Prodi Manajemen · FEB UNDIP

Seminar Pasar Modal

Teknik Analisis Data dalam Penelitian Pasar Modal

Dari hipotesis yang sudah dirumuskan menuju teknik analisis yang tepat — pondasi terakhir sebelum menyusun metodologi lengkap.

RPS minggu 7 · 2x50 menit

Selamat datang di pertemuan ketujuh, titik terakhir sebelum UTS — hari ini kita menutup rangkaian pra-proposal dengan topik yang sering membuat mahasiswa gamang: teknik analisis data apa yang cocok untuk hipotesis yang sudah Anda rumuskan minggu lalu. Bayangkan Anda sudah punya hipotesis "H1: Return on Equity berpengaruh terhadap return saham pada perusahaan consumer goods di BEI", tapi begitu ditanya "Anda mau pakai analisis apa?", jawabannya masih "regresi kayaknya, Pak/Bu" tanpa tahu persis kenapa regresi, bukan uji beda atau event study. Hari ini kita akan mengubah ketidakpastian itu menjadi keputusan yang bisa Anda pertanggungjawabkan di depan penguji proposal. Setelah UTS, di pertemuan 8 sampai 11 kita akan membedah studi kasus riset empiris nyata — dan semua studi kasus itu akan menggunakan istilah-istilah yang kita bangun hari ini, jadi pastikan Anda benar-benar paham, bukan sekadar menghafal nama tekniknya.

Tujuan Pembelajaran Hari Ini

Tujuan 1

Memetakan

Mengenali jenis-jenis teknik analisis data yang lazim dipakai riset pasar modal dan kapan masing-masing relevan.

Tujuan 2

Mencocokkan

Menghubungkan rumusan hipotesis (H0/H1) dengan teknik analisis yang secara statistik mampu mengujinya.

Tujuan 3

Menghitung

Mempraktikkan perhitungan dasar di balik uji-t regresi dan event study (abnormal return & CAR).

Tujuan 4

Menjustifikasi

Menulis alasan pemilihan teknik untuk proposal sendiri yang siap dipertahankan di sidang proposal.

Bagian 1 dari 3

Dari Hipotesis ke Peta Teknik Analisis

Memahami ragam teknik analisis data yang tersedia dan jenis data yang mendasarinya, sebelum memilih satu yang tepat.

Peta Teknik Analisis Data Penelitian Pasar Modal

Pemilihan teknik analisis selalu bermula dari bentuk hipotesis, bukan dari teknik yang paling familiar bagi peneliti.

Perhatikan alur diagram ini — tiga jenis hipotesis di sisi kiri masing-masing punya "jodoh" teknik analisis, dan semuanya bermuara pada satu keputusan statistik: menerima atau menolak H0. Hipotesis pengaruh, misalnya profitabilitas terhadap harga saham, biasanya dijawab regresi. Hipotesis perbedaan, misalnya return saham syariah dibanding konvensional, dijawab uji beda dua kelompok. Hipotesis reaksi pasar, misalnya dampak pengumuman stock split terhadap harga saham dalam beberapa hari di sekitar peristiwa, dijawab event study, teknik yang cukup khas di riset pasar modal dan jarang dipakai di bidang manajemen lain. Kesalahan paling sering saya temui adalah mahasiswa memaksakan regresi untuk semua jenis hipotesis, padahal kalau pertanyaan penelitiannya soal reaksi harga di sekitar tanggal peristiwa, event study jauh lebih tepat dan lebih mudah dijustifikasi ke penguji.

Klasifikasi Data: Dasar Sebelum Memilih Teknik

Cross-Section

Data banyak perusahaan pada satu titik waktu — misalnya ROE 50 emiten consumer goods tahun 2025.

Time Series

Data satu objek yang diamati dari waktu ke waktu — misalnya harga saham BBCA harian selama 5 tahun.

Data Panel

Gabungan cross-section & time series — misalnya laporan keuangan 30 emiten selama 10 tahun (300 observasi).

Jenis data menentukan teknik yang tersedia: data panel membuka pintu ke regresi fixed/random effect, sementara data harga harian di sekitar peristiwa membuka pintu ke event study.

