Analisis Komparatif Capital Asset Pricin
UNIVERSITAS INDONESIA
PERBANDINGAN KOMPARATIF CAPITAL ASSET PRICING MODEL (CAPM)
DAN SHARIA’ COMPLIANT ASSET PRICING MODEL (SCAPM) : STUDI KASUS
SAHAM YANG TERGABUNG DALAM JAKARTA ISLAMIC INDEX (INDONESIA)
PERIODE 2005-2014
TUGAS AKHIR MATA KULIAH
EKONOMETRIKA KEUANGAN
NURUL ARIFAH WAHYUNI (1306453483)
FAKULTAS EKONOMI
PROGRAM STUDI BISNIS ISLAM
DEPOK
JUNI 2015
STATEMENT OF AUTHORSHIP
“Penulis yang bertandatangan dibawah ini menyatakan bahwa makalah/tugas terlampir
adalah murni hasil pekerjaan penulis sendiri. Tidak ada pekerjaan orang lain yang penulis
gunakan tanpa menyebutkan sumbernya.
Materi ini tidak/belum pernah disajikan/digunakan sebagai bahan untuk makalah/tugas pada
mata ajaran lain kecuali penulis menyatakan dengan jelas bahwa penulis menggunakannya.
Penulis/kami memahami bahwa tugas yang penulis kumpulkan ini dapat diperbanyak dan
atau dikomunikasikan untuk tujuan mendeteksi adanya plagiarisme.”
Mata Kuliah
: Ekonometrika Keuangan
Judul Makalah/Tugas : Perbandingan Komparatif Capital Asset Pricing Model (CAPM) dan
Sharia’ Compliant Asset Pricing Model (SCAPM) : Studi Kasus
Saham yang Tergabung dalam Jakarta Islamic Index (Indonesia)
Periode 2005 - 2014
Tanggal
: 03 Juni 2015
Dosen
: Najwa Khairina, S.E, MA.
Nama
: Nurul Arifah Wahyuni
NPM
: 1306453483
Tandatangan :
2
ABSTRAK
Capital Asset Pricing Model (CAPM) yang merupakan awal mula perkembangan asset
pricing theory, digunakan untuk memprediksi return dan mengetahu resiko pada tingkat
return tertentu. Dalam CAPM, terdapat variabel risk free, yang dipakai untuk mengetahui
kecenderungan tingkah laku investor pada tingkat risk free. Penggunaan variabel risk free
tersebut menyebabkan CAPM tidak cocok diterapkan untuk memprediksi resiko dan return
saham syariah. Oleh karena itu, dikembangkan sebuah model Sharia’ Compliant Asset
Pricing Model (Hanif, 2011) yang merupakan penyesuaian model CAPM agar sesuai dengan
konsep syariah. Tujuan dari makalah ini adalah untuk membandingkan model CAPM dan
SCAPM secara komparatif pada saham-saham yang secara konstan masuk ke dalam JII
periode 2005-2014 dilihat dari model mana yang menjelaskan variasi pada return dengan
lebih baik, untuk mengetahui model mana yang lebih sesuai untuk memprediksi return pada
saham syariah. Data yang digunakan pada penelitian adalah data bulanan SBI rate (Rf), 5
hystorical price saham-saham yang termasuk ke dalam JII 2005-2014 secara konstan (AALI,
PTBA, SMGR, TLKM, UNVR) (Ri), Jakarta Islamic Index (Rm), dan Customer Pricing
Index (N) selama 10 tahun (Desember 2004 – Desember 2014). Data diolah menggunakan
metode OLS. Pada akhir analisa didapat kesimpulan bahwa model SCAPM sedikit lebih baik
dari model CAPM dalam memprediksi return pada saham-saham syariah yang konstan
tergabung dalam JII periode 2005-2015 karena model SCAPM secara konstan menjelaskan
variasi pada return dengan lebih baik.
Kata kunci : CAPM, SCAPM, JII, Risk free rate, Inflasi, OLS.
3
PENDAHULUAN
Capital Asset Pricing Model
(CAPM) adalah model asset pricing yang paling umum
digunakan untuk memprediksi return dan mengetahu resiko pada tingkat return tertentu.
Model ini pertama kali diperkenalkan oleh Treynor dan Sharpe While Linter. Terlepas dari
banyaknya kritik, CAPM tetap menjadi model regresi yang paling sering digunakan karena
proses penerapan yang sederhana dan mudah. CAPM menjelaskan hubungan antara resiko
dan return pada kondisi market equilibrium. Ide yang CAPM tawarkan adalah expected
return akan sesuai dengan tingkat expected risk. Resiko sendiri terbagi menjadi 2 tipe, yaitu
sistematik dan non sistematik. Resiko non sistematik bergantung pada individu saham
sehingga dapat diminimalisir dengan melakukan diversifikasi saham atau berinvestasi pada
banyak saham sehingga resiko menyebar dengan sendirinya. Sedangkan untuk resiko
sistematik bergantung pada kondisi pasar, sehingga tidak dapat dihindari dengan
memperbesar ukuran portfolio atau melakukan diversifikasi saham. Sehingga, resiko jenis ini
harus diperhitungkan sebelum investor melakukan investasi. CAPM menjelaskan bahwa
return adalah fungsi linear dari risk free rate ditambah beta yang dikalikan dengan risk
premium, dimana beta merupakan variabel yang menghitung resiko sistematik. Secara
matematis dapat direpresentasikan sebagai berikut :
Rp – Rf = β0 + β(Rm – Rf) + Ut
(Rp = sample return, Rf = risk free rate, Rm = market return, β0 = intercept, β = beta, Ut = random error)
Sejak awal abad ke-21, industri keuangan syariah sudah menunjukkan perkembangan yang
sangat pesat. Sebagai upaya untuk meningkatkan likuiditas, industri keuangan syariah mulai
merambah ke pasar saham, salah satunya pasar saham di Indonesia. Di Indonesia sendiri,
telah dibangun indeks saham syariah bernama JII dimana perusahaan yang terdaftar harus
memenuhi berbagai persyaratan yang menunjukkan produk saham tidak bertentangan dengan
syariah.
Salah satu prinsip syariah yang penting diperhatikan dalam dunia saham adalah prinsip
syariah yang menyatakan bahwa resiko menyertai keuntungan, sehingga tidak ada
keuntungan yang dapat diperoleh tanpa mendapat resiko, dan tentu konsep ini bertentangan
dengan konsep risk free. Karena dasar tersebut, CAPM tidak sesuai digunakan untuk
memprediksi return saham syariah. Usaha dan penelitian untuk mencari pricing model yang
sesuai dengan syariah telah dilakukan oleh Tomkin dan Karim, Sheikh [2] , Ashkar, dan
Hanif [3]. Tomkin & Karim menghilangkan variabel risk free, Sheikh mengganti risk free
4
dengan Nominal Gross Domestic Product, Askhar mengganti risk free dengan Zakah rate,
dan Hanif mengganti variabel risk free dengan inflation rate.
Hanif [3] mengemukakan pandangan bahwa inflasi dapat digunakan sebagai variabel atau
proxy pengganti risk free karena inflasi dapat dijadikan patokan untuk melakukan investasi
tanpa tergantung dengan resiko. Dasar pandangan tersebut adalah variabel risk free yang
selama ini digunakan menggunakan rate surat berharga (Indonesia menggunakan SBI rate),
sedangkan rate surat berharga itu sendiri mengacu pada inflasi. Sehingga, variabel Rf sendiri
terdiri dari dua komponen yaitu (i) Real dan (ii) Inflation charge. Karena nilai riil dari Rf
tersebut mencerminkan time value of money, maka penggunaannya dilarang secara syariah,
sedangkan belum ada pelarangan atas penggunaan inflation charge sehingga variabel tersebut
dapat digunakan dalam memprediksi return atas investasi. Secara matematis SCAPM dapat
direpresentasikan sebagai berikut :
Rp – N = β0 + β(Rm – N) + Ut
(Rp = sample return, N = inflation, Rm = market return, β0 = intercept, β = beta, Ut = random error)
Tujuan dari makalah ini adalah untuk membandingkan model CAPM dan SCAPM secara
komparatif pada saham-saham yang secara konstan masuk ke dalam JII periode 2005-2014
dilihat dari model mana yang menjelaskan variasi pada return dengan lebih baik, untuk
mengetahui model mana yang lebih sesuai untuk memprediksi return pada saham syariah.
