BAB II

KAJIAN TEORITIK

A. Deskripsi Konseptual

1) Likuiditas Saham

Likuiditas saham dapat dilihat dari volume perdagangan yang terjadi pada suatu

saham. Volume perdagangan saham merupakan rasio antar jumlah lembar saham

diperdagangkan pada waktu tertentu dengan jumlah lembar saham yang beredar

pada tertentu (husnan et al., 2005). Volume perdagangan saham sering digunakan

untuk mengukur likuiditas suatu saham, dimana hal tersebut berkaitan dengan

minat investor pada suatu instrumen saham terkait.

Bade dan Hirth, (2016) mengemukakan bahwa likuiditas mengacu pada ukuran

jumlah transaksi suatu saham di pasar modal pada periode tertentu . Semakin tinggi

frekuensi transaksi saham tersebut, maka akan semakin tinggi pula likuiditas dari

saham tersebut. Bahkan di Bursa Efek Indonesia telah dibuat peringkat untuk 45

buah perusahaan yang memiliki likuiditas saham tertinggi yang dikenal dengan

peringkat LQ45.

Pendekatan volume perdagangan saham dapat digunakan sebagai proksi reaksi

pasar. Dimana volume perdagangan saham lebih merefleksikan aktivitas investor

karena adanya suatu informasi terkait jumlah saham yang diperdagangkan.

Likuiditas saham dan harga saham suatu perusahaan dipandang oleh masyarakat

dan investor sebagai petunjuk yang baik untuk mengukur tingkat efektivitas kinerja

perusahan. Jika dalam peredaran saham suatu emiten lebih cepat daripada saham
9
 10

perusahaan lainnya, maka kinerja perusahaan secara fundamental diasumsikan

lebik baik demikian pula sebaliknya. Volume dan fluktuasi perdagangan

menggambarkan aliran informasi yang beredar dan perilaku investor di pasar pada

suatu periode (Garman dan Klass, 1980).

Volume perdagangan saham merupakan yang paling relevan digunakan sebagai

proksi likuiditas. Volume perdagangan saham juga dipergunakan untuk mengukur

bagaimana informasi yang dikeluarkan perusahaan dapat dimanfaatkan oleh

investor sebagai strategi dalam pembelian atau penjualan saham. Volume

perdagangan saham merupakan hal yang penting bagi seorang investor, karena

volume perdagangan saham menggambarkan kondisi saham yang diperjual belikan

di pasar modal.

Kim et al., (2018) melakukan penelitian secara empiris untuk mengetahui

faktor-faktor yang dapat mempengaruhi atau menentukan likuiditas. Adapun

faktor-faktor yang dapat mempengaruhi likuiditas adalah :(1) ukuran perusahaan,

(2) kesempatan bertumbuh (growth oppurtunities), (3) variabilitas arus kas operasi,

(4) variabilitas free cash flow, (5) return spread, (6) perkiraan ekonomi masa

mendatang, (7) siklus kas, (8) debt ratio.

Likuiditas saham berbicara mengenai bagaimana saham yang dengan cepat

dapat diperjual belikan di bursa, semakin likuid saham tersebut, maka percepatan

transaksi pada periode tertentu semakin baik pula. Conroy (1990) menyatakan

bahwa salah satu proksi untuk melihat likuiditas saham adalah data volume

perdagangan saham suatu emiten.

 11

Menurut penelitian sebelumnya oleh Kim et al., (2018) Abnormal trading

volume yakni merupakan standarisasi dari pada volume perdagangan saham yang

merepresentasikan likuiditas saham. Semakin tinggi likuiditas suatu saham, berarti

minat investor atas saham tersebut juga semakin tinggi.

Berdasarkan hal diatas maka abnormal trading volume dapat dijadikan sebagai

proksi untuk melihat likuiditas saham. Adapun formula untuk menghitung

abnormal trading volume mengadaptasi pada penelitian Kim et al., (2018), yaitu :

− ∑
=

Keterangan :

