H0 ditolak yang mengindikasikan bahwa data
tersebut adalah data stasioner. Pada tingkat level ada beberapa variabel
yang tidak stasioner sehingga perlu dilakukan differencing, hasilnya
akan terlihat bahwa data stasioner pada first difference atau second
difference dengan berbagai kondisi.
Penerapan model autoregresif mensyaratkan bahwa data yang
digunakan adalah data yang stasioner. Data dinyatakan stasioner jika
nilai rata-rata dan varian dari data tersebut tidak mengalami perubahan
secara sistematik sepanjang waktu.
Berikut ini hasil pengujian stasioneritas data penelitian dengan
Augmented Dicky Fuller Test dapat dilihat pada tabel 4.4 sebagai
berikut :
97
Tabel 4.4
Hasil Uji Unit Root
Variabel
t-statistik
Prob. Kesimpulan ADF
Critical Value
1% 5% 10%
JKSE -23.35677 -3.435188 -2.863564 -2.567897 0.0000 Stasioner
KLSE -32.15429 -3.435180 -2.863561 -2.567895 0.0000 Stasioner
STI -34.95879 -3.435180 -2.863561 -2.567895 0.0000 Stasioner
PSI -22.75552 -3.435192 -2.863566 -2.567898 0.0000 Stasioner
SETI -35.13476 -3.435180 -2.863561 -2.567895 0.0000 Stasioner
VNI -33.37830 -3.435180 -2.863561 -2.567895 0.0000 Stasioner
Sumber: Data diolah menggunakan Eviews 9.0
Berdasarkan tabel di atas, hasil uji unit root menunjukkan bahwa
data ke enam Indeks adalah stasioner. Hal ini ditunjukkan dengan nilai
statistik ADF lebih kecil dari pada tingkat kritis McKinnon, pada
tingkat kritis (critical value) yang telah ditentukan yaitu, 1%, 5%, atau
10%, maka H0 ditolak yang mengindikasikan bahwa data tersebut
adalah data stasioner.
b. Identifikasi Model
Setelah mendeteksi masalah stasioneritas data maka selanjutnya
adalah identifikasi model ARIMA. Berdasarkan gambar yang terdapat
pada tabel, terlihat bahwa koefisien ACF dan PACF data return dari ke
enam indeks yakni JKSE, KLSE, STI, PSI, SETI, dan VNI menurun
98
secara eksponensial menuju ke nol. Sehingga model awal yang dapat
diidentifikasi adalah model ARMA(p,q) karena tidak mengalami tahap
pembedaan (differencing).
c. Estimasi Parameter Model
Untuk mengetahui apakah model sementara yang telah
diidentifikasi telah cocok atau belum, perlu dilakukan estimasi
parameter dari model tersebut dengan melihat nilai Akaike Info
Creterion (AIC) dan Schwarz Criterion (SIC). Model-model dari data
aktual return indeks JKSE, KLSE, STI PSI, SETI, dan VNI yang akan
diestimasi adalah ARMA (1,1), ARMA (1,2), ARMA (1,3), ARMA
(2,1), ARMA (2,2), ARMA (2,3), ARMA (3,1), ARMA (3,2), dan
ARMA (3,3).
Estimasi dilakukan menggunakan software Eviews. Model
terbaik yang akan dipilih untuk melakukan peramalan adalah model
dengan dengan melihat nilai AIC dan SIC paling kecil. Berikut adalah
tabel model peramalan ARIMA terbaik dengan nilai AIC dan SIC
terkecil untuk setiap parameter model.
99
Tabel 4.5
Model Peramalan ARIMA Terbaik
Variabel Parameter Model AIC SIC
JKSE ARMA (1,3) -6.224742 -6.212789
KLSE ARMA (3,1) -7.551138 -7.539170
STI ARMA (1,1) -7.213156 -7.201203
PSI ARMA (3,2) -5.553455 -6.314861
SETI ARMA (2,2) -6.326821 -6.314861
VNI ARMA (1,3) -6.193536 -6.181583
Sumber: Data diolah menggunakan Eviews 9.0
Setelah dilakukan estimasi dari beberapa model ARIMA
tersebut maka terpilihlah model terbak untuk masing-masing indeks
yang dapat dilihat pada tabel 4.5 di atas. Berdasarkan tabel tersebut,
model terbaik untuk indeks JKSE adalah ARMA (1,3) hal ini dapat
dilihat dari nilai kriteria AIC dan SIC terkecil terdapat pada model
ARMA (1,3) dibandingkan dengan orde ARIMA lainnya. Model
terbaik untuk indeks KLSE adalah ARMA (3,1) hal ini dapat dilihat
dari nilai kriteria AIC dan SIC terkecil terdapat pada model ARMA
(3,1) dibandingkan dengan orde ARIMA lainnya. Model terbaik untuk
indeks STI adalah ARMA (1,1) hal ini dapat dilihat dari nilai kriteria
AIC dan SIC terkecil terdapat pada model ARMA (1,1) dibandingkan
dengan orde ARIMA lainnya. Model terbaik untuk indeks PSI adalah
ARMA (3,2) hal ini dapat dilihat dari nilai kriteria AIC dan SIC
terkecil terdapat pada model ARMA (3,2) dibandingkan dengan orde
ARIMA lainnya. Model terbaik untuk indeks SETI adalah ARMA
(2,2) hal ini dapat dilihat dari nilai kriteria AIC dan SIC terkecil
100
terdapat pada model ARMA (2,2) dibandingkan dengan orde ARIMA
lainnya. Model terbaik untuk indeks VNI adalah ARMA (1,3) hal ini
dapat dilihat dari nilai kriteria AIC dan SIC terkecil terdapat pada
model ARMA (1,3) dibandingkan dengan orde ARIMA lainnya.
d. Uji ARCH Effect-LM
Untuk mengetahui keberadaan ARCH dari model ARIMA yang
telah dipilih maka dilakukan uji Langrange Multiplier. Jika terdapat
efek ARCH atau data heteroskedastisitas maka model estimasi dapat
dilakukan dengan model ARCH/GARCH, tetapi jika tidak terdapat
efek ARCH atau data homoskedastisitas maka tidak dapat dilanjutkan
dengan model ARCH/GARCH. Pengujian tersebut dilihat dari nilai
probabilitas yang lebih kecil dari 5% sehingga H0 ditolak, yang berarti
bahwa terdapat heteroskedastisitas dan estimasi dapat dilakukan
dengan model ARCH/GARCH, tetapi jika nilai probabilitas yang lebih
besar dari 5% maka data homoskedastisitas dan tidak dapat dilanjutkan
dengan model ARCH/GARCH. Selengkapnya mengenai hasil
pengujian ARCH Effect dalam penelitian ini dapat dilihat pada tabel
4.6 sebagai berikut :
101
Tabel 4.6
Hasil Pengujian ARCH Effect
Variabel Obs*R-squared Prob. Chi-
Square
Kesimpulan
JKSE 43.64863 0.0000 Terdapat ARCH Effect
KLSE 36.29711 0.0000 Terdapat ARCH Effect
STI 17.01333 0.0000 Terdapat ARCH Effect
PSI 11.12461 0.0009 Terdapat ARCH Effect
SETI 5.403354 0.0201 Terdapat ARCH Effect
VNI 30.52896 0.0000 Terdapat ARCH Effect
Sumber: Data diolah menggunakan Eviews 9.0
Dari tabel 4.6 di atas jika nilai prob. < nilai α (5%) maka dengan
demikian ada unsur ARCH dalam model atau data heteroskedastisitas.
Hasil pengujian ARCH Effect dari ke enam indeks penelitian
menunjukkan bahwa ke enam indeks memiliki nilai probabilitas yang
lebih kecil dari α (5%) artinya terdapat efek ARCH apada permodelan
peramalan ke enam indeks tersebut. Sehingga Indeks JKSE, KLSE,
STI, PSI, SETI, dan VNI dapat dilanjutkan dengan model
ARCH/GARCH.
5. Model ARCH dan GARCH
a. Estimasi Model ARCH/GARCH
Permodelan GARCH dilkaukan untuk memperoleh estimasi
model yang optimal ditingkat variance. Karena variance pada waktu t
( ) tergantung dari mean, informasi lampau tercermin pada lag
correlogram squared residuals, dan error term (GARCH-term) periode
sebelumnya (t-1), maka permodelan ini disebut permodelan
conditional variance.
102
Estimasi model yang paling umum adalah GARCH (1,1) atau
dapat juga orde yang lebih tinggi GARCH (p,q). Dalam permodelan
ARCH/GARCH, persamaan mean juga harus dimasukan ke dalam
model.
Setelah diketahui keberadaan efek ARCH yang signifikan,
dilakukan estimasi ARCH/GARCH dengan menggunakan ordo
ARIMA sebagai input pada estimasi ARCH/GARCH. Pemeilihan
model ARCH/GARCH dengan ordo yang berbeda-beda untuk
mengetahui model yang paling tepat. Karena estimasi model ARCH
menggunakan metode maximum likelihood maka evaluasi garis regresi
tidak berdasarkan R2 tetapi berdasarkan log likelihood. Sebagaimana
model ARCH, model GARCH tidak bisa diestimasi dengan metode
OLS, tetapi dengan menggunakan metode maximum likelihood. Model
yang terbaik dilakukan dengan melihat Log Likelihood terbesar serta
kriteria AIC dan SIC terkecil dari masing-masing model.
Dalam penelitian ini telah dilakukan estimasi model
ARCH/GARCH. Diantaranya model ARCH (1), GARCH (1) dan
GARCH (1,1).
Estimasi dilakukan menggunakan software Eviews. Model
terbaik yang akan dipilih untuk melakukan peramalan adalah model
dengan dengan melihat Log Likelihood terbesar serta kriteria AIC dan
SIC terkecil dari masing-masing model.
103
Tabel 4.7
Model ARCH/GARCH Terbaik
Variabel Model Log
Likelihood
AIC SIC
JKSE GARCH (1,1) 4182.152 -6.439711 -6.415804
KLSE GARCH (1,1) 4976.504 -7.676454 -7.652518
STI GARCH (1,1) 4761.815 -7.333563 -7.309656
PSI GARCH (1,1) 3839.117 -5.919872 -5.895936
SETI GARCH (1,1) 4231.639 -6.521048 -6.497126
VNI GARCH (1,1) 4088.337 -6.295045 -6.271139
Sumber: Data diolah menggunakan Eviews 9.0
Berdasarkan tabel 4.7 hasil estimasi model terbaik yang terpilih
dari ke enam indeks adalah model GARCH (1,1). Model time series
yang diperoleh kemudian diolah dengan software Eviews 8.0. model
GARCH (1,1) adalah model terbaik untuk peramalan indeks JKSE,
KLSE, STI, PSI, SETI, dan VNI dilihat dari nilai maximum Log
Likelihood terbesar serta nilai AIC dan SIC terkecil. Perolehan nilai
Log Likelihood indeks JKSE adalah 4182.152 dan untuk nilai AIC dan
SIC masing-masing -6.439711 dan -6.415804. Pada indeks KLSE nilai
log likelihood adalah 4976.504 dan untuk nilai AIC dan SIC masing-
masing -7.676454 dan -7.652518. Pada indeks STI nilai log likelihood
adalah 4761.815 dan untuk nilai AIC dan SIC masing-masing -
7.333563 dan -7.309656. Pada indeks PSI nilai log likelihood adalah
3839.117 dan untuk nilai AIC dan SIC masing-masing -5.919872 dan -
5.895936. Pada indeks SETI nilai log likelihood adalah 4231.639 dan
untuk niali AIC dan SIC masing-masing -6.521048 dan -6.497126.
104
Pada indeks VNI nilai log likelihood adalah 4088.337 dan untuk nilai
AIC dan SIC masing-masing -6.295045 dan -6.271139.
Berdasarkan output hasil pengujian ARCH dan GARCH
diperoleh persamaan sebagai berikut :
Indeks JKSE = 0.000516 + 0.030256 AR(1) – 0.084312 MA(3)
Sedangkan persamaan Variance Equationnya adalah sebagai berikut :
= 0.00000623 + 0.174758
+ 0.777679
Indeks KLSE = 0.000439 - 0.046941 AR(3) + 0.088451 MA(1)
Sedangkan persamaan Variance Equationnya adalah sebagai berikut :
= 0.00000495 + 0.208265
+ 0.642920
Indeks STI = 0.000119 + 0.855828 AR(1) - 0.829534 MA(1)
Sedangkan persamaan Variance Equationnya adalah sebagai berikut :
= 0.00000106 + 0.074872
+ 0.899643
Indeks PSI = 0.001405 – 0.204351 AR(3) + 0.006916 MA(2)
Sedangkan persamaan Variance Equationnya adalah sebagai berikut :
= 0.0000473 + 0.802367
+ 0.296971
Indeks SETI = 0.000754 – 0.704295 AR(2) + 0.662319 MA(2)
Sedangkan persamaan Variance Equationnya adalah sebagai berikut :
= 0.00000260 + 0.112152
+ 0.867335
Indeks VNI = 0.000695 + 0.094283 AR(1) + 0.064568 MA(3)
Sedangkan persamaan Variance Equationnya adalah sebagai berikut :
= 0.00000788 + 0.112141
+ 0.822971
105
b. Evaluasi Model
Tabel 4.8
Hasil Pengujian ARCH Effect
Variabel Obs*R-squared Prob. Chi-
Square
Kesimpulan
JKSE 1.643758 0.1998 Tidak Terdapat ARCH
Effect
KLSE 0.711649 0.3989 Tidak Terdapat ARCH
Effect
STI 0.146530 0.7019 Tidak Terdapat ARCH
Effect
PSI 0.199265 0.6553 Tidak Terdapat ARCH
Effect
SETI 2.089454 0.1483 Tidak Terdapat ARCH
Effect
VNI 0.028064 0.8670 Tidak Terdapat ARCH
Effect
Sumber: Data diolah menggunakan Eviews 9.0
Pengujian kembali dengan uji ARCH-LM dari ke enam indeks.
Hasilnya dapat diketahui bahwa pada indeks JKSE nilai hitung X2
yakni (obs*R2) sama dengan 1.643758 dengan probabilitas 0.1998
atau α lebih besar dari 1%. Dengan demikian secara statistik signifikan
sehingga dapat dikatakan model yang digunakan sudah tidak
mengandung unsur ARCH. Pengujian tersebut menunjukkan bahwa
model yang digunakan sudah baik dan terbebas dari unsur
heteroskedastisitas.
Pada indeks KLSE nilai hitung X2 yakni (obs*R2) sama dengan
0.711649 dengan probabilitas 0.3989 atau α lebih besar dari 5%.
Dengan demikian secara statistik signifikan sehingga dapat dikatakan
106
model yang digunakan sudah tidak mengandung unsur ARCH.
Pengujian tersebut menunjukkan bahwa model yang digunakan sudah
baik dan terbebas dari unsur heteroskedastisitas.
