LAPORAN PENELITIAN_titah_05desember2016

LAPORAN PENELITIAN
INSTITUT SAINS & TEKNOLOGI AKPRIND YOGYAKARTA
PENGARUH RISK DAN RETURN PADA KINERJA REKSADANA SAHAM
DENGAN REGRESI DATA PANEL
Pengusul:
Maria Titah Jatipaningrum
DIBIAYAI OLEH DANA PENELITIAN DOSEN
LEMBAGA PENELITIAN DAN PENGABDIAN KEPADA MASYARAKAT
DENGAN SURAT PERJANJIAN PELAKSANAAN PENELITIAN
NOMOR : 41/SPP/LPPM/PL/IV/2016
INSTITUT SAINS & TEKNOLOGI AKPRIND YOGYAKARTA
NOVEMBER 2016
i
DAFTAR ISI
HALAMAN JUDUL ........................................................................................
HALAMAN PENGESAHAN .........................................................................
i
ii
A. LAPORAN HASIL PENELITIAN ............................................................
INTISARI .........................................................................................................
BAB I. PENDAHULUAN ..........................................................................
1.1 Latar Belakang dan Permasalahan ..............................................
1.2 Perumusan Masalah ....................................................................
BAB II. LANDASAN TEORI ......................................................................
2.1 Teori Portofolio ............................................................................
2.2 Pengertian Reksadana ..................................................................
2.3 Perhitungan Kinerja Reksadana ...................................................
2.5Analisis Data Panel ......................................................................
2.7 Pooled Regression ........................................................................
2.8 Metode Fixed Effect ....................................................................
2.9 Metode Random Effect ...............................................................
2.10 Uji Specification .......................................................................
BAB III. TUJUAN DAN MANFAAT PENELITIAN ..................................
3.1 Tujuan Penelitian .........................................................................
3.2 Manfaat Penelitian .......................................................................
BAB IV. METODE PENELITIAN ..............................................................
4.1 Pendekatan Penelitian ..................................................................
4.2 Obyek Penelitian ..........................................................................
4.3 Tahapan Penelitian .......................................................................
BAB V. HASIL DAN PEMBAHASAN ......................................................
BAB VI. KESIMPULAN DAN SARAN ........................................................
iii
iv
1
1
4
5
5
5
7
8
10
11
12
13
14
14
14
15
15
16
19
21
30
DAFTAR PUSTAKA ...................................................................................... 31
LAMPIRAN .................................................................................................... 32
B. DRAF ARTIKEL ILMIAH ........................................................................ 39
C. SINOPSIS PENELITIAN ........................................................................... 40
ii
A. LAPORAN
HASIL PENELITIAN
iii
PENGARUH RISK DAN RETURN PADA KINERJA REKSADANA SAHAM
DENGAN REGRESI DATA PANEL
INTISARI
Pertumbuhan investasi reksadana meningkat pesat dikarenakan reksadana
merupakan investasi yang menguntungkan dan tidak memerlukan modal yang besar.
Menguntungkan karena reksadana dikelola oleh manajer investasi untuk mengelola dana
tersebut sesuai dengan tujuan investasinya. Sehingga masyarakat dalam hal ini investor yang
tidak memiliki banyak waktu atau keterbatasan keahlian tetap dapat melalukan investasi.
Sumber dana yang digunakan dalam investasi reksadana bersifat kolektif, sehingga
masyarakat berdana terbatas juga dapat ikut serta dalam berinvestasi. Investor dapat
melakukan diversifikasi investasi dalam efek, adanya transparansi, dan likuiditas tinggi.
Penelitian ini bertujuan untuk menganalisis pengaruh risk dan return sample
reksadana saham pada periode Januari 2013 hingga Maret 2016. Data yang digunakan
berupa data bulanan. Penelitian ini menggunakan data sekunder dari www.ojk.go.id , dengan
metode regresi data panel. Diuji terlebih dahulu menggunakan Uji Chow dan Uji Haussman
untuk menentukan digunakan model fixed effect atau model random effect.
Kata kunci: reksadana saham, regresi panel, risk, return, kinerja reksadana.
iv
PENGARUH RISK DAN RETURN PADA KINERJA REKSADANA SAHAM
DENGAN REGRESI DATA PANEL
BAB I PENDAHULUAN
1.1. Latar belakang dan permasalahan
Kinerja adalah sebuah hal yang menjadi tolok ukur, baik atau tidaknya, bertumbuh
atau tidaknya suatu organisasi. Organisasi sebaiknya memperhatikan dan menilai karyawan
melalui kinerja karyawan dalam bekerja, bukan hanya melihat hasil akhir dari pekerjaan
yang dilakukan. Terdapat banyak kerugian jika suatu organisasi tidak melakukan penilaian
kinerja yang baik, mulai dari perputaran tenaga kerja yang yang meningkat, penyampaian
informasi yang buruk (atasan kepada bawahan), hilang biaya dan waktu, hingga muncul
berbagai bias (Aguinis, 2007:7-8), dan pada akhirnya berujung pada kematian organisasi.
Jadi, penilaian kinerja sangat perlu diperhatikan oleh organisasi.
Demikian pula dengan investor, ketika memutuskan untuk berinvestasi, maka hal
yang perlu dilakukan adalah menilai kinerja investasi. Investor tidak tahu pasti hasil yang
diperoleh dari investasi yang dilakukan. Dalam keadaan seperti ini, investor menghadapi
resiko dalam investasi yang dilakukan. Investor hanya dapat memperkirakan berapa
keuntungan yang diharapkan dari investasi dan seberapa jauh kemungkinan hasil yang
sebenarnya akan menyimpang dari hasil yang diharapkan (Husnan, 2003:43). Dengan
demikian, penilaian kinerja menjadi alat ukur bagi investor dalam mengambil keputusan
terhadap suatu investasi. Kinerja suatu reksadana ditentukan oleh besarnya return yang
diperoleh atas investasi yang dikenal dengan nilai aktiva bersih (NAB). Oleh karena
itu, dibutuhkan manajemen investasi yang baik agar portofolio yang telah disusun
mampu memberikan keuntungan yang maksimal.
Di Indonesia reksadana pertama kali diperkenalkan kepada masyarakat dengan
didirikannya PT. Danareksa pada tahun 1976. Reksadana menurut UU No 8 tahun 1995 pasal
1 ayat 27 didefinisikan sebagai “wadah yang dipergunakan untuk menghimpun dana dari
masyarakat pemodal untuk selanjutnya diinvestasikan dalam portofolio efek oleh manajer
investasi”. Berdasarkan definisi tersebut, reksadana merupakan kumpulan dana dari
masyarakat yang diinvestasikan pada saham, obligasi berjangka, pasar uang dan sebagainya.
1
Perkembangan Reksadana dewasa ini semakin meningkat seiring dengan tumbuh
kembangnya perekonomian suatu bangsa dan berkembangnya pasar modal. Melalui
investasi di reksadana maka masyarakat yang tidak memiliki modal cukup besar dapat
melakukan investasi di pasar modal dan memperoleh manfaat dari perkembangan pasar
modal. Perkembangan reksadana tersebut juga didukung dengan semakin berkembangnya
produk-produk investasi sehingga tidak semua orang dapat memahami investasi dan
memiliki waktu untuk mengelola investasinya. Dengan menggunakan manajer investasi
yang profesional dan memiliki pengetahuan tentang efek, maka investasi pada reksadana
semakin berkembang di Indonesia.
Pertumbuhan investasi reksadana meningkat pesat dikarenakan reksadana
merupakan investasi yang menguntungkan dan tidak memerlukan modal yang besar.
Menguntungkan karena reksadana dikelola oleh manajer investasi untuk mengelola dana
tersebut sesuai dengan tujuan investasinya. Sehingga masyarakat dalam hal ini investor yang
tidak memiliki banyak waktu atau keterbatasan keahlian tetap dapat melalukan investasi.
Sumber dana yang digunakan dalam investasi reksadana bersifat kolektif, sehingga
masyarakat berdana terbatas juga dapat ikut serta dalam berinvestasi. Investor dapat
melakukan diversifikasi investasi dalam efek, adanya transparansi, dan likuiditas tinggi.
Dengan kata lain, reksadana dapat dicairkan kapan saja jika investor membutuhkan, itulah
beberapa keuntungan berinvestasi di dalam reksadana. Namun terdapat beberapa resiko
dalam berinvestasi di reksadana, yaitu investor dapat mengalami capital loss, resiko
likuiditas, resiko wanprestasi, resiko kredit, dan resiko berkurangnya nilai tukar mata uang
(Martalena, 2011: 85).
Penilaian kinerja sebuah investasi terdapat dua dua pengukuran kinerja yaitu melalui
return reksadana itu sendiri dan model risk adjusted return. Adapun metode untuk melakukan
penilaian kinerja dengan menggunakan return reksadana itu sendiri adalah raw return.
Sedangkan risk adjusted return adalah perhitungan return yang disesuaikan dengan resiko
yang harus ditanggung (Hartono, 2010: 640), adapun metodenya antara lain: Treynor ratio,
Sharpe Ratio, Jensen Alpha, Roy Safety First Ratio, M2 , Sortino Ratio, MSR, FPI, dan
Information Ratio.
Dalam berinvestasi di reksadana masyarakat perlu mengetahui jenis-jenis reksadana
yang dapat disesuaikan dengan tujuan dan kebutuhan investasi. Berdasarkan kategori
instrumen jenis reksadana di Indonesia yang dapat dimiliki oleh masyarakat ada empat yaitu:
2
reksadana pasar uang, reksadana pendapatan tetap, reksadana saham dan reksadana
campuran.
Pembagian reksadana ini dilandasi oleh cara investasi yang berbeda-beda. Pertama, pada
reksadana pasar uang investor berinvestasi 100% pada efek pasar uang seperti efek-efek
