C. Metode Pengumpulan Data
Teknik pengumpulan data yang digunakan dalam penelitian ini antara lain adalah:
1. Penelitian Kepustakaan Library Research, yaitu metode pengumpulan data
yang diperoleh dengan cara membaca buku-buku dan surat kabar, mengadakan penelitian kepustakaan baik melalui buku-buku maupun bahan-
bahan serta literature-literatur yang berhubungan erat kaitannya dengan pokok permasalahan yang akan diteliti.
2. Data sekunder, yaitu melalui pihak lain seperti data-data yang dapat diperoleh
dari Bursa Efek Indonesia dan BAPEPAM. Data yang digunakan dalam penelitian ini meliputi:
o Tanggal pengumuman announcement date stock split dan reverse stock
split . Announcement date yang digunakan dalam penelitian ini adalah
tanggal diberitakanya rencana pelaksanaan stock split dan reverse stock split
yang dapat diketahui dari Bursa Efek Indonesia baik melalui Pusat Referensi Pasar Modal maupun dari website BEI di
www.idx.co.id .
o Tanggal pelaksanaan stock split dan reverse stock split.
o Harga penutupan pada saham pada data harian harga saham yang
melakukan stock split dan reverse stock split selama periode estimasi dan periode investigasi.
o Volume perdagangan saham harian sebelum dan sesudah pelaksanaan
stock split dan reverse stock split.
o Jumlah lembar saham yang diperdagangkan sebelum dan sesudah
pelaksanaan stock split dan reverse stock split.
D. Metode Analisis
1. Metode Analisis Likuiditas
Pendekatan atau indicator yang digunakan untuk membandingkan likuiditas antara sebelum dan sesudah pelaksanaan stock split atau reverse
stock split adalah dengan menggunakan data volume perdagangan. Kemudian
menghitung trading volume activity untuk menyesuaikan volume perdagangan dengan perubahan jumlah lembar saham. Software SPSS 17 digunakan untuk
mengolah data dalam analisis likuiditas. Setiap saham yang diperbandingkan, akan ditarik rentang waktu 60 hari
sebelum pelaksanaan t
-60
dan 60 hari setelah pelaksanaan t
+60
dengan t sebagai hari pelaksanaan stock split dan reverse stock split. Hari pelaksanaan
t tidak dimasukan sebagai data yang diperbandingkan untuk menghilangkan
efek yang berlebihan dari pelaksanaan split. Langkah pertama dalam menganalisa perubahan likuiditas adalah dengan
melakukan uji normalitas data. Selanjutnya, jika data berdistribusi normal, dalam menguji hipotesis digunakan paired sampel t-test. Namun, jika data
memiliki distribusi yang tidak normal maka menggunakan sign-test. Kedua prosedur ini akan dilakukan dua kali, satu kali pada sampel emiten yang
melakukan stock split dan satu kali pada sampel emiten yang melakukan reverse stock split
.
a. Uji normalitas data
Uji normalitas data adalah pengujian tentang kenormalan distribusi data. Uji ini bertujuan untuk menguji apakah variabel yang digunakan
mempunyai distribusi yang normal atau tidak. Ada beberapa cara untuk mendeteksi normalitas data, salah satunya dengan penyebaran data titik
pada sumbu diagonal dari grafik. Dasar pengambilan keputusan dalam uji normalitas data adalah:
o Jika data menyebar disekitar garis diagonal dan mengikuti arah garis
diagonal maka variabel-variabel tersebut memenuhi asumsi normalitas. o
Jika data menyebar dari garis diagonal dan tidak mengikuti arah garis diagonal maka variabel-variabel tersebut tidak memenuhi asumsi
normalitas. b.
Paired sampel t-test Paired sampel t-test
bertujuan untuk melihat pergerakan perubahan volume secara agregat pada hari pelaksanaan split. Pengujian ini
digunakan karena jenis datanya berpasangan dan tidak saling bebas dependen.
Perbandingan pada dua sampel dependen berarti membandingkan setiap data dari kelompok pertama dengan data kelompok kedua yang
diambil dari sumber yang sama biasa disebut data berpasangan. Pasangan- pasangan ini diperbandingkan dengan melihat perbedaan atau selisih dari
masing-masing data. Hipotesis yang diuji adalah apakah rata-rata dari
perbedaan ini sama dengan nol atau tidak. Statistik hitung untuk menguji hipotesis tersebut adalah sebagai berikut:
Sb
= 1
2
− n
n
d
dimana:
Sb = standar error dua mean yang berhubungan
t =
Sb B
Sb B
= −
dimana: B
= beda antara pengamatan tiap pasang
B =
mean dari beta pengamatan c.