ATVt = Abnormal trading volume bulanan pada periode t

TVt = Trading volume bulanan pada periode t

∑ TV = Rata-rata trading volume selama periode 12 bulan

sebelumnya

= Standar deviasi trading Volume selama periode 12 bulan

sebelumnya

2) Intensitas Pencarian Google

Perhatian investor adalah cara dimana seseorang secara aktif memproses

sejumlah informasi terbatas, dari sejumlah besar informasi yang tersedia melalui

indera seseorang, ingatan yang tersimpan dan proses kognitif lainnya (De Weerd

2003), jika dikaitkan dengan investor maka perhatian investor merupakan proses

pengumpulan informasi yang dilakukan investor dengan memusatkan perhatian

hanya pada hal yang menurutnya menarik dan mengabaikan informasi lain diluar
 12

hal tersebut. Ketika investor harus membuat keputusan investasi, mengingat

terdapat sejumlah besar informasi yang tersedia dan perhatian yang terbatas, maka

investor harus selektif dalam pengolahan informasi, dan pengumpulan informasi

mengenai perusahaan yang diminati tersebut yang diperoleh baik dari sumber

internal (contoh: pengalaman sebelumnya) dan eksternal (contoh: iklan, brosur, dan

artikel surat kabar).

Studi yang berkaitan dengan atensi investor dilakukan oleh (Grullon et al.,

2004) yang menemukan relevansi antara perhatian investor dengan harga saham

dan likuiditas melalui advertising expenditure, namun mengukur perhatian investor

adalah hal yang tidak mudah. Contohnya, penelitian yang dilakukan oleh (Fang &

Peress, 2009) tentang perhatian investor yang didapat oleh perusahaan melalui

media surat kabar. Hasilnya tidak terdapat informasi yang menjamin bahwa

pembaca surat kabar memperhatikan perusahaan yang ada pada halaman surat

kabar tersebut.

Arbel et al., (1983) menunjukkan bahwa saham dengan visibilitas lebih rendah

dikaitkan dengan return yang lebih tinggi. Merton mengaitkan fenomena ini dengan

tingkat investor recognition terhadap saham. Melalui Investor Recognition

Hypothesis, ia berpendapat bahwa pada pasar yang tidak memiliki informasi yang

lengkap, investor tidak memiliki pengetahuan mengenai semua sekuritas. Asumsi

ini menyiratkan adanya saham yang terabaikan di pasar dan sebagai akibatnya,

saham dengan investor recognition yang lebih rendah perlu menawarkan return

premium untuk menangani resiko khusus (Merton, 1987) atas dasar itu (Fang &

Peress, 2009) kemudian mendukung hipotesis investor recognition dengan

 13

menemukan no media premium, yang menunjukkan saham dengan cakupan media

yang lebih sedikit memperoleh likuiditas yang lebih tinggi.

Namun penelitian selanjutnya mengatakan hal yang berbeda, Da et al., (2011)

menyatakan bahwa dengan banyaknya aset yang ada, individual investor cederung

memilih saham yang menarik perhatian seperti saham dengan jumlah intesitas

pencarian Google, ini membuktikan bahwa peningkatan perhatian tentang suatu

saham berdampak pada peningkatan harga aset, dan kemudian menyebabkan

adanya hubungan positif antara perhatian investor dan likuiditas saham.

Efficient Market Hypothesis sebagai hipotesis harga sekuritas/aset yang

sepenuhnya mencerminkan informasi yang tersedia tentang sekuritas/aset. Sejalan

dengan Fama, (Sewel, 2011) juga menyatakan bahwa pasar yang efisien adalah

pasar dimana harga aset sepenuhnya mencerminkan semua informasi yang ada, hal

ini berarti bahwa informasi tersebut baik dari masa lalu dan sekarang serta

informasi dari perusahaan itu sendiri (insider information). Efficient market

hypothesis secara keseluruhan menyatakan bahwa pasar pada umumnya efisien,

namun teori ini ditawarkan dalam tiga versi yang berbeda, yaitu: weak form test,

semi-strong dan strong.

a) Weak form test

Versi weak form test ini menunjukkan bahwa harga saham saat ini

mencerminkan semua data harga masa lalu dan dapat dikatakan juga bahwa

analisis teknis tidak dapat digunakan secara efektif untuk membantu investor

dalam membuat trading decisions.

 14

b) Semi-strong test

Teori semi-strong form efficiency menyatakan semua informasi yang

bersifat publik digunakan dalam perhitungan harga saham saat ini, maka

investor tidak dapat menggunakan analisis teknis atau fundamental untuk

mendapatkan return yang lebih tinggi di pasar.

c) Strong form

Versi strong form menyatakan bahwa semua informasi, baik informasi yang

tersedia untuk publik maupun informasi privat yang tidak diketahui publik,

sepenuhnya terefleksi dalam harga saham saat ini. Dan tentu saja tidak ada jenis

informasi yang dapat memberikan keuntungan di pasar.

