a. Stock Split
Kestasioneran merupakan salah satu asumsi yang harus terpenuhi sebelum menggunakan metode ARIMA. Data time series dikatakan
stasioner jika rata-ratanya maupun variance-nya konstan, tidak berubah- ubah sepanjang waktu.
Oleh karena itu, dalam penelitian ini dilakukan unit root test dengan metode Augmented Dickey-Fuller Regression ADF dalam pengujian
stasioneritas data. 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.
Hasil pengujian stasioneritas data return saham menunjukkan bahwa data telah stasioner pada tingkat level. Hal ini dapat dilihat pada tabel 4.10
yang disajikan dibawah ini. Sedangkan hasil output Eviews untuk uji stasioneritas ini terlampir pada lampiran 8.
Tabel 4.10 Hasil Uji Stasioneritas Tingkat Level
Pada Emiten yang Melakukan Stock Split
Nama Emiten Hasil ADF
ADF McKinnon
Critical Value 5
Keterangan
Arpeni Pratama Ocean Line Tbk - APOL -12.29506
-2.886732 Stasioner
Ciputra Surya Tbk - CTRS -9.879758
-2.886732 Stasioner
Davomas Abadi Tbk - DAVO -7.534218
-2.886732 Stasioner
Ekadharma International Tbk - EKAD -11.13593
-2.886732 Stasioner
Hexindo Adiperkasa Tbk - HEXA -12.13031
-2.886732 Stasioner
International Nickel Indonesia Tbk I - INCO1
-8.597983 -2.886732
Stasioner International Nickel Indonesia Tbk II -
INCO2 -8.647781
-2.886732 Stasioner
Indosat Tbk - ISAT -9.158394
-2.886732 Stasioner
Jakarta Internasional Hotel Dev Tbk - JIHD
-11.04539 -2.886732
Stasioner Jaya Pari Steel Tbk - JPRS
-14.09071 -2.886732
Stasioner Kalbe Farma Tbk - KLBF
-10.59691 -2.886732
Stasioner Lippo Karawaci Tbk - LPKR
-8.094985 -2.886732
Stasioner Panorama Sentrawisata Tbk - PANR
-11.33966 -2.886732
Stasioner Rig Tenders Indonesia Tbk - RIGS
-12.65750 -2.886732
Stasioner Tempo Scan Pacific Tbk - TSPC
-10.84424 -2.886732
Stasioner Bakrie Sumatra Plantations Tbk - UNSP
-10.19183 -2.886732
Stasioner
Dari tabel diatas, dapat dilihat bahwa hasil ADF selalu lebih besar dari nilai kritis Mackinnon pada tingkat = 5. Hal ini menunjukkan bahwa
data telah stasioner pada tingkat level. Pemakaian tingkat signifikansi 5 tersebut dinilai masih layak
digunakan untuk mewakili hubungan antar variable dan umum digunakan dalam penelitian ilmu sosial. Nazir, 2001 dalam Achmad Rifa’i dan Rudi
Handoko, 2005. Setelah data stasioner, langkah selanjutnya adalah menentukan model
ARIMA dengan bantuan plot correlogram autocorrelation dan
correlogram partial autocorrelation . Pola autocorrelation function ACF
dan partial autocorrelation function PACF yang dihasilkan dari plot correlogram
dapat ditunjukkan olah lampiran 10. Dari hasil plot correlogram ini, dapat ditentukan model yang tepat
dengan memperhatikan pola autocorrelation function dan partial autocorrelation function
. Pola ACF dan PACF yang dihasilkan dari plot correlogram
setidaknya akan terdiri dari empat kemungkinan, yaitu: o
Tidak ada ACF dan PACF pada data. Artinya model ARIMA kurang sesuai, sehingga permodelan cukup dilakukan dengan metode regresi.
o Data bersifat musiman, yang ditunjukkan oleh ACF danatau PACF
yang sangat signifikan pada lag berkelipatan. o
Jika ACF menurun drastis pada lag tertentu dan pola PACF-nya turun secara perlahan, maka model MA q kemungkinan cocok untuk
diterapkan. Sedangkan jika PACF menurun drastis pada lag tertentu dan pola ACF-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. Permodelan ARIMA yang telah dipilih melalui plot correlogram dapat
dilihat pada Tabel 4.11.