LITERATURE REVIEW
Seikh [2] menyatakan bahwa tambahan yang dikenakan atas biaya peminjaman atau
penggunaan uang adalah riba, sedangkan riba sendiri diharamkan dalam islam. Konsep riba
adalah berdasarkan time value of money. Konsep tersebut menyebabkan seseorang bisa
mendapatkan keuntungan melalui hanya dengan menyimpan uang atau melakukan investasi
dalam sektor keuangan tanpa adanya investasi riil atas uang tersebut. Selain itu, dalam Islam
terdapat salah satu hukum investasi yang menyatakan bahwa resiko menyertai keuntungan.
Konsekuensi logis dari hukum tersebut adalah dalam investasi syariah, tidak ada keuntungan
yang bisa didapat tanpa menanggung resiko. Sehingga dapat disimpulkan bahwa berbeda
dengan konvensional, syariah tidak mengakui atau memperbolehkan adanya risk free
sehingga perlu dilakukan modifikasi pada pricing model yang selama ini digunakan dalam
instrumen investasi konvensional.
5
Hanif [3] mengemukakan pandangan bahwa inflasi dapat digunakan sebagai variabel atau
proxy pengganti risk free karena inflasi dapat dijadikan patokan untuk melakukan investasi
tanpa tergantung dengan resiko. Dasar pandangan tersebut adalah variabel risk free yang
selama ini digunakan menggunakan rate surat berharga (Indonesia menggunakan SBI rate),
sedangkan rate surat berharga itu sendiri mengacu pada inflasi. Sehingga, variabel Rf sendiri
terdiri dari dua komponen yaitu (i) Real dan (ii) Inflation charge. Karena nilai riil dari Rf
tersebut mencerminkan time value of money, maka penggunaannya dilarang secara syariah,
sedangkan belum ada pelarangan atas penggunaan inflation charge sehingga variabel tersebut
dapat digunakan dalam memprediksi return atas investasi.
METODOLOGI
Makalah ini digunakan untuk menguji explanatory power dari CAPM dan SCAPM untuk
menentukan model terbaik dalam memprediksi return dan resiko saham-saham syariah yang
tergabung secara konstan dalam JII selama periode 10 tahun. Untuk melakukan regresi, data
return premium (Rp) yang digunakan adalah return closing price dari 10 jenis saham yang
tercatat dalam JII periode Mei 2004 – Mei 2014 berdasarkan surat edaran PT. Bursa Efek
Jakarta. Return market (Rm) menggunakan data Jakarta Islamic Index. Risk free rate (Rf)
menggunakan data SBI rate. Inflasi sebagai pengganti variabel risk free dalam SCAPM
menggunakan data Customer Pricing Index (N). Seluruh data berupa data bulanan yang
memiliki periode 10 tahun (Desember 2004 – Desember 2014) dan didapat dari sumber data
Data Stream.
Data diolah menggunakan metode Ordinary Least Square. Persamaan regresi yang digunakan
adalah sebagai berikut :
Rumus return data :
Ri = Pt – Pt-1 / Pt-1 ........................................................................................ (1)
(Ri = return harga saham, Pt = harga saham pada current month, Pt-1 = harga saham pada bulan sebelumnya)
Model regresi CAPM (Sharpe, 1964)
Rp – Rf = β0 + β(Rm – Rf) + Ut ................................................................... (2)
(Rp = sample return, Rf = risk free rate, Rm = market return, β0 = intercept, β = beta, Ut = random error)
Model regresi SCAPM (Hanif, 2011)
Rp – N = β0 + β(Rm – N) + Ut ..................................................................... (3)
(Rp = sample return, N = inflation, Rm = market return, β0 = intercept, β = beta, Ut = random error)
6
ANALISIS
Metode regresi Ordinary Least Square yang dipakai pada analisis makalah ini dapat
meregresi dengan baik apabila syarat-syarat best linear unbiased estimator (BLUE)
terpenuhi. Tahap pertama dari analisis ini adalah memastikan terpenuhinya asumsi-asumsi
OLS
yaitu data stasioner, tidak mengandung autokorelasi, dan tidak memiliki
multikolinearitas agar memenuhi kriteri BLUE OLS. Uji stasionaritas menggunakan uji
ADF-test, autokorelasi meggunakan stastistik Durbin-Watson, dan multikolinearitas
menggunakan uji korelasi. Hasil uji masing-masing kriteria terlampir.
Setelah terbukti bebas dari masalah-masalah yang menyebabkan regresi OLS tidak BLUE,
maka selanjutnya kita lakukan regresi menggunakan OLS dan diperoleh hasil sebagai berikut
(hasil uji terlampir) :
CAPM
AALI
Prob F-stat
0.0000
PTBA
SMGR
0.026826
0.415201
TLKM
0.6042
UNVR
0.43664
Prob C
0.6301
0.0766
0.0000
0.0000
0.00000
Prob Rm-Rf
0.0000
0.0268
0.4152
0.049369
0.07512
R-squared
0.302519
0.04086
0.005634
0.002284
0.005136
Adj R-squared
0.296608
0.032731
-0.00279
-0.06263
-0.00329
SCAPM
AALI
PTBA
Prob F-stat
0.0000
0.0145
Prob C
0.2576
Prob Rm-N
0.0000
SMGR
TLKM
UNVR
0.4558
0.722018
0.984995
0.1685
0.0000
0.4239
0.00000
0.0145
0.4558
0.722
0.985
R-squared
0.314386
0.049543
0.005722
0.002377
0.000003
Adj R-squared
0.308406
0.041488
-0.00371
-0.07389
-0.00847
7
Perbandingan Signifikansi Model
Dengan menggunakan level of significance 95%, terlihat bahwa model CAPM adalah
signifikan pada saham AALI, PTBA, SMGR, UNVR dan tidak signifikan pada saham TLKM
ditunjukkan dengan Prob F-stat yang melebihi alfa 0.05. Sedangkan menggunakan level of
significance 95%, terlihat bahwa model SCAPM adalah signifikan pada saham AALI,
PTBA, SMGR dan tidak signifikan pada saham TLKM dan UNVR ditunjukkan dengan Prob
F-stat yang melebihi alfa 0.05. Dari data hasil regresi, hanya saham AALI, PTBA, dan
SMGR yang signifikan dapat diestimasi menggunakan model CAPM dan SCAPM, sehingga
hanya tiga saham tersebut yang akan kita bandingkan explanatory powernya.
Perbandingan Explanatory Power
Karena jumlah variabel independen hanya 1, maka kita dapat menggunakan R-squared untuk
melihat dan membandingkan explanatory power masing-masing model terhadap masingmasing saham. Untuk saham AALI, R-squared model CAPM 0.302519 sedikit lebih kecil
bila dibandingkan dengan R-squared pada SCAPM sebesar 0.314386. Pada saham PTBA, Rsquared model CAPM 0.04086 sedikit lebih kecil bila dibandingkan dengan R-squared pada
SCAPM sebesar 0.049543. Sedangkan pada saham SMGR, R-squared model CAPM
0.005634 sedikit lebih kecil bila dibandingkan dengan R-squared pada SCAPM sebesar
0.005722.
Secara keseluruhan dapat ditarik kesimpulan bahwa masing-masing model memiliki
explanatory power yang sangat kecil. Hal ini ditunjukkan dengan nilai koefisien R-squared
yang menunjukkan seberapa besar variasi pada independen variabel dapat menjelaskan
variasi pada dependen variabel. Hasilnya, explanatory power terbesar dimiliki oleh model
SCAPM pada saham AALI dimana varians pada independen variabel mampu menjelaskan
31% varians pada dependen variabel. Selain itu, explanatory power kurang dari 30%. Namun
dari hasil regresi pada ketiga saham yang termasuk dalam kategori JII tersebut dapat dilihat
secara konstan SCAPM memiliki explanatory power sedikit lebih besar bila dibandingkan
dengan CAPM.
