PENDETEKSIAN PERILAKU HERDING PADA PASAR SAHAM INDONESIA DAN ASIA PASIFIK GUNAWAN

PENDETEKSIAN PERILAKU HERDING PADA PASAR SAHAM INDONESIA DAN ASIA PASIFIK

GUNAWAN

DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2011

ABSTRAK GUNAWAN. Pendeteksian Perilaku Herding pada Pasar Saham Asia Pasifik dan Indonesia (dibimbing oleh HARI WIJAYANTO, NOER AZAM ACHSANI, dan LA ODE ABDUL RAHMAN). Perilaku herding merupakan perilaku investor yang tidak rasional, karena investor mendasarkan keputusan investasinya bukan dengan melihat landasan fundamental ekonomi dari suatu aset beresiko, namun dengan melihat tindakan investor lain pada keadaan yang sama, maupun mengikuti konsensus pasar. Indikasi perilaku herding dapat dilihat dari hubungan antara tingkat penyebaran imbal hasil saham (Cross Sectional Absolute Deviation, CSAD) dengan imbal hasil portofolio pasar. Jika herding terjadi, maka tingkat penyebaran imbal hasil saham akan meningkat lebih rendah daripada kenaikan imbal hasil portofolio pasar, bahkan tingkat penyebaran imbal hasil saham akan menurun walaupun imbal hasil portofolio pasar meningkat. Perilaku herding dapat memicu kesalahan penetapan harga dari suatu saham karena terjadi bias diantara investor dalam melihat resiko dan imbal hasil yang diharapkan dari suatu saham. Untuk mengetahui hubungan antara tingkat penyebaran imbal hasil saham dengan imbal hasil portofolio pasar pada beberapa kondisi, digunakan regresi kuantil. Hasil yang diperoleh dari penelitian ini adalah pada pasar saham Indonesia maupun pasar saham global Asia Pasifik, perilaku herding terjadi pada saat kondisi market stress, sedangkan pada kondisi normal maupun kondisi imbal hasil saham yang sangat tinggi, perilaku investor cenderung lebih rasional. Kata Kunci : perilaku herding, CSAD, Regresi Kuantil

PENDETEKSIAN PERILAKU HERDING PADA PASAR SAHAM INDONESIA DAN ASIA PASIFIK

GUNAWAN

Skripsi Sebagai salah satu syarat untuk memperoleh gelar Sarjana Statistika pada Departemen Statistika

DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR 2011

Judul Skripsi : Pendeteksian Perilaku Herding pada Pasar Saham Indonesia dan Asia Pasifik Nama : Gunawan NRP : G14070053

Disetujui

Pembimbing 1

Pembimbing 2

Dr. Ir. Hari Wijayanto, MS NIP. 196504211990021001

Noer Azam Achsani, Ph.D NIP. 196812291992031016

Dosen Pembimbing 3

La Ode Abdul Rahman, S.Si, M.Si

Diketahui Ketua Departemen Statistika Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Pertanian Bogor

Dr. Ir. Hari Wijayanto, MS NIP. 196504211990021001

Tanggal Lulus :

PRAKATA Puji dan syukur penulis ucapkan kepada Allah SWT atas segala rahmat dan hidayah-Nya sehingga tulisan ini dapat diselesaikan. Judul yang dipilih pada skripsi ini adalah “Pendeteksian Herding pada Pasar Saham Asia Pasifik dan Indonesia”. Tulisan ini merupakan salah satu syarat untuk memperoleh gelar Sarjana Statistika pada Departemen Statistika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor. Berbagai pihak telah memberikan kontribusi secara langsung maupun tidak langsung bagi penyelesaian dan penyempurnaan skripsi ini. Penghargaan dan ucapan terima kasih penulis sampaikan kepada: 1. Allah SWT, Maha Pendipta yang selalu memberikan keberkahanNya 2. Bapak Dr. Ir Hari Wijayanto, MS, Bapak Noer Azam Achsani, Ph.D, dan Bapak La Ode Abdul Rahman, S.Si, M.Si selaku pembimbing skripsi yang telah dengan sabar serta ikhlas menuntun penulis menyelesaikan skripsi ini dari segi ide, saran, dan kritik yang membangun. 3. Kedua orang tua dan seluruh keluarga besar penulis atas doa, pelajaran dan perhatian yang diberikan kepada penulis. Semoga tulisan ini bermanfaat bagi semua pihak yang membutuhkan.

Bogor, Agustus 2011

Penulis

RIWAYAT HIDUP Penulis dilahirkan pada tanggal 14 Januari 1989 di Cirebon. Penulis adalah anak ketiga dari tiga bersaudara dari pasangan Nono Mulyono dan Ery Nur’ainy. Jenjang pendidikan penulis dilalui tanpa hambatan. Penulis menamatkan sekolah dasar di SDN Kampung Melati pada tahun 2001, kemudian melanjutkan ke SLTPN 7 Cirebon dan lulus pada tahun 2004. Pada tahun yang sama penulis diterima di SMAN 1 Kota Cirebon dan lulus pada tahun 2007. Pada tahun 2007 penulis masuk IPB melalui jalur Undangan Seleksi Masuk IPB (USMI) dan diterima sebagai mahasiswa Program Studi Statistika pada Fakultas Matematika dan Ilmu Pengetahuan Alam. Selama menjadi mahasiswa, penulis aktif dalam Organisasi Mahasiswa Daerah (OMDA) IKC (Ikatan Kekeluargaan Cirebon) sebagai anggota. Selain itu, penulis juga aktif dalam organisasi Himpunan Profesi Gamma Sigma Beta sebagai staf divisi Science. Penulis mendapatkan beberapa penghargaan prestasi akademik, di antaranya adalah Finalis Presentasi Program Kreativitas Mahasiswa Bidang Pengabdian Masyarakat Pekan Ilmiah Mahasiswa Tingkat Nasional (PIMNAS) XXIII di Universitas Mahasaraswati Denpasar Bali tahun 2010. Selain itu penulis juga aktif sebagai asisten dosen untuk mata kuliah Metode Statistika, Perancangan Percobaan dan Analisis Regresi I. Penulis melaksanakan Praktik Lapang di Pusat Data dan Sistem Informasi Pertanian (PUSDATIN), Kementerian Pertanian.

DAFTAR ISI Halaman DAFTAR ISI ....................................................................................................................... vi DAFTAR TABEL ............................................................................................................... vii DAFTAR GAMBAR ........................................................................................................... vii DAFTAR LAMPIRAN ....................................................................................................... vii PENDAHULUAN................................................................................................................ 1 Latar Belakang ............................................................................................................ 1 Tujuan .......................................................................................................................... 1 TINJAUAN PUSTAKA ...................................................................................................... 1 Herding ....................................................................................................................... 1 Capital Asset Pricing Model (CAPM) ........................................................................ 1 Cross Sectional Absolute Deviation(CSAD) ................................................................ 2 Kalman Filter dan Kalman Smoother .......................................................................... 2 Regresi Kuantil ........................................................................................................... 3 METODODOLOGI ............................................................................................................ 4 Sumber Data ............................................................................................................... 4 Metode Analisis .......................................................................................................... 4 HASIL DAN PEMBAHASAN ........................................................................................... 5 Model Pasar Saham Indonesia ..................................................................................... 5 Model Pasar Saham Asia Pasifik ................................................................................ 7 KESIMPULAN DAN SARAN ............................................................................................ 8 Kesimpulan ................................................................................................................. 8 Saran ........................................................................................................................... 8 DAFTAR PUSTAKA ......................................................................................................... 8 LAMPIRAN ........................................................................................................................ 10

DAFTAR TABEL 1 2 3

Halaman Hasil Dugaan Parameter Regresi Kuantil Model LQ45 ................................................ 6 Hasil Dugaan Parameter Regresi Kuantil Model Indeks Sektoral ................................ 6 Hasil Dugaan Parameter Regresi Kuantil Model Asia Pasifik ...................................... 8 DAFTAR GAMBAR

1 2

Grafik IHSG Tahun 2005-2010 .................................................................................... Grafik Indeks Dow Jones Asia Pasifik Tahun 2005-2010 ............................................