hutang yang berjangka kurang dari satu tahun. Kedua, reksadana pendapatan tetap investasi
dilakukan sekurang-kurangnya 80% dari portfolio yang dikelolanya ke dalam efek bersifat
hutang seperti obligasi. Ketiga, reksadana saham yang melakukan investasi sekurangkurangnya 80% dari portofolio yang dikelolanya ke dalam efek bersifat ekuitas (saham).
Terakhir, reksadana campuran dimana investasi dilakukan ke dalam efek ekuitas dan efek
hutang yang alokasinya tidak termasuk di dalam kategori reksadana pendapatan tetap dan
reksadana saham.
Sejak diperkenalkan pertama kali di Indonesia, instrumen ini berkembang dengan
pesat berdasarkan data yang tercatat pada Otoritas Jasa Keuangan (OJK) hingga 23
Desember 2015, terdapat 1.083 produk reksadana yang terdaftar dengan dana kelolaan atau
Nilai Aktiva Bersih (NAB) Rp 268,44 trilliun.
Tujuan dari setiap investor dalam berinvestasi adalah untuk mendapat return. Bila
investasi tidak dapat memberikan tingkat keuntungan yang diharapkan tentunya akan
membuat investor enggan untuk berinvestasi. Menurut Jogiyanto (2009;199) return
merupakan hasil yang diperoleh dari investasi. Sementara menurut Brigham dan Houston
(2006:215) return adalah selisih antara jumlah yang diterima dan jumlah yang
diinvestasikan. Menurut Jogiyanto (1998) return dibagi menjadi dua yaitu: realized return
dan expected return. Realized return adalah return yang telah terjadi dan dapat digunakan
sebagai salah satu alat ukur kinerja perusahaan serta tolok ukur dalam menentukan return
dan resiko di masa depan. Sedangkan expected return merupakan return yang diharapkan
akan tercapai dan tidak memiliki kepastian.
Penelitian ini untuk mengetahui beberapa sampel reksadana saham yang diolah risk
dan returnnya untuk mengukur kinerja reksadana dengan model regresi data panel. Data
yang digunakan pada penelitian ini adalah NAB (Nilai Aktiva Bersih), return reksadana
saham, total dana kelolaan, data SBI, data IHSG setahun (yang didownload pada
www.infovesta.com) untuk mengetahui kinerja reksadana saham, dan juga meneliti
pengaruh risk dan return pada kinerja reksadana saham yang menjadi sampel data reksadana
3
saham yaitu: ashmore dana progresif nusantara, danareksa mawar konsumer 10, dan
schroder 90 plus equity fund.
1.2. Perumusan Masalah
Berdasarkan uraian pada latar belakang penelitian, maka penulis mencoba melakukan
identifikasi masalah sebagai berikut:
Karakter reksadana menjadi faktor penting bagi investor untuk memutuskan
berinvestasi dalam reksadana. Diantara karakter yang terpenting dari karakter reksadana
adalah resiko reksadana
Kinerja reksadana adalah indikator keberhasilan reksadana di pasar. Kinerja reksadana
dapat diukur dengan dua metode, yaitu (1) membandingkan kinerja reksadana dengan
benchmark (2) mengukur dengan membandingkan dengan resiko yang dimilikinya.
Ada beberapa hal yang melatarbelakangi pentingnya studi yang menganalisis
pengaruh risk dan return pada kinerja reksadana saham dengan regresi data panel. Pertama,
bahwa sampai saat ini banyak penelitian yang membahas konsep dan paradigma kinerja
reksadana bisa ditinjau dari fund size, expense ratio, turn over ratio, fund age, cash flow,
aset yang dikelola manajemen investasi, sehingga masih ada kemungkinan untuk studi
lanjutan dalam rangka memperkaya pemahaman terhadap kinerja reksadana. Penelitian ini
hanya difokuskan pada sampel reksadana saham yang diteliti risk dan returnnya
Kedua, penelitian ini menggunakan Metode Ekonometrika dengan menggunakan
Analisis Data Panel. Analisis Data Panel lebih baik dibandingkan Analisis Regresi
Biasa (OLS) karena Analisis Data Panel dapat menangkap perbedaan atau ciri
karakteristik individual yang menjadi kajian penelitian. Estimasi Data Panel dapat
menggunakan metode Fixed Effect Model (FEM) atau Random Effect Model (REM).
4
BAB II LANDASAN TEORI
Kajian pustaka membahas landasan teori keseluruhan yang digunakan dalam
penelitian ini yang dimulai dari landasan teori portofolio, reksadana, model yang digunakan,
sumber data, analisis data panel, pooled regression, model fixed effect, model random effect,
dan uji spesifikasi.
2.1. Konsep Dasar Portofolio
Portofolio adalah suatu koleksi yang merupakan kombinasi dari berbagai aset,
misalnya sekuritas dan aset riil. Portofolio merupakan bagian dari suatu investasi dan
strategi dengan melakukan diversifikasi investasi melalui pemilihan beberapa aktiva
dengan tingkat risiko tertentu yang diinginkan.
Teori portofolio menekankan pada usaha untuk mencari kombinasi investasi optimal
yang memberikan tingkat keuntungan atau rate of return yang maksimal pada tingkat risiko
tertentu.
2.2. Pengertian Reksa dana
Sejarah awal reksadana bermula dari arisan (pooling fund) yang dikenal di Eropa pada
pertengahan 1800. Mula-mula pooling fund dikenal di Belgia (1822) yang kemudian
dikenal dengan nama unit trust, muncul di Belgia ketika Raja William I dari Kerajaan
Belanda menciptakan suatu unit penyertaan dana yang memungkinkan investasiinvestasi kecil memperoleh pinjaman dari pemerintah asing. Pada tahun 1860-an Unit
trust berkembang ke wilayah Inggris dan Skotlandia.
Pada tahun 1863, Inggris mendirikan unit trust pertama dengan nama The London
Financial Association and The International Financial Society. Lalu pada tahun 1868,
didirikan pula Foreign and Colonial Government Trust of London. Perkembangan Unit
trust di Inggris dan Skotlandia menginspirasikan berdirinya reksadana tertutup (closed
end) pertama di Amerika pada 1863 dengan nama The Boston Personal Property Trust.
Berbeda dengan Eropa istilah unit trust di Amerika dikenal dengan istilah mutual
fund. Baru pada tanggal 21 Maret 1924 terbentuk reksadana modern pertama dengan
nama Massachussets Investor Trust dengan total dana US$ 50.000,- berportofolio 45
5
stock dan aset, lalu berkembang setahun kemudian menjadi US$ 392.000,- dengan
jumlah peserta 200 orang. Reksadana ini pertama kali memperkenalkan penawaran saham
baru atau penyertaan-penyertaan unit baru serta mengijinkan redemption setiap saat sesuai
dengan net asset value (nilai aktiva bersih).
Di Indonesia reksadana pertama kali diperkenalkan kepada masyarakat dengan
didirikannya PT. Danareksa pada tahun 1976. Reksadana menurut UU No.8 tahun 1995
pasal 1 ayat 27 didefinisikan sebagai “wadah yang dipergunakan untuk menghimpun dana
dari masyarakat pemodal untuk selanjutnya diinvestasikan dalam portofolio efek oleh
manajer investasi”. Berdasarkan definisi tersebut, secara jelas bahwa reksa dana
merupakan kumpulan dana dari masyarakat yang diinvestasikan pada saham, obligasi
deposito berjangka, pasar uang, dan sebagainya.
Reksadana adalah wadah yang dipergunakan untuk menghimpun dana dari
investor untuk selanjutnya diinvestasikan dalam portofolio efek oleh manajer investasi yang
telah mendapatkan izin dari Bepepam-LK. Reksa dana bertujuan untuk mempermudah
investor dalam melakukan investasi karena : (1) memudahkan mengakses pada instrument
investasi, (2) pengelolaannya dilakukan oleh manajer investasi yang profesional dan
administrasi investasinya dijalankan oleh Bank Kustodian, (3) diversifikasi dilakukan
dengan lebih mudah, karena dana yang dimiliki relatif besar dan banyak investor
yang berkumpul dalam satu wadah, (4) likuiditas yang tinggi, karena dapat dicairkan
sewaktu-waktu melalui manajer investasi, (5) dapat dilakukan pembelian dengan dana yang
relatif kecil. Kinerja reksadana merupakan kemampuan suatu produk reksadana bersaing
dengan produk reksadana lain di pasar serta menghasilkan keuntungan.
2.3. Perhitungan Kinerja Reksadana
Perhitungan kinerja reksadana dalam penelitian ini menggunakan information ratio/
rasio penilaian/ appraisal ratio. Pengukuran ini merupakan rasio antara alpha dan resiko unik
portofolio atau resiko non sistematik portofolio yang disebut tracking error dari industri.
Nilai rasio informasi ini mengukur return tidak normal per unit resiko yang dapat
didiversifikasi dengan memegang portofolio pasar. IR diperoleh dari menghitung return
rekssadana dikurang dengan return benchmark. Kemudian dibagi dengan perbedaan standar
deviasi dari return. Benchmark (nilai pembanding) setiap produk reksadana berbeda-beda,
tergantung pada jenis reksadana produk itu sendiri. Selain itu, setiap manajer investasi
6
mungkin saja memiliki benchmark yang tidak sama dengan manajer investasi yang lain.
Adapun benchmark (nilai pembanding) untuk produk reksadana pada penelitian ini
menggunakan benchmark reksadana saham yaitu IHSG (pasar).
Data diperoleh dari fund fact sheet produk reksadana, penilaian jika IR reksadana
positif atau lebih besar dari IR pasar (selalu nol) maka kinerja reksadana baik (Hartono,
2010: 664), formulanya:
IR 
Rp  Rb
(1)
 p b
Keterangan:
Rb : return benchmark
 pb : perbedaan standar deviasi dari return
2.4. Analisis Data Panel
Penelitian ini menggunakan Metode Ekonometrika dengan menggunakan Analisis Data
Panel. Analisis Data Panel lebih baik dibandingkan Analisis Regresi Biasa (OLS)
karena Analisis Data Panel dapat menangkap perbedaan atau ciri karakteristik individual
yang menjadi kajian penelitian. Estimasi Data Panel dapat menggunakan metode Fixed
Effect Model (FEM) atau Random Effect Model (REM)
Model: Yt ,i  X 't ,i   Ci  dt  ut ,i dimana t  1, 2,
, T ; i  1, 2,
,N
Balance panel: semua observasi tersedia untuk semua kategori cross section untuk semua
unit waktu.
Pembedaan dari model:
1. Satu arah (one way) :
Ci  0; dt  0
7
Dua arah (two way) :
2. Fixed effect :
Ci  0, dt  0
Ci , dt deterministik


