DAFTAR ISI HALAMAN JUDUL... I HALAMAN PENGESAHAN... II HALAMAN PERNYATAAN... III HALAMAN PERNYATAAN KEASLIAN... IV HALAMAN PERSEMBAHAN

DAFTAR ISI HALAMAN JUDUL ........................................................................................ I HALAMAN PENGESAHAN ........................................................................II HALAMAN PERNYATAAN ...................................................................... III HALAMAN PERNYATAAN KEASLIAN ................................................ IV HALAMAN PERSEMBAHAN ..................................................................... V KATA PENGANTAR ............................................................................... VIII DAFTAR ISI ................................................................................................. IX DAFTAR TABEL ........................................................................................ XII DAFTAR GRAFIK.................................................................................... XIII DAFTAR LAMPIRAN.............................................................................. XIV ABSTRAKSI ................................................................................................ XV ABSTRACT ............................................................................................... XVI BAB I. PENDAHULUAN ............................................................................... 1 1.1. LATAR BELAKANG.......................................................................... 1 1.2. RUMUSAN MASALAH ..................................................................... 4 1.3. TUJUAN PENELITIAN ...................................................................... 4 1.4. MANFAAT PENELITIAN .................................................................. 5 1.5. SISTEMATIKA PENULISAN ............................................................ 5 BAB II. TINJAUAN LITERATUR ............................................................... 7 2.1. PASAR MODAL YANG EFISIEN ..................................................... 7 2.2. EFEK DAY OF THE WEEK ............................................................... 10 2.3. PENELITIAN SEBELUMNYA ........................................................ 11 2.4. PASAR MODAL INDONESIA ......................................................... 15 2.5. PENGEMBANGAN HIPOTESIS ..................................................... 19 IX

2.5.1. KETERKAITAN EFEK DAY OF THE WEEK DENGAN IMBAL HASIL.......................................................................................... 19 2.5.2. KETERKAITAN EFEK DAY OF THE WEEK DENGAN VOLATILITAS IMBAL HASIL .................................................... 19 BAB III. METODOLOGI PENELITIAN ................................................... 21 3.1. JENIS DAN SUMBER DATA........................................................... 21 3.2. METODE PENGAMBILAN SAMPEL............................................. 22 3.3. VARIABEL PENELITIAN DAN DEFINISI OPERASIONAL ........ 22 3.3.1. VARIABEL DEPENDEN ............................................................. 22 3.3.2. VARIABEL INDEPENDEN ......................................................... 23 3.4. METODE ANALISIS DATA ............................................................ 24 3.5. METODE PENGUJIAN HIPOTESIS ............................................... 27 BAB IV. ANALISIS DATA DAN PEMBAHASAN ................................... 31 4.1. DESKRIPSI OBJEK PENELITIAN .................................................. 31 4.2. STATISTIK DESKRIPTIF ................................................................ 31 4.3. PENGUJIAN ASUMSI KLASIK ...................................................... 34 4.3.1. UJI NORMALITAS ...................................................................... 34 4.3.2. UJI STASIONERITAS .................................................................. 35 4.3.3. UJI MULTIKOLINEARITAS ....................................................... 35 4.3.4. UJI HETEROSKEDASTISITAS ................................................... 36 4.3.5. UJI OTOKORELASI .................................................................... 37 4.3.6. UJI EFEK ARCH-LM .................................................................. 38 4.4. PENGUJIAN HIPOTESIS ................................................................. 41 4.4.1. PENGUJIAN HIPOTESIS HUBUNGAN IMBAL HASIL DAN HARI PERDAGANGAN .............................................................. 44 X

4.4.2. PENGUJIAN HIPOTESIS HUBUNGAN VOLATILITAS IMBAL HASIL DAN HARI PERDAGANGAN ......................................... 47 4.5. DISKUSI DAN IMPLIKASI ............................................................. 49 BAB V. SIMPULAN DAN SARAN ............................................................. 51 5.1. KESIMPULAN .................................................................................. 51 5.2. KETERBATASAN PENELITIAN .................................................... 52 5.3. SARAN .............................................................................................. 53 DAFTAR PUSTAKA .................................................................................... 55 LAMPIRAN ................................................................................................... 56

XI

DAFTAR TABEL Tabel 4. 1. Hasil Prosedur Penyampelan ..................................................................... 31   Tabel 4. 2. Ringkasan Statistik Imbal Hasil Indeks ..................................................... 33   Tabel 4. 3. Hasil Uji Shapiro-Francia ......................................................................... 34   Tabel 4. 4. Hasil Uji Akar Unit .................................................................................... 35   Tabel 4. 5. Hasil Estimasi Uji VIF............................................................................... 36   Tabel 4. 6. Hasil Perhitungaan Uji Breusch Pagan ...................................................... 37   Tabel 4. 7. Hasil Uji Breuch-Godfrey .......................................................................... 38   Tabel 4. 8. Hasil Estimasi Metode Kuadrat Terkecil (OLS)........................................ 39   Tabel 4. 9. Hasil Uji ARCH-LM ................................................................................. 40   Tabel 4. 10. Hasil Estimasi Prosedur Kriteria Informasi ............................................. 41   Tabel 4. 11. Subperiode Sampel Penelitian ................................................................. 43   Tabel 4. 12. Hasil Estimasi Persamaan Rata-Rata Model Modifikasi GARCH .......... 45  

XII

DAFTAR GRAFIK Grafik 4. 1. Plot Pangkat Dua Residual Error (1990-2014) ........................................ 42  

XIII

DAFTAR LAMPIRAN LAMPIRAN 1. DO-FILE ............................................................................................ 58   LAMPIRAN 2. TABEL PENGUJIAN AUTOCORELATION DAN PARTIAL AUTOCORELATION ........................................................................................... 64   LAMPIRAN 3. HASIL REGRESI OLS...................................................................... 66   LAMPIRAN 4. HASIL ESTIMASI MODEL MODIFIKASI GARCH(1,1) .............. 69   LAMPIRAN 5. HASIL PENGUJIAN KRITERIA INFORMASI .............................. 81   LAMPIRAN 6. HASIL PENGUJIAN STASIONERITAS ......................................... 82   LAMPIRAN 7. HASIL PENGUJIAN MULTIKOLINEARITAS .............................. 85   LAMPIRAN 8. HASIL PENGUJIAN OTOKORELASI ............................................ 87   LAMPIRAN 9. HASIL PENGUJIAN HETEROSKEDASTISITAS .......................... 89   LAMPIRAN 10. HASIL PENGUJIAN EFEK ARCH-LM ........................................ 91  

XIV

ABSTRAKSI Adanya fenomana pola imbal hasil pada hari tertentu merupakan bukti yang bertentangan dengan hipotesis pasar yang efisien. Pola imbal hasil seharusnya tidak dapat diprediksi sehingga investor tidak bisa memperoleh keuntungan abnormal. Penelitian ini menguji kembali pola imbal saham dengan hubungannya terhadap hari perdagangan. Model yang diuji adalah model modifikasi-GARCH yang sebelumnya diprakarsai oleh Berument dan Kiymaz (2001). Dengan mengamati pergerakan imbal hasil dari tahun 1990 sampai dengan 2014, studi ini menguji keberadaan fenomena day of the week pada pola imbal hasil dan volatilitasnya. Hasil penelitian ini menunjukkan adanya fenomena day of the week effect baik pada imbal hasil maupun volatilitasnya. Imbal hasil tertinggi terjadi pada hari Rabu sedangkan imbal hasil terendah terjadi pada hari Senin. Sedangkan volatilitas tertinggi terjadi pada hari Senin dan volatilitas terendah terjadi pada hari Jumat. Temuan dalam penelitian ini sesuai dengan penelitian terdahulu yang dilakukan oleh Berument dan Kiymaz (2001 dan 2003) di Kanada, Amerika Serikat, Jepang, dan Inggris. Analisis lebih mendalam dilakukan dengan memecah periode pengamatan menjadi tujuh subperiode untuk menguji konsistensi hasil pengujian. Dari analisis tersebut, penelitian ini menemukan bahwa pola day of the week effect tidak terjadi pada keseluruhan periode melainkan hanya secara parsial saja. Meskipun pola imbal hasil tidak persisten terhadap hari perdagangan, hal tersebut merupakan bukti bahwa Bursa Efek Indonesia tidak efisien. Argumen tersebut diperkuat dengan adanya pengaruh lag imbal hasil (t-1) pada pola imbal hasil. Artinya imbal hasil pada waktu ke-t dipengaruhi oleh imbal hasil sebelumnya. Temuan tersebut mengindikasikan investor dapat memperoleh kentungan tidak normal dengan memanfaatkan informasi pola imbal hasil masa lalu. Kata kunci: day of the week; anomali pasar; GARCH

XV

ABSTRACT Unexplained daily pattern of return on a particular day is a contrary proof to the efficient market hypothesis. Pattern of stock return should be unpredictable so that investors cannot obtain abnormal profits. This study examine the pattern of stock returns in relation to trading days by using modification-GARCH which was previously initiated by Berument and Kiymaz (2001). By observing the movement of the return from 1990 through 2014, this study examines the existence of the day of the week effect on the terms of returns and volatility. The results indicate the existence of the day of the week effect on return and volatility equation. The highest return occurred on Wednesdays, while the lowest return occurred on Mondays. Meanwhile, the highest volatility occurred on Mondays and the lowest on Fridays. The finding of this study is consistent with previous studies conducted by Berument and Kiymaz (2001 and 2003) who examined the same market anomaly in Canada, the USA, Japan, and United Kingdom. Further analysis is done by splitting the observation period into seven sub-periods to test the consistency of the results. The sub-period analysis found that the pattern of day of the week effect does not occur in the whole period but only partially. The argument is strengthened by the influence of lag return (t-1) on the pattern of returns. This means that the return on time t affected by past return. These findings indicate that investors can obtain abnormal return by using past information of stock return. Keywords: the day of the week; market anomaly; GARCH

XVI

BAB I PENDAHULUAN 1.1.

LATAR BELAKANG Fenomena efek day of the week adalah salah satu dari jenis anomali

kalender yang merupakan bukti bertentangan dengan hipotesis pasar yang efisien. Hasil temuan yang dipelopori oleh Cross (1973) dan French (1980) menunjukkan adanya pola imbal hasil tertentu pada pergerakan indeks harga saham berdasarkan hari perdagangan. Temuan anomali pasar adalah bukti yang bertentangan dengan hipotesis pasar efisien bentuk lemah (Copeland, 2005). Dengan asumsi bahwa harga mencerminkan secara segera seluruh informasi masa lalu yang relevan, maka seharusnya tidak terdapat pola imbal hasil tertentu dan semestinya pola imbal hasil sulit diprediksi oleh investor. Namun, hasil temuan beberapa peneliti tidak konsisten dengan argumen tersebut. Hal ini dibuktikan dengan ditemukannya fenomena day of the week. Fenomena tersebut terjadi ketika rata-rata imbal hasil tidak sama untuk setiap hari perdagangan dan diikuti pola yang persisten. Penelitian mengenai day of the week di bursa Amerika secara umum menunjukkan adanya pola imbal hasil signifikan pada hari Senin (Cross, 1973; French, 1980; Gibbons dan Hess, 1981; Keim dan Stambaugh, 1984; Lakonishok & Maberly, 1990; Rogalski, 1984) yang disebut sebagai Monday effect. Studistudi tersebut juga menemukan adanya imbal hasil positif pada hari Jumat dan disebut sebagai Weekend effect. Studi yang dilakukan oleh Jaffe dan Westerfield (1985) di beberapa negara, yaitu Amerika, Kanada, Inggris, Australia, dan Jepang memberikan 1

kesimpulan yang berbeda. Rata-rata imbal hasil terendah di Australia dan Jepang justru terjadi pada hari Selasa. Hal ini berbeda dengan hasil temuan sebelumnya di pasar modal Amerika yang umumnya imbal hasil terendah terjadi pada hari Senin. Studi di pasar modal Eropa menemukan pola yang sangat beragam (Alexakis dan Xanthakis, 1995; Berument dan Kiymaz, 2003; Jaffe dan Westerfield, 1985a, 1985b). Di Indonesia, studi yang mengamati efek day of the week telah banyak dilakukan. Studi yang dilakukan oleh Tandelilin dan Algifari (1999) menyimpulkan bahwa tidak terdapat imbal hasil negatif pada hari Senin secara signifikan. Hasil penelitian tersebut bertentangan dengan Cahyaningdyah (2005) yang justru menemukan adanya Monday effect

di pasar modal Indonesia.

Penemuan Monday effect ini juga didukung oleh studi yang dilakukan oleh Sumiyana (2007 dan 2008) dengan menggunakan data intraharian. Studi-studi yang sudah dilakukan di Indonesia belum ada yang berhasil mengungkapkan penyebab terjadinya kecenderungan imbal hasil negatif pada hari Senin maupun imbal hasil postif pada hari Jumat. Argumen French dan Roll (1986) menyatakan bahwa terdapat variansi imbal hasil lebih besar pada hari perdagangan yang diikuti hari libur bursa daripada hari lainnya. Sejalan dengan hal tersebut, Campbell dan Hentschel (1992) berargumen bahwa peningkatan volatilitas pasar modal akan meningkatkan tingkat imbal hasil yang diharapkan dan membuat harga sekuritas menjadi lebih rendah. Peningkatan volatilitas imbal hasil akan mengakibatkan naiknya tingkat risiko yang dipandang investor sebagai peningkatan ukuran risiko dari suatu aset.

2

Beberapa studi lain kemudian mengamati hubungan pola imbal hasil dan volatilitasnya dengan efek day of the week. Studi yang dilakukan oleh Berument dan Kiymaz (2001), disamping menginvestigasi efek day of the week pada imbal hasil S&P500 antara 1973 dan 1977, juga menganalisis pola volatilitas imbal hasil dengan menggunakan model modifikasi dari GARCH (Generalized Autoregressive Conditional Heteroscedasticity). Studinya menemukan bahwa rata-rata volatilitas imbal hasil bernilai positif terjadi pada hari Rabu dan negatif pada hari Senin. Berument dan Kiymaz (2003) menggunakan model yang sama untuk menguji pola efek day of the week pada 5 negara untuk mendapatkan bukti yang lebih luas. Hasil penelitian mereka menunjukkan hasil yang bervariasi tiap negara. Namun, secara umum imbal hasil terendah masih terjadi pada hari Senin dan tertinggi pada hari Jumat. Penelitan tersebut juga berhasil membuktikan adanya efek day of the week pada volatilitas imbal hasil. Studi tersebut juga menunjukkan bahwa pada hari Jumat volatilitas imbal hasil secara statistik lebih tinggi dibandingkan pada hari-hari lainnya. Studi-studi tersebut berargumen bahwa variansi imbal hasil pada pasar saham berubah antar waktu (time varying) dan conditional heteroscedasticty. Penelitian mengenai fenomena day of the week dengan menggunakan metode model ARCH (Autoregressive Conditional Heteroskedasticity) dan modifikasinya sudah dilakukan di negara maju maupun negara berkembang. Namun, saat ini hasil temuan dengan konteks Indonesia (Cahyaningdyah, 2005; Sumiyana, 2007 dan 2008; Tandelilin dan Algifari, 1999) masih memberikan kesimpulan yang beragam. Sampel yang digunakan dalam penelitan sebelumnya hanya terdiri dari beberapa emiten dengan kriteria tertentu sehingga tidak

3

mencerminkan keseluruhan keadaan pasar. Selain itu, metode pengujian yang digunakan masih menggunakan metode kuadrat terkecil (OLS) yang tidak bisa menangkap perubahan variansi data imbal hasil yang berbeda antar waktu. Studistudi tersebut juga masih menggunakan periode pengamatan yang masih relatif pendek dan lemah pada pendekatan metodologi. Penelitian ini diharapkan dapat menjawab kekurangan tersebut dengan menguji kembali model yang digunakan oleh Berument dan Kiymaz (2001) serta membandingkan dengan temuan studi sebelumnya yang terkait. 1.2.

RUMUSAN MASALAH Permasalahan utama yang akan diteliti adalah adanya pola imbal hasil dan

variansinya akibat pengaruh hari perdagangan. Dengan memperhatikan pola imbal hasil dan variansi indeks, maka rumusan masalah disusun dalam pertanyaan penelitian sebagai berikut: 1. Apakah terdapat pengaruh hari perdagangan terhadap imbal hasil indeks di Bursa Efek Indonesia? 2. Apakah terdapat pengaruh hari perdagangan terhadap volatilitas imbal hasil indeks di Bursa Efek Indonesia? 1.3.

TUJUAN PENELITIAN Berdasarkan pada rumusan masalah, maka tujuan dari penelitian ini adalah

sebagai berikut: 1. Menguji pengaruh hari perdagangan terhadap imbal hasil indeks di Bursa Efek Indonesia. 4

2. Menguji pengaruh hari perdagangan terhadap volatilitas imbal hasil indeks di Bursa Efek Indonesia. 1.4.

MANFAAT PENELITIAN Manfaat yang didapatkan dari penelitian ini antara lain: 1. Kontribusi empiris, penelitan ini akan memberikan tambahan informasi dan konfirmasi terhadap penelitian sebelumnya dan referensi untuk penelitian selanjutnya dengan tema penelitian yang sama. 2. Kontribusi praktis, bagi investor dan masyarakat penelitian ini akan memberikan informasi mengenai pola imbal hasil dan variansi pada setiap hari perdagangan di pasar modal. Dengan mengetahui pola imbal hasil dan volatilitas yang diprediksi, maka investor bisa menyusun

strategi

dalam

melakukan

transaksi

saham

serta

menyesuaikan portofolio mereka berdasarkan pertimbangan risiko dalam rangka memperoleh imbal hasil abnormal. 1.5.

SISTEMATIKA PENULISAN Adapun sistematika penulisan dalam penelitan ini adalah sebagai berikut: BAB 1. Pendahuluan Bab ini berisi latar belakang, rumusan masalah, batasan masalah, tujuan penelitian, manfaat penelitian, dan sistematika penulisan.

5

BAB 2. Tinjauan Literatur Bab ini menguraikan teori-teori yang relevan serta hasil-hasil penelitian terdahulu yang berhubungan dengan penelitian ini. Bab ini juga berisi pengembangan hipotesis awal penelitian. BAB 3. Metodelogi Penelitian Bab ini mendeskripsikan sampel penelitian, jenis data, prosedur penelitian, model penelitian, metoda analisis data serta alat analisis yang digunakan dalam penelitan ini. BAB 4. Analisis dan Pembahasan Bab ini menjabarkan hasil penelitan, analisis hasil pengujian, serta pembahasan dari hasil analisis data. BAB 5. Kesimpulan dan Saran Bab ini menyajikan kesimpulan dari hasil penelitian, kelemahan dan keterbatasan dalam penelitan serta saran untuk penelitan yang terkait di masa mendatang.

6

BAB II TINJAUAN LITERATUR 2.1.

