71
BAB IV PENGUMPULAN DAN PENGOLAHAN DATA 4.1. Pengumpulan Data 4.1.1. Alat Pengumpulan Data Data-data yang dikumpulkan berupa data-data yang diambil dari Laporan Bulanan atau Jakarta Stock Exchange Montly Statistik dari tahun 2001 sampai dengan 2004, atas sejumlah bank yang telah terdaftar di Bursa Efek Jakarta.Laporan bulanan ini adalah laporan yang diumumkan secara periodik dan merupakan syarat bagi para emiten yang telah terdaftar di Bursa Efek Jakarta.Laporan bulanan ini telah diaudit oleh para auditor sehingga data-data yang terdapat dalam laporan tersebut diharapkan memiliki validitasi dan realibilitas yang baik. Beberapa data-data lain yang menyangkut indikator ekonomi diambil dari laporan bulanan yang dikeluarkan oleh Bank Indonesia. Dan laporan ini pun diharapkan memiliki keakuratan yang cukup. Mengingat Bank Indonesia adalah institusi yang cukup berwenang untuk mengeluarkan laporan di bidang keuangan yang bersifat makro. Sebagai penunjang, informasi tambahan diambil dari berbagai sumber seperti Info Bank, laporan yang dikeluarkan Indocomercial, juga dari beberapa situs internet seperti WWW.BI.co.id dan situs-situs lain tentang bursa efek dan pasar modal. Data-data tersebut setelah dikumpulkan kemudian diolah dan dikelompokan menurut variabel yang ada dalam penelitian, beberapa diantaranya dapat berupa perbandingan antar nilai data tersebut atau berbentuk rasio keuangan. Perolehan data tersebut dapat dilihat pada lampiran. Pengumpulan data dimulai sejak tahun 2001 sampai dengan 2004 dengan alasan bahwa data-data tersebut merupakan data-data terakhir yang ada di bursa efek. Sehingga penelitian ditujukan untuk melihat kondisi mendekati kondisi saat ini.Disamping itu data juga diambil jauh setelah kondisi dimana Indonesia telah mengalami krisis ekonomi yaitu tahun 1998. Sehingga diharapkan kondisi jauh setelah pasca 1998 diharapkan secara makro dan mikro cukup stabil dan baik. Penggunanan data-data ini juga dapat dijadikan sebagai alat analisis setelah terjadinya kondisi krisis ekonomi tahun 1998. Dimana pada
72 rentang tahun penelitian ini kondisi ekonomi sudah mulai stabil dibandingkan tahuntahun mendekati 1998. 4.1.2. Variabel Penelitian dan Bank-bank yang Masuk dalam Penelitian Variabel yang digunakan dalam penelitian ini ada adalah sebagai berikut : Variabel terikatnya adalah harga saham sedangkan variabel bebasnya adalah Return On Investment, Current Ratio,tingkat inflasi,tingkat bunga deposito, jumlah uang beredar (M2), kurs Rupiah terhadap Dollar Amerika,volume penjualan saham, dan harga saham lalu. Variabel Deviden Payout Ratio, yang digunakan pada penelitian sebelumnya tidak digunakan dalam penelitian ini. Dengan pertimbangan bahwa Deviden Payout Rasio yang merupakan rasio perbandingan antara deviden yang dibagikan kepada pemegang saham terhadap jumlah laba bersih yang dibagikan kepada pemegang saham, telah terwakilkan oleh variabel Return on Investmen yaitu rasio pendapat bersih terhadap total asset. Harga saham (Y).yang digunakan dalam penelitian ini adalah rata-rata harga saham perbulan untuk masing masing perusahaan perbankan yang ada terdaftar di Bursa Efek Jakarta, periode penelitian dari tahun 2001 sampai dengan tahun 2004. Return On Investment (X1) merupakan indikator keberhasilan manajemen dalam menjalankan kegiatan operasionalnya.Current Ratio (X2) merupakan alat untuk mengukur kemampuan manajemen perusahaan dalam memenuhi kewajiban keuangannya yang harus segera dipenuhi. Ke tiga data tersebut diambil dari data-data yang ada dalam Laporan Bulanan Bursa Efek Jakarta. Selanjutnya data data tambahan di ambil dari Jurnal Indocommercial yang terbit tiap bulan. Juga dari data-data yang ada pada situs-situs internet. Tigkat inflasi (X3) merupakan persentase perubahan Indeks Harga Konsumen Umum yang mencakup makanan, perumahan, sandang, aneka barang dan jasa perbulan . Data ini diambil dari Laporan bulanan Bank Indonesia, dan juga dari situs www.BI.co.id. Tingkat bunga (X4) yang digunakan dalam penelitian ini digunakan adalah tingkat bunga untuk jangka waktu 3 bulan dari Bank Pemerintah untuk periode tersebut. Mengingat bahwa ada beberapa tingkat bunga yang dapat digunakan dalam sebuah penelitian, dan khusus untuk penelitian ini menggunakan rata-rata perbulan tingkat bunga tersebut.
73 Jumlah uang beredar (X5) yaitu M2 adalah meliputi uang kartal, uang giral dan uang kuasi yang terdapat pada masyarakat. Uang kuasi terdiri dari atas deposito berjangka dan tabungan serta valuta asing milik swasta asing domestik. Data ini diambil dari Laporan bulanan Bank Indonesia, dan juga dari situs www.BI.co.id. Untuk periode 2001 sampai dengan 2004, Nilai Tukar US Dollar terhadap Rupiah (X6) merupakan perubahan kurs atau nilai tukar dinyatakan dalam berapa nilai Rupiah per satu dolar Amerika. Pada dasarnya nilai tukar Rupiah dapat dibandingkan dengan beberapa mata uang asing lainnya misalnya Poundsterling Inggris / GBP, Euro Dolar / EUR , Japanese Yen / JPY, namun Dollar Amerika merupakan Kurs yang cukup berperan penting dalam pola pergerakan nilai uang valuta asing lainnya, sehingga dalam penelitian ini dipilih perbandingan nilai tukar Rupiah terhadap Dollar Amerika. Data ini diambil dari Laporan Bulanan Bank Indonesia, dan juga dari situs www.BI.co.id. Untuk periode 2001 sampai dengan 2004, Volume (nilai) penjualan saham (X7) menunjukkan prestasi manajemen perusahaan dalam menghasilkan penjualan yang bersifat operasional. Data diperoleh dari Laporan / Statistic Annual Report Jakarta Foreign Exchange dari beberapa bank-bank yang telah terdaftar di Bursa Efek Jakarta. Harga saham lalu (X8) merupakan upaya untuk memperkirakan harga saham dengan mengamati perubahan harga saham di waktu yang lalu, yang dalam hal ini satu bulan sebelumnya. Untuk lebih memperjelas uraian tentang variabel yang digunakan dalam penelitian ini, maka tabel berikut akan memperlihatkan variabel-variabel tersebut.
74 Tabel 4.1. Variabel yang Digunakan dalam Penelitian No
Nama
1
Y
2
X1
3
X2
4
X3
Variabel
Keterangan
Harga saham
Variabel dependent
ROI = Return On
Net Profit After Tax
Investment CR = Current Rasio Inflation Rate/Tingkat inflasi
Total Asset Current Asset Current Liabilities Persentase perubahan Indeks Harga Konsumen Umum Tingkat suku bunga
5
X4
Interest Rate/Tingkat
deposito untuk jangka
bunga
waktu 3 bulan dari Bank Pemerintah Uang kartal, uang giral
6
X5
M2 (jumlah uang beredar)
dan uang kuasi yang terdapat pada masyarakat.*) Perubahan kurs/nilai
7
X6
Kurs
tukar dinyatakan dalam berapa nilai rupiah per satu dolar Amerika
8
X7
9
X8
Volume (nilai) penjualan saham Harga saham lalu
Penjualan operasional saham dalam rupiah Harga saham satu bulan berikutnya
*) Deposito berjangka 3 bulan dari Laporan Mingguan Bank Indonesia *)Inflasi dari Indeks Harga Konsumen gabungan 43 propinsi dengan tahun 1996=100, didasarkan pada bulan sebelumnya (Statistic Ekonomi Moneter Mingguan Bank Indonesia) **) Kurs digunakan kurs tengah rupiah terhadap Dollar di Bank Indonesia (Statistik Ekonomi Moneter Bank Indonesia) *) M2 adalah uang kartal, uang giral dan uang kuasi yang terdapat pada masyarakat diambil dari situs www.Bank Indonesia co.id .Uang kuasi terdiri atas deposito berjangka dan tabunga serta valuta asing milik swasta asing domestik
75 Untuk melihat kondisi perbankan di Indonesia, maka penelitian dilakukan terhadap beberapa sampel bank yang telah terdaftar di Bursa Efek Jakarta periode tahun 2001 sampai dengan 2004. List atau daftar yang ada di Bursa Efek Jakarta ini selalu mengalami perubahan baik selama tahunan atau bulanan. Ini disebakan ada beberapa bank yang mengalami kondisi tertentu sehingga keluar dari list itu disamping ada pula beberapa bank yang baru muncul pada saat tertentu dalam daftar tersebut. Ini berkaitan dengan beberapa bank ada yang dilikuidasi dan ada pula yang baru yang pada mulanya tidak terdaftar kemudian masuk ke dalam pasar modal. Sedangkan daftar beberapa bank yang akan dianalisi adalah bank bank yang selama tahun 2001 sampai dengan 2004 masih terdaftar pada Bursa Efek Jakarta. Jumlah bank yang diteliti tersebut adalah seperti pada tabel dibawah ini, dan tidak termasuk kategori bank yang dilikuidasi, Bank Beku Operasi(BBO) atau Bank Beku Kegiatan Usaha (BBKU). Tabel 4.2. Bank-bank yang Masuk dalam Penelitian No
Nama Bank
1.
Bank Negara Indonesia
2.
Bank Lippo
3.
Bank Central Asia
4.
Bank Danamon
5.
Bank International Indonesia
6.
Bank Niaga
7.
Bank Buana Indonesia
8.