N 0,  C2 iid ; dt
Random effect; Ci


N 0,  d2 iid
Metode estimasi model regresi data panel
Dalam mengestimasi model regresi data panel, terdapat 3 pendekatan yang biasa digunakan,
yaitu CEM, FEM, dan REM (Widarjono, 2007)
Common Effect Model
Pendekatan pertama ini merupakan pendekatan paling sederhana yang disebut estimasi CEM
atau pooled least squares. Pada pendekatan ini, data cross section dan time series
elidikumpulkan lalu dilakukan pendugaan (pooling). Dalam mengestimasi, dimensi cross
section dan time series dari data panel diabaikan dan data diestimasi dengan metode kuadrat
terkecil biasa (OLS)
Menurut Sukendar dan Zainal (2007), pada pendekatan ini diasumsikan bahwa nilai intersep
masing-masing variabel adalah sama, begitu pula slope koefisien untuk semua unit cross
section dan time series. Berdasarkan assumsi ini maka model CEM dinyatakan sebagai
berikut (Widarjono, 2007):
Yit     ' x 'it  uit ,
i  1, 2,
, N , t  1, 2,
,T
Asumsi ini merupakan asumsi yang ketat, sehingga walaupun metode ini menawarkan
kemudahan, namun model mungkin mendistorsi gambaran yang sebenarnya dari hubungan
antara Y dan X antar unit cross-section.
Fixed Effect Model
Pada pendekatan CEM, intersep dan slope koefisien diasumsikan konstan baik antar individu
maupun antar waktu. Menurut Gujarati (2004), salah satu cara untuk memperhatikan unit
cross-section adalah dengan mengijinkan nilai intersep berbeda-beda untuk setiap unit crosssection tetapi masih mengasumsika slope koefisien tetap.
Model FEM dapat dinyatakan sebagai berikut (Hsiao, 2003):
Yit  i   ' x 'it  uit ,
i  1, 2,
, N , t  1, 2,
,T
(2)
Indeks i pada intersep persamaan (1) menunjukkan bahwa intersep dari masing-masing unit
cross section adalah berbeda. Perbedaan ini disebabkan karena adanya fitur khusus dari
masing-masing unit cross section. Model (1) dikenal sebagai model Fixed Effect karena
8
meskipun intersep berbeda untuk setiap unit cross-section, namun intersep ini tidak berbeda
atau konstan untuk setiap unit time series (time invariant) (Gujarati, 2004).
Perbedaan intersep pada model (1) dapat dinyatakan dengan variabel dummy. Diberikan
yi
X i adalah vektor T observasi untuk unit ke i dan ui adalah vektor error berukuran
dan
T 1 , e merupakan vektor kolom yang anggotanya adalah 1, maka model (1) dapat ditulis
sebagai berikut (Greene,2000):
Yi  ei  X i   ui ,
i  1, 2,
Sehingga untuk i  1, 2,
 y1   e
y   e
 2
  
  
 yN  0 0
,N ,
(3)
, N , diperoleh:
0  1   X 1 
 u1 




u 

0   2   X 2 

  2
 
   
 
   
e   N   X N 
u N 
Atau
y   d1 d 2
Dengan
dN
 
X    u
 
d i adalah variabel dummy unit ke i . Misal D   d1 d 2
diperoleh model y  D  X   u
d N  maka
(4)
Model (4) ini biasa disebut model least square dummy variable (LSDV) (Greene, 2000).
Dalam mengestimasi model (3) maka jika ditulis dalam bentuk vektor, diperoleh (Hsiao,
2003):
 y1   e 
0
 y  0
e
2



y

    
    1   2
   
 
0
 yN  0
 X1 
 u1 
 0
X 
u 
 0
2




N 
  2


 
 
 
 
 
e
XN 
u N 
Dengan
yiT 1
 X 1i1
 Yi1 

Y 
 X1
i
2
   , X iT 1   i 2
 

 
Y
 X 1iT
 iN 
X 2i1
X 2i 2
X 2iT
X Ki 1 

X Ki 2 


X KiT 
9
e '1T  1 1
1 , u 'i1T   ui1 ui 2
uiT 
E  ui   0, E  ui u 'i    u2 IT , E  ui u j '  0, untuk i  j; i, j  1, 2,
,N
IT adalah matriks identitas dengan ordo T  T
2.5. Pooled Regression
Secara umum, bentuk model linear (yang disebut pooled regression) yang dapat
digunakan adalah:
yi ,t  x 'i ,t i ,t   i ,t
(5)
Dimana:
yi,t adalah observasi dari unit ke –I dan diamati pada periode waktu ke –t.
x 'i ,t adalah vektor variabel-variabel independen / input dari unit ke –I dan diamati
pada periode waktu ke –t. disini diasumsikan x 'i ,t memuat komponen konstanta.
 i ,t adalah komponen error, yang diasumsikan memiliki harga mean 0 dan variansi
homogen dalam waktu (homokedastic) serta independen dengan x 'i ,t
Estimasi untuk model ini dapat dilakukan dengan metode OLS standar
Untuk model panel data, sebagai asumsi standar i ,t   , yakni pengaruh dari
perubahan dalam X diasumsikan bersifat konstan dalam waktu dan kategori crosssection. Model pooled regression dapat ditulis ulang, dan selanjutnya ditambahkan
komponen konstanta
ci dan dt
yt ,i  x 't ,i   ci  dt   t ,i
(6)
Dengan
ci adalah konstanta yang bergantung kepada unit ke- i , tapi tidak kepada waktu t
10
dt adalah konstanta yang bergantung kepada waktu t , tapi tidak kepada unit i .
Disini apabila model memuat komponen
arah, sedangkan apabila
ci dan dt , maka model disebut model dua
dt  0 atau ci  0 , maka model disebut model satu arah.
Apabila banyaknya observasi sama untuk semua kategori cross–section, dikatakan
model bersifat balance, dan sebaliknya disebut unbalanced.
2.6. Model Fixed Effect
Untuk model fixed effect satu arah, sering diasumsikan bahwa komponen
dt  0 , yakni
dimiliki model
yt ,i  x 't ,i   ci  dt   t ,i
(7)
Secara umum, model dapat diestimasi dengan dua metode yang berbeda
 Secara intuitif, komponen
ci dapat dimodelkan dengan menggunakan variabel
dummy zi ,t , j dengan zi ,t , j bernilai nol jika i  j dan bernilai 1 jika i  j . Disini model
diestimasi menggunakan OLS standar. Meskipun model ini relatif sederhana,
estimasi akan relatif kompleks apabila banyaknya kategori untuk cross-section relatif
besar.
 Alternatifnya, model ditransformasi untuk menghilangkan komponen
model

ci didalam

yi ,t  yi ,t  x 'i ,t  x 'i ,t    i ,t   i ,t dan selanjutnya dilakukan Generalized
Least Square terhadap model hasil transformasi. Pendekatan kedua ini lebih populer
di dalam literature.
Sementara itu, untuk model Fixed Effect dua arah, model memiliki kedua komponen
dan
ci
dt . Estimasi terhadap parameter-parameter dalam model dapat dilakukan dengan
11
menggunakan metode GLS, setelah model ditransformasikan untuk menghilangkan
komponen
ci dan dt dari model.
2.7. Model Random Effect
Dengan menggunakan model Fixed Effect, kita tidak dapat melihat pengaruh dari berbagai
karakteristik yang bersifat konstan dalam waktu, atau diantara individual. Untuk itu,
digunakan model yang disebut model Random Effect, yang secara umum dituliskan sebagai
yt ,i  x 't ,i   vt ,i
(8)
Dimana vt ,i  ci  dt   i ,t . Disini,
ci diasumsikan bersifat independent dan identically
distributed (i.i.d) normal dengan mean 0 dan variansi  c ,
2
2
dengan mean 0 dan variansi  d (dan  i ,t ,
lainnya). Jika komponen
dt diasumsikan bersifat iid normal
ci dan dt diasumsikan independen satu dengan
ci dan dt diasumsikan 0, maka model disebut model random effect
satu arah, sedangkan pada keadaan lain disebut model dua arah.
2.8. Specification test/ Uji Spesifikasi
1. Uji Wald/ Poolability test
Uji ini bertujuan untuk melihat hubungan antar kategori cross-section, yakni menguji
hipotesa berbentuk H0 : R  r dengan R vektor konstanta dan
r adalah konstanta.
2. Uji Haussman
Uji ini bertujuan untuk melihat apakah terdapat random effect didalam panel data,
yakni menguji hipotesa berbentuk
H0 :terdapat random effect di dalam model
3. Uji Breusch-Pagan
Uji ini bertujuan untuk melihat apakah terdapat efek cross-section/ time series (atau
keduanya) di dalam panel data, yakni menguji hipotesa berbentuk H 0 : c   d . Test
2
12
2
ini juga valid untuk model fixed effect, yakni dapat juga digunakan untuk menguji
adanya efek cross-section dan/ atau time dalam model fixed effect.
Secara umum, langkah uji hipotesa yang dilakukan adalah sebagai berikut. Pertamatama dilakukan uji Hausman terhadap data. Jika hipotesa untuk uji Hausman ditolak,
maka model fixed effect digunakan dalam pemodelan. Akan tetapi, jika hipotesa ini
tidak
ditolak,
maka digunakan uji Breusch-Pagan untuk melihat apakah terdapat
efekdidalam data. Jika hipotesa uji Breusch Pagan tidak ditolak, maka di lakukan
analisa dengan menggunakan metode pooling OLS, meskipun data yang dimiliki
dikumpulkan menggunakan framework panel studi.
13
BAB III TUJUAN DAN MANFAAT PENELITIAN
3.1. Tujuan Penelitian
Secara teoritis penelitian ini memberikan kontribusi dalam bidang keuangan
(reksadana) dan bidang statistika (pengolahan data dengan regresi data panel). Dengan
adanya penelitian ini diharapkan bisa memberikan pengetahuan yang lebih mendalam
mengenai perkembangan dunia investasi terutama perkembangan reksadana.
3.2. Manfaat Penelitian
Karakter reksadana menjadi faktor penting bagi investor untuk memutuskan berinvestasi
dalam reksadana. Diantara karakter yang terpenting dari karakter reksadana adalah resiko
reksadana
Kinerja reksadana adalah indikator keberhasilan reksadana di pasar. Kinerja reksadana dapat
diukur dengan dua metode, yaitu
a. membandingkan kinerja reksadana dengan benchmark
b. mengukur dengan membandingkan dengan resiko yang dimilikinya.
Ada beberapa hal yang melatarbelakangi pentingnya studi yang menganalisis pengaruh risk
dan return pada kinerja reksadana saham dengan regresi data panel.
Pertama, bahwa sampai saat ini banyak penelitian yang membahas konsep dan paradigma
kinerja reksadana bisa ditinjau dari fund size, expense ratio, turn over ratio, fund age, cash
flow, aset yang dikelola manajemen investasi, sehingga masih ada kemungkinan untuk studi
lanjutan dalam rangka memperkaya pemahaman terhadap kinerja reksadana. Penelitian ini
hanya difokuskan pada sampel reksadana saham yang diteliti risk dan returnnya
Kedua, penelitian ini menggunakan Metode Ekonometrika dengan menggunakan
Analisis Data Panel. Analisis Data Panel lebih baik dibandingkan Analisis Regresi
Biasa (OLS) karena Analisis Data Panel dapat menangkap perbedaan atau ciri
karakteristik individual yang menjadi kajian penelitian. Estimasi Data Panel dapat
menggunakan metode Fixed Effect Model (FEM) atau Random Effect Model (REM).
14
BAB IV METODE PENELITIAN
4.1. Pendekatan Penelitian
Penelitian ini merupakan suatu Metode Survei Penjelasan (Explanatory Survey
Method) untuk menguji hipotesis yang telah dirumuskan sebelumnya. Walaupun uraiannya
mengandung deskripsi, namun sebagai penelitian kuantitatif fokusnya tetap terletak pada
penjelasan hubungan antar variabel. Penelitian ini menggunakan metode verifikatif untuk
mengungkapkan keterkaitan antara variabel melalui pengujian hipotesis dan juga
dimaksudkan untuk mengetahui kondisi masing-masing variabel sesuai periode waktu
yang digunakan dalam penelitian. Oleh karena itu jenis penelitian ini adalah explanatory
verificative. (Sekaran, 2003). Reksa dana yang diambil sebagai sampel adalah reksa
dana yang NABnya berkisar 1000-1800, mempunyai prospektus dan fact fund sheet yang
bisa didownload, penelitian ini menggunakan data bulanan.
15
4.2. Obyek penelitian
Untuk memperoleh hasil maksimal dan representatif secara statistik, digunakan
dana bulanan (monthly) Nilai Aktiva Bersih, Sertifikat Bank Indonesia (SBI) dan
Indeks Harga Saham Gabungan (IHSG) untuk periode Januari 2013 sampai dengan Maret
2016 atau 39 (tigapuluh sembilan) bulan.
16
Penelitian akan dilaksanakan selama 6 bulan (satu semester) yang dimulai pada bulan April
2016-September 2016. Pengambilan data sekunder di website www.ojk.go.id ,
www.infovesta.com , pusatdata.kontan.co.id
No
1
2
Jenis data
Jenis
Sumber
Harga NAB sampel reksadana
NAB data
www.ojk.go.id
saham
bulanan
Prospektus dan fund fact sheet
Prospektus
Search engine:
tahunan dan fund
Google.com
fact sheet
bulanan
3
IHSG
Harian, diolah
www.infovesta.com
sehingga menjadi
data bulanan
4
Suku bunga SBI
www.bi.go.id
panel menyediakan data yang lebih banyak dan informasi yang lebih lengkap serta
bervariasi
Penjelasan Mengenai Data
Data yang dianalisis adalah data sekunder 3 sample Reksadana : ASHMORE DANA PROGRESIF
NUSANTARA kode D0AS02, REKSA DANA DANAREKSA MAWAR KONSUMER 10 kode RDMK, dan REKSA
DANA
SCHRODER
90
PLUS
EQUITY
FUND
kode
SPEF
yang
diperoleh
dari
http://aria.bapepam.go.id/reksadana/statistik.asp?page=statistik-nab-rd# yang diunduh per Juni
2013 sampai Juli 2016.
17
Gambar 1. Contoh pengunduhan data di bapepam.go.id
Dalam penelitian ini (return reksadana/{(NAB sesudah –NAB sebelum)/NAB sebelum}/perbulan
pada tiga reksadana sample), yang diamati adalah hubungan antara return reksadana/ perbulan
(CONS) sebagai variabel dependen terhadap beberapa variabel independen, antara lain adalah:

Age (usia) reksadana:

AUM reksadana

Return IHSG
Data yang digunakan adalah data panel, berupa kombinasi data time series (tahun Juni 2013 s/d
Juli 2016) dan data cross section (tiga sample reksadana: : ASHMORE DANA PROGRESIF
NUSANTARA kode D0AS02, REKSA DANA DANAREKSA MAWAR KONSUMER 10 kode RDMK, dan REKSA
DANA SCHRODER 90 PLUS EQUITY FUND kode SPEF). Data untuk masing-masing variabel, disajikan
pada tabel-tabel berikut:
Model yang akan diestimasi adalah sebagai berikut:
I.
returnRD  b1age  b2aum  b3returnIHSG  ci  di   i ,t
II.
returnRD  b1aum  b2returnIHSG  ci  di   i ,t
18
4.3. Tahapan Penelitian Analisis Data dengan EViews4
Pemodelan terhadap data di atas dapat dilakukan dengan menggunakan model regresi dengan
variabel dummy. Dengan EViews4, pemodelan regresi dengan variabel dummy ini dapat dilakukan
seperti analisis model regresi biasa. Berikut ini, kita akan menggunakan analisis alternative dengan
model pooling. Sebagai catatan penting, di dalam EViews4 hanya digunakan model satu arah, yakni
diasumsikan bahwa efek waktu (time) dalam model bernilai nol. Sehingga dalam analisis berikut,
pada model, diasumsikan di = 0.
B. Mempersiapkan Data
1. Kita buat file kerja baru dengan menggunakan menu File/New/Workfile… Untuk data
di atas, setelah muncul jendela Workfile Range, gunakan pilihan undated or Irregular
untuk Frequency dengan Range bernilai 1 – 37. Lalu klik OK.
2. Selanjutya buat objek baru dengan menu Object/New Object …. Sebagai type of object,
pilih Pool, dan namakan objek baru ini sebagai Poolrd. Lalu klik OK.
3. Setelah muncul jendela objek Poolrd, isikan daftar kategori cross section keenam
provinsi di pulau Jawa ( _ashmore, _konsumer10, _schroder90), yakni kita gunakan
identifier berikut:, klik menu Define.
4. Selanjutnya, kita akan mengimpor data ke dalam EViews. Data ini merupakan hasil
penumpukan (stacked) data dari tabel menurut kategori cross-section (ekuivalennya,
data dapat ditumpuk menurut waktu).
5. Data dari file datard.xls ke dalam EViews. Untuk mengimpor data, dari jendela objek
ReturnRD, pilih menu Procs/Import Pool data (ASCII,XLS,WK?)…. Arahkan ke file
datard.xls dan isikan informasi yang diperlukan.
6. Di sini, karena pada file excel yang diimpor, data ditumpuk menurut kategori crosssection, maka pada pilihan Group Observation, dipilih by Cross section. Di sini variabel
Obs (yang terdapat pada file excel) tidak dilampirkan ke dalam file kerja. Klik OK Untuk
melihat hasil impor data, dari jendela objek Poolrd, pilih menu View/Spreadsheet
(Stacked data)
7. Di dalam contoh di atas, kita akan menampilkan semua variabel hasil impor. Sehingga
akan diperoleh tampilan data berikut:
19
Data di atas adalah hasil penumpukan, terurut menurut kategori cross-section, yakni:
 Observasi 1-37: RD ashmore dana progresif nusantara
 Observasi 38-74: RD danareksa konsumer 10
 Observasi 75-111: RD schroder 90 plus equity fund
8. Selanjutnya, dengan menggunakan menu File/Save atau File Save As …, file kerja diberi
nama datard.wf1.
20
BAB V HASIL DAN PEMBAHASAN
5.1. Pra Analisis
1. Uji Heteroskedastisitas
Asumsi penting model regresi adanya homoskedastisitas, yaitu bahwa varians tiap unsur
disturbance tergantung (conditional) pada nilai yang dipilih dari variabel yang menjelaskan,
adalah suatu angka konstan yang sama dengan σ2. Uji heteroskedastisitas bertujuan
mengetahui apakah dalam model regresi tersebut terjadi ketidaksamaan varians dari residual
satu pengamatan ke pengamatan yang lain. Jika ditemukan pengamatan (varians) yang
berbeda dari satu pengamatan ke pengamatan yang lain berarti terjadi heteroskedastisitas.
Pengujian heterokedastisitas dapat dilakukan dengan uji grafik (residual graph) maupun uji
White (Residual test). Hipotesa pada White Heteroscedasticity-test yaitu: H 0 : tidak
terdapat heterokedastisitas, yang berarti tidak ada hubungan antara error dengan variabel
bebasnya.
2. Uji Autokorelasi
Autokorelasi merupakan korelasi antara anggota serangkaian observasi yang diurutkan
menurut waktu atau ruang dan tidak terdapat dalam disturbansi atau gangguan. Jadi unsur
gangguan yang berhubungan dengan observasi tidak dipengaruhi oleh unsur gangguan yang
berhubungan dengan pengamatan lain yang manapun. Tujuan uji untuk mengetahui apakah
ada korelasi unsur gangguan pada periode t dengan periode sebelumnya (t-1). Cara
mendeteksi autokorelasi dapat digunakan dua cara, yaitu:
Uji Durbin Watson (uji D-W) dengan hipotesis yaitu H 0 : tidak ada autokorelasi. Uji DW ini
akan menerima H 0 saat angka DW-stat pada tabel statistik pengujian berada disekitar angka
2 (1,5 < DW-stat< 2,5), yang berarti dapat disimpulkan bahwa error tidak berkorelasi.
a. Uji residual pada E-Views. Uji residual ini menguji correlogram pada spesifikasi lag. Akan
dikatakan bahwa tidak ada autokorelasi pada saat p-value dari Q-stat signifikan (lebih kecil
dari 0,025, two tailed pada tingkat signifikansi 5%)
Coef. Covariance method
o
Ordinary
o
White cross section: korelasi antara cross-equation dan varians error yang berbeda dalam
cross section
21
o
White period: mengakomodasi korelasi serial dan varians berbeda antara distrubance
o
White diagonal: heterocedasticity dalam distrubance.
Masalah heterokedastisitas pada data panel dapat diatasi dengan memilih white heteroscedasticity
consistent covariance pada saat melakukan estimasi. Dan untuk autokorelasi dengan melakukan
perbaikan menggunakan Eviews yaitu dengan memilih Newey-West pada option heteroscedasticity
Consistent Coefficient Covariance.
White Test
Hipotesa:
Ho: homokedastik
H1: heterokedastik
2
Statistik uji: n  R
 2 df dimana df =banyaknya variabel independen
Keputusan: tolak Ho bila p-value < 5%
5.2. Analisis Model
Kriteria uji Haussman dan Breuch Pagan, sbb:
H 0 diterima
Haussman
test
H 0 ditolak
RE
M
Breusch Pagan
test
H 0 ditolak
fixed effect
H 0 diterima
OLS pooling regression
FEM
1. Uji Hausman
Pengujian Hausman dilakukan untuk menentukan ada tidaknya korelasi antara error dan
variabel bebas dengan hipotesis sebagai berikut:
H 0 : corr  X it , uit   0 (random effect model=individual effect uncorrelated )
H1 : corr  X it , uit   0 ( fixed effect model==individual effect correlated )
Statistik uji:  2 hitung   b    'Var  b   
1
b   
b=koefisien random effect
 =koefisien fixed effect
Kesimpulan
H0
ditolak
jika
p-value
K = jumlah koefisien slope
22
<
0,05
atau
 2hitung  2K ; 
Untuk menganalisis dari model, pertama-tama akan dilakukan uji Hausman data. Uji
Hausman digunakan untuk mengetahui apakah nanti akan menggunakan model Efek
Random, ataukah Efek Tetap. Sebagai ilustrasi, kita akan menggunakan model I, yakni:
returnRD  b1age  b2aum  b3returnIHSG  ci  di   i ,t
Uji Hausman dilakukan dengan menggunakan program h-test.prg yang sudah tersedia. Isi
dari h-test.prg adalah sebagai berikut:
'Hausman test for fixed versus random effects
'Edited from HAUSMAN.prg by Maria Titah J, 01/09/16
' set sample
smpl @all
' estimate fixed effects and store results
poolrd.ls(f) returnRD? age? aum? returnIHSG?
vector beta = poolrd.@coefs
matrix covar = poolrd.@cov
' keep only slope coefficients
vector b_fixed = @subextract(beta,1,1,2,1)
matrix cov_fixed = @subextract(covar,1,1,2,2)
' estimate random effects and store results
poolrd.ls(r) ) returnRD? age? aum? returnIHSG?
beta = poolrd.@coefs
covar = poolrd.@cov
' keep only slope coefficients
vector b_gls = @subextract(beta,2,1,3,1)
matrix cov_gls = @subextract(covar,2,2,3,3)
' compute Hausman test stat
matrix b_diff = b_fixed - b_gls
matrix var_diff = cov_fixed - cov_gls
matrix qform = @transpose(b_diff)*@inverse(var_diff)*b_diff
if qform(1,1)>=0 then
' set table to store results
table(6,3) HausmannTest