5 7

DAFTAR LAMPIRAN 1 2 3 4 5 6 7 8 9 10 11 12 13

Halaman Daftar Saham LQ45 ...................................................................................................... 11 Deskriptif Imbal Hasil Saham LQ45 ............................................................................. 11 Deskriptif Imbal Hasil Indeks Sektoral ........................................................................ 11 Deskriptif Imbal Hasil Indeks Saham Negara-negara Asia Pasifik ............................... 12 Grafik Beta Saham LQ45 .............................................................................................. 12 Grafik Beta Indeks Saham Sektoral Indonesia .............................................................. 15 Grafik Beta Indeks Saham Negara-Negara Asia Pasifik ............................................... 16 Grafik Dugaan Parameter dan Selang Kepercayaan 95% untuk Model LQ45 ............. 19 Dugaan Parameter untuk Model LQ45 ........................................................................ 20 Grafik Dugaan Parameter dan Selang Kepercayaan 95% untuk Model Indeks Sektoral 21 Dugaan Parameter untuk Model Indeks Sektoral ......................................................... 22 23 Grafik Dugaan Parameter dan Selang Kepercayaan 95% untuk Model Asia Pasifik ... Dugaan Parameter untuk Model Asia Pasifik .............................................................. 24

1

PENDAHULUAN Latar Belakang Dasar dari teori keuangan klasik adalah pelaku pasar memiliki perilaku yang rasional. Investor yang rasional akan memaksimalkan utilitasnya (imbal hasil dan resiko) berdasarkan informasi yang tersedia di pasar. Jika investor bertindak rasional maka pada saat harga saham menurun, saham tersebut akan dibeli. Demikian pula sebaliknya, jika harga suatu saham meningkat, maka saham tersebut akan dijual. Namun pada saat adanya krisis, para investor cenderung untuk berperilaku secara tidak rasional. Salah satu perilaku tidak rasional diantara para investor adalah perilaku herding. Perilaku herding merupakan kecenderungan perilaku investor untuk mengikuti konsensus pasar dan mengikuti perilaku investor lainnya tanpa melakukan analisis fundamental ekonominya. Sehingga yang terjadi adalah ketika harga saham turun, maka saham tersebut akan dijual karena melihat investor lainnya menjual saham yang mereka miliki. Menurut Chang et.al (2000), jika perilaku herding terjadi, maka tingkat penyebaran dari imbal hasil saham akan meningkat lebih rendah daripada kenaikan imbal hasil portofolio pasar atau tingkat penyebaran imbal hasil saham akan menurun walaupun imbal hasil portofolio pasar meningkat. Ketika perilaku herding terjadi, harga saham di pasar saham tidak mencerminkan keadaan ekonominya, sehingga dapat terjadi kesalahan penetapan harga dari suatu saham karena terjadi bias dalam melihat resiko dan imbal hasil yang diharapkan (Hwang dan Salmon 2004). Sejak perilaku rasional pengambilan keputusan investasi terganggu, maka hal ini akan meningkatkan volatilitas pada pasar tersebut (Bikhchandani dan Sharma 2001). Oleh karena itu, pendeteksian perilaku herding pada suatu pasar saham dibutuhkan untuk melihat kerasionalan dari pelaku investor di beberapa kondisi pasar. Kondisi pasar yang akan dibahas diantaranya pada saat imbal hasil saham sangat rendah (market stress), perdagangan normal, dan pada saat imbal hasil yang sangat tinggi. Tujuan Tujuan dari penelitian ini adalah untuk melihat adanya indikasi perilaku herding pada: (1) Pasar saham Indonesia, dilihat dari saham LQ45 dan Indeks sektoral, (2) Pasar saham global Asia Pasifik; pada kondisi

market stress, kondisi normal maupun kondisi keuntungan yang sangat tinggi. TINJAUAN PUSTAKA Perilaku Herding Perilaku herding merupakan perilaku investor menjual atau membeli sekuritas/saham tanpa menghiraukan alasan yang mendasarinya untuk melakukan investasi (Saastamoinen 2008). Pada saat perilaku herding terjadi, mereka melakukan investasi tanpa memperhitungkan resiko atau imbal hasil yang akan mereka dapatkan. Beberapa dampak negatif dari perilaku herding ini adalah investor mungkin saja melakukan jenis investasi yang sebenarnya tidak mereka pahami dan mengambil resiko yang sebenarnya tidak diperlukan. Perilaku herding terlihat di beberapa negara di dunia, diantaranya Cina (Tan et.al 2008), Taiwan dan Korea Selatan (Chang et.al 2000), Finlandia (Saastamoinen 2008), Italia, Yunani dan Portugal (Fotini et.al 2010) dan lain-lain. Model yang digunakan untuk mendeteksi adanya herding adalah 𝐶𝑆𝐴𝐷𝑡 = 𝛼 + 𝛾1 𝑟𝑚 ,𝑡 + 𝛾2 𝑟𝑚2 ,𝑡 + 𝜀𝑡 (1) di mana CSADt merupakan CSAD pada waktu ke-t, dan rm,t adalah imbal hasil portofolio pasar pada waktu ke-t (Saastamoinen 2008). Menurut Chang et.al (2000) jika dalam suatu pasar terdapat perilaku herding, maka tingkat penyebaran dari imbal hasil (CSAD) akan meningkat lebih rendah jika dibandingkan dengan proporsi kenaikan imbal hasil portofolio pasar atau bahkan tingkat penyebaran imbal hasilnya akan menurun. Hal ini dapat dilihat dari model pada persamaan (1), jika nilai dari parameter 𝛾2 bernilai negatif dan signifikan secara statistik, maka terdapat indikasi perilaku herding pada pasar saham tersebut Capital Asset Pricing Model (CAPM) Model penetapan harga aset (Capital Asset Pricing Model, CAPM) merupakan sebuah alat untuk memprediksi keseimbangan imbal hasil yang diharapkan dari suatu aset yang beresiko (Bodie et.al 2006). Dalam penelitian ini model CAPM yang digunakan adalah : 𝑟𝑖,𝑡 = 𝛼 + 𝛽𝑖 𝐸(𝑟𝑚 ,𝑡 − 𝑟𝑓,𝑡 ) dimana 𝛽𝑖 merupakan koefisien mengukur tingkat sensitivitas imbal saham ke-i terhadap pergerakan imbal portofolio pasar. 𝑟𝑚 ,𝑡 merupakan imbal

(2) yang hasil hasil hasil

2

dari portofolio pasar, sedangkan 𝑟𝑓,𝑡 merupakan aset bebas resiko, yang didekati oleh Suku bunga Bank Indonesia (model saham Indonesia) dan suku bunga kawasan asia pasifik (model saham Asia Pasifik). Cross Sectional Absolute Deviation (CSAD) Cross Sectional Absolute Deviation (CSAD) merupakan ukuran yang merepresentasikan tingkat penyebaran imbal hasil saham. Sebagai langkah awal, hitung tingkat sensitivitas imbal hasil saham ke-i terhadap imbal hasil portofolio pasar berdasarkan persamaan (2). Kemudian hitung Nilai Deviasi Mutlak (AVD) dari sebuah imbal hasil saham ke-i pada waktu ke-t terhadap imbal hasil portofolio pasar dengan persamaan : 𝐴𝑉𝐷𝑖,𝑡 = 𝛽𝑖 − 𝛽𝑚 𝐸𝑡 𝑟𝑚 ,𝑡 − 𝑟𝑓,𝑡

(2)

dengan 𝛽𝑖 merupakan tingkat sensitivitas imbal hasil saham perusahaan ke-i terhadap imbal hasil pasar. Sedangkan 𝛽𝑚 merupakan tingkat sensitivitas untuk portofolio pasar. Dari persamaan tersebut, dapat dihitung nilai harapan dari Cross Sectional Absolute Deviation (E(CSAD) pada periode ke-t 𝐸(𝐶𝑆𝐴𝐷𝑡 ) = =

1 𝑁

𝑁 𝑖=1

1 𝑁

𝑁

dan persamaan transisisi :

𝐴𝑉𝐷𝑖,𝑡

𝜃𝑖,𝑡 = 𝑮𝑖,𝑡 𝜃𝑖,𝑡−1 + 𝑤𝑖,𝑡

𝑖=1

𝛽𝑖 − 𝛽𝑚 𝐸𝑡 𝑟𝑚 ,𝑡 − 𝑟𝑓,𝑡

(3)

Sehingga dapat diperlihatkan bahwa hubungan yang linier dan terus meningkat antara tingkat penyebaran dengan nilai yang diharapkan dari imbal hasil portofolio pasar seperti 𝜕𝐸(𝐶𝑆𝐴𝐷𝑡 ) 𝜕𝐸𝑡 𝑅𝑚

