JANUARY EFFECT ANALYSIS ON STOCK LOSER AND WINNER : LINEAR REGRESSION METHOD Lintang Kirana Ratu Thresna Biyanti
[email protected] Abstrack. January Effect is a calendar anomaly. January Effect anomaly tendencies of diffrences in rate of return higher than the trade in other months. In this incident may allow inverstors to earn abnormal returns. This creates an oppurtunity for investors to buy stock for lower prices before january and sell them after their value increases. Therefore, the main characteristics of the january Effect is an increase in the purchase of securities by the end of the year with a lower price and sale it in January to generate profit from the price difference. Types of patterns in the behavior of prices in fanancial markets support the fact that the financial markets are not fully efficient. In this study examines all companies listed on the Indonesia Stock Exchange (JSE) with year period from 2007 to 2010. Filing hypothesis using Logistic Regression with a significant level of <0.05. Symptoms January Effect does not occur in four year of this study to mean acceptable H 0 H1 rejected with values greater than 0.05. Key Word: January Effect, Logistic Regression, Trade, Return. Abstrak. Januari Effect adalah anomali kalender, berpengaruh pada perbedaan tingkat pengembalian lebih tinggi dari pada perdagangan bulan-bulan lainnya. Dalam kasus ini inverstor mendapatkan pendapatan investasi abnormal. Hal ini menciptakan kesempatan bagi investor membeli saham pada harga yang lebih rendah sebelum Januari dan menjualnya setelah nilai mereka meningkat. Oleh karena itu, karakteristik utama dari Januari Effect adalah peningkatan pembelian surat berharga pada akhir tahun dengan harga yang lebih rendah dan penjualan dilakukan pada Januari untuk menghasilkan laba dari perbedaan harga. Jenis pola perilaku harga di pasar keuangan mendukung fakta bahwa pasar keuangan tidak sepenuhnya efisien. Penelitian ini menganalisis semua perusahaan yang terdaftar di Bursa Efek Indonesia (BEJ) dengan periode tahun 2007 sampai tahun 2010 Pengajuan hipotesis menggunakan Logistik Regression dengan tingkat signifikan <0,05. Gejala Januari Effect tidak terjadi dalam empat tahun studi ini berarti H0 H1 diterima ditolak dengan nilai lebih besar dari 0,05. Kata Kunci: January Effect, Regresi Logistik, Perdagangan, Return. January effect merupakan salah satu anomali kalender. Adanya anomali January effect memiliki kecenderungan adanya perbedaan tingkat return yang lebih tinggi dibandingkan dengan perdagangan pada bulan-bulan lainnya. Dalam peristiwa ini dapat memungkinkan para investor untuk memperoleh abnormal return. Namun seorang investor tentu saja mengharapkan saham winner tetap menjadi saham yang memiliki return yang lebih tinggi dan saham loser menjadi saham yang return-nya rendah. Akan tetapi pada kenyataannya berdasarkan penelitian (The Journal of Finance) di Pasar modal Kanada yaitu Standard and
Poor’s Composite Index, bulan perdagangan Januari memiliki return yang tertinggi dari pada perdagangan di bulan lainnya, dan saham loser memiliki return yang lebih tinggi daripada return saham winner. Sama halnya dengan penelitian (The Journal of Finance) pada tahun 2008, Th. Octavianti P.B juga telah melakukan penelitian pada perusahaan-perusahaan yang terdaftar di BEI, dan diketahui pula hal yang serupa bahwa saham loser memiliki return yang tertinggi dari pada perdagangan di bulan lainnya. Dengan demikian untuk membuktikan adanya perbedaan tingkat return pada saham winner dan saham loser tersebut diperlukan 167
penelitian terhadap tingkat return pada sahamsaham yang terdaftar di BEI sehingga perumusan masalah sebagai berikut: ‘’Apakah terjadi perbedaan return saham loser dan winner pada bulan Januari periode 2007-2010’’ Berdasarkan perumusan masalah yang sudah ditetapkan maka penelitian ini dibatasi pada beberapa aspek sebagai berikut:“Apakah terjadi Return Portofolio saham tertinggi pada winner– loser pada Januari pada periode 2007-2010?” Konsep Pasar Modal Efisien Konsep pasar modal yang efisien telah menjadi suatu topik perdebatan yang menarik dan cukup kontroversial di bidang keuangan. Istilah tentang pasar yang efisien memang bisa diartikan secara berbeda untuk tujuan yang berbeda pula. Dalam bidang keuangan, konsep pasar yang efisien lebih ditekankan pada aspek informasi, artinya pasar yang efisien adalah pasar di tempat semua harga sekuritas yang diperdagangkan telah mencerminkan semua informasi yang tersedia (Tandelin, 2005). Dalam hal ini, informasi yang tersedia bisa meliputi semua informasi yang tersedia baik informasi di masa lalu (laba perusahaan tahun lalu), maupun informasi saat ini (rencana kenaikan deviden tahun ini), serta informasi yang bersifat sebagai pendapatan/opini rasional yang beredar di pasar yang bisa mempengaruhi perubahan harga (jika banyak investor di pasar berpendapat bahwa harga saham akan naik, maka informasi tersebut nantinya akan tercermin pada perubahan harga saham yang cenderung naik (Tandelin, 2005).
