ANALISIS DAN PEMBAHASAN A. Sekilas Gambaran Umum Objek Penelitian
C. Pengujian Month of the Year Effect
Pengujian menggunakan variabel bulan dalam setahun dengan
menggunakan metode regresi OLS dan ARCH/GARCH. Permodelan ini akan
dipilih dengan hasil output yang paling baik menggambarkan month of the
year effect.
1. Metode Regresi OLS
Terlebih dahulu, data return pasar penutupan selama periode
2007-2012 akan diuji menggunakan RegresiOrdinary Least Square.
a. Uji Stasioneritas
Tabel 4.3
Uji Stasioneritas DataReturn
Null Hypothesis: RETURN has a unit root Exogenous: Constant
Lag Length: 0 (Automatic - based on SIC, maxlag=11)
t-Statistic Prob.* Augmented Dickey-Fuller test statistic -7.419159 0.0000 Test critical values: 1% level -3.525618
5% level -2.902953
10% level -2.588902
*MacKinnon (1996) one-sided p-values.
Sumber:Data penelitian yang diolah (2013).
Dari hasil uji Augmented Dickey Fuller (ADF) t-statistic
menunujukan angka -7,419159 lebih rendah dari critical values
5% sebesar -2,90293. Hal ini mengindikasikan bahwa data tidak
memiliki masalah unit root atau data telah stasioner.
2) Uji Stasioneritas DataAbnormal Return
Tabel 4.4
Uji Stasioneritas DataAbnormal Return
Null Hypothesis: ABNORMAL_RETURN has a unit root Exogenous: Constant
Lag Length: 0 (Automatic - based on SIC, maxlag=11)
t-Statistic Prob.* Augmented Dickey-Fuller test statistic -7.706220 0.0000 Test critical values: 1% level -3.525618
5% level -2.902953
10% level -2.588902
*MacKinnon (1996) one-sided p-values.
Sumber:Data penelitian yang diolah (2013
Dari hasil uji Augmented Dickey Fuller (ADF) t-statistic
5% sebesar -2,90293. Hal ini mengindikasikan bahwa data tidak
memiliki masalah unit root atau data telah stasioner.
b. Uji Autokorelasi
1) Uji Autokorelasi DataReturn
Autokorelasi menunjukan korelasi diantara anggota
serangkaian observasi yang diurutkan menurut waktu atau ruang.
Untuk mendeteksi adanya autokorelasi dapat menggunakan
Lagrange Multiplier test(LM Test).
Tabel 4.5
Uji Autokorelasi DataReturn
Breusch-Godfrey Serial Correlation LM Test:
F-statistic 0.052112 Prob. F(2,58) 0.9493 Obs*R-squared 0.129150 Prob. Chi-Square(2) 0.9375
Sumber: Data penelitian yang diolah (2013)
Uji autokorelasi menggunakan Lagrange Multiplier test
(LM Test) untuk memperkuat pendugaan. Hasilnya adalah, nilai
Prob. Chi-Square(2) dari Obs*R-squared menunjukan angka
0,9375 yang berada diatas α=5%. Hal ini menunjukan bahwa
2) Uji Autokorelasi DataAbnormal Return Tabel 4.6
Uji Autokorelasi DataAbnormal Return
Sumber: Data penelitian yang diolah (2013)
Hasil uji autokorelasi menggunakan Lagrange Multiplier
test (LM Test) adalah, nilai Prob. Chi-Square(2) dari
Obs*R-squared menunjukan angka 0,8861 yang berada diatas α=5%. Hal
ini menunjukan bahwa permodelan tidak terdapat autokorelasi.
c. Uji Heteroskedastisitas
1) Uji Heteroskedastisitas DataReturn
Tabel 4.7
Uji Heteroskedestisitas DataReturn
Heteroskedasticity Test: White
F-statistic 1.423998 Prob. F(11,60) 0.1860 Obs*R-squared 14.90546 Prob. Chi-Square(11) 0.1869 Scaled explained SS 10.41591 Prob. Chi-Square(11) 0.4934
Sumber: Data penelitian yang diolah (2013)
Selanjutnya akan dilakukan uji keberadaan heterokedastis
sebagai salah satu uji kelayakan model menggunakan metode
regresi Ordinary Least Squared. Pengujian menggunakan White
Heterokedsticity test menunjukan hasil Prob. Chi-Square(11) dari
Obs*R-Squared tidak signifikan pada level α=5% yaitu 0,1869.
