JANUARY EFFECT ANALYSIS ON STOCK LOSER AND

advertisement
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
Download