PASAR MODAL YANG EFISIEN Pasar yang efisien adalah kondisi dimana harga sekuritas mencerminkan

seluruh informasi yang relevan dengan tepat dan secara segera tersedia (Fama, 1991). Ketika harga sekuritas sudah mencerminkan semua informasi yang relevan, maka investor yang memanfaatkan informasi tersebut tidak bisa memperoleh imbal hasil abnormal di pasar. Pasar efisien diklasifikasikan menjadi tiga bentuk, yaitu pasar efisien bentuk lemah (weak form), bentuk setengah kuat (semi-strong form), dan bentuk kuat (strong form). Hipotesis pasar yang efisien dalam bentuk lemah menyatakan bahwa harga mencerminkan semua informasi yang bisa diperoleh dari data perdagangan pasar berupa data historis, volume perdagangan dan bunga pinjaman (Bodie, Kane, dan Marcus, 2006). Bentuk pasar ini berimplikasi bahwa analisis tren harga merupakan hal yang tidak berguna. Hipotesis ini didasari bahwa data harga saham masa lalu tersedia di publik dan tidak ada biaya untuk mendapatkannya. Hipotesis bentuk lemah juga menyatakan bahwa jika data tersebut bisa dijadikan sinyal yang reliabel untuk memprediksi kinerja saham dimasa depan, seluruh investor sudah mempelajari untuk mengekspolitasi sinyal tersebut. Pada akhirnya sinyal tersebut akan kehilangan nilainya ketika hal tersebut diketahui secara meluas. Ketika ada berita baik (good news), investor diasumsikan mengetahui informasi tersebut dan bisa memprosesnya, sehingga ketika terjadi kenaikan harga, tidak satupun investor memperoleh imbal hasil abnormal. Fama (1991) kemudian

7

merevisi hipotesis bentuk lemah. Disamping hanya menguji imbal hasil masa lampau, dia mengarah pada area yang lebih umum. Revisi baru dari hipotesis bentuk lemah dinamakan uji prediktabilitas imbal hasil (test for return predictability). Revisi tersebut memasukkan pengujian untuk memprediksi imbal hasil dengan variabel lain seperti dividend yield dan suku bunga. Hipotesis setengah kuat menyatakan bahwa harga sekuritas disamping dipengaruhi oleh informasi harga masa lalu, juga dipengaruhi oleh semua informasi yang dipublikasikan. Hipotesis ini menyatakan bahwa harga secara penuh mencerminkan (fully reflected) semua informasi yang dipublikasikan (all public available information) termasuk informasi yang diperoleh dari laporan keuangan perusahaan emiten. Dengan kata lain tidak ada seorang investor pun yang dapat memperoleh keuntungan abnormal dengan menggunakan informasi yang sudah dipublikasikan. Para peneliti telah menguji keadaan ini dengan melihat peristiwa-peristiwa tertentu seperti penerbitan saham baru, penerbitan obligasi, pengumuman laba dan dividen, perkiraan laba perusahaan, perubahan praktik akutansi, merger, akusisi, pemecahan saham, dan lain-lain. Pada tahun 1991, Fama mengubah nama hipotesis bentuk setengah kuat menjadi studi peristiwa (event study). Pada bentuk terakhir, hipotesis pasar yang efisien dalam bentuk kuat berarti bahwa semua informasi baik yang terpublikasi maupun tidak terpublikasi, sudah tercermin dalam harga sekuritas saat ini. Hipotesis ini mengindikasikan bahwa harga sekuritas mampu sepenuhnya mencerminkan semua informasi relevan dari perusahaan, bahkan jika informasi tersebut hanya bisa diakses oleh orang dalam perusahaan (company insider). Insider didefinisikan sebagai ahli

8

keuangan atau manajer keuangan dari perusahaan terbuka. Jika insider punya kekuatan untuk mengakses informasi, besar kemungkinan mereka akan mendapatkan imbal hasil lebih besar daripada rata-rata selain itu mereka juga bisa menggunakan informasi tersebut sebelum diumumkan ke publik untuk mendapatkan keuntungan. Hipotesis bentuk kuat memasukkan informasi yang ada pada hipotesis bentuk setengah kuat ditambah informasi yang hanya tersedia pada corporate insider. Fama (1991) menyempurnakan hipotesis bentuk setengah kuat menjadi informasi privat (private information) dan menguji bagaimana corporate insider bisa memiliki informasi privat. Studi tersebut membuktikan bahwa corporate insider bisa mendapatkan informasi privat untuk memperoleh keuntungan diatas investor normal. Pada waktu yang sama, studi ini juga menguji kemampuan manajer reksadana dan dana pensiun untuk mendapatkan keuntungan tidak normal. Hasil penelitian tersebut menunjukkan bahwa investor profesional pada umumnya tidak memiliki kemampuan untuk mendapatkan keuntungan dengan mengikuti corporate insider. Hipotesis pasar efisien mendapat banyak perdebatan, salah satunya dengan ditemukannya anomali pasar. Anomali pasar dikelompokkan menjadi anomali kalender, anomali ukuran (size anomaly), anomali peristiwa, anomali perusahaan, dan anomali akuntansi. Anomali kalender sendiri terdiri dari berbagai macam, diantaranya day of the week effect, January effect, efek hari libur (holiday effect), efek musiman, dan lain lain (Berument dan Kiymaz, 2001). Fokus penelitian ini membahas fenomena day of the week sebagai bukti bahwa pasar tidak efisien seperti dugaan sebelumnya.

9

2.2.

EFEK DAY OF THE WEEK Segala pola yang bisa diprediksi dari imbal hasil aset dan bisa

dieksploitasi disebut sebagai bukti melawan efisiensi pasar bentuk lemah (Copeland, 2005). Ketika pasar diasumsikan efisien, maka seharusnya investor tidak bisa memprediksi harga masa mendatang dengan memanfaatkan informasi masa lalu, sehingga investor tidak bisa memperoleh imbal hasil abnormal. Anomali pasar merupakan fenomena yang persisten dan menyimpang dari hipotesis pasar yang efisien. Banyak penelitian yang menunjukkan adanya pola dalam pergerakan harga saham. Pola tersebut menunjukkan adanya tingkat imbal hasil yang lebih tinggi atau lebih rendah pada saat tertentu. Salah satu pola tersebut adalah adanya perbedaan imbal hasil untuk hari-hari tertentu diantara hari perdagangan. Berument dan Kiymaz (2001) mendefenisikan efek day of the week sebagai sebuah fenomena terjadinya pola imbal hasil tertentu pada hari perdagangan yang persisten dan secara statistik signifikan. Kecenderungan terjadinya imbal hasil negatif pada hari Senin disebut sebagai Monday effect dan terjadinya imbal hasil positif pada hari Jumat disebut sebagai weekend effect. Lalu, kecenderungan imbal hasil negatif pada hari Selasa disebut sebagai Tuesday effect. Jika diasumsikan terdapat efek day of the week, maka investor atau pelaku pasar dapat mengambil keuntungan dengan melakukan transaksi pada hari-hari tertentu, baik transaksi beli maupun jual. Dalam kasus Monday effect dan efek akhir pekan (Weekend effect), investor dapat menerapkan strategi dengan membeli sekuritas pada hari Senin, ketika harga cenderung turun dengan adanya indikasi tren rata-rata imbal hasil hari Senin negatif. Selanjutnya investor bisa menjual 10

sekuritasnya pada hari Jumat yang secara statistik memberikan imbal hasil yang positif. 2.3.

PENELITIAN SEBELUMNYA Adanya pola imbal hasil tertentu yang persisten untuk setiap hari

perdagangan sebelumnya telah diteliti oleh Cross (1973). Ia mengamati pola imbal hasil indeks S&P500 pada tahun 1953 sampai 1970 serta hubungannya dengan hari perdagangan, khususnya pada hari Jumat dan Senin. Penelitian tersebut menemukan bahwa terdapat imbal hasil negatif pada hari Senin secara rata-rata. French (1980) juga menginvestigasi pergerakan indeks S&P 500 dengan periode pengamatan yang lebih panjang, mulai tahun 1953 hingga 1977. Temuannya juga serupa dengan Cross (1973) yang membuktikan adanya imbal hasil negatif pada hari Senin dan disebut sebagai Monday effect. Pada umumnya, imbal hasil negatif terjadi karena investor mengantisipasi kedatangan informasi yang tidak diinginkan di akhir pekan, yaitu dengan cara mendiskon harga pada hari Senin. Temuan tersebut menyarankan investor untuk dapat memanfaatkan anomali ini, sehingga dapat meraih keuntungan yang lebih tinggi. Investor beli dapat melakukan penundaan pembelian hingga hari Senin karena pada hari tersebut rata-rata harga secara relatif lebih rendah. Sedangkan, investor jual dapat melakukan transaksi pada hari Jumat karena rata-rata harga lebih tinggi dari hari lainnya. Namun demikian, apabila investor menggunakan strategi perdagangan aktif dengan niatan mendapatkan imbal hasil yang lebih tinggi secara rata-rata, investor tetap tidak akan mendapatkan keuntungan signifikan karena adanya kos transaksi yang harus ditanggung. Sedangkan bagi investor yang melakukan

11

strategi beli dan tahan (buy and hold) maka investor secara rata-rata akan mendapatkan imbal hasil dengan kisaran 5.5% dalam periode satu tahun. Studi Lakonishok dan Maberly (1990) meneliti faktor-faktor yang dapat mempengaruhi imbal hasil saham harian di NYSE selama periode 1962-1886. Mereka menemukan bahwa pola aktivitas perdagangan harian yang dilakukan oleh investor berkontribusi terhadap terjadinya imbal hasil negatif pada hari Senin. Pada hari tersebut, tingkat keinginan bertransaksi investor lebih besar dibandingkan dengan hari lainnya secara rata-rata sehingga aktivitas transaksi pada hari Senin lebih tinggi dari pada hari-hari lainnya. Mereka juga berargumen bahwa investor memiliki kecenderungan untuk menjual lebih tinggi dibanding membeli saham, sehingga membuat harga ekulibrium saham berkecenderungan bergeser ke arah yang lebih rendah. Hasil penelitian yang sama ditunjukkan oleh Gibbons dan Hess (1981) dengan mengamati S&P 500, indeks CRSP Value dan equally-weighted NYSE (New York Stock Exchange) serta AMEX (America Stock Exchange) pada tahun 1962 sampai dengan 1978. Terjadinya imbal hasil negatif pada hari Senin merupakan kesalahan pengukuran (measurement error). Imbal hasil hari Senin dihitung berdasarkan harga penutupan ke penutupan (close to close) dari hari Jumat. Jaffe dan Westerfield (1985a dan 1985b) menemukan fenomena yang sama pada pasar modal Kanada, Inggris, Jepang dan Australia dengan fenomena yang umumnya terjadi di Amerika. Temuannya membuktikan bahwa hari Senin memiliki rata-rata imbal hasil pasar negatif di Kanada, Inggris dan Amerika, sedangkan Jepang dan Australia memiliki imbal hasil negatif justru terjadi pada hari Selasa.

12

Fenomena efek day of the week juga terjadi di negara berkembang. Penelitian yang dilakukan oleh Aggarwal dan Rivoli (1989) di Hong Kong, Singapura, Malaysia dan Filipina menemukan adanya Monday effect yaitu imbal hasil negatif dan signifikan terjadi pada hari Senin. Menariknya, penelitian mereka juga menemukan adanya Tuesday effect dan diduga imbal hasil negatif yang terjadi pada hari Selasa merupakan refleksi keterhubungan dengan keadaan pasar di New York pada hari Senin akibat selisih waktu 13 jam. Beberapa penelitan mengenai efek day of the week juga telah dilakukan di Indonesia. Tandelilin dan Algifari (1999) meneliti 40 saham teraktif berdasarkan volume perdagangan pada Januari sampai Desember 1996. Penelitian ini menggunakan regresi metode kuadrat terkecil (ordinary least square) dan analisis variansi (ANOVA) untuk menguji perbedaan imbal hasil saham untuk setiap hari perdagangan. Hasil penelitian menunjukkan bahwa terdapat imbal hasil positif pada hari Selasa, Rabu, dan Jumat, sedangkan pada hari Senin dan Kamis tidak ditemukan pola imbal hasil yang secara statistik signifikan. Mereka berargumen bahwa hal tersebut terjadi akibat pada hari Senin dan Kamis, investor cenderung menahan diri untuk bertransaksi karena sedang menyusun strategi perdagangan untuk hari perdagangan berikutnya. Argumen tersebut dibuktikan dengan tren volume perdagangan pada hari Senin dan Kamis yang secara relatif lebih rendah dibandingkan hari perdagangan lainnya. Kesimpulan yang berbeda dikemukakan oleh Cahyaningdyah (2005) yang mengamati 73 saham teraktif mulai Januari 2001 hingga Desember 2003 di Bursa Efek Indonesia. Hasil penelitiannya membuktikan bahwa imbal hasil terendah terjadi pada hari Senin dan imbal hasil tertinggi terjadi pada hari Jumat. Namun

13

penelitian ini minim argumentasi dalam memberikan penjelasan penyebab terjadinya imbal hasil negatif pada hari Senin. Hasil yang sama juga ditemukan oleh Sumiyana (2007 dan 2008) dengan menggunakan data intraharian. Sampel yang digunakan adalah emiten indeks LQ45 pada periode 1999 hingga 2005. Penelitian ini menyimpulkan adanya imbal hasil negatif signifikan pada hari Senin secara parsial dan insidentil. Artinya, imbal hasil negatif tidak terjadi pada hari Senin secara keseluruhan tetapi hanya terjadi pada menit-menit tertentu pada jam perdagangan saja. Fenomena efek day of the week tidak hanya terjadi pada persamaan imbal hasil tetapi juga pada persamaan volatiltas (Berument dan Kiymaz, 2003). Studi yang dilakukan oleh Berument dan Kiymaz (2001) disamping menginvestigasi efek day of the week pada imbal hasil S&P 500 antara 1973 dan 1997, juga menganalisis pola volatilitas imbal hasil dengan menggunakan model ordinary least square, GARCH (1,1) dan modifikasi dari GARCH (Generalized Autoregressive Conditional Heteroscedasticity). Berument dan Kiymaz (2003) kemudian menggunakan model yang sama dan meneliti berbagai indeks bursa beberapa negara. Hasil studi tersebut memaparkan bahwa volatilitas imbal hasil tertinggi terjadi pada hari Senin di Jerman dan Jepang. Kanada dan Amerika Serikat juga memiliki volatilitas yang signifikan pada hari Jumat, sedangkan volatilitas yang signifikan di Inggris terjadi pada Rabu. Volatilitas terendah terjadi pada hari Senin di Kanada, Jerman, Jepang, Inggris, dan Amerika Serikat. Dari beberapa studi yang sudah dilakukan di Indonesia, belum ada publikasi

penelitan

yang

menggunakan

metode

ARCH

(Autoregressive

Conditional Heteroscedasticity) dalam pengujian efek day of the week. Padahal,

14

sifat data imbal hasil saham memiliki kecenderungan berbeda antar waktu (time varying) dan mengandung conditional heteroskedasticty (Berument dan Kiymaz, 2003). Selain itu, karakteristik data imbal hasil aset keuangan bertendensi untuk terjadi volatilitas klaster atau volatilitas pooling. Volatilitas klaster ialah kecenderungan perubahan besar harga aset yang dikuti oleh perubahan besar dan perubahan kecil dikuti perubahan kecil (Brooks, 2014). Ketika terdapat variansi tidak konstan maka besaran standar error hasil estimasi menjadi tidak berguna karena asumsi heteroskedastisitas dilanggar. Jika asumsi tersebut dilanggar maka nilai t-statistik juga tidak bisa digunkan untuk pengujian hipotesis. Untuk mengatasi permasalahan tersebut, dalam penelitian ini menggunakan metode modifikasi-GARCH(1,1) untuk menguji kembali pengaruh hari perdagangan terhadap pola imbal hasil di Bursa Efek Indonesia. 2.4.

PASAR MODAL INDONESIA Produk Domestik Bruto (PDB) Indonesia pada tahun 2014 mencapai

Rp10.542,7 triliun dan PDB perkapita mencapai Rp41,8 juta atau US$3,531.5. Angka tersebut menurun dibandingkan pada tahun 2013 yang mencapai US$3,565. Pertumbuhan ekonomi Indonesia juga menurun sebesar 0,56% dari sebelumnya mencapai 5,58% di tahun 2013 menjadi hanya 5,02% tahun 2014. Ditinjau dari angka-angka tersebut, Indonesia, menurut World Bank (2014) diklasifikasikan sebagai negara berkembang (emerging countries). Aktivitas modal masuk maupun keluar baik domestik maupun asing hanya melalui pasar keuangan yang dibawahi langsung oleh Bursa Efek Indonesia. Investor yang hendak bertransaksi di pasar modal, baik asing maupun domestik, harus mendafatarkan diri melalui perusahaan efek atau pialang. Sebelum tahun 15

2013, Bursa Efek Indonesia beroperasi dibawah pengawasan BAPEPAM (Badan Pengawas Pasar Modal). Kemudian, fungsi pengawasan digantikan peranannya oleh Otoritas Jasa Keuangan berdasarkan UU nomer 21 tahun 2011. Ditinjau dari ukuran perkembangan pasar modal, nilai kapitalisasi Bursa Efek Indonesia, khususnya pasar saham pada tahun 2014 mencapai Rp5.228,04 triliun. Angka ini naik sebesar 23,9% dari tahun sebelumnya yang mencapai Rp4.219,02 triliun. Rasio nilai kapitalisasi pasar Bursa Efek Indonesia terhadap produk domestik bruto pada tahun 2014, yaitu sebesar 46,6%, meningkat dari tahun sebelumnya yaitu sebesar 42,2%. Bila angka tersebut dibandingkan dengan negara ASEAN, Indonesia masih berada dibawah posisi Singapura yang memiliki nilai rasio sebesar 300% dan Malaysia yang mencapai kisaran 100% (World Bank, 2014). Investor asing masih mendominasi kepemilikan saham dengan persentase 60% di Bursa Efek Indonesia (OJK, 2013). Bursa Efek Indonesia sebelumnya terdiri dari Bursa Efek Jakarta dan Bursa Efek Surabaya. Keduanya kemudian bergabung menjadi satu di tahun 2007. Pada tahun 1995, Bursa Efek Indonesia mulai memperkenalkan sistem perdagangan elektronik Jakarta Automated Trading System (JATS). Setiap pesanan transaksi di kantor broker (perusahaan efek) langsung dikirim ke sistem perdagangan bursa efek (sistem JATS), tanpa perlu memasukkan pesanan dari lantai bursa (trading floor). Dengan demikian, pesanan oleh klien melalui pialang dapat dilakukan di mana saja selama masih terhubung dengan sistem perdagangan bursa. Bagi pemodal, sistem perdagangan jarak jauh ini ditujukan untuk mempercepat proses transaksi dan konfirmasi serta pesanan investor dari luar kota yang dapat langsung dieksekusi melalui sistem perdagangan bursa.