Hal ini mengindikasikan bahwa permodelan tidak memiliki
Breusch-Godfrey Serial Correlation LM Test:
F-statistic 0.097725 Prob. F(2,58) 0.9070 Obs*R-squared 0.241813 Prob. Chi-Square(2) 0.8861
masalah heterokedastisitas. Hal ini Berarti Regresi OLS dapat
digunakan pada permodelan.
2) Uji Heteroskedastisitas DataAbnormal Return Tabel 4.8
Uji Heteroskedastisitas DataAbnormal Return
Heteroskedasticity Test: White
F-statistic 1.535048 Prob. F(11,60) 0.1429 Obs*R-squared 15.81257 Prob. Chi-Square(11) 0.1482 Scaled explained SS 11.72313 Prob. Chi-Square(11) 0.3848
Sumber: Data penelitian yang diolah
Selanjutnya akan dilakukan uji keberadaan heterokedastis
sebagai salah satu uji kelayakan model menggunakan metode
regresi Ordinary Least Squared. Pengujian menggunakan White
Heterokedsticity test menunjukan hasil Prob. Chi-Square(11) dari
Obs*R-Squared tidak signifikan pada level α=5% yaitu 0,1482.
Hal ini mengindikasikan bahwa permodelan tidak memiliki
masalah heterokedastisitas. Hal ini berarti Regresi OLS dapat
Tabel 4.9
Hasil Uji Regresi OLS DataReturn
Dependent Variable: RETURN Method: Least Squares Date: 07/16/13 Time: 01:14 Sample: 2007M01 2012M12 Included observations: 72
Variable Coefficient Std. Error t-Statistic Prob. JANUARI -0.019516 0.449500 -0.043417 0.9655 FEBUARI -0.336642 0.449500 -0.748925 0.4568 MARET 0.845370 0.449500 1.880690 0.0649 APRIL 1.403618 0.449500 3.122624 0.0028 MEI 1.348064 0.449500 2.999032 0.0039 JUNI 0.458877 0.449500 1.020862 0.3114 JULI 0.987924 0.449500 2.197829 0.0318 AGUSTUS -0.441093 0.449500 -0.981298 0.3304 SEPTEMBER 0.988678 0.449500 2.199507 0.0317 OKTOBER 0.046322 0.449500 0.103052 0.9183 NOVEMBER -0.558540 0.449500 -1.242581 0.2189 DESEMBER 0.604896 0.317844 1.903121 0.0618 R-squared 0.472503 Mean dependent var 0.998485 Adjusted R-squared 0.375795 S.D. dependent var 0.985431 S.E. of regression 0.778556 Akaike info criterion 2.488261 Sum squared resid 36.36899 Schwarz criterion 2.867705 Log likelihood -77.57739 Hannan-Quinn criter. 2.639319 F-statistic 4.885882 Durbin-Watson stat 1.920444 Prob(F-statistic) 0.000024
Sumber: Hasil Output Eviews 7
Berdasarkan hasil output diatas maka nampak bahwareturn
Januari, Februari, Maret, Juni, Agustus, Oktober, November,
Desember tidak signifikan secara statistik pada α=5%, sedangkan
bulan perdagangan April, Mei, Juli, September memiliki
Tabel 4.10
Hasil Uji Regresi OLS DataAbnormal Return
Dependent Variable: ABNORMAL_RETURN Method: Least Squares
Date: 08/13/13 Time: 17:59 Sample: 2007M01 2012M12 Included observations: 72