Sebelum menentukan teknik, tanyakan dulu ke diri sendiri: data yang akan saya kumpulkan itu bentuknya seperti apa? Kalau Anda hanya mengambil rasio keuangan 50 perusahaan pada tahun 2025 saja, itu cross-section, dan teknik yang cocok adalah regresi linear berganda biasa. Kalau Anda mengamati satu saham, misalnya harga BBCA, selama lima tahun terakhir untuk melihat pola volatilitasnya, itu time series, dan biasanya butuh teknik khusus deret waktu seperti ARCH-GARCH yang akan Anda pelajari lebih lanjut kalau mengambil topik volatilitas. Kalau Anda menggabungkan banyak perusahaan dan banyak tahun sekaligus, itu data panel, yang paling umum dipakai riset kinerja keuangan-return karena memberi observasi lebih banyak sekaligus menangkap perbedaan antar-perusahaan dan antar-waktu. Menentukan jenis data ini di awal akan langsung mempersempit pilihan teknik analisis Anda, sehingga tidak perlu meraba-raba semua opsi sekaligus.

Langkah Pertama Wajib: Statistik Deskriptif

Sebelum menguji hipotesis, kenali dulu "wajah data" Anda — statistik deskriptif adalah pemeriksaan awal wajib di semua teknik analisis.

Ukuran Pemusatan

Mean, Median

Nilai rata-rata & tengah — misalnya rata-rata ROE 50 emiten = 12,4%.

Ukuran Sebaran

Std. Deviation

Seberapa jauh data menyebar dari rata-rata — makin besar, makin heterogen sampel Anda.

Statistik deskriptif juga membantu Anda mendeteksi outlier (nilai ekstrem) sejak dini — misalnya satu emiten dengan ROE 250% akibat kondisi khusus, sebelum ini merusak hasil regresi.

Statistik deskriptif sering dianggap remeh, hanya "tabel pembuka" di Bab 4, padahal ini adalah pemeriksaan kesehatan data yang menentukan apakah langkah analisis berikutnya bisa dipercaya. Kalau rata-rata ROE sampel Anda 12,4 persen tapi standar deviasinya 45 persen, itu tanda ada sebaran yang sangat lebar, mungkin karena ada satu-dua emiten dengan kondisi ekstrem, misalnya rugi besar atau untung tidak wajar akibat penjualan aset satu kali. Kalau Anda langsung lompat ke regresi tanpa memeriksa ini, hasil koefisien Anda bisa terdistorsi oleh satu-dua observasi ekstrem tersebut. Karena itu, di setiap proposal dan skripsi, tabel statistik deskriptif untuk seluruh variabel penelitian adalah hal pertama yang saya periksa sebagai pembimbing, karena dari situ saya sudah bisa menebak apakah datanya "sehat" atau perlu penanganan lebih dulu sebelum diuji.

Uji Asumsi Klasik: Empat Pilar Kelayakan Model Regresi

1. Normalitas

Residual model harus berdistribusi normal — dicek dengan Kolmogorov-Smirnov atau grafik P-P Plot.

2. Multikolinearitas

Antar-variabel independen tidak boleh berkorelasi terlalu tinggi — dicek dengan nilai VIF (idealnya <10).

3. Heteroskedastisitas

Varians residual harus konstan (homoskedastis) — dicek dengan uji Glejser atau grafik scatterplot.

4. Autokorelasi

Residual tidak boleh berkorelasi antar-periode (khusus data time series/panel) — dicek dengan uji Durbin-Watson.

Keempat uji ini wajib dilakukan sebelum Anda percaya pada hasil regresi linear berganda, karena regresi punya asumsi dasar yang harus dipenuhi agar koefisiennya valid secara statistik, bukan sekadar angka yang keluar dari software. Normalitas memastikan kesalahan model tersebar wajar, bukan miring ke satu sisi. Multikolinearitas penting terutama kalau Anda memakai beberapa rasio keuangan sekaligus, misalnya ROE dan ROA, yang sering berkorelasi tinggi satu sama lain karena berasal dari komponen laba yang sama. Heteroskedastisitas sering muncul di data keuangan karena perusahaan besar dan kecil punya variasi laba yang jauh berbeda skalanya. Autokorelasi khusus relevan kalau data Anda time series atau panel, misalnya return saham hari ini biasanya berkorelasi dengan return kemarin. Kalau salah satu asumsi ini dilanggar, bukan berarti penelitian Anda gagal — ada solusi teknis seperti transformasi data atau robust standard error, tapi itu topik lanjutan yang akan dibahas saat Anda benar-benar mengolah data di semester berikutnya.