Membangun suatu asumsi bahwa investor secara pasif menggunakan informasi

yang tersedia pada penemuan sebelumnya, yakni penelitian tentang penggunaan

iklan televisi yang dilakukan oleh Grullon et al., (2004) dan media coverage yang

dilakukan oleh Fang dan Peress (2009) sebagai perhatian investor yang

berpengaruh pada likuditas saham. Google mengambil sisi lain, Google

diasumsikan sebagai proksi aktif dimana investor dan calon investor secara taktis

menggunakan Google sebagai bahan untuk mencari informasi yang tersedia

terhadap suatu emiten di bursa. Pada penelitian Da et al., (2011) menggunakan

intensitas pencarian pada Google yang disebut sebagai search volume index

sebagai proksi langsung untuk mengukur perhatian investor. Search Volume Index

adalah nilai relatif dari pencarian kata kunci spesifik dan tidak dapat langsung

dibandingkan dari suatu perusahaan dengan perusahaan lainya. Search Volume

Index menyediakan data mingguan/bulanan intensitas pencarian di Google.

 15

Semakin tinggi nilai relatif search volume index pada suatu periode tertentu, maka

semakin besar pula pencarian atas kata atau keyword tersebut pada suatu periode

tertentu. Search Volume Index dapat menjadi sinyal yang kuat terkait ketertarikan

masyarakat (pengguna Google) terhadap suatu hal.

Penggunaan search volume index sebagai proksi untuk mengukur perhatian

dibuktikan dengan penggunaan proksi ini di beberapa penelitian seperti Drake et

al., (2012) yang menguji signifikansi pengaruh Google search volume index

terhadap stock price dan trading volume yang terdapat dalam S&P 500. Kemudian,

penelitian yang dilakukan Takeda dan Wakao (2014) yang dapat disimpulkan

Google search volume index memiliki pengaruh yang kuat dan positif terhadap

trading Volume.

Google search volume index memfilter koleksi data mereka dari sumber sumber

yakni Website, Youtube, News, Images dan Google Shopping. Google Search

Volume Index dapat menyaring pencarian dalam beberapa kategori. Pada penelitian

ini kategori yang digunakan dalam melakukan penyaringan adalah “Business and

Industrial”. Formula untuk menghitung abnormal search volume index, penulis

mengadaptasi dari penelitian yang dilakukan oleh Kim et al., (2018) yaitu :

− ∑
=

Keterangan :

ASVIt = Abnormal Search Volume Index bulanan pada periode t

SVIt = Search Volume Index bulanan pada periode t

 16

∑ SVI = Rata-rata Search Volume Index selama periode 12 bulan

sebelumnya

= Standar deviasi Search Volume Index selama periode 12 bulan

sebelumnya

3) Volatilitas Saham

Volatilitas adalah pengukuran statistik untuk fluktuasi harga saham selama

periode tertentu. Volatilitas pada pasar keuangan merupakan sesuatu yang sangat

penting dalam melihat resiko manajemen, asset pricing, dan portofolio saham.

Penelitian yang dilakukan oleh Xu et al., (2018) pada Shanghai Composite Index

of Chinese stock market, menemukan bahwa volatilitas suatu saham mempengaruhi

secara signifikan likuiditas saham dan likuiditas juga mempengaruhi volatilitas. Hal

yang sama juga ditemukan pada penelitian yang dilakukan pada Canadian stock

market oleh (Gold et al., 2017).

Volatilitas berarti adanya guncangan yang terjadi pada saham, dalam arti terjadi

naik turun harga di pasar. Harga saham menjadi refleksi dari keputusan emiten

dalam melakukan investasi pendanaan (termasuk kebijakan dividen) serta

manajemen aset. Semakin banyak masyarakat yang membeli instrument saham

terkait, maka harga saham emiten tersebut cenderung naik. Sebaliknya, makin

banyak masyarakat yang menjual saham suatu emiten, maka harga saham emiten

tersebut akan bergerak turun.