=

𝜕 2 𝐸(𝐶𝑆𝐴𝐷𝑡 ) 𝜕 2 𝐸𝑡 𝑅𝑚

1 𝑁

𝑁 𝑖=1

𝛽𝑖 − 𝛽𝑚 > 0

=0

(4)

Nilai aktual dari CSADt dapat dihitung dengan menggunakan persamaan 𝐶𝑆𝐴𝐷𝑡 =

1 𝑁

𝑁 𝑖=1

𝛽𝑖 − 𝛽𝑚 ,𝑡 𝐸𝑡 𝑟𝑚 ,𝑡 − 𝑟𝑓,𝑡 + 𝜀𝑡

(5) Karena nilai dari 𝛽𝑚 = 1, yang merupakan tingkat sensitivitas pasar terhadap pasar, maka persamaan (5) menjadi 𝐶𝑆𝐴𝐷𝑡 =

1 𝑁

(Tan 2005)

𝑁 𝑖=1

𝛽𝑖 − 1 𝐸𝑡 𝑟𝑚 ,𝑡 − 𝑟𝑓,𝑡 + 𝜀𝑡

Kalman Filter dan Kalman Smoother Tingkat sensitivitas suatu imbal hasil saham terhadap imbal hasil portofolio pasar (β) seperti pada persamaan (1), memiliki nilai yang tetap sepanjang waktu. Hal tersebut memiliki beberapa kritisi bahwa sesungguhnya tingkat sensitivitas tersebut memiliki nilai yang berbeda-beda setiap waktu. Pada waktu tertentu mungkin saja tingkat sensitivitas suatu saham akan menjadi sangat sensitif maupun menjadi tidak sensitif bergantung bagaimana performa imbal hasil saham tersebut terhadap imbal hasil portofolio pasar. Sehingga untuk menduga tingkat sensitivitas imbal hasil suatu saham atau indeks saham terhadap imbal hasil portofolio pasar (β) di setiap waktu pada persamaan (1), maka model pada persamaan (1) diubah menjadi bentuk state space model. Bentuk state space model merupakan alat yang sangat berguna yang dapat menangani model deret waktu secara luas (Harvey 1993). Model state space terdiri dari dua persamaan, yaitu persamaan pengukuran (measurement equation) dan persamaan transisi (transition equation). Persamaan pengukuran dapat dinyatakan sebagai : 𝑦𝑖,𝑡 = 𝑭𝒊,𝒕 𝜃𝑖,𝑡 + 𝑣𝑖,𝑡 (7)

(6)

(8)

di mana: 𝑦𝑖,𝑡 : imbal hasil saham perusahaan ke-i atau indeks saham ke-i pada waktu ke-t 𝜃𝑖,𝑡 : nilai α dan β pada saham perusahaan ke-i dan waktu ke-t (state vector) 𝑭𝒊,𝒕 : matriks koefisien (matriks observasi) 𝑮𝑖,𝑡 : matriks koefisien (matriks input) 𝑣𝑖,𝑡 : komponen acak 𝑣𝑖,𝑡 ~𝑁(0, 𝑽𝑖,𝑡 ) 𝑤𝑖,𝑡 : komponen acak 𝑤𝑖,𝑡 ~𝑁(0, 𝑾𝑖,𝑡 ) dengan nilai 𝑭𝒊,𝒕 dan 𝑮𝑖,𝑡 𝑭𝒊,𝒕 = 1

𝐸(𝑟𝑚 ,𝑡 − 𝑟𝑓,𝑡 ) , 𝑮𝑖,𝑡 = 1 0

0 1

Jika model telah terbentuk dalam bentuk state space model, maka dapat menggunakan Kalman Filter untuk menduga tingkat sensitivitas imbal hasil suatu saham terhadap imbal hasil pasar (state vector), kemudian melakukan pemulusan terhadap state vector. Kalman Filter merupakan prosedur rekursif untuk menghitung penduga yang optimal bagi state vector berdasarkan informasi yang ada. Misalkan Dt adalah informasi yang telah ada pada t awal observasi, yaitu yi,1,…, yi,t. Langkah-langkah yang digunakan dalam Kalman Filter adalah :

3

i. Melakukan prediksi sebaran 𝜃𝑖,𝑡 (𝜃𝑖,𝑡 ~𝑁(𝑚𝑖,𝑡 , 𝑪𝑖,𝑡 )) untuk satu langkah ke depan dengan informasi yang ada sebelumnya (Di,t-1) diketahui berdasarkan sebaran filter 𝑝(𝜃𝑖,𝑡−1 |𝐷𝑖,𝑡−1 ) dan model transisi. 𝑝 𝜃𝑖,𝑡 𝐷𝑖,𝑡−1 = 𝑝 𝜃𝑖,𝑡 𝜃𝑖,𝑡−1 𝑝 𝜃𝑖,𝑡−1 𝐷𝑖,𝑡−1 𝑑𝑣 𝜃𝑖,𝑡−1

dengan parameter 𝑎𝑖,𝑡 = 𝐸 𝜃𝑖,𝑡 𝐷𝑖,𝑡−1 = 𝑮𝒊,𝒕 𝑚𝑖,𝑡−1 𝑹𝒊,𝒕

=

𝑉𝑎𝑟 𝜃𝑖,𝑡 𝐷𝑖,𝑡−1

= 𝑮𝒊,𝒕 𝑪𝒊,𝒕−𝟏 𝑮′𝒊,𝒕 + 𝑾𝒊,𝒕 ii. Melakukan prediksi sebaran observasi untuk satu langkah selanjutya. 𝑓 𝑦𝑖,𝑡 𝐷𝑖,𝑡−1 =

𝑓 𝑦𝑖,𝑡 𝜃𝑖,𝑡 𝑝 𝜃𝑖,𝑡−1 𝐷𝑖,𝑡−1 𝑑𝑣 𝜃𝑖,𝑡

dengan parameter 𝑓𝑖,𝑡 = 𝐸 𝑌𝑖,𝑡 𝐷𝑖,𝑡−1 = 𝑭𝒊,𝒕 𝑎𝑖,𝑡 𝑸𝒊,𝒕 = 𝑉𝑎𝑟 𝑌𝑖,𝑡 𝐷𝑖,𝑡−1 = 𝑭𝒊,𝒕 𝑹𝒊,𝒕−𝟏 𝑭′𝒊,𝒕 + 𝑽𝒊,𝒕 iii. Menghitung sebaran dari filtering 𝑝(𝜃𝑖,𝑡 |𝐷𝑖,𝑡 ) menggunakan aturan Bayes dengan 𝑝 𝜃𝑖,𝑡 𝐷𝑖,𝑡−1 sebagai sebaran prior dan fungsi kemungkinan 𝑓 𝑦𝑖,𝑡 𝜃𝑖,𝑡 . 𝑓 𝑦𝑖,𝑡 𝜃𝑖,𝑡 𝑝 𝜃𝑖,𝑡 𝐷𝑖,𝑡−1 𝑝 𝜃𝑖,𝑡 𝐷𝑖,𝑡 = 𝑓 𝑦𝑖,𝑡 𝐷𝑖,𝑡−1 dengan parameter 𝑚𝑖,𝑡 = 𝐸 𝜃𝑖,𝑡 𝐷𝑖,𝑡 = 𝑎𝑖,𝑡 + 𝑹𝒊,𝒕 𝑭′𝒊,𝒕 𝑸−𝟏 𝒊,𝒕 𝑒𝑖,𝑡 𝑪𝒕

=

𝑉𝑎𝑟 𝜃𝑖,𝑡 𝐷𝑖,𝑡

= 𝑹𝒊,𝒕 − 𝑹𝒊,𝒕 𝑭′𝒊,𝒕 𝑸−𝟏 𝒊,𝒕 𝑭𝒊,𝒕 𝑹𝒊,𝒕 Petris et.al (2009) Kalman filter membutuhkan inisialisasi nilai awal untuk state vector dan ragam dari state vector, yang didapat dari informasi sebelumnya. Jika nilai awal tidak diketahui dan state vector tidak stationer, maka dapat menggunakan nilai awal dengan ragam yang sangat besar (Harvey 1993). Kalman smoother dapat digunakan untuk menghitung sebaran dari 𝜃𝑖,𝑡+1 , dimulai dari 𝑡 =𝑇−1 dengan 𝜃𝑖,𝑡 |𝐷𝑖,𝑡 ~𝑁(𝑠𝑖,𝑡 , 𝑺𝒊,𝒕 ), kemudian melakukan proses rekursif ke belakang untuk 𝑡 = 𝑇 − 2, 𝑡 = 𝑇 − 3, dan seterusnya. Dengan algoritma rekursif ke belakang, untuk menghitung sebaran 𝜃𝑖,𝑡 |𝐷𝑖,𝑇 untuk t < T, dimulai dari sebaran filternya 𝑝 𝜃𝑖,𝑇 𝐷𝑖,𝑇 dan menduga kebelakang semua

data state vector sebelumnya. dengan langkah-langkah: i. Dengan syarat 𝐷𝑖,𝑇 , rangkaian dari state vector (𝜃𝑖,0 , … , 𝜃𝑖,𝑇 ) memiliki peluang transisi kebelakang, 𝑝 𝜃𝑖,𝑡 𝜃𝑖,𝑡+1 , 𝐷𝑖,𝑡 =