Pada indeks STI nilai hitung X2 yakni (obs*R2) sama dengan
0.146530 dengan probabilitas 0.7019 atau α lebih besar dari 5%.
Dengan demikian secara statistik signifikan sehingga dapat dikatakan
model yang digunakan sudah tidak mengandung unsur ARCH.
Pengujian tersebut menunjukkan bahwa model yang digunakan sudah
baik dan terbebas dari unsur heteroskedastisitas.
Pada indeks PSI nilai hitung X2 yakni (obs*R2) sama dengan
0.711649 dengan probabilitas 0.6553 atau α lebih besar dari 5%.
Dengan demikian secara statistik signifikan sehingga dapat dikatakan
model yang digunakan sudah tidak mengandung unsur ARCH.
Pengujian tersebut menunjukkan bahwa model yang digunakan sudah
baik dan terbebas dari unsur heteroskedastisitas.
Pada indeks SETI nilai hitung X2 yakni (obs*R2) sama dengan
2.089454 dengan probabilitas 0.1483 atau α lebih besar dari 5%.
Dengan demikian secara statistik signifikan sehingga dapat dikatakan
model yang digunakan sudah tidak mengandung unsur ARCH.
Pengujian tersebut menunjukkan bahwa model yang digunakan sudah
baik dan terbebas dari unsur heteroskedastisitas.
Pada indeks VNI nilai hitung X2 yakni (obs*R2) sama dengan
0.028064 dengan probabilitas 0.8670 atau α lebih besar dari 5%.
107
Dengan demikian secara statistik signifikan sehingga dapat dikatakan
model yang digunakan sudah tidak mengandung unsur ARCH.
Pengujian tersebut menunjukkan bahwa model yang digunakan sudah
baik dan terbebas dari unsur heteroskedastisitas.
Pada pasar saham Indonesia, hasil penelitian ini tidak sejalan
dengan penelitian yang dilakukan oleh Penelitian yang dilakukan oleh
Wenty Yolanda, dkk (2014). Penelitian ini menggunakan model
GARCH untuk menguji efisiensi pasar pada saham Indeks LQ 45.
Hasil penelitian dengan penerapan model GARCH (1,1) menunjukkan
bahwa pada harga penutupan harian (closing price) saham pada Indeks
LQ 45 periode 2009-2011, harga pada periode 3 hari dan 4 hari
sebelumnya adalah yang paling berpengaruh. Efisiensi pasar modal di
Indonesia termasuk efisiensi bentuk lemah (weak form efficiency)
yang juga ditunjukkan oleh return harga saham yang mengalami
volatisitas dan random walk.
Penelitian yang dilakukan oleh Kasilingam Lingaraja, et. al
(2014) juga menguji efisiensi pasar di pasar saham Asia yang sedang
berkembang dengan menggunakan data harga saham harian selama 10
tahun periode 1 Januari 2004 sampai 31 Desember 2013. Penelitian ini
menggunakan uji GARCH, Autokorelasi, dan Run Test untuk menguji
efisiensi pasar di pasar saham Asia yang sedang berkembang yan
didalamnya termasuk negara Indonesia, Malaysia, Filipina, dan
Thailand. Hasil penelitian menunjukkan bahwa pada Indeks Indonesia,
108
Malaysia, dan Filipina sangat signifikan dan terdistribusi secara acak,
sedangkan pada Indeks Thailand tidak signifikan dan tidak terdistribusi
secara acak.
Sedangkan hasil penelitian ini dalam persamaan varian koefisien
pada GARCH (1,1) signifikan secara statistik yang berarti volatilitas
terdapat pada data return saham dalam periode penelitian. Hal ini juga
berarti bahwa kesalahan prediksi (residual) return harga saham
dipengaruhi oleh residual periode sebelumnya. Hasil estimasi
menunjukkan bahwa secara signifikan terdapat time-varying volatility
dalam return saham harian selama periode 2011-2015 dengan
menggunakan model GARCH (1,1).
Model GARCH adalah model yang cocok untuk digunakan
dalam meramalkan data keuangan yang mengandung unsur
heteroskedastisitas seperti harga saham. Penerapan model GARCH
(1,1) pada data harga penutupan harian (closing price) saham pada
indeks JKSE, KLSE, STI, PSI, SETI, dan VNI periode 2011-2015
menunjukkan bahwa return saham di Indonesia, Malaysia, Singapura,
Filipina, Thailand, dan Vietnam memiliki permasalahan time varying
volatility, dimana volatilitas return saham pada periode sebelumnya
mempengaruhi volatilitas return saham saat ini. Sehingga dapat
disimpulkan bahwa pasar modal di ASEAN tidak efisien dalam bentuk
lemah.
109
BAB V
PENUTUP
A. Kesimpulan
Berdasarkan analisis hasil penelitian mengenai pengujian efisiensi pasar
modal di ASEAN, dapat disimpulkan beberapa hal yaitu sebagai berikut:
1. Berdasarkan hasil analisis uji kolmogorov smirnov bahwa data harga
saham dari keenam indeks tersebut tidak terdistribusi normal, hal ini
ditunjukkan dengan nilai asymtotic significant yang kurang dari nilai
absolut 5%. Pada pengujian run test hasil analisis data menunjukkan
bahwa harga saham dari keenam indeks tidak mengikuti random walk
yang artinya harga saham hari ini ada hubungannnya dengan harga saham
sebelumnya. Hal ini ditunjukkan oleh nilai asymtotic signifcant yang
lebih kecil dari nilai absolut 5%, sehingga dapat disimpulkan bahwa pasar
modal di ASEAN tiidak efisien dalam bentuk lemah. Dari hasi uji run test
sebenarnya sudah cukup mewakili pengujian untuk efisiensi pasar, namun
penulis menggunakan beberapa metode analisis lain untuk menguatkan
hasil yang didapat dari uji run test. Penulis menguji dengan metode
analisis uji autokorelasi, hasil yang konsisten juga didapat pada metode
analisis ini yang menunjukkan bahwa pasar modal di ASEAN tidak
efisien dalam bentuk lemah karena data harga saham dari keenam indeks
mengandung masalah autokorelasi.
2. Berdasarkan teknik permodelan ARIMA dan ARCH/GARCH. Teknik
permodelan ARIMA dilakukan karena untuk mencari pola yang cocok
110
dari sekelompok data, dengan demikian ARIMA memanfaatkan data pada
periode yang lalu dan sekarang untuk melkaukan peramalan janga pendek
yang akurat. Hasil dari teknik permodelan ARIMA terbaik kemudian
digunakan untuk mencari model terbaik pada teknik permodelan
ARCH/GARCH. Model ARCH/GARCH sendiri merupakan sebuah
konsep tentang ketidak konstanan variasi dari data acak, dan perubahan
variansi ini dipengaruhi oleh acak sebelumnya yang tersusun dalam
urutan waktu. Dari hasil analisis dengan menggunakan teknik permodelan
ARCH/GARCH, dapat diketahui bahwa model terbaik dari keenam
indeks tersebut adalah GARCH 1,1. Model GARCH adalah model yang
cocok untuk digunkan dalam meramalkan data keuangan yang
emengandung unsur heteroskedastisitas seperti harga saham. Penerapan
model GARCH 1,1 pada data harga saham keenam indeks di ASEAN
menunjukkan bahwa return saham di ASEAN memiliki permasalahan
time variying volatility, dimana volatilitas return saham pada periode
sebelumnya mengaruhi volatilitas return saham saat ini. Sehingga dapat
disimpulkan bahwa pasar modal di ASEAN tidak efisien dalam bentuk
lemah.
B. Saran
Dengan segala keterbatasan dalam penelitian ini maka penulis
memberikan beberapa saran yang diajukan untuk penelitian selanjutnya agar
hasil penelitian selanjutnya dapat memberikan hasil yang lebih baik lagi dari
hasil penelitian yang dilakukan oleh penulis.
111
1. Penelitian yang dilakukan oleh penulis hanya menguji tentang masalah
efisiensi pasar. Diharapkan pada peneliti selanjutnya bisa menambahkan
permasalahan-permasalahan yang lain untuk diteliti bersamaan dengan
masalah efisiensi pasar. Sehingga hasil penelitian menjadi lebih luas dan
menambah wawasan bagi pembaca.
2. Objek penelitian yang dilakukan oleh penulis adalah pasar modal di
ASEAN. Observasi penelitian dilakukan selama 5 periode berturut-turut
yaitu pada tahun 2011-2015. Pada penelitian ini penulis menggunakan
data harga saham harian dari ke enam indeks negara ASEAN. Diharapkan
peneliti selanjutnya dapat memperluas objek penelitian agar penelitian
menjadi lebih menambah wawasan dan pengetahuan mengenai efisiensi
pasar di dunia. Observasi penelitian selanjutnya juga diharapkan dengan
periode waktu yang lebih lama dan panjang. Data untuk penetian
selanjutnya diharapkan lebih beragam, misalnya harga saham harian,
mingguan, dan bulanan, agar didapatkan hasil yang lebih bervariatif lagi.
3. Penelitian yang dilakukan oleh penulis menggunakan metode pengujian
Run Test, Autokorelasi, Unit Root Test, dan Variance Ratio Test dengan
bantuan software Eviews 9.0, Microsoft Excel 2007, dan SPSS 24 sebagai
alat bantu analisis penelitian. Diharapkan untuk penelitian selanjutnya
dapat dilakukan dengan metode serta alat bantu analisis yang lain
sehingga memberikan hasil penelitian yang berbeda dengan penelitian
yang telah dilakukan penulis.
112
DAFTAR PUSTAKA
Bawazer, Said, A dan Herman, N, Rahman. 1991. “Dividen Perusahaan Dan
Efisiensi Dipasar Modal Jakarta”. Jurnal Usahawan No.8 tahun XX:10-
15, Jakarta,1991.
Bodie, et al. 2006. “Investment”. 6th
edition, Mc. Graw-Hill
Eliyawati, Wenty Yolanda, dkk. 2014. “Penerapan Model Garch (Generalized
Autoregressive Conditional Heteroscedaticity) untuk Menguji Pasar
Modal Efisien di Indonesia”. Jurnal Administrasi Bisnis (JAB) Vol. 7 No.
2 Januari 2014
Ernawati, Endang dan Widjaja, Merlina. 2002. “Pengujian Efisiensi Pasar Modal
Bentuk Lemah di Bursa Efek Jakarta Periode Januari - Juli 2001”. Jurnal
Manajemen dan Bisnis Vol.1 No.1, Mei 2002.
Guidi, Francesco dan Gupta, Rakesh. 2011. “Are ASEAN stock market efficient?
Evidence from univariate and multivariate variance ratio tests”.
Discussion Papers Finance. Griffifth University. ISSN 1836-8123
Gujarati, Damodar N. 2003. “Basic Econometrics”. McGrraw-Hill, New York
Gumanti, Tatang Ari dan Utami, Sri. 2002. “Bentuk Pasar Efisien dan
Pengujiannya”. Jurnal Akuntansi dan Keuangan Fakultas Ekonomi
Universitas Kristen Petra Vol.4 No.1, Mei 2002.
Halim, Abdul. 2005. “Analisis Investasi”. Jakarta: Salemba Empat
Hamid, Kasihif, et.al. 2010. “Testing the Weak form of Efficient Market
Hypothesis: Empirical Evidence from Asia-Pasific Markets”. International
Research Journal of Finance and Economics, Issue 58, ISSN 1450-2887
Hartono, Jogiyantto. “Teori Portofolio dan Analisi Investasi”. Edisis 5.
Yogyakarta: BPTEUGM
Hendrawaty, Ernie. 2007. “Pengujian Efisiensi Pasar Modal Atas Peristiwa
Pengumuman Stock Split Periode Tahun 2005-2006 di BEJ” . UNILA,
Lampung
Hendrawin, Erwin R. 2015. “Hubungan Efisiensi Pasar Modal di Indonesia
Menghadapi Masyarakat Ekonomi ASEAN (MEA) 2015”. STIE PGRI
Sukabumi
Husnan, Suad & Enny Pudjiastuti. 2004. “Dasar-Dasar Manejemen Keuangan”.
Edisi keempat. Yogyakarta: UPP AMP YKPN.
113
Husnan, Suad. 2001. “Dasar-Dasar Teori Portofolio Dan Analisa Sekuritas Di
Pasar Modal”. Yogyakarta : UPP-AMP YKPN
----------------. 2012. “Dasar-dasar Teori Portofolio dan Analisis Sekutitas”.
Yogyakarta : UPP-AMP YKPN
----------------. 2012. “Efisiensi Pasar Modal Indonesia”. Indonesian Economic
Journal April 2011
Kumala Dewi, Retno. 2009. “Pengujian Efisiensi Pasar Modal melalui Evaluasi
Pergerakan Indeks LQ-45 di Bursa Efek Jakarta”. Skripsi S1 Fakultas
Ekonomi Dan Ilmu Sosial, Universitas Islam Negeri Syarif Hidayatullah
Jakarta
Kuncoro, Magdalena. 2002. “Evaluasi Pergerakan Return IHSG untuk Menguji
Efisiensi Pasar Modal Indonesia (Periode 97-99)”. Universitas Kristen
Petra, Surabaya
Lingaraja, Kasilingam, et.al . 2014. “The Stock Market Efficiency of Emerging
Markets: Evidence from Asian Region”. Asian Social Science; Vol. 10, No.
19; 2014 ISSN 1911-2017 E-ISSN 1911-2025
Nachrowi, dan Usman, Hardius. 2006. “Pendekatan Praktis dan Populer:
Ekonometrika Untuk Analisis dan Ekonomi”. Lembaga Penerbit FEUI
Nasruldin. 2011. “Pengujian Hipotesis Pasar Efisien Bentuk Lemah Pasar Modal
di Indonesia periode 2009-2010”. Skripsi S1 Fakultas Ekonomi dan
Bisnis, Universitas Islam Negeri Syarif Hidayatullah Jakarta.
Phan, Khoa Cuong dan Zhou, Jian. 2014. “Market efficiency in emerging stock
markets: A case study of the Vietnam stock market”. IOSR Journal of
Business and Management (IOSR-JBM) e-ISSN: 2278-487X, p-ISSN:
2319-7668. Volume 16, Issue 4. Ver. IV (Apr. 2014), PP 61-73
Rodoni, Ahmad. 2005. “Analisis Teknikal dan Fundamental pada Pasar Modal”.,
Jakarta: CSESPress
------------------. 2006. “Bank dan Lembaga Keuangan Lainnya”. Jakarta: CSES
Press
Rosadi, Dedi. 2012. “Ekonometrika & Analisis Runtun Waktu Terapan dengan
Eviews”. Yogyakarta: ANDI
Senthilnathan, Samithamby. 2015. “The Efficient Market: Rambling Evidence in
Asia and Pasific”. ELK Asia Pasific Journal of Marketing and Retail
Management. ISSN 0976-7193 (Print) ISSN 2349-2317, Volume 6 Issue 2
(2015)
114
Silvester Mario Limopranoto. 2002. “Analisis Indeks Harga Saham Gabungan
pada Bursa Efek Jakarta Untuk Menguji Efisiensi Pasar Modal
Indonesia”. Universitas Indonesia, Jakarta
Sugiarto dan Harijono. 2000. “Peramalan Bisnis”. Jakarta: Gramedia Pustaka
Utama
Tandelilin, Eduardus. 2001. “Analisis Dan Manajemen Portofolio”. Edisi
Pertama. Yogyakarta: BPFE
Widarjono, Agus. 2009. “Ekonometrika Pengantar dan Aplikasinya”. Edisi
ketiga. Yogyakarta: Ekonosia.