Menurut Arifin (2004) ada beberapa faktor yang mempengaruhi naik turunnya

harga saham adalah sebagai berikut :

 17

a) Faktor Fundamental

Merupakan faktor yang berkaitan langsung dengan kinerja emiten yang

bersangkutan. Semakin baik performa dari perusahaan yang terlisting dalam

bursa, maka semakin besar pengaruhnya terhadap efektifitas harga saham pada

bursa.

b) Demand Supply

Esensi dari permintaan dan penawaran menjadi sangat penting dalam

analisa yang dilakukan oleh investor terhadap saham suatu emiten karena begitu

investor sebelumnya mencari akses informasi terhadap kondisi fundamental

perusahaan tentunya mereka akan melakukan melihat kondisi jumlah saham

yang terjual dan terbeli pada periode tertentu.

c) Tingkat suku bunga.

Dengan adanya perubahan suku bunga pada bank sentral maka tingkat

pengembalian hasil berbagai instrument investasi juga akan mengalami

perubahan. Bunga yang tinggi akan berdampak pada pengalokasian dana

investasi. Penjualan saham secara serentak akan berdampak pada penurunan

harga saham secara signifikan begitu pula sebaliknya.

d) Indeks Saham Gabungan

Indeks Harga Saham Gabungan merupakan representasi dari sehat atau

tidaknya saham-saham emiten terkait pada periode tertentu.

e) Rumor dan Berita

Berita yang beredar di masyarakat luas secara aktif memberikan efek pada

investor dan calon investor yang melakukan aktifitas pada bursa. Dengan
 18

adanya berita yang tersebar, para investor bisa memprediksi langkah apa yang

akan diambil pada bursa.

Parkinson (1980) menjelaskan bahwa model estimasi yang dikembangkan

berdasarkan harga rentang harian pembukaan dan penutupan menghasilkan

perkiraan yang lebih baik daripada model estimasi yang menggunakan harga

penutupan saja, kemudian dikembangkan oleh Garman dan Klass, (1980) yang

menambahkan perhitungan harga tertinggi dan harga terendah saham pada periode

terkait. Parkinson (1980) menyatakan metode yang digunakan dalam menentukan

volatilitas saham merupakan metode yang sangat relevan dalam membentuk suatu

perhitungan gejolak harga saham. Sehingga metode yang digunakan oleh Garman

dan Klass (1980) dalam menghitung gejolak yang terjadi pada harga saham terdapat

didalamnya harga tertinggi (High), harga terendah (low), harga pembukaan (open),

harga penutupan (close). Untuk pengukuran volatilitas pada penelitian ini, penulis

mengadaptasi dari rumus yang digunakan oleh Daigler dan Wiley, (1999) yang

diadaptasi dari Garman dan Klass, (1980):

Volatilityt = 0.5 [ln(Hit) – ln(Lit)]2 – [2ln(2) – 1][ln(Oit) – ln(Cit)]2

Keterangan :
Volatilityt = Volatilitas bulanan pada periode t

Hit = Harga tertinggi saham i pada periode t

Li = Harga terendah saham i pada periode t

Cit = Harga penutupan saham i pada periode t

Oit = Harga pembukaan saham i pada periode t

ln = Logaritma Natural
 19

4) Abnormal trading volume Lagged -1

Dalam statistika ekonomi keterikatan suatu variabel terhadap pengaruh masa

lalu atau selang waktu dapat dimasukan kedalam model regresi, reaksi atau

pengaruh dari kondisi masa lalu disebut juga dengan distributed lag model.

Penelitian Bijl et al., (2016) menjadikan data abnormal trading volume 8 minggu

sebelumnya sebagai variabel kontrol dalam melihata abnormal trading volume

yang terjadi sekarang. Dalam penelitian yang menggunakan data panel, penulis

melihat perlu adanya dimasukan variabel kontrol berupa data satu bulan

sebelumnya (lagged-1).

Aktifitas perdagangan dipasar uang satu bulan sebelumnya tidak hanya

mempengaruhi trading volume saja, akan tetapi juga merangsang investor untuk

melakukan pencarian pada Google. Hal ini membuat penulis semakin tertarik untuk

memasukan lagged-1 kedalam model penelitian sebagai variabel kontrol. Adapun

untuk formula yang digunakan adalah mengadaptasi pada penelitian Kim et al.,

(2018) yaitu :

− ∑
=

Keterangan :

ATVt-1 = Abnormal trading volume bulanan pada periode t-1

TVt-1 = Trading volume bulanan pada periode t-1
∑ TV = Rata-rata trading volume selama periode 12 bulan sebelumnya

= Standar deviasi trading volume selama periode 12 bulan

sebelumnya
 20

B. Hasil Penelitian yang Relevan

Penelitian ini didukung dari beberapa literatur penelitian sebelumnya. Berikut

adalah penelitian terdahulu yang relevan dengan judul penulis. Kim et al., (2018)

menguji apakah perhatian investor memiliki pengaruh yang positif terhadap

likuiditas yang terdapat pada indikator abnormal trading volume saham melalui

proksi google search volume index. Hasil yang didapat pada penelitian ini adalah

berpengaruh signifikan terhadap likuiditas yang terdapat pada indikator abnormal

trading volume dan volatilitas saham.