setcolwidth(HausmannTest,1,20)
setcell(HausmannTest,1,1,"Hausman test for fixed versus random effects")
setline(HausmannTest,2)
Untuk menjalankan program ini, dalam keadaan file kerja datard.wf1. sedang aktif. Buka
file h-test.prg dengan menggunakan menu File/Open/Program. Selanjutnya, dari jendela
h-test.prg, pilih menu Run. Klik OK dan untuk model I di atas akan diperoleh tampilan
output berikut:
23
Dengan cara yang ekuivalen, dapat dilakukan analisa untuk model II.
Hausman test for fixed versus
random effects
chi-sqr(2) =
p-value =
5.4413051
0.0658318
Rangkuman untuk hasil uji Hausman, diberikan dalam tabel berikut:
Model I
Stat-Uji
p-value
Kesimpulan Uji untuk tingkat kesalahan 0, 05
17,239426
0,0001805
 2 hitung  24;0,05  9, 488
p  value  0, 0001805  0, 05  
Hipotesa H0 ditolak, digunakan fixed effect
Model II
Stat-Uji
p-value
Kesimpulan Uji untuk tingkat kesalahan 0, 05
5,4413051
0,0658318
 2 hitung  23;0,05  7,815
p  value  0, 0658318  0, 05  
Hipotesa H0 diterima, digunakan random effect
Uji Breusch-Pagan
Selanjutnya, akan dilakukan uji Breusch-Pagan untuk model. Sebagai ilustrasi digunakan model
I, yakni:
returnRD  b1age  b2aum  b3returnIHSG  ci  di   i ,t
24
Uji Breusch-Pagan dilakukan dengan menggunakan program BP-test.prg. File BP-test.prg
diberikan sebagai berikut:
'Breusch-Pagan Test for Random Effects
'Only for balanced panel model
'Created by Maria Titah, 09 September 2016
'Doing pooling regression
poolrd.ls returnRD? age? aum? returnIHSG?
'Save the value of ssr from pooling regression
matrix ssro =poolrd.@ssr
'Start calculate ssresidual for eachgroup dan obs from pooling regression
poolrd.makeresid
poolrd.makegroup(tempgrp) resid?
!ncross=poolrd.@ncross
matrix(!ncross,1) ssgrp
series tempser
' loop over each crosssection and compute sum residual for each group
for !i =1 to !ncross
tempser=tempgrp(!i)
ssgrp(!i,1)=@sum(tempser)
next
'For our data, we use indexing using year. For different freq use appropriate frequency
series obs=@year
!lastyear = @max(obs)
matrix(!lastyear, 1) ssobs
matrix tempser2
' loop over each year and compute sum residual for each year
for !i = 1 to !lastyear
smpl if (obs = !i)
tempser2 =tempgrp
'ssobs(!i,1) = @mean(tempser2*@transpose(tempser2))
ssobs(!i,1) = @sum(tempser2)
next
delete tempgrp tempser tempser2 obs
smpl @all
matrix AA=1-((@transpose(ssgrp)*ssgrp)/ssro(1,1))(1,1)
matrix BB=1-((@transpose(ssobs)*ssobs)/ssro(1,1))(1,1)
matrix LM1=(!ncross*!lastyear*2*(AA(1,1)^2))/(2*(!lastyear-1))
matrix LM2=(!ncross*!lastyear*2*(BB(1,1)^2))/(2*(!ncross-1))
matrix LM =LM1(1,1) + LM2(1,1)
' set table to store results
table(10,4) BreuschPaganTest
setcolwidth(BreuschPaganTest,1,30)
setcell(BreuschPaganTest,1,1,"Breusch-Pagan Test")
25
setline(BreuschPaganTest,3)
setcell(BreuschPaganTest,4,1,"Hypothesa")
setcell(BreuschPaganTest,4,2,"Statistic")
setcell(BreuschPaganTest,4,3,"p-value")
setline(BreuschPaganTest,5)
setcell(BreuschPaganTest,6,1,"H0:sigma^2_c=0")
setcell(BreuschPaganTest,6,2,LM1(1,1))
setcell(BreuschPaganTest,6,3,1-@cchisq(LM1(1,1),1))
setcell(BreuschPaganTest,7,1,"H0:sigma^2_d =0 ")
setcell(BreuschPaganTest,7,2,LM2(1,1))
setcell(BreuschPaganTest,7,3,1-@cchisq(LM2(1,1),1))
setcell(BreuschPaganTest,8,1,"H0:sigma^2_d =sigma^2_c=0 ")
setcell(BreuschPaganTest,8,2,LM(1,1))
setcell(BreuschPaganTest,8,3,1-@cchisq(LM(1,1),2))
setline(BreuschPaganTest,9)
show BreuschPaganTest
Jalankan BP-test.prg, maka akan diperoleh output berikut untuk
Model I: returnRD  b1age  b2aum  b3returnIHSG  ci  di   i ,t
Model II : returnRD  b1aum  b2returnIHSG  c i  d i   i ,t
Breusch-Pagan Test
Hypothesa
Statistic
p-value
H0:sigma^2_c=0
3.9979577 0.0455554
H0:sigma^2_d =0
0.1896232 0.6632304
26
H0:sigma^2_d =sigma^2_c=0
4.1875809 0.1232192
Di dalam EViews4, hanya digunakan model satu arah dengan komponen efek time bernilai nol.
Dengan demikian, pada output uji Breusch-Pagan di atas, hanya uji hipotesis H0:  c2 = 0 yang
relevan. Rangkuman output untuk uji Breusch-Pagan diberikan dalam tabel berikut:
Model I: returnRD  b1age  b2aum  b3returnIHSG  c i  d i   i ,t
Hipotesis
Statistik Uji
p-value
Kesimpulan uji untuk tingkat kesalahan 5%
H0: c = 0
0,1147015
0,7348537
p  value  0, 7348537  0, 05  
H0 diterima untuk tingkat kesalahan 5%, model
fixed effect dengan hipotesa tidak ada efek cross
section tidak ditolak yakni digunakan model
pooling regression (OLS)
Model II: returnRD  b1aum  b2returnIHSG  c i  d i   i ,t
Hipotesis
Statistik Uji
p-value
Kesimpulan uji untuk tingkat kesalahan 5%
H0: c = 0
3,9979577
0,0455554
p  value  0, 0455554  0, 05  
H 0 ditolak untuk tingkat kesalahan 5%,
model
fixed effect.
5.3. Estimasi Model
Model I:
Dari hasil uji Hausman dan uji Breusch-Pagan, diperoleh pada tingkat kesalahan 5% untuk model
estimasi akan dilakukan model pooling regression.
27
-
Nilai DW sebesar 1,76, hal ini mengindikasikan terdapatnya positive serial autocorrelation.
Suatu model dikatakan bebas dari masalah autokorelasi apabila memiliki nilai DW di sekitar
2. Apabila DW<2 maka terdapat serial positive autocorrelation
Estimation Command:
=====================
EST(F) RETURNRD? AGE? RETURNIHSG?
Estimation Equations:
=====================
RETURNRD_ASHMORE = C(3) + C(1)*AGE_ASHMORE + C(2)*RETURNIHSG_ASHMORE
RETURNRD_KONSUMER10 = C(4) + C(1)*AGE_KONSUMER10 +
C(2)*RETURNIHSG_KONSUMER10
RETURNRD_SCHRODER90 = C(5) + C(1)*AGE_SCHRODER90 +
C(2)*RETURNIHSG_SCHRODER90
Substituted Coefficients:
=====================
RETURNRD_ASHMORE = -0.002666502927 + 0.0005002205233*AGE_ASHMORE +
0.01549814356*RETURNIHSG_ASHMORE
Bila mana ada perubahan age dan returnihsg baik antar daerah maupun antar waktu, maka rd
ashmore akan mendapatkan pengaruh individu terhadap returnrd sebesar --0.002666502927
28
RETURNRD_KONSUMER10 = -0.02202695199 + 0.0005002205233*AGE_KONSUMER10 +
0.01549814356*RETURNIHSG_KONSUMER10
Bila mana ada perubahan age dan returnihsg baik antar daerah maupun antar waktu, maka rd
konsumer10 akan mendapatkan pengaruh individu terhadap returnrd sebesar ---0.02202695199
RETURNRD_SCHRODER90 = -0.02313066583 + 0.0005002205233*AGE_SCHRODER90 +
0.01549814356*RETURNIHSG_SCHRODER90
Bila mana ada perubahan age dan returnihsg baik antar daerah maupun antar waktu, maka rd
schroder90 akan mendapatkan pengaruh individu terhadap returnrd sebesar -0.02313066583
29
BAB VI KESIMPULAN DAN SARAN
6.1. Kesimpulan
RETURNRD_ASHMORE = -0.002666502927 + 0.0005002205233*AGE_ASHMORE +
0.01549814356*RETURNIHSG_ASHMORE
Bila mana ada perubahan age dan returnihsg baik antar daerah maupun antar waktu, maka rd
ashmore akan mendapatkan pengaruh individu terhadap returnrd sebesar --0.002666502927
RETURNRD_KONSUMER10 = -0.02202695199 + 0.0005002205233*AGE_KONSUMER10 +
0.01549814356*RETURNIHSG_KONSUMER10
Bila mana ada perubahan age dan returnihsg baik antar daerah maupun antar waktu, maka rd
konsumer10 akan mendapatkan pengaruh individu terhadap returnrd sebesar ---0.02202695199
RETURNRD_SCHRODER90 = -0.02313066583 + 0.0005002205233*AGE_SCHRODER90 +
0.01549814356*RETURNIHSG_SCHRODER90
Bila mana ada perubahan age dan returnihsg baik antar daerah maupun antar waktu, maka rd
schroder90 akan mendapatkan pengaruh individu terhadap returnrd sebesar -0.02313066583
6.2. Saran
Penelitian selanjutnya bisa diteliti tentang pengaruh risk dan return pada kinerja reksadana
pendapatan tetap dan saham dengan regresi data panel atau metode yang lain.
30
DAFTAR PUSTAKA
Baltagi, 2005. Econometric Analysis of Panel Data third edition, John Wiley & Sons. Ltd
Gujarati, 2004. Basic Econometrics_fourth edition, McGraw Hill New York USA
Green, 2003. Econometric Analysis fifth edition, Prentice Hall
Hartono, Jogiyanto, 2010. Teori Portofolio dan Analisis Investasi. Yogyakarta: BPFEUGM