Winarno, Wing Wahyu. 2009. “Analisis Ekonometrika dan Statistika dengan
Eviews”. Edisi Kedua. Yogyakarta: UPP STIM YKPN
www.aseanexchanges.org
www.wikipedia.org
115
LAMPIRAN
Lampiran 1: Hasil Output Uji Kolmogorov Smirnov
One-Sample Kolmogorov-Smirnov Test
JKSE KLSE STI PSI SETI VNI
N 1298 1298 1298 1298 1298 1298
Normal Parametersa,b
Mean ,000193 ,000172 ,000084 ,000485 ,000175 ,000591
Std. Deviation ,0108890 ,0055796 ,0065862 ,0153605 ,0102375 ,0109569
Most Extreme Differences
Absolute ,080 ,075 ,055 ,146 ,070 ,071
Positive ,069 ,062 ,044 ,139 ,051 ,047
Negative -,080 -,075 -,055 -,146 -,070 -,071
Kolmogorov-Smirnov Z 2,894 2,711 1,988 5,248 2,537 2,561
Asymp. Sig. (2-tailed) ,000 ,000 ,001 ,000 ,000 ,000
a. Test distribution is Normal.
b. Calculated from data.
Lampiran 2: Hasil Output Uji Run Test
Runs Test
JKSE KLSE STI PSI SETI VNI
Test Valuea ,0004 ,0001 ,0001 ,0003 ,0002 ,0002
Cases < Test Value 649 649 649 649 649 649
Cases >= Test Value 649 649 649 649 649 649
Total Cases 1298 1298 1298 1298 1298 1298
Number of Runs 662 590 654 576 611 615
Z -2,149 -3,332 -2,025 -4,110 -2,166 -2,328
Asymp. Sig. (2-tailed) ,032 ,001 ,043 ,000 ,030 ,020
a. Median
116
Lampiran 3: Hasil Output Uji Breusch-Godfrey
JKSE
Breusch-Godfrey Serial Correlation LM Test: F-statistic 4.449064 Prob. F(2,1295) 0.0119
Obs*R-squared 8.857877 Prob. Chi-Square(2) 0.0119
KLSE
Breusch-Godfrey Serial Correlation LM Test:
F-statistic 8.174300 Prob. F(2,1295) 0.0003
Obs*R-squared 16.18218 Prob. Chi-Square(2) 0.0003
STI
Breusch-Godfrey Serial Correlation LM Test: F-statistic 3.458847 Prob. F(2,1290) 0.0318
Obs*R-squared 6.923467 Prob. Chi-Square(2) 0.0314
PSI
Breusch-Godfrey Serial Correlation LM Test: F-statistic 19.62563 Prob. F(2,1295) 0.0000
Obs*R-squared 38.18482 Prob. Chi-Square(2) 0.0000
SETI
Breusch-Godfrey Serial Correlation LM Test: F-statistic 11.48017 Prob. F(2,1290) 0.0000
Obs*R-squared 22.69873 Prob. Chi-Square(2) 0.0000
VNI
Breusch-Godfrey Serial Correlation LM Test: F-statistic 4.084100 Prob. F(2,1295) 0.0171
Obs*R-squared 8.135807 Prob. Chi-Square(2) 0.0171
123
Lampiran 5: Hasil Output Uji Strasioneritas ADF
Null Hypothesis: JKSE has a unit root
Exogenous: Constant
Lag Length: 2 (Automatic - based on SIC, maxlag=22) t-Statistic Prob.* Augmented Dickey-Fuller test statistic -23.35677 0.0000
Test critical values: 1% level -3.435188
5% level -2.863564
10% level -2.567897 *MacKinnon (1996) one-sided p-values.
Null Hypothesis: KLSE has a unit root
Exogenous: Constant
Lag Length: 0 (Automatic - based on SIC, maxlag=22) t-Statistic Prob.* Augmented Dickey-Fuller test statistic -32.15429 0.0000
Test critical values: 1% level -3.435180
5% level -2.863561
10% level -2.567895 *MacKinnon (1996) one-sided p-values.
Null Hypothesis: STI has a unit root
Exogenous: Constant
Lag Length: 0 (Automatic - based on SIC, maxlag=22) t-Statistic Prob.* Augmented Dickey-Fuller test statistic -34.95879 0.0000
Test critical values: 1% level -3.435180
5% level -2.863561
10% level -2.567895 *MacKinnon (1996) one-sided p-values.
Null Hypothesis: PSI has a unit root
Exogenous: Constant
Lag Length: 3 (Automatic - based on SIC, maxlag=22) t-Statistic Prob.* Augmented Dickey-Fuller test statistic -22.75552 0.0000
Test critical values: 1% level -3.435192
5% level -2.863566
10% level -2.567898
124
*MacKinnon (1996) one-sided p-values.
Null Hypothesis: SETI has a unit root
Exogenous: Constant
Lag Length: 0 (Automatic - based on SIC, maxlag=22) t-Statistic Prob.* Augmented Dickey-Fuller test statistic -35.13476 0.0000
Test critical values: 1% level -3.435180
5% level -2.863561
10% level -2.567895 *MacKinnon (1996) one-sided p-values.
Null Hypothesis: VNI has a unit root
Exogenous: Constant
Lag Length: 0 (Automatic - based on SIC, maxlag=22) t-Statistic Prob.* Augmented Dickey-Fuller test statistic -33.37830 0.0000
Test critical values: 1% level -3.435180
5% level -2.863561
10% level -2.567895 *MacKinnon (1996) one-sided p-values.
125
Lampiran 6: Hasil Output Model ARIMA
JKSE
ARMA(1,1)
Dependent Variable: JKSE
Method: Least Squares
Date: 11/17/16 Time: 20:28
Sample (adjusted): 1/04/2011 12/23/2015
Included observations: 1297 after adjustments
Convergence achieved after 14 iterations
MA Backcast: 1/03/2011 Variable Coefficient Std. Error t-Statistic Prob. C 0.000198 0.000328 0.602730 0.5468
AR(1) 0.044742 0.334446 0.133778 0.8936
MA(1) 0.037704 0.334554 0.112700 0.9103 R-squared 0.006780 Mean dependent var 0.000196
Adjusted R-squared 0.005245 S.D. dependent var 0.010893
S.E. of regression 0.010864 Akaike info criterion -6.204382
Sum squared resid 0.152731 Schwarz criterion -6.192428
Log likelihood 4026.541 Hannan-Quinn criter. -6.199896
F-statistic 4.416716 Durbin-Watson stat 1.996976
Prob(F-statistic) 0.012256 Inverted AR Roots .04
Inverted MA Roots -.04
ARMA(1,2)
Dependent Variable: JKSE
Method: Least Squares
Date: 11/17/16 Time: 20:30
Sample (adjusted): 1/04/2011 12/23/2015
Included observations: 1297 after adjustments
Convergence achieved after 7 iterations
MA Backcast: 12/31/2010 1/03/2011 Variable Coefficient Std. Error t-Statistic Prob. C 0.000197 0.000330 0.598759 0.5494
AR(1) 0.082322 0.027820 2.959135 0.0031
MA(2) 0.002974 0.027915 0.106523 0.9152 R-squared 0.006748 Mean dependent var 0.000196
Adjusted R-squared 0.005213 S.D. dependent var 0.010893
S.E. of regression 0.010864 Akaike info criterion -6.204350
Sum squared resid 0.152736 Schwarz criterion -6.192396
Log likelihood 4026.521 Hannan-Quinn criter. -6.199864
F-statistic 4.395851 Durbin-Watson stat 1.995023
126
Prob(F-statistic) 0.012513 Inverted AR Roots .08
ARMA(1,3)
Dependent Variable: JKSE
Method: Least Squares
Date: 11/17/16 Time: 20:35
Sample (adjusted): 1/04/2011 12/23/2015
Included observations: 1297 after adjustments
Convergence achieved after 6 iterations
MA Backcast: 12/30/2010 1/03/2011 Variable Coefficient Std. Error t-Statistic Prob. C 0.000192 0.000275 0.696665 0.4861
AR(1) 0.075555 0.027738 2.723916 0.0065
MA(3) -0.148134 0.027509 -5.384972 0.0000 R-squared 0.026798 Mean dependent var 0.000196
Adjusted R-squared 0.025294 S.D. dependent var 0.010893
S.E. of regression 0.010754 Akaike info criterion -6.224742
Sum squared resid 0.149653 Schwarz criterion -6.212789
Log likelihood 4039.745 Hannan-Quinn criter. -6.220256
F-statistic 17.81563 Durbin-Watson stat 1.997157
Prob(F-statistic) 0.000000 Inverted AR Roots .08
Inverted MA Roots .53 -.26-.46i -.26+.46i
ARMA(2,1)
Dependent Variable: JKSE
Method: Least Squares
Date: 11/17/16 Time: 20:30
Sample (adjusted): 1/05/2011 12/23/2015
Included observations: 1296 after adjustments
Convergence achieved after 7 iterations
MA Backcast: 1/04/2011 Variable Coefficient Std. Error t-Statistic Prob. C 0.000188 0.000329 0.571164 0.5680
AR(2) 0.008573 0.027905 0.307208 0.7587
MA(1) 0.081700 0.027826 2.936135 0.0034 R-squared 0.006646 Mean dependent var 0.000186
Adjusted R-squared 0.005109 S.D. dependent var 0.010891
S.E. of regression 0.010863 Akaike info criterion -6.204505
Sum squared resid 0.152594 Schwarz criterion -6.192544
Log likelihood 4023.519 Hannan-Quinn criter. -6.200016
F-statistic 4.325065 Durbin-Watson stat 1.996110
Prob(F-statistic) 0.013425
127
Inverted AR Roots .09 -.09
Inverted MA Roots -.08
ARMA(2,2)
Dependent Variable: JKSE
Method: Least Squares
Date: 11/17/16 Time: 20:31
Sample (adjusted): 1/05/2011 12/23/2015
Included observations: 1296 after adjustments
Convergence achieved after 19 iterations
MA Backcast: 1/03/2011 1/04/2011 Variable Coefficient Std. Error t-Statistic Prob. C 0.000189 0.000304 0.620515 0.5350
AR(2) -0.633589 0.334466 -1.894331 0.0584
MA(2) 0.644287 0.331019 1.946377 0.0518 R-squared 0.001777 Mean dependent var 0.000186
Adjusted R-squared 0.000232 S.D. dependent var 0.010891
S.E. of regression 0.010890 Akaike info criterion -6.199615
Sum squared resid 0.153342 Schwarz criterion -6.187654
Log likelihood 4020.351 Hannan-Quinn criter. -6.195127
F-statistic 1.150565 Durbin-Watson stat 1.835818
Prob(F-statistic) 0.316782
ARMA(2,3)
Dependent Variable: JKSE
Method: Least Squares
Date: 11/17/16 Time: 20:37
Sample (adjusted): 1/05/2011 12/23/2015
Included observations: 1296 after adjustments
Convergence achieved after 5 iterations
MA Backcast: 12/31/2010 1/04/2011 Variable Coefficient Std. Error t-Statistic Prob. C 0.000184 0.000256 0.718170 0.4728
AR(2) 0.006000 0.027880 0.215199 0.8296
MA(3) -0.150608 0.027571 -5.462498 0.0000 R-squared 0.021032 Mean dependent var 0.000186
Adjusted R-squared 0.019517 S.D. dependent var 0.010891
S.E. of regression 0.010785 Akaike info criterion -6.219093
Sum squared resid 0.150384 Schwarz criterion -6.207132
Log likelihood 4032.972 Hannan-Quinn criter. -6.214605
F-statistic 13.88908 Durbin-Watson stat 1.849442
Prob(F-statistic) 0.000001 Inverted AR Roots .08 -.08
128
Inverted MA Roots .53 -.27-.46i -.27+.46i
ARMA(3,1)
Dependent Variable: JKSE
Method: Least Squares
Date: 11/17/16 Time: 20:38
Sample (adjusted): 1/06/2011 12/23/2015
Included observations: 1295 after adjustments
Convergence achieved after 6 iterations
MA Backcast: 1/05/2011 Variable Coefficient Std. Error t-Statistic Prob. C 0.000178 0.000283 0.628898 0.5295
AR(3) -0.136211 0.027554 -4.943449 0.0000
MA(1) 0.074074 0.027765 2.667914 0.0077 R-squared 0.024982 Mean dependent var 0.000177
Adjusted R-squared 0.023473 S.D. dependent var 0.010890
S.E. of regression 0.010761 Akaike info criterion -6.223405
Sum squared resid 0.149621 Schwarz criterion -6.211437
Log likelihood 4032.655 Hannan-Quinn criter. -6.218914
F-statistic 16.55191 Durbin-Watson stat 1.997566
Prob(F-statistic) 0.000000 Inverted AR Roots .26+.45i .26-.45i -.51
Inverted MA Roots -.07
ARMA(3,2)
Dependent Variable: JKSE
Method: Least Squares
Date: 11/17/16 Time: 20:39
Sample (adjusted): 1/06/2011 12/23/2015
Included observations: 1295 after adjustments
Convergence achieved after 6 iterations
MA Backcast: 1/04/2011 1/05/2011 Variable Coefficient Std. Error t-Statistic Prob. C 0.000177 0.000265 0.668427 0.5040
AR(3) -0.140282 0.027624 -5.078219 0.0000
MA(2) 0.007721 0.027931 0.276425 0.7823 R-squared 0.019625 Mean dependent var 0.000177
Adjusted R-squared 0.018108 S.D. dependent var 0.010890
S.E. of regression 0.010791 Akaike info criterion -6.217926
Sum squared resid 0.150443 Schwarz criterion -6.205958
Log likelihood 4029.107 Hannan-Quinn criter. -6.213435
F-statistic 12.93174 Durbin-Watson stat 1.850790
Prob(F-statistic) 0.000003
129
Inverted AR Roots .26+.45i .26-.45i -.52
ARMA(3,3)
Dependent Variable: JKSE
Method: Least Squares
Date: 11/17/16 Time: 20:31
Sample (adjusted): 1/06/2011 12/23/2015
Included observations: 1295 after adjustments
Convergence achieved after 12 iterations
MA Backcast: 1/03/2011 1/05/2011 Variable Coefficient Std. Error t-Statistic Prob. C 0.000174 0.000251 0.693617 0.4880
AR(3) 0.092975 0.176562 0.526585 0.5986
MA(3) -0.241081 0.172234 -1.399729 0.1618 R-squared 0.021417 Mean dependent var 0.000177