8
KESIMPULAN
Makalah ini memiliki tujuan untuk membandingkan model CAPM dan SCAPM secara
komparatif pada saham-saham yang secara konstan masuk ke dalam JII periode 2005-2014
dilihat dari model mana yang menjelaskan variasi pada return dengan lebih baik, untuk
mengetahui model mana yang lebih sesuai untuk memprediksi return pada saham syariah.
Data yang digunakan pada penelitian adalah data bulanan SBI rate (Rf), 5 hystorical price
saham-saham yang termasuk ke dalam JII 2005-2014 secara konstan (AALI, PTBA, SMGR,
TLKM, UNVR) (Ri), Jakarta Islamic Index (Rm), dan Customer Pricing Index (N) selama 10
tahun (Desember 2004 – Desember 2014). Data diolah menggunakan metode Ordinary Least
Square. Secara keseluruhan dapat ditarik kesimpulan bahwa masing-masing model memiliki
explanatory power yang sangat kecil. Hal ini ditunjukkan dengan nilai koefisien R-squared
yang menunjukkan seberapa besar variasi pada independen variabel dapat menjelaskan
variasi pada dependen variabel. Hasilnya, explanatory power terbesar dimiliki oleh model
SCAPM pada saham AALI dimana varians pada independen variabel mampu menjelaskan
31% varians pada dependen variabel. Selain itu, explanatory power kurang dari 30%. Namun
dari hasil regresi pada ketiga saham yang termasuk dalam kategori JII tersebut dapat dilihat
secara konstan SCAPM memiliki explanatory power sedikit lebih besar bila dibandingkan
dengan CAPM. Setelah proses analisa, didapat kesimpulan bahwa model SCAPM sedikit
lebih baik dari model CAPM dalam memprediksi return pada saham-saham syariah yang
konstan tergabung dalam JII periode 2005-2015 karena model SCAPM secara konstan
menjelaskan variasi pada return dengan lebih baik.
9
REFERENSI
[1] Fama, E.F. and K.R. French. 2004. The Capital Asset Pricing Model: Theory and
Evidence. Journal of Economic Prespective, 18:3, 25-46.
[2] Sheikh, S.A., 2010. Corporate Finance in an Interest free economy: An alternate approach
to practiced Islamic Corporate finance.
[3] Hanif, M., 2011. Risk and Return under Shari ‘a Framework an Attempt to Develop Shari
‘a Compliant Asset Pricing Model-SCAPM. Pakistan Journal of Commerce and Social
Sciences 5:2.
[4] Salim, Tarek H. 2008. An Islamic Capital Asset Pricing Model. Journal of Islamic
Finance Financing.
10
LAMPIRAN
A. Individual Statistics Descriptive
CAPM
RM_RF
-0.063120
-0.055246
0.110951
-0.393548
0.072452
-0.989561
6.572566
AALI_RF
-0.052796
-0.051780
0.281136
-0.549954
0.122764
-0.515028
5.149835
PTBA_RF
-0.051271
-0.060416
0.336115
-0.511539
0.131734
0.250168
5.244832
SMGR_RF
-0.055264
-0.053758
0.174838
-0.320831
0.091208
-0.184715
3.630730
TLKM_RF
-0.065741
-0.064395
0.151286
-0.341855
0.074839
-0.019114
4.124793
UNVR_RF
-0.055824
-0.063164
0.185254
-0.271329
0.075941
0.349738
4.142034
83.40075
0.000000
28.41401
0.000001
26.44803
0.000002
2.671499
0.262961
6.333100
0.042149
8.967546
0.011291
Sum
Sum Sq. Dev.
-7.574459
0.624665
-6.335469
1.793458
-6.152517
2.065093
-6.631734
0.989941
-7.888952
0.666510
-6.698897
0.686274
Observations
120
120
120
120
120
120
RM_N
0.008560
0.010724
0.172502
-0.285030
0.069967
-0.616799
5.444285
AALI_N
0.018885
0.015665
0.361553
-0.441436
0.122116
-0.341706
4.574332
PTBA_N
0.020410
0.013770
0.462989
-0.418885
0.134282
0.395019
5.301333
SMGR_N
0.016416
0.016707
0.284964
-0.216371
0.092579
0.014015
3.307840
TLKM_N
0.005940
-0.000147
0.212262
-0.249201
0.076064
0.125879
3.703718
UNVR_N
0.015857
0.008314
0.249524
-0.213078
0.072901
0.423439
4.855107
Jarque-Bera
Probability
37.48148
0.000000
14.72788
0.000634
29.60148
0.000000
0.477756
0.787511
2.793007
0.247461
20.79312
0.000031
Sum
Sum Sq. Dev.
1.027255
0.582547
2.266244
1.774565
2.449196
2.145755
1.969979
1.019941
0.712761
0.688510
1.902816
0.632436
Observations
120
120
120
120
120
120
Mean
Median
Maximum
Minimum
Std. Dev.
Skewness
Kurtosis
Jarque-Bera
Probability
SCAPM
Mean
Median
Maximum
Minimum
Std. Dev.
Skewness
Kurtosis
11
B. Hasil Uji Stationarity
(Menggunakan ADF Individual Unit Root Test)
Null Hypothesis: Unit root (individual unit root process)
Series: AALI_N, AALI_RF, PTBA_N, PTBA_RF, RM_N, RM_RF, SMGR_N,
SMGR_RF, TLKM_N, TLKM_RF, UNVR_N, UNVR_RF
Date: 06/05/15 Time: 08:59
Sample: 2004M12 2014M12
Exogenous variables: Individual effects
Automatic selection of maximum lags
Automatic selection of lags based on SIC: 0 to 1
Total number of observations: 1427
Cross-sections included: 12
Method
ADF - Fisher Chi-square
ADF - Choi Z-stat
Statistic
748.513
-25.9622
Prob.**
0.0000
0.0000
** Probabilities for Fisher tests are computed using an asymptotic Chi
-square distribution. All other tests assume asymptotic normality.
Intermediate ADF test results UNTITLED
Series
AALI_N
AALI_RF
PTBA_N
PTBA_RF
RM_N
RM_RF
SMGR_N
SMGR_RF
TLKM_N
TLKM_RF
UNVR_N
UNVR_RF
Prob.
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
Lag
0
0
0
0
0
0
0
0
1
0
0
0
Max Lag
12
12
12
12
12
12
12
12
12
12
12
12
Obs
119
119
119
119
119
119
119
119
118
119
119
119
Dari hasil uji ADF di atas, dapat disimpulkan bahwa seluruh variabel bersifat stasioner pada
level of significance 95% karena seluruh probabilitas bernilai 0.0000 yang bernilai kurang
dari alfa 0.05.
12
C. Hasil Uji Multicollinearity
CAPM
RM_RF
RM_RF AALI_RF PTBA_RF SMGR_RF TLKM_RF UNVR_RF
1 0.550017 0.202138 0.075059 0.047794 0.071669
SCAPM
RM_N
RM_N
AALI_N
PTBA_N
SMGR_N
TLKM_N
UNVR_N
1 0.542574 0.222583 0.068714 0.032811 0.00174
Dari hasil uji korelasi di atas, dapat disimpulkan bahwa seluruh variabel tidak mengandung
multikolinearitas dengan asumsi rule of thumb koefisien yang dianggap mengalami
multikolinearitas adalah yang memiliki koefisien korelasi kurang dari -0,08 atau lebih dari
0.08.
13
D. Hasil Regresi CAPM
(Menunjukkan hasil uji Aucorrelation dilihat dari Durbin Watson Stat,
Signifikansi model dilihat dari F-stat, Signifikansi koefisien, Nilai koefisien, dan
explanatory power dari R-squared dan Adj R-squared)
1. AALI
Dependent Variable: AALI_RF
Method: Least Squares
Date: 05/31/15 Time: 12:07
Sample (adjusted): 2005M01 2014M12
Included observations: 120 after adjustments
Variable
Coefficient
Std. Error
t-Statistic
Prob.