Hsiao, 2003. Analysis of Panel Data, second edition, Cambridge University Press
Santosa, Magdalena, 2012. Penilaian kinerja produk reksadana dengan menggunakan
metode perhitungan jensen alpha, sharpe ratio, treynor ratio, M2, dan information ratio,
jurnal Manajemen Vol 12, No 1 November 2012
Trisnopati, 2014. Pengaruh Stock Selection, Market Timing, dan Ukuran Reksadana
terhadap kinerja Reksadana Saham (Studi kasus pada reksadana saham yang terdaftar
di Otoritas Jasa Keuangan Periode : 2011-2014)
Warsono, 2004. Analisis Pengukuran Kinerja Reksadana, Ekobis Vol.5, No.1:131-142.
31
LAMPIRAN
32
DAFTAR RIWAYAT HIDUP PENELITI
Nama Lengkap
: Maria Titah Jatipaningrum, S.Si., M.Sc.
Tempat, tanggal lahir
: Sleman, 12 Mei 1983
NIK
: 13.0583.687 E
Pangkat/ Golongan
: Penata Muda Tk I/ III/b
Jabatan Fungsional
:-
Bidang Keahlian
: Statistika
Fakultas/ Jurusan
: Sains Terapan, Statistika
Alamat Kantor
: ISTA, Jalan Bimosakti No. 3 Pengok, Yogyakarta
Telp. 0274544504
Alamat Rumah
: Mergangsan Kidul MG II/ 1177 Yogyakarta
Telp. 0816684679
Riwayat Pendidikan
:
S1
Nama Perguruan Tinggi Universitas Negeri Yogyakarta
Bidang Ilmu
Matematika/Statistika
Tahun Masuk - Lulus
2001-2006
Judul Skripsi/ Tesis
Model Antrian Poisson
Pelayan Tunggal dalam
Keadaan Tunak
S2
Universitas Gadjah Mada
Matematika/Statistika
2009-2011
Fuzzy Klustering Short Time
Series untuk Segmentasi
Pelanggan
PENELITIAN YANG PERNAH DILAKUKAN
TAHUN
2013
2014
JUDUL PENELITIAN
SUMBER DANA
SEGMENTASI PELANGGAN PLN MENGGUNAKAN
FUZZY KLUSTERING SHORT TIME SERIES
IST AKPRIND
YOGYAKARTA
VISUALISASI PEMBELAJARAN RANTAI MARKOV
DENGAN MEMANFAATKAN FUNGSI MATLAB DAN
PAKET R ‘markovchain’ DALAM PENGANTAR PROSES
STOKASTIK
IST AKPRIND
YOGYAKARTA
33
34
35
36
DATA REKSADANA DALAM PENELITIAN
obs
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
returnRD
-0.05763
-0.06026
0.043363
0.055879
-0.03302
0.008184
0.058349
0.07515
0.057708
0.01182
0.015302
-0.01019
0.055566
0.022772
-0.01234
0.014841
0.033271
0.004319
0.006438
0.022994
-0.0163
-0.05307
0.021205
-0.07714
-0.02182
-0.06219
-0.06207
0.084366
-0.0097
0.031797
-0.00344
0.027255
0.046436
0.000789
0.003834
0.059968
0.048333
-0.086
-0.11454
0.012077
0.03517
age
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
31
32
33
34
aum
357,093,150,841.00
335,005,718,967.00
349,443,914,756.00
369,110,623,865.00
356,904,201,883.00
489,478,968,988.00
670,275,674,761.00
897,718,385,804.00
1,174,757,148,384.00
1,415,677,576,631.00
1,436,389,065,862.00
1,527,530,469,496.00
1,652,790,588,566.00
1,834,974,521,985.00
2,223,178,046,463.00
2,757,052,967,980.00
3,403,558,510,537.00
4,338,903,450,526.00
4,205,601,181,031.00
3,550,599,390,464.00
3,424,614,027,219.00
3,391,144,030,715.00
3,351,577,101,303.00
2,970,404,998,677.00
2,844,446,956,406.00
2,530,950,323,166.00
2,281,758,215,545.00
2,331,638,588,908.00
2,209,653,344,534.00
2,282,099,799,670.00
2,214,417,870,931.00
2,166,409,620,450.00
2,302,956,508,983.00
2,334,043,954,709.00
2,319,677,479,810.00
2,371,528,007,851.00
2,340,515,927,924.00
2,586,830,666,289.23
2,364,793,184,542.83
2,374,554,400,577.89
2,625,078,314,340.56
37
returnIHSG
0.075216998
-0.056354606
0.046345602
-0.030879324
-0.00973061
0.127444019
0.004409927
0.051373608
0.009585232
-0.009349195
0.02699649
-0.154619891
0.107530553
-0.003131684
-0.052959284
0.032046346
0.080031286
-0.002529257
-0.009818831
-0.034556021
-0.022019328
-0.120482485
0.054753077
0.03093649
0.151620904
0.030417442
0.01254627
-0.194288817
0.014202074
0.156725848
-0.085389282
0.015597511
-0.001400942
0.036800849
0.039737133
0.043002124
-0.11827007
0.075216998
-0.056354606
0.046345602
-0.030879324
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
-0.07921
0.003037
0.062123
0.0519
0.010225
0.017358
0.003276
-0.00812
0.057744
0.000464
0.00857
-0.00836
0.021167
0.02695
0.020198
0.034118
0.01338
-0.08068
0.031896
-0.0673
-0.01116
-0.04273
-0.07226
0.075767
0.015809
0.037093
0.016921
0.040734
0.008721
-0.01009
-0.00584
0.043489
0.033743
-0.03266
-0.10697
0.025275
0.047471
-0.0613
0.000158
0.056498
0.055005
0.033099
0.009372
0.000492
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
39
40
41
42
43
44
45
46
47
48
49
2,424,474,997,735.50
2,428,244,393,833.09
2,570,110,796,040.79
2,669,198,740,206.70
2,531,592,071,253.98
2,404,113,119,674.97
2,317,769,613,299.45
2,181,795,632,345.67
2,158,783,251,740.94
2,059,902,208,568.51
1,961,686,566,645.74
1,900,877,588,118.34
1,561,766,570,395.12
1,534,995,810,555.87
1,555,832,596,503.25
1,450,342,285,570.99
1,404,350,847,992.69
1,325,291,941,452.96
1,371,336,134,181.50
1,414,783,333,306.99
1,404,271,782,776.43
1,427,703,361,615.87
1,324,392,293,222.72
1,414,216,634,074.78
1,431,197,910,153.75
1,487,064,604,477.99
1,562,071,333,223.67
1,642,695,265,813.34
1,483,199,467,931.56
1,162,886,208,685.86
1,367,816,337,066.83
1,549,011,076,421.87
964,021,363,209.75
2,916,870,564,196.82
2,713,368,093,090.10
2,797,150,910,917.73
2,994,789,084,283.30
2,912,554,264,852.42
2,868,306,754,448.39
2,966,239,090,844.89
3,077,298,316,053.86
3,453,712,017,502.00
3,734,490,371,735.39
3,495,497,210,405.87
38
-0.00973061
0.127444019
0.004409927
0.051373608
0.009585232
-0.009349195
0.02699649
-0.154619891
0.107530553
-0.003131684
-0.052959284
0.032046346
0.080031286
-0.002529257
-0.009818831
-0.034556021
-0.022019328
-0.120482485
0.054753077
0.03093649
0.151620904
0.030417442
0.01254627
-0.194288817
0.014202074
0.156725848
-0.085389282
0.015597511
-0.001400942
0.036800849
0.039737133
0.043002124
-0.11827007
0.075216998
-0.056354606
0.046345602
-0.030879324
-0.00973061
0.127444019
0.004409927
0.051373608
0.009585232
-0.009349195
0.02699649
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
0.00087
0.052336
0.004224
-0.01438
-0.00045
0.025582
0.024881
0.030101
0.028181
0.02851
-0.07638
0.030752
-0.07434
-0.02134
-0.04957
-0.07146
0.082483
-0.0009
0.04365
0.009917
0.030638
0.018174
-0.01451
0.008066
0.048704
0.032679
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
3,810,120,149,679.61
3,536,862,285,175.51
3,509,891,653,849.06
3,539,322,827,255.33
3,863,534,636,680.91
3,873,699,209,702.63
3,755,426,112,734.77
3,531,367,195,162.69
3,653,067,584,792.66
4,906,024,587,902.10
4,854,828,042,393.55
5,513,700,652,680.14
5,290,744,291,701.29
5,269,824,235,689.29
4,981,606,787,834.54
4,666,478,950,133.32
5,076,525,085,035.39
4,998,449,747,657.33
5,514,815,221,845.78
5,118,795,321,557.14
5,407,434,312,916.37
5,420,019,235,032.04
5,200,202,716,014.95
5,064,328,718,472.89
4,834,195,646,795.19
4,516,272,491,092.06
-0.154619891
0.107530553
-0.003131684
-0.052959284
0.032046346
0.080031286
-0.002529257
-0.009818831
-0.034556021
-0.022019328
-0.120482485
0.054753077
0.03093649
0.151620904
0.030417442
0.01254627
-0.194288817
0.014202074
0.156725848
-0.085389282
0.015597511
-0.001400942
0.036800849
0.039737133
0.043002124
-0.11827007
TABEL DATA IHSG
Date
8/1/2013
10/1/2013
11/1/2013
1/2/2013
9/2/2013
12/2/2013
6/3/2013
4/1/2014
7/1/2014
9/1/2014
10/1/2014
12/1/2014
1/2/2014
5/2/2014
6/2/2014
Open
4618.964
4314.961
4473.73
4322.582
4196.721
4269.077
5053.545
4796.162
4877.65
5159.943
5148.574
5150.38
4294.495
4845.341
4900.973
High
4718.103
4611.264
4518.654
4472.108
4791.765
4331.59
5055.832
4933.113
5165.416
5262.568
5165.394
5226.947
4510.216
5091.317
4971.946
Low
3837.735
4314.961
4202.919
4298.612
4012.681
4109.309
4373.377
4721.596
4862.42
5082.727
4900.718
5005.275
4161.193
4828.217
4835.037
39
Close
4195.089
4510.631
4256.436
4453.703
4316.176
4274.177
4818.895
4840.146
5088.802
5137.579
5089.547
5226.947
4418.757
4893.908
4878.582
Volume
3.98E+09
3.66E+09
3.29E+09
2.58E+09
4.55E+09
3.06E+09