Bagian 2 dari 3

Teknik Analisis Sesuai Jenis Hipotesis

Membedah lima teknik analisis utama dalam penelitian pasar modal beserta logika perhitungannya.

Hipotesis Pengaruh: Regresi Linear Berganda

Dipakai ketika hipotesis berbentuk "X berpengaruh terhadap Y" — teknik paling umum di riset kinerja keuangan vs return saham.

Y = α + β₁X₁ + β₂X₂ + ... + e

Contoh Kasus

"ROE (X1) dan DER (X2) berpengaruh terhadap Return Saham (Y) pada emiten consumer goods di BEI."

Uji yang Menyertai

Uji-t (parsial, per variabel), Uji-F (simultan, keseluruhan model), dan koefisien determinasi (R²).

Regresi linear berganda menjawab pertanyaan "seberapa besar dan seberapa signifikan pengaruh satu atau lebih variabel independen terhadap variabel dependen", dengan Y sebagai variabel yang ingin dijelaskan, misalnya return saham, dan X1, X2 sebagai variabel penjelas, misalnya ROE dan DER. Setiap koefisien beta menunjukkan arah dan besar pengaruh, sementara uji-t menentukan apakah pengaruh masing-masing variabel itu signifikan secara statistik atau hanya kebetulan sampel. Uji-F menguji apakah model secara keseluruhan, gabungan semua variabel independen, layak digunakan untuk menjelaskan variabel dependen. R kuadrat menunjukkan seberapa besar persentase variasi return saham yang bisa dijelaskan oleh ROE dan DER bersama-sama — kalau nilainya kecil, artinya masih banyak faktor lain di luar model yang mempengaruhi return saham. Mari kita coba hitung sendiri salah satu komponennya, yaitu uji-t, di slide berikutnya.

Coba Sendiri: Rasakan Bidang Regresi Berganda dalam 3D

Putar sumbu ROE dan DER lalu lihat bagaimana bidang regresi memiringkan diri terhadap titik-titik return saham.

Hitung dari Nol: t-hitung Uji Parsial Regresi

Kasus: menguji apakah ROE berpengaruh signifikan terhadap Return Saham (n=50, α=5%, uji dua-arah).

Langkah	Perhitungan	Nilai
1. Ambil koefisien & galat baku dari output regresi	b1 = 0,42; SE(b1) = 0,15	b1=0,42; SE=0,15
2. Hitung t-hitung = b1 ÷ SE(b1)	0,42 ÷ 0,15	t-hitung = 2,80
3. Tentukan df & t-tabel (n-k-1, k=1 prediktor)	df = 50-1-1 = 48 → t-tabel (α=5%, dua-arah)	t-tabel ≈ 2,011
4. Bandingkan & simpulkan	2,80 > 2,011	H1 diterima (signifikan)

Perhatikan bahwa seluruh proses ini sebenarnya hanya membandingkan dua angka: t-hitung yang kita peroleh dari data, dengan t-tabel yang merupakan nilai kritis dari tabel statistik. Langkah pertama kita ambil dua angka mentah dari output SPSS atau Eviews, yaitu koefisien regresi ROE sebesar 0,42 dan galat bakunya 0,15 — galat baku ini menggambarkan seberapa presisi estimasi koefisien tersebut. Langkah kedua, t-hitung diperoleh dengan membagi koefisien dengan galat bakunya, menghasilkan 2,80. Langkah ketiga, kita perlu derajat bebas untuk mencari t-tabel yang sesuai, dengan rumus jumlah sampel dikurangi jumlah prediktor dikurangi satu, di kasus ini 48, dan pada tabel t dengan alpha 5 persen dua arah nilainya sekitar 2,011. Langkah terakhir, karena t-hitung 2,80 lebih besar dari t-tabel 2,011, maka kita menolak H0 dan menerima H1 — artinya ROE terbukti berpengaruh signifikan terhadap return saham pada sampel ini. Latihlah logika ini karena penguji sidang proposal sangat sering bertanya "kenapa Anda simpulkan signifikan?" dan jawaban terbaik adalah menjelaskan perbandingan t-hitung versus t-tabel ini, bukan hanya membaca tanda bintang di output software.