ini. Implikasinya adalah bahwa investor tidak akan bisa memprediksi nilai pasar saham di masa mendatang dengan menggunakan data historis, seperti yang dilakukan dalam analisis teknikal. Efisien dalam Bentuk Setengah Kuat (Semistrong) Pasar efisien dalam bentuk setengah kuat merupakan bentuk efisiensi pasar yang lebih komprehensif karena dalam bentuk ini harga saham di samping dipengaruhi oleh data pasar (harga saham dan volume perdagangan masa lalu), juga dipengaruhi oleh semua informasi yang dipublikasikan (seperti earning, dividen, pengumuman stock split, penerbitan saham baru, dan kesulitan keuangan yang dialami perusahaan). Pada pasar yang efisien dalam bentuk setengah kuat ini, investor tidak dapat berharap mendapatkan return abnormal jika strategi perdagangan yang dilakukan hanya didasari oleh informasi yang telah dipublikasikan. Sebaliknya jika pasar tidak efisien maka akan ada lagi dalam proses penyesuaian harga terhadap informasi baru, dan ini dapat digunakan oleh investor untuk mendapatkan return abnormal. Dalam situasi adanya lag seperti ini, investor bisa melakukan analisis fundamental (analisis yang mencoba mengestimasi nilai intrinsik sekuritas berdasarkan data-data yang terpublikasi seperti earning dan penjualan) untuk memperoleh return abnormal pada pasar yang tidak efisien dalam bentuk setengah kuat ini.
Bentuk Pasar yang Efisien Untuk memudahkan penelitian tentang efisiensi pasar Fama, mengklasifikasikan bentuk pasar yang efisien ke dalam tiga bentuk efficient market hypothesis (EMH), yaitu:
Efisien dalam Bentuk Kuat (Strong Form) Pasar efisien dalam bentuk kuat, semua informasi baik yang terpublikasi atau tidak dipublikasikan, sudah tercermin dalam harga sekuritas saat ini. Dalam bentuk efisien kuat tidak aka nada seorang investor pun yang bisa memperoleh return abnormal.
Efisien dalam Bentuk Lemah (Weak Form) Pasar efisien dalam bentuk lemah berarti semua informasi di masa lalu (historis) akan tercermin dalam harga yang terbentuk sekarang. Oleh karena itu, informasi historis tersebut (seperti harga dan volume perdagangan di masa lalu) tidak bisa lagi digunakan untuk memprediksi perubahan harga di masa yang akan datang, karena sudah tercermin pada harga saat
Anomaly Membahas tentang keefisienan pasar, telah banyak peneliti yang menemukan adanya penyimpangan-penyimpangan yang bertentangan dengan teori hipotesis pasar efisien ini yang sering disebut dengan anomaly pasar (market anomaly). Dalam pasar modal, istilah anomaly menggambarkan suatu kondisi bahwa saham atau sekumpulan saham memiliki performa yang
168
bertentangan dengan pasar efisien, sehingga harga saham tidak lagi mencerminkan seluruh informasi yang tersedia di dalam pasar. Artinya, suatu peristiwa (event) dapat dimanfaatkan untuk memperoleh abnormal return. Dengan kata lain, seorang investor dimungkinkan memperoleh abnormal return dengan mengandalkan suatu peristiwa tertentu. Anomaly merupakan salah satu bentuk dari peristiwa yang terjadi di pasar modal. Anomaly tidak hanya dapat ditemukan pada bentuk pasar efisien saja. Anomaly adalah kejadian atau peristiwa yang tidak diantisipasi dan yang menawarkan investor peluang untuk memperoleh abnormal return (Gumanti dan Ma’ruf, 2004). Jenis-jenis Anomaly Sedikitnya dikenal empat macam anomaly pasar dalam teori keuangan. Keempat macam anomaly pasar tersebut adalah anomaly perusahaan (firm anomaly), anomaly musiman (seasional anomaly), anomaly peristiwa (firm anomaly) dan anomaly akuntansi (accounting anomaly). (lihat Tabel 1). January Effect January Effect diperkenalkan pertama kali oleh Wachel, tetapi baru mendapat perhatian masyarakat setelah dilakukan penelitian oleh Rozeff dan Kinney (Haugen dan Jorion). January Effect adalah kecenderungan naiknya harga saham antara 31 Desember sampai dengan akhir minggu pertama pada Januari. Reinganum dalam Chatterjee (2003) dalam penelitiannya menemukan bahwa January Effect terjadi pada 5 hari pertama Januari. Menurut Roll dalam French dan Trapani (2005) kebanyakan return tertinggi terjadi pada beberapa hari awal Januari. January Effect Keim, Ariel dan Haugen Jorion menyatakan bahwa harga saham pada umumnya lebih tinggi pada 2 minggu pertama pada Januari dibandingkan periode akhir Desember. Rozeff dan Kinney dalam French dan Trapani (2005) mengatakan bahwa rata-rata return pada bulan Januari lebih tinggi dibandingkan dengan bulan-bulan lainnya. Sedangkan Chatterjee (2003) menemukan adanya
January Effect yang signifikan dari return perusahaan kecil dibandingkan denga perusahaan besar yang terjadi pada beberapa hari pertama pada Januari. January Effect adalah anomaly kalender terkait dalam pasar keuangan di mana keamanan finansial meningkatkan harga di bulan Januari. Hal ini menciptakan kesempatan bagi investor untuk membeli saham untuk harga yang lebih rendah sebelum Januari dan menjualnya setelah kenaikan nilai mereka. Oleh karena itu, karakteristik utama dari Efek Januari adalah peningkatan pembelian surat berharga sebelum akhir tahun ini dengan harga yang lebih rendah, dan menjualnya pada Januari untuk menghasilkan laba dari perbedaan harga. Jenis pola dalam perilaku harga di pasar keuangan mendukung fakta bahwa pasar keuangan tidak sepenuhnya efisien. Pengaruh Januari pertama kali diamati pada, bankir Wachtel. Ini adalah fenomena yang diamati dulu. Teori yang paling umum menjelaskan fenomena ini adalah bahwa investor individu, yang pendapatan pajak yang sensitif dan yang tidak proporsional memegang kecil saham, menjual saham untuk alasan pajak pada akhir tahun (seperti untuk mengklaim kerugian modal) dan menginvestasikan kembali setelah pertama tahun ini. Penyebab lain adalah pembayaran bonus akhir tahun pada bulan Januari. Beberapa ini bonus uang digunakan untuk membeli saham, menaikkan harga. Dalam Jurnal Das dan Arora (Day of the week Effect in NSE Stock Returns) 2003 mengatakan bahwa berbagai efek seperti kalender efek, sebagai contoh turn of the year effect, week effect dan holiday effect menimbulkan rate of return yang sangat tinggi dan abnormal di beberapa pasar saham. Berbagai penelitian yang khusus meneliti return sensonality memiliki hipotesa: (1) Tax loss selling hypothesis: menerangkan bahwa investor menjual sekuritas dimana mereka mengalami kerugian sehingga dapat mengambil keuntungan dari pembayaran non pajak atas kerugian ini; (2) The window dressing hyphothesis: institutional investor sebelumnya di evaluasi dalam hal value at risk rasio investasi saham yang beresiko di saat awal lalu menstabilkan posisi mereka dengan menjual 169
Table 1. Macam-macam Anomaly Pasar No
1.
