KOREKSI BIAS KOEFISIEN BETA DI BURSA EFEK INDONESIA

KOREKSI BIAS KOEFISIEN BETA

DI BURSA EFEK INDONESIA

Rowland Bismark Fernando Pasaribu1

Abstract

This research aim to clarify deflect value of beta-stock coefficient enlisted Indonesian Stock Exchange and correction to the diffraction value by Scholes and Williams, Dimson, and also Fowler and Rorke method. The result indicate that beta-stock value is deflect, others result form normality-test also confirm the abnormal of return distribution. Adequate correction method for abnormal return distribution is Scholes And Williams with correct period 2 lag and 3 lead, while for normal distribution is Fowler-Rorke method with correct period 3 lag and 1 lead.

PENDAHULUAN

Koefisien beta merepresentasikan sensitivitas suatu sekuritas terhadap pergerakan pasar. Karenanya mengetahui beta suatu aset adalah berguna untuk manajemen resiko portofolio. Risiko total yang diasosiasikan dengan

asset dapat dibagi ke dalam dua komponen: risiko sistematis dan risiko

non-sistematis. Risiko non-sistematis dapat dieliminir dengan melakukan diversifikasi. Sebaliknya, risiko sistematis yang terdapat pada suatu aset tidak dapat di-diversifikasi. Dengan kata lain, koefisien beta menggambarkan jumlah relatif resiko sistematis suatu asset tertentu terhadap rata-rata resiko aset.

Beberapa hasil penelitian mengungkapkan bahwa koefisien beta secara relatif cenderung statisioner sepanjang waktu, khususnya untuk portofolio saham (Blume, 1971). Meski demikian terdapat juga sejumlah hasil kajian lainnya yang menyebutkan bahwa kecenderungan yang konsisten untuk portofolio dengan historikal beta yang pendek (panjang) yang dihitung untuk periode yang telah ditentukan menunjukkan nilai yang semakin tinggi (semakin rendah) untuk periode waktu berikutnya. Dari tinggi rendahnya beta yang dijelaskan dalam hubungannya terhadap beta pasar, koefisien beta terlihat sebagai ekspose tendensi yang konvergen ke arah angka satu. Kalau tendensi ini adalah stasioner, maka beta-mendatang dapat diprediksi dengan beberapa derajat keyakinan tertentu. Blume (1971, 1975) dan Vasicek (1973)

memberikan dua teknik yang berbeda untuk mengestimasi beta berdasarkan koefisien historikal untuk resiko sistematis.

Penjelasan teoritikal tersebut mungkin berlaku pada saat aktivitas perdagangan pasar dalam kondisi yang sinkron. Pertanyaannya, kalau ternyata aktivitas perdagangan pasar tidak sinkron maka yang dihasilkan adalah koefisien beta yang bias dan mengaburkan kegunaannya seperti yang disebut diatas. Jogiyanto dan Surianto (2000) menyatakan bahwa aktivitas perdagangan yang tidak sinkron mengacu pada rendahnya transaksi perdagangan (thin market). Jogiyanto (1998a, 1998b) menyatakan bahwa pada pasar modal indonesia terjadi aktivitas perdagangan yang tidak sinkron sehingga perlu dilakukan penyesuaian terhadap perhitungan nilai beta pasar yang ada. Penelitian ini berusaha untuk melanjutkan penelitian Jogiyanto dan Surianto (2000) dalam hal konfirmasi atas nilai beta yang bias dan penggunaan metode koreksi bias beta (Scholes dan Williams, Dimson, serta Fowler dan Rorke).

Perumusan Masalah

Berdasarkan uraian tersebut diatas, maka rumusan masalah penelitian ini dapat dirumuskan sebagai berikut:

1. Apakah nilai beta saham yang terdaftar di Bursa Efek Indonesia merupakan nilai yang bias?

2. Metode apa (Scholes dan Williams, 1997; Dimson, 1979; serta Fowler dan Rorke, 1983) yang memadai dalam mengkoreksi bias beta yang terjadi?

Tujuan Penelitian

Penelitian ini bertujuan untuk:

1. Mengklarifikasi nilai bias beta saham yang terdaftar di Bursa Efek Indonesia.

2. Menghitung koreksi nilai beta dengan tiga metode tersebut, dan menentukan mana yang paling memadai dalam mengkoreksi nilai bias tersebut.

KAJIAN LITERATUR DAN HIPOTESIS

Stabilitas Koefisien Beta

Blume menyatakan bahwa beta cenderung bergerak regress pada nilai rata-rata beta secara keseluruhan. Hasil penelitiannya menghasilkan teknik penyesuaian berdasarkan premis bahwa beta beta selalu bergerak dinamis mendekati nilai satu. Kolb dan Rodriguez (1989) menunjukkan bahwa beta yang mendekati satu juga memiliki probabilitas yang lebih tinggi untuk menjauh dari angka satu yang cenderung melakukan reversi off-set beta yang sangat kecil atau sangat besar atas angka satu .

Beberapa penelitian telah dilakukan dalam kaitannya dengan stabilitas koefisien beta terhadap periode waktu dan secara umum menghasilkan kesimpulan yang hampir sama. Levy (1971) menggunakan tingkat pengembalian mingguan pada 500 saham pasar modal New York (NYSE) untuk menghitung beta pasar. Ia menyimpulkan bahwa pengukuran

terhadap resiko tidak stabil dalam jangka pendek (52 minggu). Sebaliknya, beta portfolio saham menjadi lebih stabil dengan jumlah saham yang besar. Hasil temuan lainnya adalah menyarankan nilai beta hasil regresi yang melampaui rata-rata beta (yakni 1). Blume (1971) menggunakan periode waktu 1926-1962 dan menghasilkan kesimpulan yang sama. Hasil ini didukung oleh Fielitz (1974), Porter dan Ezzell (1975), serta Tole (1981) yang menyatakan bahwa stabilitas beta meningkat dalam ukuran portofolio.

Dengan semangat yang sama, beberapa penelitian telah menghasilkan bahwa lamanya periode waktu, dan jumlah observasi yang digunakan untuk mengukur seberapa stabil pengaruh beta estimasi tersebut. Baesel (1974) menyatakan bahwa beta lebih stabil selama panjangnya periode estimasi beta ditingkatkan. Altman, et al. (1974) menghasilkan kesimpulan yang sama untuk saham-saham di negara Perancis. Roenfeldt, et al. (1978) menyatakan bahwa hasil estimasi beta yang semakin stabil dengan periode 48 bulan adalah prediktor yang buruk dalam mengestimasi beta jangka pendek (12 bulan). Chen (1981) menyarankan bahwa pendekatan normal regresi OLS untuk mengestimasi beta akan menghasilkan hasil yang bias dimana beta tidak bersifat stagnan dan karenanya mendukung penggunaan pendekatan penyesuaian bayesian seperti metode Vasicek.