RM_RF
C
0.931962
0.006030
0.130271
0.012488
7.154032
0.482882
0.0000
0.6301
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)
2.
0.302519
0.296608
0.102961
1.250904
103.5449
51.18017
0.000000
Mean dependent var
S.D. dependent var
Akaike info criterion
Schwarz criterion
Hannan-Quinn criter.
Durbin-Watson stat
-0.052796
0.122764
-1.692415
-1.645957
-1.673548
2.086607
PTBA
Dependent Variable: PTBA_RF
Method: Least Squares
Date: 05/31/15 Time: 12:12
Sample (adjusted): 2005M01 2014M12
Included observations: 120 after adjustments
Variable
Coefficient
Std. Error
t-Statistic
Prob.
RM_RF
C
0.367531
-0.028072
0.163925
0.015714
2.242063
-1.786402
0.0268
0.0766
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)
0.040860
0.032731
0.129560
1.980714
75.96943
5.026845
0.026826
Mean dependent var
S.D. dependent var
Akaike info criterion
Schwarz criterion
Hannan-Quinn criter.
Durbin-Watson stat
-0.051271
0.131734
-1.232824
-1.186366
-1.213957
2.032315
3. SMGR
Dependent Variable: SMGR_RF
Method: Least Squares
Date: 05/31/15 Time: 12:13
Sample (adjusted): 2005M01 2014M12
14
Included observations: 120 after adjustments
Variable
Coefficient
Std. Error
t-Statistic
Prob.
RM_RF
C
0.094490
-0.049300
0.115561
0.011078
0.817658
-4.450247
0.4152
0.0000
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)
0.005634
-0.002793
0.091335
0.984363
117.9225
0.668564
0.415201
Mean dependent var
S.D. dependent var
Akaike info criterion
Schwarz criterion
Hannan-Quinn criter.
Durbin-Watson stat
-0.055264
0.091208
-1.932041
-1.885583
-1.913175
2.128594
4. TLKM
Dependent Variable: TLKM_RF
Method: Least Squares
Date: 05/31/15 Time: 12:16
Sample (adjusted): 2005M01 2014M12
Included observations: 120 after adjustments
Variable
Coefficient
Std. Error
t-Statistic
Prob.
RM_RF
C
0.049369
-0.062625
0.094982
0.009105
0.519767
-6.877884
0.6042
0.0000
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)
0.002284
-0.006171
0.075070
0.664987
141.4561
0.270158
0.604200
Mean dependent var
S.D. dependent var
Akaike info criterion
Schwarz criterion
Hannan-Quinn criter.
Durbin-Watson stat
-0.065741
0.074839
-2.324269
-2.277811
-2.305402
2.133614
5. UNVR
Dependent Variable: UNVR_RF
Method: Least Squares
Date: 05/31/15 Time: 12:17
Sample (adjusted): 2005M01 2014M12
Included observations: 120 after adjustments
Variable
Coefficient
Std. Error
t-Statistic
Prob.
RM_RF
C
0.075120
-0.051083
0.096242
0.009226
0.780534
-5.536747
0.4366
0.0000
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)
0.005136
-0.003295
0.076066
0.682749
139.8745
0.609233
0.436640
Mean dependent var
S.D. dependent var
Akaike info criterion
Schwarz criterion
Hannan-Quinn criter.
Durbin-Watson stat
-0.055824
0.075941
-2.297909
-2.251451
-2.279042
2.038294
15
Dari hasil regresi di atas, dapat disimpulkan bahwa seluruh variabel tidak mengandung
autokorelasi dilihat dari stastistika Durbin-Watson yang seluruhnya berada di rule of thumb
koefisien yang tidak mengandung autokorelasi yaitu 1,5-2,5.
16
E. Hasil Regresi SCAPM
(Menunjukkan hasil uji Aucorrelation dilihat dari Durbin Watson Stat, Signifikansi
model dilihat dari F-stat, Signifikansi koefisien, Nilai koefisien, dan explanatory power
dari R-squared dan Adj R-squared)
1. AALI
Dependent Variable: AALI_N
Method: Least Squares
Date: 05/31/15 Time: 12:08
Sample (adjusted): 2005M01 2014M12
Included observations: 120 after adjustments
Variable
Coefficient
Std. Error
t-Statistic
Prob.
RM_N
C
0.946976
0.010779
0.134966
0.009474
7.016429
1.137680
0.0000
0.2576
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)
0.314386
0.308406
0.103012
1.252157
103.4848
49.23028
0.000000
Mean dependent var
S.D. dependent var
Akaike info criterion
Schwarz criterion
Hannan-Quinn criter.
Durbin-Watson stat
0.018885
0.122116
-1.691413
-1.644955
-1.672547
2.084621
2. PTBA
Dependent Variable: PTBA_N
Method: Least Squares
Date: 05/31/15 Time: 12:12
Sample (adjusted): 2005M01 2014M12
Included observations: 120 after adjustments
Variable
Coefficient
Std. Error
t-Statistic
Prob.
RM_N
C
0.427185
0.016753
0.172246
0.012091
2.480087
1.385531
0.0145
0.1685
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)
0.049543
0.041488
0.131467
2.039447
74.21615
6.150829
0.014546
Mean dependent var
S.D. dependent var
Akaike info criterion
Schwarz criterion
Hannan-Quinn criter.
Durbin-Watson stat
0.020410
0.134282
-1.203602
-1.157144
-1.184736
2.022620
3. SMGR
17
Dependent Variable: SMGR_N
Method: Least Squares
Date: 05/31/15 Time: 12:15
Sample (adjusted): 2005M01 2014M12
Included observations: 120 after adjustments
Variable
Coefficient
Std. Error
t-Statistic
Prob.
RM_N
C
0.090921
0.015638
0.121522
0.008531
0.748190
1.833176
0.4558
0.0693
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)
0.005722
-0.003713
0.092751
1.015126
116.0761
0.559789
0.455834
Mean dependent var
S.D. dependent var
Akaike info criterion
Schwarz criterion
Hannan-Quinn criter.
Durbin-Watson stat
0.016416
0.092579
-1.901269
-1.854811
-1.882402
2.101593
4. TLKM
Dependent Variable: TLKM_N
Method: Least Squares
Date: 05/31/15 Time: 12:16
Sample (adjusted): 2005M01 2014M12
Included observations: 120 after adjustments
Variable
Coefficient
Std. Error
t-Statistic
Prob.
RM_N
C
0.035671
0.005634
0.100026
0.007022
0.356613
0.802414
0.7220
0.4239
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)
0.002377
-0.07389
0.076345
0.687768
139.4351
0.127173
0.722018
Mean dependent var
S.D. dependent var
Akaike info criterion
Schwarz criterion
Hannan-Quinn criter.
Durbin-Watson stat
0.005940
0.076064
-2.290585
-2.244126
-2.271718
2.128091
5. UNVR
Dependent Variable: UNVR_N
Method: Least Squares
Date: 05/31/15 Time: 12:17
Sample (adjusted): 2005M01 2014M12
Included observations: 120 after adjustments
Variable
Coefficient
Std. Error
t-Statistic
Prob.
RM_N
C
-0.001808
0.015872
0.095918
0.006733
-0.018847
2.357273
0.9850
0.0201
R-squared
Adjusted R-squared
0.000003
-0.008472
Mean dependent var
S.D. dependent var
0.015857
0.072901
18
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)
0.073209
0.632434
144.4677
0.000355
0.984995
Akaike info criterion
Schwarz criterion
Hannan-Quinn criter.
Durbin-Watson stat
-2.374461
-2.328003
-2.355594
2.094170
Dari hasil regresi di atas, dapat disimpulkan bahwa seluruh variabel tidak mengandung
autokorelasi dilihat dari stastistika Durbin-Watson yang seluruhnya berada di rule of thumb
koefisien yang tidak mengandung autokorelasi yaitu 1,5-2,5.