16

Bursa efek merupakan sebuah pasar yang teroganisir, yaitu para pialang melakukan transaksi jual beli surat berharga dengan berbagai perangkat aturan yang ditetapkan oleh bursa efek tersebut. Perusahaan efek ini mewakili wakilnya di Bursa efek yang biasanya disebut sebagai pialang. Pialang itu yang akan melakukan transaksi berdasarkan pesanan dari investor untuk jual maupun beli. Aktivitas perdagangan difasilitasi oleh bursa efek, sedangkan penyelesaian transaksi (settlement) difasilitasi oleh 2 lembaga yaitu Lembaga Kliring dan Penjamin atau disingkat LKP dan Lembaga Penyimpan dan Penyelesaian atau disingkat LPP. LKP diwakili oleh PT Kliring dan Penjamin Efek Indonesia (KPEI) dan LPP diwakili oleh PT Kustodian Sentral Efek Indonesia (KSEI). Penyelesaian transaksi saham membutuhkan waktu selama tiga hari bursa. Istilah penyelesaian tersebut dikenal dengan singkatan t + 3 yang berarti investor mendapatkan haknya pada hari keempat setelah transaksi terjadi. Sistem perdagangan tanpa warkat dan penyelesaian transaksi dilakukan dengan pemindahbukuan (book entry settlement). Bursa efek juga menerapkan perdagangan marjin dengan syarat tertentu. Kemudian, pada tahun 2009, bursa mengizinkan adanya short selling. Pasar saham di Bursa Efek Indonesia terbagi menjadi tiga segmen, yaitu pasar reguler, pasar tunai, dan pasar negosiasi. Perdagangan saham di pasar reguler dan tunai didasarkan pada mekanisme lelang. Prioritas utama dalam lelang ditentukan berdasarkan antrian harga terbaik pada sisi tawar (bid) dan minta (ask) serta prioritas waktu antrian (price dan time priority). Pihak yang menawarkan harga paling tinggi untuk membeli atau harga paling rendah untuk menjual akan mendapatkan prioritas dalam suatu transaksi dengan mempertimbangkan waktu

17

pesanan. Sejak Januari 2014, aturan terbaru perdagangan dilakukan dengan satuan lot yang terdiri dari 100 lembar saham yang sebelumnya bersatuan 500 lembar saham. Artinya, investor ketika bertransaksi baik jual maupun beli, paling sedikit memperjualbelikan sejumlah 100 lembar saham (1 lot) atau kelipatannya. Harga tersebut dibentuk dari pesanan dan mekanisme lelang dari pasar reguler yang kemudian dikalkulasi menjadi indeks. Indikator utama Bursa Efek Indonesia yang merepresentasikan baik pasar saham biasa maupun saham preferen secara keseluruhan dinamakan Indeks Harga Saham Gabungan (IHSG) atau disebut juga Jakarta Composite Index (JCI). IHSG merupakan indeks seluruh saham yang diperdagangkan di Bursa Efek Indonesia. Indeks ini diluncurkan pada tanggal 1 April 1983 yang terdiri dari 13 saham yang tercatat. Perhitungan IHSG menggunakan hari dasar pada tanggal 10 Agustus 1982 dengan basis poin 100. Pada awal bulan Januari tahun 2015, jumlah saham yang terdaftar dan aktif diperdagangkan adalah sejumlah 508 emiten dan jumlah ini terus berkembang setiap tahunnya. Basis perhitungan IHSG menggunakan nilai pasar agregat dari jumlah saham terdaftar pada tanggal 10 Agustus 1982. Nilai pasar agregat adalah total perkalian dari setiap jumlah saham yang terdaftar (kecuali saham perusahaan yang sedang menjalani program restrukturisasi) dengan setiap harganya masing-masing pada hari tersebut (IDX, 2014).

18

2.5.

PENGEMBANGAN HIPOTESIS

2.5.1. KETERKAITAN EFEK DAY OF THE WEEK DENGAN IMBAL HASIL Pada hipotesis pasar yang efisien, rata-rata imbal hasil semestinya tidak bisa diprediksi karena harga sudah mencerminkan seluruh informasi masa lalu. Bila asumsi tersebut dipenuhi, maka efek day of the week seharusnya tidak terjadi dan rata-rata imbal hasil sama untuk setiap hari perdagangan. Hal ini berarti investor tidak mungkin memperoleh imbal hasil abnormal dengan memanfaatkan informasi data historis (Fama, 1991). Namun demikian, beberapa penelitian sebelumnya (Aggarwal dan Rivoli, 1989; Cross, 1973; French, 1980; Harris, 1986; Lakonishok dan Maberly, 1990; Rogalski, 1984) menemukan adanya efek day of the week. Fenomena tersebut ditandai dengan adanya imbal hasil pada setiap hari perdagangan yang secara statistik berbeda dengan hari-hari lainnya. Jika ditemukan hal tersebut, maka pasar disimpulkan terdapat efek day of the week dan argumen hipotesis pasar yang efisien tidak terdukung. Dari hasil penelitian tersebut hipotesis pertama dirumuskan sebagai berikut: Hipotesis 1

:

Hari perdagangan berpengaruh terhadap imbal hasil indeks di Bursa Efek Indonesia

2.5.2. KETERKAITAN EFEK DAY OF THE WEEK DENGAN VOLATILITAS IMBAL HASIL Beberapa penelitian sebelumnya membuktikan adanya hubungan tingkat imbal hasil dengan volatilitasnya (Brooks, 2014). Semakin tinggi volatilitas, maka 19

risiko yang dipersepsikan oleh investor akan semakin besar. Dengan asumsi investor adalah rasional, maka mereka akan meminta tingkat imbal hasil yang disyaratkan lebih tinggi untuk mendiskon risiko tersebut. Dalam kaitannya dengan efek day of the week, Berument dan Kiymaz (2001) menyimpulkan bahwa hari Rabu, Kamis dan Jumat memiliki volatiltas yang secara statistik berbeda dengan hari perdagangan lainnya. Untuk menjawab tujuan penelitian kedua, maka dapat dirumuskan hipotesis sebagai berikut: Hipotesis 2

:

Hari perdagangan berpengaruh terhadap volatilitas indeks di Bursa Efek Indonesia

20

BAB III METODOLOGI PENELITIAN Penelitian ini menggunakan metode deduksi hipotesis dengan tujuan menguji kembali hipotesis yang diajukan pada penelitian sebelumnya (Berument dan Kiymaz, 2001 dan 2003) dengan penyesuaian pada lingkup penelitian dan subjek penelitian sehingga penelitian ini berjenis penelitian konfirmatori. Peneliti akan menggunakan data sekunder yang berbentuk data runtut waktu. Penelitian menganalisis data menggunakan metode regresi OLS berganda dan modifikasiGARCH (1,1). 3.1.

JENIS DAN SUMBER DATA Penelitian ini menggunakan data harian yang diunduh melalui antar muka

Bloomberg L.P. yang berada di Financial Market Update Corner Fakultas Ekonomika dan Bisnis Universitas Gadjah Mada. Data-data lain yang mendukung penelitian ini diambil dari situs resmi Bursa Efek Indonesia, yaitu www.idx.co.id. Sampel yang akan digunakan dalam penelitian ini adalah data indeks yang mewakili seluruh keadaan pasar di Bursa Efek Indonesia. Periode pengamatan dalam penelitian ini sepanjang 25 tahun, mulai dari 1 januari 1990 hingga 31 Desember 2014. Pemilihan indeks bursa sebagai proksi imbal hasil pasar mengacu pada penelitan sebelumnya yang dilakukan oleh French (1980) dan Berument dan Kiymaz (2001 dan 2003).

21

3.2.

METODE PENGAMBILAN SAMPEL Dalam penelitan ini, periode pengamatan ditentukan mulai dari 1 Januari

1990 sampai dengan 31 Desember 2014. Dari 25 tahun periode pengamatan, peneliti lalu menentukan hari libur bursa. Apabila dari data imbal hasil yang dihitung terdapat hari libur bursa, maka observasi tersebut dikeluarkan dari sampel. Satu observasi imbal hasil hanya mengandung informasi satu hari perdagangan. Kecuali imbal hasil hari Senin yang memuat informasi mulai dari penutupan bursa hari Jumat hingga penutupan bursa hari Senin. Selain itu imbal hasil bernilai nol dikeluarkan dari sampel. Hal tersebut terjadi apabila harga penutupan hari ke-t sama dengan hari ke-t-1. Metode pemilihan sampel ini mengacu pada penelitian sebelumnya yang dilakukan oleh French (1980). 3.3.

VARIABEL PENELITIAN DAN DEFINISI OPERASIONAL Penelitian ini terdiri dari dua variabel, yaitu variabel dependen dan

variabel independen. Definisi operasional dan pengukuran masing-masing variabel tersebut disajikan di bawah ini. 3.3.1. VARIABEL DEPENDEN Variabel dependen adalah variabel yang menjadi perhatian utama peneliti. Tujuan peneliti adalah memahami dan mendeskripsikan variabel terikat, atau menjelaskan variabilitasnya, atau memprediksinya (Sekaran dan Bougie, 2010). Variabel dalam penelitian ini adalah tingkat imbal hasil pasar. Tingkat imbal hasil pasar diproksikan oleh imbal hasil indeks bursa secara keseluruhan. Dalam penelitian ini indeks bursa yang digunakan ialah Indeks Harga Saham Gabungan (IHSG). Selanjutnya, ukuran imbal hasil pasar dihitung dengan nilai log natural 22

dari selisih nilai indeks pada waktu ke-t dengan ke-t-1. Persamaan tersebut diformulasikan sebagai berikut

Dimana,

𝑅𝑅! = ln

𝑃𝑃! ∗ 100% 𝑃𝑃!!!

Rt = Tingkat imbal hasil pada waktu ke-t Pt

= Harga indeks pada waktu ke-t

Pt-1 = Harga indeks pada waktu 1 hari sebelum waktu ke-t 3.3.2. VARIABEL INDEPENDEN Variabel independen adalah variabel yang mempengaruhi variabel dependen secara negatif atau positif (Sekaran dan Bougie, 2010). Variansi pada independen terikat disebabkan oleh variabel independen.Yang menjadi variabel independen dalam penelitian ini terdiri dari beberapa variabel boneka (dummy variabel) yang mewakili masing-masing hari. Variabel boneka dibuat mulai dari hari Senin sampai dengan Jumat. Hari Rabu dijadikan sebagai kategori dasar (base category), sehingga dari 5 hari perdagangan bursa hanya terdapat 4 variabel boneka. Variabel boneka hari Senin (Mt) berkode satu apabila imbal hasil terjadi pada hari Senin dan berkode nol jika selain hari Senin. Sedangkan variabel boneka hari Selasa (Tt) akan berkode nol apabila imbal hasil terjadi pada hari Selasa dan berkode nol jika bukan hari Selasa dan seterusnya untuk hari Kamis (Ht) dan Jumat (Ft).

23

3.4.

METODE ANALISIS DATA Untuk mencapai tujuan penelitian, peneliti akan menggunakan analisis

statistik dengan perangkat lunak STATA versi 12. Selanjutnya, peneliti melakukan uji asumsi klasik untuk menghasikan estimasi yang tidak bias. Beberapa uji asumsi klasik yang dilakukan adalah: 3.4.1. UJI NORMALITAS Uji normalitas dalam penelitian ini menggunakan metode uji ShapiroFrancia. Data dikatakan terdistiribusi normal jika nilai probabalitas diatas 0,05. Hipotesis nol dalam penelitian ini adalah data terdistirbusi normal. 3.4.2. UJI STASIONERITAS Data dikatakan stasioner apabila rata-rata variansi error konstan tiap waktunya atau jika rata-rata variansi yang dijumlahkan sama dengan nol. Uji stasioneritas dilakukan untuk menguji akar unit dengan menggunakan Augumented Dickey Fuller test. Hipotesis yang digunakan dalam menghitung tersaji sebagai berikut: H0: Tidak ada akar unit H1: Terdapat akar unit Hipotesis awal mengindikasikan bahwa data memiliki akar unit. Nilai uji ADF t-statistik dengan angka lebih rendah dari nilai kritis 5% mengindikasikan bahwa data tidak memiliki masalah akar unit. Apabila data tidak memiliki masalah akar unit, maka dapat simpulkan bahwa data tersebut telah stasioner.

24

3.4.3. UJI MULTIKOLINEARITAS Salah satu asumsi klasik dalam pembuatan model adalah pemenuhan asumsi bahwa tidak terdapat multikolinearitas antar-regressor dalam model regresi (Gujarati, 2004). Multikolinearitas adalah adanya hubungan linier yang sempurna antar variabel pernjelas yang digunakan dalam model regresi. Multikolinearitas dapat menyebabkan estimasi yang tidak akurat dan interpretasi model yang kelitu. Permasalahan tersebut dapat dideteksi dengan menggunakan metode Variance Inflation Factor (VIF). Semakin tinggi VIF, maka semakin tinggi besaran multikolinearitas antarvariabel independen. 3.4.4. UJI HETEROSKEDASTISITAS Homoskedastisitas berarti bahwa variansi error yang konstan untuk setiap observasi. Asumsi tersebut merupakan salah satu syarat untuk menghasilkan hasil estimasi yang BLUE (Best Linear Unbiased Estimator) (Gujarati, 2004). Sebaliknya, heteroskedastisitas atau keadaan ketika variansi error tidak lagi konstan, akan menyebabkan kesimpulan yang menyesatkan. Permasalahan variansi tersebut dideteksi dengan menggunakan uji Breusch-Pagan. 3.4.5. UJI OTOKORELASI Otokorelasi terjadi apabila terdapat hubungan antara residual dengan error lainnya. Alat yang digunakan dalam pengujian otokorelasi ialah uji BreuschGodfrey LM. Adapun tahapan pengujian tersebut yaitu:

25

1. Regresi dengan menggunakan metode kuadrat terkecil (OLS) lalu prediksi residual. 2. Simpan residual, ambil lag dari residual. 3. Regresi residual dengan lag residual dan semua regresor. 4. Test statistik BG = (N-p)*R2 dimana R2 adalah koefisien determinasi regresi ~ chi-square (p) Jika nilai probabilitas lebih besar dari probabilitas 5%, maka hipotesis nol yang menyatakan pada model tidak terdapat otokorelasi tidak ditolak (fail to reject). Artinya, model yang diuji tersebut bebas dari masalah otokorelasi. 3.4.6. UJI ARCH-LM Uji ini bertujuan untuk menguji keberadaan efek ARCH. Tes ini diprakarsai oleh Engle (1982) dan mirip dengan tes Lagrange Multiplier (LM) untuk mendeteksi otokorelasi. Adapun prosedur pengujian adalah sebagai berikut: 1. Regresi dengan menggunakan metode kuadrat terkecil (OLS) lalu prediksi residual. Residual tersebut kemudian dipangkatkan. 2. Regresi kedua dengan persamaan berikut:

ut2 = α 0 + α1ut2−1 + α 2ut2−2 ..... + α 3ut2− p + vt u adalah nilai residual regresi sebelumnya dan p lags dimasukkan kedalam persamaan regresi. Jumlah lag yang optimal dapat ditentukan dengan jangkauan data atau dengan sebuah kriteria informasi. Nilai statistik R 2 kemudian disimpan dari regresi ini. 3. Menghitung nilai T* R 2 , dimana T mewakili jumlah observasi. Hal tersebut akan mengikuti distribusi chi-squared dengan p sebagai 26

derajat kebebasan. Hipotesis nol dari uji ini adalah tidak terdapat efek ARCH. 3.5.

METODE PENGUJIAN HIPOTESIS Sebelum melakukan pengujian, perlu dicari terlebih dahulu jumlah lag

yang optimal. Penentuan jumlah lag yang optimal didasarkan pada nilai statistik terendah dari tiga pendekatan kriteria informasi yaitu Schwarz's Bayesian information criterion (SBIC), Akaike's information criterion (AIC), dan Hannan and Quinn information criterion (HQIC). Uji hipotesis yang digunakan dalam penelitian ini menggunakan dua model pengujian yaitu model kuadrat terkecil (OLS) dan modifikasiGARCH(1,1). Untuk memilih model lebih tepat, peneliti menggunakan uji ARCH-LM dengan tujuan untuk mengidentifikasi apakaha terdapat efek ARCH pada model kuadrat terkecil. Jika terdapat efek ARCH, maka model yang lebih tepat digunakan adalah model modifikasi-GARCH(1,1). Secara sistematis, kedua model tersebut dijabarkan sebagai berikut: 3.5.1. MODEL KUADRAT TERKECIL (OLS) Model pertama yang diuji dalam penelitan ini adalah model kuadrat terkecil yang umumnya digunakan pada penelitan sebelumnya. Model tersebut dijabarkan sebagai sebagai berikut: 𝑅𝑅! = 𝛼𝛼! + 𝛼𝛼! 𝑀𝑀! + 𝛼𝛼! 𝑇𝑇! + 𝛼𝛼! 𝐻𝐻! + 𝛼𝛼! 𝐹𝐹! + 𝑅𝑅!!! + 𝜀𝜀!

Dimana: Rt

= Tingkat imbal hasil pada waktu ke-t

27

𝛼𝛼!

= Konstanta dan mewakili hari Rabu

Mt = Variabel boneka pada hari Senin (kode 1 jika hari Senin dan kode 0 jika selain hari Senin) Tt

= Variabel boneka pada hari Selasa (kode 1 jika hari Selasa dan kode 0 jika selain hari Selasa)

Ht

= Variabel boneka pada hari Kamis (kode 1 jika hari Kamis dan kode 0 jika selain hari Kamis)

Ft

= Variabel boneka pada hari Jumat (kode 1 jika hari Kamis dan kode 0 jika selain hari Jumat)

Rt-i = Nilai lag ke-t-i dari tingkat imbal hasil ke-t = Error term pada waktu ke-t

𝜀𝜀!

3.5.2. MODEL MODIFIKASI GARCH Pada model penelitan kedua, peneliti menggunakan model modifikasiGARCH(1,1). Pada model tersebut variansi setiap hari perdagangan dimodelkan ulang untuk mengamati tren efek day of the week pada volatilitas. Pengembangan model ini memungkinkan variansi kondisional berubah untuk setiap hari perdagangan. Model pengujian kedua terdiri dari dua persamaan yang disajikan sebagai berikut (Berument dan Kiymaz, 2001): 𝑅𝑅! = 𝛼𝛼! + 𝛼𝛼! 𝑀𝑀! + 𝛼𝛼! 𝑇𝑇! + 𝛼𝛼! 𝐻𝐻! + 𝛼𝛼! 𝐹𝐹! + 𝑅𝑅!!! +𝜆𝜆ℎ!! + 𝜀𝜀!

! ! ℎ!! = 𝑉𝑉! +𝑉𝑉! 𝑀𝑀! + 𝑉𝑉! 𝑇𝑇! + 𝑉𝑉! 𝐻𝐻! + 𝑉𝑉! 𝐹𝐹! + 𝑉𝑉!! 𝜀𝜀!!! + 𝑉𝑉!! ℎ!!!

Dimana, Rt 𝛼𝛼!

= Tingkat imbal hasil pada waktu ke-t = Konstanta dan mewakili hari Rabu 28

Mt

= Variabel boneka pada hari Senin (kode 1 jika hari Senin dan bernilai 0 jika selain hari Senin).

Tt

= Variabel boneka pada hari Selasa (kode 1 jika hari Selasa dan kode 0 jika selain hari Selasa).

Ht

= Variabel boneka pada hari Kamis (kode 1 jika hari Kamis dan kode 0 jika selain hari Kamis).

Ft

= Variabel boneka pada hari Jumat (kode 1 jika hari Kamis dan kode 0 jika selain hari Jumat).

