Pendeteksian perilaku herding pada pasar saham Indonesia ... · PADA PASAR SAHAM INDONESIA DAN ASIA PASIFIK. GUNAWAN . DEPARTEMEN STATISTIKA . ... mendasarkan keputusan investasinya

PENDETEKSIAN PERILAKU HERDING PADA PASAR SAHAM

INDONESIA DAN ASIA PASIFIK

GUNAWAN

DEPARTEMEN STATISTIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

INSTITUT PERTANIAN BOGOR

BOGOR

2011

ABSTRAK

GUNAWAN. Pendeteksian Perilaku Herding pada Pasar Saham Asia Pasifik dan Indonesia

(dibimbing oleh HARI WIJAYANTO, NOER AZAM ACHSANI, dan LA ODE ABDUL

RAHMAN).

Perilaku herding merupakan perilaku investor yang tidak rasional, karena investor

mendasarkan keputusan investasinya bukan dengan melihat landasan fundamental ekonomi dari

suatu aset beresiko, namun dengan melihat tindakan investor lain pada keadaan yang sama,

maupun mengikuti konsensus pasar. Indikasi perilaku herding dapat dilihat dari hubungan antara

tingkat penyebaran imbal hasil saham (Cross Sectional Absolute Deviation, CSAD) dengan imbal

hasil portofolio pasar. Jika herding terjadi, maka tingkat penyebaran imbal hasil saham akan

meningkat lebih rendah daripada kenaikan imbal hasil portofolio pasar, bahkan tingkat penyebaran

imbal hasil saham akan menurun walaupun imbal hasil portofolio pasar meningkat. Perilaku

herding dapat memicu kesalahan penetapan harga dari suatu saham karena terjadi bias diantara

investor dalam melihat resiko dan imbal hasil yang diharapkan dari suatu saham. Untuk

mengetahui hubungan antara tingkat penyebaran imbal hasil saham dengan imbal hasil portofolio

pasar pada beberapa kondisi, digunakan regresi kuantil. Hasil yang diperoleh dari penelitian ini

adalah pada pasar saham Indonesia maupun pasar saham global Asia Pasifik, perilaku herding

terjadi pada saat kondisi market stress, sedangkan pada kondisi normal maupun kondisi imbal

hasil saham yang sangat tinggi, perilaku investor cenderung lebih rasional.

Kata Kunci : perilaku herding, CSAD, Regresi Kuantil

PENDETEKSIAN PERILAKU HERDING PADA PASAR SAHAM

INDONESIA DAN ASIA PASIFIK

GUNAWAN

Skripsi

Sebagai salah satu syarat untuk memperoleh gelar

Sarjana Statistika pada

Departemen Statistika

DEPARTEMEN STATISTIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

INSTITUT PERTANIAN BOGOR

2011

Judul Skripsi : Pendeteksian Perilaku Herding pada Pasar Saham Indonesia dan

Asia Pasifik

Nama : Gunawan

NRP : G14070053

Disetujui

Pembimbing 1 Pembimbing 2

Dr. Ir. Hari Wijayanto, MS Noer Azam Achsani, Ph.D

NIP. 196504211990021001 NIP. 196812291992031016

Dosen Pembimbing 3

La Ode Abdul Rahman, S.Si, M.Si

Diketahui

Ketua Departemen Statistika

Fakultas Matematika dan Ilmu Pengetahuan Alam

Institut Pertanian Bogor

Dr. Ir. Hari Wijayanto, MS

NIP. 196504211990021001

Tanggal Lulus :

PRAKATA

Puji dan syukur penulis ucapkan kepada Allah SWT atas segala rahmat dan hidayah-Nya

sehingga tulisan ini dapat diselesaikan. Judul yang dipilih pada skripsi ini adalah “Pendeteksian

Herding pada Pasar Saham Asia Pasifik dan Indonesia”. Tulisan ini merupakan salah satu

syarat untuk memperoleh gelar Sarjana Statistika pada Departemen Statistika, Fakultas

Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor.

Berbagai pihak telah memberikan kontribusi secara langsung maupun tidak langsung bagi

penyelesaian dan penyempurnaan skripsi ini. Penghargaan dan ucapan terima kasih penulis

sampaikan kepada:

1. Allah SWT, Maha Pendipta yang selalu memberikan keberkahanNya

2. Bapak Dr. Ir Hari Wijayanto, MS, Bapak Noer Azam Achsani, Ph.D, dan Bapak La Ode

Abdul Rahman, S.Si, M.Si selaku pembimbing skripsi yang telah dengan sabar serta

ikhlas menuntun penulis menyelesaikan skripsi ini dari segi ide, saran, dan kritik yang

membangun.

3. Kedua orang tua dan seluruh keluarga besar penulis atas doa, pelajaran dan perhatian

yang diberikan kepada penulis.

Semoga tulisan ini bermanfaat bagi semua pihak yang membutuhkan.

Bogor, Agustus 2011

Penulis

RIWAYAT HIDUP

Penulis dilahirkan pada tanggal 14 Januari 1989 di Cirebon. Penulis adalah anak ketiga dari

tiga bersaudara dari pasangan Nono Mulyono dan Ery Nur’ainy. Jenjang pendidikan penulis dilalui

tanpa hambatan. Penulis menamatkan sekolah dasar di SDN Kampung Melati pada tahun 2001,

kemudian melanjutkan ke SLTPN 7 Cirebon dan lulus pada tahun 2004. Pada tahun yang sama

penulis diterima di SMAN 1 Kota Cirebon dan lulus pada tahun 2007. Pada tahun 2007 penulis

masuk IPB melalui jalur Undangan Seleksi Masuk IPB (USMI) dan diterima sebagai mahasiswa

Program Studi Statistika pada Fakultas Matematika dan Ilmu Pengetahuan Alam.

Selama menjadi mahasiswa, penulis aktif dalam Organisasi Mahasiswa Daerah (OMDA) IKC

(Ikatan Kekeluargaan Cirebon) sebagai anggota. Selain itu, penulis juga aktif dalam organisasi

Himpunan Profesi Gamma Sigma Beta sebagai staf divisi Science. Penulis mendapatkan beberapa

penghargaan prestasi akademik, di antaranya adalah Finalis Presentasi Program Kreativitas

Mahasiswa Bidang Pengabdian Masyarakat Pekan Ilmiah Mahasiswa Tingkat Nasional (PIMNAS)

XXIII di Universitas Mahasaraswati Denpasar Bali tahun 2010. Selain itu penulis juga aktif

sebagai asisten dosen untuk mata kuliah Metode Statistika, Perancangan Percobaan dan Analisis

Regresi I. Penulis melaksanakan Praktik Lapang di Pusat Data dan Sistem Informasi Pertanian

(PUSDATIN), Kementerian Pertanian.

DAFTAR ISI

Halaman

DAFTAR ISI ....................................................................................................................... vi

DAFTAR TABEL ............................................................................................................... vii

DAFTAR GAMBAR ........................................................................................................... vii

DAFTAR LAMPIRAN ....................................................................................................... vii

PENDAHULUAN................................................................................................................ 1

Latar Belakang ............................................................................................................ 1

Tujuan .......................................................................................................................... 1

TINJAUAN PUSTAKA ...................................................................................................... 1

Herding ....................................................................................................................... 1

Capital Asset Pricing Model (CAPM) ........................................................................ 1

Cross Sectional Absolute Deviation(CSAD) ................................................................ 2

Kalman Filter dan Kalman Smoother .......................................................................... 2

Regresi Kuantil ........................................................................................................... 3

METODODOLOGI ............................................................................................................ 4

Sumber Data ............................................................................................................... 4

Metode Analisis .......................................................................................................... 4

HASIL DAN PEMBAHASAN ........................................................................................... 5

Model Pasar Saham Indonesia ..................................................................................... 5

Model Pasar Saham Asia Pasifik ................................................................................ 7

KESIMPULAN DAN SARAN ............................................................................................ 8

Kesimpulan ................................................................................................................. 8

Saran ........................................................................................................................... 8

DAFTAR PUSTAKA ......................................................................................................... 8

LAMPIRAN ........................................................................................................................ 10

DAFTAR TABEL

Halaman

1 Hasil Dugaan Parameter Regresi Kuantil Model LQ45 ................................................ 6

2 Hasil Dugaan Parameter Regresi Kuantil Model Indeks Sektoral ................................ 6

3 Hasil Dugaan Parameter Regresi Kuantil Model Asia Pasifik ...................................... 8

DAFTAR GAMBAR

1 Grafik IHSG Tahun 2005-2010 .................................................................................... 5

2 Grafik Indeks Dow Jones Asia Pasifik Tahun 2005-2010 ............................................ 7

DAFTAR LAMPIRAN

Halaman

1 Daftar Saham LQ45 ...................................................................................................... 11