Kelompok Anomali Perusahaan (Firm Anomaly)
Jenis
Keterangan
a. Size
Return pada perusahaan kecil cenderung lebih besar walaupun sudah disesuaikan dengan risiko.
b. Closed -end Mutual Funds
2.
3.
170
Anomali Musiman (Seasonal Anomaly)
Anomaly Peristiwa (Even Effect)
Return pada close-end funds yang dijual dengan potongan cendrung lebih tinggi.
c. Neglect
Perusahaan yang tidak diikuti banyak analisis cenderung menghasilkan return lebih tinggi
d. Institutional Holdings
Perusahaan yang dimiliki oleh sedikit institusi cenderung memiliki return yang lebih tinggi.
a. January Effect
Harga sekuritas cenderung naik di bulan januari, khususnya dihari-hari pertama.
b. Weekend Effect
Pasar modal cenderung naik pada hari jumat dan turun pada hari senin.
c. Time of Day Effect
Harga sekuritas cenderung naik di 45 menit pertama dan di 15 menit terakhir perdagangan.
d. End of Month Effect
Harga sekuritas cenderung naik di hari-hari akhir tiap bulan.
e. Seasonal Effect
Saham perusahaan dengan penjualan musiman tinggi cenderung naik selama musim ramai.
f. Holiday Effect
Ditemukan return positif pada hari akhir sebelum liburan.
a. Analysts Recommendati on
Semakin banyak analis merekomendasikan untuk membeli suatu saham, semakin tinggi peluang harga akan turun.
4.
Anomali Akuntansi (Accounting Anomaly)
b. Insider Trading
Semakin banyak saham yang dibeli oleh insiders, semakin tinggi kemungkinan harga akan naik.
c. Listings
Harga sekuritas cenderung naik setelah perusahaan mengumumkan akan melakukan pencatatan saham dibursa.
d. Value Line Ratings Changes
Harga sekuritas akan terus naik setelah Value Line menempatkan rating perusahaan pada urutan tinggi.
a. P/E
Saham dengan P/E rasio rendah cenderung memiliki return yang lebih tinggi.
b. Earning Surprise
Saham dengan capaian earnings lebih tinggi dari yang diperkirakan cenderung mengalami peningkatan harga.
c. Price/Sales
Jika rasionya rendah cenderung berkinerja lebih baik.
d. Price/Book
Jika Rasionya rendah cenderung berkinerja lebih baik.
e. Devident Yield
Jika Yield-nya tinggi cenderung berkinerja lebih baik.
f. Earnings Momentum
Saham perusahaan yang tingkat pertumbuhan earnings-nya meningkat cenderung berkinerja lebih baik.