19
PERBANDINGAN KOMPARATIF CAPITAL ASSET PRICING MODEL (CAPM)
DAN SHARIA’ COMPLIANT ASSET PRICING MODEL (SCAPM) : STUDI KASUS
SAHAM YANG TERGABUNG DALAM JAKARTA ISLAMIC INDEX (INDONESIA)
PERIODE 2005-2014
TUGAS AKHIR MATA KULIAH
EKONOMETRIKA KEUANGAN
NURUL ARIFAH WAHYUNI (1306453483)
FAKULTAS EKONOMI
PROGRAM STUDI BISNIS ISLAM
DEPOK
JUNI 2015
STATEMENT OF AUTHORSHIP
“Penulis yang bertandatangan dibawah ini menyatakan bahwa makalah/tugas terlampir
adalah murni hasil pekerjaan penulis sendiri. Tidak ada pekerjaan orang lain yang penulis
gunakan tanpa menyebutkan sumbernya.
Materi ini tidak/belum pernah disajikan/digunakan sebagai bahan untuk makalah/tugas pada
mata ajaran lain kecuali penulis menyatakan dengan jelas bahwa penulis menggunakannya.
Penulis/kami memahami bahwa tugas yang penulis kumpulkan ini dapat diperbanyak dan
atau dikomunikasikan untuk tujuan mendeteksi adanya plagiarisme.”
Mata Kuliah
: Ekonometrika Keuangan
Judul Makalah/Tugas : Perbandingan Komparatif Capital Asset Pricing Model (CAPM) dan
Sharia’ Compliant Asset Pricing Model (SCAPM) : Studi Kasus
Saham yang Tergabung dalam Jakarta Islamic Index (Indonesia)
Periode 2005 - 2014
Tanggal
: 03 Juni 2015
Dosen
: Najwa Khairina, S.E, MA.
Nama
: Nurul Arifah Wahyuni
NPM
: 1306453483
Tandatangan :
2
ABSTRAK
Capital Asset Pricing Model (CAPM) yang merupakan awal mula perkembangan asset
pricing theory, digunakan untuk memprediksi return dan mengetahu resiko pada tingkat
return tertentu. Dalam CAPM, terdapat variabel risk free, yang dipakai untuk mengetahui
kecenderungan tingkah laku investor pada tingkat risk free. Penggunaan variabel risk free
tersebut menyebabkan CAPM tidak cocok diterapkan untuk memprediksi resiko dan return
saham syariah. Oleh karena itu, dikembangkan sebuah model Sharia’ Compliant Asset
Pricing Model (Hanif, 2011) yang merupakan penyesuaian model CAPM agar sesuai dengan
konsep syariah. Tujuan dari makalah ini adalah untuk membandingkan model CAPM dan
SCAPM secara komparatif pada saham-saham yang secara konstan masuk ke dalam JII
periode 2005-2014 dilihat dari model mana yang menjelaskan variasi pada return dengan
lebih baik, untuk mengetahui model mana yang lebih sesuai untuk memprediksi return pada
saham syariah. Data yang digunakan pada penelitian adalah data bulanan SBI rate (Rf), 5
hystorical price saham-saham yang termasuk ke dalam JII 2005-2014 secara konstan (AALI,
PTBA, SMGR, TLKM, UNVR) (Ri), Jakarta Islamic Index (Rm), dan Customer Pricing
Index (N) selama 10 tahun (Desember 2004 – Desember 2014). Data diolah menggunakan
metode OLS. Pada akhir analisa didapat kesimpulan bahwa model SCAPM sedikit lebih baik
dari model CAPM dalam memprediksi return pada saham-saham syariah yang konstan
tergabung dalam JII periode 2005-2015 karena model SCAPM secara konstan menjelaskan
variasi pada return dengan lebih baik.
Kata kunci : CAPM, SCAPM, JII, Risk free rate, Inflasi, OLS.
3
PENDAHULUAN
Capital Asset Pricing Model
(CAPM) adalah model asset pricing yang paling umum
digunakan untuk memprediksi return dan mengetahu resiko pada tingkat return tertentu.
Model ini pertama kali diperkenalkan oleh Treynor dan Sharpe While Linter. Terlepas dari
banyaknya kritik, CAPM tetap menjadi model regresi yang paling sering digunakan karena
proses penerapan yang sederhana dan mudah. CAPM menjelaskan hubungan antara resiko
dan return pada kondisi market equilibrium. Ide yang CAPM tawarkan adalah expected
return akan sesuai dengan tingkat expected risk. Resiko sendiri terbagi menjadi 2 tipe, yaitu
sistematik dan non sistematik. Resiko non sistematik bergantung pada individu saham
sehingga dapat diminimalisir dengan melakukan diversifikasi saham atau berinvestasi pada
banyak saham sehingga resiko menyebar dengan sendirinya. Sedangkan untuk resiko
sistematik bergantung pada kondisi pasar, sehingga tidak dapat dihindari dengan
memperbesar ukuran portfolio atau melakukan diversifikasi saham. Sehingga, resiko jenis ini
harus diperhitungkan sebelum investor melakukan investasi. CAPM menjelaskan bahwa
return adalah fungsi linear dari risk free rate ditambah beta yang dikalikan dengan risk
premium, dimana beta merupakan variabel yang menghitung resiko sistematik. Secara
matematis dapat direpresentasikan sebagai berikut :
Rp – Rf = β0 + β(Rm – Rf) + Ut
(Rp = sample return, Rf = risk free rate, Rm = market return, β0 = intercept, β = beta, Ut = random error)
Sejak awal abad ke-21, industri keuangan syariah sudah menunjukkan perkembangan yang
sangat pesat. Sebagai upaya untuk meningkatkan likuiditas, industri keuangan syariah mulai
merambah ke pasar saham, salah satunya pasar saham di Indonesia. Di Indonesia sendiri,
telah dibangun indeks saham syariah bernama JII dimana perusahaan yang terdaftar harus
memenuhi berbagai persyaratan yang menunjukkan produk saham tidak bertentangan dengan
syariah.
Salah satu prinsip syariah yang penting diperhatikan dalam dunia saham adalah prinsip
syariah yang menyatakan bahwa resiko menyertai keuntungan, sehingga tidak ada
keuntungan yang dapat diperoleh tanpa mendapat resiko, dan tentu konsep ini bertentangan
dengan konsep risk free. Karena dasar tersebut, CAPM tidak sesuai digunakan untuk
memprediksi return saham syariah. Usaha dan penelitian untuk mencari pricing model yang
sesuai dengan syariah telah dilakukan oleh Tomkin dan Karim, Sheikh [2] , Ashkar, dan
Hanif [3]. Tomkin & Karim menghilangkan variabel risk free, Sheikh mengganti risk free
4
dengan Nominal Gross Domestic Product, Askhar mengganti risk free dengan Zakah rate,
dan Hanif mengganti variabel risk free dengan inflation rate.
Hanif [3] mengemukakan pandangan bahwa inflasi dapat digunakan sebagai variabel atau
proxy pengganti risk free karena inflasi dapat dijadikan patokan untuk melakukan investasi
tanpa tergantung dengan resiko. Dasar pandangan tersebut adalah variabel risk free yang
selama ini digunakan menggunakan rate surat berharga (Indonesia menggunakan SBI rate),
sedangkan rate surat berharga itu sendiri mengacu pada inflasi. Sehingga, variabel Rf sendiri
terdiri dari dua komponen yaitu (i) Real dan (ii) Inflation charge. Karena nilai riil dari Rf
tersebut mencerminkan time value of money, maka penggunaannya dilarang secara syariah,
sedangkan belum ada pelarangan atas penggunaan inflation charge sehingga variabel tersebut
dapat digunakan dalam memprediksi return atas investasi. Secara matematis SCAPM dapat
direpresentasikan sebagai berikut :
Rp – N = β0 + β(Rm – N) + Ut
(Rp = sample return, N = inflation, Rm = market return, β0 = intercept, β = beta, Ut = random error)
Tujuan dari makalah ini adalah untuk membandingkan model CAPM dan SCAPM secara
komparatif pada saham-saham yang secara konstan masuk ke dalam JII periode 2005-2014
dilihat dari model mana yang menjelaskan variasi pada return dengan lebih baik, untuk
mengetahui model mana yang lebih sesuai untuk memprediksi return pada saham syariah.