Rt-1 = Nilai lag dari tingkat imbal hasil 𝜀𝜀!

ht

= Error term pada waktu ke-t = Variansi pada waktu ke-t

𝜀𝜀!!! = Error term pada waktu ke-t-1 ht-1

= Variansi pada waktu ke-t-1

VC

= Konstanta Variansi

Untuk menolak hipotesis nol, peneliti menggunakan uji-t (t-test). Uji-t berguna untuk menguji apakah variabel independen memiliki perbedaan pengaruh terhadap variabel dependen secara parsial. Hipotesis pada uji-t tersaji sebagai berikut: H0 : 𝛽𝛽! = 0 H1 : 𝛽𝛽! ≠ 0

Pengujian dilakukan dengan membandingkan nilai thitung dengan nilai ttabel. Adapun perhitungan nilai t hasil estimasi menggunakan formula:

29

dimana,

𝑡𝑡!!"#$% =

𝛽𝛽! − 𝛽𝛽! 𝑠𝑠𝑠𝑠(𝛽𝛽! )

𝑡𝑡!!"#$% = Nilai t hasil perhitungan

𝛽𝛽!

= Koefisien hasil estimasi

𝛽𝛽!

= Hipotesis 𝛽𝛽! = 0

𝑠𝑠𝑠𝑠(𝛽𝛽! ) = Standar error hasil estimasi dari 𝛽𝛽! Nilai kritis ditentukan peneliti pada level 1%, 5% dan 10%. Apabila nilai

thitung > ttabel atau –thitung < -ttabel maka hipotesis nol ditolak yang berarti pengaruh 𝛽𝛽! secara statistik tidak berbeda dari nol atau terjadi perbedaan pengaruh hari

perdagangan terhadap rata-rata imbal hasil. Namun, jika terjadi sebaliknya, thitung < ttabel, maka hipotesis nol gagal ditolak yang berarti tidak ada perbedaan pengaruh

signifikan secara statistik atau tidak ada perbedaan rata-rata imbal hasil untuk setiap hari perdagangan.

30

BAB IV ANALISIS DATA DAN PEMBAHASAN 4.1.

DESKRIPSI OBJEK PENELITIAN Penelitian ini menggunakan data imbal hasil harian indeks pasar Bursa

Efek Indonesia yang disebut sebagai Indeks Harga Saham Gabungan (IHSG). Periode pengamatan dalam penelitian ini adalah sepanjang 25 tahun, yaitu mulai 1 Januari 1990 hingga 31 Desember 2014. Jumlah sampel yang memenuhi kriteria sebanyak 5685 hari. Ringkasan prosedur penyampelan disusun sebagai sebagai berikut: Tabel 4. 1. Hasil Prosedur Penyampelan Total hari kalender tahun 1990-2014 Total hari perdagangan tahun 1990-2014 Total kalkulasi imbal hasil Sampel tanpa hari libur Sampel tanpa nilai nol Seleksi dari proses trimming Total sampel yang memenuhi kriteria Sumber: Data sekunder dan diolah, 2015

4.2.

6516 6089 6088 5807 5799 (114) 5685

STATISTIK DESKRIPTIF Berdasarkan data ringkasan statistik pada tabel 4.2., secara keseluruhan,

rata-rata imbal hasil pada hari Senin dan Selasa bernilai negatif pada tahun 19902014. Ketiga hari lainnya justru bernilai positif dan rata-rata terendah terjadi pada hari kamis. Deviasi standar tertinggi yaitu sebesar 1,26 terjadi pada hari Rabu dengan nilai maksimum mencapai 4,3%, angka ini relatif lebih tinggi dibandingkan hari perdagangan lainnya. Hari Rabu merupakan hari yang paling berisiko karena memiliki nilai devisi standar tertinggi dibandingkan hari

31

perdagangan lainnya. Nilai deviasi standar terendah terdapat pada hari Jumat yang mencapai 1,14. Meskipun demikian rata-rata imbal hasil masih positif pada hari yang sama. Dari analisis subperiode, secara keseluruhan hari Senin memiliki nilai rata-rata negatif dari tahun ke tahun. Nilai rata-rata positif terdapat pada hari Rabu pada keseluruhan subperiode, kecuali tahun 1995-1999 yang mencapai nilai 0.09%. Pada tahun 1995-1999, rata-rata imbal hasil hampir seluruhnya negatif pada tiap harinya, kecuali hari Kamis.

32

Tabel 4. 2. Ringkasan Statistik Imbal Hasil Indeks Harga Saham Gabungan (1990-2014)    

N

Rata-rata

2010-2014

2005-2009

2000-2004

1995-1999

1990-1994

1990-2014

Senin 1092 -0,0643 Selasa 1159 -0,0189 Rabu 1179 0,0941 Kamis 1143 0,0559 Jumat 1112 0,0942 Semua Hari 5685 0,0330 Senin 223 -0,0433 Selasa 225 -0,1230 Rabu 231 0,0221 Kamis 224 0,0451 Jumat 224 0,0387 Semua Hari 1127 -0,0119 Senin 220 -0,0301 Selasa 234 -0,0544 Rabu 233 -0,0927 Kamis 220 0,0289 Jumat 217 -0,0529 Semua Hari 1124 -0,0410 Senin 212 -0,1156 Selasa 229 0,0152 Rabu 241 0,1338 Kamis 237 0,0585 Jumat 225 0,2236 Semua Hari 1144 0,0659 Senin 208 -0,0087 Selasa 232 0,0122 Rabu 240 0,1388 Kamis 229 0,1690 Jumat 218 0,1680 Semua Hari 1127 0,0973 Senin 229 -0,1204 Selasa 239 0,0509 Rabu 234 0,2646 Kamis 233 -0,0221 Jumat 228 0,0903 Semua Hari 1163 0,0533 Keterangan: N mewakili jumlah observasi.

Deviasi Standar 1,1945 1,1859 1,2596 1,2170 1,1517 1,2042 0,9084 0,8547 0,9460 0,9465 0,8078 0,8953 1,1590 1,3633 1,4773 1,3793 1,4431 1,3681 1,3449 1,2286 1,3271 1,3369 1,2003 1,2918 1,3553 1,3066 1,3849 1,3836 1,1910 1,3274 1,1757 1,1018 1,0540 0,9562 1,0226 1,0704 33

Minimum Maksimum -4,4074 -3,9660 -4,3673 -4,3668 -4,1660 -4,4074 -2,4726 -3,7258 -3,5163 -4,1055 -2,4992 -4,1055 -4,2829 -3,6056 -4,3673 -4,2315 -4,1114 -4,3673 -4,3854 -3,6703 -3,6399 -4,2079 -3,3085 -4,3854 -4,4074 -3,9660 -4,2849 -4,3668 -4,1660 -4,4074 -4,3018 -3,7793 -3,8858 -3,7446 -2,9048 -4,3018

4,3735 4,3254 4,3384 4,0680 4,1840 4,3735 3,4729 3,1806 2,6400 3,3512 3,0754 3,4729 3,6471 4,3254 4,1007 4,0680 4,1840 4,3254 4,3735 3,4029 4,3384 3,9994 3,4541 4,3735 4,1764 4,0184 4,1585 3,1976 4,0414 4,1764 3,9754 3,9045 3,7500 2,7884 3,2683 3,9754

4.3.

PENGUJIAN ASUMSI KLASIK

4.3.1. UJI NORMALITAS Pengujian normalitas dalam penelitian ini menggunakan metode ShapiroFrancia test. Hasil uji tersaji pada tabel 4.3. dan dari informasi tersebut diketahui bahwa hipotesis nol ditolak pada keseluruhan periode. Hal tersebut ditunjukkan dengan nilai probabilitas pada seluruh sampel yang bernilai dibawah 0,05. Hipotesis nol menyatakan data terdistribusi normal. Sehingga, peneliti menyimpulkan bahwa data runtut waktu imbal hasil tidak terdistribusi normal. Tabel 4. 3. Hasil Uji Shapiro-Francia Periode 1990-2014 1990-1994 1995-1999 2000-2004 2005-2009 2009-2014

Z 110,840 84,960 75,590 36,280 54,880 70,930

P-value 0,0000 0,0000 0,0000 0,0001 0,0000 0,0000

Meskipun kesimpulan hasil uji tersebut menunjukkan bahwa data tidak terdistiribusi normal, namun, jumlah sampel yang besar akan melonggarkan asumsi normalitas sehingga hasil uji normalitas dapat diabaikan. Hal ini berdasarkan pada Gujarati (2004) yang menyatakan bahwa data dengan jumlah observasi yang besar dapat melonggarkan asumsi normalitas.

34

4.3.2. UJI STASIONERITAS Pengujian stasioneritas menggunakan uji akar unit dengan menggunakan teknik Augumented Dickey-Fuller test. Hasil uji tersebut disajikan pada tabel 4.4. Tabel 4. 4. Hasil Uji Akar Unit Periode 1990-2014 1990-1994 1995-1999 2000-2004 2005-2009 2010-2014

Estimasi -0,7959 *** -0,4236 *** -0,7410 *** -0,8437 *** -0,9459 *** -0,9638

t -33,9300 -10,6300 -13,5800 -16,2300 -17,1700 -17,8800

p-value 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000

Dari hasil uji tersebut, data runtut waktu imbal hasil bergerak secara stasioner dengan nilai probabilitas 0,000, baik pada keseluruhan periode maupun masing-masing subperiode. Hipotesis nol yang menyatakan adanya akar unit ditolak, artinya tidak terdapat permasalahan akar unit pada sampel penelitian. 4.3.3. UJI MULTIKOLINEARITAS Uji multikolinearitas dilakukan untuk mengetahui hubungan korelasi antar variabel bebas di dalam estimasi. Keberadaan hubungan korelasi sempurna antar variabel bebas, membuat koefisien variabel bebas pada estimasi tidak dapat ditentukan. Jika korelasi tersebut tidak sempurna namun tinggi, error standar pada estimasi akan sangat besar. Hal ini akan membuat interpretasi estimasi kepada populasi menjadi tidak tepat (Gujarati, 2004). Untuk menguji keberadaan multikolinearitas di dalam estimasi, penelitian ini menggunakan metode Variance Inflation Factor. Angka VIF variabel bebas > 10 menunjukkan adanya multikolinearitas dalam estimasi. Sebaliknya, jika VIF < 35

10, maka tidak terjadi multikolienaritas antar variabel independen. Uji VIF dilakukan dengan menggunakan perangakat lunak STATA versi 12. Tabel 4. 5. Hasil Estimasi Uji VIF Periode 1990-2014 1990-1994 1995-1999 2000-2004 2005-2009 2010-2014

Senin 1,56 1,58 1,54 1,55 1,54 1,56

Selasa 1,56 1,59 1,55 1,57 1,54 1,57

Kamis 1,57 1,59 1,56 1,59 1,56 1,57

Jumat 1,58 1,60 1,56 1,60 1,57 1,57

Tabel 4.5 menunjukkan hasil uji VIF pada setiap estimasi yang dilakukan pada keseluruhan periode maupun subperiode. Berdasarkan tabel diatas, tidak satupun nilai VIF yang melebihi 10, sehingga uji tersebut membuktikan bahwa variabel independen tidak terindikasi mengalami multikolienaritas. 4.3.4. UJI HETEROSKEDASTISITAS Salah satu asumsi untuk mendapatkan estimasi yang BLUE adalah nilai variansi residual yang konstan atau disebut juga homoskedastisitas. Jika nilai error tidak lagi konstan, maka error standar yang dihasilkan menjadi bias, sehingga nilai t yang dihasilkan menjadi tidak valid untuk digunakan dalam menolak hipotesis. Untuk mengidentifikasi ada tidaknya maslah heteroskedastisitas dalam estimasi, peneliti menggunakan uji Breusch-Pagan. Hipotesis yang digunakan adalah (Wooldridge, 2013): H0: Tidak terjadi heteroskedastisitas H1: Terjadi heteroskedastisitas

36

Tabel 4. 6. Hasil Perhitungaan Uji Breusch Pagan Periode 1990-2014 1990-1994 1995-1999 2000-2004 2005-2009 2010-2014

Chi2 58,92 3,54 1,84 4,88 30,85 6,32

p-value 0,0000 0,0600 0,1750 0,0272 0,0000 0,0119

Tabel 4.6. merangkum hasil uji Breusch-Pagan yang dilakukan pada keseluruhan periode dan subperiode. Berdasarkan tabel tersebut, nilai probabilitas (p-value) untuk keseluruhan periode memiliki nilai level signfikansi dibawah 0,05 (0,000 < 0,000). Hal tersebut menunjukkan bahwa terdapat permasalahan heteroskedastisitas pada periode 1990-2014. Namun, pada subperiode 1990-1994 dan 1995-1999 nilai probabilitas lebih besar lebih besar dari 0,05. Dengan demikian, hasil uji tersebut menunjukkan bahwa tidak terdapat permasalahan heteroskedastisitas pada kedua subperiode tersebut. 4.3.5. UJI OTOKORELASI Asumsi berikutnya dari estimasi yang BLUE adalah ketidakadaan hubungan antar residual suatu observasi dengan observasi lainnya. Otokorelasi sering mucul pada data runtut waktu karena data sering dipengaruhi oleh data periode sebelumnya. Uji Breusch-Godfrey LM adalah pengujian untuk menentukan apakah terdapat otokorelasi atau tidak dalam data runtut waktu. Uji ini dilakukan pada seluruh periode dan subperiode tepat setelah estimasi dengan menggunakan model OLS dijalankan. Suatu estimasi dikatakan bebas dari masaslah otokorelasi jika nilai probabilitas hasil uji Breusch-Godfrey lebih kecil

37

daripada nilai signifikansi, (dalam hal ini adalah 0,01). Hipotesis dalam uji tersebut adalah: H0

: Tidak ada otokorelasi

H1

: Terdapat otokorelasi Tabel 4. 7. Hasil Uji Breuch-Godfrey Periode 1990-2014 1990-1994 1995-1999 2000-2004 2005-2009 2010-2014

chi2 0,378 0,015 0,118 0,308 0,018 1,305

p-value 0,5387 0,9034 0,7308 0,5789 0,8947 0,2532

Uji Breusch-Godfrey pada tabel 4.7. dilakukan sampai pada lag 5. Tabel tersebut mengindikasikan bahwa tidak terdapat permasalahan otokorelasi. Hal tersebut dibuktikan dengan nilai probabilitas dari kedua sampel tersebut memiliki diatas 0,05. Dengan demikian, hipotesis nol yaitu tidak ada otokorelasi diterima atau dengan kata lain semua sampel bebas dari masalah otokorelasi. 4.3.6. UJI EFEK ARCH-LM Uji ARCH-LM mengidentifikasi ada tidaknya efek ARCH pada sampel penelitian. Hipotesis yang digunakan adalah: HO: Tidak ada efek ARCH H1: Terdapat efek ARCH Sebelum melakukan uji tersebut, peneliti melakukan esimasi dengan metode kuadrat terkecil (OLS). Hasil estimasi dengan menggunakan OLS tersaji sebagai berikut.

38

Tabel 4. 8. Hasil Estimasi Metode Kuadrat Terkecil (OLS) 1990-2014 1990-1994 1995-1999 2000-2004 2005-2009 2010-2014 Parameter -0,1952 *** -0,1860 *** 0,1033 *** -0,3395 *** -0,1734 *** -0,3742 *** Senin t-statistik -3,8500 -2,4300 0,8100 -2,7300 -1,3600 -3,7300 p-value 0,0001 0,0153 0,4154 0,0065 0,1757 0,0002 Parameter -0,1330 ** -0,2107 ** 0,0463 ** -0,1691 ** -0,1654 ** -0,2091 ** Selasa t-statistik -2,6400 -2,7600 0,3700 -1,3700 -1,3000 -2,0800 p-value 0,0084 0,0058 0,7124 0,1696 0,1946 0,0376 **** Parameter -0,0734 -0,0527 0,1198 -0,1181 0,0186 -0,3199 Kamis t-statistik -1,4700 -0,6900 0,9500 -0,9800 0,1500 -3,1900 p-value 0,1419 0,4883 0,3412 0,3257 0,8817 0,0015 Parameter 0,0003 -0,0629 0,0839 0,0582 0,0486 -0,1679 Jumat t-statistik 0,0100 -0,8200 0,6600 0,4800 0,3800 -1,6800 p-value 0,9949 0,4101 0,5110 0,6309 0,7007 0,0942 Parameter 0,1636 *** 0,4401 *** 0,2240 *** 0,1332 *** 0,0829 *** 0,0557 *** Return_1 t-statistik 12,0800 15,8600 7,3200 4,4000 2,6800 1,8500 p-value 0,0000 0,0000 0,0000 0,0000 0,0076 0,0645 Parameter 0,1015 *** 0,1004 *** -0,1105 *** 0,1559 *** 0,1324 *** 0,2673 *** Konstanta t-statistik 2,8900 1,8700 -1,2600 1,8200 1,5100 3,8200 p-value 0,0039 0,0622 0,2090 0,0686 0,1317 0,0001 Observasi 5332 1060 1034 1079 1055 1104 Keterangan: Kategori dasar adalah hari Rabu; “***”, ”**”, ”*” mewakili nilai kritis pada level 1%, 5% dan 10% secara berturut turut.

39

Hasil uji ARCH-LM disajikan pada tabel 4.9. Tabel 4. 9. Hasil Uji ARCH-LM Lags Chi2 P-value 341.9840 *** 0.0000 5 276.7650 *** 0.0000 10 1990-2014 15 201.7900 *** 0.0000 140.1720 *** 0.0000 20 124.0340 *** 0.0000 25 48.7210 *** 0.0000 5 42.5540 *** 0.0000 10 1990-1994 15 55.4620 *** 0.0000 49.9960 *** 0.0002 20 58.5640 *** 0.0002 25 95.6390 *** 0.0000 5 77.7580 *** 0.0000 10 1995-1999 15 75.4380 *** 0.0000 60.9690 *** 0.0000 20 76.0330 *** 0.0000 25 22.4050 *** 0.0004 5 23.9040 *** 0.0079 10 2000-2004 15 21.2590 *** 0.1288 20.2090 0.4449 20 23.6730 0.5383 25 35.2440 *** 0.0000 5 41.5120 *** 0.0000 10 2005-2009 15 37.4310 *** 0.0011 29.1020 * 0.0858 20 24.6050 0.4847 25 107.0320 *** 0.0000 5 111.5850 *** 0.0000 10 2010-2014 15 77.9300 *** 0.0000 56.7770 *** 0.0000 20 33.9780 0.1084 25 Keterangan: “***”, ”**”, ”*” mewakili nilai kritis pada level 1%, 5% dan 10% secara berturut turut. Periode

Hasil uji statistik tersebut mengindikasikan bahwa terdapat efek ARCH pada model OLS, baik pada keseluruhan periode maupun subperiode pada level signifikansi 1%. Kehadiran efek ARCH membuat error standar dari hasi estimasi 40

OLS menjadi tidak efisien sehingga perhitungan nilai t-statistik akan memberikan kesimpulan yang menyesatkan (misleading). Hasil uji tersebut menyimpulkan bahwa terdapat efek ARCH yang berarti variansi residualnya tidak konstan. 4.4.