saham pada saat akhir (3) Liquid hypothesis: investor ini menginvestasikan uangnya setelah menerima sejenis bonus atau insentive dimana dapat meningkatkan posisi liquiditasnya; (4) The time varying risk premium: yang mengungkapkan bahwa aktivitas dan hasil makro ekonomi musiman memiliki dampak yang cukup besar pada return pasar saham. Metode Penelitian Data
Obyek penelitian penulisan adalah sahamsaham yang tergabung dalam BEI selama periode 2007 sampai dengan 2010. Penelitian yang berjudul “Analisis January effect pada saham loser-winner pada periode 2007-2010 ini adalah penelitian kuantitatif. Yaitu penelitian yang menggunakan cara pengolahan numerik (angka) dan penggunaan statistik. Dalam penelitian ini data yang digunakan adalah data sekunder. Data sekunder yang digunakan antara lain: (1) Daftar nama emiten yang tergabung dalam BEI bersumber dari www.idx.co.id; (2) Data bulanan 171
pada periode 2007 sampai dengan 2010 yang bersumber dari www.yahoofinance.com; (3) Dibentuk Saham-Saham yang termasuk katagori; (4) Winner = 30% tertinggi return nya; (5) Loser = 30% terendah return nya. Sampel Penelitian Populasi (saham-saham) yang digunakan dalam penelitian ini adalah saham-saham perusahaan yang telah terdaftar di Bursa Efek Indonesia. Kriteria saham-saham yang akan dilakukan penelitian untuk dijadikan sampel penelitian adalah sebagai berikut: (1) Seluruh perusahaan yang diperdagangkan di BEI pada periode 2007 sampai dengan 2010; (2) Data saham berupa data saham bulanan dari bulan tahun 2007 sampa tahun 2010. Perhitungan Return Return saham adalah keuntungan yang dinikmati oleh investor atas investasi yang dilakukannya. Return merupakan persentase perubahan harga saham dari periode t dibanding dengan periode sebelumnya t-1. Untuk perhitungan saham dari retun-return harian menggunakan periode t = 1, 2, 3,...n. Adapun rumus return yang digunakan adalah: (Husnan, 2005) ..... (3.1) Keterangan : Rit : Return saham i pada hari ke t Pi, t : Harga saham i pada periode t Pi, t-1 : Harga saham i pada periode t-1 Pengujian Data Return Setelah menghasilkan data return, maka dilakukan beberapa pengujian. Variabel dependen dari persamaan regresi yang digunakan untuk pengujian hipotesis penelitian ini berupa return bulanan dari indeks industri. Serta menggunakan uji logistic regression variabel. Pengujian ini dilakukan dengan menggunakan software SPSS17.0 Return IHSI Return pasar yang digunakan pada Bursa Efek Indonesia adalah Indeks Harga Saham 172
Indusri (IHSI) dengan menggunakan data saham bulanan pada periode t= 1, 2, 3, ....n. Sehingga dapat dihitung return pasar untuk periode t adalah: ..... (3.1) Rmt IHSI, t waktu t. IHSI, t-1 waktu t-1.
= expected return. = Indeks Harga Saham Gabungan = Indeks Harga Saham Gabungan
Logistic regression Variabel Logistic regression sebetulnya mirip analisis diskriminan yaitu kita ingin menguji apakah probabilitas terjadinya variabel terikat dapat diprediksi dengan variabel bebasnya. Berikiut ini beberapa contoh kasus yang umumnya di analisis dengan logistic regression adalah (1) Seorang dokter ingin mengatahui apakah probabilitas seorang pasien tersrang penyakit jantung dapat diprediksi dari tekanan darah, kadar kolesterol, kalori yang dimakan, jenis kelamin dan gaya hidup; (2) Seorang auditor ingin menentukan probabilitas sebuah perusahaan bangkrut dengan melihat beberapa rasio keuangan, ukuran besarnya perusahaan (besar/kecil) masalah masalah ini sebetulnya dapat dipecahkan analisis deskriminan. Namun demikian asumsi multi variate normal distribution tidak dapat dipenuhi karena variabel bebas merupakan campuran antara variabel continue (matrik) dan kategorial (non-matrik). Dalam hal ini dapat dianalisis dengan logistic regression karena tidak perlu asumsi normalitas data pada variabel bebasnya. Jadi logistic regression umum nya dipakai jika asumsi multi variate normal distribution tidak dipenuhi. Untuk menjelaskan konsep dasar logistic regression kita gunakan data 12 perusahaan sukses dan 12 perusahaan tidak sukses. Berikut merupakan data ukuran perusahaan (size) dalam bentuk kategori yaitu perusahaan besar diberi kode angka 1 dan perusahaan kecil diberi kode perusahaan angka 0. Perusahaan sukses diberi kode 1 dan perusahaan tidak sukses diberikan
kode 0 serta variabel kinerja keuangan (FP). (lihat Tabel 2). Dari tabel 2, kita dapat menyusun tabel kontijensi antara tipe perusahaan (sukses dan tidak sukses) dan ukuran perusahaan (besar dan kecil). Dibawah ini yang dimaksud tabel kontijensi. (lihat Tabel 3). Tabel memberikan beberapa kemungkinan perhitungan probabilitas sbb; (1) Probabilitas bahwa perusahaan akan sukses adalah P (S)=12/4=0,50; (2) Probabilitas bahwa perusahaan akan sukses dan perusahaan tersebut besar (B) adalah : P(S‖B)= 10/11=0.909; (3) Probabilitas bahwa perusahaan akan sukses dan perusahaan tersebut kecil (K) adalah P(S‖K)= 2/13=0,154 Probabilitas kadang-kadang dinyatakan dalam istilah odds. Sebagai misal kita sering dengan odds sebuah tim sepak bola memenangkan kompetisi liga utama atau odds seorang perokok akan menderita kanker. Dari tabel diatas kita dapat menghitung adds tersebut: (1) Odds sebuah perusahaan akan sukses adalah odds (S) 12/12= 1 yang berarti odds sebuah perusahaan akan sukses atau tidak sukses adalah sama atau odds 1 lawan 1; (2) Odds sebuah perusahaan akan sukses dan perusahaan besar adalah odds (S‖B)= 10/1 =10 yang berarti odds perusahaan besar yang akan sukses adalah 10 kali lebih besar dibandingkan perusahaaan akan tidak sukses; (3) Odds sebuah perusahaan akan sukses dan perusahaan kecil adalah odds (S‖K)= 2/11=0.182 yang berarti odds perushaan kecil dan akan sukses adalah 2 banding 11 atau 0.182 banding 1. Pembentukan Saham-Saham Winner-Loser Untuk memperoleh kelompok saham yang dapat dikategorikan sebagai winner dan loser, lalu membagi periode penelitian menjadi tiga tahap: (1) Ranking Period (periode pemeringkatan saham berdasarkan imbal hasilnya). Menurut Ding, et al (2007) imbal hasil saham diperoleh dengan cara membandingkan harga saham penutupan pada bulan Desember pada periode ke t dengan harga saham penutupan pada bulan Desember periode ke t-1. Panjang interval periode t-1 ke periode t pada periode
pemeringkatan saham dibuat menjadi 12 bulanan. Hal ini untuk menangkap kemungkinan definisi jangka pendek yang berbeda-beda antar pasar modal; (2) Formation Period (periode pembentukan portofolio). Formation Period adalah titik waktu dimana portofolio saham dibentuk. Winner adalah portofolio saham yang memiliki peringkat imbal hasil tertinggi pertama sedangkan loser adalah portofolio saham yang berisi saham dengan peringkat imbal hasil terburuk; (3) Observation Period/Test Period (periode pengamatan imbal hasil portfolio). Setelah portfolio saham winner dan loser diperoleh, maka dihitung imbal hasil portfolio tersebut yang terjadi selama periode pengamatan dengan holding period seperti metodologi yang dilakukan yaitu 12 bulan untuk pengujian January Effect. Dalam penelitian ini, setelah melakukan pemeringkatan saham-saham yang menjadi sampel penelitian menjadi saham-saham loser dan saham winner, maka mencoba untuk membagi periode formasi untuk saham-saham winner dan loser menjadi 12 bulan, begitu juga dengan periode observasi/pengujiannya. Untuk January Effect, yaitu periode formasi dimulai pada bulan Januari 2007 sampai Desember 2007, sedangkan untuk periode pengujiannya dilakukan pada bulan Januari 2008 sampai Desember 2008, dan dilakukan seterusnya sampai dengan Desember 2010. Hipotesa Penelitian Hipotesa 1: Ho1 : tidak terjadi perbedaan return saham loser dan winner pada bulan Januari Ha1 : terjadi perbedaan return saham loser dan winner pada bulan Januari Formula hipotesa yang digunakan untuk hipotesa penelitian ini adalah sebagai berikut: 1. H01 : µ1 = µ2 = 0 Ha1 : µ1 ≠ µ2 ≠ 0 Formula Logistic regression R = α + β 1x1 + β2x2 + β3x3 + β4x4 + β5x5 + β6x6 + β7x7 + β8x8 + β9x9 + β10x10 + β11x11 + β12x12
173
perusahaan 1 1 1 1 1 1 1 1 1 1 1 1
Tabel 2. Data perusahaan sukses dan tidak sukses sukses kode tidak sukses kode 1 0 size FP perusahaan Size 1 0.58 0 1 1 2.80 0 0 1 2.77 0 0 1 3.50 0 0 1 2.67 0 0 1 2.97 0 0 1 2.18 0 0 1 2.24 0 0 1 1.49 0 0 1 2.19 0 0 1 2.70 0 0 1 2.57 0 0
FP 2.28 1.06 1.0 0.07 0.16 0.70 0.75 1.61 0.34 1.15 0.44 0.86
Tabel 3. Kontijensi tabel tipe perusahaan dan ukuran perusahaan size tipe perusahaan Besar kecil Total sukses (s) 10 2 12 tidak sukses(ts) 1 11 12 Total 11 13 24 Analisa Hipotesa Tahun 2007 Apabila kode menunjukan angka 1 secara portofolio termasuk jenis perusahaan Winner, dikarenakan data pada bulan Januari sampai dengan Desember mencukupi pada nilai tertinggi. Apabila kode menunjukan angka 0 secara portofolio termasuk jenis perusahaan Loser, dikarenakan data pada bulan januari-desember menempati posisi nilai terendah.(lihat Tabel 4). Analisa menilai Model fit 2007 Hipotesis untuk model fit ini adalah: H0= Model yang dihipotesakan fit dengan data, Ha= Model yang dihipotesakan tidak fit dengan data. Dari hipotesis diatas jelas bahwa akan menerima hipotesa Ho. Artinya bahwa model yang di hipotesakan tidak fit dengan data. Statistik yang digunakan berdasarkan pada fungsi likelihood. Like lihood L dari model adalah 174
probabilitas bahwa model yang dihipotesakan menggambarkan data input untuk menguji hipotesis nol dan alternatif L ditransformasikan menjadi -2 Log L. Output spss menmberikan dua nilai -2 Log L yaitu 1 untuk model yang hanya memasukan konstanta yaitu sebesar 50, 712 dan memiliki distribusi X2 dengan df 217 (218-1). Sedangkan cox and snell’s R square merupakan ukuran yang mencoba meniru ukuran R2 pada multiple regresion yang didasarkan pada teknik estimasi like lihood dengan nilai maksimum kurang dari 1 (satu) sehingga sulit interpretasikan Nagelkerke’s R square merupakan Hosmer and Lameshow goodness of fit test menguji hipotesis nol bahwa data empiris cocok atau sesuai dengan model (tidak ada perbedaan antara model dengan data sebagai model dapat dikatakan fit) jika nilai hosmer and lameshow goodness-of-fit test statistics sama dengan atau
Tabel 4 Model Summaryb -2 Log likelihood 50.712a
St ep 1
Cox & Snell R Square .684
Nagelkerke R Square .913
a. Estimat ion t erminated at iteration number 10 because parameter estimates changed by less than . 001. b. Tahun = 2007
Hosmer and Lemeshow Testa Step 1
Chi-square 6.288
df 8
Sig. .615
a. Tahun = 2007