Adjusted R-squared 0.019903 S.D. dependent var 0.010890
S.E. of regression 0.010781 Akaike info criterion -6.219756
Sum squared resid 0.150168 Schwarz criterion -6.207787
Log likelihood 4030.292 Hannan-Quinn criter. -6.215264
F-statistic 14.13847 Durbin-Watson stat 1.848059
Prob(F-statistic) 0.000001 Inverted AR Roots .45 -.23+.39i -.23-.39i
Inverted MA Roots .62 -.31+.54i -.31-.54i
KLSE
ARMA(1,1)
Dependent Variable: KLSE
Method: Least Squares
Date: 11/17/16 Time: 20:40
Sample (adjusted): 1/04/2011 12/23/2015
Included observations: 1297 after adjustments
Convergence achieved after 7 iterations
MA Backcast: 1/03/2011 Variable Coefficient Std. Error t-Statistic Prob. C 0.000174 0.000174 0.997027 0.3189
AR(1) 0.136844 0.246725 0.554640 0.5792
MA(1) -0.025514 0.248950 -0.102485 0.9184 R-squared 0.012468 Mean dependent var 0.000173
Adjusted R-squared 0.010942 S.D. dependent var 0.005582
S.E. of regression 0.005551 Akaike info criterion -7.547323
Sum squared resid 0.039875 Schwarz criterion -7.535370
130
Log likelihood 4897.439 Hannan-Quinn criter. -7.542838
F-statistic 8.168827 Durbin-Watson stat 1.995965
Prob(F-statistic) 0.000298 Inverted AR Roots .14
Inverted MA Roots .03
ARMA(1,2)
Dependent Variable: KLSE
Method: Least Squares
Date: 11/17/16 Time: 20:40
Sample (adjusted): 1/04/2011 12/23/2015
Included observations: 1297 after adjustments
Convergence achieved after 5 iterations
MA Backcast: 12/31/2010 1/03/2011 Variable Coefficient Std. Error t-Statistic Prob. C 0.000173 0.000175 0.991618 0.3216
AR(1) 0.111167 0.027808 3.997651 0.0001
MA(2) 0.007074 0.028002 0.252629 0.8006 R-squared 0.012509 Mean dependent var 0.000173
Adjusted R-squared 0.010982 S.D. dependent var 0.005582
S.E. of regression 0.005551 Akaike info criterion -7.547364
Sum squared resid 0.039873 Schwarz criterion -7.535411
Log likelihood 4897.466 Hannan-Quinn criter. -7.542879
F-statistic 8.195626 Durbin-Watson stat 1.995296
Prob(F-statistic) 0.000290 Inverted AR Roots .11
ARMA(1,3)
Dependent Variable: KLSE
Method: Least Squares
Date: 11/17/16 Time: 20:41
Sample (adjusted): 1/04/2011 12/23/2015
Included observations: 1297 after adjustments
Convergence achieved after 4 iterations
MA Backcast: 12/30/2010 1/03/2011 Variable Coefficient Std. Error t-Statistic Prob. C 0.000173 0.000167 1.036346 0.3002
AR(1) 0.112551 0.027639 4.072190 0.0000
MA(3) -0.038751 0.027823 -1.392785 0.1639 R-squared 0.013955 Mean dependent var 0.000173
Adjusted R-squared 0.012431 S.D. dependent var 0.005582
S.E. of regression 0.005547 Akaike info criterion -7.548830
Sum squared resid 0.039815 Schwarz criterion -7.536877
131
Log likelihood 4898.416 Hannan-Quinn criter. -7.544345
F-statistic 9.156884 Durbin-Watson stat 1.997593
Prob(F-statistic) 0.000112 Inverted AR Roots .11
Inverted MA Roots .34 -.17-.29i -.17+.29i
ARMA(2,1)
Dependent Variable: KLSE
Method: Least Squares
Date: 11/17/16 Time: 20:44
Sample (adjusted): 1/05/2011 12/23/2015
Included observations: 1296 after adjustments
Convergence achieved after 5 iterations
MA Backcast: 1/04/2011 Variable Coefficient Std. Error t-Statistic Prob. C 0.000182 0.000174 1.042656 0.2973
AR(2) 0.019354 0.027963 0.692134 0.4890
MA(1) 0.109488 0.027810 3.936937 0.0001 R-squared 0.012163 Mean dependent var 0.000181
Adjusted R-squared 0.010635 S.D. dependent var 0.005575
S.E. of regression 0.005545 Akaike info criterion -7.549466
Sum squared resid 0.039758 Schwarz criterion -7.537506
Log likelihood 4895.054 Hannan-Quinn criter. -7.544978
F-statistic 7.959921 Durbin-Watson stat 1.997568
Prob(F-statistic) 0.000367 Inverted AR Roots .14 -.14
Inverted MA Roots -.11
ARMA(2,2)
Dependent Variable: KLSE
Method: Least Squares
Date: 11/17/16 Time: 20:45
Sample (adjusted): 1/05/2011 12/23/2015
Included observations: 1296 after adjustments
Convergence achieved after 20 iterations
MA Backcast: 1/03/2011 1/04/2011 Variable Coefficient Std. Error t-Statistic Prob. C 0.000178 0.000156 1.139074 0.2549
AR(2) -0.432764 0.385489 -1.122636 0.2618
MA(2) 0.447946 0.382976 1.169644 0.2424 R-squared 0.001030 Mean dependent var 0.000181
Adjusted R-squared -0.000515 S.D. dependent var 0.005575
S.E. of regression 0.005576 Akaike info criterion -7.538260
132
Sum squared resid 0.040206 Schwarz criterion -7.526299
Log likelihood 4887.793 Hannan-Quinn criter. -7.533772
F-statistic 0.666783 Durbin-Watson stat 1.779401
Prob(F-statistic) 0.513534
ARMA(2,3)
Dependent Variable: KLSE
Method: Least Squares
Date: 11/17/16 Time: 20:45
Sample (adjusted): 1/05/2011 12/23/2015
Included observations: 1296 after adjustments
Convergence achieved after 5 iterations
MA Backcast: 12/31/2010 1/04/2011 Variable Coefficient Std. Error t-Statistic Prob. C 0.000181 0.000152 1.193813 0.2328
AR(2) 0.018370 0.027968 0.656834 0.5114
MA(3) -0.037937 0.028004 -1.354706 0.1757 R-squared 0.001664 Mean dependent var 0.000181
Adjusted R-squared 0.000119 S.D. dependent var 0.005575
S.E. of regression 0.005575 Akaike info criterion -7.538894
Sum squared resid 0.040181 Schwarz criterion -7.526933
Log likelihood 4888.203 Hannan-Quinn criter. -7.534406
F-statistic 1.077301 Durbin-Watson stat 1.779990
Prob(F-statistic) 0.340819 Inverted AR Roots .14 -.14
Inverted MA Roots .34 -.17-.29i -.17+.29i
ARMA(3,1)
Dependent Variable: KLSE
Method: Least Squares
Date: 11/17/16 Time: 20:46
Sample (adjusted): 1/06/2011 12/23/2015
Included observations: 1295 after adjustments
Convergence achieved after 5 iterations
MA Backcast: 1/05/2011 Variable Coefficient Std. Error t-Statistic Prob. C 0.000186 0.000164 1.132442 0.2577
AR(3) -0.039504 0.027796 -1.421182 0.1555
MA(1) 0.109501 0.027672 3.957135 0.0001 R-squared 0.013591 Mean dependent var 0.000186
Adjusted R-squared 0.012064 S.D. dependent var 0.005574
S.E. of regression 0.005541 Akaike info criterion -7.551138
Sum squared resid 0.039661 Schwarz criterion -7.539170
Log likelihood 4892.362 Hannan-Quinn criter. -7.546646
133
F-statistic 8.900784 Durbin-Watson stat 1.994370
Prob(F-statistic) 0.000145 Inverted AR Roots .17+.29i .17-.29i -.34
Inverted MA Roots -.11
ARMA(3,2)
Dependent Variable: KLSE
Method: Least Squares
Date: 11/17/16 Time: 20:47
Sample (adjusted): 1/06/2011 12/23/2015
Included observations: 1295 after adjustments
Convergence achieved after 5 iterations
MA Backcast: 1/04/2011 1/05/2011 Variable Coefficient Std. Error t-Statistic Prob. C 0.000186 0.000152 1.219143 0.2230
AR(3) -0.038124 0.027940 -1.364483 0.1727
MA(2) 0.020041 0.028008 0.715534 0.4744 R-squared 0.001732 Mean dependent var 0.000186
Adjusted R-squared 0.000186 S.D. dependent var 0.005574
S.E. of regression 0.005574 Akaike info criterion -7.539187
Sum squared resid 0.040138 Schwarz criterion -7.527218
Log likelihood 4884.623 Hannan-Quinn criter. -7.534695
F-statistic 1.120505 Durbin-Watson stat 1.778075
Prob(F-statistic) 0.326432 Inverted AR Roots .17+.29i .17-.29i -.34
ARMA(3,3)
Dependent Variable: KLSE
Method: Least Squares
Date: 11/17/16 Time: 20:48
Sample (adjusted): 1/06/2011 12/23/2015
Included observations: 1295 after adjustments
Convergence achieved after 9 iterations
MA Backcast: 1/03/2011 1/05/2011 Variable Coefficient Std. Error t-Statistic Prob. C 0.000184 0.000150 1.226698 0.2202
AR(3) -0.175646 0.363160 -0.483661 0.6287
MA(3) 0.140140 0.366035 0.382858 0.7019 R-squared 0.001444 Mean dependent var 0.000186
Adjusted R-squared -0.000102 S.D. dependent var 0.005574
S.E. of regression 0.005575 Akaike info criterion -7.538899
Sum squared resid 0.040150 Schwarz criterion -7.526930
Log likelihood 4884.437 Hannan-Quinn criter. -7.534407
134
F-statistic 0.934201 Durbin-Watson stat 1.774085
Prob(F-statistic) 0.393165 Inverted AR Roots .28+.49i .28-.49i -.56
Inverted MA Roots .26-.45i .26+.45i -.52
STI
ARMA(1,1)
Dependent Variable: STI
Method: Least Squares
Date: 11/17/16 Time: 20:49
Sample (adjusted): 1/04/2011 12/23/2015
Included observations: 1297 after adjustments
Convergence achieved after 17 iterations
MA Backcast: 1/03/2011 Variable Coefficient Std. Error t-Statistic Prob. C 2.27E-05 0.000230 0.098601 0.9215
AR(1) 0.896239 0.060764 14.74957 0.0000
MA(1) -0.870033 0.068119 -12.77226 0.0000 R-squared 0.010059 Mean dependent var 8.43E-05
Adjusted R-squared 0.008529 S.D. dependent var 0.006589
S.E. of regression 0.006561 Akaike info criterion -7.213156
Sum squared resid 0.055696 Schwarz criterion -7.201203
Log likelihood 4680.732 Hannan-Quinn criter. -7.208671
F-statistic 6.574220 Durbin-Watson stat 2.009029
Prob(F-statistic) 0.001443 Inverted AR Roots .90
Inverted MA Roots .87
ARMA(1,2)
Dependent Variable: STI
Method: Least Squares
Date: 11/17/16 Time: 20:50
Sample (adjusted): 1/04/2011 12/23/2015
Included observations: 1297 after adjustments
Convergence achieved after 5 iterations
MA Backcast: 12/31/2010 1/03/2011 Variable Coefficient Std. Error t-Statistic Prob. C 8.50E-05 0.000194 0.437330 0.6619
AR(1) 0.027652 0.027799 0.994691 0.3201
MA(2) 0.032778 0.027795 1.179283 0.2385 R-squared 0.001957 Mean dependent var 8.43E-05
135
Adjusted R-squared 0.000414 S.D. dependent var 0.006589
S.E. of regression 0.006587 Akaike info criterion -7.205005
Sum squared resid 0.056152 Schwarz criterion -7.193052
Log likelihood 4675.446 Hannan-Quinn criter. -7.200520
F-statistic 1.268540 Durbin-Watson stat 1.995555
Prob(F-statistic) 0.281592 Inverted AR Roots .03
ARMA(1,3)
Dependent Variable: STI
Method: Least Squares
Date: 11/17/16 Time: 20:51
Sample (adjusted): 1/04/2011 12/23/2015
Included observations: 1297 after adjustments
Convergence achieved after 5 iterations
MA Backcast: 12/30/2010 1/03/2011 Variable Coefficient Std. Error t-Statistic Prob. C 8.47E-05 0.000191 0.443423 0.6575
AR(1) 0.028084 0.027804 1.010094 0.3126
MA(3) 0.014303 0.027817 0.514192 0.6072 R-squared 0.001024 Mean dependent var 8.43E-05
Adjusted R-squared -0.000520 S.D. dependent var 0.006589
S.E. of regression 0.006590 Akaike info criterion -7.204070
Sum squared resid 0.056204 Schwarz criterion -7.192117
Log likelihood 4674.840 Hannan-Quinn criter. -7.199585
F-statistic 0.663040 Durbin-Watson stat 1.997363
Prob(F-statistic) 0.515457 Inverted AR Roots .03
Inverted MA Roots .12-.21i .12+.21i -.24
ARMA(2,1)
Dependent Variable: STI
Method: Least Squares
Date: 11/17/16 Time: 20:52
Sample (adjusted): 1/05/2011 12/23/2015
Included observations: 1296 after adjustments
Convergence achieved after 4 iterations
MA Backcast: 1/04/2011 Variable Coefficient Std. Error t-Statistic Prob. C 7.19E-05 0.000194 0.370564 0.7110
AR(2) 0.034916 0.027740 1.258677 0.2084
MA(1) 0.025399 0.027808 0.913370 0.3612 R-squared 0.001894 Mean dependent var 7.21E-05
136
Adjusted R-squared 0.000350 S.D. dependent var 0.006577
S.E. of regression 0.006576 Akaike info criterion -7.208612
Sum squared resid 0.055906 Schwarz criterion -7.196651
Log likelihood 4674.180 Hannan-Quinn criter. -7.204123
F-statistic 1.226629 Durbin-Watson stat 1.998919
Prob(F-statistic) 0.293620 Inverted AR Roots .19 -.19
Inverted MA Roots -.03
ARMA(2,2)