2 Deskriptif Imbal Hasil Saham LQ45 ............................................................................. 11

3 Deskriptif Imbal Hasil Indeks Sektoral ........................................................................ 11

4 Deskriptif Imbal Hasil Indeks Saham Negara-negara Asia Pasifik ............................... 12

5 Grafik Beta Saham LQ45 .............................................................................................. 12

6 Grafik Beta Indeks Saham Sektoral Indonesia .............................................................. 15

7 Grafik Beta Indeks Saham Negara-Negara Asia Pasifik ............................................... 16

8 Grafik Dugaan Parameter dan Selang Kepercayaan 95% untuk Model LQ45 ............. 19

9 Dugaan Parameter untuk Model LQ45 ........................................................................ 20

10 Grafik Dugaan Parameter dan Selang Kepercayaan 95% untuk Model Indeks Sektoral 21

11 Dugaan Parameter untuk Model Indeks Sektoral ......................................................... 22

12 Grafik Dugaan Parameter dan Selang Kepercayaan 95% untuk Model Asia Pasifik ... 23

13 Dugaan Parameter untuk Model Asia Pasifik .............................................................. 24

1

PENDAHULUAN

Latar Belakang

Dasar dari teori keuangan klasik adalah

pelaku pasar memiliki perilaku yang rasional.

Investor yang rasional akan memaksimalkan

utilitasnya (imbal hasil dan resiko)

berdasarkan informasi yang tersedia di pasar.

Jika investor bertindak rasional maka pada

saat harga saham menurun, saham tersebut

akan dibeli. Demikian pula sebaliknya, jika

harga suatu saham meningkat, maka saham

tersebut akan dijual. Namun pada saat adanya

krisis, para investor cenderung untuk

berperilaku secara tidak rasional. Salah satu

perilaku tidak rasional diantara para investor

adalah perilaku herding. Perilaku herding

merupakan kecenderungan perilaku investor

untuk mengikuti konsensus pasar dan

mengikuti perilaku investor lainnya tanpa

melakukan analisis fundamental ekonominya.

Sehingga yang terjadi adalah ketika harga

saham turun, maka saham tersebut akan dijual

karena melihat investor lainnya menjual

saham yang mereka miliki.

Menurut Chang et.al (2000), jika perilaku

herding terjadi, maka tingkat penyebaran dari

imbal hasil saham akan meningkat lebih

rendah daripada kenaikan imbal hasil

portofolio pasar atau tingkat penyebaran imbal

hasil saham akan menurun walaupun imbal

hasil portofolio pasar meningkat. Ketika

perilaku herding terjadi, harga saham di pasar

saham tidak mencerminkan keadaan

ekonominya, sehingga dapat terjadi kesalahan

penetapan harga dari suatu saham karena

terjadi bias dalam melihat resiko dan imbal

hasil yang diharapkan (Hwang dan Salmon

2004). Sejak perilaku rasional pengambilan

keputusan investasi terganggu, maka hal ini

akan meningkatkan volatilitas pada pasar

tersebut (Bikhchandani dan Sharma 2001).

Oleh karena itu, pendeteksian perilaku

herding pada suatu pasar saham dibutuhkan

untuk melihat kerasionalan dari pelaku

investor di beberapa kondisi pasar. Kondisi

pasar yang akan dibahas diantaranya pada saat

imbal hasil saham sangat rendah (market

stress), perdagangan normal, dan pada saat

imbal hasil yang sangat tinggi.

Tujuan

Tujuan dari penelitian ini adalah untuk

melihat adanya indikasi perilaku herding

pada: (1) Pasar saham Indonesia, dilihat dari

saham LQ45 dan Indeks sektoral, (2) Pasar

saham global Asia Pasifik; pada kondisi

market stress, kondisi normal maupun kondisi

keuntungan yang sangat tinggi.

TINJAUAN PUSTAKA

Perilaku Herding

Perilaku herding merupakan perilaku

investor menjual atau membeli

sekuritas/saham tanpa menghiraukan alasan

yang mendasarinya untuk melakukan investasi

(Saastamoinen 2008). Pada saat perilaku

herding terjadi, mereka melakukan investasi

tanpa memperhitungkan resiko atau imbal

hasil yang akan mereka dapatkan. Beberapa

dampak negatif dari perilaku herding ini

adalah investor mungkin saja melakukan jenis

investasi yang sebenarnya tidak mereka

pahami dan mengambil resiko yang

sebenarnya tidak diperlukan.

Perilaku herding terlihat di beberapa

negara di dunia, diantaranya Cina (Tan et.al

2008), Taiwan dan Korea Selatan (Chang et.al

2000), Finlandia (Saastamoinen 2008), Italia,

Yunani dan Portugal (Fotini et.al 2010) dan

lain-lain.

Model yang digunakan untuk mendeteksi

adanya herding adalah

𝐶𝑆𝐴𝐷𝑡 = 𝛼 + 𝛾1𝑟𝑚 ,𝑡 + 𝛾2𝑟𝑚 ,𝑡2 + 𝜀𝑡 (1)

di mana CSADt merupakan CSAD pada

waktu ke-t, dan rm,t adalah imbal hasil

portofolio pasar pada waktu ke-t

(Saastamoinen 2008).

Menurut Chang et.al (2000) jika dalam

suatu pasar terdapat perilaku herding, maka

tingkat penyebaran dari imbal hasil (CSAD)

akan meningkat lebih rendah jika

dibandingkan dengan proporsi kenaikan imbal

hasil portofolio pasar atau bahkan tingkat

penyebaran imbal hasilnya akan menurun. Hal

ini dapat dilihat dari model pada persamaan

(1), jika nilai dari parameter 𝛾2 bernilai

negatif dan signifikan secara statistik, maka

terdapat indikasi perilaku herding pada pasar

saham tersebut

Capital Asset Pricing Model (CAPM)

Model penetapan harga aset (Capital Asset

Pricing Model, CAPM) merupakan sebuah

alat untuk memprediksi keseimbangan imbal

hasil yang diharapkan dari suatu aset yang

beresiko (Bodie et.al 2006). Dalam penelitian

ini model CAPM yang digunakan adalah :

𝑟𝑖 ,𝑡 = 𝛼 + 𝛽𝑖𝐸(𝑟𝑚 ,𝑡 − 𝑟𝑓 ,𝑡) (2)

dimana 𝛽𝑖 merupakan koefisien yang

mengukur tingkat sensitivitas imbal hasil

saham ke-i terhadap pergerakan imbal hasil

portofolio pasar. 𝑟𝑚 ,𝑡 merupakan imbal hasil

2

dari portofolio pasar, sedangkan 𝑟𝑓 ,𝑡

merupakan aset bebas resiko, yang didekati

oleh Suku bunga Bank Indonesia (model

saham Indonesia) dan suku bunga kawasan

asia pasifik (model saham Asia Pasifik).

Cross Sectional Absolute Deviation (CSAD)

Cross Sectional Absolute Deviation

(CSAD) merupakan ukuran yang

merepresentasikan tingkat penyebaran imbal

hasil saham. Sebagai langkah awal, hitung

tingkat sensitivitas imbal hasil saham ke-i

terhadap imbal hasil portofolio pasar

berdasarkan persamaan (2). Kemudian hitung

Nilai Deviasi Mutlak (AVD) dari sebuah

imbal hasil saham ke-i pada waktu ke-t

terhadap imbal hasil portofolio pasar dengan

persamaan :

𝐴𝑉𝐷𝑖 ,𝑡 = 𝛽 𝑖 − 𝛽𝑚 𝐸𝑡 𝑟𝑚 ,𝑡 − 𝑟𝑓 ,𝑡 (2)

dengan 𝛽 𝑖 merupakan tingkat sensitivitas

imbal hasil saham perusahaan ke-i terhadap

imbal hasil pasar. Sedangkan 𝛽𝑚 merupakan

tingkat sensitivitas untuk portofolio pasar.