PENGUJIAN HIPOTESIS Sebelum melakukan pengujian hipotesis, peneliti perlu menentukan

jumlah lag yang optimal yang akan digunakan ke dalam model yang hendak di uji. Prosedur kriteria informasi digunakan untuk menentukan jumlah lag optimal. Tiga pendekatan yang sering digunakan adalah Schwarz's Bayesian information criterion (SBIC), Akaike's information criterion (AIC), dan Hannan and Quinn information criterion (HQIC). Tabel 4.3. menyajikan ringkasan hasil estimasi dari ketiga pendekatan tersebut. Nilai terendah untuk masing-masing kriteria terdapat pada lag satu, sehingga disimpulkan bahwa jumlah lag yang optimal adalah sebesar satu. Selanjutnya model dengan lag satu disebut sebagai autoregressive satu (AR(1)). Tabel 4. 10. Hasil Estimasi Prosedur Kriteria Informasi lag 1 2 3 4 5 6 7 8 9 10

AIC 2,9948 * 2,9954 2,9955 2,9958 2,9964 2,9968 2,9973 2,9973 2,9979 2,9973

HQIC 2,9962 * 2,9975 2,9982 2,9993 3,0005 3,0016 3,0028 3,0035 3,0048 3,0048

41

SBIC 2,9986 * 3,0011 3,0031 3,0054 3,0079 3,0102 3,0127 3,0146 3,0171 3,0183

Tahapan selanjutnya adalah melakukan uji signifikansi terhadap rata-rata dan variansi imbal hasil untuk mengetahui adanya fenomena day of the week di Bursa Efek Indonesia. Hasil uji ARCH-LM menyimpulkan bahwa model yang lebih tepat adalah model modifikasi-GARCH(1,1) dibandingkan dengan model kuadrat terkecil, dengan pertimbangan adanya variansi yang tidak konstan serta adanya efek ARCH. Grafik 4. 1. Plot Pangkat Dua Residual Error (1990-2014)

Grafik 4.1. menunjukkan nilai plot pangkat dua residual yang diprediksi dari hasil estimasi model kuadrat terkecil (OLS), mulai tahun 1990 sampai dengan 2014. Residual tersebut menggambarkan volatilitas data dari tahun ke tahun yang sangat fluktuatif. Variansi data sebelum tahun 1999 relatif lebih rendah dibandingkan setelah tahun 1999. Volatilitas imbal hasil paling tinggi terjadi sekitar tahun 2005 dan 2010 yang mencapai level 20. Dari hasil amatan tersebut, 42

terdapat volatilitas klaster pada data runtut waktu imbal hasil. Volatilitas klaster terjadi ketika volatilitas kecil diikuti oleh volatilitas kecil atau volatilitas besar juga diikuti oleh volatilitas besar. Dalam pengujian ini, peneliti menemui masalah dalam kalkulasi parameter untuk periode 1995-1999 dan 2000-2004. Pada subperiode tersebut perangkat lunak STATA versi 12 gagal mengkalkulasi parameter dan variansi terkondisi (conditonal variance) setelah melakukan 54 iterasi (percobaan) pada subperiode 2000-2004 dan 10 iterasi pada subperiode 1995-2004 (proses estimasi terlampir pada lampiran 4, nomer 3 dan 6). Peneliti kemudian mengadopsi teknik pengujian yang sebelumnya dilakukan oleh Lian & Chen (2004) dengan menyesuaikan periode pengamatan. Mereka memisakan periode krisis dari periode pengamatan dan membagi beberapa periode pengamatan yang gagal diestimasi menjadi subperiode yang lebih

kecil.

Berdasarkan

pertimbangan

tersebut

peneliti

kemudian

mengembangkan periode pengamatan dari awalnya lima subperiode yang masingmasing terdiri dari lima tahun menjadi tujuh subperiode. Secara ringkas, keseluruhan sampel dan tujuh subperiode tersebut dijabarkan sebagai berikut: Tabel 4. 11. Subperiode Sampel Penelitian No 1 2 3 4 5 6 7 8

Tanggal 01 Januari 1990 - 31 Desember 2014 01 Januari 1990 - 31 Desember 1994 01 Januari 1995 - 31 Juli 1997 01 Agustus 1997 - 31 Desember 1999 01 Januari 2000 - 31 Desember 2002 01 Januari 2003 - 31 Desember 2007 01 November 2007 - 31 Desember 2009 01 Januari 2010 - 31 Desember 2014

43

4.4.1. PENGUJIAN HIPOTESIS HUBUNGAN IMBAL HASIL DAN HARI PERDAGANGAN Pengujian

hipotesis

pertama

menggunakan

model

modifikasi

GARCH(1,1) yang diadopsi dari Berument & Kiymaz (2001 dan 2003) dengan beberapa penyesuaian periode amatan (Lian & Chen, 2004). Hasil pengujian disajikan pada tabel 4.12.

44

Tabel 4. 12. Hasil Estimasi Persamaan Rata-Rata Model Modifikasi GARCH 01Jan1990- 01Jan1990- 01Jan1995- 01Aug1997- 01Jan2000- 01Jan2003- 01Nov2007- 01Jan201031Des2014 31Des1994 31Juli1997 31Des1999 31Dec2002 31Aug2007 31Dec2009 31Des2014   Parameter -0,2062 *** -0,1800 *** Senin t-statistik -4,4500 -2,7200 p-value 0,0000 0,0065 Parameter -0,1688 *** -0,1414 ** Selasa t-statistik -3,7900 -2,3400 p-value 0,0002 0,0192 Parameter -0,1027 ** -0,0162 Kamis t-statistik -2,3100 -0,2600 p-value 0,0209 0,7936 Parameter -0,0623 -0,0306 Jumat t-statistik -1,3900 -0,5000 p-value 0,1651 0,6164 Parameter 0,1861 *** 0,3602 *** return_1 t-statistik 14,1800 17,2100 p-value 0,0000 0,0000 Parameter 0,1405 *** 0,0620 Konstanta t-statistik 4,3200 1,4200 p-value 0,0000 0,1556 Observasi 5332 1060 Keterangan: Kategori dasar adalah hari Rabu; “***”, turut.

-0,0622 0,2502 -0,2483 -0,2245 * -0,3253 -0,5900 1,0200 -1,5000 -1,9500 -1,5600 0,5554 0,3079 0,1345 0,0509 0,1185 -0,1293 0,1814 -0,1529 -0,0944 -0,4460 ** -1,3900 0,6900 -0,9700 -0,8400 -2,2500 0,1652 0,4909 0,3331 0,3996 0,0246 -0,1438 0,3410 0,0442 -0,0853 -0,1569 -1,5000 1,3100 0,2700 -0,7600 -0,6400 0,1327 0,1913 0,7881 0,4491 0,5245 -0,0227 0,1123 0,0558 0,0000 0,0674 -0,2200 0,4100 0,3500 0,0000 0,3100 0,8281 0,6824 0,7239 0,9998 0,7568 0,2856 *** 0,1922 *** 0,1315 *** 0,1136 *** 0,0947 ** 7,5600 3,9100 3,2700 3,3600 2,0900 0,0000 0,0001 0,0011 0,0008 0,0362 0,1081 * -0,3252 * 0,0459 0,2252 *** 0,1905 1,6600 -1,7000 0,4000 2,7400 1,3100 0,0959 0,0889 0,6899 0,0061 0,1885 582 452 655 1009 431 ”**”, ”*” mewakili nilai kritis pada level 1%, 5% dan 10% secara

45

-0,3002 *** -2,9100 0,0036 -0,1789 * -1,6800 0,0928 -0,2952 *** -3,1300 0,0018 -0,1397 -1,4400 0,1512 0,0644 ** 2,0400 0,0418 0,2384 *** 3,3800 0,0007 1104 berturut

Rata-rata imbal hasil pada hari Senin, Selasa, Kamis dari tahun 1990 hingga 2014 lebih rendah dibandingkan dengan hari Rabu. Hal tersebut ditunjukkan oleh koefisien negatif dan secara statistik signifikan pada ketiga hari tersebut. Sedangkan untuk hari Jumat tidak satupun imbal hasil signifkan yang terjadi pada hari tersebut sepanjang periode pengamatan. Imbal hasil negatif pada hari Senin tidak terjadi pada keseluruhan hari periode. Dari analisis subperiode, hasil estimasi menujukkan bahwa imbal hasil yang signifikan hanya terjadi pada tahun 1989-1993, 1999-2003, dan 2009-2013. Di hari yang sama, nilai rata-rata imbal hasil terendah terdapat pada subperiode 1999-2013 yaitu berkisar 0,29% dan signifikan pada derajat keyakinan 99%. Pola tersebut berbeda dengan tingkat imbal hasil hari Rabu yang secara rata-rata bernilai positif untuk keseluruhan periode kecuali pada tahun 1994-1998. 0,23% merupakan rata-rata imbal hasil tertinggi yang dicapai pada tahun 2009 hingga 2014 dan angka tersebut signifikan pada level 10%. Pada tahun 2009-2014, ratarata imbal hasil Selasa dan Rabu signifikan dengan tingkat imbal hasil sebesar 0,17% dan 0,28% lebih rendah dibandingkan hari Rabu. Tidak terdapat cukup bukti adanya efek day of the week di Bursa Efek Indonesia. Meskipun pada keseluruhan sampel menujukkan adanya bukti terjadinya efek day of the week, namun, pada analisis subperiode menunjukkan tidak ada pola imbal hasil yang persisten terhadap hari perdagangan. Keberadaan day of the week effect hanya terjadi secara parsial dan tidak konsisten dari waktu ke waktu.

46

Lag satu dari variabel imbal hasil secara statistik signifikan pada semua sampel. Hal tersebut menunjukkan bahwa imbal hasil hari ini dipengaruhi oleh oleh imbal hasil satu hari yang lalu. 4.4.2. PENGUJIAN HIPOTESIS HUBUNGAN VOLATILITAS IMBAL HASIL DAN HARI PERDAGANGAN Hasil estimasi pengaruh hari perdagangan terhadap variansi imbal hasil terhadap hari perdagangan tersaji sebagai berikut:

47

Tabel 4. 12. Hasil Estimasi Persamaan Variansi Model Modifikasi GARCH 01Jan1990- 01Jan1990- 01Jan1995- 01Aug1997- 01Jan2000- 01Jan2003- 01Nov2007- 01Jan201031Des2014 31Des1994 31Juli1997 31Des1999 31Dec2002 31Aug2007 31Dec2009 31Des2014   Parameter -0,6181 ** 0,3183 0,5871 -6,2926 -0,1198 -0,4199 0,1377 0,8453 Senin t-statistik -2,0900 0,9200 1,1000 -0,0100 -0,2300 -1,1900 1,5500 1,1700 p-value 0,0362 0,3600 0,2701 0,9911 0,8208 0,2339 0,1211 0,2408 Parameter -0,6172 * -0,0232 0,3698 -0,1479 -1,6824 -0,4144 0,0485 0,3343 Selasa t-statistik -1,7200 -0,0500 0,6100 -0,2000 -0,3400 -1,0700 0,7400 0,5100 p-value 0,0849 0,9562 0,5451 0,8404 0,7355 0,2856 0,4591 0,6088 Parameter -0,5638 * 0,0801 0,7762 -2,9572 0,0555 -0,4852 0,2283 * 0,0156 Kamis t-statistik -1,8200 0,2200 1,1800 -0,1000 0,1100 -0,9500 1,9200 0,0300 p-value 0,0685 0,8243 0,2379 0,9242 0,9115 0,3427 0,0549 0,9797 Parameter -1,0091 *** -0,1908 0,7446 -0,1488 -10,7990 -0,6647 0,2232 0,3606 Jumat t-statistik -2,6900 -0,6200 1,1800 -0,2500 0,0000 -1,3600 1,6300 0,5200 p-value 0,0071 0,5386 0,2395 0,8048 0,9998 0,1747 0,1036 0,6008 Parameter -0,9952 *** -1,8621 *** -1,7822 ** 0,4079 -0,3443 -0,2848 1,4690 *** -1,5608 VC t-statistik -4,8000 -5,3800 -2,1000 0,2600 *** -0,3800 *** -0,6700 7,3400 -1,4100 p-value 0,0000 0,0000 0,0360 0,7912 0,7044 0,5027 0,0000 0,1583 Parameter 0,2610 *** 0,3762 *** 0,2145 *** 0,0665 0,0969 * 0,1535 *** 0,0190 0,1413 *** VA t-statistik 11,0900 6,4100 3,0000 0,8100 1,7300 3,3300 1,3300 3,5900 p-value 0,0000 0,0000 0,0027 0,4171 0,0828 0,0009 0,1842 0,0003 Parameter 0,5738 *** 0,3658 *** 0,3802 * 0,6558 0,6246 0,4377 * -1,3569 *** 0,5735 *** VB t-statistik 9,3800 4,1000 1,6600 0,8700 1,5000 1,7300 -4,7300 2,7900 p-value 0,0000 0,0000 0,0971 0,3866 0,1327 0,0834 0,0000 0,0053 Keterangan: Kategori dasar adalah hari Rabu; “***”, ”**”, ”*” mewakili nilai kritis pada level 1%, 5% dan 10% secara berturut turut. 48

Dari keseluruhan periode pengamatan sepanjang 25 tahun, dari hari Senin hingga Jumat, hasil estimasi menunjukkan pola variansi yang secara statistik signifikan. Temuan ini serupa dengan penelitian sebelumnya yang membuktikan bahwa fenomena day of the week juga terjadi pada persamaan variansi (Berument dan Kiymaz, 2001, 2003; Lian dan Chen, 2004; Ngihem, et. al., 2012). Volatilitas untuk setiap hari perdagangan secara statistik berbeda dengan hari lainnya. Analisis lebih lanjut dilakukan dengan membagi sampel menjadi 7 bagian dan memisahkan periode krisis dari periode pengamatan. Pada saat krisis Asia pada tahun 1997-1998, besarnya pengaruh hari perdagangan terhadap variansi berkurang. Hal tersebut ditunjukkan dengan konstanta variansi (VC), lag error (VA), dan lag variansi (VB) yang menjadi tidak signifikan secara statistik. Hal tersebut mengindikasikan bahwa volatilitas pada subperiode tersebut cenderung sama dari waktu ke waktu. Temuan ini serupa dengan hasil studi Lian dan Chen (2004) yang menujukkan bahwa koefisien pada persamaan variansi menjadi tidak signfikan pada masa krisis dan menyimpulkan bahwa tidak ada fenomena day of the week effect pada periode krisis. 4.5.

DISKUSI DAN IMPLIKASI Fenomena day of the week effect terbukti secara statistik terdapat pada

imbal hasil harian Bursa Efek Indonesia walaupun secara parsial. Penelitian ini tidak menemukan pola yang persisten dalam hal pengaruh hari perdagangan terhadap imbal hasil saham. Selain itu, pada periode estimasi 25 tahun, volatilitas imbal hasil secara statistik berbeda antara satu hari dengan hari lainnya. Besarnya volatilitas, yang diproksikan oleh ukuran variansi imbal hasil, dipengaruhi oleh variansi 49

sebelumnya dan hal ini disebut sebagai volatilitas klaster. Temuan ini serupa dengan studi yang dilakukan sebelumnya di beberapa negara maju mapun negara berkembang (Berument et al., 2007; Berument dan Kiymaz, 2001 dan 2003; Ngihem, Hau, Tri, Duy, dan Amonhaemanon, 2012). Dalam penelitian ini, temuan yang menarik adalah besarnya perngaruh hari perdagangan terhadap variansi berkurang pada masa krisis Asia tahun 19971998. Hal tersebut ditunjukkan dengan konstanta variansi (VC), lag error (VA), dan lag variansi (VB) menjadi tidak signifikan secara statistik. Selain itu, temuan tersebut mengindikasikan bahwa besarnya variansi diantara hari perdagangan pada waktu krisis tidak berbeda jauh diantara hari perdagangan secara statistik. Maksudnya adlah pergerakan imbal hasil pada waktu tersebut cenderung mengarah ke arah yang sama, sehingga menunjukkan volatilitas yang rendah. Volatilitas yang rendah ditunjukkan dengan konstanta variansi yang tidak signifikan secara statistik. Meskipun tidak ditemukan pola imbal hasil yang persisten pada setiap hari perdagangan, peneliti menyimpulkan pasar modal Indonesia tidak efisien. Hal tersebut didukung dengan bukti bahwa lag dari imbal hasil pada semua periode secara statistik mempengaruhi tingkat imbal hasil pada waktu ke-t. Artinya, asumsi pasar yang efisien yaitu random walk tidak terpenuhi, seharusnya harga sudah mencerminkan seluruh informasi dan pergerakan harga tidak bisa diprediksi dengan menggunakan data historis (Copeland, 2005). Dari asumsi tersebut, Investor semestinya tidak bisa memanfaatkan informasi masa lalu yang dalam hal ini adalah lag imbal hasil untuk mendapatkan imbal hasil abnormal.

50

BAB V SIMPULAN DAN SARAN 5.1.

SIMPULAN Simpulan dalam penelitian ini dijabarkan sebagai berikut:

1. Fenomena day of the week secara statistik ditemukan di Indonesia, namun tidak persisten. Secara umum, imbal hasil negatif pada terjadi pada hari Senin, Selasa, dan Kamis sedangkan imbal hasil positif terjadi pada hari Rabu. Pada analisis subperiode, pola imbal hasil diantara hari perdangan menjadi tidak konsisten keberadaanya. Hal tersebut dibuktikan dengan analisis lebih mendalam dan didapati bahwa pada periode tertentu pengaruh hari perdagangan terhadap imbal hasil menjadi tidak ada. Contohnya, pada saat krisis Asia pada tahun 1997 hingga 1999, hasil penelitian ini tidak menunjukkan pola imbal hasil yang secara statistik signfikan berbeda diantara hari perdagangan. 2. Fenomena day of the week tidak hanya ditemukan pada persamaan ratarata tetapi juga pada persamaan variansi. Volatilitas tertinggi terjadi pada hari Kamis dan volatilitas paling terendah terjadi pada hari Jumat. Pola volatilitas tersebut kemudian diteliti lebih lanjut dengan membagi periode pengamatan menjadi tujuh subperiode. Peneliti menyimpulkan bahwa tidak terdapat fenomena day of the week pada volatilitas yang persisten dari tahun ke tahun. 3. Keberadaan fenomena day of the week membuktikan bahwa pasar modal Indonesia tidak efisien dalam bentuk lemah secara statistik. Argumen 51

tersebut diperkuat dengan koefisien autoregressive (1) yang secara statistik signifikan pada semua subperiode. Artinya, tingkat imbal hasil hari ini (t) dipengaruhi oleh tingkat imbal hasil hari kemarin (t-1). Apabila hal tersebut terjadi, maka investor dapat meraih keuntungan abnormal dengan memanfaatkan informasi masa lalu. Hal tersebut bertentangan dengan hipotesis pasar yang efisien bentuk lemah yang mengasumsikan bahwa investor tidak dapat memperoleh keuntungan abnormal dengan memanfaatkan informasi masa lalu. 5.2.

KETERBATASAN PENELITIAN Penelitian ini memiliki berbagai keterbatasan sehingga tidak sempurna.

