BAB IV METODE PENELITIAN

BAB IV METODE PENELITIAN

4.1. Desain Penelitian Metode yang diterapkan dalam penelitian ini yaitu desain

kuantitatif,

konklusif, eksperimental dan deskriptif. Metode deskriptif bertujuan untuk membuat deskripsi secara sistematik, aktual dan akurat mengenai variabel yang diteliti, diuji , dianalisis berdasarkan data yang ada. 4.2. Variabel dan pengukuran Variabel Dalam penelitian ini batasan variabel yang akan diteliti yaitu volatilitas saham perusahaan sektor perbankan periode 2007-2014 yang didapat dari harga penutupan saham harian.

Tabel 4.1 Operasionalisasi Variabel Variabel

Volatilitas saham

Konsep Variabel

Indikator

Metode untuk mengukur

Harga penutupan

fluktuasi return selama

saham harian dan

periode tertentu

return

Skala

Rasio

4.3. Data dan Metode Pengumpulan Data Data yang diperlukan dalam penelitian ini adalah data sekunder, yaitu data yang didapat dan disimpan oleh seseorang atau entitas yang biasanya merupakan data masa lalu/historis. Sedangkan teknik pengumpulan data yang digunakan adalah teknik dokumentasi, yaitu metode pengumpulan data-data sekunder berupa

42

http://digilib.mercubuana.ac.id/

43

harga saham perbankan yaitu daily closing price periode 01 Januari 2007 sampai dengan 31 Desember 2014 dan statistik perdagangan saham yang berhubungan dengan penelitian yang didapat dari situs Bursa Efek Indonesia, Indonesian Capital Market Directory (ICMD), yahoo finance, dan situs masing-masing emiten. Tabel 4.2 Deskripsi Data Penelitian Deskripsi Data Harga saham pada closing price

Periode

Sumber 1. Website BEI: www.idx.co.id 2. www.duniainvestasi.com Tahun 2007 s.d 3. Indonesian Capital Market 2014 Directory 4. Yahoo Finance. Sumber : diolah penulis 2015

Jenis data

Sekunder

4.4. Populasi dan Metode Sampling Populasi dalam penelitian ini adalah semua perusahaan atau emiten sektor perbankan Bursa Efek Indonesia yang telah listing dari tahun 2007 sampai pada tahun 2014 dan selama periode pengamatan tahun dari 1 Januari 2007 sampai 31 Desember 2014 saham tersebut aktif diperdagangkan. Jumlah populasi sektor perbankan ada sebanyak 41 perusahaan. Penarikan sampel dilakukan metode purposive sampling dengan kriteria perusahaan terdaftar di Bursa Efek Indonesia Sektor Perbankan sebelum tahun 2007 dan selama periode penelitian aktif diperdagangkan serta memiliki data-data yang diperlukan dalam penelitian, berdasarkan kriteria tersebut terdapat 15 perusahaan yang dijadikan sampel.


44

Berikut adalah sampel emiten perbankan yang telah dipilih berdasarkan kriteria Tabel 4.3 Daftar Sampel Penelitian No

Nama Bank

Tanggal Pencatatan

1

Bank Pan Indonesia Tbk. (PNBN.JK)

29-Dec-82

2

Bank Internasional Indonesia Tb (BNII.JK)

21-Nov-89

3

Bank CIMB Niaga Tbk. (BNGA.JK)

29-Nov-89

4

Bank Danamon Indonesia Tbk. (BDMN.JK)

6-Dec-89

5

Bank Permata Tbk. (BNLI.JK)

15-Jan-90

6

Bank OCBC NISP Tbk. (NISP.JK)

20-Oct-94

7

Bank Negara Indonesia (Persero) (BBNI.JK)

25-Nov-96

8

Bank Bumi Arta Tbk. (BNBA.JK)

31-Dec-99

9

Bank Central Asia Tbk. (BBCA.JK)

31-May-00

10

Bank Nusantara Parahyangan Tbk. (BBNP.JK)

10-Jan-01

11

Bank Of India Indonesia Tbk. (BSWD.JK)

1-May-02

12

BANK MNC INTERNASI (BABP.JK)

15-Jul-02

13

Bank Mandiri (Persero) Tbk. (BMRI.JK)

14-Jul-03

14

Bank Rakyat Indonesia (Persero) (BBRI.JK)

10-Nov-03

15

Bank Bukopin Tbk. (BBKP.JK)