Dari persamaan tersebut, dapat dihitung nilai

harapan dari Cross Sectional Absolute

Deviation (E(CSAD) pada periode ke-t

𝐸(𝐶𝑆𝐴𝐷𝑡) =1

𝑁 𝐴𝑉𝐷𝑖 ,𝑡

𝑁

𝑖=1

=1

𝑁 𝛽 𝑖 − 𝛽𝑚 𝐸𝑡 𝑟𝑚 ,𝑡 − 𝑟𝑓 ,𝑡

𝑁𝑖=1 (3)

Sehingga dapat diperlihatkan bahwa

hubungan yang linier dan terus meningkat

antara tingkat penyebaran dengan nilai yang

diharapkan dari imbal hasil portofolio pasar

seperti

𝜕𝐸(𝐶𝑆𝐴𝐷𝑡 )

𝜕𝐸𝑡 𝑅𝑚 =

1

𝑁 𝛽 𝑖 − 𝛽𝑚 𝑁

𝑖=1 > 0

𝜕2𝐸(𝐶𝑆𝐴𝐷𝑡 )

𝜕2𝐸𝑡 𝑅𝑚 = 0 (4)

Nilai aktual dari CSADt dapat dihitung

dengan menggunakan persamaan

𝐶𝑆𝐴𝐷𝑡 =1

𝑁 𝛽 𝑖 − 𝛽𝑚 ,𝑡 𝐸𝑡 𝑟𝑚 ,𝑡 − 𝑟𝑓 ,𝑡

𝑁𝑖=1 + 𝜀𝑡

(5)

Karena nilai dari 𝛽𝑚 = 1, yang merupakan

tingkat sensitivitas pasar terhadap pasar, maka

persamaan (5) menjadi


𝑁 𝛽 𝑖 − 1 𝐸𝑡 𝑟𝑚 ,𝑡 − 𝑟𝑓 ,𝑡

𝑁𝑖=1 + 𝜀𝑡 (6)

(Tan 2005)

Kalman Filter dan Kalman Smoother

Tingkat sensitivitas suatu imbal hasil

saham terhadap imbal hasil portofolio pasar

(β) seperti pada persamaan (1), memiliki nilai

yang tetap sepanjang waktu. Hal tersebut

memiliki beberapa kritisi bahwa

sesungguhnya tingkat sensitivitas tersebut

memiliki nilai yang berbeda-beda setiap

waktu. Pada waktu tertentu mungkin saja

tingkat sensitivitas suatu saham akan menjadi

sangat sensitif maupun menjadi tidak sensitif

bergantung bagaimana performa imbal hasil

saham tersebut terhadap imbal hasil portofolio

pasar. Sehingga untuk menduga tingkat

sensitivitas imbal hasil suatu saham atau

indeks saham terhadap imbal hasil portofolio

pasar (β) di setiap waktu pada persamaan (1),

maka model pada persamaan (1) diubah

menjadi bentuk state space model.

Bentuk state space model merupakan alat

yang sangat berguna yang dapat menangani

model deret waktu secara luas (Harvey 1993).

Model state space terdiri dari dua persamaan,

yaitu persamaan pengukuran (measurement

equation) dan persamaan transisi (transition

equation). Persamaan pengukuran dapat

dinyatakan sebagai :

𝑦𝑖 ,𝑡 = 𝑭𝒊,𝒕𝜃𝑖 ,𝑡 + 𝑣𝑖 ,𝑡 (7)

dan persamaan transisisi :

𝜃𝑖 ,𝑡 = 𝑮𝑖 ,𝑡𝜃𝑖 ,𝑡−1 + 𝑤𝑖 ,𝑡 (8)

di mana:

𝑦𝑖 ,𝑡 : imbal hasil saham perusahaan ke-i atau

indeks saham ke-i pada waktu ke-t

𝜃𝑖 ,𝑡 : nilai α dan β pada saham perusahaan ke-i

dan waktu ke-t (state vector)

𝑭𝒊,𝒕 : matriks koefisien (matriks observasi)

𝑮𝑖 ,𝑡 : matriks koefisien (matriks input)

𝑣𝑖 ,𝑡 : komponen acak 𝑣𝑖 ,𝑡~𝑁(0, 𝑽𝑖 ,𝑡)

𝑤𝑖 ,𝑡 : komponen acak 𝑤𝑖 ,𝑡~𝑁(0, 𝑾𝑖 ,𝑡)

dengan nilai 𝑭𝒊,𝒕 dan 𝑮𝑖 ,𝑡

𝑭𝒊,𝒕 = 1 𝐸(𝑟𝑚 ,𝑡 − 𝑟𝑓 ,𝑡) , 𝑮𝑖 ,𝑡 = 1 00 1

Jika model telah terbentuk dalam bentuk

state space model, maka dapat menggunakan

Kalman Filter untuk menduga tingkat

sensitivitas imbal hasil suatu saham terhadap

imbal hasil pasar (state vector), kemudian

melakukan pemulusan terhadap state vector.

Kalman Filter merupakan prosedur rekursif

untuk menghitung penduga yang optimal bagi

state vector berdasarkan informasi yang ada.

Misalkan Dt adalah informasi yang telah ada

pada t awal observasi, yaitu yi,1,…, yi,t.

Langkah-langkah yang digunakan dalam

Kalman Filter adalah :

3

i. Melakukan prediksi sebaran 𝜃𝑖 ,𝑡

(𝜃𝑖 ,𝑡~𝑁(𝑚𝑖 ,𝑡 , 𝑪𝑖 ,𝑡)) untuk satu langkah ke

depan dengan informasi yang ada

sebelumnya (Di,t-1) diketahui berdasarkan

sebaran filter 𝑝(𝜃𝑖 ,𝑡−1|𝐷𝑖 ,𝑡−1) dan model

transisi.

𝑝 𝜃𝑖 ,𝑡 𝐷𝑖 ,𝑡−1 =

𝑝 𝜃𝑖 ,𝑡 𝜃𝑖 ,𝑡−1 𝑝 𝜃𝑖 ,𝑡−1 𝐷𝑖 ,𝑡−1 𝑑𝑣 𝜃𝑖 ,𝑡−1

dengan parameter

𝑎𝑖,𝑡 = 𝐸 𝜃𝑖,𝑡 𝐷𝑖,𝑡−1

= 𝑮𝒊,𝒕𝑚𝑖,𝑡−1

𝑹𝒊,𝒕 = 𝑉𝑎𝑟 𝜃𝑖 ,𝑡 𝐷𝑖 ,𝑡−1

= 𝑮𝒊,𝒕𝑪𝒊,𝒕−𝟏𝑮𝒊,𝒕′ + 𝑾𝒊,𝒕

ii. Melakukan prediksi sebaran observasi

untuk satu langkah selanjutya.

𝑓 𝑦𝑖 ,𝑡 𝐷𝑖 ,𝑡−1

= 𝑓 𝑦𝑖 ,𝑡 𝜃𝑖 ,𝑡 𝑝 𝜃𝑖 ,𝑡−1 𝐷𝑖 ,𝑡−1 𝑑𝑣 𝜃𝑖 ,𝑡

dengan parameter

𝑓𝑖 ,𝑡 = 𝐸 𝑌𝑖 ,𝑡 𝐷𝑖 ,𝑡−1

= 𝑭𝒊,𝒕𝑎𝑖 ,𝑡

𝑸𝒊,𝒕 = 𝑉𝑎𝑟 𝑌𝑖 ,𝑡 𝐷𝑖 ,𝑡−1

= 𝑭𝒊,𝒕𝑹𝒊,𝒕−𝟏𝑭𝒊,𝒕′ + 𝑽𝒊,𝒕

iii. Menghitung sebaran dari filtering

𝑝(𝜃𝑖 ,𝑡 |𝐷𝑖 ,𝑡) menggunakan aturan Bayes

dengan 𝑝 𝜃𝑖 ,𝑡 𝐷𝑖 ,𝑡−1 sebagai sebaran

prior dan fungsi kemungkinan 𝑓 𝑦𝑖 ,𝑡 𝜃𝑖 ,𝑡 .

𝑝 𝜃𝑖 ,𝑡 𝐷𝑖 ,𝑡 =𝑓 𝑦𝑖 ,𝑡 𝜃𝑖 ,𝑡 𝑝 𝜃𝑖 ,𝑡 𝐷𝑖 ,𝑡−1

𝑓 𝑦𝑖 ,𝑡 𝐷𝑖 ,𝑡−1

dengan parameter

𝑚𝑖 ,𝑡 = 𝐸 𝜃𝑖 ,𝑡 𝐷𝑖 ,𝑡

= 𝑎𝑖 ,𝑡 + 𝑹𝒊,𝒕𝑭𝒊,𝒕′ 𝑸𝒊,𝒕

−𝟏 𝑒𝑖 ,𝑡

𝑪𝒕 = 𝑉𝑎𝑟 𝜃𝑖,𝑡 𝐷𝑖 ,𝑡

= 𝑹𝒊,𝒕 − 𝑹𝒊,𝒕𝑭𝒊,𝒕′ 𝑸𝒊,𝒕

−𝟏𝑭𝒊,𝒕𝑹𝒊,𝒕

Petris et.al (2009)

Kalman filter membutuhkan inisialisasi

nilai awal untuk state vector dan ragam dari

state vector, yang didapat dari informasi

sebelumnya. Jika nilai awal tidak diketahui

dan state vector tidak stationer, maka dapat

menggunakan nilai awal dengan ragam yang

sangat besar (Harvey 1993).