Bank Arta Niaga Kencana
9.
Bank CIC International
10.
Bank Global International
11.
Bank Mayapada
12.
Bank Mega
13.
Bank NISP
76 14.
Bank Nusantara Parahyangan
15.
Bank Pan Indonesia
16.
Bank Pikko
17.
Bank Victoria International Indonesia
4.2. Pengolahan Data Setelah data-data dari berbagai sumber tersebut dikumpulkan, kemudian data-data tersebut diolah dengan menggunakan beberapa metoda analisis, yaitu Analisis Cluster, dan kemudian mengguanan SEM (Struktural Equation Modeling). Pengolahan data yang berasal dari 17 Bank yang telah terdaftar di Bursa Efek Jakarta tersebut menggunakan software Microsoft Excell XP profesional, SPSS 10.0 dan AMOS 6. 4.2.1.Analisis Cluster (Cluster Analysis) Untuk melihat gambaran secara umum dari perbankan yang ada di Indonesia, maka diambil beberapa sampel bank yaitu 17 bank yang telah terdaftar di Bursa Efek Jakarta. Kemudian dengan menggunakan Analisis Cluster ini maka ke 17 bank tersebut akan dikelompokan berdasarkan kesamaan karakteristik dengan tujuan untuk mempermudah analisis selanjutnya agar dapat dibedakan satu kelompok dengan kelompok lainnya. Analisis Cluster digunakan karena analisis ini dapat digunakan untuk mengelompokkan sekumpulan data objek ke dalam beberapa kelompok (cluster) seperti tersebut diatas. Untuk melihat gambaran secara umum dari perbankan yang ada di Indonesia, maka diambil beberapa sampel bank yaitu 17 bank yang telah terdaftar di Bursa Efek Jakarta. Kemudian dengan menggunakan Analisis Cluster ini maka ke 17 bank tersebut dikelompokan berdasarkan beberapa atribut variabel. Selanjutnya setelah terbentuk pengelompokan, dari tiap kelompok itu diambil salah satu anggotanya yang dapat mewakili cluster-cluster tersebut. Analisis Cluster digunakan karena analisis ini dapat digunakan untuk mengelompokkan sekumpulan data objek ke dalam beberapa kelompok (cluster) dan juga dapat melihat centroid dari masing-masing kelompok.
77 Pengelompokan ke 17 Bank yang menggunakan Analisis Cluster tersebut menggunakan atribut variabel-variabel : 1. Asset perusahaan. Pengunaan asset ini sebagai atribut variabel peng-cluster-an, ditujukan agar dapat membedakan bank-bank tersebut kedalam kelompok besar kecilnya bank tersebut dilihat dari besar kecilnya asset perusahaan yang dimilikinya. 2. Harga saham. Harga saham digunakan sebagai atribut variabel pengclusteran, dengan tujuan bahwa dengan pengelompokkan bank tersebut akan dihasilkan kelompok dengan mempertimbangkan besar kecilnya harga saham secara rata-rata selama rentang waktu penelitian. Sebab dalam penelitian ini secara umum bertujuan untuk melihat apa saja yang mempengaruhi fluktuasi harga saham 3. Volume/nilai penjualan saham Volume penjualan digunakan dikarenkan besarnya volume/nilai penjualan saham akan menjadi indikator terhadap ketertarikan para investor terhadap saham tertentu. Sebab harga saham saja belum dapat menunjukkan besarnya minat para investor 4. Pertumbuhan saham Variabel ini digunakan untuk lebih memperkuat pengklasifikasian mana sahamsaham yang dalam perkembangannnya mengalami peningkatan yang cukup baik dan mana yang memiliki kecenderungan-kecenderungan lainnya. Analisis Cluster yang digunakan adalah Between Group Linkage, dimana metode ini termasuk kedalam kelompok metoda agglomerative yang dimulai dengan kenyataan bahwa setiap obyek membentuk kelompoknya masing-masing. Kemudian dua obyek dengan jarak terdekat bergabung. Selanjutnya obyek ketiga akan bergabung dengan kelompok yang ada atau bersama obyek yang lain, membentuk kelompok baru, Hal ini memperhitungkan jarak kedekatan antar obyek. Proses akan terus berlanjut hingga akhirnya terbentuk satu kelompok yang terdiri dari keseluruhan obyek. Hanya pada Between Group Lingkage ini ukuran jarak yang digunakan adalah jarak rata-rata antar tiap pasangan obyek yang mungkin.
78 Sedangkan interval yang digunakan adalah interval Square Eucledian Distance. Jumlah cluster yang ditetapkan adalah 5 buah, dengan alasan jumlah pengelompokkan tersebut adalah jumlah kelompok yang paling relevan yang dapat mewakili ke 17 bank yang telah go public di BEJ. (output analasis program terlampir). Sehingga akan mempermudah analisi terhadap gambaran perbankan
yang ada di Indonesia. Hasil
Pengolahan Analisis Cluster adalah sebagai berikut : Tabel 4.3. Cluter Membership Case 6 Clusters 5 Clusters 4 Clusters 3 Clusters 2 Clusters 1 1 1 1 1 1 2 2 2 2 1 1 3 3 3 3 2 2 4 4 4 4 3 2 5 2 2 2 1 1 6 2 2 2 1 1 7 5 5 2 1 1 8 6 5 2 1 1 9 6 5 2 1 1 10 6 5 2 1 1 11 6 5 2 1 1 12 6 5 2 1 1 13 5 5 2 1 1 14 6 5 2 1 1 15 2 2 2 1 1 16 6 5 2 1 1 17 6 5 2 1 1
Berdasarkan cluster tersebut maka menjadi 5 cluster yaitu sebagai berikut :
ke 17 bank tersebut dapat dikelompokkan
79
Tabel 4.4 Pengelompokkan Anggota
Perwakilan Reason cluster
Hrgsaham Volpenj Pertumbuhan Asset Rata2 Rata2 Rata2 Per Jan2004
Cluster I
BNI
BNI
satu anggota
430
16,282
33.94
114,285.00
Cluster II
Bank Lippo Bank Niaga Ban Pan Indonesia BII
LIPPO
bank yang lebih mewakili perbankan Indonesia
287 102 277 77
105,153 104,096 111,249 132,697
13.72 8.40 5.74 3.19
21,827.00 17,560.00 15,148.00 40,086.00
Cluster III
BCA
BCA
satu anggota
2,348
548,723
35.64
96,855.00
Cluster IV
Bank Danamon
Danamon
satu anggota
1,370
324,753
91.91
60,542.00
Cluster V
Bank Mayapada Bank Victoria International Bank Global International Bank Pikko Bank Arta Niaga Bank Nusantara Parahyangan Bank CIC international Bank Mega Bank Buana Bank NISP
BNP
centroid cluster V
156 46
604 572
-2.13 0.64
1,112.00 845.00
128
1,070
5.53
811.00
241 803 666
689 716 228
-7.13 -0.53 3.72
553.00 650.00 1,151.00
121 1,126 733 444
3,619 1,876 29,756 44,965
-4.36 17.02 2.66 11.17
4,694.00 5,798.00 10,417.00 4,748.00
*) Centroid adalah rata-rata dari nilai objek yang ada dalam tiap cluster pada tiap variabel, dimana biasa digunakan cluster variate atau proses validasi
80
Dengan melihat kepada hasil dari dendogram kita bisa melihat proses clustering dan melihat kedekatan antar objek serta menentukan centroid dari masing-masing cluster sebagai objek perwakilan yang dapat menggambarkan masing-masing cluster tersebut. Gambar 4.1 Dendogram
* * * * * * H I E R A R C H I C A L * * * *
C L U S T E R
A N A L Y S I S * *
Dendrogram using Average Linkage (Between Groups) Rescaled Distance Cluster Combine C A S E Label Num
0 5 10 15 20 25 +---------+---------+---------+---------+---------+
11 ØÞ 17 Øà 10 Øà 16 Øà 8 Øà 14 Øà 9 ØÚØÞ 12 Øà Ù 7 Øà Ù 13 ØÝ Ù 2 ØÞ Ù 6 Øà ßØØØØØØØØØØØØØØØØØØØØØØØØØØØØØØØØØØØØØØØØØØØØØÞ 15 ØÚØÝ Ù 5 ØÝ Ù Ù 1 ØØØÝ Ù 3 ØØØØØØØØØØØØØØØ8ØØØØØØØØØØØØØØØØØØØØØØØØØØØØØØØØØÝ 4 ØØØØØØØØØØØØØØØÝ
81
Tabel 4.5. Tabel Clustering dan Identitas Cluster Hrgsaham Rata-rata
Cluster I BNI
Cluster II
Bank Lippo Bank Niaga Ban Pan Indonesia BII
Cluster III BCA
Cluster IV Bank Danamon
Cluster V
Bank Mayapada Bank Victoria International Bank Global International Bank Pikko Bank Arta Niaga Bank Nusantara Parahyangan Bank CIC international Bank Mega Bank Buana Bank NISP
Volpenj Rata-rata
Pertumb Rata-rata
430
16,282
33.94
287 102 277 77
105,153 104,096 111,249 132,697
13.72 8.40 5.74 3.19
2,348
548,723
35.64
1,370
324,753
91.91
156 46 128 241 803 666 121 1,126 733 444
604 572 1,070 689 716 228 3,619 1,876 29,756 44,965
-2.13 0.64 5.53 -7.13 -0.53 3.72 -4.36 17.02 2.66 11.17
Asset Per jan2001
Identitas cluster
Harga saham rendah, volume sedang, 114,285.00 pertumbuhan saham tinggi, asset besar 21,827.00 Harga saham rendah, volume penjualan 17,560.00 sedang, petumbuhan saham sedang, asset 15,148.00 sedang 40,086.00 Harga saham tinggi , volume penjualan 96,855.00 tinggi, petumbuhan tinggi. asset besar Harga saham sedang, volume penjualan tinggi, petumbuhan tinggi sekali, asset 60,542.00 besar 1,112.00 845.00 811.00 553.00 Harga saham rendah-sedang, volume 650.00 penjualan rendah-sedang, pertumbuhan 1,151.00 saham rendah-sedang, asset rendah 4,694.00 5,798.00 10,417.00 4,748.00
82
Dengan demikian dalam penelitian ini, akan diambil beberapa perwakilan dari masing-masing cluster yang secara umum dapat menggambarkan anggota-anggota lainnya yang memiliki kesamaan karakteristik. Untuk cluster 1 karena anggota nya ada satu, maka dipilih Bank BNI. Sedangkan untuk cluster 2 dipilih Bank LIPPO karena dengan pertimbangan bahwa bank ini lebih mewakili di dunia perbankan di Indonesia. cluster 3 dipilih Bank BCA karena hanya terdiri dari satu anggota, cluster 4 diwakili oleh Bank Danamon kerena terdiri dari satu anggota pula.. Sedangkan untuk cluster 5 dipilih Bank Nusantara Parahyangan dengan pertimbangan bahwa bank ini adalah merupakan centroid dari cluster itu. Seperti pada gambar dendogram Centroid adalah rata-rata dari nilai objek yang ada dalam tiap cluster pada tiap variabel. 4.2.2. Analisis Structural Equation Modeling untuk Model Modifikasi Awal Setelah dilakukan clustering terhadap bank-bank tersebut maka proses selanjutnya adalah melakukan teknik Structural Equation Modeling, terhadap objek tersebut dengan menggunakan variabel-variabel seperti telah di ungkapkan pada bab sebelumnya. Struktural Equation Modeling suatu teknik analisis multivariate yang dapat digunakan untuk menganalisis beberapa hubungan dependen sekaligus secara simultan. Dan ini dilakukan agar didapatkan efisiensi secara statistik. Analisis SEM ini juga dilakukan untuk melihat gambaran secara lengkap bagaimana hubungan antara variabel-variabel bebasnya dengan variabel tak bebasnya, sekaligus melihat bagaimana hubungan antar variabel variabelnya baik itu antara variabel bebas maupun dengan variabel tak bebas.. Data-data variabel yang digunakan adalah data-data ke 17 bank tersebut, dimana setelah di cluster maka kita akan mendapatkan 5 kelompok bank. Prose pengcluster-an menggunakan data-data ke 17 bank itu dengan beberapa atribut variabel penentu.
