BAB IV ANALISIS HASIL PENELITIAN
4.1 Menghitung Return Karena penelitian ini mengukur potensi kerugian maksimum dari saham BMRI. Maka, langkah pertama adalah menghitung return hariannya dengan rumus (2-3) untuk 514 hari perdagangan. Hasil perhitungan return dari saham BMRI dapat dilihat pada Lampiran Tabel 4.1.
4.2 Uji Stasioneritas Dalam menganalisis data time series diperlukan uji stasioneritas untuk menguji apakah data return dan standar deviasi yang telah dihitung layak digunakan untuk menaksir nilai dimasa yang akan datang. Artinya data tersebut flat, memiliki rata-rata dan varians yang konstan sepanjang waktu serta tidak terdapat fluktuasi periodik (Damodar N. Gujarati, Dawn C. Porter, 2012). Dalam penelitian ini untuk menguji stasioneritas data menggunakan Augmented Dickey Fuller Test (ADF Test). Data dikatakan stasioner apabila nilai ADF statistik lebih kecil dibandingkan nilai critical value 5%. Apabila nilai ADF statistik lebih besar dibandingkan dengan nilai critical value 5% maka dapat
45
dilakukan differencing. Berikut tampilan hasil uji stasioneritas dengan bantuan software Eviews : t-Statistic
Prob.*
Augmented Dickey-Fuller test statistic
-11.90472
0.0000
Test critical values:
1% level
-3.443123
5% level
-2.867066
10% level
-2.569775
diperoleh nilai ADF Test yaitu sebesar -11.90472. Dimana nilai tersebut < critical value 5% (-2.867243). Artinya data telah stasioner dan dapat digunakan untuk perhitungan selanjutnya. Tampilan lengkap hasil uji stasioneritas dengan menggunakan Eviews ada di Lampiran Gambar 4.1.
4.3 Uji Normalitas Uji normalitas dilakukan untuk mengetahui apakah data return yang dianalisis berdistribusi normal atau tidak. Hal ini dilakukan karena pada perhitungan VaR variance covariance akan berbeda untuk data yang berdistribusi normal dan data yang tidak berdistribusi normal. Uji normalitas dilakukan dengan Residual Test histogram – Normality test yaitu dengan membandingkan nilai Jarque Berra dengan nilai
2
(Chi Square).
Residual dari data dikatakan normal apabila nilai Jarque Berra hitung lebih kecil dari nilai chi square table, dan sebaliknya bila nilai Jarque-Berra hitung lebih besar dari chi square maka data tidak berdistribusi dengan normal.
46
Dengan bantuan program Eviews, dari layer ADF Test statistic kemudian klik view, descriptive statistic, dan histogram. Untuk menguji normalitas dapat menggunakan tes distribusi normal dengan probabilitas Jarque – Berra. Jika probabilitas (α) > 5% (tingkat kepercayaan) maka data berdistribusi normal, sedangkan jika probabilitas (α) < 5% maka data tidak berdistribusi normal. Berikut hasil uji Normalitas :
Dari hasil uji (Gambar 4.2) terlihat bahwa probabilitas Jarque Berra < 5% yaitu sebesar 0.00000000 dengan nilai skewness sebesar 0.665228 . Maka dapat disimpulkan bahwa data tidak berdistribusi normal. Oleh karena itu, α harus dikoreksi menjadi α’ dengan Cornish Fisher Expansion sebagaimana dirumuskan sebagai berikut : =
−
(
− 1)
Z – Score α (5%) = 1.645 Maka nilai α’ = 1.645 – 1/6 (1.645 2 -1)*(- 0.665228) α’ = 1.834149266
47
4.4 Uji heteroskedastisitas Tujuan dari pengujian ini adalah agar taksirannya bersifat BLUE (Best Linier Unbiased Estimator) artinya data memiliki varians yang konstan. Akibat yang ditimbulkan dari adanya heteroskedastisitas (Winarno, 2011) adalah : a. Estimator metode kuadrat terkecil tidak mempunyai varian yang minimum (tidak lagi best), sehingga hanya LUE (linier unbiased estimator). Meskipun demikian, estimator metode kuadrat terkecil masih bersifat linier dan tidak bias. b. Perhitungan standar error tidak dapat lagi dipercaya kebenarannya, karena varian tidak minimum. Varian yang tidak minimum mengakibatkan estimasi regresi tidak efisien. c. Uji hipotesis yang didasarkan pada uji t dan uji F tidak dapat