Hipotesis Perbedaan: Uji Beda Dua Kelompok

Dipakai ketika hipotesis berbentuk "terdapat perbedaan antara kelompok A dan B" — bukan pengaruh, melainkan komparasi.

Data Berdistribusi Normal

Independent Sample t-test — misalnya membandingkan rata-rata return saham syariah vs konvensional.

Data Tidak Berdistribusi Normal

Mann-Whitney U Test (non-parametrik) — alternatif ketika asumsi normalitas tidak terpenuhi.

Kesalahan umum: mahasiswa memakai regresi untuk hipotesis perbedaan. Ciri kalimat hipotesis perbedaan biasanya memuat kata "berbeda", bukan "berpengaruh".

Banyak mahasiswa bingung membedakan hipotesis pengaruh dengan hipotesis perbedaan, padahal cirinya cukup jelas dari kalimatnya sendiri — kalau hipotesis Anda berbunyi "return saham syariah berbeda dengan return saham konvensional", itu jelas hipotesis perbedaan, dan teknik yang tepat adalah uji beda dua kelompok, bukan regresi. Independent sample t-test dipakai kalau data kedua kelompok terdistribusi normal, sementara Mann-Whitney U Test dipakai sebagai alternatif non-parametrik kalau asumsi normalitas tidak terpenuhi, yang sering terjadi pada data return saham karena cenderung memiliki ekor distribusi yang panjang. Contoh riset nyata topik ini misalnya membandingkan kinerja portofolio saham LQ45 sebelum dan sesudah pandemi, atau membandingkan volatilitas saham bank BUMN dengan bank swasta. Ingat, kalau hipotesis Anda soal perbedaan, jangan memaksakan regresi hanya karena itu yang paling familiar — penguji proposal akan langsung menangkap ketidaksesuaian ini sebagai kelemahan metodologis.

Event Study: Menguji Reaksi Pasar terhadap Peristiwa

Teknik khas riset pasar modal — mengukur apakah suatu peristiwa (pengumuman dividen, stock split, right issue) menyebabkan reaksi harga abnormal.

AR = Rit − E(Rit) | CAR = Σ AR selama jendela peristiwa

Event study bekerja dengan logika yang berbeda dari regresi maupun uji beda — kita fokus pada satu titik waktu spesifik, yaitu tanggal peristiwa yang kita sebut t=0, misalnya tanggal pengumuman right issue sebuah emiten. Perhatikan diagram ini, ada jendela estimasi yang dipakai untuk menghitung return normal atau return ekspektasi berdasarkan pola historis saham dan pasar, dan ada jendela peristiwa yang lebih sempit, misalnya satu hari sebelum sampai satu hari sesudah pengumuman, tempat kita mengukur apakah ada reaksi abnormal. Abnormal return, disingkat AR, adalah selisih antara return aktual yang benar-benar terjadi dengan return ekspektasi yang seharusnya terjadi kalau tidak ada peristiwa tersebut. Cumulative abnormal return, disingkat CAR, menjumlahkan AR selama beberapa hari di jendela peristiwa untuk melihat efek kumulatifnya, karena kadang pasar bereaksi tidak hanya persis di hari H tapi juga sehari sebelum atau sesudahnya akibat kebocoran informasi atau keterlambatan reaksi. Di slide berikutnya kita akan menghitung ini dengan angka nyata supaya konsepnya semakin jelas.

Coba Sendiri: Geser Jendela Peristiwa Event Study

Geser tanggal peristiwa dan lebar jendela estimasi untuk melihat bagaimana abnormal return dan CAR terbentuk.

Hitung dari Nol: Abnormal Return & Cumulative Abnormal Return

Kasus: saham ABCD mengumumkan right issue. Model pasar: α=0,2%, β=1,2. Return IHSG hari pengumuman = 1,0%.