Uji tanda sign test Jika hasil uji normalitas data menunjukkan bahwa distribusi data
dalam penelitian ini tidak bersifat normal melainkan deskret, maka harus digunakan metode non parametrik. Adapun alat uji yang digunakan adalah
uji tanda sign test. Penelitian dengan uji tanda seperti ini juga pernah dilakukan oleh Ade Wirman 2002.
Dengan menggunakan uji tanda ini, peneliti hanya akan membandingkan rata-rata likuiditas saham perusahaan sampel sebelum
dan sesudah saham tersebut di-split. Kemudian dengan memperhatikan hasil perbandingan tersebut, dapat ditarik kesimpulan tentang apakah stock
split dan reverse stock split mempunyai pengaruh terhadap likuiditas atau
tidak.
2. Metode Analisis Return Saham
Data yang digunakan untuk menghitung return saham adalah harga saham yang termasuk kedalam data deret waktu time series. Deret waktu
merupakan barisan data yang memiliki jarak waktu interval yang sama yang diobservasi selama periode tertentu. Ada dua tujuan dari analisis deret waktu
yaitu mengidentifikasi karakter alami nature dari deret waktu dan melakukan peramalan terhadap bagaimana deret tersebut berlanjut pada waktu ke depan.
Kedua tujuan tersebut membutuhkan identifikasi pola pattern dari deret sehingga dapat diinterpretasikan dan diintegrasikan dengan informasi lainnya.
Secara teoritis, ada tiga kemungkinan pola yang terjadi yaitu horizontal, musiman dan trend. Pola horizontal diindikasikan oleh pola data yang
berfluktuasi disekitar rataan dan biasanya deret itu disebut sebagai deret yang stasioner. Pola musiman diindikasikan oleh pola data yang dipengaruhi oleh
faktor musiman seperti bulan tertentu selama setahun atau hari tertentu selama seminggu. Sedangkan pola trend diindikasikan oleh pola yang mengalami
kecendrungan tertentu baik meningkat atau menurun selama periode deret. Namun dalam prakteknya, sebagian besar deret memiliki pola yang tidak
jelas. Seringkali deret yang pada awalnya diasumsikan musiman, menunjukkan pola yang tidak wajar pada titik tertentu sehingga menyulitkan
dalam pengambilan keputusan penggunaan model yang tepat. Salah satu metode yang sangat populer untuk mengatasi hal tersebut adalah metode
ARIMA. Nuryadin, 2004.
Oleh karena itu, dalam penelitian ini digunakan metode ARIMA Autoregressive Integrated Moving Avarage Model untuk mengestimasi
return wajar saham expected return, yaitu dengan mencari model terbaik
saham berdasarkan periode estimasi dengan menstasionerkan data yang ada sebagaimana dilaksanakan oleh Nuryadin 2004. Dalam pengolahan data
dilakukan dengan menggunakan software Eviews 5. ARIMA merupakan kombinasi dari model autoregressive dan moving
avarage yang dapat dijabarkan secara singkat seperti dibawah ini, yaitu:
1. Autoregressive AR
Autoregressive merupakan model linier yang meregresikan suatu variabel
dengan variabel itu sendiri pada masa lalu. Autoregressive berasumsi bahwa keragaman suatu variabel pada saat ini dapat dijelaskan oleh
keragaman variabel itu sendiri pada masa lalu. Secara matematis, autoregressve
dengan order p atau AR p dapat dituliskan sebagai berikut:
t p
t p
t t
t
ε ϑ
ϑ ϑ
+ Υ
+ +
Υ +
Υ =
Υ
− −
−
...
2 2
1 1
dimana: Y
t
= data pada hari ke-t
Y
t-n
= data pada hari ke t-n n = 1,2,3,...,p
n
ϑ =
koefisien regresi order n n = 1,2,3,...,p
t
ε =
residual pada hari ke-t
3. Moving Avarage MA
Moving Avarage merupakan model linier yang meregresikan variabel
tertentu dengan residualnya pada masa lalu. Moving avarage berasumsi bahwa keragaman suatu variabel dapat dijelaskan keragaman residual
variabel itu sendiri pada masa lalu. Secara matematis, persamaan moving avarage
dengan order q atau MA q adalah sebagai berikut:
t q
t p
t t
t
ε ε
θ ε
θ ε
θ +
+ +
+ =
Υ
− −
−
...