kurang dari 0,05, maka hipotesis nol ditolak yang berarti ada perbedaan signifikan antara model dengan nilai observasinya sehingga goodness fit model tidak baik karena model tidak dapat memprediksi nilai observasinya. Jika nilai statistic hosmer and lameshow goodness-of-fit lebih besar dari 0,05, maka hipotesis nol tidak dapat ditolak dan berarti model mampu memprediksi nilai observasinya atau dapat dikatakan model dapat ditrerima karena cocok dengan data observasinya. Tampilan output spss menunjukan bahwa besarnya nilai statistics hosmer and lameshow goodness-of-fit sebesar 6,288 dengan probabilitas signifikansi 0,615 yang nilai nya jauh diatas 0,05 dengan demikian dapat disimpulkan bahwa model dapat diterima. Analisa Hipotesa Tahun 2008 Apabila kode menunjukan angka 1 secara portofolio termasuk jenis perusahaan Winner, dikarenakan data pada bulan Januari sampai dengan Desember mencukupi pada nilai tertinggi. Apabila kode menunjukan angka 0 secara portofolio termasuk jenis perusahaan Loser, dikarenakan data pada bulan januari-desember menempati posisi nilai terendah. (lihat Tabel 5) Analisa menilai Model fit 2008 Hipotesis untuk model fit ini adalah: (1) H0= Model yang dihipotesakan fit dengan data; (2) Ha= Model yang dihipotesakan tidak fit dengan data. Dari hipotesis diatas jelas bahwa akan menerima hipotesa Ho. Artinya bahwa model yang di hipotesakan tidak fit dengan data. Statistik yang digunakan berdasarkan pada fungsi
likelihood. Like lihood L dari model adalah probabilitas bahwa model yang dihipotesakan menggambarkan data input untuk menguji hipotesis nol dan alternatif L ditransformasikan menjadi -2 Log L. Output spss menmberikan dua nilai -2 Log L yaitu 1 untuk model yang hanya memasukan konstanta yaitu sebesar 64.236 dan memiliki distribusi X2 dengan df 252 (253-1). Sedangkan cox and snell’s R square merupakan ukuran yang mencoba meniru ukuran R2 pada multiple regression yang didasarkan pada teknik estimasi like lihood dengan nilai maksimum kurang dari 1 (satu) sehingga sulit interpretasikan Nagelkerke’s R square merupakan modifikasi dari koefisien cox and snell’s untuk memastikan bahwa nilainya bervariasi dari nol sampai 1. Hal itu dilakukan dengan cara membagi nilai cox and snell’s R2 dengan nilai maksimum nya. Nilai nagelkerke’s R2 dapat di interpretasikan seperti nilai R2 pada multiple regresion. Dilihat dari output spss nilai cox and snell’s R2 0, 676 dan nilai negelkerke’s R2 0,903 yang berarti variabilitas variabel dependent yang dapat dijelaskan oleh variabilitas variable independent sebesar 90,3%. Hosmer and Lameshow goodness of fit test menguji hipotesis nol bahwa data empiris cocok atau sesuai dengan model (tidak ada perbedaan antara model dengan data sebagai model dapat dikatakan fit) jika nilai hosmer and lameshow goodness-of-fit test statistics sama dengan atau kurang dari 0,05, maka hipotesis nol ditolak yang berarti ada perbedaan signifikan antara model dengan nilai observasinya sehingga goodness fit model tidak baik karena model tidak dapat memprediksi nilai observasinya. Jika nilai 175
Tabel 5. a Depend ent Vari able Encod ing
Original Value Losser W inner
Internal Value 0 1
a. Tahun = 2008
Case Processing Summaryb a
Unweighted Cases Selected Cases
N Included in Analy sis Missing Cases Total
253 0 253 0 253
Unselected Cases Total
Percent 100.0 .0 100.0 .0 100.0
a. If weight is in ef f ect, see classif ication table f or the total number of cases. b. Tahun = 2008
Model Summaryb St ep 1
-2 Log Cox & Snell likelihood R Square 64.236a .676
Nagelkerke R Square .903
a. Estimation terminat ed at iteration number 9 because parameter est imat es changed by less than .001. b. Tahun = 2008 Hosmer and Lemeshow Testa Step 1
Chi-square 15.206
df 8
Sig. .055
a. Tahun = 2008
statistic hosmer and lameshow goodness-of-fit lebih besar dari 0,05, maka hipotesis nol tidak dapat ditolak dan berarti model mampu memprediksi nilai observasinya atau dapat dikatakan model dapat ditrerima karena cocok dengan data observasinya. Tampilan output spss menunjukan bahwa besarnya nilai statistics hosmer and lameshow goodness-of-fit sebesar 15,206 dengan probabilitas signifikansi 0,055 yang nilai nya jauh diatas 0,05 dengan demikian dapat disimpulkan bahwa model dapat diterima. Analisa menilai Model fit 2009 Hipotesis untuk model fit ini adalah: H0= Model yang dihipotesakan fit dengan data, Ha= Model yang dihipotesakan tidak fit dengan data. 176
Dari hipotesis diatas jelas bahwa akan menerima hipotesa Ho. Artinya bahwa model yang di hipotesakan tidak fit dengan data. Statistik yang digunakan berdasarkan pada fungsi likelihood. Like lihood L dari model adalah probabilitas bahwa model yang dihipotesakan menggambarkan data input untuk menguji hipotesis nol dan alternatif L ditransformasikan menjadi -2 Log L. Output spss menmberikan dua nilai -2 Log L yaitu 1 untuk model yang hanya memasukan konstanta yaitu sebesar 17.384 dan memiliki distribusi X2 dengan df 269 (270-1). Sedangkan cox and snell’s R square merupakan ukuran yang mencoba meniru ukuran R2 pada multiple regression yang didasarkan pada teknik estimasi like lihood dengan nilai