Kalman smoother dapat digunakan untuk

menghitung sebaran dari 𝜃𝑖 ,𝑡+1, dimulai dari

𝑡 = 𝑇 − 1 dengan 𝜃𝑖 ,𝑡 |𝐷𝑖 ,𝑡~𝑁(𝑠𝑖 ,𝑡 , 𝑺𝒊,𝒕),

kemudian melakukan proses rekursif ke

belakang untuk 𝑡 = 𝑇 − 2, 𝑡 = 𝑇 − 3, dan

seterusnya. Dengan algoritma rekursif ke

belakang, untuk menghitung sebaran 𝜃𝑖 ,𝑡 |𝐷𝑖 ,𝑇

untuk t < T, dimulai dari sebaran filternya

𝑝 𝜃𝑖 ,𝑇 𝐷𝑖 ,𝑇 dan menduga kebelakang semua

data state vector sebelumnya. dengan

langkah-langkah:

i. Dengan syarat 𝐷𝑖 ,𝑇 , rangkaian dari state

vector (𝜃𝑖 ,0 , … , 𝜃𝑖 ,𝑇) memiliki peluang

transisi kebelakang,

𝑝 𝜃𝑖 ,𝑡 𝜃𝑖 ,𝑡+1, 𝐷𝑖 ,𝑡 =𝑝 𝜃𝑖 ,𝑡+1 𝜃𝑖 ,𝑡 𝑝 𝜃𝑖 ,𝑡 𝐷𝑖 ,𝑡

𝑝 𝜃𝑖 ,𝑡+1 𝐷𝑖 ,𝑡

ii. Sebaran pemulusan dari 𝜃𝑖 ,𝑡 dengan syarat

𝐷𝑖 ,𝑇 dapat dihitung mengikuti rekursif ke

belakang pada waktu ke-t (dimulai dari

𝑝 𝜃𝑖 ,𝑇 𝐷𝑖 ,𝑇 ) :

𝑝 𝜃𝑖 ,𝑡 𝐷𝑖 ,𝑇 = 𝑝 𝜃𝑖 ,𝑡 𝐷𝑖 ,𝑡 ×

𝑝 𝜃𝑖 ,𝑡+1 𝜃𝑖 ,𝑡

𝑝 𝜃𝑖 ,𝑡+1 𝐷𝑖 ,𝑡 𝑝 𝜃𝑖 ,𝑡+1 𝐷𝑖 ,𝑇 𝑑𝜇 𝜃𝑖 ,𝑡+1

iii. Dengan memarginalkan 𝑝(𝜃𝑖 ,𝑡 , 𝜃𝑖 ,𝑡+1|𝐷𝑖 ,𝑇)

maka akan didapatkan:

𝑝 𝜃𝑖 ,𝑡 𝐷𝑖 ,𝑇 = 𝑝 𝜃𝑖 ,𝑡 , 𝜃𝑖 ,𝑡+1 𝐷𝑖 ,𝑇 𝑑𝜃𝑖 ,𝑡+1

= 𝑝 𝜃𝑖 ,𝑡+1 𝐷𝑖 ,𝑇 𝑝 𝜃𝑖 ,𝑡 𝜃𝑖 ,𝑡+1, 𝐷𝑖 ,𝑡 𝑑𝜃𝑖 ,𝑡+1

= 𝑝 𝜃𝑖 ,𝑡+1 𝐷𝑖 ,𝑡 𝑝 𝜃𝑖 ,𝑡 𝜃𝑖 ,𝑡+1, 𝐷𝑖 ,𝑡 𝑑𝜃𝑖 ,𝑡+1

= 𝑝 𝜃𝑖 ,𝑡+1 𝐷𝑖 ,𝑡 ×

𝑝 𝜃𝑖 ,𝑡+1 𝜃𝑖 ,𝑡 , 𝐷𝑖 ,𝑡 𝑝 𝜃𝑖 ,𝑡 𝐷𝑖 ,𝑡

𝑝 𝜃𝑖 ,𝑡+1 𝐷𝑖 ,𝑡 𝑑𝜃𝑖 ,𝑡+1

= 𝑝 𝜃𝑖 ,𝑡 𝐷𝑖 ,𝑡 𝑝 𝜃𝑖 ,𝑡+1 𝐷𝑖 ,𝑡 𝑝 𝜃𝑖 ,𝑡+1 𝐷𝑖 ,𝑇

𝑝 𝜃𝑖 ,𝑡+1 𝐷𝑖 ,𝑡

(Petris et al. 2009)

Sehingga untuk menghitung nilai CSADt

seperti pada persamaan (6) dengan

menggunakan tingkat sentitivitas yang tidak

tetap sepanjang waktu, persamaannya diubah

menjadi


𝑁 𝛽 𝑖 ,𝑡 − 1 𝐸𝑡 𝑟𝑚 ,𝑡 − 𝑟𝑓,𝑡

𝑁

𝑖=1

+ 𝜀𝑡

dimana 𝛽 𝑖 ,𝑡 merupakan tingkat sensitivitas

imbal hasil suatu saham ke-i terhadap imbal

hasi portofolio pasar pada waktu ke-t (Tan

2005; Saastamoinen 2008)

Regresi Kuantil

Regresi kuantil merupakan teknik

statistika yang digunakan untuk menduga

hubungan antara peubah respon dengan

peubah penjelas pada fungsi kuantil bersyarat

tertentu. Seperti pada metode kuadrat terkecil,

yang meminimumkan jumlah kuadrat galat

dan menduga model dengan menggunakan

fungsi rata-rata bersyarat, regresi kuantil

meminimumkan galat mutlak berbobot yang

tidak simetris dan menduga fungsi kuantil

bersyarat pada suatu sebaran data. Secara

umum, regresi kuantil sangat bermanfaat

ketika ingin menganalisis bagian tertentu dari

4

suatu sebaran bersyarat. Sebagai contoh pada

kuantil atas, median maupun kuantil bawah

dari suatu sebaran bersyara. Metode regresi

kuantil tidak membutuhkan asumsi parametrik

(Buhai 2005). Untuk suatu peubah acak Y

dengan fungsi sebaran peluang

𝐹 𝑌 = 𝑃(𝑌 ≤ 𝑦)

di mana untuk setiap 0 < τ < 1, terdapat

fungsi invers,

𝐹−1 = inf{𝑦: 𝐹 𝑦 ≥ 𝜏}

yang merupakan kuantil ke-τ dari Y.

Jika rata-rata contoh merupakan solusi dari

masalah

𝑚𝑖𝑛𝜇∈ℝ 𝑦𝑖 − 𝜇 2

𝑛

𝑖=1

maka untuk 𝜇 𝑥 = 𝑥 ′𝛽 yang merupakan rata-

rata bersyarat dari y dengan x diketahui, nilai

β dapat diduga dengan menyelesaikan

𝑚𝑖𝑛𝛽∈𝑅𝑃 𝑦𝑖 − 𝑥𝑖′𝛽

2𝑛

𝑖=1

Dengan cara yang sama, kuantil contoh ke-τ

𝛼 (𝜏) didapat dengan menyelesaikan

𝑚𝑖𝑛𝛼∈𝑅𝑃 𝑦𝑖 − 𝛼

𝑛

𝑖=1

Jika fungsi bersyarat dari kuantil ke-τ

didefinisikan sebagai 𝑄𝜏 𝜏 𝑥 = 𝑥 ′𝛽(𝜏), maka

nilai 𝛽 (𝜏) didapat dengan menyelesaikan

𝑚𝑖𝑛𝛽∈𝑅𝑃 𝜌𝜏 𝑦𝑖 − 𝑥𝑖𝑇𝛽

𝑛

𝑖=1

di mana 𝜌𝜏 𝑢 = 𝑢(𝜏 − 𝐼 𝑢 < 0 ), 0 < τ < 1

dan I(.) adalah fungsi indikator (Koenker

2005).