Wang et al., (2018) dalam penelitiannya yang berjudul “Investor Attention,

Market Liquidity and Stock Return: A New Perspective” meneliti perhatian investor

melalui proksi data pencarian dari mesin pencari Google, dengan menggunakan

kumpulan teks tentang industri tertentu oleh teknik analisis teks seperti algoritma

textrank sebagai kata kunci. Dua indeks dibangun oleh metode analisis komponen

utama, termasuk indeks positif dan indeks negatif. Wang et al., (2018) menemukan

bahwa perhatian investor dengan keyword positif memiliki pengaruh positif

terhadap likuiditas dan pengembalian pasar saham, dan perhatian investor dengan

keyword negatif memiliki pengaruh sebaliknya.

Yang et al., (2018) meneliti perhatian investor dengan menggunakan dua

proksi, proksi pertama serupa dengan google search volume index dan proksi yang

kedua adalah dengan menghitung the increments of the attention volume for each

stock. Dengan dua proksi tersebut Yang et al., (2018) menemukan bahwa

dibandingkan dengan google search volume index, ukuran increments of the

 21

attention volume for each stock signifikan terkait dengan pengembalian indeks

saham serta likuiditas yang sesuai Chinese Securities Index 100 (CSI100) pada hari

yang sama di 2015. Ini menunjukkan bahwa pengaruh ukuran IAVS pada

pergerakan pasar saham lebih stabil dan signifikan daripada menggunakan data

pencarian dari mesin pencari seperti Google, serta menemukan bahwa google

search volume index tidak berpengaruh terhadap likuiditas.

Adachi et al., (2017) menyelidiki hubungan antara intensitas pencarian Google

dan pergerakan harga saham di bursa saham startup Jepang, Mothers dan JASDAQ.

Dengan menggunakan proksi google search volume index. Adachi et al., (2017)

menemukan hubungan positif antara intensitas pencarian dan pengembalian saham

dan hubungan positif tersebut juga terdapat pada intensitas pencarian dan likuiditas.

Citra (2017) melakukan penelitian pada saham yang terdaftar di LQ-45 Bursa

Efek Indonesia untuk melihat intensitas pencarian Google terhadap likuiditas

saham. Dari hasil penelitian ditemukan terdapat pengaruh dari intensitas pencarian

Google terhadap likuiditas yang diproksikan dengan volume perdagangan.

Ding dan Hou (2015) melakukan penelitian yang berjudul “Retail Investor and

Stock Liquidity” pada saham S&P 500. Dari penelitian tersebut ditemukan bahwa

Google search volume index berpengaruh terhadap mengecilnya nilai bid-ask

spread suatu saham.

Takeda dan Wakao (2013) melakukan penelitian yang berjudul “Google search

intensity and its relationship with the return and trading volume of Japanese

Stock”, dari penelitian tersebut ditemukan Google search volume index

 22

berpengaruh terhadap likuiditas yang diproksikan dengan Abnormal trading

volume.

Bank et al., (2011) menggunakan volume pencarian nama perusahaan dengan

Google search volume index sebagai proksi untuk perhatian investor dan

implikasinya pada aktivitas trading, likuiditas, dan pengembalian saham di Bursa

Saham Jerman. Hasil yang ditemukan adalah terdapat hubungan positif yang

signifikan antara search intensity dan likuiditas pada perusahaan yang terdaftar

dalam Bursa Saham Jerman.

Penelitian-penelitian diatas adalah rujukan untuk melihat pengaruh dari

intensitas pencarian Google terhadap likuiditas, sedangkan penelitian yang menjadi

rujukan volatilitas, dan abnormal trading volume lagged-1 terhadap likuiditas

antara lain, Sojka dan Kliber (2019) penelitian yang dilakukan pada Warsaw Stock

Exchange untuk melihat hubungan dari volatilitas dan likuiditas saham. Adapun

hasil dari penelitian tersebut ditemukan terdapat hubungan sangat signifikan antara

volatilitas dan likuiditas.