𝑝 𝜃 𝑖,𝑡+1 𝜃 𝑖,𝑡 𝑝 𝜃 𝑖,𝑡 𝐷 𝑖,𝑡 𝑝 𝜃 𝑖,𝑡+1 𝐷 𝑖,𝑡

ii. Sebaran pemulusan dari 𝜃𝑖,𝑡 dengan syarat 𝐷𝑖,𝑇 dapat dihitung mengikuti rekursif ke belakang pada waktu ke-t (dimulai dari 𝑝 𝜃𝑖,𝑇 𝐷𝑖,𝑇 ) : 𝑝 𝜃𝑖,𝑡 𝐷𝑖,𝑇 = 𝑝 𝜃𝑖,𝑡 𝐷𝑖,𝑡 × 𝑝 𝜃𝑖,𝑡+1 𝜃𝑖,𝑡 𝑝 𝜃𝑖,𝑡+1 𝐷𝑖,𝑇 𝑑𝜇 𝜃𝑖,𝑡+1 𝑝 𝜃𝑖,𝑡+1 𝐷𝑖,𝑡 iii. Dengan memarginalkan 𝑝(𝜃𝑖,𝑡 , 𝜃𝑖,𝑡+1 |𝐷𝑖,𝑇 ) maka akan didapatkan: 𝑝 𝜃𝑖,𝑡 𝐷𝑖,𝑇 =

𝑝 𝜃𝑖,𝑡 , 𝜃𝑖,𝑡+1 𝐷𝑖,𝑇 𝑑𝜃𝑖,𝑡+1

=

𝑝 𝜃𝑖,𝑡+1 𝐷𝑖,𝑇 𝑝 𝜃𝑖,𝑡 𝜃𝑖,𝑡+1 , 𝐷𝑖,𝑡 𝑑𝜃𝑖,𝑡+1

=

𝑝 𝜃𝑖,𝑡+1 𝐷𝑖,𝑡 𝑝 𝜃𝑖,𝑡 𝜃𝑖,𝑡+1 , 𝐷𝑖,𝑡 𝑑𝜃𝑖,𝑡+1

=

𝑝 𝜃𝑖,𝑡+1 𝐷𝑖,𝑡 × 𝑝 𝜃𝑖,𝑡+1 𝜃𝑖,𝑡 , 𝐷𝑖,𝑡 𝑝 𝜃𝑖,𝑡 𝐷𝑖,𝑡 𝑝 𝜃𝑖,𝑡+1 𝐷𝑖,𝑡

= 𝑝 𝜃𝑖,𝑡 𝐷𝑖,𝑡

𝑝 𝜃𝑖,𝑡+1 𝐷𝑖,𝑡

𝑑𝜃𝑖,𝑡+1

𝑝 𝜃 𝑖,𝑡+1 𝐷 𝑖,𝑇 𝑝 𝜃 𝑖,𝑡+1 𝐷 𝑖,𝑡

(Petris et al. 2009) Sehingga untuk menghitung nilai CSADt seperti pada persamaan (6) dengan menggunakan tingkat sentitivitas yang tidak tetap sepanjang waktu, persamaannya diubah menjadi 𝐶𝑆𝐴𝐷𝑡 =

1 𝑁

𝑁

𝛽𝑖,𝑡 − 1 𝐸𝑡 𝑟𝑚 ,𝑡 − 𝑟𝑓,𝑡 + 𝜀𝑡 𝑖=1

dimana 𝛽𝑖,𝑡 merupakan tingkat sensitivitas imbal hasil suatu saham ke-i terhadap imbal hasi portofolio pasar pada waktu ke-t (Tan 2005; Saastamoinen 2008) Regresi Kuantil Regresi kuantil merupakan teknik statistika yang digunakan untuk menduga hubungan antara peubah respon dengan peubah penjelas pada fungsi kuantil bersyarat tertentu. Seperti pada metode kuadrat terkecil, yang meminimumkan jumlah kuadrat galat dan menduga model dengan menggunakan fungsi rata-rata bersyarat, regresi kuantil meminimumkan galat mutlak berbobot yang tidak simetris dan menduga fungsi kuantil bersyarat pada suatu sebaran data. Secara umum, regresi kuantil sangat bermanfaat ketika ingin menganalisis bagian tertentu dari

4

suatu sebaran bersyarat. Sebagai contoh pada kuantil atas, median maupun kuantil bawah dari suatu sebaran bersyara. Metode regresi kuantil tidak membutuhkan asumsi parametrik (Buhai 2005). Untuk suatu peubah acak Y dengan fungsi sebaran peluang 𝐹 𝑌 = 𝑃(𝑌 ≤ 𝑦) di mana untuk setiap fungsi invers,

0 < τ < 1, terdapat

𝐹 −1 = inf⁡ {𝑦: 𝐹 𝑦 ≥ 𝜏} yang merupakan kuantil ke-τ dari Y. Jika rata-rata contoh merupakan solusi dari masalah 𝑛

𝑚𝑖𝑛𝜇 ∈ℝ

𝑦𝑖 − 𝜇

2

0′ = (0 0 … 0)𝑝 . Sehingga rumusan ulang dari masalah pemrograman linier baku adalah minθ d’θ dengan kendala Bθ = y dan θ ≥ 0. Masalah ini memiliki bentuk ganda maxz x’z dengan kendala B’z = d. Yang dapat disederhanakan menjadi 𝑚𝑎𝑥𝑧 {𝑦 ′ 𝑧 𝐴𝑧 = 0, 𝑧 ∈ −1,1 𝑛 . 1 1 1 Jika 𝜂 = 𝑧 + 𝑒, 𝑏 = 𝐴𝑒, maka 2 2 2 rumusannya menjadi 𝑚𝑎𝑥𝜂 {𝑦 ′ 𝜂 𝐴𝜂 = 𝑏, 𝜂 ∈ 0,1 𝑛 Untuk regresi kuantil, masalah minimisasinya adalah 𝑚𝑖𝑛𝛽 ∈𝑅 𝑃 𝑛𝑖=1 𝜌𝜏 𝑦𝑖 − 𝑥𝑖𝑇 𝛽 , dan sama seperti tahapan sebelumnya, rumusan masalahnya menjadi 𝑚𝑎𝑥𝑧 {𝑦 ′ 𝑧 𝐴𝑧 = 1 − 𝜏 , 𝑧 ∈ 0,1 𝑛 . (Chen 2005)

𝑖=1

maka untuk 𝜇 𝑥 = 𝑥 ′ 𝛽 yang merupakan ratarata bersyarat dari y dengan x diketahui, nilai β dapat diduga dengan menyelesaikan 𝑛

𝑦𝑖 − 𝑥𝑖′ 𝛽

𝑚𝑖𝑛𝛽 ∈𝑅 𝑃

2

𝑖=1

Dengan cara yang sama, kuantil contoh ke-τ 𝛼 (𝜏) didapat dengan menyelesaikan 𝑛

𝑚𝑖𝑛𝛼 ∈𝑅 𝑃

𝑦𝑖 − 𝛼 𝑖=1

Jika fungsi bersyarat dari kuantil ke-τ didefinisikan sebagai 𝑄𝜏 𝜏 𝑥 = 𝑥 ′ 𝛽(𝜏), maka nilai 𝛽 (𝜏) didapat dengan menyelesaikan 𝑛