Dari tiap cluster itu kemudian diambil beberapa anggota
yang
mewakilinya, dan data-data dari tiap perwakilan tersebutlah yang digunakan untuk proses penelitian menggunakan teknik SEM untuk melihat hubunganya secara
83
keseluruhan dengan variabel lainnya bagi tiap perwakilan cluster. Dengan demikian diharapkan semua perwakilan dari tiap cluster itu akan mewakili cluster masingmasing, dan cluster-cluster itu secara umum akan mewakili ke 17 bank yang telah go public di Indonesia. Dan secara umum pula ke 17 bank itu bisa memakili kondisi sektor perbankan yang ada di Indonesia pada rentang penelitian ini. Tahap-tahap pembuatan model persamaan Struktrual adalah sebagai berikut : Penjelasan Tahap-tahap pembuatan model tersebut penulis tekankan pada tahap-tahap yang dikemukakan oleh Diamantopoulos (l994). Tahap 1 dan 2 Konseptualisasi model dan konstruksi diagram jalur. Tahap konseptual adalah tahap awal penelitian yaitu peneliti membuat hubungan-hubungan yang spesifik antar dua atau lebih variabel yang hendak diteliti. Seperti telah dijelaskan pada bab sebelumnya berdasarkan dasar-dasar teori yang telah dikemukanan bahwa dalam penelitian ini hubungan antara variabelnya dapat dilihat sebagai berikut kemudian diujikan kepada sejumlah sampel.
84
Return on Inv. (ROI) X1
Current Rasio X2 jumlah uang beredar X5
inflasi X3
tingkat bunga deposito X4
kurs X6
harga saham Y
penjualan saham X7
harga saham lalu X8
Gambar 4.2 Model Persamaan
Model awal dari penelitian ini merupakan model yang telah dilakukan oleh penelitian Model dasar yang digunakan dalam penelitian dari Jurnal Ekofeum Online tentang “Pengaruh Variabel Teknikal dan Fundamental terhadap Harga Saham” (terlampir).
Kemudian dalam penelitian ini digunakan metoda Struktural Equation
Modeling, dengan tujuan untuk lebih jelas melihat hubungan antar variabel. Ada 9 varible observasi pada penelitian itu seperti terlihat pada gambar diatas, namun variabel Deviden Payout Rasio, dihilangkan dari persamaan, dengan
85
alasan bahwa variabel tersebut dimungkinkan telah terwakili oleh variabel lainnya yaitu ROI (Return On Investmen). Kita lihat persamaan dari kedua variabel tersebut ROI adalah Return On Investment (X1) merupakan indikator keberhasilan manajemen dalam menjalankan kegiatan operasionalnya ROI =
Net profit after taxes Total asset
Sedangkan Dividend Payout Ratio (X2) menunjukkan seberapa besar deviden yang dibagikan kepada pemegang saham dibanding jumlah laba bersih yang disediakan bagi pemegang saham. Atau menurut Arthur J. Keow dalam bukunya Financial Management : “A firm’s dividend policy includes two basic component. First, the dividend payout ratio indicated the amount of dividend paid relative to the company’s earning. For instance, if the dividend per share is $2 and the earning per share is $4, the payout ratio is 50 percent ($2:$4). The second component is the stability of the dividends over time………” Atau seperti dikemukakan oleh Richard A Brealey dalam bukunya Principles of Corporate Finance : “An alternative approach to estimating long run growth starts with the payout ratio, the ratio of dividends to earning per share (EPS)” Jadi Devidend Payout Ratio (DPR) adalah rasio pembayaran deviden yang diperoleh dari membagi jumlah deviden yang dibagikan dengan laba bersih perusahaan pada tahun buku yang dimaksud. DPR =
Deviden Net Profit
86
Kedua variabel tersebut secara jelas mengandung unsur yang sama yaitu Net Profit. Sedangkan deviden sendiri sebenarnya sangat tergantung dari besarnya Net Profit walaupun besarnya deviden itu sangat bergantung pula dari kebijakasanaan yang dilakukan oleh perusahaan.Dengan alasan tersebut maka variabel
DPR
(Deviden Payout Ratio) dianggap telah terwakili oleh variabel ROI (Return On Investmen) Program yang digunakan dalam teknik yang akan dilakukan ini adalah Amos 6. Untuk selanjutnya data-data dan hasil perolehan dari teknik ini ada dilampiran. Tahap 3. Spesifikasi model Spesifikasi model adalah mengubah hubungan-hubungan yang terlihat pada diagram jalur menjadi persamaan linear sehingga spesifikasi model secara formal dapat ditelaah. Hubungan-hubungan yang telihat pada diagram jalur harus diubah menjadi persamaan linear sehingga spesifikasi model secara formal dapat ditelaah seperti yang terlihat pada gambar 4.2. Sehingga spesifikasi model tersebut penulis kemukakan dalam bentuk lain sebagai berikut : Y
= b1x1 + b2x2 + b3x3 + b4x4 + b5x5 + b6x6 + b7x7 + b8x8 + ε1
x3
=
b9x5 + b10x6
+ ε1
x4
=
b11x5
+ ε1
x6
=
b12x4+ b13x5
+ ε1
Tahap 4. Identifikasi model Identifikasi model merupakan cerminan apakah informasi yang disediakan oleh data empiric (varians dan kovarians variabel-variabel yang terobservasi) secara aktual mencukupi untuk memberikan solusi terhadap persamaan-persamaan yang berisi parameter-parameter model. Jika suatu model tidak teridentifikasi maka tidak mungkin untuk menentukan parameter-parameter model secara berarti. Karena sistem persamaan tersebut hanya dapat diselesaikan jika jumlah persamaan paling sedikit sama dengan jumlah parameter yang tidak diketahui, untuk mendapatkan
87
penyelesaian yang unik parameter-parameter yang mempunyai paling sedikit sejumlah persamaan unik yang terkait dengan variabel-variabel terobservasi terhadap parameter-parameter model. Sehingga suatu necessary condition untuk suatu identifikasi adalah bahwa jumlah parameter-parameter independent yang diestimasi lebih sedikit dibandingkan atau sama dengan jumlah unsure-unsur non-redundant dari matriks S, yaitu matrik sampel kovarian diantara variabel-variabel terobservasi (Long, 1990 :34) Jika parameter-parameter t yang diestimasi, kondisi minimum untuk identifikasi adalah : t ≤s , dimana s=1/2(p+q)(p+q+1) p=jumlah variabel-variabel y q=jumlah variabel-variabel x Jika t = s, jumlah parameter dikatakan just identified, yaitu hanya ada satu dan hanya satu estimasi untuk setiap parameter (karena terdapat jumlah persamaan yang sama dengan yang tidak diketahui). Jika t < s, model dikatakan overidentified, yaitu terdapat kemungkinan mendapatkan beberapa estimasi dari parameter yang sama ( karena terdapat lebih banyak persamaan daripada yang tidak diketahui). Jika t > s, model dikatakan unidentified atau underidentified, yaitu ketika jumlah nilai-nilai parameter yang tidak mencukupi untuk mengestimasi persamaan. Jumlah parameter yang diestimasi (t) pada model penelitian ini adalah 13. yaitu : b1 sampai dengan b13. Sedangkan Jumlah p yaitu variabel-variabel y nya adalah 4, sedangkan jumlah q nya yaitu variabel-variabel x nya yaitu 13 sehingga unsur-unsur non-redundant (s) adalah ½ (4 + 13)(4+13+1) = 153, Dengan demikian t<s, sehingga dikatakan model yang diteliti dalm kondisi overidentified. Kondisi tersebut memberikan indikasi bahwa model dapat dianalisis menggunakan model persamaan struktural.