Thin Market dan Prosedur Koreksi Non-Synchronicity

Terdapat dua sumber penelitian yang mengkaitkan bias beta dengan

yang mengidentifikasi potensi permasalahan yang disebabkan aktivitas

non-trading. Selanjutnya Cohen, et al. (1980) secara eksplisit mengatakan

pentingnya price adjusment delays sebagai sumber bias beta.

Untuk membedakan panjangnya interval dan indeks pasar, Scholes dan Williams (1977), Dimson (1979), Fowler et al. (1980, 1981, 1989) serta Cohen, et al. (1983) memberikan bukti empiris bahwa beta saham yang diperdagangkan kurang (lebih) dari indeks yang digunakan dalam estimasi akan mengurangi (meningkatkan) nilai bias beta. Prosedur koreksi didesain untuk mengurangi bias yang berhubungan dengan infrequent trading menggunakan teknik ekonometrik pada tingkat pengembalian saham dan estimator informasi yang terbatas.

Dimson (1979)

Teknik Dimson melakukan estimasi dengan menggunakan model multiple regresi. Variabel dependen adalah time-series tingkat pengembalian saham, variabel independen adalah tingkat pengembalian pasar dan variabel

lead dan lag pada indeks pasar:

Ριτ = αι + β−1Ρµ,τ−1 + β0µ,τ + β+1Ρµ,τ+1 + ειτ

Berdasarkan teknik ini, beta yang disesuaikan adalah sama dengan jumlah estimasi koefisien beta : β∆ = β−1 + β0 + β+1

Scholes and Williams (1977)

Teknik Scholes and Williams (1977) membutuhkan tiga estimasi terpisah pada model faktor tunggal: Ριτ = αι + βιΡµ,τ + ειτ. Regresi pertama

yang menggunakan observasi kontemporer pada variabel independen dan dependen, menghasilkan estimasi pertama (β0). Regresi kedua dan ketiga menggunakan variabel independen lag dan lead satu periode untuk menghasilkan β−1 dan β+1. Penyesuaian beta Scholes and Williams (1977) diperoleh dengan menghitung nilai rata-rata beta dengan persamaan sebagai berikut:

βΣΩ = (β−1+ β0 + β+1)/(1+2ρ)

dimana ρ adalah koefisien korelasi first order serial untuk indeks pasar

Cohen, Hawawini, Maier, Schwartz and Whitcomb (1983)

Cohen, et al. (1983) mengusulkan teknik penyesuaian OLS untuk estimasi beta yang terdiri dari estimasi pada interval cross-sectional atau hubungan thinness (event pada saat transaksi perdagangan rendah). Teknik ini mengacu pada proposisi bahwa semakin diperpanjang interval yang membedakan, beta OLS semakin mendekati beta yang kongkret. Pertama mereka mengestimasi model market untuk tiap emiten j, untuk beragam panjang interval yang berbeda (1, …, 6, 8, 10, 12, 14, 15, 16, 18, dan 20 hari). Selanjutnya estimasi persamaan berikut untuk tiap emiten:

βϕΛ = αϕ + βϕΛ−ν + εϕΛ, ν > 0, ∀ Λ dan ϕ.

dimana βjL adalah beta estimasi OLS saham (dari model market) untuk panjang interval waktu yang berbeda-beda, L (hari), εjL adalah random error,

linear fit terbaik. Untuk sampel 50 perusahaan, Cohen, et al. (1983) kemudian mengestimasi cross-sectional interval sebagai berikut:

bj = c + b ln Vj + εjL, j = 1,…,50.

Dimana: bj = koefisien L-n; Vj = Market value shares outstanding akhir tahun; ε

jL = random error; c dan b= parameters yang diestimasi. Untuk sampel 50 emiten NYSE, Cohen, et al. (1983) menghasilkan estimasi berikut atas persamaan diatas: bj = -2.637 + 0.181 ln Vj

Fowler, Rorke dan Jog (1989)

Fowler et al. (1989) mengembangkan teknik alternatif untuk menghasilkan estimasi beta yang konsisten dalam aktivitas perdagangan yang rendah. Esensi model mereka adalah penggunaan data trading historikal untuk meningkatkan sekumpulan informasi guna menghasilkan estimasi. Pertama mereka mengklasifikasi saham pada kategori “fat”, “moderate” and “infrequent”. Mereka menunjukkan tiap-tiap kategori tersebut memerlukan perlakuan yang berbeda untuk menghasilkan estimasi beta yang tidak bias. Derajat kompleksitas pada model meningkat sebagaimana meningkatnya derajat aktivitas perdagangan saham yang rendah.

Jumlah Lead dan Lag

Tidak ada aturan khusus yang mengatur jumlah ideal variabel lead dan

lag, kecuali aktivitas perdagangan warran yang rendah (Jarnecic et.al, 1997). Berglund, et al. (1989) menyatakan bahwa penggunaan jumlah lag dan lead yang berlebihan dalam estimator dapat menciptakan distorsi dalam estimasi.

Murray (1995) mengkonfirmasi bahwa tidak ada justifikasi untuk menggunakan sejumlah besar variabel lag dan lead dalam Cohen, et al. (1983), sebagai suatu keuntungan potensial yang dapat hilang karena terjadi

noise pada estimasi.

Koreksi Bias Estimasi Beta Pada Thin Market

Trade-off diantara beragam teknik adalah antara: 1) perhitungan

kompleksitas dan informasi yang diperlukan pada prosedur ekonometrik, dan; 2) bias dan efisiensi estimator. Dalam hal perhitungan kompleksitas dan informasi yang diperlukan , terdapat dua teknik (Dimson, 1979; Scholes dan Williams, 1977) yang menggunakan agregasi pada estimasi beta dari variabel

lag dan lead untuk menghasilkan estimasi beta yang konsisten. Estimasi beta pada Cohen, et al. (1983) adalah berdasarkan model analitikal yang menjelaskan struktur tingkat pengembalian dalam artian friksi pasar dan menggunakan sejumlah regresi atas tingkat pengembalian saham untuk memperoleh estimasi beta yang asymtotic. Prosedur Fowler, et al. (1989) juga merupakan pendekatan statistik tapi diperlukan informasi saham tertentu (dalam bentuk distribusi frekuensi perdagangan dalam periode yang berbeda-beda) untuk mengimplementasikannya.

Prosedur Scholes dan Williams (1977) dan Dimson (1979) dalam mengestimasi beta telah dikritisi oleh Fowler dan Rorke (1983) serta Fowler et al. (1980) yang menyatakan kedua model tersebut masih membuka celah untuk terjadinya bias perdagangan yang tidak sinkron. Fowler, et al. (1980)

menyatakan bahwa metode Dimson (1979) memiliki beberapa kendala matematika yang membuatnya bias sebagai model estimasi. Selanjutnya mereka menyatakan bahwa estimator dalam metode Scholes dan Williams (1977) memberikan hasil yang lebih baik dalam hal memindahkan bias, tapi varian estimator-nya sangat besar sehingga beta yang dihasilkan juga tidak akurat. Generalisir ini dibantah oleh Riding (1992) yang menguji efisiensi metode Scholes dan Williams dan Dimson untuk data pasar modal Selandia Baru. Cohen, et al. (1983) serta Fung, et al. (1985) memberikan bukti empiris mengenai efektivitas pendekatan Cohen, et al. (1983).