10-Jul-06

Sumber : Bursa Efek Indonesia , diolah kembali oleh Penulis 2015

4.5. Metode Analisis Penelitian ini dilakukan dengan bantuan program EViews versi 7.0 dan Micrososft Excel 2010. Metode analis ini dilakukan dengan pendekatan ARCH/GARCH. Berikut alur flowchart sistematika penulisan tesis dibawah ini


45

Gambar 4.4 Flowchart Sistematika Penulisan Tesis Sumber : diolah Penulis 2015

4.5.1. Pengolahan Return atau Imbal Hasil Return di peroleh dari perhitungan logaritma natural penutupan harga saham (closing price) pada hari t di bagi penutupan harga saham hari t-1 . perhitungan


46

logaritma natural untuk memperoleh besaran return ini dilakukan pada program Microsoft Excel 2010. Berikut adalah rumus untuk menghitung return : rt= In(Pt/Pt-1) = In Pt – In Pt-1

(4.1)

keterangan : rt = Return pada hari ke t Pt = Closing price pada hari t Pt-1 = Closing price pada hari t-1 Pengolahan data dilakukan dengan bantuan software Eviews versi 7.0 dan Microsoft excel 2010. Secara umum pengolahan data ini diawali dengan perhitungan return saham , lalu diikuti oleh mean process , variance process , pengujian

diagnostik,

penentuan

model

menginterpretasikan model yang dihasilkan kesimpulan.

final

terbaik,

kemudian

dan diakhiri dengan penarikan

Mean process adalah proses untuk mendapatkan persamaan

conditional mean yang paling cocok (fit) dengan deret data. Umumnya model dasar yang digunakan adalah model ARMA ataupun ARIMA tapi mungkin juga menggunakan variabel lain yang di tentukan. Estimasi untuk mendapatkan model terbaik digunakan dengan metode Ordinary Least Squares (OLS) atau sering disingkat dengan Least Square saja. Model yang layak harus berupa persamaan yang signifikan pada significance level 5%.

Variance Process adalah proses

untuk mendapatkan persamaan variance yang terbaik.

Metode estimasi yang

digunakan untuk variance ini tergantung dari sifat volatilitasnya, heteroskedastis atau homoskedastis. Jika homoskedastis sudah cukup baik bila menggunakan formula deviasi standar bias( konvensional) dan proses tidak dilanjutkan lagi,


47

akan tetapi bila heteroskedastis lebih baik menggunakan metode ARCH karena variance nya berupa conditional variance. Sifat heteroskedastis di tunjukkan oleh masih terdeteksinya ARCH error. Apabila ternyata volatilitasnya bersifat heteroskedastis dan telah di peroleh model conditional variance yang signifikan , perlu dilakukan pengujian autokorelasi terhadap residual dan pengujian heteroskedastisitas. Pengujian autokorelasi dapat dilakukan dengan menghitung Q-statistic berdasarkan metode Box-Pierce maupun variance nya yang dikenal sebagai metode Ljung-Box. Pengujian ARCH error yang tersisa dilakukan terhadap kuadrat residual yang dihasilkan oleh variance process. Metode lain untuk uji heteroskedastisitas

adalah uji ARCH-LM,

yaitu uji Langrange Multiflier

terhadap ARCH, maka model tersebut sudah representative sebagai persamaan conditional variance. Akan tetapi bila kuadrat residual tidak sama dengan nol secara signifikan maka proses kembali ke pemilihan alternatif model ARCH/GARCH yang lain, atau bisa juga melakukan perbaikan terlebih dahulu terhadap model conditional mean yang telah dipilih sebelumnya. 4.5.2. Pengamatan Pergerakan Return Historis Pengamatan dilakukan untuk mempelajari pola – pola volatilitas return saham sektor perbankan. 4.5.3. Pengujian Data Stasioner Stasioneritas berarti bahwa tidak terdapat perubahan yang drastis pada data. Fluktuasi data berada disekitar suatu nilai rata-rata yang konstan, tidak tergantung pada waktu dan variansi dari fluktuasi tersebut dalam Makridakis (200). Data time