maksimum kurang dari 1 (satu) sehingga sulit interpretasikan Nagelkerke’s R square merupakan modifikasi dari koefisien cox and snell’s untuk memastikan bahwa nilainya bervariasi dari nol sampai 1. Hal itu dilakukan dengan cara membagi nilai cox and snell’s R2 dengan nilai maksimum nya. Nilai nagelkerke’s R2 dapat di interpretasikan seperti nilai R2 pada multiple regression. Dilihat dari output spss nilai cox and snell’s R2 0,732 dan nilai negelkerke’s R2 0,978 yang berarti variabilitas variabel dependent yang dapat dijelaskan oleh variabilitas variable independent sebesar 97,8%. Hosmer and Lameshow goodness of fit test menguji hipotesis nol bahwa data empiris cocok atau sesuai dengan model (tidak ada perbedaan antara model dengan data sebagai model dapat dikatakan fit) jika nilai hosmer and lameshow goodness-of-fit test statistics sama dengan atau kurang dari 0,05, maka hipotesis nol ditolak yang berarti ada perbedaan signifikan antara model dengan nilai observasinya sehingga goodness fit model tidak baik karena model tidak dapat memprediksi nilai observasinya. Jika nilai statistic hosmer and lameshow goodness-of-fit lebih besar dari 0,05, maka hipotesis nol tidak dapat ditolak dan berarti model mampu memprediksi nilai observasinya atau dapat dikatakan model dapat ditrerima karena cocok dengan data observasinya. Tampilan output spss menunjukan bahwa besarnya nilai statistics hosmer and lameshow goodness-of-fit sebesar 0,513 dengan probabilitas signifikansi 0,999 yang nilai nya jauh diatas 0,05 dengan demikian dapat disimpulkan bahwa model dapat diterima. Lihat Tabel 6. Analisa Hipotesa Tahun 2010 Apabila kode menunjukan angka 1 secara portofolio termasuk jenis perusahaan Winner, dikarenakan data pada bulan Januari sampai dengan Desember mencukupi pada nilai tertinggi. Apabila kode menunjukan angka 0 secara portofolio termasuk jenis perusahaan Loser, dikarenakan data pada bulan januari-desember menempati posisi nilai terendah. (lihat Tabel 7). Analisa menilai Model fit 2010
Hipotesis untuk model fit ini adalah: H0= Model yang dihipotesakan fit dengan data, Ha= Model yang dihipotesakan tidak fit dengan data. Dari hipotesis diatas jelas bahwa akan menerima hipotesa Ho. Artinya bahwa model yang di hipotesakan tidak fit dengan data. Statistik yang digunakan berdasarkan pada fungsi likelihood. Like lihood L dari model adalah probabilitas bahwa model yang dihipotesakan menggambarkan data input untuk menguji hipotesis nol dan alternatif L ditransformasikan menjadi -2 Log L. Output spss menmberikan dua nilai -2 Log L yaitu 1 untuk model yang hanya memasukan konstanta yaitu sebesar 73.281 dan memiliki distribusi X2 dengan df 292 (293-1). Sedangkan cox and snell’s R square merupakan ukuran yang mencoba meniru ukuran R2 pada multiple regression yang didasarkan pada teknik estimasi like lihood dengan nilai maksimum kurang dari 1 (satu) sehingga sulit interpretasikan Nagelkerke’s R square merupakan modifikasi dari koefisien cox and snell’s untuk memastikan bahwa nilainya bervariasi dari nol sampai 1. Hal itu dilakukan dengan cara membagi nilai cox and snell’s R2 dengan nilai maksimum nya. Nilai nagelkerke’s R2 dapat di interpretasikan seperti nilai R2 pada multiple regression. Dilihat dari output spss nilai cox and snell’s R2 0,679 dan nilai negelkerke’s R2 0,905 yang berarti variabilitas variabel dependent yang dapat dijelaskan oleh variabilitas variable independent sebesar 90,5%. Hosmer and Lameshow goodness of fit test menguji hipotesis nol bahwa data empiris cocok atau sesuai dengan model (tidak ada perbedaan antara model dengan data sebagai model dapat dikatakan fit) jika nilai hosmer and lameshow goodness-of-fit test statistics sama dengan atau kurang dari 0,05, maka hipotesis nol ditolak yang berarti ada perbedaan signifikan antara model dengan nilai observasinya sehingga goodness fit model tidak baik karena model tidak dapat memprediksi nilai observasinya. Jika nilai statistic hosmer and lameshow goodness-of-fit lebih besar dari 0,05, maka hipotesis nol tidak dapat ditolak dan berarti model mampu memprediksi nilai observasinya atau dapat dikatakan model dapat ditrerima karena cocok dengan data observasinya. Tampilan output spss 177
Tabel 6 a Depend ent Vari able Encod ing
Original Value Losser W inner
Internal Value 0 1
a. Tahun = 2009
Case Processing Summaryb Unweighted Cases Selected Cases
a
N Included in Analy sis Missing Cases Total
Percent 100.0 .0 100.0 .0 100.0
270 0 270 0 270
Unselected Cases Total
a. If weight is in ef f ect, see classif ication table f or the total number of cases. b. Tahun = 2009
Hosmer and Lemeshow Testa Step 1
Chi-square .513
df 7
Sig. .999
a. Tahun = 2009 Tabel 7 Model Summar yb Step 1
-2 Log likelihood 73.281a
Cox & Snell R Square .679
Nagelkerke R Square .905
a. Estimation terminated at iteration number 20 because maximum iterations has been reached. Final solution cannot be f ound. b. Tahun = 2010
178
Hosmer and Lemeshow Testa Step 1
Chi-square .568
df 5
Sig. .989
a. Tahun = 2010
menunjukan bahwa besarnya nilai statistics hosmer and lameshow goodness-of-fit sebesar 0,568 dengan probabilitas signifikansi 0,999 yang nilai nya jauh diatas 0,05 dengan demikian dapat disimpulkan bahwa model dapat diterima.