Langkah	Perhitungan	Nilai
1. Hitung return ekspektasi (model pasar)	E(Rit) = α + β×Rmt = 0,2% + (1,2×1,0%)	E(Rit) = 1,4%
2. Hitung Abnormal Return hari pengumuman	AR(0) = Rit − E(Rit) = 3,5% − 1,4%	AR(0) = 2,1%
3. Kumpulkan AR sepanjang jendela [-1,+1]	AR(-1)=0,5%; AR(0)=2,1%; AR(+1)=0,3%	Σ AR harian dicatat
4. Hitung Cumulative Abnormal Return (CAR)	CAR = 0,5% + 2,1% + 0,3%	CAR = 2,9%

Mari kita ikuti angka konkretnya. Return aktual saham ABCD pada hari pengumuman right issue adalah 3,5 persen, sementara return IHSG hari itu 1,0 persen. Langkah pertama, kita hitung return ekspektasi menggunakan model pasar dengan alpha 0,2 persen dan beta 1,2, sehingga E(Rit) sama dengan 0,2 persen ditambah 1,2 dikali 1,0 persen, hasilnya 1,4 persen — ini adalah return yang "wajar" terjadi kalau tidak ada peristiwa khusus. Langkah kedua, abnormal return dihitung dengan mengurangi return aktual 3,5 persen dengan return ekspektasi 1,4 persen, menghasilkan 2,1 persen — artinya ada kenaikan harga 2,1 persen yang tidak bisa dijelaskan oleh pergerakan pasar biasa, kemungkinan besar karena reaksi investor terhadap pengumuman right issue tersebut. Langkah ketiga dan keempat, kita mengumpulkan AR untuk tiga hari di sekitar peristiwa lalu menjumlahkannya menjadi CAR sebesar 2,9 persen. Kalau CAR ini secara statistik signifikan berbeda dari nol, itu bukti bahwa pasar memang bereaksi terhadap informasi tersebut — dan itulah yang biasanya diuji dengan uji-t satu sampel di tahap berikutnya.

Data Panel: Fixed Effect vs Random Effect

Dipakai ketika riset menggabungkan banyak perusahaan × banyak tahun — paling umum untuk riset kinerja keuangan vs return saham.

Fixed Effect Model

Mengasumsikan setiap perusahaan punya karakteristik unik tetap yang mempengaruhi hasil — cocok kalau perbedaan antar-emiten besar.

Random Effect Model

Mengasumsikan karakteristik unik perusahaan bersifat acak, tidak berkorelasi dengan variabel independen.

Pilihan antara keduanya ditentukan melalui Uji Hausman — bukan preferensi pribadi peneliti.

Ketika Anda meneliti misalnya pengaruh struktur modal terhadap kinerja keuangan pada 30 perusahaan manufaktur selama 10 tahun, Anda punya data panel, dan pertanyaan berikutnya adalah model mana yang tepat, fixed effect atau random effect. Fixed effect cocok kalau Anda menduga setiap perusahaan punya karakteristik khas yang konstan sepanjang waktu, misalnya budaya manajemen atau posisi pasar, yang ikut mempengaruhi hasil dan berkorelasi dengan variabel independen. Random effect cocok kalau karakteristik unik itu dianggap acak dan tidak berkorelasi dengan variabel independen, sehingga bisa diperlakukan sebagai bagian dari galat. Kabar baiknya, Anda tidak perlu menebak-nebak sendiri — ada uji formal bernama Uji Hausman yang membandingkan kedua model secara statistik dan memberi rekomendasi objektif model mana yang lebih tepat untuk data Anda. Ini penting disebut di proposal karena menunjukkan Anda memahami bahwa pemilihan model bukan selera, melainkan keputusan berbasis uji statistik yang bisa dipertanggungjawabkan.

SEM-PLS: Untuk Model Multi-Variabel yang Kompleks

Dipakai ketika model penelitian memiliki variabel mediasi/moderasi berganda atau konstruk yang tidak diukur langsung.

Kapan Dipakai

Model dengan beberapa jalur sekaligus, misalnya literasi keuangan → keputusan investasi → kinerja portofolio, dengan variabel mediasi/moderasi.

Dua Tahap Evaluasi

Outer model (validitas & reliabilitas indikator) diuji dahulu, baru inner model (hubungan antar-konstruk).

Rujukan utama teknik ini: Ghozali (2007), Model Persamaan Struktural — Konsep dan Aplikasi dengan Program AMOS/SmartPLS.