LITERATURE REVIEW
Seikh [2] menyatakan bahwa tambahan yang dikenakan atas biaya peminjaman atau
penggunaan uang adalah riba, sedangkan riba sendiri diharamkan dalam islam. Konsep riba
adalah berdasarkan time value of money. Konsep tersebut menyebabkan seseorang bisa
mendapatkan keuntungan melalui hanya dengan menyimpan uang atau melakukan investasi
dalam sektor keuangan tanpa adanya investasi riil atas uang tersebut. Selain itu, dalam Islam
terdapat salah satu hukum investasi yang menyatakan bahwa resiko menyertai keuntungan.
Konsekuensi logis dari hukum tersebut adalah dalam investasi syariah, tidak ada keuntungan
yang bisa didapat tanpa menanggung resiko. Sehingga dapat disimpulkan bahwa berbeda
dengan konvensional, syariah tidak mengakui atau memperbolehkan adanya risk free
sehingga perlu dilakukan modifikasi pada pricing model yang selama ini digunakan dalam
instrumen investasi konvensional.
5
Hanif [3] mengemukakan pandangan bahwa inflasi dapat digunakan sebagai variabel atau
proxy pengganti risk free karena inflasi dapat dijadikan patokan untuk melakukan investasi
tanpa tergantung dengan resiko. Dasar pandangan tersebut adalah variabel risk free yang
selama ini digunakan menggunakan rate surat berharga (Indonesia menggunakan SBI rate),
sedangkan rate surat berharga itu sendiri mengacu pada inflasi. Sehingga, variabel Rf sendiri
terdiri dari dua komponen yaitu (i) Real dan (ii) Inflation charge. Karena nilai riil dari Rf
tersebut mencerminkan time value of money, maka penggunaannya dilarang secara syariah,
sedangkan belum ada pelarangan atas penggunaan inflation charge sehingga variabel tersebut
dapat digunakan dalam memprediksi return atas investasi.
METODOLOGI
Makalah ini digunakan untuk menguji explanatory power dari CAPM dan SCAPM untuk
menentukan model terbaik dalam memprediksi return dan resiko saham-saham syariah yang
tergabung secara konstan dalam JII selama periode 10 tahun. Untuk melakukan regresi, data
return premium (Rp) yang digunakan adalah return closing price dari 10 jenis saham yang
tercatat dalam JII periode Mei 2004 – Mei 2014 berdasarkan surat edaran PT. Bursa Efek
Jakarta. Return market (Rm) menggunakan data Jakarta Islamic Index. Risk free rate (Rf)
menggunakan data SBI rate. Inflasi sebagai pengganti variabel risk free dalam SCAPM
menggunakan data Customer Pricing Index (N). Seluruh data berupa data bulanan yang
memiliki periode 10 tahun (Desember 2004 – Desember 2014) dan didapat dari sumber data
Data Stream.
Data diolah menggunakan metode Ordinary Least Square. Persamaan regresi yang digunakan
adalah sebagai berikut :
Rumus return data :
Ri = Pt – Pt-1 / Pt-1 ........................................................................................ (1)
(Ri = return harga saham, Pt = harga saham pada current month, Pt-1 = harga saham pada bulan sebelumnya)
Model regresi CAPM (Sharpe, 1964)
Rp – Rf = β0 + β(Rm – Rf) + Ut ................................................................... (2)
(Rp = sample return, Rf = risk free rate, Rm = market return, β0 = intercept, β = beta, Ut = random error)
Model regresi SCAPM (Hanif, 2011)
Rp – N = β0 + β(Rm – N) + Ut ..................................................................... (3)
(Rp = sample return, N = inflation, Rm = market return, β0 = intercept, β = beta, Ut = random error)
6
ANALISIS
Metode regresi Ordinary Least Square yang dipakai pada analisis makalah ini dapat
meregresi dengan baik apabila syarat-syarat best linear unbiased estimator (BLUE)
terpenuhi. Tahap pertama dari analisis ini adalah memastikan terpenuhinya asumsi-asumsi
OLS
yaitu data stasioner, tidak mengandung autokorelasi, dan tidak memiliki
multikolinearitas agar memenuhi kriteri BLUE OLS. Uji stasionaritas menggunakan uji
ADF-test, autokorelasi meggunakan stastistik Durbin-Watson, dan multikolinearitas
menggunakan uji korelasi. Hasil uji masing-masing kriteria terlampir.
Setelah terbukti bebas dari masalah-masalah yang menyebabkan regresi OLS tidak BLUE,
maka selanjutnya kita lakukan regresi menggunakan OLS dan diperoleh hasil sebagai berikut
(hasil uji terlampir) :
CAPM
AALI
Prob F-stat
0.0000
PTBA
SMGR
0.026826
0.415201
TLKM
0.6042
UNVR
0.43664
Prob C
0.6301
0.0766
0.0000
0.0000
0.00000
Prob Rm-Rf
0.0000
0.0268
0.4152
0.049369
0.07512
R-squared
0.302519
0.04086
0.005634
0.002284
0.005136
Adj R-squared
0.296608
0.032731
-0.00279
-0.06263
-0.00329
SCAPM
AALI
PTBA
Prob F-stat
0.0000
0.0145
Prob C
0.2576
Prob Rm-N
0.0000
SMGR
TLKM
UNVR
0.4558
0.722018
0.984995
0.1685
0.0000
0.4239
0.00000
0.0145
0.4558
0.722
0.985
R-squared
0.314386
0.049543
0.005722
0.002377
0.000003
Adj R-squared
0.308406
0.041488
-0.00371
-0.07389
-0.00847
7
Perbandingan Signifikansi Model
Dengan menggunakan level of significance 95%, terlihat bahwa model CAPM adalah
signifikan pada saham AALI, PTBA, SMGR, UNVR dan tidak signifikan pada saham TLKM
ditunjukkan dengan Prob F-stat yang melebihi alfa 0.05. Sedangkan menggunakan level of
significance 95%, terlihat bahwa model SCAPM adalah signifikan pada saham AALI,
PTBA, SMGR dan tidak signifikan pada saham TLKM dan UNVR ditunjukkan dengan Prob
F-stat yang melebihi alfa 0.05. Dari data hasil regresi, hanya saham AALI, PTBA, dan
SMGR yang signifikan dapat diestimasi menggunakan model CAPM dan SCAPM, sehingga
hanya tiga saham tersebut yang akan kita bandingkan explanatory powernya.
Perbandingan Explanatory Power
Karena jumlah variabel independen hanya 1, maka kita dapat menggunakan R-squared untuk
melihat dan membandingkan explanatory power masing-masing model terhadap masingmasing saham. Untuk saham AALI, R-squared model CAPM 0.302519 sedikit lebih kecil
bila dibandingkan dengan R-squared pada SCAPM sebesar 0.314386. Pada saham PTBA, Rsquared model CAPM 0.04086 sedikit lebih kecil bila dibandingkan dengan R-squared pada
SCAPM sebesar 0.049543. Sedangkan pada saham SMGR, R-squared model CAPM
0.005634 sedikit lebih kecil bila dibandingkan dengan R-squared pada SCAPM sebesar
0.005722.
Secara keseluruhan dapat ditarik kesimpulan bahwa masing-masing model memiliki
explanatory power yang sangat kecil. Hal ini ditunjukkan dengan nilai koefisien R-squared
yang menunjukkan seberapa besar variasi pada independen variabel dapat menjelaskan
variasi pada dependen variabel. Hasilnya, explanatory power terbesar dimiliki oleh model
SCAPM pada saham AALI dimana varians pada independen variabel mampu menjelaskan
31% varians pada dependen variabel. Selain itu, explanatory power kurang dari 30%. Namun
dari hasil regresi pada ketiga saham yang termasuk dalam kategori JII tersebut dapat dilihat
secara konstan SCAPM memiliki explanatory power sedikit lebih besar bila dibandingkan
dengan CAPM.