Salah satu metode pendugaan parameter

untuk regresi kuantil adalah dengan

menggunakan algoritma simpleks. Sebagai

langkah awal misalkan, 𝜇 = 𝑦 − 𝐴′𝛽 +,

𝑣 = 𝐴′𝛽 − 𝑦 +, 𝜙 = 𝛽 +, dan 𝜑 = −𝛽 +,

dimana [𝑧]+ adalah bagian dari z yang tidak

bernilai negatif, dan A merupakan matriks

peubah penjelas. Untuk kasus regresi median,

pendekatan simpleks menyelesaikan

𝑚𝑖𝑛𝛽𝐷𝐿𝐴𝑅(𝛽) dengan memformulasikan

𝑚𝑖𝑛𝛽 {𝑒 ′𝜇 + 𝑒 ′𝑣|𝑦 = 𝐴′𝛽 + 𝜇 − 𝑣}

di mana e merupakan vektor satu yang

berukuran n dan {𝑢, 𝑣} ∈ ℝ+𝑛 .

Misalkan 𝐵 = 𝐴′ − 𝐴′ 𝐼 − 𝐼 , 𝑑 = (0′ 0′ 𝑒 ′ 𝑒 ′), 𝜃 = (𝜙′ 𝜑′ 𝜇′ 𝑣′ ) di mana

0′ = (0 0 … 0)𝑝 . Sehingga rumusan ulang

dari masalah pemrograman linier baku adalah

minθ d’θ dengan kendala Bθ = y dan θ ≥ 0. Masalah ini memiliki bentuk ganda maxz x’z

dengan kendala B’z = d. Yang dapat

disederhanakan menjadi

𝑚𝑎𝑥𝑧{𝑦′𝑧 𝐴𝑧 = 0, 𝑧 ∈ −1,1 𝑛 .

Jika 𝜂 =1

2𝑧 +

1

2𝑒, 𝑏 =

1

2𝐴𝑒, maka

rumusannya menjadi

𝑚𝑎𝑥𝜂 {𝑦′𝜂 𝐴𝜂 = 𝑏, 𝜂 ∈ 0,1 𝑛

Untuk regresi kuantil, masalah minimisasinya

adalah 𝑚𝑖𝑛𝛽∈𝑅𝑃 𝜌𝜏 𝑦𝑖 − 𝑥𝑖𝑇𝛽 𝑛

𝑖=1 , dan sama

seperti tahapan sebelumnya, rumusan

masalahnya menjadi

𝑚𝑎𝑥𝑧{𝑦′𝑧 𝐴𝑧 = 1 − 𝜏 , 𝑧 ∈ 0,1 𝑛 . (Chen 2005)

METODOLOGI

Sumber Data

Data yang digunakan dalam penelitian ini

berupa data penutupan harian saham, data

penutupan harian indeks saham, dan data suku

bunga dari tahun 2005 hingga tahun 2010.

Data penutupan harian saham maupun indeks

saham didapat dari www.finance.yahoo.com,

data suku bunga didapat dari www.bi.go.id, dan www.bloomberg.com.

Pada pasar saham Indonesia, IHSG

digunakan sebagai pendekatan untuk

portofolio pasar, sedangkan data suku bunga

Bank Indonesia digunakan sebagai

pendekatan aset bebas resiko. Pada pasar

saham global Asia Pasifik, indeks Dow Jones

Asia Pasifik digunakan sebagai pendekatan

untuk portofolio pasar. Suku bunga LIBOR

(London Interbank Offered Rate) digunakan

sebagai pendekatan untuk aset bebas resiko.

Metode Analisis

Tahap-tahap yang dilakukan dalam

penelitian ini adalah :

1. Mencari perusahaan yang terdaftar dalam

saham LQ45 selama 5 tahun terakhir.

2. Menghitung nilai imbal hasil saham tiap

perusahaan dan indeks saham, dengan

menggunakan persamaan

𝑟𝑖 ,𝑡 =𝑃𝑖 ,𝑡 − 𝑃𝑖 ,𝑡−1

𝑃𝑖 ,𝑡−1

dengan 𝑃𝑖 ,𝑡 merupakan harga penutupan

saham perusahaan ke-i pada waktu ke-t.

3. Menghitung tingkat sensitivitas imbal

hasil untuk masing-masing saham

perusahaan maupun indeks saham

berdasarkan persamaan (7) dan (8),

http://www.finance.yahoo.com/

http://www.bi.go.id/

http://www.bloomberg.com/

5

dengan menggunakan Kalman Filter dan

Kalman Smoother.

4. Menghitung CSADt dari imbal hasil

harian LQ45, indeks sektoral dan indeks

negara-negara di Asia Pasifik.

5. Melakukan eksplorasi data terhadap nilai

dari CSADt.

6. Melakukan regresi kuantil data CSADt

dengan imbal hasil portofolio pasar pada

τ = 0.01, τ = 0.05 , τ = 0.5, τ = 0.95 dan

τ = 0.99.

7. Interpretasi hasil regresi kuantil.

Metode Kalman Filter dan Kalman

Smoother, dihitung dengan menggunakan

bantuan package dlm pada software R.2.13.

Regresi kuantil dihitung dengan menggunakan

software Eviews 6.1 .

HASIL DAN PEMBAHASAN

Indikasi perilaku herding pada pasar

saham Indonesia, didasarkan atas saham yang

terdaftar sebagai indeks LQ45 dan indeks

sektoral. Penelitian ini mengunakan saham

perusahaan yang selalu terdaftar pada indeks

LQ45 selama 5 tahun terakhir. Saham-saham

tersebut merupakan saham-saham besar yang

akan merepresentasikan keadaan pasar saham

Indonesia. Saham perusahaan yang selalu

menjadi bagian dari LQ45 adalah AALI,

ASII, UNSP, BBCA, BDMN, BMRI, SMCB,

ISAT, INCO, MEDC, PGAS, PTBA, TLKM,

dan UNTR. Sedangkan indeks sektoral yang

digunakan adalah sektor pertanian

(agriculture), pertambangan (mining),

perdagangan (trade), konsumsi

(consumption), keuangan (finance),

infrastuktur (infrastucture), industri dasar

(basic industry), properti (property), dan

sektor lainnya (miscellanous). Sebagai

pendekatan untuk nilai portofolio pasar,

digunakan Indeks Harga Saham Gabungan

(IHSG).

Selain pada pasar saham Indonesia,

identifikasi perilaku herding juga dilakukan

pada pasar saham global Asia Pasifik.

Identifikasi perilaku herding ini didasarkan

atas indeks saham negara-negara Asia Pasifik.

Indeks saham yang digunakan adalah indeks

HSI (Hongkong), N225 (Jepang), JKSE

(Indonesia), NZ50 (Selandia Baru), AORD

(Australia), SSE (Cina), KLSE (Malaysia),

KS11 (Korea Selatan), GSPC (Amerika),

PSEI (Filipina), dan STI (Singapura). Sebagai

pendekatan untuk nilai portofolio pasar,

digunakan indeks Dow Jones Asia Pasifik.

Model Pasar Saham Indonesia

Menurut publikasi BI yang dimuat dalam

Outlook Ekonomi Indonesia Januari 2009,

selama triwulan ketiga tahun 2008, IHSG

mengalami penurunan yang tajam. Penurunan

tajam tersebut merupakan imbas dari krisis

keuangan global yang terjadi sejak bulan

Agustus 2007, yaitu pada saat BNP Paribas

yang merupakan salah satu bank terbesar di

Perancis mengumumkan pembekuan beberapa

sekuritas yang berkaitan dengan kredit

perumahan berisiko tinggi di Amerika Serikat.

Pembekuan ini kemudian memicu gejolak di

pasar keuangan dan akhirnya merambat ke

seluruh dunia. Pada akhir triwulan ketiga

tahun 2008, intensitas krisis semakin

membesar seiring dengan jatuhnya bank

investasi terbesar di Amerika Serikat, Lehman

Brothers, yang diikuti oleh kesulitan keuangan

yang semakin parah di sejumlah lembaga

keuangan berskala besar di Amerika, Eropa

maupun Jepang. Krisis tersebut menyebabkan

gejolak di pasar modal dan pasar uang. Pada

bulan Desember, IHSG ditutup pada level

1355.4, terpangkas hampir separuhnya

dibandingkan pada awal tahun 2008 yang

mencapai 2267.3, yang bersamaan dengan

jatuhnya kapitalisasi pasar dan penurunan

tajam volume perdagangan saham. Hal ini

terlihat pada Gambar 1, yang menunjukkan

IHSG mencapai nilai yang rendah disekitar

pengamatan 800 hingga 900 (Agustus 2008 –

Februari 2009).

Gambar 1 Grafik IHSG Tahun 2005-2010.