𝜌𝜏 𝑦𝑖 − 𝑥𝑖𝑇 𝛽

𝑚𝑖𝑛𝛽 ∈𝑅 𝑃 𝑖=1

di mana 𝜌𝜏 𝑢 = 𝑢(𝜏 − 𝐼 𝑢 < 0 ), 0 < τ < 1 dan I(.) adalah fungsi indikator (Koenker 2005). Salah satu metode pendugaan parameter untuk regresi kuantil adalah dengan menggunakan algoritma simpleks. Sebagai langkah awal misalkan, 𝜇 = 𝑦 − 𝐴′ 𝛽 +, ′ 𝑣 = 𝐴 𝛽 − 𝑦 + , 𝜙 = 𝛽 + , dan 𝜑 = −𝛽 +, dimana [𝑧]+ adalah bagian dari z yang tidak bernilai negatif, dan A merupakan matriks peubah penjelas. Untuk kasus regresi median, pendekatan simpleks menyelesaikan 𝑚𝑖𝑛𝛽 𝐷𝐿𝐴𝑅 (𝛽) dengan memformulasikan 𝑚𝑖𝑛𝛽 {𝑒 ′ 𝜇 + 𝑒 ′ 𝑣|𝑦 = 𝐴′ 𝛽 + 𝜇 − 𝑣} di mana e merupakan vektor satu yang berukuran n dan {𝑢, 𝑣} ∈ ℝ𝑛+. Misalkan 𝐵 = 𝐴′ − 𝐴′ 𝐼 − 𝐼 , 𝑑 = (0′ 0′ 𝑒 ′ 𝑒 ′ ), 𝜃 = (𝜙 ′ 𝜑 ′ 𝜇 ′ 𝑣 ′ ) di mana

METODOLOGI Sumber Data Data yang digunakan dalam penelitian ini berupa data penutupan harian saham, data penutupan harian indeks saham, dan data suku bunga dari tahun 2005 hingga tahun 2010. Data penutupan harian saham maupun indeks saham didapat dari www.finance.yahoo.com, data suku bunga didapat dari www.bi.go.id, dan www.bloomberg.com. Pada pasar saham Indonesia, IHSG digunakan sebagai pendekatan untuk portofolio pasar, sedangkan data suku bunga Bank Indonesia digunakan sebagai pendekatan aset bebas resiko. Pada pasar saham global Asia Pasifik, indeks Dow Jones Asia Pasifik digunakan sebagai pendekatan untuk portofolio pasar. Suku bunga LIBOR (London Interbank Offered Rate) digunakan sebagai pendekatan untuk aset bebas resiko. Metode Analisis Tahap-tahap yang dilakukan dalam penelitian ini adalah : 1. Mencari perusahaan yang terdaftar dalam saham LQ45 selama 5 tahun terakhir. 2. Menghitung nilai imbal hasil saham tiap perusahaan dan indeks saham, dengan menggunakan persamaan 𝑟𝑖,𝑡 =

3.

𝑃𝑖,𝑡 − 𝑃𝑖,𝑡−1 𝑃𝑖,𝑡−1

dengan 𝑃𝑖,𝑡 merupakan harga penutupan saham perusahaan ke-i pada waktu ke-t. Menghitung tingkat sensitivitas imbal hasil untuk masing-masing saham perusahaan maupun indeks saham berdasarkan persamaan (7) dan (8),

5

dengan menggunakan Kalman Filter dan Kalman Smoother. 4. Menghitung CSADt dari imbal hasil harian LQ45, indeks sektoral dan indeks negara-negara di Asia Pasifik. 5. Melakukan eksplorasi data terhadap nilai dari CSADt. 6. Melakukan regresi kuantil data CSADt dengan imbal hasil portofolio pasar pada τ = 0.01, τ = 0.05 , τ = 0.5, τ = 0.95 dan τ = 0.99. 7. Interpretasi hasil regresi kuantil. Metode Kalman Filter dan Kalman Smoother, dihitung dengan menggunakan bantuan package dlm pada software R.2.13. Regresi kuantil dihitung dengan menggunakan software Eviews 6.1 . HASIL DAN PEMBAHASAN Indikasi perilaku herding pada pasar saham Indonesia, didasarkan atas saham yang terdaftar sebagai indeks LQ45 dan indeks sektoral. Penelitian ini mengunakan saham perusahaan yang selalu terdaftar pada indeks LQ45 selama 5 tahun terakhir. Saham-saham tersebut merupakan saham-saham besar yang akan merepresentasikan keadaan pasar saham Indonesia. Saham perusahaan yang selalu menjadi bagian dari LQ45 adalah AALI, ASII, UNSP, BBCA, BDMN, BMRI, SMCB, ISAT, INCO, MEDC, PGAS, PTBA, TLKM, dan UNTR. Sedangkan indeks sektoral yang digunakan adalah sektor pertanian (agriculture), pertambangan (mining), perdagangan (trade), konsumsi (consumption), keuangan (finance), infrastuktur (infrastucture), industri dasar (basic industry), properti (property), dan sektor lainnya (miscellanous). Sebagai pendekatan untuk nilai portofolio pasar, digunakan Indeks Harga Saham Gabungan (IHSG). Selain pada pasar saham Indonesia, identifikasi perilaku herding juga dilakukan pada pasar saham global Asia Pasifik. Identifikasi perilaku herding ini didasarkan atas indeks saham negara-negara Asia Pasifik. Indeks saham yang digunakan adalah indeks HSI (Hongkong), N225 (Jepang), JKSE (Indonesia), NZ50 (Selandia Baru), AORD (Australia), SSE (Cina), KLSE (Malaysia), KS11 (Korea Selatan), GSPC (Amerika), PSEI (Filipina), dan STI (Singapura). Sebagai pendekatan untuk nilai portofolio pasar, digunakan indeks Dow Jones Asia Pasifik.

Model Pasar Saham Indonesia Menurut publikasi BI yang dimuat dalam Outlook Ekonomi Indonesia Januari 2009, selama triwulan ketiga tahun 2008, IHSG mengalami penurunan yang tajam. Penurunan tajam tersebut merupakan imbas dari krisis keuangan global yang terjadi sejak bulan Agustus 2007, yaitu pada saat BNP Paribas yang merupakan salah satu bank terbesar di Perancis mengumumkan pembekuan beberapa sekuritas yang berkaitan dengan kredit perumahan berisiko tinggi di Amerika Serikat. Pembekuan ini kemudian memicu gejolak di pasar keuangan dan akhirnya merambat ke seluruh dunia. Pada akhir triwulan ketiga tahun 2008, intensitas krisis semakin membesar seiring dengan jatuhnya bank investasi terbesar di Amerika Serikat, Lehman Brothers, yang diikuti oleh kesulitan keuangan yang semakin parah di sejumlah lembaga keuangan berskala besar di Amerika, Eropa maupun Jepang. Krisis tersebut menyebabkan gejolak di pasar modal dan pasar uang. Pada bulan Desember, IHSG ditutup pada level 1355.4, terpangkas hampir separuhnya dibandingkan pada awal tahun 2008 yang mencapai 2267.3, yang bersamaan dengan jatuhnya kapitalisasi pasar dan penurunan tajam volume perdagangan saham. Hal ini terlihat pada Gambar 1, yang menunjukkan IHSG mencapai nilai yang rendah disekitar pengamatan 800 hingga 900 (Agustus 2008 – Februari 2009).

Gambar 1 Grafik IHSG Tahun 2005-2010. Tingkat sensitivitas setiap imbal hasil saham terhadap imbal hasil portofolio pasar tidak konstan di setiap waktu. Dengan menggunakan Kalman Filter dan Kalman Smoother, grafik tingkat sensitivitas setiap imbal hasil saham perusahaan dapat dilihat pada Lampiran 5. Tingkat sensitivitas pada

6

imbal hasil saham LQ45 secara umum sangat berfluktuasi selama periode pengamatan, seperti yang dapat dilihat pada Lampiran 5, namun pada saham AALI, INCO dan ISAT, tingkat sensitivitas imbal hasilnya tidak terlalu berfluktuasi seperti pada saham lainnya. Seperti halnya saham LQ45, indeks saham sektoral juga memiliki tingkat sensitivitas imbal hasil yang befluktuatif. Pada indeks saham infrastruktur, terlihat bahwa tingkat sensitivitas imbal hasilnya sangat berfluktuatif dan memliki tren yang menurun. Grafik indeks saham sektoral dapat dilihat pada Lampiran 6. Perilaku herding diidentifikasi pada tiga kondisi, yaitu pada kondisi market stress, normal maupun imbal hasil yang tinggi. Kuantil 0.01 dan 0.05 merepresentasikan kondisi market stress, kuantil 0.5 merepresentasikan kondisi normal, sedangkan

kondisi imbal hasil yang sangat tinggi direpresentasikan oleh kuantil 0.95 dan 0.99. Identifikasi perilaku herding pada pasar saham Indonesia yang didasarkan atas saham LQ45 menunjukkan bahwa terdapat indikasi herding pada kondisi market stress. Indikasi ini terlihat dari koefisien 𝛾2 yang negatif dan signifikan pada taraf nyata 5%. Pada kondisi ini tingkat penyebaran imbal hasil saham akan meningkat lebih rendah jika dibandingkan dengan kenaikan imbal hasil portofolio pasar atau bahkan menurun. Hal ini berarti bahwa investor pada pasar saham Indonesia memiliki perilaku yang tidak rasional. Berbeda halnya dengan kondisi market stress, pada kondisi normal maupun imbal hasil yang sangat tinggi tidak ditemukan adanya perilaku herding. Hal ini ditunjukkan oleh nilai dari koefisien 𝛾2 yang bernilai positif. Dugaan parameter regresi kuantil untuk saham LQ45 dapat dilihat pada Tabel 1.