Variable Coefficient Std. Error t-Statistic Prob. JANUARI -0.040921 0.427781 -0.095658 0.9241 FEBRUARI 0.292966 0.427781 0.684849 0.4961 MARET -0.841436 0.427781 -1.966976 0.0538 APRIL -1.387888 0.427781 -3.244386 0.0019 MEI -1.377477 0.427781 -3.220048 0.0021 JUNI -0.478527 0.427781 -1.118626 0.2678 JULI -0.965697 0.427781 -2.257456 0.0276 AGUSTUS 0.370543 0.427781 0.866198 0.3898 SEPTEMBER -1.014236 0.427781 -2.370923 0.0210 OKTOBER -0.100597 0.427781 -0.235159 0.8149 NOVEMBER 0.234685 0.427781 0.548611 0.5853 DESEMBER -0.564286 0.302487 -1.865488 0.0670 R-squared 0.459304 Mean dependent var -1.006668 Adjusted R-squared 0.360177 S.D. dependent var 0.926302 S.E. of regression 0.740939 Akaike info criterion 2.389215 Sum squared resid 32.93944 Schwarz criterion 2.768659 Log likelihood -74.01174 Hannan-Quinn criter. 2.540273 F-statistic 4.633466 Durbin-Watson stat 2.022613 Prob(F-statistic) 0.000044
Sumber: Hasil Output Eviews 7
Berdasarkan hasil output diatas maka nampak bahwareturn
Januari, Februari, Maret, Juni, Agustus, Oktober, November tidak
signifikan secara statistik pada α=5%, sedangkan bulan
perdagangan April, Mei, Juli, September, Desember memiliki
probabilitas < 0,05 yang artinya signifikan pada tingkat 5%.
2. Metode ARCH GARCH
Metode selanjutnya yang akan digunakan dalam memprediksi ada
tidaknyaMonth of the Year Effectadalah ARCH/GARCH. Model yang
digunakan yaitu GARCH (1,1).
Tabel 4.11
Hasil Uji GARCH (1,1) DataReturn
Dependent Variable: RETURN
Method: ML - ARCH (Marquardt) - Normal distribution Date: 07/16/13 Time: 01:20
Sample: 2007M01 2012M12 Included observations: 72
Convergence achieved after 75 iterations Presample variance: backcast (parameter = 0.7)
GARCH = C(13) + C(14)*RESID(-1)^2 + C(15)*GARCH(-1)
Variable Coefficient Std. Error z-Statistic Prob. JANUARI 0.041920 0.469488 0.089290 0.9289 FEBRUARI -0.332070 0.665097 -0.499281 0.6176 MARET 1.049901 0.307382 t3.415628 0.0006 APRIL 1.015992 0.318526 3.189671 0.0014 MEI 1.251441 0.430312 2.908217 0.0036 JUNI 0.182308 0.350041 0.520819 0.6025 JULI 0.865994 0.382834 2.262061 0.0237 AGUSTUS -0.285180 0.373577 -0.763375 0.4452 SEPTEMBER 1.003903 0.371430 2.702808 0.0069 OKTOBER -0.016681 0.454760 -0.036681 0.9707 NOVEMBER -0.423369 0.611492 -0.692355 0.4887 DESEMBER 0.543313 0.269810 2.013688 0.0440 Variance Equation C 0.048820 0.028106 1.736964 0.0824 RESID(-1)^2 -0.163721 0.047011 -3.482606 0.0005 GARCH(-1) 1.092305 0.072780 15.00834 0.0000 R-squared 0.434708 Mean dependent var 0.998485 Adjusted R-squared 0.331071 S.D. dependent var 0.985431 S.E. of regression 0.805965 Akaike info criterion 2.382277 Sum squared resid 38.97481 Schwarz criterion 2.856583 Log likelihood -70.76198 Hannan-Quinn criter. 2.571100 Durbin-Watson stat 1.900199
Sumber: Hasil Output Eviews 7 (2013)
Tabel hasil 4.6 menunjukan bahwa koefisien variabel
sementara Januari, Februari, Juni, Agustus, September Oktober,
November, tidak signifikan. Koefisien ARCH (1) dan GARCH (1)
pada variance equation juga menunjukan hasil yang signifikan.