Xu et al., (2018) penelitian yang dilakukan pada China Stock untuk melihat

hubungan dari volatilitas dan likuiditas saham. Proksi yang digunakan dalam

mengukur likuiditas adalah Amihud Liquidity, dan untuk volatilitas adalah Realized

Range-based Volatility (RRV). Hasil penelitian adalah menemukan pengaruh yang

kuat dari RRV terhadap likuiditas suatu saham. Gold et al., (2017) penelitian yang

dilakukan pada Canadian Stock Market menemukan terdapat pengaruh yang

signifikan antara volatilitas dan likuiditas.

 23

Dalam penelitian yang menggunakan data panel, terdapat peran waktu yang

signifikan. Untuk menghilangkan bias peran waktu maka diperlukan variabel

kontrol yang menggunakan model lagged. Adapun model lagged yang digunakan

adalah berdasarkan penelitian dari Kim et al., (2018) penelitian yang melihat

pengaruh intensitas pencarian terhadap likuiditas yang diproksikan dengan

Abnormal trading volume dan dikontrol oleh Abnormal trading volume lagged 1

bulan sebelumnya, ditemukan bahwa Abnormal trading volume lagged

berpengaruh terhadap likuiditas.

Bijl et al., (2018) melakukan penelitian tentang pengaruh intensitas pencarian

terhadap likuiditas yang diproksikan dengan abnormal trading volume dan

dikontrol oleh abnormal trading volume Lagged 8 minggu sebelumnya, ditemukan

bahwa abnormal trading volume lagged berpengaruh terhadap likuiditas. Dari

penjelasan diatas dapat dibuat tabel sebagai berikut:

Tabel II.1
Penelitian Terdahulu

Tempat
Nama Penelitian, Variabel Hasil
Sampel, dan
Tahun

Terdapat pengaruh positif

Oslo Stock X = Abnormal Search antara intensitas pencarian
Kim et al. Exchange, 28 Volume Index Google Google melalui proksi ASVI
(2018) Perusahaan, Y= Abnormal Trading terhadap Likuiditas yang
2012-2017 Volume terdapat pada indikator
Abnormal trading volume
 24

Chinese Stock Tidak terdapat pengaruh

Wang et Market, 300 X = Algoritma Textrank intensitas pencarian pada
al. (2018) perusahaan, Y= Amihud Liquidity Google search engine terhadap
2013-2015 likuiditas.

X1 = increments of the
Chinese Tidak terdapat pengaruh yang
attention volume for each
Securities Index signifikan intensitas pencarian
Yang et stock
100 (CSI100), investor terhadap likuiditas
al. (2018) X2 = Google search
100 perusahaan, saham yang diproksikan dengan
volume index
2014-2015 aktivitas perdagangan.
Y= Trading Activities
Terdapat hubungan positif
Japan’s start up
antara
Stock Exchange,
X = Abnormal Search search intensity dan likuiditas.
Adachi et Mother and
Volume Index Google Hubungan positif antara
al. (2017) JASDAQ Index,
Y= Trading Volume variabel cenderung pada
117 perusahaan,
perusahaan startup dengan
2014-2016
proporsi individual.
Terdapat pengaruh positif
LQ-45 Bursa
X = Google search volume antara intensitas pencarian
Citra Efek Indonesia,
index Google melalui proksi Google
(2017) 17 Perusahaan,
Y= Amihud Liquidity search volume index terhadap
2015-2017
Likuiditas.
Terdapat pengaruh positif
antara intensitas pencarian
Ding dan S&P 500 Stock, X = Google search volume
Google melalui proksi Google
Hou 500 perusahaan, index
search volume index terhadap
(2015) 2004-2009 Y= Bid-Ask Spread
Likuiditas yang diproksikan
melalui Bid-Ask Spread.
Terdapat pengaruh signifikan
Takeda 189 Japanese X = Abnormal Search positif
dan Stock from, 189 Volume Index Google antara intensitas pencarian
Wakao perusahaan, Y= Abnormal Trading Google melalui proksi Google
(2013) 2008-2011 Volume search volume indexterhadap
Likuiditas.
Terdapat hubungan positif
X = Abnormal Search yang signifikan antara search
Bank et German Stock
Volume Index Google intensity dan likuiditas pada
al. (2011) from 2004 -2010
Y= Ratio Illiq perusahaan yang terdaftar
dalam Bursa Saham Jerman.
Terdapat hubungan
Warsaw Stock
Sojka dan yang signifikan positif antara
Exchange from, X = Volatilitas
Kliber Volatilitas dan likuiditas pada
41 Perusahaan, Y = Amihud Liquidity
(2019) perusahaan yang terdaftar
2006 -2016
dalam Bursa Saham Warsaw.
 25