SEM-PLS, singkatan dari Structural Equation Modeling berbasis Partial Least Squares, biasanya baru relevan kalau model penelitian Anda cukup rumit, misalnya melibatkan variabel yang tidak bisa diukur langsung seperti literasi keuangan atau sentimen investor, yang harus diukur melalui beberapa indikator sekaligus dalam kuesioner. Berbeda dengan regresi biasa yang langsung menguji hubungan antar-variabel yang terukur, SEM-PLS punya dua tahap evaluasi: outer model dulu, memastikan indikator-indikator kuesioner Anda memang valid dan reliabel dalam mengukur konstruk yang dimaksud, baru kemudian inner model, menguji hubungan antar-konstruk itu sendiri. Buku rujukan utama untuk teknik ini di lingkungan kita adalah karya Imam Ghozali tentang model persamaan struktural, yang akan sangat membantu kalau topik penelitian Anda melibatkan survei perilaku investor, bukan hanya data sekunder harga saham dan laporan keuangan. Untuk sebagian besar riset pasar modal dengan data sekunder murni, regresi atau event study sudah cukup — SEM-PLS baru diperlukan kalau desain Anda memang melibatkan konstruk psikologis yang diukur lewat kuesioner.

Bagian 3 dari 3

Memilih & Menjustifikasi Teknik untuk Proposal Anda

Menerapkan peta teknik analisis pada hipotesis milik masing-masing dan menulis justifikasinya.

Tabel Pemilihan Teknik Analisis Sesuai Hipotesis

Bentuk Hipotesis	Ciri Kalimat	Teknik yang Tepat
Pengaruh (1 titik waktu/panel)	"X berpengaruh terhadap Y"	Regresi linear berganda / regresi data panel
Perbedaan antar-kelompok	"A berbeda dengan B"	Independent sample t-test / Mann-Whitney
Reaksi pasar atas peristiwa	"Peristiwa X mengubah harga/return"	Event study (Abnormal Return & CAR)
Model multi-jalur/konstruk laten	"X mempengaruhi Y melalui/dimoderasi Z"	SEM-PLS

Simpan tabel ini — Anda akan memakainya lagi saat menulis metodologi penelitian di Pertemuan 13.

Tabel ini adalah rangkuman praktis dari seluruh Bagian 2 tadi, dan saya sengaja susun berdasarkan ciri kalimat hipotesis karena itulah cara paling cepat mengecek kesesuaian teknik saat Anda menulis maupun saat penguji membaca proposal Anda. Kalau hipotesis Anda memakai kata "berpengaruh" dan datanya berupa angka-angka terukur pada satu waktu atau gabungan perusahaan-tahun, pilihannya regresi. Kalau memakai kata "berbeda", itu domain uji beda dua kelompok. Kalau bicara soal peristiwa spesifik yang mengubah harga saham dalam rentang hari tertentu, itu domain event study. Kalau modelnya melibatkan variabel yang diukur lewat indikator kuesioner dengan jalur mediasi atau moderasi berlapis, itu domain SEM-PLS. Simpan tabel ini baik-baik karena persis tabel inilah yang akan menjadi kerangka acuan saat Anda menulis subbab teknik analisis data di Bab 3 proposal pada pertemuan 13 nanti.

Latihan: Tentukan & Justifikasi Teknik untuk Proposal Anda (20 menit)

Instruksi

Ambil hipotesis H0/H1 hasil Pertemuan 5 milik Anda sendiri.
Identifikasi bentuk kalimat hipotesis: pengaruh, perbedaan, reaksi pasar, atau model multi-jalur.
Cocokkan dengan Tabel Pemilihan Teknik (Slide 17) untuk menentukan teknik analisis yang tepat.
Tulis 2-3 kalimat justifikasi: "Teknik ini dipilih karena..." (sebutkan bentuk hipotesis & jenis data Anda).

Bawa hasil latihan ini sebagai draf awal subbab teknik analisis data untuk Bab 3 proposal.

Untuk dua puluh menit ke depan, saya minta Anda mengeluarkan hipotesis H0/H1 yang sudah dirumuskan di pertemuan lima, lalu ikuti keempat langkah di layar secara berurutan. Langkah paling penting adalah mengidentifikasi bentuk kalimat hipotesis Anda sendiri — apakah memakai kata "berpengaruh", "berbeda", atau menyinggung reaksi pasar terhadap suatu peristiwa. Setelah itu, cocokkan dengan tabel di slide sebelumnya untuk menentukan teknik yang paling tepat, lalu yang tidak kalah penting, tuliskan justifikasinya dalam dua sampai tiga kalimat, karena kalimat inilah yang nanti akan Anda gunakan hampir persis di Bab 3 proposal pada pertemuan 13. Saya akan berkeliling untuk membantu jika ada hipotesis yang bentuknya ambigu, misalnya campuran antara pengaruh dan perbedaan, karena itu situasi yang cukup umum terjadi dan perlu didiskusikan kasus per kasus.