Oleh sebab itu, peneliti mengharapkan adanya perbaikan dan pengembangan pada penelitian selanjutnya. Keterbatasan penelitian ini antara lain: 1. Penelitian ini hanya membahas anomali pasar dari sisi hipotesis pasar efisien yang mengasumsikan bahwa investor rasional dan tidak menggunakan pendekatan keperilakukan keuangan (behavioral finance). Padahal pada masa-masa tertentu investor tidak sepenuhnya rasional dalam pengambilan keputusan. Misalnya pada masa krisis, investor cenderung panik dan berkeinginan menjual asetnya dengan segera untuk mengantisipasi nilai pasar asetnya turun drastis. Perilaku tersebut tidak bisa dijelaskan oleh hipotesis pasar yang efisien, melainkan oleh pendekatan keprilakuan keuangan. 2. Penelitian ini hanya menguji persistensi fenomena day of the week, tidak mengidentifikasi penyebab terjadinya fenomena tersebut.

52

5.3.

SARAN Untuk menyempurnakan penelitian ini, penelitian selanjutnya sebaiknya

menggunakan metode variansi terkondisi yang tidak hanya terbatas pada GARCH saja. Beberapa model yang lebih mutakhir seperti TARCH (threshold ARCH), EGARCH (exponential ARCH), SAARCH (simple asymetric ARCH), PARCH (power ARCH), dan lain-lain. Selain itu, temuan menarik terkait hilangnya (secara statisitik) pola day the week pada saat krisis di persamaan variansi dapat diteliti lebih lanjut dengan menggunakan periode pengamatan yang lebih sempit sehingga menghindari adanya noise akibat informasi lain. Sebagai perluasan, penelitian lain bisa berfokus dalam mengidentifikasi faktor-faktor yang menyebabkan terjadinya perubahan pola imbal hasil terhadap hari perdagangan dalam kaitannya dengan periode krisis. Dalam analisis runtut waktu dengan periode pengamatan yang sangat panjang, penelitian selanjutnya perlu memperhatikan adanya structural break. Dalam menentukan structural break, penelitian selanjutnya bisa menggunakan chow test untuk menentukan posisi terjadinya structural break. Penelitian selanjutnya juga diharapkan bisa menggunakan data frekuensi tinggi seperti data intraharian untuk menguji apakah fenomena day of the week terjadi pada sepanjang hari perdagangan atau pada waktu tertentu saja. Bagi investor, hasil penelitian ini menganjurkan untuk melakukan transaksi, baik jual maupun beli dengan memperhatikan hari perdagangan. Investor beli diharapkan menunda transaksi hingga hari Senin karena secara statistik, dalam lima tahun terakhir rata-rata imbal hasil turun pada hari tersebut 53

sehingga investor beli akan mendapatkan harga yang relatif lebih murah. Investor jual disarankan melakukan transaksi pada hari Rabu karena pada hari tersebut rata-rata imbal hasil dari lima tahun terakhir menunjukkan tren yang positif secara statistik.

54

DAFTAR PUSTAKA Aggarwal, R., & Rivoli, P. (1989). Seasonal and Day-of-the-Week in Four Emerging Stock Markets. Financial Review, 24(4), 541–550. Alexakis, P., & Xanthakis, M. (1995). Day of the week effect on the Greek stock market. Applied Financial Economics, 5(1), 43–50. Berument, H., Inamlik, A., & Kiymaz, A. (2007). The Day of The Week Effect On Stock Market Volatility  : Istanbul Stock Exchange, 0–17. Berument, H., & Kiymaz, H. (2001). The Day of The Week Effect on Stock Market Volatility. Journal of Economics and Finance, 25(2), 181–193. Berument, H., & Kiymaz, H. (2003). The Day of The Week Effect on Stock Market Volatility and Volume: International Evidence. Review of Financial Economics, 12(4), 363–380. Bodie, Z., Kane, A., & Marcus, A. J. (2006). Investment (7th ed.). New York: McGraw Hill/ Irwin. Brooks, C. (2014). Introductory Econometrics for Finance (3rd ed.). New York: Cambridge University Press. Cahyaningdyah, D. (2005). Analisis Pengaruh Hari Perdagangan Terhadap Return Saham  : Pengujian Week-Four Effect Dan Rogalski Effect Di Bursa Efek Jakarta. Jurnal Ekonomi Dan Bisnis Indonesia, 20(2), 159–170. Campbell, J. Y., & Hentschel, L. (1992). No News is Good News: An Asymmetric Model of Changing Volatility in Stock Returns. Journal of Financial Economics, 31, 281–331. Copeland, T. E. (2005). Financial Theory and Corporate Policy (4th ed.). Pearson Education. Cross, F. (1973). The Behavior of Stock Prices on Fridays and Mondays. Financial Analysts Journal, 29(6), 67–69. Engle, R. F. (1982). Autoregressive Conditional Heteroscedasticity with Estimates of the Variance of United Kingdom Inflation. Econometrica, 50(4), 987–1007. Fama, E. F. (1991). Efficient Capital Markets: II. Journal of Finance, 46(5), 1575–1617.

55

French, K. R. (1980). Stock returns and the weekend effect. Journal of Financial Economics, 8(1), 55–69. French, K. R., & Roll, R. (1986). Stock Return Variances  : The Arrival of Information and the Reaction of Traders. Journal of Financial Economics, 17(1), 5–26. Gibbons, M. R., & Hess, P. (1981). Day of the Week Effects and Asset Returns. The Journal of Business, 54(4), 579-596. Gujarati, D. N. (2004). Basic Econometrics (4th ed., Vol. 4.). McGraw Hill/ Irwin. Harris, L. (1986). A Transaction Data Study of Weekly and Intradaily Patterns In Stock Return. Journal of Financial Economics, 16, 99–117. IDX. (2014). IDX Fact Book 2013. In IDX Fact Book 2013 (pp. 1–202). Jakarta; Indonesia: Indonesia Stock Exchange. Retrieved from www.idx.co.id Jaffe, J., & Westerfield, R. (1985a). Patterns in Japanese Common Stock Returns  : Day of the Week and Turn of the Year Effects. The Journal of Financial and Quantitaive Analysis, 20(2), 261–272. Jaffe, J., & Westerfield, R. (1985b). The Week-End Effect in Common Stock Returns  : The International Evidence. Journal of Finance, XL(2), 433–455. Keim, D. B., & Stambaugh, R. F. (1984). A Further Investigation of the Weekend Effect in Stock Returns. Journal of Finance, 39(3), 819–835. Lakonishok, J., & Maberly, E. (1990). The Weekend Effect  : Trading Patterns of Individual and Institutional Investors. Journal of Finance, XLV(1), 231–244. Lian, K. K., & Chen, W. Y. (2004). Seasonal Anomalies of Stocks in Asean Equity Markets. Sunway College Journal, 11(1), 1–11. Ngihem, L. T., Hau, L. L., Tri, H. minh, Duy, V. Q., & Amonhaemanon, D. (2012). Day-Of-The-Week in Different Stock Markets: New Evidence on Model-dependency in Testing Seasonalities in Stock Returns (No. 85). Rogalski, R. J. (1984). New Findings Regarding Day-of-the-Week Returns over Trading and Non-Trading Periods: A Note. Journal of Finance, 39(5), 1603– 1614. Sekaran, U., & Bougie, R. (2010). Research Methods for Business A Skill Building Approach. Wiley.

56

Sumiyana. (2007). Monday Effect: Penalaran Logis Sebagai AKibat Dari Pengaruh Psikologis, Pengaruh Periode Nonperdagangan, Atau Pengaruh Kombinasian Keduanya (Studi Empiris Berbasis Data Intraday, Bursa Efek Jakarta 1999-2005). Jurnal Ekonomi Dan Bisnis Indonesia, 22(2), 1–40. Sumiyana. (2008). Day of the Week dan Monday Effect  : Fenomena Yang Terbuktikan Tidak Konsisten Di Pasar Modal Indonesia. Jurnal Manajemen Teori Dan Terapan, 1(1), 1–30. Tandelilin, E., & Algifari. (1999). Pengaruh Hari Perdagangan Terhadap Return Saham Di Bursa Efek Jakarta. Jurnal Ekonomi Dan Bisnis Indonesia, 14(4). Wooldridge, J. M. (2013). Introductory Econometrics: A Modern Approach. (5th ed.). South-Western, Cengage Learning.

57

LAMPIRAN 1. DO-FILE * * * *

V.1.0.4.C date : 15 Juni 2015 author : Asri Surya email : [email protected]

capture log close clear set more off log using "/Users/asrisurya/OneDrive/data-mei2015/stata/logfiles/dotw v.1.0.1", text replace use "/Users/asrisurya/OneDrive/data-mei2015/stata/datafiles/data 1.0.1.dta" *---- Persiapan Data ---*Hapus observasi tahun 1988 dan 1990 gen year=year(date) drop if year==1988 drop if year==1989 drop if year==2015 sum date jcic * Membuat- Variabel Boneka tsset date, daily gen dotw= dow(date) gen mon = dotw==1 gen tue = dotw==2 gen wed = dotw==3 gen thu = dotw==4 gen fri = dotw==5 gen sat = dotw==6 gen sun = dotw==0 *Kalkulasi Tingkat Imbal hasil tsset date, daily gen avail = jcic>0 & jcic<. bysort date: gen tradingday=_n if avail tsset tradingday date gen return3 = ln(jcic[_n]/jcic[_n-1])*100 sum date jcic return3 58

LAMPIRAN 1. DO-FILE * * * *

V.1.0.4.C date : 15 Juni 2015 author : Asri Surya email : [email protected]

capture log close clear set more off log using "/Users/asrisurya/OneDrive/data-mei2015/stata/logfiles/dotw v.1.0.1", text replace use "/Users/asrisurya/OneDrive/data-mei2015/stata/datafiles/data 1.0.1.dta" *---- Persiapan Data ---*Hapus observasi tahun 1988 dan 1990 gen year=year(date) drop if year==1988 drop if year==1989 drop if year==2015 sum date jcic * Membuat- Variabel Boneka tsset date, daily gen dotw= dow(date) gen mon = dotw==1 gen tue = dotw==2 gen wed = dotw==3 gen thu = dotw==4 gen fri = dotw==5 gen sat = dotw==6 gen sun = dotw==0 *Kalkulasi Tingkat Imbal hasil tsset date, daily gen avail = jcic>0 & jcic<. bysort date: gen tradingday=_n if avail tsset tradingday date gen return3 = ln(jcic[_n]/jcic[_n-1])*100 sum date jcic return3 58

*Kalkulasi return2 & membuang hari libur tset date, daily drop if dotw==0 drop if dotw==6 gen return2 =return3 if avail[_n-1] sum date jcic return3 return2 count if return2==0 drop if return2==0 gen time=_n sum date jcic return3 return2 *menghilangkan persentil pertama dan ke-99 sum return2, detail return list * generate new variable gen return1 = return2 if return2 >= r(p1) & return2 <=r(p99) sum return1, detail return list drop if return1==0 *membuat Autoregressive (1) gen l1 = return1[_n-1] tsfill, full sum date jcic return3 return2 return1 *Memberi label variabel tingkat imbal hasil label variable return1 "Imbal Hasil (%)" label variable return2 "return without holiday" label variable return3 "raw return" label variable date "Waktu" **-- mengakhiri prosedur persiapan data --** * Statistik deskriptif * Tabel Statistik Deskriptif * gen mon1=return1 if dotw==1 gen tue1=return1 if dotw==2 59

gen wed1=return1 if dotw==3 gen thu1=return1 if dotw==4 gen fri1=return1 if dotw==5 *--- UJI ASUMSI KLASIK --*

UJI NORMALITAS sfrancia return1 /*all sample*/ sfrancia return1 if tin(01jan1990,31dec1994) /*1989-1993*/ sfrancia return1 if tin(01jan1995,31dec1999) /*1994-1999*/ sfrancia return1 if tin(01jan2000,31dec2004) /*2000-2004*/ sfrancia return1 if tin(01jan2005,31dec2009) /*2005-2009*/ sfrancia return1 if tin(01jan2010,31dec2014) /*2010-2014*/

* PENENTUAN LAG tset time varsoc return1, maxlag(5) tset date * UJI AKAR UNIT dfuller return1, regress lags(1) /*all sample*/ dfuller return1 if tin(01jan1990,31dec1994), regress lags(1) /*1989-1993*/ dfuller return1 if tin(01jan1995,31dec1999), regress lags(1) /*1994-1999*/ dfuller return1 if tin(01jan2000,31dec2004), regress lags(1) /*2000-2004*/ dfuller return1 if tin(01jan2005,31dec2009), regress lags(1) /*2005-2009*/ dfuller return1 if tin(01jan2010,31dec2014), regress lags(1) /*2010-2014*/ *------ Pengujian Model ------* * OLS dan ARCH LM tset date set more off quietly reg return1 mon tue thu fri l1 if tin(01jan1990,31dec2014) estimates store OLS1a quietly reg return1 mon tue thu fri l1 if tin(01jan1990,31dec1994) estimates store OLS2 quietly reg return1 mon tue thu fri l1 if tin(01jan1995,31dec1999) estimates store OLS3 quietly reg return1 mon tue thu fri l1 if tin(01jan2000,31dec2004) estimates store OLS4 60

quietly reg return1 mon tue thu fri l1 if tin(01jan2005,31dec2009) estimates store OLS5 quietly reg return1 mon tue thu fri l1 if tin(01jan2010,31dec2014) estimates store OLS6 * GARCH(1,1) quietly arch return1 mon tue thu fri l1, arch(1) garch(1), if tin(01jan1900,31dec2014) estimates store ar1a quietly arch return1 mon tue thu fri l1, arch(1) garch(1), if tin(01jan1900,31dec1994) estimates store ar1b quietly arch return1 mon tue thu fri l1, arch(1) garch(1), if tin(01jan1995,31dec1999) estimates store ar1c quietly arch return1 mon tue thu fri l1, arch(1) garch(1), if tin(01jan2000,31dec2004) estimates store ar1d quietly arch return1 mon tue thu fri l1, arch(1) garch(1), if tin(01jan2005,31dec2009) estimates store ar1e quietly arch return1 mon tue thu fri l1, arch(1) garch(1), if tin(01jan2010,31dec2014) estimates store ar1f * Modifikasi-GARCH(1,1) set more off quietly arch return1 mon tue thu fri l1, arch(1) garch(1) het(mon tue thu fri), if tin(01jan1990,31dec2014) estimates store ar1 quietly arch return1 mon tue thu fri l1, arch(1) garch(1) het(mon tue thu fri), if tin(01jan1990,31dec1994) estimates store ar2 quietly arch return1 mon tue thu fri l1, arch(1) garch(1) het(mon tue thu fri), if tin(01jan1995,31jul1997) estimates store ar3a quietly arch return1 mon tue thu fri l1, arch(1) garch(1) het(mon tue thu fri), if tin(01aug1997,31dec1999) estimates store ar3b set more off quietly arch return1 mon tue thu fri l1, arch(1) garch(1) het(mon tue thu fri), if tin(01jan2000,31dec2002) 61

estimates store ar4 quietly arch return1 mon tue thu fri l1, arch(1) garch(1) het(mon tue thu fri), if tin(01jan2003,30aug2007) estimates store ar5a quietly arch return1 mon tue thu fri l1, arch(1) garch(1) het(mon tue thu fri), if tin(01nov2007,31dec2009) estimates store ar5b quietly arch return1 mon tue thu fri l1, arch(1) garch(1) het(mon tue thu fri), if tin(01jan2010,31dec2014) estimates store ar6

* ARCH_LM *** set more off tset date quietly reg return1 mon tue thu fri l1 if tin(01jan1990,31dec2014) tset time estat archlm, lags(5,10,15,20,25) tset date estimates store OLS1a quietly reg return1 mon tue thu fri l1 if tin(01jan1990,31dec1994) tset time estat archlm, lags(5,10,15,20,25) tset date estimates store OLS2 quietly reg return1 mon tue thu fri l1 if tin(01jan1995,31dec1999) tset time estat archlm, lags(5,10,15,20,25) tset date estimates store OLS3 quietly reg return1 mon tue thu fri l1 if tin(01jan2000,31dec2004) tset time estat archlm, lags(5,10,15,20,25) tset date estimates store OLS4 quietly reg return1 mon tue thu fri l1 if tin(01jan2005,31dec2009) tset time estat archlm, lags(5,10,15,20,25) tset date estimates store OLS5 quietly reg return1 mon tue thu fri l1 if tin(01jan2010,31dec2014) tset time 62

estat archlm, lags(5,10,15,20,25) tset date estimates store OLS6 estimates table OLS1a OLS2 OLS3 OLS4 OLS5 OLS6, b se t p stats(chi2 N ll r2 r2_a F) estimates table ar1 ar2 ar3a ar3b ar4 ar5a ar5b ar6, b p stats(chi2 ll N) estimates table ar1a ar1b ar1c ar1d ar1e ar1f, b se t p stats(chi2 ll N) *

end

save "/Users/asrisurya/OneDrive/data-mei2015/stata/datafiles/data 1.0.9.dta" log close *-----------------------------------------------------------------

63

LAMPIRAN 2. TABEL PENGUJIAN AUTOCORELATION DAN PARTIAL AUTOCORELATION . corrgram return1 (note: time series has 352 gaps) -1 LAG

AC

PAC

Q

Prob>Q

1

0.1484

0.1631

125.21

0.0000

2

0.0218

0.0029

127.92

0.0000

3

0.0157

0.0218

129.33

0.0000

4

-0.0015

-0.0009

129.34

0.0000

5

-0.0003

-0.0035

129.34

0.0000

6

-0.0117

0.0022

130.12

0.0000

7

0.0006

0.0181

130.12

0.0000

8

-0.0115

-0.0223

130.88

0.0000

9

-0.0039

-0.0092

130.96

0.0000

10

0.0425

0.0352

141.27

0.0000

11

0.0275

0.0217

145.59

0.0000

12

0.0233

0.0046

148.69

0.0000

13

0.0231

-0.0027

151.74

0.0000

14

0.0115

0.0088

152.49

0.0000

15

-0.0014

-0.0374

152.5

0.0000

16

0.0055

0.0206

152.67

0.0000

17

0.0446

0.0533

164.04

0.0000

18

0.0333

-0.0109

170.37

0.0000

19

0.0150

0.0215

171.65

0.0000

20

0.0375

0.0436

179.66

0.0000

21

0.0123

0.0047

180.52

0.0000

22

0.0135

0.0522

181.55

0.0000

23

0.0323

0.0313

187.51

0.0000

24

0.0333

0.0315

193.86

0.0000

25

0.0058

0.0388

194.05

0.0000

26

0.0214

0.0079

196.68

0.0000

27

0.0148

0.0002

197.93

0.0000

28

0.0146

0.0239

199.14

0.0000

29

0.0064

0.0201

199.37

0.0000

30

-0.0104

-0.0068

199.99

0.0000

31

-0.0107

-0.0282

200.64

0.0000

32

0.0005

0.0425

200.65

0.0000

33

0.0019

-0.0451

200.67

0.0000

34

0.0082

0.0285

201.05

0.0000

35

0.0062

0.0751

201.27

0.0000

36

0.0218

-0.0180

204

0.0000

37

0.0174

-0.0670

205.74

0.0000

38

0.0100

0.0901

206.3

0.0000

39

-0.0071

-0.0396

206.59

0.0000

40

0.0006

-0.0102

206.59

0.0000

0

1 -1

[Autocorrelation]

64

0

1

[Partial Autocor]

1. GRAFIK OTOKORELASI DATA RUNTUT WAKTU IMBAL HASIL INDEKS HAHRGA SAHAM GABUNGAN (1990-2014).

2. GRAFIK OTOKORELASI PARSIAL DATA RUNTUT WAKTU IMBAL HASIL INDEKS HARGA SAHAM GABUNGAN (1990-2014).

65

LAMPIRAN 3. HASIL REGRESI OLS 1. PERIODE 1990-2014 Source

SS

df

MS

Number of obs = F(

5,

5326) =

5332 33.54

Model

229.995421

5

45.9990842

Prob > F

=

0.0000

Residual

7305.10028

5326

1.37159224

R-squared

=

0.0305

Total

7535.0957

5331

1.41344883

Std. Err.

t

Adj R-squared =

0.0296

Root MSE

1.1711

P>|t|

=

return1

Coef.