Tingkat sensitivitas setiap imbal hasil

saham terhadap imbal hasil portofolio pasar

tidak konstan di setiap waktu. Dengan

menggunakan Kalman Filter dan Kalman

Smoother, grafik tingkat sensitivitas setiap

imbal hasil saham perusahaan dapat dilihat

pada Lampiran 5. Tingkat sensitivitas pada

6

imbal hasil saham LQ45 secara umum sangat

berfluktuasi selama periode pengamatan,

seperti yang dapat dilihat pada Lampiran 5,

namun pada saham AALI, INCO dan ISAT,

tingkat sensitivitas imbal hasilnya tidak terlalu

berfluktuasi seperti pada saham lainnya.

Seperti halnya saham LQ45, indeks saham

sektoral juga memiliki tingkat sensitivitas

imbal hasil yang befluktuatif. Pada indeks

saham infrastruktur, terlihat bahwa tingkat

sensitivitas imbal hasilnya sangat berfluktuatif

dan memliki tren yang menurun. Grafik

indeks saham sektoral dapat dilihat pada

Lampiran 6.

Perilaku herding diidentifikasi pada tiga

kondisi, yaitu pada kondisi market stress,

normal maupun imbal hasil yang tinggi.

Kuantil 0.01 dan 0.05 merepresentasikan

kondisi market stress, kuantil 0.5

merepresentasikan kondisi normal, sedangkan

kondisi imbal hasil yang sangat tinggi

direpresentasikan oleh kuantil 0.95 dan 0.99.

Identifikasi perilaku herding pada pasar

saham Indonesia yang didasarkan atas saham

LQ45 menunjukkan bahwa terdapat indikasi

herding pada kondisi market stress. Indikasi

ini terlihat dari koefisien 𝛾2 yang negatif dan

signifikan pada taraf nyata 5%. Pada kondisi

ini tingkat penyebaran imbal hasil saham akan

meningkat lebih rendah jika dibandingkan

dengan kenaikan imbal hasil portofolio pasar

atau bahkan menurun. Hal ini berarti bahwa

investor pada pasar saham Indonesia memiliki

perilaku yang tidak rasional.

Berbeda halnya dengan kondisi market

stress, pada kondisi normal maupun imbal

hasil yang sangat tinggi tidak ditemukan

adanya perilaku herding. Hal ini ditunjukkan

oleh nilai dari koefisien 𝛾2 yang bernilai

positif. Dugaan parameter regresi kuantil

untuk saham LQ45 dapat dilihat pada Tabel 1.

Tabel 1 Hasil Dugaan Parameter Regresi Kuantil Model LQ45

Kondisi Kuantil ke R-Square

𝛼 𝛾1 𝛾2

Market stress 0.01 0.8757 Dugaan -0.1586 0.3983 -0.0840

t hitung -9.7472* 39.7757* -10.0413*

0.05 0.8004 Dugaan -0.1162 0.3643 -0.0636

t hitung -9.1150* 44.2997* -12.1845*

Normal 0.5 0.6929 Dugaan -0.0095 0.2696 0.0001

t hitung -7.3566* 119.0709* 0.1966

Imbal hasil 0.95 0.7807 Dugaan 0.0657 0.3387 0.0642

sangat tinggi t hitung 6.8683* 27.3238* 23.0358*

0.99 0.8753 Dugaan 0.1341 0.3724 0.0664

t hitung 11.1776* 41.3330* 16.3139*

*Menunjukkan signifikan pada taraf nyata α=5%

Tabel 2 Hasil Dugaan Parameter Regresi Kuantil Model Indeks Sektoral

Kondisi Kuantil ke R-Square 𝛼 𝛾1 𝛾2


t hitung -5.1041* 70.5533* -3.4947*

0.05 0.8096 Dugaan -0.0737 0.2283 -0.0302

t hitung -8.7787* 62.9390* -7.4199*

Normal 0.5 0.7335 Dugaan -0.0064 0.1969 0.0022

t hitung -4.3449* 34.5539* 0.7935


sangat tinggi t hitung 8.2574* 50.2752* 10.5180*

0.99 0.8826 Dugaan 0.0885 0.2310 0.0321

t hitung 7.0222* 62.0351* 5.9038*


7

Jika dilihat pada keseluruhan sebaran data,

parameter 𝛾2 pada model yang didasarkan

pada saham LQ45 memperlihatkan bahwa

kecenderungan perilaku investor pada saat

market stress hingga pada kondisi normal,

menuju ke arah yang rasional. hal ini

diperlihatkan pada koefisien 𝛾2 yang bernilai

negatif dan signifikan hingga kuantil 0.35.

Hasil dugaan parameter untuk setiap kuantil

dapat dilihat pada Lampiran 9.

Sama halnya dengan identifikasi perilaku

herding pada pasar saham Indonesia yang

berdasarkan saham LQ45, identifikasi

perilaku herding yang dilakukan berdasarkan

indeks sektoral menunjukkan bahwa terdapat

indikasi perilaku herding terjadi pada kondisi

market stress. Hal ini terlihat dari koefisien

𝛾2 yang bernilai negatif dan signifikan.

Namun pada kondisi normal dan kondisi

imbal hasil yang sangat tinggi tidak

ditemukan adanya indikasi perilaku herding.

Dugaan parameter regresi kuantil dapat dilihat

pada Tabel 2.

Lampiran 10 menunjukkan hasil dugaan

parameter untuk model yang didasarkan pada

indeks sektoral di setiap kuantil. Dari hasil

tersebut dapat dilihat bahwa masih terdapat

indikasi perilaku herding hingga kuantil 0.45.

Hasil yang ditunjukkan pada model yang

digunakan untuk pasar saham Indonesia, baik

berdasarkan saham LQ45 maupun indeks

saham sektoral memperlihatkan bahwa ketika

kondisi imbal hasil dari suatu saham

cenderung sedikit memburuk, maka investor

pada pasar saham Indonesia akan mulai panik,

sehingga investor akan menunjukkan indikasi

perilaku herding. Hal ini ditunjukkan oleh

adanya indikasi perilaku herding hingga

kuantil 0.45.

Model Pasar Saham Global Asia Pasifik

Selain Indonesia, krisis global pada tahun

2008 juga berdampak pada pasar saham

global Asia Pasifik. Hal ini terlihat pada

indeks saham Dow Jones Asia Pasifik, bahwa

di sekitar data pengamatan ke-800 hingga 900

(Agustus 2008 – Februari 2009) indeks Dow

Jones Asia Pasifik mengalami penurunan yang

tajam hingga mencapai level 73.78. Grafik

pergerakan indeks saham Dow Jones Asia

Pasifik dapat dilihat pada Gambar 2.

Tingkat sensitivitas indeks saham negara-

negara Asia Pasifik secara umum tidak

memiliki fluktuasi yang tinggi, seperti yang

dapat dilihat pada Lampiran 7. Fluktuasi yang

sangat tinggi terjadi pada indeks saham negara

Australia dan Indonesia.

Sama halnya seperti identifikasi perilaku

herding pada pasar saham Indonesia,

identifikasi perilaku herding pada pasar saham

global Asia Pasifik dilihat dari tiga kondisi,

yaitu kondisi market stress, normal maupun

kondisi imbal hasil yang sangat tinggi. Pada

kondisi market stress, terdapat indikasi

perilaku herding. Hal ini terlihat dari koefisien

𝛾2 yang bernilai negatif dan signifikan.

Tidak terdapat indikasi perilaku herding

pada pasar saham global Asia Pasifik saat

kondisi normal maupun kondisi imbal hasil

yang sangat tinggi. Hal ini terlihat pada

koefisien 𝛾2 yang bernilai positif. Dugaan

parameter regresi kuantil pada pasar saham

global Asia Psifik dapat dilihat pada Tabel 3.

Gambar 2 Grafik Indeks Dow Jones Asia

Pasifik Tahun 2005-2010

Lampiran 13 memperlihatkan dugaan

parameter regresi di setiap kuantil. Dari hasil

tersebut, terlihat bahwa masih terdapat

indikasi perilaku herding hingga kuantil 0.15.

Hasil ini menunjukkan bahwa pada pasar

saham global Asia Pasifik, perilaku herding

hanya diperlihatkan pada kondisi market

stress yang ekstrim.

Hasil pendeteksian perilaku herding pada

pasar saham Indonesia maupun pasar saham

Asia Pasifik menunjukkan bahwa investor

pada pasar saham global Asia Pasifik, lebih

rasional dibandingkan dengan investor pada

pasar saham Indonesia. Karena pada pasar

saham global Asia Pasifik, indikasi perilaku

herding terdeteksi hanya pada saat kondisi

market stress yang ekstrim (hingga kuantil

0.15). Sedangkan pada pasar saham Indonesia,

perilaku herding terdeteksi hingga kuantil

0.45.