Kesalahan Umum dalam Memilih Teknik Analisis

Teknik Ditentukan Duluan, Hipotesis Menyesuaikan

Mahasiswa sudah "cinta" pada regresi sejak awal, lalu memaksa hipotesis mengikuti bentuk teknik tersebut — seharusnya sebaliknya.

Mengabaikan Uji Asumsi Klasik

Langsung membaca output regresi tanpa memeriksa normalitas/multikolinearitas — hasil bisa menyesatkan meski terlihat signifikan.

Jendela Peristiwa Terlalu Panjang

Event study dengan jendela 30 hari berisiko menangkap peristiwa lain yang tidak relevan, mencemari hasil CAR.

Tidak Bisa Menjelaskan "Kenapa"

Bisa menjalankan software (SPSS/Eviews/SmartPLS) tapi tidak bisa menjelaskan logika di balik angka signifikansi.

Empat jebakan ini adalah yang paling sering saya temukan saat menguji proposal maupun sidang skripsi mahasiswa manajemen. Kesalahan pertama, menentukan teknik sebelum hipotesis matang, biasanya terjadi karena mahasiswa merasa lebih nyaman dengan regresi karena paling sering diajarkan, padahal urutan yang benar selalu dimulai dari bentuk hipotesis, bukan dari teknik favorit. Kesalahan kedua, mengabaikan uji asumsi klasik, membuat hasil regresi terlihat meyakinkan padahal sebenarnya tidak valid secara statistik — ini sering ketahuan penguji lewat pertanyaan sederhana seperti "berapa nilai VIF Anda?" Kesalahan ketiga khusus event study, jendela peristiwa yang terlalu panjang, misalnya tiga puluh hari, berisiko menangkap peristiwa lain yang tidak berkaitan, misalnya laporan keuangan kuartalan yang kebetulan terbit di rentang waktu yang sama, sehingga mencemari hasil CAR Anda. Kesalahan keempat adalah yang paling fatal saat sidang: mahasiswa bisa menjalankan software dengan lancar tapi gagap ketika diminta menjelaskan logika di balik angka signifikansi — inilah mengapa latihan menghitung manual tadi penting, bukan sekadar hiasan pedagogis.

Rangkuman & Penutup: Tugas dan Pertemuan Berikutnya

Rangkuman Hari Ini

Teknik analisis dipilih dari bentuk hipotesis & jenis data — bukan sebaliknya.
Regresi (pengaruh) · Uji beda (perbedaan) · Event study (reaksi pasar) · SEM-PLS (model kompleks).
Uji asumsi klasik & statistik deskriptif adalah pemeriksaan wajib sebelum uji hipotesis.

Tugas Minggu Ini

Draf Justifikasi

Selesaikan & rapikan justifikasi teknik analisis dari latihan hari ini — bawa ke UTS sebagai bahan revisi proposal.

Setelah UTS (Pertemuan 8), kita masuk ke evaluasi kritis artikel jurnal empiris — teknik yang kita pelajari hari ini akan langsung Anda temukan dipakai di jurnal-jurnal tersebut.

Sampai di sini kita sudah menyelesaikan seluruh rangkaian pra-UTS: dari mengenali fungsi riset pasar modal, merumuskan masalah, menelusuri literatur, menyusun model dan hipotesis, memilih desain riset, sampai hari ini memilih teknik analisis data. Pekerjaan rumah Anda adalah merapikan draf justifikasi teknik analisis dari latihan tadi menjadi paragraf yang utuh, karena ini akan langsung menjadi bahan revisi proposal Anda menjelang UTS. Setelah UTS di pertemuan delapan, kita akan mulai membedah artikel jurnal empiris asli tentang saham dan obligasi, dan Anda akan melihat sendiri bagaimana penulis jurnal menuliskan justifikasi teknik analisis mereka — bandingkan dengan tulisan Anda sendiri hari ini. Terima Kasih atas partisipasi aktif Anda sepanjang tujuh pertemuan ini, selamat mempersiapkan UTS, dan sampai jumpa di pertemuan delapan.