48

series dikatakan stasioner jika rata-rata dan variansinya konstan, tidak ada unsur trend dalam data, dan tidak ada unsur musiman. Apabila data tidak stasioner, maka perlu dilakukan modifikasi untuk menghasilkan data yang stasioner. Salah satu cara yang umum dipakai adalah metode pembedaan (differencing). Untuk menentukan apakah series stasioner, non stasioner dapat dibantu dengan melihat plot dari series atau bentuk difference-nya. Proses differencing dapat dilakukan untuk beberapa periode sampai data stasioner, yaitu dengan cara mengurangkan suatu data dengan data sebelumnya. Pengujian secara informal dilakkan melalui pengamatan correlogram terhadap nilai fungsi autokorelasi (AC) dan autokorelasi parsial (PAC). Data yang ada sudah stasioner bila nilai AC maupun PAC pada semua lag yang ada pada correlogram berada disekitar nilai 0 , semua nilaiQ-statistic tidak signifikan dan semua nilai prob signifikan. Pengujian secara formal dilakukan dengan menggunakan metode Augmented Dickey Fuller (ADF) untuk menguji ada tidaknya unit root. Bila unit root tidak terdeteksi maka data yang diuji sudah stationer, tidak perlu dilakukan differencing dan proses pengembangan model dapat dilanjutkan ke tahap berikutnya akan tetapi bila terdeteksi adanya unit root, maka data belum stasioner dan perlu dilakukan differencing sampai data tersebut stasioner. Menurut Enders(2004:190) model persamaan umum ADF sbb: m

Yt  1   2t   Yt 1   i Yt i   t

(4.2)

i 1

Dimana:

Yt

= first difference dari Y


49

1

= nilai konstan atau intercept

2

= koefisien regresi untuk trend



= koefisien regresi untuk lag Y



= koefisien regresi untuk difference lag Y

ε

=Residual/ error

m

= lag

t

= waktu

Dengan hipotesis : H0 :   0 (Terdapat akar unit, variable Y tidak stasioner) H1 :   0 Tidak terdapat akar unit, variable Y stasioner) Menentukan nilai kritis(critical value-CV) misalnya pada significance level 5% Hitung nilai t-statistic hasil uji ADF dengan menggunakan Eviews . Apabila nilai t-statistic hasil uji ADF ≤ CV pada significance level 5% maka dapat disimpulkan bahwa data sudah stasioner pada tingkat keyakinan (confidence level) 95%. Maka dengan demikian dapat ditarik kesimpulan dari hasil pengujian berdasarkan dengan kondisi sebagai berikut di bawah ini :

Kondisi

Hipotesis H0

Nilai t-stat ADF > CV atau Diterima nilai prob >α Nilai t-stat ADF ≤ CV atau Ditolak nilai prob ≤ α

Keterangan Data belum stationer karena terdeteksi adanya unit root, sehingga perlu dilakukan differencing data Data sudah stationer karena tidak terdeteksi adanya unit root

4.5.4. Estimasi Model Conditional Mean


50

Setelah dilakukan test ADF selanjutnya membangun estimasi model conditional mean yang didasarkan pada pengamatan autocorrelation (AC) dan partial autocorrelation (PAC)

pada correlogram data return. Bila nilai AC

berkurang dengan peningkatan jumlah lag menunjukkan adanya proses autoregressive (AR). Akan tetapi jika nilai AC mendekati nol setelah sedikit jumlah lag menunjukkan adanya proses moving average, kondisi ini tidak selalu muncul sehingga pemilihan metode dilakukan dengan metode trial dan error yaitu menggunakan model AR, MA, ARMA atau ARIMA sehingga diperoleh model yang parsimony atau kompak. Model yang dipilih adalah model yang memberikan nilai adjusted R-Squared terbesar dan jumlah lag yang paling sedikit. Jika model memberikan nilai adjusted R-Squared yang sama maka dipilih model lag yang terkecil serta memiliki akaike information criterion dan Schwarz information criterion yang terkecil. Model yang dipilih harus signifikan dimana nilai t-statistic lebih besar dari critical value atau p-value dari t-statistic < 5% 4.5.5. Pengujian Autocorrelation Pengujian autokorelasi (ACF) dan auto korelasi parsial (PACF) yang terdapat pada residual data dapat dilakukan dengan metode Ljung-Box yaitu melalui uji Qstatistic untuk menentukan adanya nilai yang signifikan. Adapun prosedur pengujian Q-statistic dengan metode Ljung-Box adalah sbb :

(4.3)

LB = Ljung Box statistic m = Jumlah dari lag yang akan di uji


51

T = Jumlah data observasi

k = Estimasi korelasi yang terjadi antara return saat t dengan return n-k

Kondisi



Hipotesis yang digunakan adalah :