8
KESIMPULAN
Makalah ini memiliki tujuan untuk membandingkan model CAPM dan SCAPM secara
komparatif pada saham-saham yang secara konstan masuk ke dalam JII periode 2005-2014
dilihat dari model mana yang menjelaskan variasi pada return dengan lebih baik, untuk
mengetahui model mana yang lebih sesuai untuk memprediksi return pada saham syariah.
Data yang digunakan pada penelitian adalah data bulanan SBI rate (Rf), 5 hystorical price
saham-saham yang termasuk ke dalam JII 2005-2014 secara konstan (AALI, PTBA, SMGR,
TLKM, UNVR) (Ri), Jakarta Islamic Index (Rm), dan Customer Pricing Index (N) selama 10
tahun (Desember 2004 – Desember 2014). Data diolah menggunakan metode Ordinary Least
Square. Secara keseluruhan dapat ditarik kesimpulan bahwa masing-masing model memiliki
explanatory power yang sangat kecil. Hal ini ditunjukkan dengan nilai koefisien R-squared
yang menunjukkan seberapa besar variasi pada independen variabel dapat menjelaskan
variasi pada dependen variabel. Hasilnya, explanatory power terbesar dimiliki oleh model
SCAPM pada saham AALI dimana varians pada independen variabel mampu menjelaskan
31% varians pada dependen variabel. Selain itu, explanatory power kurang dari 30%. Namun
dari hasil regresi pada ketiga saham yang termasuk dalam kategori JII tersebut dapat dilihat
secara konstan SCAPM memiliki explanatory power sedikit lebih besar bila dibandingkan
dengan CAPM. Setelah proses analisa, didapat kesimpulan bahwa model SCAPM sedikit
lebih baik dari model CAPM dalam memprediksi return pada saham-saham syariah yang
konstan tergabung dalam JII periode 2005-2015 karena model SCAPM secara konstan
menjelaskan variasi pada return dengan lebih baik.
9
REFERENSI
[1] Fama, E.F. and K.R. French. 2004. The Capital Asset Pricing Model: Theory and
Evidence. Journal of Economic Prespective, 18:3, 25-46.
[2] Sheikh, S.A., 2010. Corporate Finance in an Interest free economy: An alternate approach
to practiced Islamic Corporate finance.
[3] Hanif, M., 2011. Risk and Return under Shari ‘a Framework an Attempt to Develop Shari
‘a Compliant Asset Pricing Model-SCAPM. Pakistan Journal of Commerce and Social
Sciences 5:2.
[4] Salim, Tarek H. 2008. An Islamic Capital Asset Pricing Model. Journal of Islamic
Finance Financing.
10
LAMPIRAN
A. Individual Statistics Descriptive
CAPM
RM_RF
-0.063120
-0.055246
0.110951
-0.393548
0.072452
-0.989561
6.572566
AALI_RF
-0.052796
-0.051780
0.281136
-0.549954
0.122764
-0.515028
5.149835
PTBA_RF
-0.051271
-0.060416
0.336115
-0.511539
0.131734
0.250168
5.244832
SMGR_RF
-0.055264
-0.053758
0.174838
-0.320831
0.091208
-0.184715
3.630730
TLKM_RF
-0.065741
-0.064395
0.151286
-0.341855
0.074839
-0.019114
4.124793
UNVR_RF
-0.055824
-0.063164
0.185254
-0.271329
0.075941
0.349738
4.142034
83.40075
0.000000
28.41401
0.000001
26.44803
0.000002
2.671499
0.262961
6.333100
0.042149
8.967546
0.011291
Sum
Sum Sq. Dev.
-7.574459
0.624665
-6.335469
1.793458
-6.152517
2.065093
-6.631734
0.989941
-7.888952
0.666510
-6.698897
0.686274
Observations
120
120
120
120
120
120
RM_N
0.008560
0.010724
0.172502
-0.285030
0.069967
-0.616799
5.444285
AALI_N
0.018885
0.015665
0.361553
-0.441436
0.122116
-0.341706
4.574332
PTBA_N
0.020410
0.013770
0.462989
-0.418885
0.134282
0.395019
5.301333
SMGR_N
0.016416
0.016707
0.284964
-0.216371
0.092579
0.014015
3.307840
TLKM_N
0.005940
-0.000147
0.212262
-0.249201
0.076064
0.125879
3.703718
UNVR_N
0.015857
0.008314
0.249524
-0.213078
0.072901
0.423439
4.855107
Jarque-Bera
Probability
37.48148
0.000000
14.72788
0.000634
29.60148
0.000000
0.477756
0.787511
2.793007
0.247461
20.79312
0.000031
Sum
Sum Sq. Dev.
1.027255
0.582547
2.266244
1.774565
2.449196
2.145755
1.969979
1.019941
0.712761
0.688510
1.902816
0.632436
Observations
120
120
120
120
120
120
Mean
Median
Maximum
Minimum
Std. Dev.
Skewness
Kurtosis
Jarque-Bera
Probability
SCAPM
Mean
Median
Maximum
Minimum
Std. Dev.
Skewness
Kurtosis
11
B. Hasil Uji Stationarity
(Menggunakan ADF Individual Unit Root Test)
Null Hypothesis: Unit root (individual unit root process)
Series: AALI_N, AALI_RF, PTBA_N, PTBA_RF, RM_N, RM_RF, SMGR_N,
SMGR_RF, TLKM_N, TLKM_RF, UNVR_N, UNVR_RF
Date: 06/05/15 Time: 08:59
Sample: 2004M12 2014M12
Exogenous variables: Individual effects
Automatic selection of maximum lags
Automatic selection of lags based on SIC: 0 to 1
Total number of observations: 1427
Cross-sections included: 12
Method
ADF - Fisher Chi-square
ADF - Choi Z-stat
Statistic
748.513
-25.9622
Prob.**
0.0000
0.0000
** Probabilities for Fisher tests are computed using an asymptotic Chi
-square distribution. All other tests assume asymptotic normality.
Intermediate ADF test results UNTITLED
Series
AALI_N
AALI_RF
PTBA_N
PTBA_RF
RM_N
RM_RF
SMGR_N
SMGR_RF
TLKM_N
TLKM_RF
UNVR_N
UNVR_RF
Prob.
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
Lag
0
0
0
0
0
0
0
0
1
0
0
0
Max Lag
12
12
12
12
12
12
12
12
12
12
12
12
Obs
119
119
119
119
119
119
119
119
118
119
119
119
Dari hasil uji ADF di atas, dapat disimpulkan bahwa seluruh variabel bersifat stasioner pada
level of significance 95% karena seluruh probabilitas bernilai 0.0000 yang bernilai kurang
dari alfa 0.05.
12
C. Hasil Uji Multicollinearity
CAPM
RM_RF
RM_RF AALI_RF PTBA_RF SMGR_RF TLKM_RF UNVR_RF
1 0.550017 0.202138 0.075059 0.047794 0.071669
SCAPM
RM_N
RM_N
AALI_N
PTBA_N
SMGR_N
TLKM_N
UNVR_N
1 0.542574 0.222583 0.068714 0.032811 0.00174
Dari hasil uji korelasi di atas, dapat disimpulkan bahwa seluruh variabel tidak mengandung
multikolinearitas dengan asumsi rule of thumb koefisien yang dianggap mengalami
multikolinearitas adalah yang memiliki koefisien korelasi kurang dari -0,08 atau lebih dari
0.08.
13
D. Hasil Regresi CAPM
(Menunjukkan hasil uji Aucorrelation dilihat dari Durbin Watson Stat,
Signifikansi model dilihat dari F-stat, Signifikansi koefisien, Nilai koefisien, dan
explanatory power dari R-squared dan Adj R-squared)
1. AALI
Dependent Variable: AALI_RF
Method: Least Squares
Date: 05/31/15 Time: 12:07
Sample (adjusted): 2005M01 2014M12
Included observations: 120 after adjustments
Variable
Coefficient
Std. Error
t-Statistic
Prob.