Tabel 4.11 Permodelan ARIMA Pada Emiten yang Melakukan Stock Split
Nama Emiten Model ARIMA
Arpeni Pratama Ocean Line Tbk
apol ar1 ma1 – ARMA1,1
Ciputra Surya Tbk
ctrs ar1 ma1 ma2 – ARMA 1,2
Davomas Abadi Tbk
davo2 ar1 – ARMA 1,0
Ekadharma International Tbk
ekad1 ar1 ar2 ar3 ar4 ma1 ma2 ma3 ma4 – ARMA 4,4
Hexindo Adiperkasa Tbk
hexa c ar1 ma1 – ARMA 1,1
International Nickel Indonesia Tbk I
inco1 ma1 – ARMA 1,0
International Nickel Indonesia Tbk II
inco2 ar1 – ARMA 1,0
Indosat Tbk - ISAT
isat c ar1 – ARMA 1,0
Jakarta Internasional Hotel Dev Tbk
jihd ar1 ar2 ar3 ar4 ar5 ma1 ma2 ma3 ma4 ma5
- ARMA 5,5
Jaya Pari Steel Tbk
jprs ar1 – ARMA 1,0
Kalbe Farma Tbk
klbf ar1 ar2 ar3 ma1 ma2 ma3 – ARMA 3,3
Lippo Karawaci Tbk
lpkr ar1 – ARMA 1,0
Panorama Sentrawisata Tbk
panr ar1 ar2 ar3 ma1 ma2 ma3– ARMA 3,3
Rig Tenders Indonesia Tbk
rigs c ar1 – ARMA 1,0
Tempo Scan Pacific Tbk
tspc ar1 ar2 ma1 ma2 – ARMA 2,2
Bakrie Sumatra Plantations Tbk
unsp c ar1 ar2 ar3 ma1 ma2 ma3 – ARMA 3,3
Setelah model tentatif diperoleh, tahap selanjutnya adalah melakukan estimasi terhadap parameter model tersebut dengan metode Least Square.
Hasil estimasi parameter model terlampir pada lampiran 12. Dari hasil ini, harus dipastikan variabel-variabel yang terdapat dalam
model signifikan. Jika terdapat koefisien dugaan parameter yang tidak signifikan, maka variabel yang bersangkutan harus dikeluarkan dari
model. 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 dan Standar Error of Regression
menurun. Tabel 4.12
Hasil Estimasi Parameter Model Pada Emiten yang Melakukan Stock Split
Kode Emiten Variabel
t-statistic Signifikan
APOL AR1
MA1 1.658316
-2.682442 CTRS
AR1 MA1
MA2 -3.368805
3.669654 1.796088
DAVO AR1
3.639194
EKAD AR1
AR2 AR3
AR4
MA1 MA2
MA3 MA4
3.663559 -4.722154
4.061580 -13.77859
-6.210882 8.773573
-6.317916 24.05179
HEXA C
AR1 MA1
2.169169 -9.860621
6.814448 INCO 1
MA1 2.505135
INCO 2 AR1
2.441018 ISAT
C AR1
2.117357 1.714694
JIHD AR1
AR2 AR3
AR4 AR5
MA1 MA2
MA3 MA4
MA5 -8.190281
5.429858 5.236048
-8.585129 -14.32343
5.851442 -4.360726
-5.518242 8.153802
10.20956
JPRS AR1
-3.065866
Kode Emiten Variabel
t-statistic Signifikan
KLBF AR1
AR2 AR3
MA1 MA2
MA3 -3.567191
-4.040330 -5.317450
3.810272 3.414288
6.013452 LPKR
AR1 2.945540
PANR AR1
AR2 AR3
MA1 MA2
MA3 7.583712
13.92131 -12.70942
-38.26213 -35.69295
70.70284 RIGS
C AR1
2.007089 -1.864994
TSPC AR1
AR2 MA1
MA2 -13.00621
-13.07582 135.1546
162.2904
UNSP C
AR1 AR2
AR3 MA1
MA2 MA3
2.000676 -10.86235
-12.63681 -14.74100
44.57055 68.53545
55.33505 Signifikan 10
Signifikan 5 Signifikan 1
Tabel 4.12 merupakan ringkasan dari lampiran 12, yang menyajikan variabel-variabel dari setiap emiten dengan nilai t-statistiknya untuk
menentukan apakah variabel-variabel tersebut telah signifikan. Dari penyajian diatas, dapat dilihat bahwa semua variabel telah
signifikan pada nilai yang bervariasi. Namun, sebagian besar telah signifikan pada tingkat = 1 . Hanya APOL, CTRS dan ISAT yang
salah satu variabel dari modelnya signifikan pada tingkat = 10 . Oleh
karena itu, dapat disimpulkan variabel yang terdapat dalam model yang disajikan pada tabel 4.11 telah signifikan.