2 2
1 1
dimana: Y
t
= data pada hari ke-t
n t −
ε =
residual pada hari ke t-n
n
θ =
koefisien regresi order n
t
ε =
residual pada hari ke-t 3.
Autoregressive-Moving Avarage ARMA Seringkali perilaku suatu data time series dapat dijelaskan dengan baik
melalui penggabungan antara model AR dan model MA. Model gabungan ini disebut autoregressive-moving avarage ARMA. Secara umum
bentuk model dari ARMA dapat ditulis dalam bentuk persamaan sebagai berikut:
q t
q t
t t
p t
p t
t t
− −
− −
− −
+ +
+ +
+ Υ
+ +
Υ +
Υ +
= Υ
ε θ
ε θ
ε θ
ε θ
ϑ ϑ
ϑ ϑ
... ...
2 2
1 1
2 2
1 1
4. Autoregressive Integrated Moving Avarage ARIMA
Model AR, MA dan ARMA sebelumnya mensyaratkan bahwa data time series
yang diamati mempunyai sifat stasioner. Data time series dikatakan stasioner jika mempunyai rata-rata, varian, dan kovarian yang konstan.
Namun dalam kenyataannya data time series seringkali tidak stasioner dan baru stasioner pada proses diferensi difference. Model dengan data yang
stasioner melalui proses differencing ini disebut model ARIMA. Penelitian ini menggunakan jumlah periode estimasi selama 100 hari,
dengan t
-110
sebagai awal dari perhitungan estimasi dan t
-10
sebagai akhir dari periode estimasi. Tanggal yang dianggap sebagai event pengumuman stock
split dan reverse stock split announcement date adalah tanggal emiten
mengumumkan stock split dan reverse stock split. Tanggal ini selanjutnya dianggap sebagai periode nol t
. Berdasarkan tanggal pengumuman tersebut kemudian ditentukan periode investigasi, 10 hari sebelum t
-10
sampai dengan 5 hari setelah t
+5
pengumuman stock split dan reverse stock split. Jadi, t
-10
adalah ending point pada periode estimasi sekaligus starting point untuk menghitung abnormal Return, sementara t
+5
merupakan ending point untuk menghitung abnormal return.
Periode investigasi t
-10
digunakan untuk mengantisipasi adanya kebocoran informasi sebelum pengumuman stock split dan reverse stock split, sedangkan
t
+5
dipilih sebagai ending point periode investigasi, karena rata-rata perusahaan di Indonesia melaksanakan stock split atau reverse stock split 5-10
hari setelah tanggal pengumuman. Pada dasarnya, penyusunan model dengan pendekatan ARIMA merupakan
suatu proses trial and error dengan melibatkan beberapa prosedur yang terdiri dari langkah-langkah berikut:
a. Mempersiapkan data
Tujuan dari tahap ini adalah untuk memastikan data memenuhi persyaratan permodelan ARIMA yaitu data bersifat stasioner. Suatu data
runtun waktu dikatakan stasioner jika nilai rata-rata mean, variance, dan autocovariance
-nya bukan merupakan fungsi dari waktu time invariant, jika data time series tidak memenuhi kriteria tersebut maka data dikatakan
tidak stasioner. Dengan kata lain data time series dikatakan tidak stasioner jika rata-ratanya maupun variance-nya tidak konstan, berubah-ubah
sepanjang waktu time-varying mean and variance. Untuk memastikan kestasioneran data, maka dilakukan uji unit root
dengan metode Augmented Dickey-Fuller Regression ADF. Pengujian ini dilakukan dengan cara membandingkan nilai statistik ADF dengan nilai
kritis Mackinnon untuk mengetahui derajat integrasi stasioneritas suatu variabel. Suatu variabel disebut stasioner jika nilai statistik ADF lebih
besar dari nilai kritis Mackinnon. Apabila ternyata data belum stasioner maka harus dilakukan
differencing orde pertama yaitu mengurangkan data pada hari ke-t dengan
data pada hari ke-t
-1
. Apabila belum stasioner juga maka perlu dilakukan differencing
orde kedua dengan mengurangkan data yang telah di- differencing
hari ke-t terhadap hari ke-t
-1
. Demikian seterusnya sampai mendapat data yang stasioner. Namun pada umumnya, differencing orde
pertama telah dapat merubah data menjadi stasioner.
b. Penentuan Model Tentatif
Setelah mendapatkan data yang stasioner, maka selanjutnya adalah menentukan model ARIMA. Metode baku yang digunakan untuk
pemilihan model ARIMA adalah melalui plot correlogram. Tujuan plot correlogram
adalah untuk melihat pola autocorrelation dan partial autocorrelation
pada plot correlogram dilakukan sampai dengan lag 30. Pola autocorrelation dan partial autocorrelation yang dihasilkan dari plot
correlogram setidaknya akan terdiri dari empat kemungkinan, yaitu:
o Tidak ada autocorrelation dan partial autocorrelation pada data.