McInish dan Wood (1986) menggunakan model linnear programming untuk meneliti tingkatan bias beta untuk saham pada pasar modal New York dan efektivitas teknik Scholes dan Williams (1977), Dimson (1979), Fowler, et al. (1980), serta Cohen, et al. (1983) dalam mengkoreksi bias tersebut. Hasil penelitiannya menyatakan justru metode Dimson (1979) yang superior dibanding dua metode koreksi bias lainnya.

Hasil Penelitian di Negara Berkembang

Penelitian mengenai koreksi beta telah dilakukan oleh Arif dan Johnson (1990), Jogiyanto (1998b), serta Jogiyanto dan Surianto (2000).

Arif dan Johson (1990) menggunakan data bulanan pasar modal Singapura untuk menghitung nilai beta pasar dengan periode penelitian Januari 1975-Maret1988. Metode yang digunakan adalah OLS yang belum disesuaikan, Scholes dan William, Dimson, serta Fowler et al. Koreksi dengan

menggunakan 1 lag dan lead mengurangi bias pada ketiga model, sementara penggunaan 2 lag dan 2 periode memberikan hasil bahwa metode Dimson adalah yang terbaik (1,083 terdekat dengan angka 1), selanjutnya untuk penggunaan 3 lag dan lead metode Scholes dan William adalah yang terbaik (1,071). Jogiyanto (1998b) menyatakan jumlah rata-rata perdagangan saham emiten yang tidak aktif adalah 40,45% adalah salah satu fakta penyebab aktivitas perdagangan yang tidak sinkron yang pada akhirnya menyebabkan nilai beta menjadi bias. Jogiyanto dan Surianto (2000) meneliti koreksi bias pada beta pasar di BEJ periode Mei 1995-Mei 1997. Periode koreksi nilai beta adalah 5 lag dan 5 lead. Untuk distribusi data yang tidak normal dan yang telah dinormalkan, metode Fowler, et al. adalah yang terbaik dalam menghasilkan koreksi bias beta.

Berdasarkan review literatur dan penelitian sebelumnya, maka dapat dinyatakan bahwa nilai beta pada saham yang terdaftar di Bursa Efek Indonesia (emerging market dengan aktivitas perdagangan saham yang rendah) adalah bias. Maka hipotesis penelitian ini adalah:

Ho : Nilai beta dalam Bursa Efek Indonesia adalah nilai yang tidak bias. Ha : Nilai beta dalam Bursa Efek Indonesia adalah nilai yang bias

METODE PENELITIAN Sampel dan Data

Data penelitian adalah emiten yang terdaftar pada Bursa Efek Indonesia periode 2007. Emiten dalam sampel penelitian dipilih dengan mengaplikasikan metode purposive sampling. Kriteria sampel yang harus dipenuhi oleh emiten mengacu pada kriteria berikut:

1. Menyampaikan laporan keuangan Desember 2007 tepat waktu, yakni paling lambat 31 Maret 2008;

2. Emiten sudah tercatat di bursa sebelum tahun 2007;

3. Tidak mendapat penilaian disclaimer atau adverse dari akuntan publik; 4. Rugi yang diderita emiten tidak lebih dari 50% modal disetor;

5. Memiliki ekuitas tidak kurang dari Rp 30 miliar;

6. Tidak menderita rugi selama tiga tahun berturut-turut ;

7. Laporan keuangan emiten harus menggunakan tahun buku Desember; 8. Emiten harus memiliki ekuitas positif selama dua tahun terakhir; 9. Aktivitas perdagangan pasif tidak lebih dari sepuluh minggu 10. Jumlah pemegang saham lebih dari 30 pihak

Terdapat 87 sampel yang memenuhi kriteria ini. Data return emiten dan

return pasar diperoleh dari www.yahoo-finance.com, www.reuters.com.

Penelitian ini menggunakan data harian karena meningkatkan kekuatan statistikal melalui tambahan degree of freedom. Penelitian ini bukan merupakan

estimasi yang sama pada seluruh emiten dan tidak dikaitkan dengan suatu peristiwa tertentu (corporate action) yang dilakukan oleh emiten.

Model Empiris

Nilai beta dalam penelitian ini diestimasi dengan menggunakan model market. Nilai beta dihitung dalam periode 2 Januari-28 Desember 2007.

Rit = αi + βiRmt + εit

i = emiten i

t = hari ke-t sesuai dengan periode estimasi Rit = return saham emiten i hari ke-t

αi = intersep regresi untuk tiap emiten i βi = beta emiten i

Rmt = return market hari ke-t

Εit = residual regresi emiten i hari ke-t

Tingkat Keuntungan Pasar

Rm1 = (IHSGt – IHSGt-i) / IHSGt-i

Rm = Return dari pasar

IHSGt = Indeks Harga Saham Gabungan periode t IHSGt-1 = Indeks Harga Saham Gabungan periode t -1

Nilai beta pasar adalah rata-rata tertimbang pada nilai beta saham dalam pasar. Kalau nilai tersebut tidak bias maka nilai beta pasar akan sama dengan satu. Sebaliknya, dalam lingkungan perdagangan yang tidak sinkron dimana nilai beta individu adalah bias, nilai beta pasar tidak akan sama dengan satu. Oleh sebab itu ukuran bias pada nilai beta dapat dilakukan dengan menentukan apakah nilai beta pasar sama dengan satu atau tidak. Nilai beta pasar adalah rata-rata tertimbang nilai beta seluruh saham. Kalau nilai beta pasar tidak sama dengan satu, maka perlu dilakukan penyesuaian terhadapnya. Koreksi penyesuaian dapat dilakukan dengan

beberapa metode: Scholes dan Williams, 1997; Dimson, 1979; serta Fowler dan Rorke, 1983.

Metode Scholes dan Williams

Rit = αi + βi–nRmt-n + εit Untuk memperoleh βi–n

. .

Rit = αi + βi–2Rmt-2 + εit Untuk memperoleh βi–2

Rit = αi + βi–1Rmt-1 + εit Untuk memperoleh βi–1

Rit = αi + βi–0Rmt-0 + εit Untuk memperoleh βi–0

Rit = αi + βi+1Rmt+1 + εit Untuk memperoleh βi+1

Rit = αi + βi+2Rmt+2 + εit Untuk memperoleh βi+2

. .

Rit = αi + βi+nRmt+n + εit Untuk memperoleh βi+n

Rit = αi + ρ1Rmt-1 + εit Untuk memperoleh ρ1

Rit = αi + ρ2Rmt-2 + εit Untuk memperoleh ρ2

. .