Tabel 1 Hasil Dugaan Parameter Regresi Kuantil Model LQ45 Kondisi Market stress

Kuantil ke 0.01 0.05

Normal Imbal hasil

0.5 0.95

R-Square 0.8757 0.8004 0.6929 0.7807

sangat tinggi 0.99

0.8753

Dugaan

𝛼 -0.1586

𝛾1 0.3983

𝛾2 -0.0840

t hitung

-9.7472*

39.7757*

-10.0413*

Dugaan

-0.1162

0.3643

-0.0636

t hitung

-9.1150*

44.2997*

-12.1845*

Dugaan

-0.0095

0.2696

0.0001

t hitung

-7.3566*

119.0709*

0.1966

Dugaan

0.0657

0.3387

0.0642

t hitung

6.8683*

27.3238*

23.0358*

Dugaan

0.1341

0.3724

0.0664

t hitung

11.1776*

41.3330*

16.3139*

*Menunjukkan signifikan pada taraf nyata α=5%

Tabel 2 Hasil Dugaan Parameter Regresi Kuantil Model Indeks Sektoral Kondisi Market stress

Kuantil ke 0.01

R-Square 0.8717

0.05

0.8096

Normal

0.5

0.7335

Imbal hasil

0.95

0.8107

0.99

0.8826

sangat tinggi

*Menunjukkan signifikan pada taraf nyata α=5%

𝛼

𝛾1

𝛾2

Dugaan

-0.0939

0.2379

-0.0361

t hitung

-5.1041*

70.5533*

-3.4947*

Dugaan

-0.0737

0.2283

-0.0302

t hitung

-8.7787*

62.9390*

-7.4199*

Dugaan

-0.0064

0.1969

0.0022

t hitung

-4.3449*

34.5539*

0.7935

Dugaan

0.0521

0.2185

0.0265

t hitung

8.2574*

50.2752*

10.5180*

Dugaan

0.0885

0.2310

0.0321

t hitung

7.0222*

62.0351*

5.9038*

7

Jika dilihat pada keseluruhan sebaran data, parameter 𝛾2 pada model yang didasarkan pada saham LQ45 memperlihatkan bahwa kecenderungan perilaku investor pada saat market stress hingga pada kondisi normal, menuju ke arah yang rasional. hal ini diperlihatkan pada koefisien 𝛾2 yang bernilai negatif dan signifikan hingga kuantil 0.35. Hasil dugaan parameter untuk setiap kuantil dapat dilihat pada Lampiran 9. Sama halnya dengan identifikasi perilaku herding pada pasar saham Indonesia yang berdasarkan saham LQ45, identifikasi perilaku herding yang dilakukan berdasarkan indeks sektoral menunjukkan bahwa terdapat indikasi perilaku herding terjadi pada kondisi market stress. Hal ini terlihat dari koefisien 𝛾2 yang bernilai negatif dan signifikan. Namun pada kondisi normal dan kondisi imbal hasil yang sangat tinggi tidak ditemukan adanya indikasi perilaku herding. Dugaan parameter regresi kuantil dapat dilihat pada Tabel 2. Lampiran 10 menunjukkan hasil dugaan parameter untuk model yang didasarkan pada indeks sektoral di setiap kuantil. Dari hasil tersebut dapat dilihat bahwa masih terdapat indikasi perilaku herding hingga kuantil 0.45. Hasil yang ditunjukkan pada model yang digunakan untuk pasar saham Indonesia, baik berdasarkan saham LQ45 maupun indeks saham sektoral memperlihatkan bahwa ketika kondisi imbal hasil dari suatu saham cenderung sedikit memburuk, maka investor pada pasar saham Indonesia akan mulai panik, sehingga investor akan menunjukkan indikasi perilaku herding. Hal ini ditunjukkan oleh adanya indikasi perilaku herding hingga kuantil 0.45. Model Pasar Saham Global Asia Pasifik Selain Indonesia, krisis global pada tahun 2008 juga berdampak pada pasar saham global Asia Pasifik. Hal ini terlihat pada indeks saham Dow Jones Asia Pasifik, bahwa di sekitar data pengamatan ke-800 hingga 900 (Agustus 2008 – Februari 2009) indeks Dow Jones Asia Pasifik mengalami penurunan yang tajam hingga mencapai level 73.78. Grafik pergerakan indeks saham Dow Jones Asia Pasifik dapat dilihat pada Gambar 2. Tingkat sensitivitas indeks saham negaranegara Asia Pasifik secara umum tidak memiliki fluktuasi yang tinggi, seperti yang dapat dilihat pada Lampiran 7. Fluktuasi yang

sangat tinggi terjadi pada indeks saham negara Australia dan Indonesia. Sama halnya seperti identifikasi perilaku herding pada pasar saham Indonesia, identifikasi perilaku herding pada pasar saham global Asia Pasifik dilihat dari tiga kondisi, yaitu kondisi market stress, normal maupun kondisi imbal hasil yang sangat tinggi. Pada kondisi market stress, terdapat indikasi perilaku herding. Hal ini terlihat dari koefisien 𝛾2 yang bernilai negatif dan signifikan. Tidak terdapat indikasi perilaku herding pada pasar saham global Asia Pasifik saat kondisi normal maupun kondisi imbal hasil yang sangat tinggi. Hal ini terlihat pada koefisien 𝛾2 yang bernilai positif. Dugaan parameter regresi kuantil pada pasar saham global Asia Psifik dapat dilihat pada Tabel 3.

Gambar 2 Grafik Indeks Dow Jones Asia Pasifik Tahun 2005-2010 Lampiran 13 memperlihatkan dugaan parameter regresi di setiap kuantil. Dari hasil tersebut, terlihat bahwa masih terdapat indikasi perilaku herding hingga kuantil 0.15. Hasil ini menunjukkan bahwa pada pasar saham global Asia Pasifik, perilaku herding hanya diperlihatkan pada kondisi market stress yang ekstrim. Hasil pendeteksian perilaku herding pada pasar saham Indonesia maupun pasar saham Asia Pasifik menunjukkan bahwa investor pada pasar saham global Asia Pasifik, lebih rasional dibandingkan dengan investor pada pasar saham Indonesia. Karena pada pasar saham global Asia Pasifik, indikasi perilaku herding terdeteksi hanya pada saat kondisi market stress yang ekstrim (hingga kuantil 0.15). Sedangkan pada pasar saham Indonesia, perilaku herding terdeteksi hingga kuantil 0.45.