8

Tabel 3 Hasil Dugaan Parameter Regresi Kuantil Model Global Asia Pasifik

Kondisi Kuantil ke R-Square 𝛼 𝛾1 𝛾2


t hitung -5.4721* 91.4233* -3.4908*

0.05 0.8396 Dugaan -0.1075 0.4558 -0.0286

t hitung -7.2010* 29.9416* -2.1036*

Normal 0.5 0.8506 Dugaan -0.0017 0.4280 0.0012

t hitung -1.4840 142.6068* 2.0552*


Sangat tinggi t hitung 5.5615* 66.3392* 4.2340*

Nilai-p 0.0000 0.0000 0.0000

0.99 0.8763 Dugaan 0.1154 0.4905 0.0725

t hitung 3.9233* 87.9843* 3.0116*


KESIMPULAN DAN SARAN

Kesimpulan

Pada pasar saham Indonesia, indikasi

perilaku herding terlihat pada kondisi market

stress. Sedangkan pada kondisi normal dan

imbal hasil yang sangat tinggi, tidak terdapat

indikasi perilaku herding. Hal ini didasarkan

pada saham LQ45 maupun indeks sektoral.

Pada pasar saham Asia pasifik, perilaku

investor pada kondisi normal maupun kondisi

imbal hasil yang sangat tinggi menunjukkan

perilaku yang rasional. Sedangkan pada

kondisi market stress, terdapat indikasi

perilaku herding diantara investor.

Pada pasar saham Indonesia dan pasar

saham global Asia Pasifik secara umum

memiliki perilaku yang sama. Sehingga

integrasi ekonomi negara-negara ASEAN+3

pada tahun 2015 sudah terlihat di pasar

keuangan. Namun, perilaku herding pada

Indonesia lebih buruk jika dibandingkan

dengan Asia Pasifik. Hal ini karena pada pasar

saham Indonesia, perilaku herding masih

terlihat hingga kuantil 0.45. Sedangkan pada

pasar saham Asia Pasifik perilaku herding

hanya terlihat hingga kuantil 0.15.

Saran

Metode Kalman Filter memiliki

kelemahan, yaitu dalam hal penentuan nilai

inisialisasi awal untuk state vector dan ragam

dari state vector. Oleh karena itu, untuk

penelitian selanjutnya dapat menggunakan

metode lain untuk menduga tingkat

sensitivitas suatu imbal hasil saham atau

indeks saham dengan menggunakan Adaptive

Kalman Filter, Extended Kalman Filter, dan

lain-lain.

DAFTAR PUSTAKA

[BI] Bank Indonesia. 2009. Outlook Ekonomi

Indonesia2009-2014. Jakarta : BI.

Bikchandani S dan Sharma S. 2001. Herd

behavior in financial markets. IMF Staff

Papers, 47;3:279-310.

Bodie Z, Kane A, dan Markus AJ. 2005.

Investasi. Dalimunthe Z, Wibowo B,

penerjemah; Jakarta : Salemba Empat.

Terjemahan dari : Investments.

Buhai S. 2005. Quantile Regression :

Overview and Selected Applications. Ad-

Astra.

Chang EC, Cheng JW, dan Khorana A. 2000.

An examination of herd behavior in

equity markets: an international

perspective. Journal of Banking and

Finance 24:1651–1679.

Chen C. 2005. An Introduction to Quantile

Regression and the Quantreg Proceduree.

Proceedings of the Thirtieth Annual SAS

Users Group International Conference.

http:

//support.sas.com/rad/app/papers/quantile.

html.[12 Mei 2011].

Fotini E, Kostakis A, Philippas N. 2010. An

Examination Of Herd Behaviour In Four

Mediterraneans Stock Markets.

Harvey A. 1993. Time Series Model. Second

edition. Great Britain : Harvester

Wheatsheaf.

Hwang S dan Salmon M. 2004. Market Stress

and Herding. Journal of Empirical

Finance 11:585-616.

9

Koenker R. 2005. Quantile Regression. New

York :Cambridge University Press.

Petris, Petrone, and Campagnoli. 2009.

Dynamic Linear Models with R, Springer.

Saastamoinen, Jani. 2008. Quantile Resression

Analysis of dispersion of stock returns-

evidence of herding?. keskustelualoitteita

#57.

Tan L. 2005. Empirical Analysis of

ChineseStock Market Behavior: Evidence

from Dynamic Correlations, Herding

Behavior, and Speed of Adjustment.[ tesis]

Drexel University, http

://idea.library.drexel.edu/handle/1860/514.

[12 Mei 2011].

Tan L, Chiang TC, Mason JR, dan Nelling E.

2008. Herding Behavior In Chinese Stock

Markets: An Examination of A and B

Shares, Pacific-Basin.

10

L A M P I R A N

11

Lampiran 1 Daftar Saham Perusahaan LQ45

AALI : Astra Argo Lestari Tbk

ASSII : Astra International Tbk

UNSP : Bakrie Sumatra Plantations Tbk

BBCA : Bank Central Asia Tbk

BDMN : Bank Danamon Tbk

BMRI : Bank Mandiri (Persero) Tbk

SMCB : Holcim Indonesia Tbk

ISAT : Indosat Tbk

INCO : International Nickel Indonesia

MEDC : Medco Energi International Tbk

PGAS : Perusahaan Gas Negara Tbk

PTBA : Tambang Batubara Bukit Asam Tbk

TLKM : Telekomunikasi Indonesia Tbk

UNTR : United Tractors Tbk

Lampiran 2 Deskriptif Imbal Hasil Saham Perusahaan LQ45 Terpilih

Saham Rata-rata StDev Ragam Minimum Median Maximum

AALI 0.2100 3.2079 10.2907 -22.7799 0.0000 19.8980

ASII 0.1711 3.0415 9.2507 -10.1036 0.0000 19.8718

UNSP 0.0930 4.3600 19.0080 -35.2110 0.0000 29.6300

BBCA 0.1166 2.5495 6.5001 -25.0000 0.0000 13.5135

BDMN 0.1004 3.1987 10.2320 -20.8000 0.0000 18.1818

BMRI 0.1600 3.0608 9.3687 -12.9412 0.0000 20.0000

BBRI 0.1574 3.0451 9.2725 -9.9237 0.0000 18.9655

SMCB 0.1783 3.3850 11.4584 -23.5294 0.0000 19.1489

ISAT 0.0251 2.6072 6.7973 -14.5455 0.0000 20.0000

INCO 0.1820 3.7420 14.0030 -17.9250 0.0000 23.7500

MEDC 0.0542 3.2548 10.5940 -17.2414 0.0000 24.8485

PGAS 0.2220 3.2568 10.6069 -23.3161 0.0000 21.0784

PTBA 0.2818 3.3837 11.4493 -22.9947 0.0000 19.6721

TLKM 0.0587 2.2474 5.0506 -9.9237 0.0000 10.2941

UNTR 0.2186 3.3161 10.9963 -21.6931 0.0000 20.0000

Lampiran 3 Deskriptif Imbal Hasil Indeks Saham Sektoral Negara Indonesia

Indeks Rata-rata StDev Ragam Minimum Median Maximum

JKAGRI 0.1644 2.5016 6.2581 -19.4197 0.0929 12.8160

JKBIND 0.1105 1.8081 3.2692 -11.7602 0.1526 10.0982

JKCONS 0.1143 1.5400 2.3717 -7.8222 0.1650 11.4275

JKFINA 0.1094 1.8860 3.5572 -7.4558 0.1371 10.9607

JKINFA 0.0800 1.9461 3.7874 -12.9079 0.0560 12.6109

JKMING 0.1606 2.6531 7.0388 -22.2546 0.1274 15.4067

JKMIS 0.1327 2.4857 6.1787 -15.5082 0.0696 14.2521

JKPROP 0.0824 1.6483 2.7169 -12.1753 0.1178 7.0154

JKTRADE 0.0760 1.7659 3.1183 -16.7183 0.0636 7.5087

12

Lampiran 4 Deskriptif Imbal hasil Indeks Saham Negara-Negara di Asia Pasifik

Indeks Rata-rata StDev Ragam Minimum Median Maximum

KLSE 0.0505 1.4376 2.0668 -17.5076 0.0648 21.9700

HSI 0.0544 1.9103 3.6491 -12.7000 0.0880 14.3471

JKSE 0.1046 1.6757 2.8081 -10.3753 0.1860 7.9215

KS11 0.0648 1.5991 2.5572 -10.5705 0.1501 11.9457

N225 0.0049 1.7744 3.1484 -11.4064 0.0432 14.1503

PSEI 0.0777 1.6095 2.5904 -12.2683 0.1135 13.8245

AORD 0.0189 1.2828 1.6457 -8.1980 0.0603 5.5064

GSPC 0.0157 1.5373 2.3633 -9.0350 0.0843 11.5800

SSE 0.0928 1.9964 3.9855 -8.8407 0.1633 9.4549

STI 0.0370 1.4435 2.0836 -8.8036 0.0717 7.8213

NZ50 0.0058 0.8426 0.7099 -4.8182 0.0317 5.9869

Lampiran 5 Grafik Beta Saham LQ45

13

Lampiran 5 (lanjutan)