Rit = αi + ρnRmt-n + εit Untuk memperoleh ρn

Nilai beta koreksi untuk tiap saham berdasarkan model koreksi Scholes dan Williams yang mengikutsertakan n lag dan lead, dapat diformulasikan sebagai berikut:

βi = βi-n + … + β i0 + … + β i+n . 1 + 2ρ1 + 2ρ2 + ... + 2ρn Metode Dimson

Metode lain untuk mengkoreksi bias adalah metode Dimson. Metode ini merupakan simplifikasi metode Scholes dan Williams dengan hanya menggunakan satu persamaan multiregresi sehingga hanya digunakan sebuah pengoperasian regresi saja berapapun banyaknya periode lag dan lead. Berikut adalah rumus koreksi beta untuk saham i:

Nilai beta koreksi adalah jumlah koefisien multiregresi, sehingga metode Dimson ini juga dikenal dengan istilah metode penjumlahan koefisien (aggregate coefficient method). Besarnya beta koreksi adalah sebagai berikut:

βi = βi-n + … + βi0 + … + βi+n Metode Fowler-Rorke

Fowler dan Rorke (1983) berargumentasi bahwa metode Dimson hanya menjumlah koefisien regresi berganda tanpa memberi bobot akan tetap memberikan beta yang bias. Oleh karena itu Fowler dan Rorke mengalikan seluruh koefisien regresi yang dihasilkan dari metode Dimson dengan faktor pembobotan sebelum menambahkan koefisien regresi. Faktor pembobotan untuk mengalikan periode koefisien regresi ke-n dihitung sebagai berikut:

ω1 = 1 + 2r1 + 2r2 + ... + 2rn-1 + rn 1 + 2r1 + 2r2 + Ö + 2rn ω2 = 1 + 2r1 + 2r2 + Ö + rn-1 + rn 1 + 2r1 + 2r2 + Ö + 2rn . ωn = 1 + 2r1 + 2r2 + Ö + rn-1 + rn 1 + 2r1 + 2r2 + Ö + 2rn

Nilai r1, r2, Ö, rn dihasilkan dari persamaan regresi berikut:

Rmt = αi + ρ1Rmt-1 + ρ2Rmt-2 + ... + ρnRmt-n +εit

Dan nilai beta koreksi untuk emiten i adalah sebagai berikut:

HASIL EMPIRIS

Tabel. 2 Nilai Beta Belum Dikoreksi Emiten

No. Emiten β No. Emiten β No. Emiten Β No. Emiten β

1 AALI 0.0839 23 TLKM 1.0100 45 BCIC 1.0271 67 MIRA 0.6943

2 ADMG -0.1685 24 UNSP 1.1691 46 BNLI 0.4511 68 MLPL 1.1582

3 ANTM -0.2753 25 UNTR 0.9640 47 BTEL 0.8992 69 MRAT 0.7552

4 ASII -0.0117 26 BDMN 1.2298 48 BVIC 1.0725 70 MTDL 1.5631

5 ASGR 0.1973 27 CTRA 1.2359 49 CFIN 0.6850 71 MYOR 0.4814

6 BBCA 0.1030 28 INDF 1.1072 50 DAVO 0.9951 72 NISP -0.7465

7 BLTA 1.1739 29 INKP 0.9295 51 EPMT 0.3752 73 PBRX 1.3851

8 BHIT 0.9631 30 ISAT 0.9103 52 EXCL 0.9588 74 PJAA 0.5384

9 BMTR 0.7472 31 KIJA 1.4462 53 FREN 0.7712 75 PNIN 0.7334

10 BNBR 1.3215 32 LSIP 0.6186 54 GGRM 0.4126 76 PYFA 1.1135

11 BNII 1.0763 33 SMCB 1.0987 55 GJTL 0.8875 77 PANS 0.2007

12 BRPT 1.2530 34 TSPC 0.8980 56 HMSP 0.2272 78 PTRO 0.5572

13 BUMI 1.3805 35 BNGA 1.2272 57 IGAR 0.5768 79 PUDP 0.8089

14 CMNP 1.0025 36 BMRI 1.4009 58 IIKP 0.9943 80 SIIP 0.4470

15 ELTY 1.6328 37 BBRI 1.0331 59 INCO 1.3092 81 RALS 0.6276

16 KLBF 0.6691 38 PGAS 1.0039 60 INTA 0.9165 82 RMBA 0.7418

17 MEDC 1.3076 39 ENRG 1.0853 61 JPRS 0.9840 83 SMAR 0.3263

18 PNBN 1.2515 40 CPRO 1.3827 62 KAEF 1.1137 84 SMRA 0.7117

19 PTBA 1.5034 41 TOTL 0.9472 63 LPBN 0.4444 85 TRIM 0.9240

20 SULI 1.1880 42 ADHI 1.1746 64 LPKR 0.1670 86 TRST 0.9399

21 TINS 1.7112 43 ALMI 0.1779 65 LPLI 1.0109 87 UNVR 0.9138

22 TKIM 0.8975 44 APEX 0.4734 66 META 1.2714

Beta pasar merupakan rata-rata tertimbang dari beta saham. Beta pasar yang belum dikoreksi yang dihitung dari rata-rata 94 emiten adalah sebesar 0,85. Nilai beta ini secara statistik signifikan (dengan tingkat signifikansi kurang dari 1%, yaitu Z-hitung = -3,1 dengan p= 0,0001) yang berbeda dengan nilai 1. Hasil ini menunjukkan bahwa beta sekuritas yang terdaftar di BEI merupakan beta yang bias.

Beta tiap saham kemudian dikoreksi dengan metode Scholes-Williams, Dimson, dan Fowler-Rorke. Nilai beta pasar setelah dikoreksi dengan metode tersebut dapat dilihat pada tabel 3. Hasil koreksi menunjukkan bahwa

metode yang paling tepat digunakan adalah metode Scholes-Williams dengan menggunakan 2 lag dan 3 lead koreksi.

Tabel 3. Nilai Koreksi Beta

Dengan Distribusi Return Tidak Normal

Periode Koreksi SW β DIM β FR β 2lag1lead 0.8668 0.8933 0.8644 2lag2lead 0.8173 0.8616 0.8516 2lag3lead 1.0191 0.9058 0.8649 2lag4lead 0.8488 0.8090 0.8113 2lag5lead 0.4101 0.5863 0.7394 3lag1lead 1.0791 1.0613 0.9149 3lag2lead 1.0296 1.0296 0.9022 3lag3lead 1.2314 1.0739 0.9155 3lag4lead 1.0611 0.9770 0.8618 3lag5lead 0.6224 0.7544 0.7900 4lag1lead 0.9278 1.0068 0.8847 4lag2lead 0.8782 0.9751 0.8720 4lag3lead 1.0801 1.0194 0.8853 4lag4lead 0.9097 0.9225 0.8317 4lag5lead 0.4711 0.6999 0.7598

Karena data di BEI juga diduga memiliki distribusi yang tidak normal, penelitian ini akan menguji distribusi return yang digunakan untuk menghitung beta saham. Pengujian normalitas dilakukan berdasarkan nilai skewness sebagai berikut: Z = Skewness / (√6/ΣN).