88
Tahap 5 Estimasi parameter Metoda estimasi yang digunakan dalam menganalisis persamaan structural dalam penelitian ini adalah dengan menggunakan maximum likehood (ML). ML adalah prosedur iterative dimana parameter estimasinya diperoleh melalui suatu penelusuran numerical yang secara suksesif memperbaiki nilai-nilai estimasi sebelumnya. ML memberikan estimasi efisiensi yang konsisten dari parameterparameter dalam kondisi asumsi normalitas multivariate. Tujuan proses estimasi pada SEM pada hakekatnya adalah menghasilkan nilai-nilai parameter yang meminimalkan penyimpangan antar matriks kovarian sampel S dan matriks kovarian populasi [Σ(θ)] (discrepancy)(misalnya dalam bentuk residual). Dengan kata lain proses estimasi SEM adalah proses estimasi meminimalkan nilai perbedaan antara sampel dengan populasinya.Tujuan tersebut diperoleh melalui meminimalkan fungsi penyimpangan, F[S, Σ(θ)] sehingga nilai minimal (Fmin) mencerminkan titik pada proses estimasi dimana penyimpangan antara S dengan Σ(θ) adalah yang terkecil (S- Σ(θ) = minimum]. Selanjutnya Fmin menjadi ukuran besarnya perbedaan atau penyimpangan S dari
Σ(θ).
Untuk keperluan analisis dalam penelitian ini, dalam hal estimasi parameter analisis terhadap estimasi dilakukan menjadi dua bagian yaitu analisis kesesuaian model (Goodness of fit) dan analisis structural (structural estimates ) (Dr Zulganef.MM, 2006). Hasil estimasi terhadap model dalam penelitian ini terlihat pada tabel-tabel selanjutnya, yang dihasilkan dari proses menggunakan program amos6. Tahap 6. Kesesuaian model dengan data (Model assesment) Menduga kesesuaian model dengan data adalah menganalisis kesesuaian model yang dibuat secara teoritis (langkah 3 dan 4, konseptualisasi model dan diagram jalur) yang diwakili oleh matriks S dengan data yang diperoleh yang diwakili oleh matriks [Σ(θ)]. Dengan kata lain peneliti menspesifikasi sebuah model, lalu menggunakan data hasil sampling untuk menguji model tersebut. Hasil estimasi terhadap kesesuaian antara model dengan data terlihat pada tabel 4.6 sampai dengan
89
tabel 4.15. Informasi yang terdapat pada tabel tersebut diambil dari output program Amos 6. Tabel tersebut terdiri dari 3 baris, baris pertama berisi keterangan mengenai default, adalah model yang menunjukkan hasil estimasi terhadap data yang diolah oleh peneliti. Baris kedua berisi keterangan mengenai model saturated yaitu model yang menunjukkan jika parameter-parameter pada model yang diestimasi sama dengan jumlah variabel, yaitu ketika varians dan kovarians variabel-variabel terobservasi berjumlah sama, dengan kata lain jika semua hubungan yang mungkin pada model dihubungkan, seperti halnya kasus model just identified. Dan baris ketiga berisi keterangan mengenai model independence yaitu model yang memperlihatkan ketika semua hubungan antar variabel dalam model di nol-kan, artinya model yang diestimasi sama sekali tidak diestimasi (benar-benar dibebaskan dari estimasi, complete independence) (Byrne: 2001:78). Hubungan antara model default, model saturated dan model independence dapat digambarkan sebagai tiga buah titik yang berada pada satu garis kontinum yang sama. Titik ekstrim yang pertama adalah model saturated titik ekstrim lawan model saturated adalah model independence, sedangkan model default atau model yang diteliti berada diantara model saturated dan gambar 4.3. Letak model hipotesis atau
model independence. Seperti pada
model yang diteliti tidak harus persis
ditengah-tengah antara model independence dengan model saturated.
!
!
Independence model
Default model
! Saturated model
Berdasarkan hubungan antara ketiga model di atas, maka analisis terhadap hasil pengolahan data
menggunakan SEM dapat dilakukan dengan cara
membandingkan nilai-nilai yang terdapat pada ketiga model tersebut.
90
4.2.3. Model Fit Summary Model Struktural Awal dengan Menggunakan Datadata Bank BNI Tabel 4.6.CMIN
CMIN Model Default model Saturated model Independence model
NPAR 24 45 9
CMIN 132.306 .000 355.590
DF 21 0 36
P .000
CMIN/DF 6.300
.000
9.877
Pada tabel 4.6 terlihat kesesuaian model baik model default, model saturated, maupun model independence, NPAR adalah menunjukkan keterangan jumlah parameter yang dianalisis, dalam hal ini jika hubungan antar variabel dalam model dihubungkan maka akan terdapat 45 hubungan. CMIN menunjukkan penyimpangan matriks maupun model hipotesi [Σ(θ)] terhadap matriks data sampel. DF adalah derajat kebebasan model (degree of freedom) sedangkan P adalah nilai probabilities dan CMIN/DF adalah nilai CMIN dibagi DF. Angka 132.306
dibawah 355.590 menunjukkan menyimpangan antara
kovarian matriks S dengan kovarian matriks [Σ(θ)]. Nilai tersebut mencerminkan nilai uji statistic likehood, yang diberikan dalam bentuk nilai statistic chi-square (χ2 ). Nilai statistic tersebut sama dengan (N-1) Fmin (ukuran sampel dikurangi 1, dikalikan dengan minimum fit function) dan diterapkan pada sampel besar, didistribusikan dalam bentuk distribusi χ2 dengan derajat kebebasan ½(p)(p+1)-t dimana p adalah jumlah variabel yang terobservasi dan t adalah jumlah parameter yang diestimasi (Byrne, 2001:79). Secara umum, Ho: Σ = Σ(θ) adalah sama dengan hipotesis bahwa : Σ - Σ(θ) = 0. dengan demikian maka uji χ2 adalah uji yang secara simultan menunjukkan pengujian terhadap berapa besar semua residual yang terdapat pada : Σ - Σ(θ) adalah nol. Sehingga Hipotesi nol (Ho) dalam model SEM mempostulatkan bahwa spesifikasi factor loading, factor variances/covariances dan error variances bagi
91
model yang diteliti adalah valid, oleh karenanya uji χ2 secara simultan menguji besarnya kebenaran spesifikasi model tersebut dibandingkan dengan data yang diperoleh. Nila probabilitas (P) yang terkait dengan dengan uji χ2 menunjukkan kemungkinan bahwa nilai χ2 yang diperoleh lebih besar dari χ2 ketika Ho benar. Sehingga semakin besar probabilitas yang terasosiaikan dengan χ2 semakin sesuai antara model yang dihipotesiskan (Ho) dan semakin sempurna (perfect fit) Pada tabel 4.6. yang menunjukkan hasil uji terhadap contoh model pada gambar 4.2. memperlihatkan nilai χ2 sebesar 132.306 df sebesar 21, dan nilai p < 0.000 memberikan gambaran bahwa bahwa model yang diuji tidak sesuai dengan data yang diperoleh. Secara umum hasil tersebut dapat diintepretasikan bahwa uji statistic terhadap model mengindikasikan hipotesis mengenai hubungan-hubungan antara variabel-variabel yang diteliti adalah hubungan yang tidak diinginkan dan hubungan tersebut seharusnya ditolak. Artinya hubunga-hubungan yang dihipotesiskan tidak terbukti secara empirik. Sensitifitas uji rasio likehood terhadap ukuran sampel dan basisnya berdasarkanan distribusi χ2, yang mengasumsikan bahwa model benar-benar sesuai (fits perfectly) dengan hubungan-hubungan yang terdapat pada populasi (misalkan Ho adalah benar), memunculkan masalah berkaitan dengan besarnya sampel. Hal ini dikarenakan nilai χ2 sama dengan (N-1)Fmin yang memperlihatkan bahwa nilai tersebut akan baik dalam kondisi ketika sampelnya besar. Selain itu mendapatkan model yang sesuai dengan yang dihipotesiskan, yaitu model yang nilai χ2 yang relative besar terhadap derajat kebebasannya yang memberikan indikasi kebutuhan untuk melakukan modifikasi terhadap model tersebut untuk sesuai dengan data. (Byrne 2001 : 81). Mengacu pada keterbatasa-keterbatasan uji χ2 tersebut, maka para peneliti mengembangkan indeks-indeks kesesuaian (goodness of fit indexes) yang memperhitungkan pendekatan lebih pragmatic terhadap proses evaluasi hasil-hasil pengolahan data menggunakan SEM. Indeks-indeks tersebut diantaranya adalah CMIN/DF yang memperlihatkan nilai chi-square dibandingkan dengan derajat kebebasan yang dimiliki oleh data yang diolah, GFI, AGFI dan PNFI.