[95% Conf. Interval]

mon

-.1951608

.050751

-3.85

0.000

-.2946537

-.095668

tue

-.1329983

.0504607

-2.64

0.008

-.2319219

-.0340746

thu

-.073401

.0499684

-1.47

0.142

-.1713595

.0245576

fri

.0003224

.0503253

0.01

0.995

-.0983358

.0989807

l1

.1636025

.0135477

12.08

0.000

.1370434

.1901615

_cons

.1015191

.0351682

2.89

0.004

.032575

.1704631

2. PERIODE 1990-1994 Source

SS

df

MS

Number of obs = F(

5,

1054) =

1060 52.59

Model

162.697813

5

32.5395626

Prob > F

=

0.0000

Residual

652.10914

1054

.618699374

R-squared

=

0.1997

Total

814.806953

1059

.769411665

Std. Err.

t

P>|t|

Adj R-squared =

0.1959

Root MSE

.78657

=

return1

Coef.

mon

-.1860153

.076587

-2.43

0.015

-.3362955

-.035735

tue

-.2106598

.0762445

-2.76

0.006

-.3602681

-.0610515

thu

-.0527327

.0760579

-0.69

0.488

-.2019748

.0965094

fri

-.0628506

.0762751

-0.82

0.410

-.2125188

.0868177

l1

.4401498

.0277458

15.86

0.000

.3857066

.4945931

_cons

.1003966

.0537755

1.87

0.062

-.0051225

.2059158

66

[95% Conf. Interval]

3. PERIODE 1995-1999 Source

SS

df

MS

Number of obs = F(

Model

91.5564285

5

18.3112857

Residual

1731.02495

1028

1.68387641

Total

1822.58138

return1

Coef.

mon tue

1033

1.76435758

5,

1028) =

1034 10.87

Prob > F

=

0.0000

R-squared

=

0.0502

Adj R-squared =

0.0456

Root MSE

1.2976

=

Std. Err.

t

P>|t|

[95% Conf. Interval]

.1032562

.1267362

0.81

0.415

-.1454349

.3519473

.0463233

.1256269

0.37

0.712

-.2001912

.2928378

thu

.1198397

.1258405

0.95

0.341

-.1270939

.3667734

fri

.0838696

.127561

0.66

0.511

-.16644

.3341793

l1

.2240494

.0306041

7.32

0.000

.1639958

.284103

_cons

-.1104911

.0878935

-1.26

0.209

-.2829623

.0619801

4. PERIODE 2000-2004 Source

SS

df

MS

Number of obs = F(

Model

50.3626658

5

10.0725332

Residual

1742.51913

1073

1.62396936

Total

1792.88179

1078

1.66315565

Std. Err.

t

P>|t|

5,

1073) =

1079 6.20

Prob > F

=

0.0000

R-squared

=

0.0281

Adj R-squared =

0.0236

Root MSE

1.2744

=

return1

Coef.

mon

-.3395259

.1245346

-2.73

0.007

-.5838849

-.0951669

tue

-.1691259

.1230523

-1.37

0.170

-.4105763

.0723244

thu

-.118093

.1200957

-0.98

0.326

-.3537421

.1175561

fri

.058208

.1210983

0.48

0.631

-.1794082

.2958243

l1

.1332278

.0302499

4.40

0.000

.073872

.1925835

_cons

.1559042

.085531

1.82

0.069

-.0119228

.3237311

67

[95% Conf. Interval]

5. PERIODE 2005-2009 Source

SS

df

MS

Number of obs = F(

Model

22.134382

5

4.42687641

Residual

1809.33678

1049

1.72482057

Total

1831.47116

1054

1.73763867

Std. Err.

t

5,

1049) =

1055 2.57

Prob > F

=

0.0256

R-squared

=

0.0121

Adj R-squared =

0.0074

Root MSE

1.3133

P>|t|

=

return1

Coef.

[95% Conf. Interval]

mon

-.1733921

.1279561

-1.36

0.176

-.4244711

.0776869

tue

-.1654181

.1274515

-1.30

0.195

-.4155071

.0846708

thu

.0185776

.1248504

0.15

0.882

-.2264074

.2635625

fri

.0485559

.1262989

0.38

0.701

-.1992713

.2963831

l1

.0828979

.0309868

2.68

0.008

.0220948

.143701

_cons

.1323861

.0877571

1.51

0.132

-.0398134

.3045856

6. PERIODE 2010-2014 Source

SS

df

MS

Number of obs = F(

5,

1098) =

1104 3.93

Model

22.1121015

5

4.42242029

Prob > F

=

0.0016

Residual

1235.9348

1098

1.12562368

R-squared

=

0.0176

Adj R-squared =

0.0131

Total

1258.0469

1103

1.14056836

Std. Err.

Root MSE

t

P>|t|

=

1.061

return1

Coef.

mon

-.3742074

.1004124

-3.73

0.000

-.5712292

-.1771856

tue

-.2091487

.1004452

-2.08

0.038

-.4062349

-.0120625

thu

-.3198899

.1002639

-3.19

0.001

-.5166204

-.1231595

fri

-.1678833

.1002088

-1.68

0.094

-.3645056

.0287391

l1

.0557048

.030102

1.85

0.065

-.0033592

.1147688

_cons

.267293

.0699771

3.82

0.000

.129989

.404597

68

[95% Conf. Interval]

LAMPIRAN 4. HASIL ESTIMASI MODEL MODIFIKASI GARCH(1,1)

1. 01 Januari 1990-31 Dessember 2014 Sample: 05jan1990 - 24dec2014, but with gaps

Number of obs

=

5332

Distribution: Gaussian

Wald chi2(5)

=

227.70

Log likelihood = -8233.636

Prob > chi2

=

0.0000

OPG return1

Coef.

Std. Err.

z

P>|z|

[95% Conf. Interval]

return1 mon

-.2062456

.0463765

-4.45

0.000

-.2971419

-.1153492

tue

-.1687708

.0445794

-3.79

0.000

-.2561448

-.0813968

thu

-.1027433

.0444939

-2.31

0.021

-.1899498

-.0155369

fri

-.0622818

.0448671

-1.39

0.165

-.1502198

.0256561

l1

.1861023

.0131271

14.18

0.000

.1603737

.2118308

_cons

.1404744

.0325035

4.32

0.000

.0767688

.20418

mon

-.618125

.2951644

-2.09

0.036

-1.196637

-.0396133

tue

-.6171707

.3582325

-1.72

0.085

-1.319294

.0849521

thu

-.5638233

.3094774

-1.82

0.068

-1.170388

.0427413

fri

-1.009131

.3747621

-2.69

0.007

-1.743651

-.2746106

_cons

-.995217

.2075189

-4.80

0.000

-1.401947

-.5884875

.2610064

.023525

11.09

0.000

.2148983

.3071145

.5738328

.0611621

9.38

0.000

.4539573

.6937084

HET

ARCH arch L1. garch L1.

69

2. 01 Januari 1990-31 Desember 1994 Sample: 05jan1990 - 28dec1994, but with gaps

Number of obs

=

1060

Distribution: Gaussian

Wald chi2(5)

=

313.03

Log likelihood = -1186.616

Prob > chi2

=

0.0000

OPG return1

Coef.

Std. Err.

z

P>|z|

[95% Conf. Interval]

return1 mon

-.1800167

.0661411

-2.72

0.006

-.3096509

-.0503824

tue

-.1414263

.0604107

-2.34

0.019

-.259829

-.0230236

thu

-.0161868

.0618781

-0.26

0.794

-.1374656

.105092

fri

-.0306064

.0610893

-0.50

0.616

-.1503392

.0891264

l1

.3602199

.0209259

17.21

0.000

.3192058

.4012339

_cons

.06198

.0436426

1.42

0.156

-.0235579

.1475179

mon

.3183449

.3477761

0.92

0.360

-.3632837

.9999734

tue

-.0232239

.4231617

-0.05

0.956

-.8526056

.8061579

thu

.0801357

.3609973

0.22

0.824

-.627406

.7876774

fri

-.1907719

.3101954

-0.62

0.539

-.7987437

.4172

_cons

-1.862133

.3461693

-5.38

0.000

-2.540612

-1.183653

.3761637

.0586503

6.41

0.000

.2612113

.4911162

.3657721

.0892147

4.10

0.000

.1909145

.5406297

HET

ARCH arch L1. garch L1.

70

3. 01 Januari 1995- 31 Juli 1997 . arch return1 mon tue thu fri l1, arch(1) garch(1) het(mon tue thu fri), if tin( > jan1995,31jul1999) Number of gaps in sample:

236

(note: conditioning reset at each gap)

(setting optimization to BHHH) Iteration 0:

log likelihood = -1599.6453

Iteration 1:

log likelihood = -1544.9497

Iteration 2:

log likelihood = -1541.3985

Iteration 3:

log likelihood = -1539.0615

Iteration 4:

log likelihood = -1537.0083

(switching optimization to BFGS) numerical derivatives are approximate flat or discontinuous region encountered Iteration 5:

log likelihood = -1532.8607

numerical derivatives are approximate flat or discontinuous region encountered numerical derivatives are approximate flat or discontinuous region encountered Iteration 6:

log likelihood = -1519.0827

(backed up)

numerical derivatives are approximate flat or discontinuous region encountered numerical derivatives are approximate flat or discontinuous region encountered Iteration 7:

log likelihood = -1519.0827

(backed up)

numerical derivatives are approximate flat or discontinuous region encountered numerical derivatives are approximate flat or discontinuous region encountered Iteration 8:

log likelihood = -1519.0827

(backed up)

numerical derivatives are approximate flat or discontinuous region encountered numerical derivatives are approximate flat or discontinuous region encountered BFGS stepping has contracted, resetting BFGS Hessian (0) Iteration 9:

log likelihood = -1519.0827

(backed up)

numerical derivatives are approximate flat or discontinuous region encountered numerical derivatives are approximate flat or discontinuous region encountered Iteration 10:

log likelihood = -1515.8382

(backed up)

numerical derivatives are approximate flat or discontinuous region encountered could not calculate numerical derivatives discontinuous region with missing values encountered r(430);

71

4. 01 Januari 1995- 31 Juli 1997 Sample: 04jan1995 - 31jul1997, but with gaps

Number of obs

=

582

Distribution: Gaussian

Wald chi2(5)

=

60.97

Prob > chi2

=

0.0000

Log likelihood =

-699.285

return1

Coef.

OPG Std. Err.

z

P>|z|

[95% Conf. Interval]

return1 mon

-.0622044

.1054761

-0.59

0.555

-.2689338

.1445251

tue

-.1293067

.0931815

-1.39

0.165

-.311939

.0533257

thu

-.1437693

.0956324

-1.50

0.133

-.3312053

.0436668

fri

-.0226732

.1044263

-0.22

0.828

-.227345

.1819986

l1

.2856404

.0377656

7.56

0.000

.2116212

.3596596

_cons

.1081274

.064943

1.66

0.096

-.0191586

.2354134

mon

.5871084

.5324196

1.10

0.270

-.4564149

1.630632

tue

.3697876

.611068

0.61

0.545

-.8278837

1.567459

thu

.7761836

.6577062

1.18

0.238

-.5128969

2.065264

fri

.7446392

.6330526

1.18

0.239

-.496121

1.985399

_cons

-1.782158

.8501164

-2.10

0.036

-3.448356

-.1159605

.2144523

.0714907

3.00

0.003

.0743331

.3545715

.3801507

.2291564

1.66

0.097

-.0689875

.829289

HET

ARCH arch L1. garch L1.

72

5. 1 Agustus 1997 -31 Desember 1999 Sample: 01aug1997 - 30dec1999, but with gaps

Number of obs

=

452

Distribution: Gaussian

Wald chi2(5)

=

16.65

Log likelihood = -877.2943

Prob > chi2

=

0.0052

OPG return1

Coef.

Std. Err.

z

P>|z|

[95% Conf. Interval]

return1 mon

.2501715

.2453553

1.02

0.308

-.2307162

.7310591

tue

.18139

.2633302

0.69

0.491

-.3347277

.6975077

thu

.3410188

.2609941

1.31

0.191

-.1705203

.8525579

fri

.1123098

.2744946

0.41

0.682

-.4256898

.6503093

l1

.1922266

.0491108

3.91

0.000

.0959712

.2884821

_cons

-.3251545

.1911473

-1.70

0.089

-.6997962

.0494873

mon

-6.292629

566.0915

-0.01

0.991

-1115.812

1103.226

tue

-.1479098

.7346033

-0.20

0.840

-1.587706

1.291886

thu

-2.957158

31.08005

-0.10

0.924

-63.87295

57.95863

fri

-.1487995

.6020994

-0.25

0.805

-1.328893

1.031294

_cons

.4078611

1.540357

0.26

0.791

-2.611182

3.426905

.0665119

.0819706

0.81

0.417

-.0941475

.2271713

.6557996

.7574859

0.87

0.387

-.8288456

2.140445

HET

ARCH arch L1. garch L1.

73

6. 01 Januari 2000-31 Desember 2004 . >

arch return1 mon tue thu fri l1, arch(1) garch(1) het(mon tue thu fri), if tin(01jan2000,31dec2004)

Number of gaps in sample:

257

(note: conditioning reset at each gap)

(setting optimization to BHHH) Iteration 0:

log likelihood = -1797.1472

Iteration 1:

log likelihood = -1784.6126

Iteration 2:

log likelihood = -1784.2768

Iteration 3:

log likelihood = -1783.3534

Iteration 4:

log likelihood = -1781.3553

(switching optimization to BFGS) Iteration 5:

log likelihood = -1781.2999

Iteration 6:

log likelihood = -1781.1408

Iteration 7:

log likelihood = -1781.0493

Iteration 8:

log likelihood = -1781.0405

Iteration 9:

log likelihood =

Iteration 10:

log likelihood = -1780.9422

Iteration 11:

log likelihood = -1780.9213

Iteration 12:

log likelihood = -1780.8989

Iteration 13:

log likelihood = -1780.8808

Iteration 14:

log likelihood = -1780.8671

-1780.989

(switching optimization to BHHH) Iteration 15:

log likelihood = -1780.8548

Iteration 16:

log likelihood = -1780.8484

Iteration 17:

log likelihood = -1780.8469

Iteration 18:

log likelihood = -1780.8467

Iteration 19:

log likelihood = -1780.8463

(backed up)

(switching optimization to BFGS) -1780.846

Iteration 20:

log likelihood =

Iteration 21:

log likelihood = -1780.8388

Iteration 22:

log likelihood = -1780.8273

Iteration 23:

log likelihood = -1780.8246

Iteration 24:

log likelihood = -1780.8241

Iteration 25:

log likelihood =

Iteration 26:

log likelihood = -1780.8239

Iteration 27:

log likelihood = -1780.8238

Iteration 28:

log likelihood = -1780.8238

(backed up)

-1780.824

(backed up)

numerical derivatives are approximate flat or discontinuous region encountered Iteration 29:

log likelihood = -1780.8238

(switching optimization to BHHH) numerical derivatives are approximate flat or discontinuous region encountered Iteration 30:

log likelihood = -1780.8238

(backed up)

74

Iteration 30:

log likelihood = -1780.8238

(backed up)

numerical derivatives are approximate flat or discontinuous region encountered Iteration 31:

log likelihood = -1780.8238

(backed up)

numerical derivatives are approximate flat or discontinuous region encountered Iteration 32:

log likelihood = -1780.8238

(backed up)

numerical derivatives are approximate flat or discontinuous region encountered Iteration 33:

log likelihood = -1780.8238

(backed up)

numerical derivatives are approximate flat or discontinuous region encountered Iteration 34:

log likelihood = -1780.8238

(backed up)

(switching optimization to BFGS) numerical derivatives are approximate flat or discontinuous region encountered Iteration 35:

log likelihood = -1780.8238

(backed up)

numerical derivatives are approximate flat or discontinuous region encountered Iteration 36:

log likelihood = -1780.8238

numerical derivatives are approximate flat or discontinuous region encountered Iteration 37:

log likelihood = -1780.8238

numerical derivatives are approximate flat or discontinuous region encountered Iteration 38:

log likelihood = -1780.8238

numerical derivatives are approximate flat or discontinuous region encountered Iteration 39:

log likelihood = -1780.8238

numerical derivatives are approximate flat or discontinuous region encountered Iteration 40:

log likelihood = -1780.8238

(backed up)

numerical derivatives are approximate flat or discontinuous region encountered Iteration 41:

log likelihood = -1780.8238

numerical derivatives are approximate flat or discontinuous region encountered Iteration 42:

log likelihood = -1780.8238

numerical derivatives are approximate flat or discontinuous region encountered Iteration 43:

log likelihood = -1780.8238

(backed up)

numerical derivatives are approximate flat or discontinuous region encountered Iteration 44:

log likelihood = -1780.8238

(switching optimization to BHHH) numerical derivatives are approximate flat or discontinuous region encountered Iteration 45:

log likelihood = -1780.8238

numerical derivatives are approximate flat or discontinuous region encountered Iteration 46:

log likelihood = -1780.8238

(backed up)

numerical derivatives are approximate flat or discontinuous region encountered

75

Iteration 47:

log likelihood = -1780.8238

(backed up)

numerical derivatives are approximate flat or discontinuous region encountered Iteration 48:

log likelihood = -1780.8238

(backed up)

numerical derivatives are approximate flat or discontinuous region encountered Iteration 49:

log likelihood = -1780.8238

(backed up)

(switching optimization to BFGS) numerical derivatives are approximate flat or discontinuous region encountered Iteration 50:

log likelihood = -1780.8238

(backed up)

numerical derivatives are approximate flat or discontinuous region encountered Iteration 51:

log likelihood = -1780.8238

(backed up)

numerical derivatives are approximate flat or discontinuous region encountered Iteration 52:

log likelihood = -1780.8238

numerical derivatives are approximate flat or discontinuous region encountered Iteration 53:

log likelihood = -1780.8238

could not calculate numerical derivatives discontinuous region with missing values encountered r(430); end of do-file

76

7. 01 Januari 2000-31 Desember 2002 Sample: 06jan2000 - 23dec2002, but with gaps

Number of obs

=

655

Distribution: Gaussian

Wald chi2(5)

=

17.54

Log likelihood = -1117.212

Prob > chi2

=

0.0036

OPG return1

Coef.