Hasil pengujian menunjukkan nilai skewness sebesar 1,484 dengan Z-hitung sebesar 5,652 yang menunjukkan bahwa data tersebut memiliki distribusi yang tidak normal.

Foster (1986) menyarankan beberapa cara untuk menjadikan distribusi data menjadi normal, yaitu dengan cara transformasi data, trimming, dan

winsorizing. Dalam penelitian ini hanya akan dilakukan transformasi data dan

trimming. Cara transformasi dilakukan dengan transformasi data return

menjadi nilai log return. Trimming dilakukan dengan membuang sampel yang

nilainya dianggap sebagai outlier. Penelitian ini menggunakan batasan 2 deviasi standar dari rata-rata untuk menentukan outlier. Dengan metode trimming, sejumlah

Tabel 4 menunjukkan bahwa metode trimming berhasil mengatasi masalah data

return yang tidak berdistribusi normal.

Tabel 4. Hasil Uji Normalitas Data Return

Metode N Skewness _HitungZ- Distribusi _Data

Data Awal 87 1.484 5.6519 Tidak Normal Transformasi 87 1.672 6.3662 Tidak Normal

Trimming 79 0.401 1.4543 Normal

Tahap selanjutnya adalah mengkoreksi kembali nilai beta dengan metode koreksi yang digunakan untuk data yang distribusinya sudah dinormalkan. Tabel 5 menyajikan hasil perhitungan beta pasar yang telah dikoreksi dengan metode Scholes-Williams, Dimson, dan Fowler-Rorke untuk data return yang sudah berdistribusi normal dengan cara transformasi dan trimming.

Tabel 5. Nilai Koreksi Beta Untuk Data Return Berdistribusi Normal Periode

Koreksi

Transformasi Data Trimming

SW β DIM β FR β SW β DIM β FR β 3lag1lead 0.4752 0.4825 0.2395 1.0684 1.0569 0.9089 3lag2lead 0.4265 0.4736 0.2356 1.0189 1.0233 0.8954 3lag3lead 0.6315 0.4545 0.2293 1.2207 1.0632 0.9074 3lag4lead 0.4611 0.4709 0.2388 1.0504 0.9724 0.8571 3lag5lead 0.0200 0.4133 0.2188 0.6118 0.7511 0.7857

Beta pasar koreksi yang paling mendekati nilai 1 terjadi pada periode 3 lag dan 1 lead dengan menggunakan metode Fowler-Rorke yaitu sebesar 0,9089. Hasil ini menunjukkan bahwa metode Fowler dan Rorke merupakan metode yang paling memadai mengurangi bias pada beta saham untuk data return yang berdistribusi normal. Akan tetapi untuk data yang berdistribusi normal, periode koreksi yang dibutuhkan justru lebih panjang dibanding data yang tidak berdistribusi normal (2

lag dan 3 lead koreksi). Dalam hal ini hasil empiris tidak setuju dengan pernyataan

Jogiyanto dan Surianto (2000) yang menyatakan bahwa data return yang berdistribusi tidak normal memperbesar bias beta saham.

KESIMPULAN

BEI merupakan pasar modal yang sedang berkembang yang perdagangannya masih tipis. Akibat dari perdagangan yang tipis ini adalah terjadinya perdagangan yang tidak sinkron. Efek selanjutnya adalah beta saham yang terdaftar di BEI adalah bias. Hasil empiris menolak hipotesis nol yang menyatakan beta sekuritas BEI tidak bias. Hasil ini konsisten dengan penelitian yang dilakukan Arif dan Johnson (1990) untuk pasar modal Singapura, Jogiyanto dan Surianto (2000) untuk BEJ periode Maret 1995-Maret 1997).

Beta saham yang bias perlu dikoreksi. Penelitian ini menggunakan 3 metode koreksi, yaitu Scholes-Williams, Dimson, dan Fowler-Rorke. Hasil koreksi menunjukkan bahwa metode yang paling tepat digunakan untuk data return berdistribusi tidak normal adalah metode Scholes-Williams dengan periode koreksi 2

lag dan 3 lead koreksi, sedang untuk data return berdistribusi normal, metode

Fowler-Rorke adalah metode yang memadai dalam mengurangi bias pada beta saham dengan periode koreksi 3 lag dan 1 lead.

Keterbatasan dan Saran

Jumlah sampel yang kecil adalah salah satu keterbatasan penelitian ini (kurang dari 50% dari total emiten yang listing di BEJ). Selain itu periode penelitian hanya satu tahun (2007) dimana formasi periode koreksi juga hanya 1 macam (data harian), yakni. Berdasarkan hal tersebut pada penelitian selanjutnya mungkin dapat memodifikasi kriteria sampel sehingga bisa diperoleh jumlah sampel yang lebih memadai (50%-85% dari seluruh emiten yang listing). Penelitian selanjutnya juga dapat menambah metode koreksi bias, misalnya dengan metode Vasicek, Merrill

Lynch Adjusted Beta, fundamental beta, cash-flow beta, Rosenberg dan Guy Beta, atau

REFERENSI

Ariff, M dan L.W. Johnson. 1990. Securities Markets and Stock Pricing : Evidence From a Developing Capital Market in Asia. Singapore: Longman Singapore Publisher Ltd.

Altman E., B. Jacquillat and M. Levasseur. 1974. Comparative analysis of risk measures: France and the United States. Journal of Finance 29(5), 1495-1511.

Baesel, J. 1974. On the assessment of risk: Some further considerations. Journal

of Finance, 29(5), 1491-1494.

Berglund, T., E. Liljeblom dan A. Loflund. 1989. Estimating betas on daily data for a small stock market. Journal of Banking and Finance 13, 41-64.

Blume, M.E. 1971. On the assessment of risk. Journal of Finance 26, 1-10.

Blume, M.E. 1975. Betas and their regression tendencies. Journal of Finance 30, 785-799.

Chen, S. 1981. Beta nonstationarity, portfolio residual risk and diversification.

Journal of Financial and Quantitative Analysis 16, 95-111.

Cohen, K.J., G.A. Hawawini, S.F. Maier, R.A. Schwartz dan D.K. Whitcomb. 1983. Estimating and adjusting for the intervalling-effect bias in beta. Management Science 29, 135-148.

Cohen, K.J., G.A. Hawawini, S.F. Maier, R.A. Schwartz, dan D.K. Whitcomb. 1980. Implications of microstructure theory for empirical research on stock price behaviour. Journal of Finance 2, 249-257.

Dimson, E. 1979. Risk measurement when shares are subject to infrequent trading. Journal of Financial Economics 10, 197-226.

Fielitz, B. 1974. Indirect versus direct diversification. Financial Management, 3, 54-62.