Dependent Variable: STI
Method: Least Squares
Date: 11/17/16 Time: 20:52
Sample (adjusted): 1/05/2011 12/23/2015
Included observations: 1296 after adjustments
Convergence achieved after 8 iterations
MA Backcast: 1/03/2011 1/04/2011 Variable Coefficient Std. Error t-Statistic Prob. C 6.93E-05 0.000191 0.363470 0.7163
AR(2) 0.152678 0.365576 0.417637 0.6763
MA(2) -0.115831 0.368218 -0.314573 0.7531 R-squared 0.001354 Mean dependent var 7.21E-05
Adjusted R-squared -0.000191 S.D. dependent var 0.006577
S.E. of regression 0.006577 Akaike info criterion -7.208071
Sum squared resid 0.055936 Schwarz criterion -7.196110
Log likelihood 4673.830 Hannan-Quinn criter. -7.203583
F-statistic 0.876496 Durbin-Watson stat 1.949884
Prob(F-statistic) 0.416486 Inverted AR Roots .39 -.39
Inverted MA Roots .34 -.34
ARMA(2,3)
Dependent Variable: STI
Method: Least Squares
Date: 11/17/16 Time: 20:53
Sample (adjusted): 1/05/2011 12/23/2015
Included observations: 1296 after adjustments
Convergence achieved after 6 iterations
MA Backcast: 12/31/2010 1/04/2011 Variable Coefficient Std. Error t-Statistic Prob. C 7.19E-05 0.000192 0.375338 0.7075
AR(2) 0.034169 0.027741 1.231707 0.2183
MA(3) 0.012415 0.027822 0.446216 0.6555
137
R-squared 0.001393 Mean dependent var 7.21E-05
Adjusted R-squared -0.000151 S.D. dependent var 0.006577
S.E. of regression 0.006577 Akaike info criterion -7.208110
Sum squared resid 0.055934 Schwarz criterion -7.196150
Log likelihood 4673.856 Hannan-Quinn criter. -7.203622
F-statistic 0.901958 Durbin-Watson stat 1.948836
Prob(F-statistic) 0.406030 Inverted AR Roots .18 -.18
Inverted MA Roots .12+.20i .12-.20i -.23
ARMA(3,1)
Dependent Variable: STI
Method: Least Squares
Date: 11/17/16 Time: 20:54
Sample (adjusted): 1/06/2011 12/23/2015
Included observations: 1295 after adjustments
Convergence achieved after 6 iterations
MA Backcast: 1/05/2011 Variable Coefficient Std. Error t-Statistic Prob. C 6.55E-05 0.000190 0.345378 0.7299
AR(3) 0.013356 0.027764 0.481045 0.6306
MA(1) 0.024212 0.027830 0.869989 0.3845 R-squared 0.000844 Mean dependent var 6.57E-05
Adjusted R-squared -0.000703 S.D. dependent var 0.006575
S.E. of regression 0.006577 Akaike info criterion -7.208034
Sum squared resid 0.055895 Schwarz criterion -7.196066
Log likelihood 4670.202 Hannan-Quinn criter. -7.203543
F-statistic 0.545758 Durbin-Watson stat 1.998333
Prob(F-statistic) 0.579536 Inverted AR Roots .24 -.12-.21i -.12+.21i
Inverted MA Roots -.02
ARMA(3,2)
Dependent Variable: STI
Method: Least Squares
Date: 11/17/16 Time: 20:55
Sample (adjusted): 1/06/2011 12/23/2015
Included observations: 1295 after adjustments
Convergence achieved after 6 iterations
MA Backcast: 1/04/2011 1/05/2011 Variable Coefficient Std. Error t-Statistic Prob. C 6.56E-05 0.000191 0.343498 0.7313
AR(3) 0.011907 0.027754 0.429015 0.6680
MA(2) 0.032227 0.027815 1.158628 0.2468
138
R-squared 0.001312 Mean dependent var 6.57E-05
Adjusted R-squared -0.000234 S.D. dependent var 0.006575
S.E. of regression 0.006576 Akaike info criterion -7.208502
Sum squared resid 0.055869 Schwarz criterion -7.196534
Log likelihood 4670.505 Hannan-Quinn criter. -7.204011
F-statistic 0.848687 Durbin-Watson stat 1.949846
Prob(F-statistic) 0.428215 Inverted AR Roots .23 -.11-.20i -.11+.20i
ARMA(3,3)
Dependent Variable: STI
Method: Least Squares
Date: 11/17/16 Time: 20:55
Sample (adjusted): 1/06/2011 12/23/2015
Included observations: 1295 after adjustments
Convergence achieved after 17 iterations
MA Backcast: 1/03/2011 1/05/2011 Variable Coefficient Std. Error t-Statistic Prob. C 7.13E-05 0.000185 0.384864 0.7004
AR(3) -0.788766 0.101748 -7.752171 0.0000
MA(3) 0.816811 0.095766 8.529246 0.0000 R-squared 0.005217 Mean dependent var 6.57E-05
Adjusted R-squared 0.003677 S.D. dependent var 0.006575
S.E. of regression 0.006563 Akaike info criterion -7.212420
Sum squared resid 0.055650 Schwarz criterion -7.200452
Log likelihood 4673.042 Hannan-Quinn criter. -7.207929
F-statistic 3.387891 Durbin-Watson stat 1.944207
Prob(F-statistic) 0.034080 Inverted AR Roots .46-.80i .46+.80i -.92
Inverted MA Roots .47+.81i .47-.81i -.93
PSI
ARMA(1,1)
Dependent Variable: PSI
Method: Least Squares
Date: 11/17/16 Time: 20:57
Sample (adjusted): 1/04/2011 12/23/2015
Included observations: 1297 after adjustments
Convergence achieved after 40 iterations
MA Backcast: 1/03/2011 Variable Coefficient Std. Error t-Statistic Prob. C 0.000452 0.000263 1.716061 0.0864
139
AR(1) 0.683605 0.074235 9.208625 0.0000
MA(1) -0.803018 0.060618 -13.24714 0.0000 R-squared 0.026992 Mean dependent var 0.000481
Adjusted R-squared 0.025488 S.D. dependent var 0.015366
S.E. of regression 0.015169 Akaike info criterion -5.536862
Sum squared resid 0.297734 Schwarz criterion -5.524909
Log likelihood 3593.655 Hannan-Quinn criter. -5.532377
F-statistic 17.94815 Durbin-Watson stat 1.837381
Prob(F-statistic) 0.000000 Inverted AR Roots .68
Inverted MA Roots .80
ARMA(1,2)
Dependent Variable: PSI
Method: Least Squares
Date: 11/17/16 Time: 21:02
Sample (adjusted): 1/04/2011 12/23/2015
Included observations: 1297 after adjustments
Convergence achieved after 6 iterations
MA Backcast: 12/31/2010 1/03/2011 Variable Coefficient Std. Error t-Statistic Prob. C 0.000477 0.000324 1.471019 0.1415
AR(1) -0.029529 0.027818 -1.061487 0.2887
MA(2) -0.204536 0.027244 -7.507689 0.0000 R-squared 0.035270 Mean dependent var 0.000481
Adjusted R-squared 0.033779 S.D. dependent var 0.015366
S.E. of regression 0.015104 Akaike info criterion -5.545407
Sum squared resid 0.295200 Schwarz criterion -5.533454
Log likelihood 3599.197 Hannan-Quinn criter. -5.540922
F-statistic 23.65431 Durbin-Watson stat 1.999342
Prob(F-statistic) 0.000000 Inverted AR Roots -.03
Inverted MA Roots .45 -.45
ARMA(1,3)
Dependent Variable: PSI
Method: Least Squares
Date: 11/17/16 Time: 21:02
Sample (adjusted): 1/04/2011 12/23/2015
Included observations: 1297 after adjustments
Convergence achieved after 6 iterations
MA Backcast: 12/30/2010 1/03/2011 Variable Coefficient Std. Error t-Statistic Prob.
140
C 0.000478 0.000375 1.275615 0.2023
AR(1) -0.026219 0.028242 -0.928379 0.3534
MA(3) -0.095258 0.028125 -3.386945 0.0007 R-squared 0.008437 Mean dependent var 0.000481
Adjusted R-squared 0.006904 S.D. dependent var 0.015366
S.E. of regression 0.015313 Akaike info criterion -5.517972
Sum squared resid 0.303411 Schwarz criterion -5.506019
Log likelihood 3581.405 Hannan-Quinn criter. -5.513487
F-statistic 5.505188 Durbin-Watson stat 2.009364
Prob(F-statistic) 0.004161 Inverted AR Roots -.03
Inverted MA Roots .46 -.23+.40i -.23-.40i
ARMA(2,1)
Dependent Variable: PSI
Method: Least Squares
Date: 11/17/16 Time: 21:03
Sample (adjusted): 1/05/2011 12/23/2015
Included observations: 1296 after adjustments
Convergence achieved after 6 iterations
MA Backcast: 1/04/2011 Variable Coefficient Std. Error t-Statistic Prob. C 0.000477 0.000351 1.361150 0.1737
AR(2) -0.173092 0.027408 -6.315401 0.0000
MA(1) -0.022291 0.027824 -0.801136 0.4232 R-squared 0.029858 Mean dependent var 0.000477
Adjusted R-squared 0.028357 S.D. dependent var 0.015371
S.E. of regression 0.015151 Akaike info criterion -5.539127
Sum squared resid 0.296830 Schwarz criterion -5.527166
Log likelihood 3592.354 Hannan-Quinn criter. -5.534638
F-statistic 19.89696 Durbin-Watson stat 1.998316
Prob(F-statistic) 0.000000 Inverted MA Roots .02
ARMA(2,2)
Dependent Variable: PSI
Method: Least Squares
Date: 11/17/16 Time: 21:04
Sample (adjusted): 1/05/2011 12/23/2015
Included observations: 1296 after adjustments
Convergence achieved after 16 iterations
MA Backcast: 1/03/2011 1/04/2011 Variable Coefficient Std. Error t-Statistic Prob.
141
C 0.000464 0.000320 1.449383 0.1475
AR(2) 0.196181 0.130175 1.507065 0.1320
MA(2) -0.386500 0.122445 -3.156511 0.0016 R-squared 0.036787 Mean dependent var 0.000477
Adjusted R-squared 0.035297 S.D. dependent var 0.015371
S.E. of regression 0.015097 Akaike info criterion -5.546295
Sum squared resid 0.294710 Schwarz criterion -5.534334
Log likelihood 3596.999 Hannan-Quinn criter. -5.541807
F-statistic 24.69103 Durbin-Watson stat 2.065194
Prob(F-statistic) 0.000000 Inverted AR Roots .44 -.44
Inverted MA Roots .62 -.62
ARMA(2,3)
Dependent Variable: PSI
Method: Least Squares
Date: 11/17/16 Time: 21:04
Sample (adjusted): 1/05/2011 12/23/2015
Included observations: 1296 after adjustments
Convergence achieved after 5 iterations
MA Backcast: 12/31/2010 1/04/2011 Variable Coefficient Std. Error t-Statistic Prob. C 0.000476 0.000321 1.484045 0.1380
AR(2) -0.176748 0.027383 -6.454731 0.0000
MA(3) -0.099419 0.027686 -3.590997 0.0003 R-squared 0.038675 Mean dependent var 0.000477
Adjusted R-squared 0.037188 S.D. dependent var 0.015371
S.E. of regression 0.015082 Akaike info criterion -5.548257
Sum squared resid 0.294132 Schwarz criterion -5.536296
Log likelihood 3598.270 Hannan-Quinn criter. -5.543768
F-statistic 26.00902 Durbin-Watson stat 2.063761
Prob(F-statistic) 0.000000 Inverted MA Roots .46 -.23-.40i -.23+.40i
ARMA(3,1)
Dependent Variable: PSI
Method: Least Squares
Date: 11/17/16 Time: 21:05
Sample (adjusted): 1/06/2011 12/23/2015
Included observations: 1295 after adjustments
Convergence achieved after 8 iterations
MA Backcast: 1/05/2011 Variable Coefficient Std. Error t-Statistic Prob.
142
C 0.000467 0.000371 1.257281 0.2089
AR(3) -0.097550 0.028082 -3.473722 0.0005
MA(1) -0.042717 0.028203 -1.514630 0.1301 R-squared 0.008777 Mean dependent var 0.000466
Adjusted R-squared 0.007242 S.D. dependent var 0.015372
S.E. of regression 0.015316 Akaike info criterion -5.517528
Sum squared resid 0.303076 Schwarz criterion -5.505560
Log likelihood 3575.599 Hannan-Quinn criter. -5.513037
F-statistic 5.720062 Durbin-Watson stat 1.984755
Prob(F-statistic) 0.003363 Inverted AR Roots .23+.40i .23-.40i -.46
Inverted MA Roots .04
ARMA(3,2)
Dependent Variable: PSI
Method: Least Squares
Date: 11/17/16 Time: 21:06
Sample (adjusted): 1/06/2011 12/23/2015
Included observations: 1295 after adjustments
Convergence achieved after 6 iterations
MA Backcast: 1/04/2011 1/05/2011 Variable Coefficient Std. Error t-Statistic Prob. C 0.000466 0.000302 1.542538 0.1232
AR(3) -0.098535 0.027695 -3.557914 0.0004
MA(2) -0.206227 0.027243 -7.569960 0.0000 R-squared 0.043756 Mean dependent var 0.000466
Adjusted R-squared 0.042276 S.D. dependent var 0.015372
S.E. of regression 0.015043 Akaike info criterion -5.553455
Sum squared resid 0.292381 Schwarz criterion -5.541486
Log likelihood 3598.862 Hannan-Quinn criter. -5.548963
F-statistic 29.55979 Durbin-Watson stat 2.069713
Prob(F-statistic) 0.000000 Inverted AR Roots .23+.40i .23-.40i -.46
Inverted MA Roots .45 -.45
ARMA(3,3)
Dependent Variable: PSI
Method: Least Squares
Date: 11/17/16 Time: 21:06
Sample (adjusted): 1/06/2011 12/23/2015
Included observations: 1295 after adjustments
Convergence achieved after 9 iterations
MA Backcast: 1/03/2011 1/05/2011 Variable Coefficient Std. Error t-Statistic Prob.