Std. Err.

z

P>|z|

[95% Conf. Interval]

return1 mon

-.2483448

.1659546

-1.50

0.135

-.5736099

.0769202

tue

-.1529131

.1579937

-0.97

0.333

-.462575

.1567489

thu

.0441888

.1643788

0.27

0.788

-.2779878

.3663653

fri

.0557725

.1579075

0.35

0.724

-.2537205

.3652655

l1

.1314572

.0401823

3.27

0.001

.0527014

.2102129

_cons

.0458809

.1149909

0.40

0.690

-.1794971

.2712589

mon

-.1198249

.5288872

-0.23

0.821

-1.156425

.9167749

tue

-1.682354

4.980308

-0.34

0.736

-11.44358

8.078871

thu

.0555238

.4997425

0.11

0.912

-.9239535

1.035001

fri

-10.79898

35276.8

-0.00

1.000

-69152.06

69130.46

_cons

-.344261

.9075725

-0.38

0.704

-2.12307

1.434548

.0969359

.0558748

1.73

0.083

-.0125767

.2064485

.6245747

.4154169

1.50

0.133

-.1896274

1.438777

HET

ARCH arch L1. garch L1.

77

8. 01 Januari 2003- 31 Agustus 2007 Sample: 06jan2003 - 30aug2007, but with gaps

Number of obs

=

1009

Distribution: Gaussian

Wald chi2(5)

=

16.66

Log likelihood = -1555.628

Prob > chi2

=

0.0052

OPG return1

Coef.

Std. Err.

z

P>|z|

[95% Conf. Interval]

return1 mon

-.2245054

.1149698

-1.95

0.051

-.4498421

.0008313

tue

-.0943737

.1120456

-0.84

0.400

-.313979

.1252316

thu

-.0853494

.112755

-0.76

0.449

-.3063452

.1356464

fri

-.0000249

.1109924

-0.00

1.000

-.2175659

.2175161

l1

.1136192

.0338144

3.36

0.001

.0473441

.1798942

_cons

.2252425

.082089

2.74

0.006

.0643509

.3861341

mon

-.4198684

.3527517

-1.19

0.234

-1.111249

.2715122

tue

-.4144329

.3881285

-1.07

0.286

-1.175151

.3462851

thu

-.4851599

.5113331

-0.95

0.343

-1.487354

.5170344

fri

-.66472

.4897863

-1.36

0.175

-1.624683

.2952435

_cons

-.2847599

.4248277

-0.67

0.503

-1.117407

.5478871

.1535364

.0460433

3.33

0.001

.0632932

.2437797

.4377081

.2527903

1.73

0.083

-.0577518

.933168

HET

ARCH arch L1. garch L1.

78

9. 01 November 2007- 31 Desember 2009 Sample: 01nov2007 - 30dec2009, but with gaps

Number of obs

=

431

Distribution: Gaussian

Wald chi2(5)

=

13.91

Log likelihood = -772.5759

Prob > chi2

=

0.0162

OPG return1

Coef.

Std. Err.

z

P>|z|

[95% Conf. Interval]

return1 mon

-.3252507

.2083733

-1.56

0.119

-.7336549

.0831536

tue

-.4460428

.198421

-2.25

0.025

-.8349408

-.0571448

thu

-.1568717

.2464817

-0.64

0.524

-.6399668

.3262235

fri

.0673765

.2176015

0.31

0.757

-.3591146

.4938677

l1

.0946925

.0452069

2.09

0.036

.0060886

.1832964

_cons

.1904719

.1448491

1.31

0.189

-.0934271

.4743709

mon

.1377383

.0888457

1.55

0.121

-.0363961

.3118726

tue

.0485395

.0655619

0.74

0.459

-.0799594

.1770385

thu

.2283435

.1189295

1.92

0.055

-.0047542

.4614411

fri

.2232184

.1371467

1.63

0.104

-.0455842

.4920209

_cons

1.469

.2002378

7.34

0.000

1.076541

1.861459

.0189829

.0142964

1.33

0.184

-.0090375

.0470032

-1.356919

.2869825

-4.73

0.000

-1.919394

-.7944433

HET

ARCH arch L1. garch L1.

79

10. 01 Januari 2010-31 Desember 2014 Sample: 06jan2010 - 24dec2014, but with gaps

Number of obs

=

1104

Distribution: Gaussian

Wald chi2(5)

=

16.46

Log likelihood = -1605.963

Prob > chi2

=

0.0057

OPG return1

Coef.

Std. Err.

z

P>|z|

[95% Conf. Interval]

return1 mon

-.3002336

.1030641

-2.91

0.004

-.5022354

-.0982317

tue

-.1789135

.1064386

-1.68

0.093

-.3875293

.0297024

thu

-.2952074

.0943826

-3.13

0.002

-.4801938

-.110221

fri

-.1397188

.0973463

-1.44

0.151

-.3305141

.0510764

l1

.0644375

.0316583

2.04

0.042

.0023885

.1264866

_cons

.2383938

.0705518

3.38

0.001

.1001147

.3766729

mon

.8453033

.7206706

1.17

0.241

-.5671852

2.257792

tue

.3343135

.6531635

0.51

0.609

-.9458634

1.61449

thu

.0155968

.6135191

0.03

0.980

-1.186879

1.218072

fri

.3605565

.6889818

0.52

0.601

-.9898229

1.710936

_cons

-1.5608

1.106331

-1.41

0.158

-3.729169

.607569

.1413246

.0393243

3.59

0.000

.0642504

.2183989

.5735072

.2056123

2.79

0.005

.1705145

.9765

HET

ARCH arch L1. garch L1.

80

LAMPIRAN 5. HASIL PENGUJIAN KRITERIA INFORMASI

. varsoc return1, maxlag(25) Selection-order criteria Sample:

33 - 6510, but with gaps

lag

LL

LR

df

p

Number of obs FPE

1425

=

AIC

HQIC

SBIC 2.86309

0

-2036.32

1.02175

2.8594

2.86077

1

-2023.36

25.914

1

0.000

1.00475

2.84261

2.84537*

2

-2022.26

2.1988

1

0.138

1.00461*

2.84247*

2.84661

2.85355

3

-2022.11

.31085

1

0.577

1.0058

2.84366

2.84918

2.85843

4

-2022.09

.02701

1

0.869

1.00719

2.84504

2.85194

2.86351

5

-2022.07

.04428

1

0.833

1.00858

2.84642

2.85469

2.86857

6

-2019.84

4.4647*

1

0.035

1.00683

2.84469

2.85434

2.87053

7

-2019.4

.86956

1

0.351

1.00763

2.84548

2.85651

2.87502

8

-2018.78

1.2445

1

0.265

1.00817

2.84601

2.85842

2.87924

9

-2018.72

.11952

1

0.730

1.0095

2.84733

2.86112

2.88426

10

-2018.68

.08575

1

0.770

1.01085

2.84867

2.86384

2.88929

11

-2018.52

.31709

1

0.573

1.01205

2.84985

2.8664

2.89417

12

-2018.38

.27824

1

0.598

1.01327

2.85106

2.86899

2.89907

13

-2018.01

.73784

1

0.390

1.01417

2.85195

2.87126

2.90364

14

-2017.98

.07561

1

0.783

1.01554

2.8533

2.87399

2.90869

15

-2017.66

.63304

1

0.426

1.01652

2.85426

2.87632

2.91334

16

-2017.06

1.201

1

0.273

1.01709

2.85482

2.87826

2.91759

17

-2016.08

1.9606

1

0.161

1.01712

2.85485

2.87967

2.92131

18

-2016.08

.00112

1

0.973

1.01854

2.85625

2.88245

2.92641

19

-2016.04

.07902

1

0.779

1.01992

2.8576

2.88518

2.93145

20

-2016.02

.04407

1

0.834

1.02132

2.85897

2.88793

2.93651

21

-2015.64

.75719

1

0.384

1.02221

2.85984

2.89018

2.94108

22

-2014.46

2.3452

1

0.126

1.02196

2.8596

2.89132

2.94453

23

-2013.29

2.358

1

0.125

1.02171

2.85935

2.89245

2.94797

24

-2012.39

1.7986

1

0.180

1.02185

2.85949

2.89397

2.9518

25

-2011.19

2.402

1

0.121

1.02156

2.85921

2.89507

2.95521

Endogenous: Exogenous:

return1 _cons

81

2.85*

LAMPIRAN 6. HASIL PENGUJIAN STASIONERITAS

1. PERIODE 1990-2014 Augmented Dickey-Fuller test for unit root

Number of obs

=

3036

Interpolated Dickey-Fuller Test Statistic -33.929

Z(t)

1% Critical

5% Critical

Value

10% Critical

Value

-3.430

Value

-2.860

-2.570

MacKinnon approximate p-value for Z(t) = 0.0000

D.return1

Coef.

Std. Err.

t

P>|t|

[95% Conf. Interval]

return1 L1.

-.7959017

.0234577

-33.93

0.000

-.8418964

-.7499071

LD.

-.021721

.0178513

-1.22

0.224

-.0567229

.0132808

_cons

.0626649

.0211508

2.96

0.003

.0211936

.1041362

2. PERIODE 1990-1994 Augmented Dickey-Fuller test for unit root

Number of obs

=

593

Interpolated Dickey-Fuller Test Statistic -10.628

Z(t)

1% Critical

5% Critical

Value

10% Critical

Value

-3.430

-2.860

Value -2.570

MacKinnon approximate p-value for Z(t) = 0.0000

D.return1

Coef.

Std. Err.

t

P>|t|

[95% Conf. Interval]

return1 L1.

-.4235699

.039854

-10.63

0.000

-.5018428

-.345297

LD.

-.1087728

.0393547

-2.76

0.006

-.1860652

-.0314804

_cons

.0728354

.0302985

2.40

0.017

.0133293

.1323415

82

3. PERIODE 1995-1999 Augmented Dickey-Fuller test for unit root

Number of obs

=

583

Interpolated Dickey-Fuller Test Statistic -13.575

Z(t)

1% Critical

5% Critical

Value

10% Critical

Value

-3.430

Value

-2.860

-2.570

MacKinnon approximate p-value for Z(t) = 0.0000

D.return1

Coef.

Std. Err.

t

P>|t|

[95% Conf. Interval]

return1 L1.

-.7410357

.0545882

-13.58

0.000

-.8482503

-.6338211

LD.

-.0193103

.0433314

-0.45

0.656

-.1044158

.0657953

_cons

-.0479102

.0550386

-0.87

0.384

-.1560095

.060189

4. PERIODE 2000-2004

Augmented Dickey-Fuller test for unit root

Number of obs

=

626

Interpolated Dickey-Fuller Test Statistic -16.233

Z(t)

1% Critical

5% Critical

Value

10% Critical

Value

-3.430

-2.860

Value -2.570

MacKinnon approximate p-value for Z(t) = 0.0000

D.return1

Coef.

Std. Err.

t

P>|t|

[95% Conf. Interval]

return1 L1.

-.843655

.0519722

-16.23

0.000

-.9457169

-.7415931

LD.

-.020088

.0397069

-0.51

0.613

-.0980635

.0578875

_cons

.1133687

.0508699

2.23

0.026

.0134713

.213266

83

5. PERIODE 2005-2009

Augmented Dickey-Fuller test for unit root

Number of obs

=

601

Interpolated Dickey-Fuller Test Statistic -17.165

Z(t)

1% Critical

5% Critical

Value

10% Critical

Value

-3.430

Value

-2.860

-2.570

MacKinnon approximate p-value for Z(t) = 0.0000

D.return1

Coef.

Std. Err.

t

P>|t|

[95% Conf. Interval]

return1 L1.

-.9459193

.0551063

-17.17

0.000

-1.054145

-.8376938

LD.

.0418258

.039639

1.06

0.292

-.0360228

.1196743

_cons

.131758

.0533496

2.47

0.014

.0269826

.2365334

6. PERIODE 2010-2014 Augmented Dickey-Fuller test for unit root

Number of obs

=

633

Interpolated Dickey-Fuller Test Statistic -17.882

Z(t)

1% Critical

5% Critical

Value

10% Critical

Value

-3.430

-2.860

Value -2.570

MacKinnon approximate p-value for Z(t) = 0.0000

D.return1

Coef.

Std. Err.

t

P>|t|

[95% Conf. Interval]

return1 L1.

-.9637797

.0538978

-17.88

0.000

-1.069621

-.8579386

LD.

.0266912

.0366389

0.73

0.467

-.0452579

.0986404

_cons

.0902384

.0411295

2.19

0.029

.0094708

.171006

84

LAMPIRAN 7. HASIL PENGUJIAN MULTIKOLINEARITAS

1. PERIODE 1990-2014 Variable

VIF

1/VIF

thu

1.58

0.633471

fri

1.57

0.638135

tue

1.56

0.639731

mon

1.56

0.642693

l1

1.00

0.997156

Mean VIF

1.45

2. PERIODE 1990-1994 Variable

VIF

1/VIF

thu

1.60

0.626200

fri

1.59

0.627030

tue

1.59

0.629764

mon

1.58

0.630918

l1

1.00

0.995031

Mean VIF

1.47

3. PERIODE 1995-1999 Variable

VIF

1/VIF

tue

1.56

0.639831

thu

1.56

0.639950

mon

1.55

0.644993

fri

1.54

0.648938

l1

1.00

0.998125

Mean VIF

1.44

85

4. PERIODE 2000-2004 Variable

VIF

1/VIF

thu

1.60

0.624151

fri

1.59

0.630150

tue

1.57

0.638761

mon

1.55

0.645184

l1

1.01

0.992227

Mean VIF

1.46

5. PERIODE 2005-2009

Variable

VIF

1/VIF

thu

1.57

0.637626

fri

1.56

0.642867

mon

1.54

0.649948

tue

1.54

0.650138

l1

1.01

0.992611

Mean VIF

1.44

6. PERIODE 2010-2014 Variable

VIF

1/VIF

thu

1.57

0.635621

tue

1.57

0.637696

fri

1.57

0.638504

mon

1.56

0.640331

l1

1.02

0.984020

Mean VIF

1.46

86

LAMPIRAN 8. HASIL PENGUJIAN OTOKORELASI

1. PERIODE 1990-2014 Breusch-Godfrey LM test for autocorrelation lags(p)

chi2

df

Prob > chi2

1

0.378

1

0.5387

H0: no serial correlation

2. PERIODE 1990-1994 Breusch-Godfrey LM test for autocorrelation lags(p)

chi2

df

Prob > chi2

1

0.015

1

0.9034

H0: no serial correlation

3. PERIODE 1995-1999 Breusch-Godfrey LM test for autocorrelation lags(p)

chi2

df

Prob > chi2

1

0.118

1

0.7308

H0: no serial correlation

4. PERIODE 2000-2004 Breusch-Godfrey LM test for autocorrelation lags(p)

chi2

df

Prob > chi2

1

0.308

1

0.5789

H0: no serial correlation

87

5. PERIODE 2005-2009 Breusch-Godfrey LM test for autocorrelation lags(p)

chi2

df

Prob > chi2

1

0.018

1

0.8947

H0: no serial correlation

6. PERIODE 2010-2014 Breusch-Godfrey LM test for autocorrelation lags(p)

chi2

df

Prob > chi2

1

1.305

1

0.2532

H0: no serial correlation

88

LAMPIRAN 9. HASIL PENGUJIAN HETEROSKEDASTISITAS

1. PERIODE 1990-2014 Breusch-Pagan / Cook-Weisberg test for heteroskedasticity Ho: Constant variance Variables: fitted values of return1 chi2(1)

=

58.92

Prob > chi2

=

0.0000

2. PERIODE 1990-1994

Breusch-Pagan / Cook-Weisberg test for heteroskedasticity Ho: Constant variance Variables: fitted values of return1 chi2(1)

=

3.54

Prob > chi2

=

0.0600

3. PERIODE 1995-1999 Breusch-Pagan / Cook-Weisberg test for heteroskedasticity Ho: Constant variance Variables: fitted values of return1 chi2(1)

=

1.84

Prob > chi2

=

0.1750

4. PERIODE 2000-2004 Breusch-Pagan / Cook-Weisberg test for heteroskedasticity Ho: Constant variance Variables: fitted values of return1 chi2(1)

=

4.88

Prob > chi2

=

0.0272

89

5. PERIODE 2005-2009 Breusch-Pagan / Cook-Weisberg test for heteroskedasticity Ho: Constant variance Variables: fitted values of return1 chi2(1)

=

30.85

Prob > chi2

=

0.0000

6. PERIODE 2010-2014 Breusch-Pagan / Cook-Weisberg test for heteroskedasticity Ho: Constant variance Variables: fitted values of return1 chi2(1)

=

6.32

Prob > chi2

=

0.0119

90

LAMPIRAN 10. HASIL PENGUJIAN EFEK ARCH-LM

1.

PERIODE 1990-2014

Number of gaps in sample:

321

LM test for autoregressive conditional heteroskedasticity (ARCH) lags(p)

chi2

Prob > chi2

5

341.984

5

0.0000

10

276.765

10

0.0000

15

201.790

15

0.0000

20

140.172

20

0.0000

25

124.034

25

0.0000

H0: no ARCH effects

2.

df

vs.

H1: ARCH(p) disturbance

PERIODE 1990-1994

Number of gaps in sample:

63

LM test for autoregressive conditional heteroskedasticity (ARCH) lags(p)

chi2

df

Prob > chi2

5

48.721

5

0.0000

10

42.554

10

0.0000

15

55.462

15

0.0000

20

49.996

20

0.0002

25

58.564

25

0.0002

H0: no ARCH effects

vs.

H1: ARCH(p) disturbance

91

3.

PERIODE 1995-1999

Number of gaps in sample:

70

LM test for autoregressive conditional heteroskedasticity (ARCH) lags(p)

chi2

df

Prob > chi2

5

95.639

5

0.0000

10

77.758

10

0.0000

15

75.438

15

0.0000

20

60.969

20

0.0000

25

76.033

25

0.0000

H0: no ARCH effects

4.

vs.

H1: ARCH(p) disturbance

PERIODE 2000-2004

Number of gaps in sample:

62

LM test for autoregressive conditional heteroskedasticity (ARCH) lags(p)

chi2

Prob > chi2

5

22.405

5

0.0004

10

23.904

10

0.0079

15

21.259

15

0.1288

20

20.209

20

0.4449

25

23.673

25

0.5383

H0: no ARCH effects

5.

df

vs.

H1: ARCH(p) disturbance

PERIODE 2005-2009

Number of gaps in sample:

67

LM test for autoregressive conditional heteroskedasticity (ARCH) lags(p)

chi2

df

Prob > chi2

5

35.244

5

0.0000

10

41.512

10

0.0000

15

37.431

15

0.0011

20

29.102

20

0.0858

25

24.605

25

0.4847

H0: no ARCH effects

vs.

H1: ARCH(p) disturbance

92

6.

PERIODE 2010-2014

Number of gaps in sample:

55

LM test for autoregressive conditional heteroskedasticity (ARCH) lags(p)

chi2

df

Prob > chi2

5

107.032

5

0.0000

10

111.585

10

0.0000

15

77.930

15

0.0000

20

56.777

20

0.0000

25

33.978

25

0.1084

H0: no ARCH effects

vs.

H1: ARCH(p) disturbance

93