Artinya model ARIMA kurang sesuai, sehingga permodelan cukup dilakukan dengan metode regresi.
o Data bersifat musiman, yang ditunjukkan oleh autocorrelation
danatau partial autocorrelation yang sangat signifikan pada lag berkelipatan.
o Jika autocorrelation menurun drastis pada lag tertentu dan pola partial
autocorrelation -nya turun secara perlahan, maka model MA q
kemungkinan cocok
untuk diterapkan.
Sedangkan partial
autocorrelation menurun drastis pada lag tertentu dan pola
autocorrelation -nya turun secara perlahan maka model AR p
kemungkinan cocok untuk digunakan. o
Jika tidak jelas model AR atau MA yang dapat diterapkan, maka dapat digunakan model gabungan AR dan MA atau salah satu diantara
keduanya.
c. Estimasi Parameter Model Tentatif
Setelah model tentatif diperoleh, pada tahap ini dilakukan estimasi terhadap parameter model tersebut dengan metode Least Square. Metode
Least Square merupakan salah satu metode regresi yang meminimalkan
jumlah kuadrat dari residual-nya sum of square error. d.
Pembentukan Model Akhir Sebagian dari koefisien dugaan parameter sangat mungkin tidak
signifikan, sehingga variabel yang bersangkutan harus dikeluarkan dari model. Jika lebih dari satu variable tidak signifikan, maka variable harus
dikeluarkan satu per satu. Dengan dikeluarkannya variabel yang tidak signifikan secara satu per satu, variabel lain yang sebelumnya tidak
signifikan bisa berubah menjadi signifikan. Setelah semua variabel signifikan, maka ketepatan model harus diuji
lagi dengan melakukan plot terhadap residualnya seperti yang dilakukan pada tahap kedua.
Pencarian model dapat dilakukan dengan terus mengulang langkah kedua sampai langkah keempat. Ukuran lain yang dapat dijadikan
pertimbangan adalah Akaike Info Criterion AIC, Schwarz Info Criterion SIC, Adjusted R
2
, dan Standar Error of Regression. Ketika memutuskan menambah satu variabel tertentu yang ternyata signifikan, maka
penambahan tersebut dapat diterima jika Adjusted R
2
meningkat, sedangkan Akaike Info Criterion AIC, Schwarz Info Criterion SIC dan
Standar Error of Regression menurun.
Model dari setiap saham yang telah didapatkan diatas digunakan untuk melakukan peramalan return wajar expected return masing-masing saham,
dengan persamaan berikut:
AR
it
= R
it
- ER
it
dimana: AR
it
= return tidak normal sekuritas ke-i pada periode investigasi
ke-t R
it
= return saham yang terjadi untuk sekuritas ke-i pada periode
investigasi ke-t ER
it
= expected return
sekuritas ke-i pada periode investigasi ke-t berdasarkan permodelan ARIMA
Selanjutnya, AR untuk setiap saham selama periode estimasi dan periode investigasi dirata-ratakan untuk mendapatkan AR harian dengan formula
sebagai berikut:
AAR
j
=
= n
i ij
AR N
1
1
dimana: AAR
j
= rata-rata abnormal return pada periode investigasi ke-j
AR
ij
= abnormal return
saham-i pada periode investigasi ke-j N
= jumlah saham dalam sampel
Sedangkan standar deviasi selama periode estimasi didefinisikan sebagai berikut:
SAR =
1
2 1
− −
=
T AR
AR
T j
j
dimana: SAR
= standar deviasi dari AR
AR =
rataan dari AR dari hari ke-1 sampai hari ke-T T
= jumlah hari pada periode estimasi
Dari dua formula diatas, maka t-statistik two-tailed untuk abnormal return
dapat dituliskan sebagai berikut:
t-stat =
SAR AR
t
E. Operasional Variabel Penelitian
Kategori