92
Hasil pengolahan data pada contoh model di atas memperlihatkan nilai-nilai yang kurang memuaskan. Hal ini memperlihatkan aspek permasalahan pada uji likehood ratio, dan fakta memperlihatkan bahwa model yang dipostulatkan jarang sesuai dengan data yang sebenarnya dan tidak pernah benar-benar tepat. Oleh karena analisis lebih lanjut dikembangkan dari uji hipotesis secara tradisional mengukur nilai χ2 ke arah evaluasi indeks-indeks kesesuaian yang baru yang lebih pragmatic, misalnya CMIN/DF, RMR, GFI dan AGFI. Terutama berkaitan dengan beberapa kelemahan penggunaan χ2 di atas, sehingga evaluasi terhadap nilai-nilai indeks tersebut merupakan tambahan terhadap evaluasi yang menggunakan χ2 . Tabel 4.7 RMR, GFI
RMR, GFI Model Default model Saturated model Independence model
RMR 150.031 .000 366.734
GFI .721 1.000 .392
AGFI .401
PGFI .336
.239
.313
Pada tabel 4.7. diperlihatkan nilai-nilai RMR, GFI dan PGFI. RMR (Root Mean Square Residual. (RMR) adalah nilai residual rata-rata yang diperoleh dari mencocokan matriks varian-kovarian model hipotesis [Σ(θ)] terhadap matriks varian-kovarian data sampel
S. Namun demikian karena residual-residual yang terdapat dalam matriks tersebut mempunyai ukuran relatif terhadap ukuran variansdan kovarian yang terobservasi, maka residual-residual tersebut sulit untuk diintepretasikan. Sehingga intepretasi yang terbaik terhadap nilai-nilai residual tersebut adalah dalam bentuk metrik matriks korelasi, nilai-nilai tersebut dapat dilihat pada tabel sampel momen yang diberikan oleh output Amos. (Lihat Lampiran) Standarized RMR yang terlihat pada tabel 4.7. selanjutnya adalah cerminan nilai rata-rata terhadap semua standardized residual dan mempunyai nilai anatar 0 sampai dengan 1. Untuk sebuah model yang baik maka nilai RMR nya adalah yang kecil, umumnya adalah lebih kecil dari 0.05 atau lebih kecil dari 0.08 (Hair Jr, 1998). Nilai RMR 150.031 untuk hasil estimasi model yang telah terstandar menunjukkan
93
bahwa model memiliki nilai jauh terlalu besar dari nilai 1. Sedangkan model yang baik adalah dengan nilai RMR nilai yang kecil. Dan dibawah 1. Hal ini menunjukkan bahwa model yang dihipotesiskan tidak dapat menjelaskan hubungan-hubungan dalam data. Berdasarkan hasil tersebut diatas maka peneliti memungkinkan untuk melakukan modifikasi model. Agar mendapatkan model yang paling sesuai dengan data. Model persamaan struktural memungkinkan peneliti untuk mendapatkan model yang paling sesuai dengan data melalui pengubahan arah
pengaruh dan
hubungan. Modifikasi model yang dilakukan untuk mendapatkan model yang paling sesuai dengan data. Pada analisis model persamaan struktrual modifikasi model dapat dilakukan berdasarkan arahan dari indeks modifikasi (Modification index) yang terdapat pada perangkat lunak AMOS 6. Modification Indexes (MI) adalah ukuran nilai statistic χ2
dengan suatu
degree of freedom. Secara spesifik dapat dikatakan MI adalah nilai yang menunjukkan penurunan nilai χ2 model penelitian secara keseluruhan jika parameter yang ditunjukkan oleh nilai χ2 tersebut dihilangkan (dilepaskan). Hair (1998: 638) mengemukanan bahwa melalui analisis model persamaan structural seorang peneliti dapat mengungkapkan model alternatif (competing model) terhadap model awal yang diteliti. Model alternatif dapat dikemukakan oleh peneliti lebih dari satu model. Model alternatif tersebut dapat berupa perubahan arah jalur (parameter) antar variabel yang diteliti, menghilangkan jalur (menghilangkan parameter) atau menambah parameter. Pengubahan parameter (arah jalur) antar variabel tersebut dikenal sebagai tindakan modifikasi terhadap model awal. Namun demikian tindakan modifikasi tersebut harus dilakukan berdasarkan arahan teoritis (theoretical guide). Tujuan modifikasi adalah mengidentifikasikan dan memperbaiki kesalahan (specification errors) dalam penelitian, sekaligus menghasilkan suatu model baru yang memiliki nilai kesesuaian data (data model fit) lebih baik dibandingkan model awal. Namun demikian model baru tersebut hendaknya diuji pada sampel lain yang independen. Pada beberapa perangkat lunak analisis model persamaan struktural,
94
seperti Amos, modifikasi dapat dilkaukan dengan cara memperhatikan nilai-nilai indeks modifikasi (modification indices). 4.2.4. Modifikasi terhadap Model Stuktural Awal (Bank BNI) 4.2.4.1. Model Fit Summary (Model Modifikasi Bank BNI) Tabel 4.8. RMR, GFI Model Default model Saturated model Independence model
RMR .546 .000 366.586
GFI .784 1.000 .392
AGFI .489
PGFI .331
.239
.313
Berdasarkan tabel 4.8 kita dapat melihat nilai RMR yang sudah distandardized terhadap model modifikation Bank BNI seperti terlihat pada gambar. Yaitu mempunyai nilai 0.546. Dan nilai ini telah lebih kecil dari satu. Meskipun nilai ini masih lebih besar dari nilai 0.08 (Hair Jr, 1998). Untuk sebuah model yang baik. Namun dalam hal ini sudah jauh terdapat
perbaikan bila dibandingkan dengan
menggunakan model structural awal yang belum dimodifikasi. Yaitu sebesar 150.031.
Modifikasi dilakukan dengan mengubah arah dari hubungan antar
variabel. Dan juga dengan menambah atau mengurangi hubungan antar variabel yang terdapat dalam model tersebut. Nilai RMR standardized sebesar 0.546 tersebut menunjukkan bahwa rata-rata penyimpangan antara sampel data yang terobservasi dengan matriks korelasi yang dihipotesiskan adalah sebesar 0.546. Hal tersebut dapat diartikan bahwa model yang dihipotesiskan dapat menjelaskan hubungan-hubungan dalam data dengan tingkat kesalahan rata-rata 0.546 (Byrne, 2001:82). Tabel 4.8 juga berisi beberapa indeks yang menunjukkan hasil perbandingan antara model hipotesis terhadap beberapa standar, dimana standar tersebut mencerminkan tidak terdapa model sama sekalu untuk GFI dan AGFI. Indeks-indeks tersebut dinamakan sebagai incremental indexes of fit, yang memperlihatkan suatu model dasar (baseline model umumnya adalah model independence atau null).
95
Tabel 4.9. Baseline Comparisons Model Default model Saturated model Independence model
NFI Delta1 .783 1.000 .000
RFI rho1 .588 .000
IFI Delta2 .827 1.000 .000
TLI rho2 .654 .000
CFI .818 1.000 .000
Pada tabel 4.9 ditunjukkan adanya indek NFI (Normed Fit Index) dan CFI (Comparative Fit Index) dikemukanan oleh Benler dan Bonnet (1980) yang memperlihatkan perbandingan antara model yang dihipotesiskan
dengan model
independence. NFI dan CFI digunakan untuk mengukur kesesuaian model yang menggunakan sampel relative kecil. CFI adalah perbaikan dari NFI yang memasukkan unsur nilai sampe, untuk menjamin kelengkapan variasi yang diperoleh dari data yang diolah. Nilai NFI dan CFI berkisar antar 0 dan 1. Nilai NFI dan CFI yang baik disepakati 0.95, namun demikian nilai CFI adalah nilai yang harus didahulukan jika terjadi perbedaan yang besar antara keduanya, karena CFI adalah perbaikan terhadap NFI. Nilai-nilai NFI dan CFI pada tabel 4.9 untuk model modifikasi Bank BNI adalah 0.783 (NFI) dan 0.818 (CFI). Walaupun nilainya masih dibawah nilai 0.95 tapi nilai CFI dari model yaitu 0.818 tersebut sudah mendekati nilai 0.95. Jadi dapat dikatakan model yang dianalisis mendekati model yang dikategorikan baik. Kelompok ukuran indeks kesesuaian selanjutnya adalah terkait dengan masalah model parsimony (kesederhanaan model). PRATIO adalah indeks parsimony yang dikemukanan oleh James et al (Byrne, 2001 : 63) Indek PRATIO seringkali dikaitkan dengan indeks-indeks kesesuaian lainnya, dalam hal ini dihitung relative terhadap NFI dan CFI. Indeks PRATIO, PNFI dan PCFI mempunyai nilai cutoff diatas 0.95. Sedangkan dalam model yang dibentuk dengan menggunakan data-data dari BNI ini nilainya adalah 0.528. Sehingga model dianggap tidak sederhana.
96
Tabel 4.10. Parsimony-Adjusted Measures Model Default model Saturated model Independence model
PRATIO .528 .000 1.000
PNFI .413 .000 .000
PCFI .432 .000 .000
Selanjutnya pada tabel 4.11. berisi nilai estimasi noncentrality parameter (NCP). NCP adalah nilai yang menunjukkan distribusi tidak terpusat dari data yang diperoleh (noncentral χ2 distribution), yaitu ketika model yang dihipotesiskan tidak tepat. [yaitu Σ≠Σ(θ)]. Dalam hal ini nilai statistic χ2 mempunyai nilai distribusi noncentral χ2 dengan suatu parameter λ non-centrality diestimasi oleh parameter noncentrality..Parameter noncentrality adalah parameter suatu parameter fixed dengan asosiasi degree of freedom, dan dapat dilambangkan sebagai χ2 (df.λ). Intinya nilai tersebut berfungsi sebagai suatu pengukuran penyimpangan (discrepancy) antara Σ dengan Σ (θ) dan juga dapat dianggap sebagai suatu “population badness of fit”. (Byrne, 2001 : 84). Sehingga makin besar penyimpangan antara Σ dengan Σ (θ), maka semakin besar nilai λ. Nilai NCP pada tabel 4,11 adalah sebesar 58.289. Nilai tersebut adalah pengurangan nilai χ2 (77.289) dari nilai CMIN default model, oleh nilai derajat kebebasannya yaitu derajat kebebasannya DF = 19.