Berikut akan dilakukan diagnostic check lebih lanjut sebagi uji
kelayakan untuk model tersebut (Shochrul R. Ajija, 2011:112):
1. Hasil penjumlahan koefisien ARCH dan GARCH tidak
lebih dari 1 (α+β<1).
Penjumlahan kedua koefisien menunjukan nilai
lebih kecil dari satu yaitu 0.928584 yang mengindikasikan
bahwa model telah mencapai stasioner.
2. Tidak ada lagi ARCHeffect.
Tabel 4.12
Hasil Uji ARCH-LM Data Return Heteroskedasticity Test: ARCH
F-statistic 0.022883 Prob. F(1,69) 0.8802 Obs*R-squared 0.023539 Prob. Chi-Square(1) 0.8781
Sumber: Data penelitian yang diolah (2013)
Berdasarkan uji ARCH-LM tabel 4.4, p-value
Obs*R-squared sudah menunjukan angka yang signifikan
(lebih besar dari α=5%), yang menunjukan tidak adanya
gangguan heteroskedestisitas. Hal ini menunjukan bahwa
2) Uji GARCH (1,1) Data Abnormal Return
Tabel 4.13
Hasil Uji GARCH (1,1) DataAbnormal Return
Sumber: Hasil Output Eviews 7 (2013)
Tabel hasil 4.13 menunjukan bahwa koefisien variabel
Maret, April, Mei, Juli, September, Desember signifikan pada level
α=5%, sementara Januari, Februari, Juni, Agustus, Oktober, Dependent Variable: ABNORMAL_RETURN
Method: ML - ARCH (Marquardt) - Normal distribution Date: 08/13/13 Time: 18:25
Sample: 2007M01 2012M12 Included observations: 72
Failure to improve Likelihood after 125 iterations Presample variance: backcast (parameter = 0.7)
GARCH = C(13) + C(14)*RESID(-1)^2 + C(15)*GARCH(-1)
Variable Coefficient Std. Error z-Statistic Prob. JANUARI -0.128812 0.385761 -0.333917 0.7384 FEBRUARI 0.269325 0.590565 0.456046 0.6484 MARET -1.055949 0.273728 -3.857665 0.0001 APRIL -0.927922 0.304560 -3.046759 0.0023 MEI -1.287398 0.405954 -3.171293 0.0015 JUNI -0.213351 0.262077 -0.814076 0.4156 JULI -0.866688 0.340488 -2.545431 0.0109 AGUSTUS 0.234701 0.343401 0.683461 0.4943 SEPTEMBER -1.006332 0.375357 -2.680996 0.0073 OKTOBER -0.063874 0.439309 -0.145398 0.8844 NOVEMBER 0.270444 0.676814 0.399584 0.6895 DESEMBER -0.506650 0.244425 -2.072824 0.0382 Variance Equation C 0.043561 0.026193 1.663040 0.0963 RESID(-1)^2 -0.155410 0.048150 -3.227610 0.0012 GARCH(-1) 1.088077 0.068298 15.93143 0.0000 R-squared 0.412372 Mean dependent var -1.006668 Adjusted R-squared 0.304641 S.D. dependent var 0.926302 S.E. of regression 0.772426 Akaike info criterion 2.301684 Sum squared resid 35.79855 Schwarz criterion 2.775989 Log likelihood -67.86061 Hannan-Quinn criter. 2.490506 Durbin-Watson stat 1.991792
November, tidak signifikan. Koefisien ARCH (1) dan GARCH (1)
pada variance equation juga menunjukan hasil yang signifikan.