143
C 0.000454 0.000377 1.204077 0.2288
AR(3) 0.248405 0.259836 0.956005 0.3392
MA(3) -0.334759 0.252919 -1.323580 0.1859 R-squared 0.008359 Mean dependent var 0.000466
Adjusted R-squared 0.006824 S.D. dependent var 0.015372
S.E. of regression 0.015319 Akaike info criterion -5.517107
Sum squared resid 0.303203 Schwarz criterion -5.505139
Log likelihood 3575.327 Hannan-Quinn criter. -5.512616
F-statistic 5.445749 Durbin-Watson stat 2.048454
Prob(F-statistic) 0.004414 Inverted AR Roots .63 -.31+.54i -.31-.54i
Inverted MA Roots .69 -.35+.60i -.35-.60i
SETI
ARMA(1,1)
Dependent Variable: SETI
Method: Least Squares
Date: 11/17/16 Time: 21:07
Sample (adjusted): 1/04/2011 12/23/2015
Included observations: 1297 after adjustments
Convergence achieved after 19 iterations
MA Backcast: 1/03/2011 Variable Coefficient Std. Error t-Statistic Prob. C 0.000175 0.000291 0.600985 0.5480
AR(1) -0.150243 1.046320 -0.143592 0.8858
MA(1) 0.175727 1.041861 0.168667 0.8661 R-squared 0.000665 Mean dependent var 0.000175
Adjusted R-squared -0.000880 S.D. dependent var 0.010241
S.E. of regression 0.010246 Akaike info criterion -6.321567
Sum squared resid 0.135842 Schwarz criterion -6.309614
Log likelihood 4102.536 Hannan-Quinn criter. -6.317082
F-statistic 0.430448 Durbin-Watson stat 2.002442
Prob(F-statistic) 0.650311 Inverted AR Roots -.15
Inverted MA Roots -.18
144
ARMA(1,2)
Dependent Variable: SETI
Method: Least Squares
Date: 11/17/16 Time: 21:09
Sample (adjusted): 1/04/2011 12/23/2015
Included observations: 1297 after adjustments
Convergence achieved after 7 iterations
MA Backcast: 12/31/2010 1/03/2011 Variable Coefficient Std. Error t-Statistic Prob. C 0.000175 0.000287 0.610433 0.5417
AR(1) 0.023856 0.027799 0.858165 0.3910
MA(2) -0.016837 0.027808 -0.605486 0.5450 R-squared 0.000891 Mean dependent var 0.000175
Adjusted R-squared -0.000653 S.D. dependent var 0.010241
S.E. of regression 0.010245 Akaike info criterion -6.321794
Sum squared resid 0.135811 Schwarz criterion -6.309840
Log likelihood 4102.683 Hannan-Quinn criter. -6.317308
F-statistic 0.576987 Durbin-Watson stat 1.999917
Prob(F-statistic) 0.561732 Inverted AR Roots .02
Inverted MA Roots .13 -.13
ARMA(1,3)
Dependent Variable: SETI
Method: Least Squares
Date: 11/17/16 Time: 21:09
Sample (adjusted): 1/04/2011 12/23/2015
Included observations: 1297 after adjustments
Convergence achieved after 6 iterations
MA Backcast: 12/30/2010 1/03/2011 Variable Coefficient Std. Error t-Statistic Prob. C 0.000175 0.000282 0.622626 0.5336
AR(1) 0.025629 0.027794 0.922100 0.3566
MA(3) -0.035115 0.027829 -1.261827 0.2072 R-squared 0.001645 Mean dependent var 0.000175
Adjusted R-squared 0.000102 S.D. dependent var 0.010241
S.E. of regression 0.010241 Akaike info criterion -6.322549
Sum squared resid 0.135709 Schwarz criterion -6.310595
Log likelihood 4103.173 Hannan-Quinn criter. -6.318063
F-statistic 1.066000 Durbin-Watson stat 1.999070
Prob(F-statistic) 0.344685 Inverted AR Roots .03
Inverted MA Roots .33 -.16-.28i -.16+.28i
145
ARMA(2,1)
Dependent Variable: SETI
Method: Least Squares
Date: 11/17/16 Time: 21:10
Sample (adjusted): 1/05/2011 12/23/2015
Included observations: 1296 after adjustments
Convergence achieved after 5 iterations
MA Backcast: 1/04/2011 Variable Coefficient Std. Error t-Statistic Prob. C 0.000175 0.000286 0.612673 0.5402
AR(2) -0.018330 0.027818 -0.658928 0.5101
MA(1) 0.023843 0.027810 0.857370 0.3914 R-squared 0.000931 Mean dependent var 0.000175
Adjusted R-squared -0.000614 S.D. dependent var 0.010245
S.E. of regression 0.010248 Akaike info criterion -6.321059
Sum squared resid 0.135806 Schwarz criterion -6.309099
Log likelihood 4099.047 Hannan-Quinn criter. -6.316571
F-statistic 0.602667 Durbin-Watson stat 1.999181
Prob(F-statistic) 0.547504 Inverted MA Roots -.02
ARMA(2,2)
Dependent Variable: SETI
Method: Least Squares
Date: 11/17/16 Time: 21:11
Sample (adjusted): 1/05/2011 12/23/2015
Included observations: 1296 after adjustments
Convergence achieved after 26 iterations
MA Backcast: 1/03/2011 1/04/2011 Variable Coefficient Std. Error t-Statistic Prob. C 0.000174 0.000277 0.628622 0.5297
AR(2) -0.816255 0.122645 -6.655452 0.0000
MA(2) 0.771169 0.135117 5.707430 0.0000 R-squared 0.006671 Mean dependent var 0.000175
Adjusted R-squared 0.005135 S.D. dependent var 0.010245
S.E. of regression 0.010219 Akaike info criterion -6.326821
Sum squared resid 0.135026 Schwarz criterion -6.314861
Log likelihood 4102.780 Hannan-Quinn criter. -6.322333
F-statistic 4.341977 Durbin-Watson stat 1.949590
Prob(F-statistic) 0.013201
146
ARMA(2,3)
Dependent Variable: SETI
Method: Least Squares
Date: 11/17/16 Time: 21:11
Sample (adjusted): 1/05/2011 12/23/2015
Included observations: 1296 after adjustments
Convergence achieved after 6 iterations
MA Backcast: 12/31/2010 1/04/2011 Variable Coefficient Std. Error t-Statistic Prob. C 0.000176 0.000271 0.648825 0.5166
AR(2) -0.017606 0.027821 -0.632823 0.5270
MA(3) -0.032710 0.027848 -1.174592 0.2404 R-squared 0.001299 Mean dependent var 0.000175
Adjusted R-squared -0.000245 S.D. dependent var 0.010245
S.E. of regression 0.010247 Akaike info criterion -6.321428
Sum squared resid 0.135756 Schwarz criterion -6.309467
Log likelihood 4099.285 Hannan-Quinn criter. -6.316940
F-statistic 0.841159 Durbin-Watson stat 1.947181
Prob(F-statistic) 0.431446 Inverted MA Roots .32 -.16-.28i -.16+.28i
ARMA(3,1)
Dependent Variable: SETI
Method: Least Squares
Date: 11/17/16 Time: 21:12
Sample (adjusted): 1/06/2011 12/23/2015
Included observations: 1295 after adjustments
Convergence achieved after 6 iterations
MA Backcast: 1/05/2011 Variable Coefficient Std. Error t-Statistic Prob. C 0.000168 0.000283 0.592128 0.5539
AR(3) -0.030742 0.027840 -1.104243 0.2697
MA(1) 0.026309 0.027815 0.945861 0.3444 R-squared 0.001536 Mean dependent var 0.000167
Adjusted R-squared -0.000010 S.D. dependent var 0.010245
S.E. of regression 0.010245 Akaike info criterion -6.321693
Sum squared resid 0.135615 Schwarz criterion -6.309724
Log likelihood 4096.296 Hannan-Quinn criter. -6.317201
F-statistic 0.993528 Durbin-Watson stat 2.000921
Prob(F-statistic) 0.370551 Inverted AR Roots .16-.27i .16+.27i -.31
Inverted MA Roots -.03
147
ARMA(3,2)
Dependent Variable: SETI
Method: Least Squares
Date: 11/17/16 Time: 21:13
Sample (adjusted): 1/06/2011 12/23/2015
Included observations: 1295 after adjustments
Convergence achieved after 7 iterations
MA Backcast: 1/04/2011 1/05/2011 Variable Coefficient Std. Error t-Statistic Prob. C 0.000168 0.000272 0.616317 0.5378
AR(3) -0.028866 0.027845 -1.036644 0.3001
MA(2) -0.015800 0.027831 -0.567731 0.5703 R-squared 0.001151 Mean dependent var 0.000167
Adjusted R-squared -0.000396 S.D. dependent var 0.010245
S.E. of regression 0.010247 Akaike info criterion -6.321307
Sum squared resid 0.135667 Schwarz criterion -6.309339
Log likelihood 4096.046 Hannan-Quinn criter. -6.316816
F-statistic 0.744084 Durbin-Watson stat 1.948701
Prob(F-statistic) 0.475373 Inverted AR Roots .15-.27i .15+.27i -.31
Inverted MA Roots .13 -.13
ARMA(3,3)
Dependent Variable: SETI
Method: Least Squares
Date: 11/17/16 Time: 21:14
Sample (adjusted): 1/06/2011 12/23/2015
Included observations: 1295 after adjustments
Convergence achieved after 15 iterations
MA Backcast: 1/03/2011 1/05/2011 Variable Coefficient Std. Error t-Statistic Prob. C 0.000157 0.000262 0.599061 0.5492
AR(3) 0.469668 0.317551 1.479030 0.1394
MA(3) -0.512643 0.309099 -1.658507 0.0975 R-squared 0.003192 Mean dependent var 0.000167
Adjusted R-squared 0.001649 S.D. dependent var 0.010245
S.E. of regression 0.010237 Akaike info criterion -6.323353
Sum squared resid 0.135390 Schwarz criterion -6.311385
Log likelihood 4097.371 Hannan-Quinn criter. -6.318862
F-statistic 2.068893 Durbin-Watson stat 1.947176
Prob(F-statistic) 0.126744 Inverted AR Roots .78 -.39+.67i -.39-.67i
Inverted MA Roots .80 -.40+.69i -.40-.69i
148
VNI
ARMA(1,1)
Dependent Variable: VNI
Method: Least Squares
Date: 11/17/16 Time: 21:14
Sample (adjusted): 1/04/2011 12/23/2015
Included observations: 1297 after adjustments
Convergence achieved after 9 iterations
MA Backcast: 1/03/2011 Variable Coefficient Std. Error t-Statistic Prob. C 0.000599 0.000349 1.717830 0.0861
AR(1) 0.527302 0.243609 2.164546 0.0306
MA(1) -0.457335 0.254920 -1.794036 0.0730 R-squared 0.007036 Mean dependent var 0.000592
Adjusted R-squared 0.005501 S.D. dependent var 0.010961
S.E. of regression 0.010931 Akaike info criterion -6.192133
Sum squared resid 0.154613 Schwarz criterion -6.180180
Log likelihood 4018.598 Hannan-Quinn criter. -6.187648
F-statistic 4.584662 Durbin-Watson stat 1.995998
Prob(F-statistic) 0.010374 Inverted AR Roots .53
Inverted MA Roots .46
ARMA(1,2)
Dependent Variable: VNI
Method: Least Squares
Date: 11/17/16 Time: 21:15
Sample (adjusted): 1/04/2011 12/23/2015
Included observations: 1297 after adjustments
Convergence achieved after 5 iterations
MA Backcast: 12/31/2010 1/03/2011 Variable Coefficient Std. Error t-Statistic Prob. C 0.000591 0.000335 1.762479 0.0782
AR(1) 0.071618 0.027810 2.575249 0.0101
MA(2) 0.024407 0.027873 0.875627 0.3814 R-squared 0.006116 Mean dependent var 0.000592
Adjusted R-squared 0.004580 S.D. dependent var 0.010961
S.E. of regression 0.010936 Akaike info criterion -6.191207
Sum squared resid 0.154757 Schwarz criterion -6.179254
Log likelihood 4017.998 Hannan-Quinn criter. -6.186721
F-statistic 3.981329 Durbin-Watson stat 1.999304
Prob(F-statistic) 0.018890
149
Inverted AR Roots .07
ARMA(1,3)
Dependent Variable: VNI
Method: Least Squares
Date: 11/17/16 Time: 21:16
Sample (adjusted): 1/04/2011 12/23/2015
Included observations: 1297 after adjustments
Convergence achieved after 6 iterations
MA Backcast: 12/30/2010 1/03/2011 Variable Coefficient Std. Error t-Statistic Prob. C 0.000589 0.000346 1.702230 0.0890
AR(1) 0.074470 0.027751 2.683459 0.0074
MA(3) 0.056104 0.027785 2.019225 0.0437 R-squared 0.008428 Mean dependent var 0.000592
Adjusted R-squared 0.006896 S.D. dependent var 0.010961
S.E. of regression 0.010923 Akaike info criterion -6.193536
Sum squared resid 0.154397 Schwarz criterion -6.181583
Log likelihood 4019.508 Hannan-Quinn criter. -6.189051
F-statistic 5.499320 Durbin-Watson stat 2.002640
Prob(F-statistic) 0.004186 Inverted AR Roots .07
Inverted MA Roots .19-.33i .19+.33i -.38
ARMA(2,1)
Dependent Variable: VNI
Method: Least Squares
Date: 11/17/16 Time: 21:16
Sample (adjusted): 1/05/2011 12/23/2015
Included observations: 1296 after adjustments
Convergence achieved after 5 iterations
MA Backcast: 1/04/2011 Variable Coefficient Std. Error t-Statistic Prob. C 0.000595 0.000335 1.773825 0.0763
AR(2) 0.028433 0.027880 1.019846 0.3080
MA(1) 0.071639 0.027821 2.574962 0.0101 R-squared 0.006076 Mean dependent var 0.000596
Adjusted R-squared 0.004539 S.D. dependent var 0.010964
S.E. of regression 0.010940 Akaike info criterion -6.190553
Sum squared resid 0.154738 Schwarz criterion -6.178592
Log likelihood 4014.478 Hannan-Quinn criter. -6.186064
F-statistic 3.952232 Durbin-Watson stat 1.999444
Prob(F-statistic) 0.019444
150
Inverted AR Roots .17 -.17
Inverted MA Roots -.07
ARMA(2,2)
Dependent Variable: VNI
Method: Least Squares
Date: 11/17/16 Time: 21:17
Sample (adjusted): 1/05/2011 12/23/2015
Included observations: 1296 after adjustments
Convergence achieved after 18 iterations
MA Backcast: 1/03/2011 1/04/2011 Variable Coefficient Std. Error t-Statistic Prob. C 0.000608 0.000314 1.932878 0.0535
AR(2) 0.356954 0.629381 0.567151 0.5707
MA(2) -0.337285 0.634497 -0.531578 0.5951 R-squared 0.001266 Mean dependent var 0.000596
Adjusted R-squared -0.000279 S.D. dependent var 0.010964