2.38E+09
3.82E+09
4.49E+09
3.74E+09
3.44E+09
4.6E+09
2.9E+09
3.69E+09
2.99E+09
Adj Close
4195.089
4510.631
4256.436
4453.703
4316.176
4274.177
4818.895
4840.146
5088.802
5137.579
5089.547
5226.947
4418.757
4893.908
4878.582
0.075217
-0.05635
0.046346
-0.03088
-0.00973
0.127444
0.00441
0.051374
0.009585
-0.00935
0.026996
-0.15462
0.107531
-0.00313
2/3/2014
3/3/2014
11/3/2014
8/4/2014
4/1/2015
6/1/2015
7/1/2015
9/1/2015
10/1/2015
12/1/2015
1/2/2015
2/2/2015
3/2/2015
11/2/2015
8/3/2015
5/4/2015
2/1/2016
3/1/2016
4/1/2016
6/1/2016
7/1/2016
8/1/2016
5/2/2016
4407
4589.624
5102.537
5076.227
5516.798
5212.134
4924.066
4484.204
4231.41
4504.222
5233.796
5277.154
5452.831
4442.419
4778.044
5093.334
4620.152
4760.236
4843.394
4801.853
5027.617
5280.21
4828.963
4665.267
4903.497
5157.084
5223.975
5524.036
5215.55
4982.91
4484.789
4696.157
4595.513
5325.039
5464.219
5518.675
4621.256
4868.074
5347.133
4803.609
4908.26
4920.403
5033.242
5334.121
5476.22
4845.124
4320.783
4567.76
4965.387
5043.525
5015.008
4826.13
4711.491
4033.587
4207.799
4330.76
5121.815
5254.036
5350.47
4395.966
4111.112
5089.418
4545.14
4757.8
4766.815
4754.357
4971.581
5279.586
4690.558
4620.216
4768.277
5149.888
5136.863
5086.425
4910.658
4802.529
4223.908
4455.18
4593.008
5289.404
5450.294
5518.675
4446.458
4509.607
5216.379
4770.956
4845.371
4838.583
5016.647
5215.994
5440.293
4796.869
3.68E+09
4.56E+09
4.29E+09
3.75E+09
4.35E+09
3.3E+09
3.41E+09
3.45E+09
4.4E+09
2.47E+09
5.35E+09
4.38E+09
4.61E+09
2.97E+09
3.65E+09
4.25E+09
3.21E+09
4.1E+09
4.19E+09
4.76E+09
5.39E+09
6.93E+09
3.41E+09
4620.216
4768.277
5149.888
5136.863
5086.425
4910.658
4802.529
4223.908
4455.18
4593.008
5289.404
5450.294
5518.675
4446.458
4509.607
5216.379
4770.956
4845.371
4838.583
5016.647
5215.994
5440.293
4796.869
-0.05296
0.032046
0.080031
-0.00253
-0.00982
-0.03456
-0.02202
-0.12048
0.054753
0.030936
0.151621
0.030417
0.012546
-0.19429
0.014202
0.156726
-0.08539
0.015598
-0.0014
0.036801
0.039737
0.043002
-0.11827
DATA POOLED REGRESSION
bulan
jan
feb
maret
april
mei
juni
juli
agustus
september
oktober
nov
des
jan
feb
maret
april
mei
juni
juli
NAB
Ashmore
Danareksa
1475.671
1509.602
1485.000
1406.189
1436.007
1325.234
1296.315
1215.702
1140.244
1236.442
1224.449
1263.383
1259.040
1293.356
1353.414
1354.481
1359.674
1441.210
1510.868
1683.512
1740.950
1764.243
1621.904
1673.635
1561.000
1543.576
1477.618
1370.847
1474.713
1498.027
1553.593
1579.882
1644.238
1658.577
1641.834
1632.251
1703.236
1760.708
40
Schroder
1901.650
1955.241
2010.984
1857.394
1914.513
1772.189
1734.379
1648.407
1530.620
1656.870
1655.386
1727.643
1744.776
1798.232
1830.912
1804.337
1818.890
1907.477
1969.812
IHSG
5289.403809
5450.293945
5518.674805
5086.424805
5216.378906
4910.658203
4802.528809
4509.606934
4223.908203
4455.180176
4446.458008
4593.007812
4615.163086
4770.956055
4845.371094
4838.583008
4796.869141
5016.646973
5215.994141
bulan
jan
feb
maret
april
mei
juni
juli
agustus
september
oktober
nov
des
jan
feb
maret
april
mei
juni
juli
bulan
jan
feb
maret
april
mei
juni
juli
agustus
september
oktober
nov
des
jan
feb
maret
AUM dalam trilliun
Ashmore
4205601181031
3550599390464
3424614027219
3391144030715
3351577101303
2970404998677
2844446956406
2530950323166
2281758215545
2331638588908
2209653344534
2282099799670
2214417870931
2166409620450
2302956508983
2334043954709
2319677479810
2371528007851
2340515927924
monthly return
Ashmore
fund size
Danareksa
Schroder
1555832596503
1450342285571
1404350847993
1325291941453
1371336134182
1414783333307
1404271782776
1427703361616
1324392293223
1414216634075
1431197910154
1487064604478
1562071333224
3531367195163
3653067584793
4906024587902
4854828042394
5513700652680
5290744291701
5269824235689
4981606787835
4666478950133
5076525085035
4998449747657
5514815221846
5118795321557
1642695265813
1483199467932
1162886208686
1367816337067
1549011076422
964021363210
5407434312916
5420019235032
5200202716015
5064328718473
4834195646795
4516272491092
Danareksa
0.0064
0.0230
-0.0163
-0.0531
0.0212
-0.0771
-0.0218
-0.0622
-0.0621
0.0844
-0.0097
0.0318
-0.0034
0.0273
0.0464
Schroder
0.0202
0.0341
0.0134
-0.0807
0.0319
-0.0673
-0.0112
-0.0427
-0.0723
0.0758
0.0158
0.0371
0.0169
0.0407
0.0087
april
0.0008
-0.0101
mei
0.0038
-0.0058
juni
juli
0.0600
0.0435
0.0337
0.0483
41
0.0301
0.0282
0.0285
-0.0764
0.0308
-0.0743
-0.0213
-0.0496
-0.0715
0.0825
-0.0009
0.0436
0.0099
0.0306
0.0182
-0.0145
0.0081
0.0487
0.0327
IHSG
5350420300
4379688100
4610533700
4351595800
4247861300
3299502900
3409749100
3650082300
3447175000
4403177500
2967403200
2470170800
2751229900
3214575200
4097899500
4187362300
3414532600
4763712100
5391705500
B. DRAFT
ARTIKEL ILMIAH
42
PENGARUH RISK DAN RETURN PADA KINERJA REKSADANA SAHAM
DENGAN REGRESI DATA PANEL
Maria Titah Jatipaningrum1*
1
Jurusan Statistika, Fakultas Sains Terapan, Institut Sains & Teknologi Akprind
Yogyakarta
Jalan Kalisahak No. 28 Yogyakarta
*
Email: [email protected]
Abstrak
Pertumbuhan investasi reksadana meningkat pesat dikarenakan reksadana
merupakan investasi yang menguntungkan dan tidak memerlukan modal
yang besar. Menguntungkan karena reksadana dikelola oleh manajer
investasi untuk mengelola dana tersebut sesuai dengan tujuan investasinya.
Sehingga masyarakat dalam hal ini investor yang tidak memiliki banyak
waktu atau keterbatasan keahlian tetap dapat melalukan investasi. Sumber
dana yang digunakan dalam investasi reksadana bersifat kolektif, sehingga
masyarakat berdana terbatas juga dapat ikut serta dalam berinvestasi.
Investor dapat melakukan diversifikasi investasi dalam efek, adanya
transparansi, dan likuiditas tinggi.
Penelitian ini bertujuan untuk menganalisis pengaruh risk dan return
sample reksadana saham pada periode Januari 2013 hingga Maret 2016.
Data yang digunakan berupa data bulanan. Penelitian ini menggunakan data
sekunder dari www.ojk.go.id , dengan metode regresi data panel. Diuji
terlebih dahulu menggunakan Uji Chow dan Uji Haussman untuk
menentukan digunakan model fixed effect atau model random effect.
Kata kunci: reksadana saham, regresi panel, risk, return, kinerja reksadana.
LATAR BELAKANG PERMASALAHAN
Kinerja adalah sebuah hal yang menjadi tolok ukur, baik atau tidaknya, bertumbuh
atau tidaknya suatu organisasi. Organisasi sebaiknya memperhatikan dan menilai
karyawan melalui kinerja karyawan dalam bekerja, bukan hanya melihat hasil akhir dari
pekerjaan yang dilakukan. Terdapat banyak kerugian jika suatu organisasi tidak melakukan
penilaian kinerja yang baik, mulai dari perputaran tenaga kerja yang yang meningkat,
penyampaian informasi yang buruk (atasan kepada bawahan), hilang biaya dan waktu,
hingga muncul berbagai bias (Aguinis, 2007:7-8), dan pada akhirnya berujung pada
kematian organisasi. Jadi, penilaian kinerja sangat perlu diperhatikan oleh organisasi.
Demikian pula dengan investor, ketika memutuskan untuk berinvestasi, maka hal
yang perlu dilakukan adalah menilai kinerja investasi. Investor tidak tahu pasti hasil yang
diperoleh dari investasi yang dilakukan. Dalam keadaan seperti ini, investor menghadapi
resiko dalam investasi yang dilakukan. Investor hanya dapat memperkirakan berapa
keuntungan yang diharapkan dari investasi dan seberapa jauh kemungkinan hasil yang
sebenarnya akan menyimpang dari hasil yang diharapkan (Husnan, 2003:43). Dengan
demikian, penilaian kinerja menjadi alat ukur bagi investor dalam mengambil keputusan
43
terhadap suatu investasi. Kinerja suatu reksadana ditentukan oleh besarnya return yang
diperoleh atas investasi yang dikenal dengan nilai aktiva bersih (NAB). Oleh karena
itu, dibutuhkan manajemen investasi yang baik agar portofolio yang telah disusun