14


15

Lampiran 6 Grafik Beta Indeks Saham Sektoral Indonesia

16


Lampiran 7 Grafik Beta Indeks Saham Negara-Negara Asia Pasifik

17


18


19

Lampiran 8 Grafik Dugaan Parameter dan Selang Kepercayaan 95% untuk Model LQ45

-.15

-.10

-.05

.00

.05

.10

0.0 0.2 0.4 0.6 0.8 1.0

Quantile

C

.24

.28

.32

.36

.40

0.0 0.2 0.4 0.6 0.8 1.0

Quantile

R

-.08

-.04

.00

.04

.08

0.0 0.2 0.4 0.6 0.8 1.0

Quantile

R2

Quantile Process Estimates (95% CI)

20

Lampiran 9 Dugaan Parameter Regresi Kuantil Model Saham LQ45

Kuantil α 𝛾1 𝛾2

0.05 -0.116203 0.364313 -0.063621

-9.115* 44.29968* -12.1845*

0.1 -0.073582 0.324359 -0.049518

-5.99645* 31.24523* -17.29357*

0.15 -0.05307 0.307886 -0.041837

-5.268037* 17.84829* -2.296742*

0.2 -0.041271 0.296116 -0.03385

-5.973708* 42.22041* -7.779623*

0.25 -0.029338 0.283061 -0.027519

-8.990735* 57.22037* -45.16985*

0.3 -0.022598 0.275631 -0.019204

-5.425351* 39.53685* -3.737583*

0.35 -0.016298 0.268813 -0.012218

-10.53872* 39.59153* -6.073212*

0.4 -0.013749 0.268439 -0.004592

-6.018685* 60.48084* -1.416409

0.45 -0.011588 0.268732 -0.001369

-5.379914* 95.6028* -0.513795

0.5 -0.009479 0.26955 0.000118

-7.35664* 119.0709* 0.196609

0.55 -0.007328 0.26972 0.000601

-5.708392* 121.9465* 1.187107

0.6 -0.004843 0.27031 0.002093

-3.035149* 80.51059* 1.285554

0.65 -0.002578 0.269891 0.007054

-0.883687 58.29955* 1.174154

0.7 0.000945 0.277214 0.015702

0.565832 26.9293* 5.507465*

0.75 0.005742 0.285439 0.025778

1.776553 29.24178* 3.004918*

0.8 0.014537 0.294108 0.032869

3.731397* 14.89125* 2.194713*

0.85 0.029524 0.302316 0.035303

6.324146* 41.44942* 20.36699*

0.9 0.039011 0.317639 0.05133

5.498073* 31.66341* 9.393352*

0.95 0.065672 0.338749 0.064218 6.868307* 27.32381* 23.03582*


Keterangan :

- Baris pertama pada setiap kuantil merupakan nilai koefisien dari dugaan parameter pada

kuantil yang bersangkutan.

- Baris kedua pada setiap kuantil merupakan nilai t statistik untuk parameter model regresi

kuantil pada kuantil yang bersangkutan.

21

Lampiran 10 Grafik Dugaan Parameter dan Selang Kepercayaan 95% untuk Model Indeks

Sektoral

-.12

-.08

-.04

.00

.04

.08

0.0 0.2 0.4 0.6 0.8 1.0

Quantile

C

.18

.20

.22

.24

.26

0.0 0.2 0.4 0.6 0.8 1.0

Quantile

R

-.06

-.04

-.02

.00

.02

.04

0.0 0.2 0.4 0.6 0.8 1.0

Quantile

R2


22

Lampiran 11 Dugaan Parameter untuk Model Indeks Sektoral


0.05 -0.07366 0.228338 -0.03023

-8.778695* 62.93898* -7.41985*

0.1 -0.059 0.217982 -0.02166

-6.490149* 14.90129* -1.710125

0.15 -0.04574 0.208214 -0.01372

-7.573158* 49.14415* -3.375961*

0.2 -0.03363 0.204904 -0.01162

-8.408961* 45.80386* -2.989668*

0.25 -0.02872 0.200232 -0.00666

-6.658506* 63.08352* -1.752657

0.3 -0.0212 0.198989 -0.00656

-11.91367* 69.8041* -14.57862*

0.35 -0.01732 0.198584 -0.00475

-6.725788* 48.47412* -1.634903

0.4 -0.01295 0.201059 -0.00403

-7.462434* 40.34419* -3.073531*

0.45 -0.00924 0.198704 -0.00152

-5.705938* 38.78648* -2.535379*

0.5 -0.0064 0.196852 0.002165

-4.344944* 34.55394* 0.793497

0.55 -0.00366 0.195586 0.004541

-1.928931 41.06297* 1.169294

0.6 -0.00168 0.196943 0.008036

-0.985042 56.79524* 3.489631*

0.65 0.001089 0.19594 0.010771

0.619766 57.81283* 4.599272*

0.7 0.004 0.196796 0.01291

2.74632* 75.42077* 8.671833*

0.75 0.009584 0.19967 0.013899

6.70255* 102.8268* 35.14095*

0.8 0.015363 0.203149 0.015002

7.134851* 55.77822* 7.468676*

0.85 0.021612 0.204741 0.018788

4.432676* 53.58347* 3.291628*

0.9 0.029914 0.208522 0.022146

9.010172* 62.98898* 15.416*

0.95 0.052084 0.218541 0.026484 8.257398* 50.27515* 10.51803*


Keterangan :





23

Lampiran 12 Grafik Dugaan Parameter dan Selang Kepercayaan 95% untuk Model Asia Pasifik

-.15

-.10

-.05

.00

.05

.10

.15

0.0 0.2 0.4 0.6 0.8 1.0

Quantile

C

.40

.42

.44

.46

.48

.50

.52

0.0 0.2 0.4 0.6 0.8 1.0

Quantile

R

-.08

-.04

.00

.04

.08

.12

0.0 0.2 0.4 0.6 0.8 1.0

Quantile

R2


24

Lampiran 13 Dugaan Parameter untuk Model Asia Pasifik


0.05 -0.10746 0.455761 -0.02857

-7.201042* 29.94155* -2.103617*

0.1 -0.08189 0.443523 -0.01013

-10.63837* 93.29444* -2.576036*

0.15 -0.05205 0.439358 -0.01006

-8.630844* 163.4842* -4.469651*

0.2 -0.037 0.433998 -0.0072

-6.556336* 106.6632* -1.600546

0.25 -0.0281 0.430746 -0.00486

-6.536818* 109.0715* -1.322453

0.3 -0.01881 0.428705 -0.0027

-4.503438* 79.53308* -0.356051

0.35 -0.01278 0.426427 -0.00106

-9.493454* 95.4496* -1.644336

0.4 -0.00737 0.425963 -2.1E-06

-5.696038* 178.3189* -0.001763

0.45 -0.00456 0.426281 0.000816

-3.986607* 169.8499* 1.1363

0.5 -0.00166 0.428036 0.001165

-1.483983 142.6068* 2.05517*

0.55 -0.00078 0.429722 0.004682

-0.680994 173.9869* 8.595973*

0.6 0.001012 0.429658 0.00558

0.722994 149.3737* 2.94942*

0.65 0.004794 0.431159 0.006679

4.009498* 137.7861* 6.440898*

0.7 0.010925 0.433656 0.008417

7.450974* 125.9619* 9.334338*

0.75 0.016923 0.435491 0.009756

6.200414* 132.1014* 4.130353*

0.8 0.028646 0.440076 0.013832

6.316903* 99.0362* 3.889737*

0.85 0.038255 0.446465 0.018772

5.610708* 95.48586* 3.661114*

0.9 0.061965 0.463689 0.030677

3.98961* 44.12521* 1.992108*

0.95 0.088356 0.501034 0.059654 5.56152* 66.33924* 4.233973*


Keterangan :





Documents

Pendeteksian perilaku herding pada pasar saham Indonesia ... · PADA PASAR SAHAM INDONESIA DAN ASIA PASIFIK. GUNAWAN . DEPARTEMEN STATISTIKA . ... mendasarkan keputusan investasinya