Setelah semua variabel signifikan, maka ketepatan model harus diuji lagi dengan melakukan plot correlogram terhadap residualnya seperti yang
telah dilakukan sebelumnya. Hasil correlogram dapat ditunjukan oleh lampiran 14.
Tujuan dari pengujian kembali dengan plot correlogram adalah memastikan apakah spesifikasi model telah benar. Jika residualnya
ternyata white noise, maka modelnya sudah baik. Hal ini dapat dilihat dari autocorrelation function
ACF dan partial autocorrelation PACF yang tidak signifikan. Ini merupakan indikasi bahwa residual merupakan white
noise yang artinya model telah cocok.
Signifikan tidaknya ACF dan PACF dapat dilihat dari uji Barlet pada correlogram
. Barlet merupakan dua garis yang merupakan interval keyakinan atau pembatas signifikan atau tidaknya ACF dan PACF pada
setiap lag. Bila ACF dan PACF semuanya kecil dan terletak diantara interval yang telah ditentukan, dapat dikatakan bahwa residualnya
merupakan white noise. Pada lampiran 14 menunjukan bahwa semua sampel, pada semua lag,
ACF dan PACF-nya berada diantara interval garis barlet. Hal ini dapat diartikan ACF dan PACF-nya tidak signifikan dan residualnya telah white
noise . Sehingga model yang telah disajikan pada tabel 4.11 adalah model
terbaik.
Dengan model dari setiap saham yang telah didapatkan diatas, kemudian dilakukan peramalan return wajar expected return masing-
masing saham. Dalam melakukan peramalan ini, model ARIMA yang telah diperoleh, diubah ke dalam model matematis. Setelah langkah-
langkah diatas, barulah dapat dilakukan perhitungan return wajar expected return.
Dibawah ini akan disajikan perhitungan expected return PT. Hexindo Adiperkasa Tbk saat t-10 atau 10 hari sebelum pengumuman stock split
sebagai contoh yang mewakili sampel emiten yang melakukan stock split karena model ARIMA dari HEXA meliputi autoregression dan moving
avarage serta terdapat konstanta yang signifikan pada model tersebut.
Model ARIMA terbaik PT. Hexindo Adiperkasa Tbk saat t-10:
hexa c ar1 ma1 – ARMA 1,1
11 1
11 1
− −
+ +
− Υ
+ =
Υ
t t
t t
ε θ
ε δ
ϑ δ
11 1
11 1
1
1
− −
+ +
Υ +
− =
Υ
t t
t t
ε θ
ε ϑ
ϑ δ
Y
t
= 0,005301 1 – -0,949890 + -0,949890 0 + 0 + 0,874148 -0,029034 Y
t
= -0,015043646142
dimana: Y
t
= expected return HEXA saat t-10 δ
= konstanta lampiran 12 ϑ
= koefisien regresi AR orde 1 lampiran 12 Y
t-11
= return pada saat t-11
θ = koefisien regresi MA orde 1 lampiran 12
t
ε = residual, yang sebagaimana model OSL mempunyai
karakteristik nilai rata-rata nol, varian konstan dan tidak saling berhubungan.
1 −
t
ε = residual pada t-11
Langkah berikutnya setelah mendapat nilai expected return adalah melakukan perhitungan abnormal return setiap saham, untuk selanjutnya
dilakukan pengujian statistik terhadap abnormal return. Hal ini bertujuan untuk mengetahui signifikansi abnormal return yang ada diperiode
peristiwa. Signifikansi ini ditunjukkan secara statistik abnormal return tersebut tidak sama dengan nol yaitu positif untuk good news atau
membawa sinyal positif bagi investor dan negatif untuk bad news atau membawa sinyal negatif bagi investor. Dalam penelitian ini, uji statistik
abnormal return dilakukan dengan menggunakan uji t.
Pengujian signifikansi dengan uji t dilakukan untuk abnormal return seluruh saham pada masing-masing hari selama periode investigasi. Jadi
pengujian dengan uji t ini tidak dilakukan untuk masing-masing saham, tetapi terhadap seluruh saham portofolio sekuritas. Output SPSS untuk
uji signifikansi abnormal return terampir pada lampiran 16. Ringkasan hasil pengujian signifikansi terhadap abnormal return untuk emiten yang
melakukan stock split terdapat di tabel 4.13.