8

Tabel 3 Hasil Dugaan Parameter Regresi Kuantil Model Global Asia Pasifik Kondisi Market stress

Kuantil ke 0.01

R-Square 0.8803

0.05

0.8396

Normal

0.5

0.8506

Imbal hasil

0.95

0.8280

Sangat tinggi 0.99

0.8763

𝛼

𝛾1

𝛾2

Dugaan

-0.1514

0.4857

-0.0592

t hitung

-5.4721*

91.4233*

-3.4908*

Dugaan

-0.1075

0.4558

-0.0286

t hitung

-7.2010*

29.9416*

-2.1036*

Dugaan

-0.0017

0.4280

0.0012

t hitung

-1.4840

142.6068*

2.0552*

Dugaan

0.0884

0.5010

0.0597

t hitung

5.5615*

66.3392*

4.2340*

Nilai-p

0.0000

0.0000

0.0000

Dugaan

0.1154

0.4905

0.0725

t hitung

3.9233*

87.9843*

3.0116*

*Menunjukkan signifikan pada taraf nyata α=5%

KESIMPULAN DAN SARAN Kesimpulan Pada pasar saham Indonesia, indikasi perilaku herding terlihat pada kondisi market stress. Sedangkan pada kondisi normal dan imbal hasil yang sangat tinggi, tidak terdapat indikasi perilaku herding. Hal ini didasarkan pada saham LQ45 maupun indeks sektoral. Pada pasar saham Asia pasifik, perilaku investor pada kondisi normal maupun kondisi imbal hasil yang sangat tinggi menunjukkan perilaku yang rasional. Sedangkan pada kondisi market stress, terdapat indikasi perilaku herding diantara investor. Pada pasar saham Indonesia dan pasar saham global Asia Pasifik secara umum memiliki perilaku yang sama. Sehingga integrasi ekonomi negara-negara ASEAN+3 pada tahun 2015 sudah terlihat di pasar keuangan. Namun, perilaku herding pada Indonesia lebih buruk jika dibandingkan dengan Asia Pasifik. Hal ini karena pada pasar saham Indonesia, perilaku herding masih terlihat hingga kuantil 0.45. Sedangkan pada pasar saham Asia Pasifik perilaku herding hanya terlihat hingga kuantil 0.15. Saran Metode Kalman Filter memiliki kelemahan, yaitu dalam hal penentuan nilai inisialisasi awal untuk state vector dan ragam dari state vector. Oleh karena itu, untuk penelitian selanjutnya dapat menggunakan metode lain untuk menduga tingkat sensitivitas suatu imbal hasil saham atau indeks saham dengan menggunakan Adaptive

Kalman Filter, Extended Kalman Filter, dan lain-lain. DAFTAR PUSTAKA [BI] Bank Indonesia. 2009. Outlook Ekonomi Indonesia2009-2014. Jakarta : BI. Bikchandani S dan Sharma S. 2001. Herd behavior in financial markets. IMF Staff Papers, 47;3:279-310. Bodie Z, Kane A, dan Markus AJ. 2005. Investasi. Dalimunthe Z, Wibowo B, penerjemah; Jakarta : Salemba Empat. Terjemahan dari : Investments. Buhai S. 2005. Quantile Regression : Overview and Selected Applications. AdAstra. Chang EC, Cheng JW, dan Khorana A. 2000. An examination of herd behavior in equity markets: an international perspective. Journal of Banking and Finance 24:1651–1679. Chen C. 2005. An Introduction to Quantile Regression and the Quantreg Proceduree. Proceedings of the Thirtieth Annual SAS Users Group International Conference. http: //support.sas.com/rad/app/papers/quantile. html.[12 Mei 2011]. Fotini E, Kostakis A, Philippas N. 2010. An Examination Of Herd Behaviour In Four Mediterraneans Stock Markets. Harvey A. 1993. Time Series Model. Second edition. Great Britain : Harvester Wheatsheaf. Hwang S dan Salmon M. 2004. Market Stress and Herding. Journal of Empirical Finance 11:585-616.

9

Koenker R. 2005. Quantile Regression. New York :Cambridge University Press. Petris, Petrone, and Campagnoli. 2009. Dynamic Linear Models with R, Springer. Saastamoinen, Jani. 2008. Quantile Resression Analysis of dispersion of stock returnsevidence of herding?. keskustelualoitteita #57. Tan L. 2005. Empirical Analysis of ChineseStock Market Behavior: Evidence

from Dynamic Correlations, Herding Behavior, and Speed of Adjustment.[ tesis] Drexel University, http ://idea.library.drexel.edu/handle/1860/514. [12 Mei 2011]. Tan L, Chiang TC, Mason JR, dan Nelling E. 2008. Herding Behavior In Chinese Stock Markets: An Examination of A and B Shares, Pacific-Basin.

10

LAMPIRAN

11

Lampiran 1 Daftar Saham Perusahaan LQ45 AALI ASSII UNSP BBCA BDMN BMRI SMCB ISAT INCO MEDC PGAS PTBA TLKM UNTR

: Astra Argo Lestari Tbk : Astra International Tbk : Bakrie Sumatra Plantations Tbk : Bank Central Asia Tbk : Bank Danamon Tbk : Bank Mandiri (Persero) Tbk : Holcim Indonesia Tbk : Indosat Tbk : International Nickel Indonesia : Medco Energi International Tbk : Perusahaan Gas Negara Tbk : Tambang Batubara Bukit Asam Tbk : Telekomunikasi Indonesia Tbk : United Tractors Tbk

Lampiran 2 Deskriptif Imbal Hasil Saham Perusahaan LQ45 Terpilih Saham

Rata-rata

StDev

Ragam

Minimum

Median

Maximum

AALI

0.2100

3.2079

10.2907

-22.7799

0.0000

19.8980

ASII

0.1711

3.0415

9.2507

-10.1036

0.0000

19.8718

UNSP

0.0930

4.3600

19.0080

-35.2110

0.0000

29.6300

BBCA

0.1166

2.5495

6.5001

-25.0000

0.0000

13.5135

BDMN

0.1004

3.1987

10.2320

-20.8000

0.0000

18.1818

BMRI

0.1600

3.0608

9.3687

-12.9412

0.0000

20.0000

BBRI

0.1574

3.0451

9.2725

-9.9237

0.0000

18.9655

SMCB

0.1783

3.3850

11.4584

-23.5294

0.0000

19.1489

ISAT

0.0251

2.6072

6.7973

-14.5455

0.0000

20.0000

INCO

0.1820

3.7420

14.0030

-17.9250

0.0000

23.7500

MEDC

0.0542

3.2548

10.5940

-17.2414

0.0000

24.8485

PGAS

0.2220

3.2568

10.6069

-23.3161

0.0000

21.0784

PTBA

0.2818

3.3837

11.4493

-22.9947

0.0000

19.6721

TLKM

0.0587

2.2474

5.0506

-9.9237

0.0000

10.2941

UNTR

0.2186

3.3161

10.9963

-21.6931

0.0000

20.0000

Lampiran 3 Deskriptif Imbal Hasil Indeks Saham Sektoral Negara Indonesia Indeks

Rata-rata

StDev

Ragam

Minimum

Median

Maximum

JKAGRI

0.1644

2.5016

6.2581

-19.4197

0.0929

12.8160

JKBIND

0.1105

1.8081

3.2692

-11.7602

0.1526

10.0982

JKCONS

0.1143

1.5400

2.3717

-7.8222

0.1650

11.4275

JKFINA

0.1094

1.8860

3.5572

-7.4558

0.1371

10.9607

JKINFA

0.0800

1.9461

3.7874

-12.9079

0.0560

12.6109

JKMING

0.1606

2.6531

7.0388

-22.2546

0.1274

15.4067

JKMIS

0.1327

2.4857

6.1787

-15.5082

0.0696

14.2521

JKPROP

0.0824

1.6483

2.7169

-12.1753

0.1178

7.0154

JKTRADE

0.0760

1.7659

3.1183

-16.7183

0.0636

7.5087

12

Lampiran 4 Deskriptif Imbal hasil Indeks Saham Negara-Negara di Asia Pasifik Indeks

Rata-rata

StDev

Ragam

Minimum

Median

Maximum

KLSE

0.0505

1.4376

2.0668

-17.5076

0.0648

21.9700

HSI

0.0544

1.9103

3.6491

-12.7000

0.0880

14.3471

JKSE

0.1046

1.6757

2.8081

-10.3753

0.1860

7.9215

KS11

0.0648

1.5991

2.5572

-10.5705

0.1501

11.9457

N225

0.0049

1.7744

3.1484

-11.4064

0.0432

14.1503

PSEI

0.0777

1.6095

2.5904

-12.2683

0.1135

13.8245

AORD

0.0189

1.2828

1.6457

-8.1980

0.0603

5.5064

GSPC

0.0157

1.5373

2.3633

-9.0350

0.0843

11.5800

SSE

0.0928

1.9964

3.9855

-8.8407

0.1633

9.4549

STI

0.0370

1.4435

2.0836

-8.8036

0.0717

7.8213

NZ50

0.0058

0.8426

0.7099

-4.8182

0.0317

5.9869

Lampiran 5 Grafik Beta Saham LQ45

13

Lampiran 5 (lanjutan)

14

Lampiran 5 (lanjutan)