Fisher, L. Some new stock market indexes. Journal of Business 39, 191-225. Fowler, D.J. dan C.H. Rorke. 1983. Risk measurement when shares are subject

to infrequent trading: Comment. Journal of Financial Economics 12, 279-283.

Fowler, D.J., C.H. Rorke, dan V.M. Jog. 1980. Thin trading and beta estimation techniques on the Toronto Stock Exchange. Journal of Business

Administration 12, 77-90.

Fowler, D.J., C.H. Rorke, dan V.M. Jog. 1981. A note on beta stability and thin trading on the Toronto Stock Exchange. Journal of Business Finance

Fowler, D.J., C.H. Rorke, dan V.M. Jog. 1989. A bias-correcting procedure for beta correction in the presence of thin trading. Journal of Financial

Research 12, 23-32.

Fung, W.H.K., R.A. Schwartz, dan D.K. Whitcomb. 1985. Adjusting the intervalling effect bias in beta. Journal of Banking and Finance 9, 443-460.

Jogiyanto. 1998a. Isu-isu Metodologi Penelitian Akuntansi Bidang Pasar Modal. Paper Pada Semiloka Sehari :Arah dan Topik Penelitian Akuntansi Keuangan dan Pasar Modal. Juli, 1-21.

Jogiyanto. 1998b. Teori Portfolio dan Analisis Investasi. Yogyakarta: BPFE Jogiyanto, dan Surianto. 2000. Bias in Beta Values and Its Correction. Gadjah

Madda International Journal of Business, September, Bol.2, No.3; 337-349.

Kolb, R. W. dan R. Rodriguez. 1989. The regression tendencies of betas: A reappraisal. The Financial Review, 24, 319-334.

Levy, R.A. 1971. On the short term stationarity of beta coefficients. Financial

Analysts Journal 27, 55-72.

McInish, T.H., dan R.A. Wood. 1986. Adjusting for beta bias: An assessment of alternative techniques: A note. Journal of Finance 41, 277-286. Murray, L. 1995. An examination of beta estimation using daily Irish data.

Journal of Business Finance and Accounting 22(6), 893-906.

Porter, R. B. and J. R. Ezzell. 1975. A note on the predictive ability of beta coefficients. Journal of Business Research, 3, 365-372.

Roenfeldt, R., G. L. Griepentrog dan C. C. Pflamm. 1978. Further evidence on the stationarity of beta co-efficients. Journal of Financial and

Quantitative Analysis 13, 117-121.

Scholes, M., dan J. Williams. 1977. Estimating betas from non-synchronous data. Journal of Financial Economics 5, 309-327.

Tole, T. M. 1981. How to maximise stationarity of beta. Journal of Portfolio

Management, 7, 45-49.

Vasicek, O. 1973. A note on using cross-sectional information in Bayesian estimation of security betas. Journal of Finance 28, 1233-1239.

Lampiran 1. Koefisien βt-5, βt0, βt+5 Emiten βt-5 βt-4 βt-3 βt-2 βt-1 β0 βt+1 βt+2 βt+3 βt+4 βt+5 AALI -0.1949 -0.0227 -0.0043 0.1753 1.1861 0.0839 -0.0341 0.1074 -0.0369 -0.2509 0.2099 ADMG -0.1317 0.0449 0.1784 -0.0922 0.8489 -0.1685 0.0487 0.0135 -0.1948 -0.1919 -0.0271 ANTM 0.0089 -0.0583 -0.1912 -0.0477 1.7224 -0.2753 -0.0095 0.0055 0.0413 -0.6067 -0.1744 ASII -0.2780 0.1691 -0.0318 0.0886 1.1651 -0.0117 0.0406 0.0382 -0.0773 -0.2782 0.0882 ASGR 0.2510 -0.2735 0.6172 -0.1561 1.2194 0.1973 -0.0192 0.0169 -0.2188 -0.0872 -0.2972 BBCA -0.1659 0.1240 0.0341 0.0049 0.9781 0.1030 -0.0701 0.0474 -0.0535 -0.2532 -0.0374 BLTA -0.1156 -0.1773 0.2722 0.1108 -0.0036 1.1739 -0.0170 -0.2293 -0.0339 0.1010 -0.3663 BHIT -0.1731 -0.2896 0.4355 0.1373 -0.0801 0.9631 -0.0113 -0.2884 0.0886 0.0909 -0.3684 BMTR -0.3301 -0.2059 0.1991 -0.3333 -0.0076 0.7472 0.0974 -0.1727 0.2484 0.1398 -0.1071 BNBR -0.1240 -0.1419 0.3588 0.1203 -0.0109 1.3215 -0.0025 -0.1834 -0.0206 -0.0596 -0.3869 BNII -0.1611 -0.0724 0.2041 0.1055 0.0063 1.0763 -0.0575 0.0481 -0.0345 -0.0903 -0.3201 BRPT -0.3672 0.4182 0.4989 0.3841 0.0164 1.2530 -0.3572 -0.2533 0.0020 -0.1487 -0.5057 BUMI -0.3411 0.0075 0.1308 -0.0024 -0.1276 1.3805 0.0636 0.0639 0.1108 -0.2256 -0.5057 CMNP -0.2523 -0.1802 0.3010 0.0644 0.0778 1.0025 -0.0713 -0.0391 0.3103 -0.0536 -0.3899 ELTY -0.0626 -0.2577 0.1755 0.0753 -0.0872 1.6328 -0.1172 -0.0399 -0.0437 -0.2260 -0.5612 KLBF -0.2309 -0.0892 0.1700 -0.0868 0.1231 0.6691 0.0008 -0.0925 0.0477 -0.0727 -0.2063 MEDC -0.4988 -0.1761 0.2189 -0.0954 0.0596 1.3076 -0.1403 -0.1331 -0.0175 -0.0443 -0.4125 PNBN -0.3753 0.0472 0.0769 -0.0206 0.0196 1.2515 0.0381 -0.0656 -0.0721 -0.1246 -0.2875 PTBA -0.2657 -0.0780 0.3483 0.1519 -0.0650 1.5034 -0.1276 -0.2302 0.1525 -0.0535 -0.3562 SULI -0.0633 -0.1339 0.4259 0.1091 0.1672 1.1880 -0.0492 0.1155 0.1981 -0.3631 -0.3551 TINS -0.2531 -0.0252 0.2053 -0.0404 -0.0224 1.7112 -0.2485 -0.0204 0.1007 -0.4029 -0.3675 TKIM -0.1483 0.0327 0.2750 0.1360 -0.0792 0.8975 -0.1655 -0.1055 0.1281 -0.2033 -0.1785 TLKM -0.1992 -0.0050 0.0310 -0.0721 -0.1277 1.0100 -0.0564 -0.0736 0.2607 -0.0900 -0.0757 UNSP -0.3408 -0.1981 0.0413 0.1357 -0.0071 1.1691 -0.1557 -0.0760 0.0967 -0.2300 -0.2039 UNTR -0.2065 -0.2233 0.0073 0.0392 0.0581 0.9640 0.2129 0.0266 0.0545 -0.1397 -0.2896 BDMN -0.3224 -0.1799 -0.0223 -0.1677 -0.0621 1.2298 0.1279 0.0430 0.1940 -0.2069 -0.1891 CTRA -0.0593 -0.2088 -0.1244 -0.0250 0.2112 1.2359 0.1308 -0.0231 0.0474 -0.1823 -0.3282 INDF -0.3854 -0.0898 0.0483 -0.0551 -0.0311 1.1072 -0.0900 -0.0012 0.0593 -0.1428 -0.1586 INKP -0.1762 0.0393 0.0780 0.0542 -0.0695 0.9295 -0.0632 -0.0415 -0.0201 -0.2332 -0.1311 ISAT -0.1434 -0.0554 0.0168 -0.0339 -0.1342 0.9103 0.0561 0.0007 0.0990 -0.0045 -0.1755 KIJA -0.3048 -0.1100 0.2438 0.0834 -0.1590 1.4462 -0.0156 0.0563 0.1432 -0.0166 -0.5805 LSIP -0.1013 -0.0507 0.0379 -0.0120 0.1201 0.6186 -0.0840 -0.0578 0.1116 0.0651 -0.0313 SMCB -0.2939 0.0795 0.1000 -0.0707 0.0488 1.0987 -0.0227 -0.1714 -0.1343 -0.1144 -0.4797 TSPC -0.2351 -0.0174 0.0949 -0.0213 0.1167 0.8980 -0.0350 -0.0806 0.0576 -0.1789 -0.2945 BNGA -0.1928 -0.1174 0.0817 0.0201 -0.1007 1.2272 0.1322 0.0254 0.0293 -0.2523 -0.2852 BMRI -0.2804 -0.1729 0.1439 0.0215 -0.0964 1.4009 0.0996 0.0340 0.1967 -0.0738 -0.2827 BBRI -0.1313 -0.1717 0.2229 -0.1590 0.1352 1.0331 0.1444 0.0407 0.0257 -0.0367 -0.1739 PGAS -0.2036 -0.1308 0.0897 0.1312 -0.0182 1.0039 -0.1522 -0.2155 0.0168 -0.0561 -0.2690 ENRG -0.0576 -0.0131 0.2470 -0.0597 -0.1913 1.0853 0.0067 -0.1474 -0.2210 -0.0043 -0.4642 CPRO -0.1782 -0.1015 0.0201 0.5063 -0.2593 1.3827 -0.2459 -0.0247 0.1367 0.0670 -0.0015 TOTL -0.0008 -0.1524 0.1705 0.1443 -0.0008 0.9472 0.0167 -0.0292 -0.1549 -0.0333 -0.2430 ADHI 0.0188 -0.1775 0.1011 0.0820 0.0945 1.1746 0.0551 -0.0936 0.0988 -0.0452 -0.2608 ALMI -0.1252 -0.6750 0.9463 -0.2172 -0.3283 0.1779 0.4683 -0.2884 0.2424 0.1457 -0.3546 APEX -0.3434 0.3129 -0.1121 -0.0981 0.0159 0.4734 0.1299 -0.2304 0.4224 -0.0457 -0.2147 BCIC -0.3428 0.0171 0.2047 0.1653 -0.2253 1.0271 -0.1411 -0.1612 0.2203 -0.3930 -0.1995 BNLI -0.0490 -0.1935 0.1695 -0.0183 0.1111 0.4511 0.0672 -0.0401 0.0221 -0.0411 -0.1060