Shanghai Stock
Terdapat pengaruh yang
Exchange X = Realized Range-based
Xu et al. signifikan positif dari RRV
Composite Index, Volatility (RRV)
(2018) terhadap likuiditas pada Bursa
2673 observasi, Y = Amihud Liquidity
Saham China.
2006-2016
Canadian Stock Terdapat pengaruh yang
Gold et al. Market, 60 X = Volatilitas signifikan positif dari
(2017) perusahaan, Y = Bid-Ask Spread Volatilitas terhadap likuiditas
2011-2014 pada Bursa Saham Canada.
Terdapat pengaruh signifikan
positif
X = Abnormal trading
S&P 500 Stock, antara Abnormal trading
Bijl et al. volume lagged-1
431 perusahaan, volume lagged-1 terhadap
(2018) Y = Abnormal Trading
2007 -2013 Likuiditas yang terdapat pada
Volume
indikator Abnormal Trading
Volume.

Sumber : Diolah oleh Penulis

C. Kerangka Penelitian

Likuiditas saham berbicara mengenai bagaimana saham yang dengan cepat

dapat diperjual belikan di bursa, semakin likuid saham tersebut, maka percepatan

transaksi pada periode tertentu semakin baik pula. Conroy (1990) menyatakan

bahwa salah satu proksi untuk melihat likuiditas saham adalah data volume

perdagangan saham suatu emiten.

Menurut penelitian sebelumnya oleh Kim et al., (2018), Abnormal trading

volume yakni merupakan standarisasi dari pada volume perdagangan saham yang

merepresentasikan likuiditas saham. Berdasarkan penelitian yang dilakukan oleh

Bank et al., (2011) menyimpulkan bahwa kenaikan dalam aktivitas perdagangan

secara bersamaan disertai dengan terjadinya kenaikan intensitas pencarian Google

yang di proksi search volume index. Penelitian yang dilakukan di pasar saham yang

sudah maju seperti di Amerika Serikat mendukung dari teori price pressure

hypothesis Barber dan Odean (2008) yang mengemukakan bahwa peningkatan

 26

ketertarikan serta perhatian investor terhadap suatu saham maka akan

meningkatkan harga saham tersebut.

Kim et al., (2018) melakukan penelitian untuk perusahaan pada saham Index

Oslo, kondisi intensitas pencarian Google yang diproksikan oleh abnormal search

volume index berpengaruh positif secara signifikan terhadap likuiditas yang

diproksikan oleh abnormal trading volume. Hasil yang sama juga di dapat pada

penelitian yang dilakukan oleh Ding dan Hou (2015) dimana intensitas pencarian

Google sangat berpengaruh signifikan terhadap likuiditas saham, serta volatilitas

saham sebagai variabel kontrol. Berdasarkan hal diatas, maka google search volume

index dapat dijadikan proksi untuk melihat ketertarikan investor terhadap suatu

saham, dari ketertarikan tersebut muncul suatu intensitas pencarian informasi pada

mesin pencari Google. Dari penjelasan diatas maka dapat digambarkan model

penelitian sebagai berikut:

Variabel Bebas

X1 = Abnormal Search
Volume Index (ASVI)
Variabel Terikat

Y = Abnormal Trading
Volume (ATV)
Variabel Kontrol
X2 = Volatility
X3 = Abnormal Trading
Volume bulan
sebelumnya

Gambar II.1 Model Penelitian

 27

D. Perumusan Hipotesis

Hipotesis penelitian abnormal search volume index terhadap abnormal trading

volume adalah:

H1: Intensitas pencarian dengan Google yang diproksikan oleh abnormal search

volume index berpengaruh positif dan siginifikan terhadap likuiditas yang

diproksikan oleh abnormal trading volume saham pada industri perbankan pada

saham BEI tahun 2016-2018.