RM_RF
C
0.931962
0.006030
0.130271
0.012488
7.154032
0.482882
0.0000
0.6301
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)
2.
0.302519
0.296608
0.102961
1.250904
103.5449
51.18017
0.000000
Mean dependent var
S.D. dependent var
Akaike info criterion
Schwarz criterion
Hannan-Quinn criter.
Durbin-Watson stat
-0.052796
0.122764
-1.692415
-1.645957
-1.673548
2.086607
PTBA
Dependent Variable: PTBA_RF
Method: Least Squares
Date: 05/31/15 Time: 12:12
Sample (adjusted): 2005M01 2014M12
Included observations: 120 after adjustments
Variable
Coefficient
Std. Error
t-Statistic
Prob.
RM_RF
C
0.367531
-0.028072
0.163925
0.015714
2.242063
-1.786402
0.0268
0.0766
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)
0.040860
0.032731
0.129560
1.980714
75.96943
5.026845
0.026826
Mean dependent var
S.D. dependent var
Akaike info criterion
Schwarz criterion
Hannan-Quinn criter.
Durbin-Watson stat
-0.051271
0.131734
-1.232824
-1.186366
-1.213957
2.032315
3. SMGR
Dependent Variable: SMGR_RF
Method: Least Squares
Date: 05/31/15 Time: 12:13
Sample (adjusted): 2005M01 2014M12
14
Included observations: 120 after adjustments
Variable
Coefficient
Std. Error
t-Statistic
Prob.
RM_RF
C
0.094490
-0.049300
0.115561
0.011078
0.817658
-4.450247
0.4152
0.0000
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)
0.005634
-0.002793
0.091335
0.984363
117.9225
0.668564
0.415201
Mean dependent var
S.D. dependent var
Akaike info criterion
Schwarz criterion
Hannan-Quinn criter.
Durbin-Watson stat
-0.055264
0.091208
-1.932041
-1.885583
-1.913175
2.128594
4. TLKM
Dependent Variable: TLKM_RF
Method: Least Squares
Date: 05/31/15 Time: 12:16
Sample (adjusted): 2005M01 2014M12
Included observations: 120 after adjustments
Variable
Coefficient
Std. Error
t-Statistic
Prob.
RM_RF
C
0.049369
-0.062625
0.094982
0.009105
0.519767
-6.877884
0.6042
0.0000
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)
0.002284
-0.006171
0.075070
0.664987
141.4561
0.270158
0.604200
Mean dependent var
S.D. dependent var
Akaike info criterion
Schwarz criterion
Hannan-Quinn criter.
Durbin-Watson stat
-0.065741
0.074839
-2.324269
-2.277811
-2.305402
2.133614
5. UNVR
Dependent Variable: UNVR_RF
Method: Least Squares
Date: 05/31/15 Time: 12:17
Sample (adjusted): 2005M01 2014M12
Included observations: 120 after adjustments
Variable
Coefficient
Std. Error
t-Statistic
Prob.
RM_RF
C
0.075120
-0.051083
0.096242
0.009226
0.780534
-5.536747
0.4366
0.0000
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)
0.005136
-0.003295
0.076066
0.682749
139.8745
0.609233
0.436640
Mean dependent var
S.D. dependent var
Akaike info criterion
Schwarz criterion
Hannan-Quinn criter.
Durbin-Watson stat
-0.055824
0.075941
-2.297909
-2.251451
-2.279042
2.038294
15
Dari hasil regresi di atas, dapat disimpulkan bahwa seluruh variabel tidak mengandung
autokorelasi dilihat dari stastistika Durbin-Watson yang seluruhnya berada di rule of thumb
koefisien yang tidak mengandung autokorelasi yaitu 1,5-2,5.
16
E. Hasil Regresi SCAPM
(Menunjukkan hasil uji Aucorrelation dilihat dari Durbin Watson Stat, Signifikansi
model dilihat dari F-stat, Signifikansi koefisien, Nilai koefisien, dan explanatory power
dari R-squared dan Adj R-squared)
1. AALI
Dependent Variable: AALI_N
Method: Least Squares
Date: 05/31/15 Time: 12:08
Sample (adjusted): 2005M01 2014M12
Included observations: 120 after adjustments
Variable
Coefficient
Std. Error
t-Statistic
Prob.
RM_N
C
0.946976
0.010779
0.134966
0.009474
7.016429
1.137680
0.0000
0.2576
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)
0.314386
0.308406
0.103012
1.252157
103.4848
49.23028
0.000000
Mean dependent var
S.D. dependent var
Akaike info criterion
Schwarz criterion
Hannan-Quinn criter.
Durbin-Watson stat
0.018885
0.122116
-1.691413
-1.644955
-1.672547
2.084621
2. PTBA
Dependent Variable: PTBA_N
Method: Least Squares
Date: 05/31/15 Time: 12:12
Sample (adjusted): 2005M01 2014M12
Included observations: 120 after adjustments
Variable
Coefficient
Std. Error
t-Statistic
Prob.
RM_N
C
0.427185
0.016753
0.172246
0.012091
2.480087
1.385531
0.0145
0.1685
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)
0.049543
0.041488
0.131467
2.039447
74.21615
6.150829
0.014546
Mean dependent var
S.D. dependent var
Akaike info criterion
Schwarz criterion
Hannan-Quinn criter.
Durbin-Watson stat
0.020410
0.134282
-1.203602
-1.157144
-1.184736
2.022620
3. SMGR
17
Dependent Variable: SMGR_N
Method: Least Squares
Date: 05/31/15 Time: 12:15
Sample (adjusted): 2005M01 2014M12
Included observations: 120 after adjustments
Variable
Coefficient
Std. Error
t-Statistic
Prob.
RM_N
C
0.090921
0.015638
0.121522
0.008531
0.748190
1.833176
0.4558
0.0693
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)
0.005722
-0.003713
0.092751
1.015126
116.0761
0.559789
0.455834
Mean dependent var
S.D. dependent var
Akaike info criterion
Schwarz criterion
Hannan-Quinn criter.
Durbin-Watson stat
0.016416
0.092579
-1.901269
-1.854811
-1.882402
2.101593
4. TLKM
Dependent Variable: TLKM_N
Method: Least Squares
Date: 05/31/15 Time: 12:16
Sample (adjusted): 2005M01 2014M12
Included observations: 120 after adjustments
Variable
Coefficient
Std. Error
t-Statistic
Prob.
RM_N
C
0.035671
0.005634
0.100026
0.007022
0.356613
0.802414
0.7220
0.4239
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)
0.002377
-0.07389
0.076345
0.687768
139.4351
0.127173
0.722018
Mean dependent var
S.D. dependent var
Akaike info criterion
Schwarz criterion
Hannan-Quinn criter.
Durbin-Watson stat
0.005940
0.076064
-2.290585
-2.244126
-2.271718
2.128091
5. UNVR
Dependent Variable: UNVR_N
Method: Least Squares
Date: 05/31/15 Time: 12:17
Sample (adjusted): 2005M01 2014M12
Included observations: 120 after adjustments
Variable
Coefficient
Std. Error
t-Statistic
Prob.
RM_N
C
-0.001808
0.015872
0.095918
0.006733
-0.018847
2.357273
0.9850
0.0201
R-squared
Adjusted R-squared
0.000003
-0.008472
Mean dependent var
S.D. dependent var
0.015857
0.072901
18
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)
0.073209
0.632434
144.4677
0.000355
0.984995
Akaike info criterion
Schwarz criterion
Hannan-Quinn criter.
Durbin-Watson stat
-2.374461
-2.328003
-2.355594
2.094170
Dari hasil regresi di atas, dapat disimpulkan bahwa seluruh variabel tidak mengandung
autokorelasi dilihat dari stastistika Durbin-Watson yang seluruhnya berada di rule of thumb
koefisien yang tidak mengandung autokorelasi yaitu 1,5-2,5.
19