Nilai Confindence interval
mengindikasikan bahwa kita 90% yakin (LO90 dan HI90) bahwa nilai populasi parameter noncentrality (λ.) terletak antara 34.891 dengan 89.247 Tabel 4.11. NCP. Model Default model Saturated model Independence model
NCP 58.289 .000 319.590
LO 90 34.891 .000 262.830
HI 90 89.247 .000 383.811
Nilai-nilai yang terkait dengan fungsi penyimpangan minimum (minimum discrepancy
function)
(FMIN)
dan
penyimpangan
populasi
(population
97
discrepancy)(FO) diperlihatkan pada Tabel selanjutnya, yaitu Tabel 4.12. Selanjutnya LO90 dan HI90, menunjukkan lower dan upper limits FO dengan tingkat keyakinan 90%. (90% confindence interval FO). Tabel 4.12. FMIN Model Default model Saturated model Independence model
FMIN 1.644 .000 7.566
F0 1.240 .000 6.800
LO 90 .742 .000 5.592
HI 90 1.899 .000 8.166
Tabel 4.13. RMSE Model Default model Independence model
RMSEA .255 .435
LO 90 .198 .394
HI 90 .316 .476
PCLOSE .000 .000
Tabel 4.13. Menunjukkan nilai RMSEA (Root Mean Square Error Of Approximation), yaitu nilai yang memperhitungkan kesalahan populasi dan mempertanyakan “sebaik apa model tersebut, dengan nilai-nilai parameter yang tidak diketahui, tetapi dipilih secara optimal, sesuai (fit) dengan matriks kovarian populasi, jika parameter-parameter tersebut available?” hal ini menunjukkan kemungkinan penyimpangan antara parameter model dengan parameter yang ada dalam populasi jika dimungkinkan ada (terpilih secara optimal). Penyimpangna tersebut dihitung per degree of freedom, sehingga indeks tersebut sensitive terhadap jumlah parameterparameter yang diestimasi delam model penelitian. Nila RMSEA kurang dari 0.05 menunjukkan good fit, dan nilai diatas 0.08 mencerminkan kesalahan pendekatan (error of approximation) dalam populasi. Tabel
4.14.
berisi
nilai-nilai
indeks-indeks
kesesuaian
yang
memperhitungkan parameter-parameter yang diestimasi. Kriteria-kriteria yang ada dalam tabel tersebut menunjukkan nilai-nilai parsimony model hipotesis. Nilai AIC dan CAIC digunakan untuk membandingkan dua model atau lebih, dimana nilai AIC atau CAIC yang lebih kecil menunjukkan model yang lebih baik. BCC (Brown
98
Cudeck Criterion) dan BIC (Bayes Information Criterio) digunakan untuk hal yang sama dengan AIC dan CAIC. Tabel 4.14. AIC Model Default model Saturated model Independence model
AIC 129.289 90.000 373.590
BCC 143.343 114.324 378.455
BIC 177.940 174.204 390.431
CAIC 203.940 219.204 399.431
Tabel selanjutnya adalah Tabel 4.15. menunjukkan nilai-nilai indeks yang mengukur kesesuaian bahwa model yang diteliti divalidasi silang (cross validates) terhadap sampel yang berukuran sama dari populasi yang sama. Secara spesifik ECVI mengukur penyimpangan antara matriks kovarian dalam sampel
yang dianalisis
dengan matriks kovarian dalam sampel yang dianalisis dengan matriks kovarian yang diharapkan yang mungkin akan diperoleh dari sampel lain yang sama besarnya dalam populasi yang sama. Misalnya beberapa model dibandingkan lalu dihitung masingmasing ECVI model tersebut. Model yang memiliki ECVI paling kecil adalah model yang memperlihatkan potensi terbesar untuk direplikasi. Dalam contoh Tabel 4.15 kita dapat bandingkan model hipotesis dengan ECVI 2.751 dan model saturated nya yang mempunyai nilai 7.949. dan nilai ECVI model independence sebesar 7.949. Nilai model yang dihipotesis (2.889) bukan merupakan nilai terkecil, namun demikian karena mendekati nilai terkecil saturated model (1.915) maka model hipotesi penelitian kita relative sudah cukup fit terhadap data. Tabel 4.15. ECVI Model Default model Saturated model Independence model
ECVI 2.751 1.915 7.949
LO 90 2.253 1.915 6.741
HI 90 3.410 1.915 9.315
MECVI 3.050 2.432 8.052
99
Tabel 4.16. HOELTER Model Default model Independence model
HOELTER .05 19 7
HOELTER .01 23 8
Tabel 4.16 adalah Tabel yang menunjukkan nilai-nilai indeks yang memfokuskan diri langsung terhadap ukuran kecukupan sampel. Indeks Hoelter adalah indeks yang berusaha untuk mengukur suatu kesesuaian indeks yang terlepas dari ukuran sampel. Secara spesifik indeks Hoelter mengestimasi suatu ukuran sampel yang mungkin cukup untuk menghasilkan suatu kesesuain model yang cukup untuk uji χ2 . Hoelter (Byrne, 2001 : 87) mengungkapkan bahwa nilai yang lebih besar dari 200 mengindikasikan suatu model yang mencerminkan kecukupan data. Nilai Hoelter pada Tabel 4.16. baik dengan nilai kritis (Critical N, CN) 0.05 maupun 0.01 dibawah 200 menunjukkan bahwa model yang dianalisi
tidak mempunyai
kecukupan sampel yang memadai (sampel size adequation). Dalam penelitian nilai Hoelter untuk model yang dihipotesiskan masih dibawah 200. Sehingga data yang dibutuhkan dalam penelitian ini masih kurang. Namun dengan alasan bahwa data yang digunakan adalah untuk meneliti model setelah terjadinya krisis moneter yang terjadi dari tahun 1998. Maka data yang memungkinkan adalah data tahun 2001 sampai dengan 2004. Sehingga kondisi pada tentang ini dianggap sudah cukup stabil. Sedangkan data 2005 dan 2006 belum tersedia secara utuh. Sehingga data yang dimungkinkan adalah 48 data (perbulan dari tahun 2001 sampai dengan 2004) 4.2.4.2. Analisis Struktural Model Modifikasi Bank BNI Analisis Struktural adalah tujuannya untuk melakukan analisis terhadap hubungan-hubungan (parameter) yang diestimasi dalam model. Tabel 4.17. di bawah ini adalah tabel yang menunjukkan nilai-nilai bobot regresi dari hubungan-hubungan yang dihipotesiskan pada contoh Gambar 4.3.
100
Tabel 4.17a. Rgression Weight volpenj <--- m2 hrgshm <--- m2 skbunga <--- m2 kurs <--- m2 roi <--- volpenj inflasi <--- volpenj inflasi <--- m2 inflasi <--- kurs hrgshm <--- hrglalu volpenj <--- cr cr <--- hrgshm volpenj <--- hrglalu volpenj <--- hrgshm skbunga <--- volpenj hrglalu <--- volpenj hrgshm <--- volpenj hrgshm <--- skbunga
Estimate S.E. C.R. 106.608 64.836 1.644 13.021 11.647 1.118 -2.948 .267 -11.060 -.863 .134 -6.459 .005 .007 .732 -.006 .003 -1.854 .192 .135 1.420 .379 .107 3.551 .721 .190 3.805 2508.903 1603.138 1.565 .000 .000 1.944 -3.148 2.026 -1.554 .854 1.435 .596 .005 .009 .570 9.852 7.879 1.250 -.001 .141 -.005 -2.417 1.925 -1.256
P .100 .264 *** *** .464 .064 .156 *** *** .118 .052 .120 .551 .569 .211 .996 .209
Label par_3 par_6 par_9 par_8 par_2 par_5 par_7 par_11 par_1 par_4 par_10 par_12 par_13 par_14 par_15 par_16 par_17
101
Gbr. 4.3. Model Modifikasi Bank BNI e-roi
1
roi e-inflasi
1 e-cr
inflasi
e-skbunga
1
cr
1
skbunga Residu
1
1
hrgshm
m2
e-m2
volpenj 1 e-volpenj
kurs 1 e-kurs
hrglalu 1 e-hrglalu
Model Modifikasi Bank BNI Keterangan : - Panah tebal menunjukan hubungan yang signifikan
102
Y
=
b1X4 + b2X5
+ b3X7 + b4X8
+ ε1
X1
=
X2
=
X3
=
b7X5 + b8X6 + b9X7
+ ε1
X4
=
b10X5
+ ε1
X6
=
b12X5
X7
= b13X2
X8
=
b5X7
+ ε1 b6Y
+ ε1
+ b11X7
+ b14X5
+ b15X8 + b16Y + ε1 + b17X7
+ ε1
Dimana Y
= harga saham
X1
= ROI (Return on Investmen)
X2
= CR (Current Rasio)
X3
= Inflasi
X4
= Tingkat bunga
X5
= M2 (jumlah uang beredar)
X6
= Kurs
X7
=Volume (nilai) penjualan saham
X8
= Harga saham lalu.
Tabel 4.17b. Sampel Correlations (Group number 1)
m2 skbunga volpenj kurs hrglalu inflasi cr roi hrgshm
m2 1.000 -.851 .173 -.686 .756 -.209 .247 .422 .790
skbunga
volpenj
kurs
hrglalu
inflasi
cr
roi
hrgshm
1.000 -.108 .691 -.660 .257 -.082 -.217 -.715
1.000 -.157 .047 -.283 .087 .106 .086
1.000 -.492 .469 .198 -.487 -.501
1.000 -.158 .530 .015 .939
1.000 .258 -.251 -.132
1.000 -.232 .473
1.000 -.011
1.000
103
Berdasarkan sampel korelasi yang dihasilkan dari program Amos 6 (terlampir) , dapat terlihat bagaimana korelasi secara parsial untuk tiap-tiap variabel. Dari tabel tersebut terlihat bahwa • Nilai korelasi antara variabel harga saham lalu dengan variabel harga saham berkorelasi sangat kuat 0.939. Menunjukkan adanya keterkaitan antara kedua variabel tersebut. Disamping itu secara statistik juga dengan tingkat signifikansi 0.05 variabel ini signifikan dengan nilai CRnya > ± 1.96. Dan memperkuat dugaan bahwa harga saham lalu memang berhubungan erat dengan harga saham saat ini. Dengan bentuk hubungan seperti pada model. • Variabel M2 berkorelasi kuat dengan variabel tingkat bunga (-0.851), kurs (0.686), harga lalu (0.756). dan harga saham (0.790). Namun berdasarkan nilai regresi yang signifikan adalah antara M2 dengan tingkat bunga, dan M2 dengan kurs. Ini juga memperkuat dugaan bahwa hubungan adalah seperti telah terdapat pada model. Sedangkan pengaruh M2 terhadap harga saham walalupun berkorelasi cukup kuat yaitu sebersar 0.790 tetapi hubungan dalam model tidak signifikan. Ini memperlihatkan memang ada hubungan/korelasi antara harga saham dengan jumlah uang beredar seperti pada model tetapi tidak cukup secara statistik untuk mengatakan hubungan itu cukup berarti. • Variabel tingkat bunga, berkorelasi secara kuat dengan variabel kurs (0.6 91), harga lalu (-0.660) dan harga saham.(-0.715). Tetapi berdasarkan model yang telah dibuat ternyata tidak cukup signifikan untuk mengatakan bahwa tingkat bunga mempengaruhi ketiga variabel tersebut. Dan dalam model juga hanya hubungan antara tingkat bunga dan harga saham yang diperlihatkan. Hubungan lainnya tidak dimasukkan karena akan menurunkan tingkat ‘kebaikan’ model tersebut. Dimana suku bunga ini menunjukkan arah panah menuju harga saham. Berarti meskipun terdapat
korelasi dan secara
modeling ada pengaruh antara tingkat bunga terhadap harga saham tetapi tidak cukup secara statistik mengatakan hubungan ini cukup berarti.