H0 : Tidak ada autokorelasi



H1 : Ada Autokorelasi



Tentukan signifikansi level misalnya , α = 5%



Hitung nilai prob dari Q-statistic dengan Eviews



Tarik kesimpulan berdasarkan hal-hal berikut : Hipotesis H0

Nilai prob>α (nilai prob dari Diterima Q-statistic pada correlogram). Nilai prob ≤ α (nilai prob dari Ditolak Q-statistic pada correlogram)

Keterangan Tidak ada Autokorelasi karena : Nilai ACF dan PACF mendekati nol Nilai Q-statistic tidak signifikan

Ada Autokorelasi karena : Nilai AC dan PAC jauh dari nol Nilai Q-statistic signifikan

Cara lain untuk mengukur adanya serial korelasi (autokorelasi) pada residual adalah dengan Durbin-Watson (DW) statistic . (DW) statistic ini umumnya sudah menjadi bagian dari hasil regresi standar . Nilai DW=2 artinya tidak ada serial korelasi sedangkan 0 ≤ DW< 2 menunjukkan adanya serial korelasi positif dan 2< DW≤ 4menunjukkan adanya serial korelasi negatif. Salah satu kelemahaan DW statistic adalah nilainya menjadi tidak valid bila muncul lagged variabel tak bebas (Dependent) pada sisi sebelah kanan persamaan regresi. Metode lain yang lebih umum untuk menguji autokorelasi dari residual adalah uji Lagrange Multiplier (LM) dari Breusch –Godfrey, dimana semua


52

hipotesis dan cara- caranya mirip dengan Q-statistic , hanya nilai yang digunakan berbeda yaitu F statistic. Dengan cara ini H0 diterima bila F- statistic tidak signifikan dan H0 ditolak bila F- statistic signifikan . Uji Q- statistic dan uji LM dari Breusch –Godfrey dapat menutupi kelemahan DW-statistik

4.5.6. Pengujian Heteroskedastis Data pengamatan yang memiliki

variance residual selalu sama disebut

memiliki sifat homoskedastis. Model Regresi Linier Klasik mengasumsikan bahwa data pengamatan bersifat homoskedastis, sementara menurut Enders (2004 : 108) berdasarkan pengamatan data historis ekonomi seperti GDP, tingakt suku bunga, kurs dan data keuangan lainnya menunjukkan data tersebut tidak selalu memiliki rata –rata dan variance yang konstan. Data observasi yang memiliki variance tidak konstan sepanjang waktu disebut memiliki sifat heteroskedastis. oleh karena itu data return saham yang akan dilakukan penelitian diasumsikan memiliki sifat heteroskedastis. Untuk menguji apakah data bersifat heteroskedastis dapat dilakukan dengan mengamati grafik. Bila nilai prediksi variabel regressan naik tetapi nilai kuadrat prediksi nilai residual tetap maka disimpulkan tidak ada heteroskedastis sebaliknya bila terdapat pola hubungan tertentu antara nilai residual dan nilai prediksi variabel regressan maka dapat disimpulkan terdapat heteroskedastis Pengujian heteroskedastis dapat dilakukan dengan menggunakan metode yang dikembangkan oleh Ljung dan Box yaitu dengan membandingkan nilai Q-statistic dengan nilai kritis pengujian. Pengujian apakah residual memiliki


53

sifat heteroskedastis atau homoskedastis dilakukan dengan menggunakan hipotesis sbb : H0 : residual bersifat homoskedastis atau tidak terdapat ARCH/GARCH error ( ditunjukkan dengan nilai Q-statistic autocorrelation

dengan p-value

dari autocorrelation dan partial

lebih besar dari 5% pada correlogram

of

squared residual) H1 : residual bersifat heteroskedastis atau terdapat ARCH/GARCH error ( ditunjukkan dengan nilai autocorrelation

Q-statistic

dengan p-value

dari autocorrelation dan partial

lebih kecil dari 5% pada correlogram

of

squared residual) Metode lain untuk menguji heteroskedastis adalah dengan menggunakan ARCH LM test (Lagrange Multiplier test). Apabila residual bersifat heteroskedastis maka nilai Obs*R-Squared statistic (Engle’s LM test statistic) lebih kecil dari signifikansi level 5%.

4.5.7. Estimasi Model Conditional Variance Jika hasil pengujian heteroskedastis diperoleh kesimpulan residual memiliki sifat heteroskedastis maka dapat dibuat estimasi model conditional variance dengan metode ARCH/GARCH. Pemilihan model yang paling baik dilakukan berdasarkan signifikansi parameter dari model yang dihasilkan.


BAB IV METODE PENELITIAN

Recommend Documents