perusahaan tertentu dan menggunakan periode pengamatan lebih panjang dibandingkan penelitian ini supaya hasil penelitian lebih bisa digeneralisasi mengenai munculnya gejala January effect di Bursa Efek Indonesia (BEI).
Simpulan dan Saran Simpulan Berdasarkan analisis dan hasil pengolahan data yang telah dilakukan pada bab sebelumnya (Bab IV), maka dapat diambil beberapa kesimpulan sehubungan dengan perumusan masalah (Bab I) yang sudah ada. Berikut kesimpulannya bahwa pada 4 tahun penelitian tidak terjadi adanya January Effect. Periode 2007-2010 terlihat pada hasil statistik menyatakan bahwa January Effect tidak signifkan terjadi walaupun secara persamaan logistik regresi nilai negelkerke’s R2 cukup besar terlihat pada masing-masing tahun. Tahun 2007 dengan nilai negelkerke’s R2 0,913, nilai negelkerke’s R2 pada tahun 2008 0,903, nilai negelkerke’s R2 pada tahun 2009 0,978, nilai negelkerke’s R2 pada tahun 2010 0,905 dengan nilai signifikan nya lebih besar daripada alfa yaitu 0,615 di tahun 2007, 0,055 ditahun 2008, 0,999 di tahun 2009 dan 0, 989 di tahun 2010.
DAFTAR PUSTAKA Arifin, Ali. 2002. Membaca Saham. Yogyakarta:ANDI Bodie, Zvi, Alex Kane and Alan. J Marcus. 1999. Investments (International Edition). Fourth Editions. Mc Graw Hill Brigham, Eugene.F; dan Joel.F.Houston. 2001. Manajemen Keuangan. Erlangga Bursa Efek Indonesia. 2008. Buku Panduan Indeks Harga Saham Bursa Efek Indonesia. Jakarta:Bursa Efek Indonesia Gumanti dan Utami. 2002. Bentuk Pasar Efisien dan Pengujiannya. Jurnal Akuntansi & Keuangan Vol. 4, No. 1, Mei 2002: 54-68. Hartono, Jogiyanto. 2010. Teori Portfolio dan Analisis Investasi. Edisi Ketujuh. Yogyakarta:BPFE. Husnan, Suad. 2001. Dasar-Dasar Teori Portofolio dan Analisis Sekuritas. Yogyakarta:AMP YKPN Husnan, Suad. 2005. Teori Portofolio dan Analisis Sekuritas. Yogyakarta:UPP STIM YKPN Husni, Tafdil dan Zamri Ahmad. 2005. Testing Momentum and Contrarian Strategies In The Malaysia Stock Exchange. Noor, Henry Faizal. 2009. Investasi Pengelolaan Keuangan Bisnis dan Pengembangan Ekonomi Masyarakat. Jakarta:Indeks Priyatno, Duwi. 2009. 5 Jam Belajar Olah Data dengan SPSS 17. Yogyakarta:Andi Samsul, Mohamad. 2006. Pasar Modal dan Manajemen Portofolio. Jakarta:Erlangga
Saran Dengan melihat hasil penelitian bab IV maka penulis memberikan saran yang mungkin akan berguna baik untuk investor maupun pihak-pihak lain. Saran- saran tersebut sebagai berikut: (1) Bagi investor/calon investor, sebaiknya memperhatikan bulan perdagangan saham yang member ikan ret urn t erendah pada saat mengambil keputusan investasi, sehingga dapat memaksimumkan keuntungan investasinya; (2) Bagi Peneliti selanjutnya sebaiknya dapat dilakukan dengan mengambil sampel dalam jumlah yang banyak, saham- saham perusahaan tertentu atau saham kelompok
179
Syahyunan. 2005. Beberapa Strategi Investasi di Bursa Efek Jakarta. Sumatera:Universitas Sumatera Utara Tandelilin, Eduardus. 2001. Analisis Investasi dan Manajemen Portofolio. Yogyakarta:BPFE Widoatmodjo, Sawidji. 2009. Pasar Modal Indonesia:Pengantar dan Studi Kasus. Bogor:Ghalia Indonesia Wiksuana, I Gst Bgs. 2009. Kinerja Portofolio Saham Berdasarkan Strategi Investasi
180
Momentum di Pasar Modal Indonesia. Jurnal Manajemen dan Kewirausahaan, Vol.11, No. 1, Maret 2009: 73-84 Yulianawati, Enny. 2003. Pengujian Anomali Winner-Loser di Bursa Efek Jakarta. Semarang:Universitas Diponegoro Zubir, Zalmi. Manajemen Portofolio Penerapannya Dalam Investasi Saham. Jakarta:Salemba Empat