104
• Variabel lainnya yang berkorelasi cukup kuat adalah harga saham dengan Kurs (-0.51) dan harga lalu terhadap harga saham (0.530). Tapi kedua hubungan ini tidak dapat dimasukkan ke dalam model. Karena akan mempengaruhi kebaikan model ini. Pembahasan hubungan-hubungan lain dalam model •
Hubungan timbal balik terjadi antara variabel volume penjualan, baik dengan harga saham maupun dengan harga saham lalu. Meskipun diprediksi ada hubungan yang timbal balik tetapi secara statistik tidak dapat dibuktikan secara signifikan. Dan terlihat dengan nilai korelasi dari matrik korelasi kedua hubungan tersebut yang cukup kecil yaitu 0-047 dan 0.086.
•
Harga saham terhadap curent rasio. Bila melihat korelasinya nilainya adalah 0.473 berarti terdapat cukup korelasi antar keduanya. Meskipun tidak terbukti secara signifkan harga saham tersebut mempengaruhi current rasio. Current Rasio ini adalah perbandingan antara current asset terhadap current Liabilities. Berarti tergantung besarnya Current Asset dan juga faktor pembagi Liabilities (hutang-hutang dan lain sebagainya ).
•
Volume penjualan mempengaruhi ROI, dalam hubungan ini korelasinya 0.106. Namun secara statistik hubungan ini tidak signifikan. ROI adalah perbandingan antara Net Profit meningkatnya
volume
terhadap Asset.
penjualan
sebuah
Secara umum dengan
saham
perusahaan
akan
meningkatkan modal usaha sebuah perusahaan dan tentu saja dengan besarnya modal perusahaan maka akan meningkatkan keuntungan sebuah perusahaan Jadi dalam kasus ini hubungan tersebut dapat dimungkinkan terjadi. •
Current Rasio mempengaruhi Volume penjualan. Secara statistik hubunga ini tidak singifican. Jika melihat korelasi nilainya adalah sebesar 0.087. Berarti secara umum walaupun hubungan ini terdapat dalam model tetapi hubungan tersebut tidak terlalu berarti. Hal ini menunjukkan ada kecenderungan bahwa besarnya Current Rasio yaitu perbandingan antara current asset terhadap current liabilities akan mempengaruhi jumlah pembelian saham. Artinya para
105
investor bisa punya kecenderungan untuk melihat Current Asset ini untuk membeli atau mengurangi jumlah saham yang dibelinya. Meskipun secara statistik hal ini tidak terlalu signifikan. •
Volume penjualan mempengaruhi suku bunga bank dan Inflasi. Secara statistik hubungan antar keduanya tidak signifikan tetapi korelasi kedua hubungan itu nilainya adalah -0.108 dan -0.283. Dan secara statistik tidak signifikan. Berarti meskipun ada kecenderungan bahwa volume penjualan saham bank BNI ini dapat berkorelasi dengan dengan tingkat bunga dan inflasi namun berdasarkan data yang ada tidak ada alasan untuk mengatakan ada hubungan secara signifikan.
Kelemahan model : 1. Model tersebut yang dihasilkan dari output AMOS 6 tidak dapat mempelihatkan seberapa besar pengaruh secara bersama-sama dari ke 8 variabel yang telah dibahas dapat mempengaruhi harga saham. 2. Model tersebut hanya memberikan informasi bahwa ada beberapa variabel yang berpengaruh secara signifikan terhadap harga saham, dan ada hubunga khusus dalam model untuk beberapa variabel yang dapat mempengaruhi harga saham tetapi secara statistik tidak signifikan. 3. Model hanya dapat memperlihatkan gambaran secara umum keterkaitan secara simultan antar variabel, berdasarkan data-data yang ada sejak tahun 2001-2004. Dan melihat sejauh mana tingkat kebaikan model ini dengan menggunakan output yang dihasilkan dari AMOS. Dalam hal ini penelitian hanya melihat sejauh mana model yang dibuat dapat mendekati model riill dari harga saham beberapa bank pada rentang waktu tertentu berdasarkan data-data yang ada. Hubungan antar variabel diperlihatkan pada kolom 1 sampai dengan 3. Kolom ke lima adalah nilai kesalahan standar hubungan.Hubungan antara volume penjulan
106
terhadap kurs mempunyai bobot regresi 106.608. Nilai bobot tersebut merupakan factor loading variabel volume penjualan terhadap kurs. Kolom ke empat adalah nilai kesalahan standar (standar error) dari hubungan (parameter) yang diestimasi, dalam hal ini misalkan kesalahan standar hubungan antara volume penjualan terhadap m2 adalah sebesar 64,836. Kolom ke enam adalah nilai batas kritis (critical ratio)
yang menunjukkan nilai uji statistic terhadap
hubungan (parameter) yang diestimasi, dalam hubungan tersebut nilainya adalah 106.608. Nilai ini diperoleh dengan membagi nilai estimasi parameter dengan SE (standard error) Nilai kritis tersebut dioperasikan sebagai nilai
statistic z yang
menguji bahwa estimasi (bobot regresi) yang diperoleh tidak sama dengan nol (Ho ≠ 0). Berdasarkan tingkat signifikansi 0.05 maka uji statistic tersebut akan signifikan jika > ± 1.96 supaya hipotesis nol dapat ditolak. Dengan nilai CR sebesar 1.644. Sehingga dianggap hubungan antara volume penjualan terhadap kurs ini kurang signifikan. Nilai P adalah nilai probabilitas (sering dikenal sebagai nilai α) sebesar 0.100 menunjukkan bahwa uji statistic terhadap nilai hubungan antara volume penjualan terhadap m2 yaitu sebesar 106.608 ada pada tingkat signifikansi sebesar 10 %. Hal ini menunjukkan bahwa parameter yang diestimasi tidak sama dengan nol (Ho tidak dapat ditolak), jika mengacu kepada tingkat signifikan uji statistic z (0.05) atau α = 0.05. Nilai P pada beberapa hubungan yang diestimasi ditunjukkan oleh tiga bintang (***) seperti pengaruh M2 terhadap tingkat hubungan menunjukkan bahwa hubungan yang diestimasi mempunyai nilai estimasi yang signifikan dengan nilai p < 0.001. Berdasarkan keterangan yang terdapat dalam Amos 6 (untuk contoh nilai P (probabilitas) M2 terhadap tingkat bunga dimana CR = -11.060) dikatakan bahwa : “The probability of getting a critical ratio as large as -11.060 in absolute value is less than 0.001. In other world the regression weight of m2 in prediction of kurs is significantly different from zero at the 0.001 level (two tailed). These statement approximately correct for large sampel under suitable assumption.”
107
Jadi dalam hal ini nilai regresi sebesar -11.060 dengan nilai probabilitas dibawah 0.001 akan ditaksir secara benar jika menggunakan sampel yang besar dengan memenuhi asumsi-asumsi tertentu. 4.2.4.3.
Pembahasan Hasil Analisi model modifikasi Bank BNI Pada tabel 4.19. terdapat nilai-nilai estimasi regresi dan dalam tabel tersebut
dapat dilihat ada beberapa hubungan antar variable yang memiliki nilai yang cukup signifikan yaitu : 1. Jumlah uang beredar (M2) terhadap tingkat bunga. Uji statistic dengan tingkat signifikansi 0.05 menunjukkan nilai CR (Citical Rasio) > sehingga hubungan tersebut
signifikan karena
± 1.96,
hipotesis nol dapat ditolak..
Sehingga hubungan antara volume jumlah uang beredar terhadap tingkat bunga ini signifikan dengan nilai regresi sebesar -2.948. Dengan nilai negative artinya peningkatan jumlah uang beredar akan menurunkan nilai tingkat bunga.Dengan kata lain pada saat terjadi peningkatan pada jumlah uang beredar (M2) sebanyak 100 trilyun Rupiah maka akan menurunkan tingkat bunga sebesar 2.948 persen. Namun jika melihat probabilitasnya yang lebih kecil dari 0.001 maka pernyataan ini akan lebih berarti jika digunakan sampel yang lebih besar pula.. 2. Jumlah uang beredar (M2) terhadap kurs.. Uji statistic dengan tingkat signifikansi 0.05 menunjukkan nilai CR (Citical Rasio) > hubungan tersebut
signifikan karena
± 1.96, sehingga
hipotesis nol dapat ditolak
Sehingga
hubungan antara jumlah uang beredar terhadap kurs ini signifikan dengan nilai regresi sebesar -0.863. Dengan nilai negative artinya peningkatan jumlah uang beredar akan menurunkan nilai kurs Rupiah terhadap Dollar. Atau dengan kata lain jika terjadi kenaikan jumlah uang beredar sebesar 100 trilyun Rupiah maka akan menyebabkan penurunan nilai Rupiah terhadap Dollar Amerika sebesar 863 Rupiah. Namun jika melihat probabilitasnya yang lebih kecil dari 0.001 maka pernyataan ini akan lebih berarti jika digunakan sampel yang lebih besar.