Lampiran 1. (lanjutan) Emiten βt-5 βt-4 βt-3 βt-2 βt-1 β0 βt+1 βt+2 βt+3 βt+4 βt+5 BTEL -0.1234 0.0087 -0.0406 0.0779 0.0587 0.8992 -0.2058 0.2034 -0.0402 -0.2316 -0.0361 BVIC -0.1112 0.2292 0.3620 0.1594 -0.1427 1.0725 -0.2202 -0.1416 -0.1544 -0.3075 -0.4904 CFIN -0.2863 -0.0205 -0.1486 0.1957 0.0022 0.6850 -0.0085 0.0673 -0.0166 -0.2062 -0.1016 DAVO -0.2510 0.0718 -0.0162 -0.1906 -0.1182 0.9951 -0.1690 -0.0374 -0.0821 -0.1162 -0.0169 EPMT 0.2570 -0.3632 0.0660 0.0141 -0.0579 0.3752 0.1275 0.0052 -0.1560 0.0242 -0.1392 EXCL -0.1209 -0.0666 0.1596 -0.2685 -0.0712 0.9588 -0.1480 -0.0871 -0.0038 -0.1739 -0.2417 FREN -0.0905 -0.0658 0.1453 0.0663 -0.0842 0.7712 -0.0048 -0.1441 0.1977 -0.1416 -0.1378 GGRM -0.0948 -0.0219 0.0659 0.0049 0.1525 0.4126 0.0200 -0.0260 0.0382 0.0803 -0.1557 GJTL -0.2378 -0.0349 0.1322 0.1304 0.1252 0.8875 -0.0307 -0.0339 -0.0775 -0.1170 -0.1445 HMSP 0.0232 -0.0812 0.0645 -0.0304 0.0059 0.2272 -0.1289 0.0369 0.0230 -0.0481 -0.0103 IGAR -0.0803 -0.1322 0.0730 0.0798 -0.1868 0.5768 0.0916 -0.1555 -0.0046 0.0256 0.0035 IIKP -0.2529 0.3581 0.3362 0.3334 0.3850 0.9943 -0.0034 -0.0418 0.1554 0.0866 -0.3162 INCO -0.3343 -0.1259 0.0619 -0.1801 0.3774 1.3092 -0.0061 0.0430 0.1851 -0.2058 -0.2583 INTA -0.5061 0.1842 0.0055 -0.2215 -0.0285 0.9165 0.0803 -0.3047 0.5016 0.1934 -0.3293 JPRS -0.2769 -0.0616 0.3466 -0.0983 -0.2203 0.9840 0.0735 0.0270 0.5165 0.1147 -0.5124 KAEF -0.1956 -0.0261 0.0810 0.1002 0.0929 1.1137 -0.3257 -0.0385 -0.1793 -0.1261 -0.1285 LPBN 0.0664 -0.0243 0.2313 0.0876 -0.0059 0.4444 0.0442 0.0414 -0.1840 -0.1235 -0.1527 LPKR 0.0373 0.0722 0.3472 0.1406 0.0094 0.1670 -0.1396 -0.0095 0.0879 0.0469 -0.2188 LPLI -0.1347 0.2920 0.6332 0.0741 -0.0581 1.0109 -0.3095 -0.1449 -0.0672 -0.1846 -0.3504 META -0.3907 -0.0764 0.4866 -0.5418 -0.0675 1.2714 -0.3623 0.0645 0.5302 -0.1543 -0.2242 MIRA 0.6083 0.4023 0.6371 -0.4939 -0.2867 0.6943 -0.1926 0.4517 0.2461 -0.0373 0.0924 MLPL -0.3322 0.2568 0.1762 0.0710 -0.1048 1.1582 -0.0943 -0.1534 0.0198 -0.2225 -0.1919 MRAT -0.2851 -0.2229 0.4501 -0.1666 0.1600 0.7552 0.1497 -0.1339 0.0655 0.0607 -0.4476 MTDL -0.3691 -0.1706 0.0292 0.6323 0.0206 1.5631 0.0024 -0.2535 0.0676 -0.3172 -0.3746 MYOR -0.0895 0.1211 -0.1102 0.0247 0.0693 0.4814 -0.1657 0.0145 -0.0679 -0.0384 0.0536 NISP 0.3236 -0.8753 0.7796 -0.6737 0.6486 -0.7465 0.0105 1.0170 -0.7202 0.1636 0.5826 PBRX -0.2137 -0.1905 0.2211 0.3512 -0.2961 1.3851 0.1087 -0.2492 0.0078 0.0998 -0.2554 PJAA -0.3800 -0.0558 -0.0015 0.2303 0.3774 0.5384 -0.1553 0.0402 -0.1741 -0.1385 -0.1703 PNIN -0.1033 -0.0809 -0.0151 -0.0217 0.0171 0.7334 0.0255 -0.0328 -0.0067 -0.0579 -0.1493 PYFA -0.1164 -0.0531 0.3534 -0.0445 -0.2752 1.1135 -0.2391 -0.1517 0.0631 -0.1485 -0.2312 PANS -0.2437 0.3325 0.1642 -0.1561 0.3129 0.2007 -0.2944 0.2388 -0.0005 -0.0424 -0.0500 PTRO 0.0018 -0.2004 0.1557 0.3731 -0.0862 0.5572 -0.1193 -0.0039 -0.3311 -0.0122 -0.0351 PUDP -0.4219 0.3434 0.3912 -0.2877 0.2511 0.8089 -0.8392 -0.3008 0.4088 -0.1016 -0.7541 SIIP 0.0320 -0.0386 -0.1854 0.1190 0.1610 0.4470 0.0401 0.0799 -0.0444 -0.0349 -0.1080 RALS -0.1274 -0.0779 0.1206 -0.0852 0.0557 0.6276 0.0946 0.1162 -0.0205 -0.1069 -0.2363 RMBA -0.0127 -0.0464 0.0934 -0.0871 -0.0059 0.7418 -0.1334 -0.0345 0.0691 0.0013 -0.1716 SMAR 0.0023 -0.2220 0.0666 0.1337 -0.0882 0.3263 -0.3196 0.0479 0.0774 0.0366 -0.1301 SMRA -0.2075 -0.2536 0.1043 0.0663 0.0003 0.7117 0.1316 0.0181 -0.0684 -0.0061 -0.3249 TRIM -0.2210 0.2281 0.0345 -0.1216 0.2622 0.9240 -0.2115 0.0664 0.2491 -0.1785 -0.3356 TRST -0.0537 0.0086 -0.0280 -0.0271 -0.0683 0.9399 -0.1010 0.1005 -0.0527 -0.0653 -0.2597 UNVR -0.2198 -0.1267 0.0544 -0.3052 -0.0039 0.9138 0.1835 -0.0330 0.1619 -0.0659 -0.2048