Berikut akan dilakukan diagnostic check lebih lanjut sebagi uji
kelayakan untuk model tersebut (Shochrul R. Ajija, 2011:112):
1. Hasil penjumlahan koefisien ARCH dan GARCH tidak
lebih dari 1 (α+β<1).
Penjumlahan kedua koefisien menunjukan nilai
lebih kecil dari satu yaitu 0.932667 yang mengindikasikan
bahwa model telah mencapai stasioner.
2. Tidak ada lagi ARCHeffect.
Tabel 4.14
Hasil Uji ARCH-LM DataAbnormal Return
Sumber: Data penelitian yang diolah (2013)
Berdasarkan uji ARCH-LM tabel 4.14, p-value
Obs*R-squared sudah menunjukan angka yang signifikan
(lebih besar dari α=5%), yang menunjukan tidak adanya
gangguan heteroskedestisitas. Hal ini menunjukan bahwa
sudah tidak terdapat ARCH-Effectpada permodelan.
Heteroskedasticity Test: ARCH
F-statistic 4.415584 Prob. F(1,69) 0.0393 Obs*R-squared 4.270298 Prob. Chi-Square(1) 0.3388
Tabel berikut merupakan rangkuman daru uji keberadaan
month of the year effect untuk semua model pada masing-masing
variabel tidak bebas.
Tabel 4.15
Rangkuman Uji KeberadaanMonth of the Year Effect
Bulan Perdagangan
Metode
Return Abnormal Return
OLS GARCH (1,1) OLS GARCH (1,1) Januari -0.0195 0.04192 -0.0409 -0.128812 Februari -0.3366 -0.33207 0.29297 0.269325 Maret 0.84537 1.049901* -0.8414* -1.055949* April 1.40362* 1.015992* -1.3879* -0.927922* Mei 1.34806* 1.25144* -1.3775 -1.287398* Juni 0.45888 0.182308 -0.4785 -0.213351 Juli 0.98792* 0.865994* -0.9657* -0.866688* Agustus -0.4411 -0.28518 0.37054 0.234701 September 0.98868* 1.003903* -1.0142* -1.006332* Oktober 0.04632 -0.016681 -0.1006 -0.063874 November -0.5585 -0.42337 0.23469 0.270444 Desember 0.6049 0.543313* -0.5643 -0.50665*
Sumber : Hasil Olahan Peneliti (2013) Ket :*Signifikan pada level 5%
Tampak pada hasil pengujian untuk masing-masing
variabel terikat menunjukan nilai return yang beragam dan hasil
analisis GARCH lebih baik dalam menggambarkan month of the
series mempunyai tingkat volatilitas yang tinggi. Volatilitas data
adalah sesuatu yang sering kali terjadi di pasar keuangan yang sulit
di hindari. Pada kondisi seperti itu maka perilaku data time series
sangat berbeda dengan asumsi bahwa data time series
kecenderungannya mempunyai varian kesalahan pengganggu
(error term) yang konstan dari waktu ke waktu, berdasarkan
kenyataan bahwavarian residualdaritime seriestidak konstan dan
banyak mengalami perubahan dari suatu periode ke periode yang
lain (heteroskedastis).
Terjadinya heteroskedastis, karena berhubungan langsung
dengan variable independen, untuk itu agar permodelan terbebas
dari masalah heteroskedastis maka hanya perlu transformasi
persamaan regresi. Model GARCH berbeda dengan asumsi
tersebut, heteroskedastisitas terjadi karena data time series
menunjukan unsure volatilitasnya. Untuk itu karena tingginya
volatilitas data, diperlukan permodelan sebagai pendekatan untuk
mengukur masalah volatilitas residual. Salah satu pendekatan
untuk memprediksi volatilitas varian residual adalah dengan
memasukan variabel independen yang mampu memprediksi
volatilitas residual, karena itulah dirasa model GARCH lebih baik
dalam memprediksi (Hamja, 2012:266).