108
3. Kurs
terhadap inflasi. Uji statistic dengan tingkat signifikansi 0.05
menunjukkan nilai CR (Citical Rasio) > ± 1.96, sehingga hubungan tersebut signifikan karena
hipotesis nol dapat ditolak. Sehingga dianggap hubungan
antara kurs terhadap Inflasi ini signifikan dengan nilai regresi sebesar 0.379. Dengan nilai positif artinya peningkatan kurs Dollar terhadap Rupiah atau melemahnya Rupiah terhadap Dollar akan meningkatkan inflasi, dengan nilai regresi sebesar 0.379 Dengan kata lain setiap terjadi kenaikan kurs sebesar 1000 Rupiah maka akan menyebabkan kenaikan inflasi sebesar 0.379 persen.. Namun jika melihat probabilitasnya yang lebih kecil dari 0.001 maka pernyataan ini akan lebih berarti jika digunakan sampel yang lebih besar. 4. Harga saham lalu terhadap harga saham. Uji statistic dengan tingkat signifikansi 0.05 menunjukkan nilai CR (Citical Rasio) > hubungan tersebut
signifikan karena
± 1.96, sehingga
hipotesis nol dapat ditolak. Sehingga
dianggap hubungan antara harga saham lalu
terhadap harga saham saat ini
signifikan dengan nilai regresi sebesar 0.721. Dengan nilai positif artinya peningkatan harga saham lalu akan meningkatkan harga saham saat ini.Jadi setiap terjadi kenaikan harga saham lalu sebesar 100 Rupiah maka akan menyebabkan kenaikan harga saham Bank BNI sebesar 721 Rupiah. Namun jika melihat probabilitasnya yang lebih kecil dari 0.001 maka pernyataan ini akan lebih berarti jika digunakan sampel yang lebih besar. 5. Untuk hubungan-hubungan lain antar variabel dengan arah panah seperti pada diagram pengaruhnya kurang signifikan, namun demikian hubungan tersebut tetap harus di masukkan ke dalam model agar model lebih mendekati keadaan yang sebenarnya, sebab walupun hubungannya kurang signifikant tetapi hubungan tersebut secara keseluruhan akan menjadikan model tersebut lebih mendekati model riil harga saham bank dengan data-data yang tersedia. (ini dapat dilihat dengan hasil analisi output yang didapat dari program AMOS 6, dimana komposisi model tersebut merupakan komposisi dengan nilai output paling optimal yang mungkin bisa dilakukan).
109
Pembahasan kondisi riil Bank BNI Berdasarkan histori dari perkembangan Bank BNI di Bursa Efek Jakarta, Bank BNI melakukannnya peluncuruan saham perdananya dengan low profil. Dan berdasarkan tim privatisasi berserta penjamin emisi sahamnya menyepakati harga saham awal BNI cukup rendah dibandingkan saham-saham perbankan lainnya. Dengan target meraih dana masyarakat Rp 900 miliar, dan ternyata minat para pemilik saham diperkirakan melebihi jumlah saham yang dikeluarkan artinya tidak semua calon investor dapat memperoleh saham sebesar yang diinginkannya. Dari gambaran tersebut kita bisa menyimpukan bahwa strategi pemasaran saham Bank BNI sebenernya sangat sederhana namun menyimpan daya tarik tersendiri. Dalam pendekatan ini, secara fundamental Bank BNI tampaknya tidak berhenti sekadar menjual saham di pasar perdana. Tetapi juga mencanangkan upaya agar harga saham yang dijual bisa meningkat di pasar sekunder. Jika melihat perkembangan saham Bank BNI dari tahun 2001sampai dengan 2004 maka akan terlihat sebagai berikut :
110
Tabel 4.18. Perkembangan Harga Saham Bank BNI tahun 2001-2004 Jan-01
80 Jan-03
95
Feb
80 Feb
Maret
80 Maret
95
April
70 April
100
Mei
75 Mei
135
Juni
85 Juni
145
Juli
140 Juli
160
Agustus
130 Agustus
145
September
100 September
140
Oktober
100 Oktober
110
November
100 November
105
Desember
90 Desember
1300
100
Jan-02
105 Jan-04
1275
Feb
110 Feb
1250
Maret
175 Maret
1150
April
185 April
1300
Mei
160 Mei
1125
Juni
155 Juni
1075
Juli
150 Juli
1075
Agustus
100 Agustus
1125
September
110 September
1300
Oktober
100 Oktober
1350
November
100 November
1625
Desember
110 Desember
1675
111
Sejak awal tahun 2001, harga saham bank ini ada pada kisaran harga Rp 80 Rupiah. Namum perkembangan selanjutkan dari bulan kebulan sampai dengan November 2003 menunjukan seringkali terjadi fluktuasi harga saham yang berkisar pada harga tersebut dan. Peningkatan dan penurunan harga memang masih terjadi dalam jumlah yang tidak terlalu besar. Pada bulan november 2003 harga saham bank ini adalah sebesar Rp 105 Rupiah. Berarti hanya terjadi peningkatan sebesar 27 persen dari harga saham bulan Januari 2001. Fluktuasi harga saham ini dapat terjadi sebagian disebabkan oleh rekapitalisasi yang masih setengah-setengah. Disamping masih ada berbagai masalah yang dihadapi bank ini seperti skandal L/C Rp 1,7 triliun, sehingga sempat harga saham Bank BNI turun dari Rp 140 ke Rp 100. Tetapi sebenarnya dengan kondisi fundamental seperti saat itu, harga Rp 100 masih dianggap sangat mahal. Berhubung pemerintah masih menguasai 99 persen saham di bank tersebut, maka saham Bank BNI dikategorikan saham tidak likuid. Sehingga Bank BNI masih membutuhkan tambahan modal. Untuk menghindari masalah di masa depan, sebenarnya akan lebih baik jika pemerintah merelakan saham Bank BNI dilepas kepada gabungan, publik dan investor pasar atau investor mitra strategis. Perkembangan selanjutnya sejak bulan Desember 2003, telah terjadi fluktuasi kenaikan harga saham yang sangat drastis dari Rp 105, pada bulan November melonjak menjadi Rp 1300,- dan harga terus meningkat sampai dengan Desember 2004 sebesar Rp 1675. Ada kenaikan yang sangat besar bila dibandingkan dengan harga saham pada bulan November 2003 maupun pada harga saham pada bulan Januari 2001. Kenaikannya dari Januari 200 bisa mencapai 20 kali lipat. Suatu peningkatan yang sangat besar. Ini terkait dengan rencana Bank BNI untuk menerbitkan saham baru di luar rencana pelepasan 30 persen saham milik pemerintah, dimana hasilnya digunakan untuk memperkuat rasio kecukupan modal / CAR. Dan ini juga didukung kondisi bursa regional yang membaik, kenaikan IHSG juga disokong perbaikan kondisi nasional, seperti keamanan yang membaik, turunnya suku bunga Sertifikat Bank Indonesia (SBI), inflasi yang terkendali, serta penguatan Rupiah. IHSG pun menanjak
112
terus. Kepercayaan investor kepada stabilitas ekonomi makro, politik, dan keamanan perlahan- lahan terus menguat. Sehingga harga saham BNI pun ikut meningkat. Sedangkan bila kita lihat data terakhir dari Bank ini yaitu per Desember 2006 (terlampir) maka harga saham bank ini telah mengalami peningkatan menjadi Rp 1870, per tanggal 28 Desember 2006. Secara umum peningakatan ini tidak terlalu besar bila dibandingkan dengan harga saham pada Desember 2004 yaitu sebesar Rp 1675. Tetapi sekaligus memperlihatkan bahwa harga saham Bank BNI cukup stabil dengan peningkatan kontinu yang tidak terlalu besar, selama kurun waktu 6 tahun terakhir. Melihat kecenderungan ini, bisa disimpulkan bahwa walaupun masih banyak permasalahan yang dihadapi oleh bank yang satu ini, dan divestasi yang masih tanggung pada rentang tahun 2001-2004. Namun masih ada investor-investor yang cukup mempercayai dan memberikan keyakinan yang cukup stabil terhadap bank ini. Didukung oleh banyak kalangan menganggap manajemen Bank BNI tergolong baik dengan SDM berpendidikan memadai sehingga target maupun sasaran yang ditetapkan relatif lebih normatif realistis. Dengan gambaran seperti itu, dari sisi historis, untuk jangka panjang, prospek Bank BNI masih akan cukup baik Ini tentu saja menstimulasi pergerakan harga sahamnya ke jenjang yang lebih baik. Secara logis
permintaan investor terhadap Saham Bank akan selalu konstan. Dengan
kepercayaan tersebut, para investor akan selalu mengikuti perkembangan harga sahamnya dalam penentuan investasinya. Sehingga akibatnya harga saham lalu akan memainkan peranan yang paling signifikan pada fluktuasi harga saham saat ini. Dengan demikian bila kita lihat perkembangan harga saham dari tahun ke tahun dari Bank BNI maka akan bisa disimpulkan adanya hubungan yang cukup berarti antara harga saham Bank BNI dengan harga saham sebelumnya. Dengan kata lain masyarakat yang akan melakukan investasi dalam bentuk saham BNI akan lebih cenderung untuk mempertimbakan harga saham tersebut berdasarkan harga saham sebelumnya, dikarenakan kepercayaan dan keyakinan masyarakan terhadap kondisi bank ini di masa depan. Dangan adanya kepercayaan yang masih cukup baik ini maka masyarakat tidak akan lagi mempertimbankan variabel lain seperti laporan
113
keuangan dan variabel makro lainnya dalam pertimbangkan investasi pada saham BNI. Untuk kasus Bank BNI faktor image juga cukup penting mempengaruhi keputusan investor dalam keputusan membeli saham. Dari sini kita dapat menyimpulkan bahwa faktor yang berpengaruh terhadap harga saham Bank BNI yang paling signifikan adalah harga saham lalunya.. sehingga para investor punya kecenderungan untuk melihat terhadap harga saham lalu dalam pertimbangan investasi terhadap saham Bank BNI di pasar modal. Variabel-variabel lainnya tidak berpengaruh terhadap harga saham ini secara signifikan.