Tabel 4.13 Hasil Perhitungan Abnormal Return di Sekitar Pengumuman Stock Split
Hari ke-t AR
t-hitung p-value
Keterangan
-10
0,006916301 1,619
0,126
NS -9
0,000369113 0,085
0,933
NS -8
-0,010234358 -2,479
0,026
-7
-0,006616144 -2,100
0,053
-6
0,001334209 0,266
0,794
NS -5
0,011987004 1,470
0,162
NS -4
0,000225032 0,047
0,963
NS -3
-0,002999558 -0,281
0,782
NS -2
0,00564539 0,803
0,435
NS -1
0,000189385 0,050
0,961
NS
0,005919912 0,473
0,643
NS +1
0,003686792 0,609
0,551
NS +2
0,015179458 1,161
0,264
NS +3
-0,001156597 -0,119
0,907
NS +4
0,009080738 0,718
0,484
NS +5
0,003853001 0,355
0,728
NS Signifikan 10
Signifikan 5 Signifikan 1
NS Non-signifikan
Dalam pengujian uji t two-tailed, dengan tingkat keyakinan 90 = 10 dan derajat kebebasan degree of freedom atau df sebesar 15
nilai df = 15 diperoleh dari n-1, dimana n=16, maka nilai kritis t adalah sebesar 1,753. Apabila dengan tingkat keyakinan 95 = 5 dan
df 15, nilai kritis t adalah sebesar 2,131. Sedangkan dengan tingkat keyakinan 99 = 1 dan df 15, nilai kritis t sebesar 2,947. Nilai
ini dapat diperoleh dari Tabel nilai t. Hasil perhitungan abnormal return pada emiten yang melakukan stock
split menunjukkan bahwa pada tanggal pengumuman nilai abnormal
return positif sebesar 0,005919912. Namun, hasil pengujian signifikansi
dengan uji t menunjukkan bahwa nilai tersebut tidak signifikan.
Hal ini dapat disebabkan karena investor ragu-ragu dalam menafsirkan sinyal yang disampaikan emiten melalui stock split sehingga
mempengaruhi investor dalam keputusan menjual atau membeli saham. Tidak terdapatnya abnormal return yang signifikan mencerminkan keragu-
raguan investor dalam mengambil keputusan apakah akan menjual atau membeli saham.
Hal lain yang menyebabkan tidak terdapatnya abnormal return yang signifikan pada tanggal pengumuman stock split adalah investor telah
mengetahui terlebih dahulu informasi mengenai rencana kebijakan stock split
sebelum kebijakan ini resmi diumumkan kepada pubik. Hal ini ditunjukkan dengan adanya abnormal return yang secara statistik
signifikan yang terjadi pada t-8 dan t-7. Nilai t-hitung pada t-8 adalah sebesar -2,479 dan probabilitas sebesar 0,026 yang nilainya dibawah 0,05,
hal ini menunjukkan bahwa abnormal return signifikan pada tingkat kepercayaan 95 = 5. Pada t-7 nilai t-hitung adalah sebesar -2,100
dengan probabilitas 0,053 yang nilainya dibawah 0,1 yang menunjukkan bahwa abnormal return signifikan pada tingkat kepercayaan 90
= 10. Hal ini berarti hipotesis Ho ditolak, yang berarti diterimanya hipotesis alternatif Ha, yang menyatakan bahwa terdapat abnormal
return pada periode investigasi.
Kebocoran informasi yang terjadi sebelum pengumuman stock split dipublikasikan mengakibatkan terdapat abnormal return ditemukan pada
t-8 dan t-7 dimana investor telah bereaksi atas kebocoran informasi
tersebut. Hasil yang diperoleh membuktikan signaling hipotesis pada stock split
, dimana stock split membawa sinyal dari emiten yang akan memberikan pandangan kepada investor dalam merespon informasi stock
split tersebut.
Hal ini sejalan dengan penelitian yang dilakukan oleh Ahmad Rifa’i dan Rudi Handoko 2005 yang meneliti tentang pengaruh stock split
terhadap perusahaan yang tercatat tidak membayarkan deviden tunai dengan perusahaan yang melakukan pembayaran deviden sebelumnya.
Ahmad Rifa’i dan Rudi Handoko 2005 menemukan adanya abnormal return
yang signifikan pada t-30, t-29, t-27, t-3 dan t+30 dengan tingkat = 1 pada emiten yang tercatat tidak membayarkan deviden
tunai. Sedangkan pada emiten yang melakukan pembayaran deviden sebelumnya ditemukan abnormal return pada t-27, t-25, dan t+4 pada
tingkat = 10. Abnormal
return yang ditemukan sebelum pengumuman
mencerminkan kebocoran informasi sebelum pengumuman stock split resmi dipublikasikan sehingga menimbulkan reaksi investor terkait
pandangannya terhadap sinyal yang dibawa dari informasi tersebut.
b. Reverse Stock Split
Kategori