Lampiran 2. Matrik Korelasi Return Market

IHSG IHSGlag1 IHSGlag2 IHSGlag3 IHSGlag4 IHSGlag5 IHSGlead1 IHSGlead2 IHSGlead3 IHSGlead4 IHSGlead5 Pearson Correlation 1 0.003 -0.025 0.101 -0.085 -0.219 0.003 -0.028 0.098 -0.083 -0.216 Sig. (2-tailed) 0.967 0.699 0.114 0.183 0.001 0.966 0.658 0.124 0.192 0.001 Pearson Correlation 0.003 1 0.002 -0.025 0.101 -0.085 -0.028 0.098 -0.084 -0.216 -0.046 Sig. (2-tailed) 0.967 0.969 0.697 0.114 0.183 0.659 0.124 0.192 0.001 0.469 Pearson Correlation -0.025 0.002 1 -0.001 -0.026 0.104 0.099 -0.087 -0.215 -0.049 0.104 Sig. (2-tailed) 0.699 0.969 0.992 0.686 0.104 0.121 0.173 0.001 0.448 0.102 Pearson Correlation 0.101 -0.025 -0.001 1 -0.001 -0.023 -0.085 -0.222 -0.050 0.105 -0.072 Sig. (2-tailed) 0.114 0.697 0.992 0.982 0.715 0.186 0.000 0.438 0.101 0.260 Pearson Correlation -0.085 0.101 -0.026 -0.001 1 -0.002 -0.222 -0.050 0.104 -0.071 0.047 Sig. (2-tailed) 0.183 0.114 0.686 0.982 0.979 0.000 0.434 0.102 0.266 0.467 Pearson Correlation -0.219 -0.085 0.104 -0.023 -0.002 1 -0.052 0.106 -0.070 0.044 0.061 Sig. (2-tailed) 0.001 0.183 0.104 0.715 0.979 0.418 0.098 0.272 0.489 0.343 Pearson Correlation 0.003 -0.028 0.099 -0.085 -0.222 -0.052 1 0.004 -0.028 0.097 -0.080 Sig. (2-tailed) 0.966 0.659 0.121 0.186 0.000 0.418 0.944 0.658 0.128 0.209 Pearson Correlation -0.028 0.098 -0.087 -0.222 -0.050 0.106 0.004 1 0.002 -0.029 0.097 Sig. (2-tailed) 0.658 0.124 0.173 0.000 0.434 0.098 0.944 0.978 0.656 0.131 Pearson Correlation 0.098 -0.084 -0.215 -0.050 0.104 -0.070 -0.028 0.002 1 0.003 -0.030 Sig. (2-tailed) 0.124 0.192 0.001 0.438 0.102 0.272 0.658 0.978 0.965 0.642 Pearson Correlation -0.083 -0.216 -0.049 0.105 -0.071 0.044 0.097 -0.029 0.003 1 0.004 Sig. (2-tailed) 0.192 0.001 0.448 0.101 0.266 0.489 0.128 0.656 0.965 0.956 Pearson Correlation -0.216 -0.046 0.104 -0.072 0.047 0.061 -0.080 0.097 -0.030 0.004 1 Sig. (2-tailed) 0.001 0.469 0.102 0.260 0.467 0.343 0.209 0.131 0.642 0.956 IHSGlead3 IHSGlead4 IHSGlead5 IHSGlag4 IHSGlag5 IHSGlead1 IHSGlead2 IHSG IHSGlag1 IHSGlag2 IHSGlag3