Untuk hasil perhitungan pada variabel tidak bebas return
Desember menunjukan nilai probabilita yang signifikan pada level
5% dan memiliki return positif. Hal ini mengindikasikan bahwa
terjadimonth of the year effect.
Berdasarkan hasil penelitian yang dilakukan tidak terjadi
tingkat pengembalian yang tinggi pada Januari. Adapun tingkat
pengembalian yang tinggi terjadi pada Desember sehingga dapat
disebut December effect. Manurung (1996, 2006, dan 2008) telah
ditemukan adanya efek Desember. Penelitian tersebut juga
menemukan bahwa bursa mengalami penurunan pada Juli sampai
Oktober dan mengalami kenaikan pada November. Broto (2011)
mendukung hasil penelitian Manurung tersebut, yang menyatakan
efek Desember yang terjadi di Indonesia. Terjadinya tingkat
pengembalian pada Desember dikarenakan bursa saham Indonesia
belum efisien dan banyak pihak (terutama investor asing)
menyatakan bursa Indonesia merupakan bursa spekulasi dan masih
jauh untuk bursa investasi. (Idhamazhari.blogspot.com)
Faktor utama yang membuat pernyataan tersebut
dikarenakan investor yang masih dikuasai oleh sedikit investor
yang sudah bisa memahami permainan saham tersebut. Artinya,
jumlah investor yang setiap hari melakukan perdagangan tidak
begitu banyak dan paling banyak 10.000 investor walaupun
rekening investor sudah mencapai ratusan ribu. Berdasarkan empiri
melakukan transaksi pada Desember untuk mendapatkan tingkat
pengembalian yang lebih baik. Untuk mendapatkan hasil investasi
yang lebih baik sekali, investor melakukan pembelian pada
pertengahan Oktober dan menjualnya pada akhir Desember.
Penelitian ini mendukung penelitian Andrew Worthington
(2011) melakukan pengujian pada pasar saham di Australia pada
periode 1996-2008 dengan menggunakan pendekatan regresi
berganda. Hasilnya menunjukan bahwa return tertinggi ada pada
bulan April, Juli dan Desember meskipun ini hanya terjadi pada
perusahaan dengan kapitalisasi yang kecil.
Untuk hasil perhitungan pada variabel tidak bebasabnornal
return saham pada bulan Maret, April, Mei, Juli, dan September
dan Desember menunjukan nilai probabilita yang signifikan pada
level 5% dan memiliki abnormal return negatif. Dari hasil output
tidak dapat dipungkiri bahwa terdapat fenomena month of the year
effect. Hal ini sejalan dengan penelitian Eleftherios Giovanis
(2009) pada 55 pasar modal di dunia dengan menggunakan model
GARCH. Hasilnya adalah ditemukannya December effect pada 20
pasar modal dengan return tertinggi di bulan tertentu. Sementara
itu February effect terdapat pada 9 pasar modal yang di ikuti
dengan January and April effect masing-masing di 7 dan 6 pasar
Ricky Chee dan Venus Khim (2012) juga melakukan
penelitian dimana ditemukan November effect pada Index Nikei
225 diTokyo Stock Exchange (TSE) dengan menggunakan metode
TGARCH.Hasil penelitian ini konsisten dengan bukti sebelumnya
yang mendukung hipotesis tax-loss selling pada pasar saham di
U.S. dan U.K. Adanya month of the year effect di TSE
menunjukkan bahwa melalui strategi waktu investasi yang benar,
manajer keuangan, konselor keuangan dan investor bisa
BAB V PENUTUP A. Kesimpulan
Dari hasil analisis data dan pembahasan hasil penelitian yang telah
dilakukan, maka dapat disimpulkan sebagai berikut:
1. Hasil penelitian menunjukan ditemukan adanya fenomena Month of
the Year Effect pada Bursa Efek Indonesia (BEI) periode 2007-2012
dengan menggunakan model GARCH. Hal ini ditunjukan pada bulan
perdagangan Januari, Maret, April, Mei, Juni, Juli, September, dan
Desember memiliki return positif sedangkan Februari, Agustus,
Oktober dan November memiliki return negatif. Namun hanya pada
bulan perdagangan Januari, Maret, April, Mei, Juni, Juli, September,
dan Desember yang memiliki pengaruh signifikan terhadap return
saham.