S.E. of regression 0.010966 Akaike info criterion -6.185725
Sum squared resid 0.155487 Schwarz criterion -6.173764
Log likelihood 4011.350 Hannan-Quinn criter. -6.181237
F-statistic 0.819611 Durbin-Watson stat 1.855983
Prob(F-statistic) 0.440832 Inverted AR Roots .60 -.60
Inverted MA Roots .58 -.58
ARMA(2,3)
Dependent Variable: VNI
Method: Least Squares
Date: 11/17/16 Time: 21:18
Sample (adjusted): 1/05/2011 12/23/2015
Included observations: 1296 after adjustments
Convergence achieved after 6 iterations
MA Backcast: 12/31/2010 1/04/2011 Variable Coefficient Std. Error t-Statistic Prob. C 0.000593 0.000331 1.792157 0.0733
AR(2) 0.030612 0.027890 1.097615 0.2726
MA(3) 0.054854 0.027863 1.968731 0.0492 R-squared 0.003796 Mean dependent var 0.000596
Adjusted R-squared 0.002255 S.D. dependent var 0.010964
S.E. of regression 0.010952 Akaike info criterion -6.188261
Sum squared resid 0.155093 Schwarz criterion -6.176301
Log likelihood 4012.993 Hannan-Quinn criter. -6.183773
F-statistic 2.463435 Durbin-Watson stat 1.854547
Prob(F-statistic) 0.085542
151
Inverted AR Roots .17 -.17
Inverted MA Roots .19-.33i .19+.33i -.38
ARMA(3,1)
Dependent Variable: VNI
Method: Least Squares
Date: 11/17/16 Time: 21:18
Sample (adjusted): 1/06/2011 12/23/2015
Included observations: 1295 after adjustments
Convergence achieved after 5 iterations
MA Backcast: 1/05/2011 Variable Coefficient Std. Error t-Statistic Prob. C 0.000597 0.000343 1.740643 0.0820
AR(3) 0.051316 0.027812 1.845080 0.0653
MA(1) 0.070350 0.027780 2.532392 0.0114 R-squared 0.007842 Mean dependent var 0.000599
Adjusted R-squared 0.006307 S.D. dependent var 0.010968
S.E. of regression 0.010934 Akaike info criterion -6.191654
Sum squared resid 0.154448 Schwarz criterion -6.179686
Log likelihood 4012.096 Hannan-Quinn criter. -6.187163
F-statistic 5.106293 Durbin-Watson stat 1.992353
Prob(F-statistic) 0.006181 Inverted AR Roots .37 -.19-.32i -.19+.32i
Inverted MA Roots -.07
ARMA(3,2)
Dependent Variable: VNI
Method: Least Squares
Date: 11/17/16 Time: 21:19
Sample (adjusted): 1/06/2011 12/23/2015
Included observations: 1295 after adjustments
Convergence achieved after 6 iterations
MA Backcast: 1/04/2011 1/05/2011 Variable Coefficient Std. Error t-Statistic Prob. C 0.000597 0.000331 1.804769 0.0713
AR(3) 0.051022 0.027863 1.831198 0.0673
MA(2) 0.031555 0.027886 1.131556 0.2580 R-squared 0.003611 Mean dependent var 0.000599
Adjusted R-squared 0.002069 S.D. dependent var 0.010968
S.E. of regression 0.010957 Akaike info criterion -6.187399
Sum squared resid 0.155107 Schwarz criterion -6.175431
Log likelihood 4009.341 Hannan-Quinn criter. -6.182907
152
F-statistic 2.341329 Durbin-Watson stat 1.852982
Prob(F-statistic) 0.096608 Inverted AR Roots .37 -.19-.32i -.19+.32i
ARMA(3,3)
Dependent Variable: VNI
Method: Least Squares
Date: 11/17/16 Time: 21:20
Sample (adjusted): 1/06/2011 12/23/2015
Included observations: 1295 after adjustments
Convergence achieved after 21 iterations
MA Backcast: 1/03/2011 1/05/2011 Variable Coefficient Std. Error t-Statistic Prob. C 0.000597 0.000313 1.907012 0.0567
AR(3) -0.629817 0.211574 -2.976809 0.0030
MA(3) 0.678385 0.200286 3.387077 0.0007 R-squared 0.006483 Mean dependent var 0.000599
Adjusted R-squared 0.004945 S.D. dependent var 0.010968
S.E. of regression 0.010941 Akaike info criterion -6.190285
Sum squared resid 0.154660 Schwarz criterion -6.178317
Log likelihood 4011.210 Hannan-Quinn criter. -6.185794
F-statistic 4.215348 Durbin-Watson stat 1.853190
Prob(F-statistic) 0.014971 Inverted AR Roots .43+.74i .43-.74i -.86
Inverted MA Roots .44-.76i .44+.76i -.88
153
Lampiran 7: Hasil Output Uji ARCH Effect
JKSE
Heteroskedasticity Test: ARCH
F-statistic 45.10022 Prob. F(1,1294) 0.0000
Obs*R-squared 43.64863 Prob. Chi-Square(1) 0.0000
KLSE
Heteroskedasticity Test: ARCH F-statistic 37.28692 Prob. F(1,1292) 0.0000
Obs*R-squared 36.29711 Prob. Chi-Square(1) 0.0000
STI
Heteroskedasticity Test: ARCH F-statistic 17.21304 Prob. F(1,1294) 0.0000
Obs*R-squared 17.01333 Prob. Chi-Square(1) 0.0000
PSI
Heteroskedasticity Test: ARCH F-statistic 11.20373 Prob. F(1,1292) 0.0008
Obs*R-squared 11.12461 Prob. Chi-Square(1) 0.0009
SETI
Heteroskedasticity Test: ARCH F-statistic 5.417613 Prob. F(1,1293) 0.0201
Obs*R-squared 5.403354 Prob. Chi-Square(1) 0.0201
VNI
Heteroskedasticity Test: ARCH F-statistic 31.21721 Prob. F(1,1294) 0.0000
Obs*R-squared 30.52896 Prob. Chi-Square(1) 0.0000
154
Lampiran 8: Hasil Output Model ARCH/GARCH
JKSE
ARCH (1)
Dependent Variable: JKSE
Method: ML - ARCH (Marquardt) - Normal distribution
Date: 11/18/16 Time: 17:20
Sample (adjusted): 1/04/2011 12/23/2015
Included observations: 1297 after adjustments
Convergence achieved after 16 iterations
MA Backcast: 12/30/2010 1/03/2011
Presample variance: backcast (parameter = 0.7)
GARCH = C(4) + C(5)*RESID(-1)^2
Variable Coefficient Std. Error z-Statistic Prob.
C 0.000500 0.000254 1.971157 0.0487
AR(1) 0.023137 0.031797 0.727658 0.4668
MA(3) -0.114875 0.014941 -7.688360 0.0000 Variance Equation
C 8.11E-05 2.93E-06 27.66555 0.0000
RESID(-1)^2 0.344638 0.040974 8.411207 0.0000
R-squared 0.021965 Mean dependent var 0.000196
Adjusted R-squared 0.020454 S.D. dependent var 0.010893
S.E. of regression 0.010781 Akaike info criterion -6.293161
Sum squared resid 0.150396 Schwarz criterion -6.273239
Log likelihood 4086.115 Hannan-Quinn criter. -6.285686
Durbin-Watson stat 1.887619
Inverted AR Roots .02
Inverted MA Roots .49 -.24+.42i -.24-.42i
GARCH (1)
Dependent Variable: JKSE
Method: ML - ARCH (Marquardt) - Normal distribution
Date: 11/18/16 Time: 17:21
Sample (adjusted): 1/04/2011 12/23/2015
Included observations: 1297 after adjustments
Convergence achieved after 15 iterations
MA Backcast: 12/30/2010 1/03/2011
Presample variance: backcast (parameter = 0.7)
GARCH = C(4) + C(5)*GARCH(-1) Variable Coefficient Std. Error z-Statistic Prob. C 0.000192 0.000284 0.675266 0.4995
AR(1) 0.075581 0.020572 3.673989 0.0002
MA(3) -0.148135 0.019712 -7.514939 0.0000
155
Variance Equation C 0.000150 0.004159 0.035963 0.9713
GARCH(-1) -0.296360 36.04758 -0.008221 0.9934 R-squared 0.026798 Mean dependent var 0.000196
Adjusted R-squared 0.025294 S.D. dependent var 0.010893
S.E. of regression 0.010754 Akaike info criterion -6.221665
Sum squared resid 0.149653 Schwarz criterion -6.201743
Log likelihood 4039.750 Hannan-Quinn criter. -6.214189
Durbin-Watson stat 1.997209 Inverted AR Roots .08
Inverted MA Roots .53 -.26+.46i -.26-.46i
GARCH (1,1)
Dependent Variable: JKSE
Method: ML - ARCH (Marquardt) - Normal distribution
Date: 11/18/16 Time: 17:18
Sample (adjusted): 1/04/2011 12/23/2015
Included observations: 1297 after adjustments
Convergence achieved after 12 iterations
MA Backcast: 12/30/2010 1/03/2011
Presample variance: backcast (parameter = 0.7)
GARCH = C(4) + C(5)*RESID(-1)^2 + C(6)*GARCH(-1) Variable Coefficient Std. Error z-Statistic Prob. C 0.000516 0.000241 2.138673 0.0325
AR(1) 0.030256 0.032799 0.922460 0.3563
MA(3) -0.084312 0.028984 -2.908879 0.0036 Variance Equation C 6.23E-06 1.15E-06 5.395926 0.0000
RESID(-1)^2 0.174758 0.018452 9.470856 0.0000
GARCH(-1) 0.777679 0.022810 34.09420 0.0000 R-squared 0.019783 Mean dependent var 0.000196
Adjusted R-squared 0.018268 S.D. dependent var 0.010893
S.E. of regression 0.010793 Akaike info criterion -6.439711
Sum squared resid 0.150732 Schwarz criterion -6.415804
Log likelihood 4182.152 Hannan-Quinn criter. -6.430740
Durbin-Watson stat 1.899006 Inverted AR Roots .03
Inverted MA Roots .44 -.22-.38i -.22+.38i
156
KLSE
ARCH (1)
Dependent Variable: KLSE
Method: ML - ARCH (Marquardt) - Normal distribution
Date: 11/18/16 Time: 17:24
Sample (adjusted): 1/06/2011 12/23/2015
Included observations: 1295 after adjustments
Convergence achieved after 21 iterations
MA Backcast: 1/05/2011
Presample variance: backcast (parameter = 0.7)
GARCH = C(4) + C(5)*RESID(-1)^2 Variable Coefficient Std. Error z-Statistic Prob. C 0.000325 0.000155 2.101488 0.0356
AR(3) -0.030422 0.020764 -1.465138 0.1429
MA(1) 0.084392 0.034179 2.469141 0.0135 Variance Equation C 2.19E-05 6.92E-07 31.55720 0.0000
RESID(-1)^2 0.317663 0.032422 9.797624 0.0000 R-squared 0.012312 Mean dependent var 0.000186
Adjusted R-squared 0.010784 S.D. dependent var 0.005574
S.E. of regression 0.005544 Akaike info criterion -7.629664
Sum squared resid 0.039713 Schwarz criterion -7.609717
Log likelihood 4945.207 Hannan-Quinn criter. -7.622178
Durbin-Watson stat 1.942594 Inverted AR Roots .16-.27i .16+.27i -.31
Inverted MA Roots -.08
GARCH (1)
Dependent Variable: KLSE
Method: ML - ARCH (Marquardt) - Normal distribution
Date: 11/18/16 Time: 17:25
Sample (adjusted): 1/06/2011 12/23/2015
Included observations: 1295 after adjustments
Convergence achieved after 19 iterations
MA Backcast: 1/05/2011
Presample variance: backcast (parameter = 0.7)
GARCH = C(4) + C(5)*GARCH(-1) Variable Coefficient Std. Error z-Statistic Prob. C 0.000182 0.000166 1.096609 0.2728
AR(3) -0.038563 0.023441 -1.645145 0.0999
MA(1) 0.109809 0.019982 5.495377 0.0000 Variance Equation
157
C 6.00E-05 3.37E-06 17.78840 0.0000
GARCH(-1) -0.957810 0.102319 -9.360988 0.0000 R-squared 0.013590 Mean dependent var 0.000186
Adjusted R-squared 0.012063 S.D. dependent var 0.005574
S.E. of regression 0.005541 Akaike info criterion -7.548419
Sum squared resid 0.039661 Schwarz criterion -7.528472
Log likelihood 4892.601 Hannan-Quinn criter. -7.540933
Durbin-Watson stat 1.995050 Inverted AR Roots .17-.29i .17+.29i -.34
Inverted MA Roots -.11
GARCH (1,1)
Dependent Variable: KLSE
Method: ML - ARCH (Marquardt) - Normal distribution
Date: 11/18/16 Time: 17:23
Sample (adjusted): 1/06/2011 12/23/2015
Included observations: 1295 after adjustments
Convergence achieved after 25 iterations
MA Backcast: 1/05/2011
Presample variance: backcast (parameter = 0.7)
GARCH = C(4) + C(5)*RESID(-1)^2 + C(6)*GARCH(-1) Variable Coefficient Std. Error z-Statistic Prob. C 0.000439 0.000147 2.987474 0.0028
AR(3) -0.046941 0.031232 -1.502997 0.1328
MA(1) 0.088451 0.036855 2.399968 0.0164 Variance Equation C 4.95E-06 4.70E-07 10.54295 0.0000
RESID(-1)^2 0.208265 0.019683 10.58078 0.0000
GARCH(-1) 0.642920 0.024872 25.84880 0.0000 R-squared 0.011155 Mean dependent var 0.000186
Adjusted R-squared 0.009624 S.D. dependent var 0.005574
S.E. of regression 0.005547 Akaike info criterion -7.676454
Sum squared resid 0.039759 Schwarz criterion -7.652518
Log likelihood 4976.504 Hannan-Quinn criter. -7.667471
Durbin-Watson stat 1.947331 Inverted AR Roots .18+.31i .18-.31i -.36
Inverted MA Roots -.09
158
STI
ARCH (1)
Dependent Variable: STI
Method: ML - ARCH (Marquardt) - Normal distribution
Date: 11/18/16 Time: 17:28
Sample (adjusted): 1/04/2011 12/23/2015
Included observations: 1297 after adjustments
Convergence achieved after 35 iterations
MA Backcast: 1/03/2011
Presample variance: backcast (parameter = 0.7)
GARCH = C(4) + C(5)*RESID(-1)^2 Variable Coefficient Std. Error z-Statistic Prob. C 8.54E-05 0.000162 0.528699 0.5970
AR(1) 0.953621 0.020794 45.85995 0.0000
MA(1) -0.964462 0.019152 -50.35855 0.0000 Variance Equation C 3.48E-05 1.44E-06 24.20674 0.0000
RESID(-1)^2 0.208434 0.026917 7.743478 0.0000 R-squared 0.005883 Mean dependent var 8.43E-05
Adjusted R-squared 0.004347 S.D. dependent var 0.006589
S.E. of regression 0.006574 Akaike info criterion -7.235619
Sum squared resid 0.055931 Schwarz criterion -7.215697
Log likelihood 4697.299 Hannan-Quinn criter. -7.228143
Durbin-Watson stat 1.927957 Inverted AR Roots .95
Inverted MA Roots .96
GARCH (1)
Dependent Variable: STI
Method: ML - ARCH (Marquardt) - Normal distribution
Date: 11/18/16 Time: 17:28
Sample (adjusted): 1/04/2011 12/23/2015