15

Lampiran 6 Grafik Beta Indeks Saham Sektoral Indonesia

16

Lampiran 6 (lanjutan)

Lampiran 7 Grafik Beta Indeks Saham Negara-Negara Asia Pasifik

17

Lampiran 7 (lanjutan)

18

Lampiran 7 (lanjutan)

19

Lampiran 8 Grafik Dugaan Parameter dan Selang Kepercayaan 95% untuk Model LQ45

Quantile Process Estimates (95% CI) C .10 .05 .00 -.05 -.10 -.15 0.0

0.2

0.4

0.6

0.8

1.0

0.8

1.0

0.8

1.0

Quantile

R .40

.36

.32

.28

.24 0.0

0.2

0.4

0.6

Quantile

R2 .08

.04

.00

-.04

-.08 0.0

0.2

0.4

0.6

Quantile

20

Lampiran 9 Dugaan Parameter Regresi Kuantil Model Saham LQ45

Kuantil 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4 0.45 0.5 0.55 0.6 0.65 0.7 0.75 0.8 0.85 0.9 0.95

α -0.116203 -9.115* -0.073582 -5.99645* -0.05307 -5.268037* -0.041271 -5.973708* -0.029338 -8.990735* -0.022598 -5.425351* -0.016298 -10.53872* -0.013749 -6.018685* -0.011588 -5.379914* -0.009479 -7.35664* -0.007328 -5.708392* -0.004843 -3.035149* -0.002578 -0.883687 0.000945 0.565832 0.005742 1.776553 0.014537 3.731397* 0.029524 6.324146* 0.039011 5.498073* 0.065672 6.868307*

𝛾1

0.364313 44.29968* 0.324359 31.24523* 0.307886 17.84829* 0.296116 42.22041* 0.283061 57.22037* 0.275631 39.53685* 0.268813 39.59153* 0.268439 60.48084* 0.268732 95.6028* 0.26955 119.0709* 0.26972 121.9465* 0.27031 80.51059* 0.269891 58.29955* 0.277214 26.9293* 0.285439 29.24178* 0.294108 14.89125* 0.302316 41.44942* 0.317639 31.66341* 0.338749 27.32381*

𝛾2

-0.063621 -12.1845* -0.049518 -17.29357* -0.041837 -2.296742* -0.03385 -7.779623* -0.027519 -45.16985* -0.019204 -3.737583* -0.012218 -6.073212* -0.004592 -1.416409 -0.001369 -0.513795 0.000118 0.196609 0.000601 1.187107 0.002093 1.285554 0.007054 1.174154 0.015702 5.507465* 0.025778 3.004918* 0.032869 2.194713* 0.035303 20.36699* 0.05133 9.393352* 0.064218 23.03582*

*Menunjukkan signifikan pada taraf nyata α=5%

Keterangan : - Baris pertama pada setiap kuantil merupakan nilai koefisien dari dugaan parameter pada kuantil yang bersangkutan. - Baris kedua pada setiap kuantil merupakan nilai t statistik untuk parameter model regresi kuantil pada kuantil yang bersangkutan.

21

Lampiran 10 Grafik Dugaan Parameter dan Selang Kepercayaan 95% untuk Model Indeks Sektoral

Quantile Process Estimates (95% CI) C .08 .04 .00 -.04 -.08 -.12 0.0

0.2

0.4

0.6

0.8

1.0

0.8

1.0

0.8

1.0

Quantile

R .26

.24

.22

.20

.18 0.0

0.2

0.4

0.6

Quantile

R2 .04 .02 .00 -.02 -.04 -.06 0.0

0.2

0.4

0.6

Quantile

22

Lampiran 11 Dugaan Parameter untuk Model Indeks Sektoral

Kuantil 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4 0.45 0.5 0.55 0.6 0.65 0.7 0.75 0.8 0.85 0.9 0.95

α -0.07366 -8.778695* -0.059 -6.490149* -0.04574 -7.573158* -0.03363 -8.408961* -0.02872 -6.658506* -0.0212 -11.91367* -0.01732 -6.725788* -0.01295 -7.462434* -0.00924 -5.705938* -0.0064 -4.344944* -0.00366 -1.928931 -0.00168 -0.985042 0.001089 0.619766 0.004 2.74632* 0.009584 6.70255* 0.015363 7.134851* 0.021612 4.432676* 0.029914 9.010172* 0.052084 8.257398*

𝛾1

0.228338 62.93898* 0.217982 14.90129* 0.208214 49.14415* 0.204904 45.80386* 0.200232 63.08352* 0.198989 69.8041* 0.198584 48.47412* 0.201059 40.34419* 0.198704 38.78648* 0.196852 34.55394* 0.195586 41.06297* 0.196943 56.79524* 0.19594 57.81283* 0.196796 75.42077* 0.19967 102.8268* 0.203149 55.77822* 0.204741 53.58347* 0.208522 62.98898* 0.218541 50.27515*

𝛾2

-0.03023 -7.41985* -0.02166 -1.710125 -0.01372 -3.375961* -0.01162 -2.989668* -0.00666 -1.752657 -0.00656 -14.57862* -0.00475 -1.634903 -0.00403 -3.073531* -0.00152 -2.535379* 0.002165 0.793497 0.004541 1.169294 0.008036 3.489631* 0.010771 4.599272* 0.01291 8.671833* 0.013899 35.14095* 0.015002 7.468676* 0.018788 3.291628* 0.022146 15.416* 0.026484 10.51803*

*Menunjukkan signifikan pada taraf nyata α=5%

Keterangan : - Baris pertama pada setiap kuantil merupakan nilai koefisien dari dugaan parameter pada kuantil yang bersangkutan. - Baris kedua pada setiap kuantil merupakan nilai t statistik untuk parameter model regresi kuantil pada kuantil yang bersangkutan.

23

Lampiran 12 Grafik Dugaan Parameter dan Selang Kepercayaan 95% untuk Model Asia Pasifik

Quantile Process Estimates (95% CI) C .15 .10 .05 .00 -.05 -.10 -.15 0.0

0.2

0.4

0.6

0.8

1.0

0.8

1.0

0.8

1.0

Quantile

R .52 .50 .48 .46 .44 .42 .40 0.0

0.2

0.4

0.6

Quantile

R2 .12 .08 .04 .00 -.04 -.08 0.0

0.2

0.4

0.6

Quantile

24

Lampiran 13 Dugaan Parameter untuk Model Asia Pasifik

Kuantil 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4 0.45 0.5 0.55 0.6 0.65 0.7 0.75 0.8 0.85 0.9 0.95

α -0.10746 -7.201042* -0.08189 -10.63837* -0.05205 -8.630844* -0.037 -6.556336* -0.0281 -6.536818* -0.01881 -4.503438* -0.01278 -9.493454* -0.00737 -5.696038* -0.00456 -3.986607* -0.00166 -1.483983 -0.00078 -0.680994 0.001012 0.722994 0.004794 4.009498* 0.010925 7.450974* 0.016923 6.200414* 0.028646 6.316903* 0.038255 5.610708* 0.061965 3.98961* 0.088356 5.56152*

𝛾1

0.455761 29.94155* 0.443523 93.29444* 0.439358 163.4842* 0.433998 106.6632* 0.430746 109.0715* 0.428705 79.53308* 0.426427 95.4496* 0.425963 178.3189* 0.426281 169.8499* 0.428036 142.6068* 0.429722 173.9869* 0.429658 149.3737* 0.431159 137.7861* 0.433656 125.9619* 0.435491 132.1014* 0.440076 99.0362* 0.446465 95.48586* 0.463689 44.12521* 0.501034 66.33924*

𝛾2

-0.02857 -2.103617* -0.01013 -2.576036* -0.01006 -4.469651* -0.0072 -1.600546 -0.00486 -1.322453 -0.0027 -0.356051 -0.00106 -1.644336 -2.1E-06 -0.001763 0.000816 1.1363 0.001165 2.05517* 0.004682 8.595973* 0.00558 2.94942* 0.006679 6.440898* 0.008417 9.334338* 0.009756 4.130353* 0.013832 3.889737* 0.018772 3.661114* 0.030677 1.992108* 0.059654 4.233973*

*Menunjukkan signifikan pada taraf nyata α=5%

Keterangan : - Baris pertama pada setiap kuantil merupakan nilai koefisien dari dugaan parameter pada kuantil yang bersangkutan. - Baris kedua pada setiap kuantil merupakan nilai t statistik untuk parameter model regresi kuantil pada kuantil yang bersangkutan.