2. Hasil penelitian menunjukan ditemukan adanya fenomena Month of
the Year Effect pada Bursa Efek Indonesia (BEI) periode 2007-2012
dengan menggunakan model GARCH. Hal ini ditunjukan pada bulan
perdagangan Februari, Agustus dan November memiliki abnormal
return positif sedangkan Januari, Maret, April, Mei, Juni, Juli,
September, Oktober dan Desember memilikiabnormal return negatif.
Namun hanya pada bulan perdagangan Maret, April, Mei, Juli,
September, dan Desember yang memiliki pengaruh signifikan
3. Hasil penelitian menunjukan bahwa model GARCH lebih baik
menggambarkan month of the year effect daripada model OLS. Hasil
perhitungan pada variabel tidak bebas return saham untuk bulan
perdagangan Maret, April, Mei, Juli, September, dan Desember
menunjukan nilai probabilita yang signifikan pada level 5% dan
memiliki return positif dan hasil perhitungan pada variabel tidak
bebas abnornal return saham untuk bulan perdagangan Maret, April,
Mei, Juli, dan September dan Desember menunjukan nilai probabilita
yang signifikan pada level 5% dan memilikiabnormal returnnegatif
B. Implikasi
1. Implikasi Bagi Investor
Bagi investor sebaiknya memperhatikan resiko dalam melakukan
investasi. Karena resiko bisa jadi merupakan salah satu pertimbangan
bagi investor untuk memegang sebuah aset dalam rangka mendapatkan
return yang diinginkan. Namun resiko tersebut tidak menjadi penyebab
keberadaan month of the year effect. Selain itu, investor dapat
mempelajari pola return pasar sebagai salah satu strategi dalam
melakukan jual beli saham dimasa yang akan datang dalam rangka
2. Implikasi Bagi Perusahaan
Hasil penelitian ini dapat dijadikan informasi tambahan dan
pertimbangan bagi perusahaan dalam melakukan kebijakan yang
berhubungan dengan investasi.
3. Implikasi Bagi Akademik
Analisis terhadap anomali dapat dilakukan dengan metode
GARCH yang memiliki kemampuan untuk memformulasikan sebuah
model yang tepat untukreturndan melakukan estimasi terhadapmonth of
the year effect. Hasil penelitian ini dapat dijadikan tambahan
pengetahuan bagi penelitian selanjutnya.
C. Saran
Disadari bahwa penelitian ini masih banyak terdapat kekurangan dan
keterbatasan. Karenanya, berikut akan disajikan saran-saran terkait untuk
perkembangan penelitian selanjutnya.
1. Peneliti yang akan datang disarankan dapat menggunakan teknik analisis
lain dalam mengestimasi return saham dan abnormal return. Peneliti
dapat menggunakan metode Box Jenkins (ARIMA) serta
membandingkannya dengan metode yang telahdigunakan dalam
penelitian ini, untuk mengetahui model mana yang memberikan hasil
2. Peneliti berikutnya sebaiknya perlu melakukan analisis terhadap semua
emiten yanglisted di BEI agar dapat memberikan pandangan yang lebih
luas lagi bagi para investor yang ingin berinvestasi.
3. Periode pengamatan pada penelitian yang akan datang sebaiknya
diperpanjang agar diperoleh hasil penelitian yang lebih baik lagi.
4. Peneliti yang akan datang perlu mencoba untuk membedakan antara
saham berkapitalisasi kecil dan besar. Hal ini untuk mendapatkan
gambaran dan bukti empiris yang sesuai dengan penelitian-penelitian
yang ada di luar negeri. Sehingga dapat diperoleh bukti lain mengenai
pengaruh bulan perdagangan terhadap return saham dan abnormal