lagi dipercaya karena standard error nya tidak dapat dipercaya. Data dikatakan heteroskedastis apabila nilai probabilitas F-Statistik lebih kecil dari 5%. Namun apabila sebaliknya maka data dikatakan homoskedastis. Langkah – langkah proses uji white heteroskedastis yaitu dengan cara highlight workfile object new object dan mengetik nama persamaan yang akan diuji ok. Pada tampilan equation estimation, karena metode yang digunakan adalah Least Square, pilih “LS-Least Square (NLS and ARMA)”. Dan pada Equation spesification dimasukkan rumus “return c return(-1)”. Selanjutnya klik view residual tests white heteroskedasticity (no cross). Hasil perhitungan adalah sebagai berikut :
48
Prosedur pengujian dilakukan dengan hipotesis sebagai berikut: H0 : Homoskedastis H1 : Heterekodastisitas
Jika α = 5%, maka tolak H0 jika obs*R-square > X2. Berikut tampilan hasil uji white heteroskedastisitas menggunakan Eviews : Heteroskedasticity Test: White F-statistic
3.831728
Obs*R-squared
3.817907
Scaled explained SS
15.07117
Prob. F(1,504)
Prob. Chi-Square(1) Prob. Chi-Square(1)
0.0508
0.0507 0.0001
Hasil output menunjukkan nilai Obs*R-squared adalah sebesar 3.818 sedangkan nilai probabilitas (chi-square) adalah 0,051 (lebih besar daripada α = 0,050). Dengan demikian kita dapat menerima hipotesis nol bahwa data tidak mengandung masalah heteroskedastisitas atau disebut juga homoskedastis. Jika data return bersifat heteroskedastis maka nilai tersebut dicari dengan dengan pendekatan ARCH/GARCH atau EWMA dan sebaliknya apabila return bersifat homoskedastis maka untuk mencari volatilitas cukup menggunakan rumus standar deviasi (σ) : ∑
= √( σ2 = ∑
[
[( −
−
)] )
] ∗
dengan menggunakan bantuan Microsoft excel maka diperoleh nilai variance sebesar 0.000476. σ = √ 0.000476 dengan demikian maka standar deviasi (σ) adalah = 0.021828. 49
4.4 Perhitungan VaR dengan Metode Varians Covarians Setelah nilai standar deviasi diketahui, nilai α diketahui maka selanjutnya dapat dihitung nilai VaR saham BMRI dengan metode varians Covarians yang dirumuskan sebagai berikut : VaR = Vo * σ * α *√t Dimana : Vo : Eksposure σ : standar deviasi α : nilai Z score pada tingkat kepercayaan 5% t : time horison Eksposur yang digunakan dalam perhitungan VaR dengan metode varians covarians untuk saham BMRI pada penelitian ini, adalah harga saham penutupan pada tanggal 28 Desember 2012 sebesar Rp 8.100. berikut contoh perhitungan Nilai Var untuk satu hari, tujuh hari, tigapuluh hari dan duaratus limapuluh satu hari kedepan. Perhitungannya adalah sebagai berikut : VaR = Rp 8.100 x 0.021828 x 1.834149266 x √1 Presentase (%) VaR =
,
= Rp 324,00
x 100% = 4%
Nilai VaR untuk 7 hari kedepan : VaR = Rp 8.100 x 0.021828 x 1.834149266 x √7 Presentase (%) VaR =
= Rp 858,00
x 100% = 10,59%
50
Nilai VaR untuk 30 hari kedepan : VaR = Rp 8.100 x 0.021828 x 1.834149266 x √30 Presentase (%) VaR =
.
= Rp 1.776,00
x 100% = 21,93%
Nilai VaR untuk 251 hari kedepan : VaR = Rp 8.100 x 0.021828 x 1.834149266 x √251 Presentase (%) VaR =
.
= Rp 5.138,00
x 100% = 63.43%
Dan seterusnya hingga akhir tahun 2013, Total hari kerja di tahun 2013 yaitu 251 hari kerja. Berikut chart hasil perhitungan VaR harian sepanjang tahun 2013 :
VaR Harian Sepanjang Tahun 2013 R u p i a h
6,000 5,000 4,000 3,000 2,000 1,000 0
Waktu
Sumber : Data hasil olah
51
Dari chart tersebut terlihat bahwa kemungkinan kerugian maksimum sepanjang tahun 2013 adalah sebesar Rp 5.138,00 sedangkan kemungkinan kerugian minimum adalah sebesar Rp. 324,00. Grafik tersebut cenderung meningkat karena semakin lama periode waktu yang akan dihitung dimasa datang maka semakin besar nilai resikonya. Sebagaimana rumusnya time horizon berbanding lurus dengan nilai value at risk. Perhitungan lengkap VaR harian ada di lampiran Tabel 4.
52