Included observations: 1297 after adjustments
Convergence achieved after 22 iterations
MA Backcast: 1/03/2011
Presample variance: backcast (parameter = 0.7)
GARCH = C(4) + C(5)*GARCH(-1) Variable Coefficient Std. Error z-Statistic Prob. C 2.69E-05 0.000203 0.132928 0.8943
AR(1) 0.532374 0.178421 2.983806 0.0028
MA(1) -0.486103 0.185356 -2.622532 0.0087
159
Variance Equation C 5.90E-07 3.22E-07 1.834046 0.0666
GARCH(-1) 0.985446 0.007851 125.5179 0.0000 R-squared 0.004431 Mean dependent var 8.43E-05
Adjusted R-squared 0.002892 S.D. dependent var 0.006589
S.E. of regression 0.006579 Akaike info criterion -7.217423
Sum squared resid 0.056012 Schwarz criterion -7.197501
Log likelihood 4685.499 Hannan-Quinn criter. -7.209947
Durbin-Watson stat 2.038658 Inverted AR Roots .53
Inverted MA Roots .49
GARCH (1,1)
Dependent Variable: STI
Method: ML - ARCH (Marquardt) - Normal distribution
Date: 11/18/16 Time: 17:27
Sample (adjusted): 1/04/2011 12/23/2015
Included observations: 1297 after adjustments
Convergence achieved after 15 iterations
MA Backcast: 1/03/2011
Presample variance: backcast (parameter = 0.7)
GARCH = C(4) + C(5)*RESID(-1)^2 + C(6)*GARCH(-1) Variable Coefficient Std. Error z-Statistic Prob. C 0.000119 0.000198 0.600910 0.5479
AR(1) 0.855828 0.082806 10.33528 0.0000
MA(1) -0.829534 0.090700 -9.145928 0.0000 Variance Equation C 1.06E-06 3.64E-07 2.923293 0.0035
RESID(-1)^2 0.074872 0.012869 5.818213 0.0000
GARCH(-1) 0.899643 0.018536 48.53598 0.0000 R-squared 0.009524 Mean dependent var 8.43E-05
Adjusted R-squared 0.007993 S.D. dependent var 0.006589
S.E. of regression 0.006562 Akaike info criterion -7.333563
Sum squared resid 0.055726 Schwarz criterion -7.309656
Log likelihood 4761.815 Hannan-Quinn criter. -7.324592
Durbin-Watson stat 2.008056 Inverted AR Roots .86
Inverted MA Roots .83
160
PSI
ARCH (1)
Dependent Variable: PSI
Method: ML - ARCH (Marquardt) - Normal distribution
Date: 11/18/16 Time: 17:30
Sample (adjusted): 1/06/2011 12/23/2015
Included observations: 1295 after adjustments
Convergence achieved after 137 iterations
MA Backcast: 1/04/2011 1/05/2011
Presample variance: backcast (parameter = 0.7)
GARCH = C(4) + C(5)*RESID(-1)^2 Variable Coefficient Std. Error z-Statistic Prob. C 0.000661 0.000300 2.205442 0.0274
AR(3) -0.151129 0.024721 -6.113367 0.0000
MA(2) -0.235439 0.010191 -23.10364 0.0000 Variance Equation C 0.000193 3.67E-06 52.67462 0.0000
RESID(-1)^2 0.165697 0.036801 4.502472 0.0000 R-squared 0.040133 Mean dependent var 0.000466
Adjusted R-squared 0.038647 S.D. dependent var 0.015372
S.E. of regression 0.015072 Akaike info criterion -5.605268
Sum squared resid 0.293488 Schwarz criterion -5.585321
Log likelihood 3634.411 Hannan-Quinn criter. -5.597782
Durbin-Watson stat 2.072155 Inverted AR Roots .27+.46i .27-.46i -.53
Inverted MA Roots .49 -.49
GARCH (1)
Dependent Variable: PSI
Method: ML - ARCH (Marquardt) - Normal distribution
Date: 11/18/16 Time: 17:31
Sample (adjusted): 1/06/2011 12/23/2015
Included observations: 1295 after adjustments
Convergence achieved after 111 iterations
MA Backcast: 1/04/2011 1/05/2011
Presample variance: backcast (parameter = 0.7)
GARCH = C(4) + C(5)*GARCH(-1) Variable Coefficient Std. Error z-Statistic Prob. C 0.000642 0.000360 1.784889 0.0743
AR(3) -0.098899 0.026944 -3.670560 0.0002
MA(2) -0.195827 0.009243 -21.18555 0.0000 Variance Equation
161
C 1.01E-06 7.30E-08 13.81493 0.0000
GARCH(-1) 0.996097 0.000312 3193.961 0.0000 R-squared 0.043414 Mean dependent var 0.000466
Adjusted R-squared 0.041933 S.D. dependent var 0.015372
S.E. of regression 0.015046 Akaike info criterion -5.577129
Sum squared resid 0.292485 Schwarz criterion -5.557182
Log likelihood 3616.191 Hannan-Quinn criter. -5.569643
Durbin-Watson stat 2.068358 Inverted AR Roots .23+.40i .23-.40i -.46
Inverted MA Roots .44 -.44
GARCH (1,1)
Dependent Variable: PSI
Method: ML - ARCH (Marquardt) - Normal distribution
Date: 11/18/16 Time: 17:29
Sample (adjusted): 1/06/2011 12/23/2015
Included observations: 1295 after adjustments
Convergence achieved after 112 iterations
MA Backcast: 1/04/2011 1/05/2011
Presample variance: backcast (parameter = 0.7)
GARCH = C(4) + C(5)*RESID(-1)^2 + C(6)*GARCH(-1) Variable Coefficient Std. Error z-Statistic Prob. C 0.001405 0.000179 7.844978 0.0000
AR(3) -0.204351 0.027121 -7.534719 0.0000
MA(2) 0.006916 0.030591 0.226075 0.8211 Variance Equation C 4.73E-05 3.51E-06 13.47707 0.0000
RESID(-1)^2 0.802367 0.045342 17.69580 0.0000
GARCH(-1) 0.296971 0.029036 10.22760 0.0000 R-squared -0.013803 Mean dependent var 0.000466
Adjusted R-squared -0.015372 S.D. dependent var 0.015372
S.E. of regression 0.015489 Akaike info criterion -5.919872
Sum squared resid 0.309980 Schwarz criterion -5.895936
Log likelihood 3839.117 Hannan-Quinn criter. -5.910889
Durbin-Watson stat 2.092667 Inverted AR Roots .29+.51i .29-.51i -.59
162
SETI
ARCH (1)
Dependent Variable: SETI
Method: ML - ARCH (Marquardt) - Normal distribution
Date: 11/18/16 Time: 17:32
Sample (adjusted): 1/05/2011 12/23/2015
Included observations: 1296 after adjustments
Convergence achieved after 25 iterations
MA Backcast: 1/03/2011 1/04/2011
Presample variance: backcast (parameter = 0.7)
GARCH = C(4) + C(5)*RESID(-1)^2 Variable Coefficient Std. Error z-Statistic Prob. C 0.000213 0.000284 0.749483 0.4536
AR(2) -0.781843 0.133268 -5.866710 0.0000
MA(2) 0.733995 0.145033 5.060885 0.0000 Variance Equation C 9.50E-05 2.91E-06 32.59404 0.0000
RESID(-1)^2 0.090601 0.024969 3.628482 0.0003 R-squared 0.006565 Mean dependent var 0.000175
Adjusted R-squared 0.005029 S.D. dependent var 0.010245
S.E. of regression 0.010220 Akaike info criterion -6.334231
Sum squared resid 0.135040 Schwarz criterion -6.314297
Log likelihood 4109.582 Hannan-Quinn criter. -6.326751
Durbin-Watson stat 1.949597
GARCH (1)
Dependent Variable: SETI
Method: ML - ARCH (Marquardt) - Normal distribution
Date: 11/18/16 Time: 17:33
Sample (adjusted): 1/05/2011 12/23/2015
Included observations: 1296 after adjustments
Convergence achieved after 17 iterations
MA Backcast: 1/03/2011 1/04/2011
Presample variance: backcast (parameter = 0.7)
GARCH = C(4) + C(5)*GARCH(-1) Variable Coefficient Std. Error z-Statistic Prob. C -9.89E-05 0.000175 -0.565128 0.5720
AR(2) 0.986565 0.004417 223.3513 0.0000
MA(2) -0.994894 0.002469 -403.0276 0.0000 Variance Equation C 8.42E-07 2.57E-07 3.278572 0.0010
GARCH(-1) 0.992433 0.002443 406.1895 0.0000
163
R-squared 0.006519 Mean dependent var 0.000175
Adjusted R-squared 0.004982 S.D. dependent var 0.010245
S.E. of regression 0.010220 Akaike info criterion -6.335465
Sum squared resid 0.135046 Schwarz criterion -6.315530
Log likelihood 4110.381 Hannan-Quinn criter. -6.327984
Durbin-Watson stat 1.959389 Inverted AR Roots .99 -.99
Inverted MA Roots 1.00 -1.00
GARCH (1,1)
Dependent Variable: SETI
Method: ML - ARCH (Marquardt) - Normal distribution
Date: 11/18/16 Time: 17:32
Sample (adjusted): 1/05/2011 12/23/2015
Included observations: 1296 after adjustments
Convergence achieved after 19 iterations
MA Backcast: 1/03/2011 1/04/2011
Presample variance: backcast (parameter = 0.7)
GARCH = C(4) + C(5)*RESID(-1)^2 + C(6)*GARCH(-1) Variable Coefficient Std. Error z-Statistic Prob. C 0.000754 0.000239 3.150785 0.0016
AR(2) -0.704295 0.224053 -3.143435 0.0017
MA(2) 0.662319 0.238881 2.772595 0.0056 Variance Equation C 2.60E-06 6.45E-07 4.033701 0.0001
RESID(-1)^2 0.112152 0.014032 7.992358 0.0000
GARCH(-1) 0.867335 0.015016 57.76095 0.0000 R-squared 0.002466 Mean dependent var 0.000175
Adjusted R-squared 0.000923 S.D. dependent var 0.010245
S.E. of regression 0.010241 Akaike info criterion -6.521048
Sum squared resid 0.135597 Schwarz criterion -6.497126
Log likelihood 4231.639 Hannan-Quinn criter. -6.512071
Durbin-Watson stat 1.943547
164
VNI
ARCH (1)
Dependent Variable: VNI
Method: ML - ARCH (Marquardt) - Normal distribution
Date: 11/18/16 Time: 17:35
Sample (adjusted): 1/04/2011 12/23/2015
Included observations: 1297 after adjustments
Convergence achieved after 11 iterations
MA Backcast: 12/30/2010 1/03/2011
Presample variance: backcast (parameter = 0.7)
GARCH = C(4) + C(5)*RESID(-1)^2 Variable Coefficient Std. Error z-Statistic Prob. C 0.000473 0.000340 1.392263 0.1638
AR(1) 0.098492 0.031346 3.142054 0.0017
MA(3) 0.083319 0.021220 3.926402 0.0001 Variance Equation C 9.29E-05 3.90E-06 23.85459 0.0000
RESID(-1)^2 0.236370 0.037717 6.266984 0.0000 R-squared 0.007093 Mean dependent var 0.000592
Adjusted R-squared 0.005558 S.D. dependent var 0.010961
S.E. of regression 0.010931 Akaike info criterion -6.232495
Sum squared resid 0.154605 Schwarz criterion -6.212573
Log likelihood 4046.773 Hannan-Quinn criter. -6.225019
Durbin-Watson stat 2.051398 Inverted AR Roots .10
Inverted MA Roots .22-.38i .22+.38i -.44
GARCH (1)
Dependent Variable: VNI
Method: ML - ARCH (Marquardt) - Normal distribution
Date: 11/18/16 Time: 17:36
Sample (adjusted): 1/04/2011 12/23/2015
Included observations: 1297 after adjustments
Convergence achieved after 17 iterations
MA Backcast: 12/30/2010 1/03/2011
Presample variance: backcast (parameter = 0.7)
GARCH = C(4) + C(5)*GARCH(-1) Variable Coefficient Std. Error z-Statistic Prob. C 0.000589 0.000357 1.652661 0.0984
AR(1) 0.074439 0.021472 3.466806 0.0005
MA(3) 0.056104 0.021913 2.560354 0.0105 Variance Equation
165
C 0.000144 0.003166 0.045413 0.9638
GARCH(-1) -0.207738 26.59394 -0.007811 0.9938 R-squared 0.008428 Mean dependent var 0.000592
Adjusted R-squared 0.006896 S.D. dependent var 0.010961
S.E. of regression 0.010923 Akaike info criterion -6.190458
Sum squared resid 0.154397 Schwarz criterion -6.170536
Log likelihood 4019.512 Hannan-Quinn criter. -6.182982
Durbin-Watson stat 2.002577 Inverted AR Roots .07
Inverted MA Roots .19+.33i .19-.33i -.38
GARCH (1,1)
Dependent Variable: VNI
Method: ML - ARCH (Marquardt) - Normal distribution
Date: 11/18/16 Time: 17:35
Sample (adjusted): 1/04/2011 12/23/2015
Included observations: 1297 after adjustments
Convergence achieved after 38 iterations
MA Backcast: 12/30/2010 1/03/2011
Presample variance: backcast (parameter = 0.7)
GARCH = C(4) + C(5)*RESID(-1)^2 + C(6)*GARCH(-1) Variable Coefficient Std. Error z-Statistic Prob. C 0.000695 0.000339 2.049333 0.0404
AR(1) 0.094283 0.031265 3.015610 0.0026
MA(3) 0.064568 0.029178 2.212922 0.0269 Variance Equation C 7.88E-06 1.66E-06 4.735825 0.0000
RESID(-1)^2 0.112141 0.014766 7.594622 0.0000
GARCH(-1) 0.822971 0.023230 35.42750 0.0000 R-squared 0.007903 Mean dependent var 0.000592
Adjusted R-squared 0.006369 S.D. dependent var 0.010961
S.E. of regression 0.010926 Akaike info criterion -6.295045
Sum squared resid 0.154479 Schwarz criterion -6.271139
Log likelihood 4088.337 Hannan-Quinn criter. -6.286075
Durbin-Watson stat 2.042967 Inverted AR Roots .09
Inverted MA Roots .20-.35i .20+.35i -.40
166
Lampiran 9: Hasil Output Uji ARCH-LM Model ARCH/GARCH
JKSE
Heteroskedasticity Test: ARCH F-statistic 1.643306 Prob. F(1,1294) 0.2001
Obs*R-squared 1.643758 Prob. Chi-Square(1) 0.1998
KLSE
Heteroskedasticity Test: ARCH F-statistic 0.710940 Prob. F(1,1292) 0.3993
Obs*R-squared 0.711649 Prob. Chi-Square(1) 0.3989
STI
Heteroskedasticity Test: ARCH F-statistic 0.146321 Prob. F(1,1294) 0.7021
Obs*R-squared 0.146530 Prob. Chi-Square(1) 0.7019
PSI
Heteroskedasticity Test: ARCH F-statistic 0.198987 Prob. F(1,1292) 0.6556
Obs*R-squared 0.199265 Prob. Chi-Square(1) 0.6553
SETI
Heteroskedasticity Test: ARCH F-statistic 2.089599 Prob. F(1,1293) 0.1485
Obs*R-squared 2.089454 Prob. Chi-Square(1) 0.1483
VNI
Heteroskedasticity Test: ARCH F-statistic 0.028021 Prob. F(1,1294) 0.8671
Obs*R-squared 0.028064 Prob. Chi-Square(1) 0.8670