mampu memberikan keuntungan yang maksimal.
Di Indonesia reksadana pertama kali diperkenalkan kepada masyarakat dengan
didirikannya PT. Danareksa pada tahun 1976. Reksadana menurut UU No 8 tahun 1995
pasal 1 ayat 27 didefinisikan sebagai “wadah yang dipergunakan untuk menghimpun dana
dari masyarakat pemodal untuk selanjutnya diinvestasikan dalam portofolio efek oleh
manajer investasi”. Berdasarkan definisi tersebut, reksadana merupakan kumpulan dana
dari masyarakat yang diinvestasikan pada saham, obligasi berjangka, pasar uang dan
sebagainya.
Perkembangan Reksadana dewasa ini semakin meningkat seiring dengan tumbuh
kembangnya perekonomian suatu bangsa dan berkembangnya pasar modal. Melalui
investasi di reksadana maka masyarakat yang tidak memiliki modal cukup besar dapat
melakukan investasi di pasar modal dan memperoleh manfaat dari perkembangan pasar
modal. Perkembangan reksadana tersebut juga didukung dengan semakin berkembangnya
produk-produk investasi sehingga tidak semua orang dapat memahami investasi dan
memiliki waktu untuk mengelola investasinya. Dengan menggunakan manajer investasi
yang profesional dan memiliki pengetahuan tentang efek, maka investasi pada reksadana
semakin berkembang di Indonesia.
Pertumbuhan investasi reksadana meningkat pesat dikarenakan reksadana
merupakan investasi yang menguntungkan dan tidak memerlukan modal yang besar.
Menguntungkan karena reksadana dikelola oleh manajer investasi untuk mengelola dana
tersebut sesuai dengan tujuan investasinya. Sehingga masyarakat dalam hal ini investor
yang tidak memiliki banyak waktu atau keterbatasan keahlian tetap dapat melalukan
investasi. Sumber dana yang digunakan dalam investasi reksadana bersifat kolektif,
sehingga masyarakat berdana terbatas juga dapat ikut serta dalam berinvestasi. Investor
dapat melakukan diversifikasi investasi dalam efek, adanya transparansi, dan likuiditas
tinggi. Dengan kata lain, reksadana dapat dicairkan kapan saja jika investor membutuhkan,
itulah beberapa keuntungan berinvestasi di dalam reksadana. Namun terdapat beberapa
resiko dalam berinvestasi di reksadana, yaitu investor dapat mengalami capital loss, resiko
likuiditas, resiko wanprestasi, resiko kredit, dan resiko berkurangnya nilai tukar mata uang
(Martalena, 2011: 85).
Penilaian kinerja sebuah investasi terdapat dua dua pengukuran kinerja yaitu
melalui return reksadana itu sendiri dan model risk adjusted return. Adapun metode untuk
melakukan penilaian kinerja dengan menggunakan return reksadana itu sendiri adalah raw
return. Sedangkan risk adjusted return adalah perhitungan return yang disesuaikan dengan
resiko yang harus ditanggung (Hartono, 2010: 640), adapun metodenya antara lain:
Treynor ratio, Sharpe Ratio, Jensen Alpha, Roy Safety First Ratio, M2 , Sortino Ratio, MSR,
FPI, dan Information Ratio.
Dalam berinvestasi di reksadana masyarakat perlu mengetahui jenis-jenis
reksadana yang dapat disesuaikan dengan tujuan dan kebutuhan investasi. Berdasarkan
kategori instrumen jenis reksadana di Indonesia yang dapat dimiliki oleh masyarakat ada
empat yaitu: reksadana pasar uang, reksadana pendapatan tetap, reksadana saham dan
reksadana campuran.
Pembagian reksadana ini dilandasi oleh cara investasi yang berbeda-beda. Pertama, pada
reksadana pasar uang investor berinvestasi 100% pada efek pasar uang seperti efek-efek
hutang yang berjangka kurang dari satu tahun. Kedua, reksadana pendapatan tetap
investasi dilakukan sekurang-kurangnya 80% dari portfolio yang dikelolanya ke dalam efek
bersifat hutang seperti obligasi. Ketiga, reksadana saham yang melakukan investasi
sekurang-kurangnya 80% dari portofolio yang dikelolanya ke dalam efek bersifat ekuitas
(saham). Terakhir, reksadana campuran dimana investasi dilakukan ke dalam efek ekuitas
44
dan efek hutang yang alokasinya tidak termasuk di dalam kategori reksadana pendapatan
tetap dan reksadana saham.
Sejak diperkenalkan pertama kali di Indonesia, instrumen ini berkembang dengan
pesat berdasarkan data yang tercatat pada Otoritas Jasa Keuangan (OJK) hingga 23
Desember 2015, terdapat 1.083 produk reksadana yang terdaftar dengan dana kelolaan
atau Nilai Aktiva Bersih (NAB) Rp 268,44 trilliun.
Tujuan dari setiap investor dalam berinvestasi adalah untuk mendapat return. Bila
investasi tidak dapat memberikan tingkat keuntungan yang diharapkan tentunya akan
membuat investor enggan untuk berinvestasi. Menurut Jogiyanto (2009;199) return
merupakan hasil yang diperoleh dari investasi. Sementara menurut Brigham dan Houston
(2006:215) return adalah selisih antara jumlah yang diterima dan jumlah yang
diinvestasikan. Menurut Jogiyanto (1998) return dibagi menjadi dua yaitu: realized return
dan expected return. Realized return adalah return yang telah terjadi dan dapat digunakan
sebagai salah satu alat ukur kinerja perusahaan serta tolok ukur dalam menentukan return
dan resiko di masa depan. Sedangkan expected return merupakan return yang diharapkan
akan tercapai dan tidak memiliki kepastian.
Penelitian ini untuk mengetahui beberapa sampel reksadana saham yang diolah
risk dan returnnya untuk mengukur kinerja reksadana dengan model regresi data panel.
Data yang digunakan pada penelitian ini adalah NAB (Nilai Aktiva Bersih), return reksadana
saham, total dana kelolaan, data SBI, data IHSG setahun (yang didownload pada
www.infovesta.com) untuk mengetahui kinerja reksadana saham, dan juga meneliti
pengaruh risk dan return pada kinerja reksadana saham yang menjadi sampel data
reksadana saham yaitu: ashmore dana progresif nusantara, danareksa mawar konsumer
10, dan schroder 90 plus equity fund.
TINJAUAN PUSTAKA
Secara umum, bentuk model linear (yang disebut pooled regression) yang dapat digunakan
adalah:
yi ,t  x 'i ,t i ,t   i ,t
(5)
Dimana:
yi,t
adalah observasi dari unit ke –I dan diamati pada periode waktu ke –t.
x 'i ,t
adalah vektor variabel-variabel independen / input dari unit ke –I dan diamati pada
periode waktu ke –t. disini diasumsikan
 i ,t
x 'i ,t
memuat komponen konstanta.
adalah komponen error, yang diasumsikan memiliki harga mean 0 dan variansi
homogen dalam waktu (homokedastic) serta independen dengan
x 'i ,t
Estimasi untuk model ini dapat dilakukan dengan metode OLS standar
Untuk model panel data, sebagai asumsi standar
i,t   , yakni pengaruh dari perubahan
dalam X diasumsikan bersifat konstan dalam waktu dan kategori cross- section. Model
pooled regression dapat ditulis ulang, dan selanjutnya ditambahkan komponen konstanta
ci dan dt
yt ,i  x 't ,i   ci  dt   t ,i
(6)
Dengan
ci
adalah konstanta yang bergantung kepada unit ke- i , tapi tidak kepada waktu
dt
adalah konstanta yang bergantung kepada waktu t , tapi tidak kepada unit i .
45
t
Disini apabila model memuat komponen
ci dan dt , maka model disebut model dua arah,
sedangkan apabila dt  0 atau ci  0 , maka model disebut model satu arah. Apabila
banyaknya observasi sama untuk semua kategori cross–section, dikatakan model bersifat
balance, dan sebaliknya disebut unbalanced.
Specification test/ Uji Spesifikasi
5. Uji Wald/ Poolability test
Uji ini bertujuan untuk melihat hubungan antar kategori cross-section, yakni menguji
hipotesa berbentuk
H0 : R  r
dengan R vektor konstanta dan r adalah
konstanta.
6. Uji Haussman
Uji ini bertujuan untuk melihat apakah terdapat random effect didalam panel data,
yakni menguji hipotesa berbentuk H0 :terdapat random effect di dalam model
7. Uji Breusch-Pagan
Uji ini bertujuan untuk melihat apakah terdapat efek cross-section/ time series (atau
keduanya) di dalam panel data, yakni menguji hipotesa berbentuk H 0 : c   d .
Test ini juga valid untuk model fixed effect, yakni dapat juga digunakan untuk
menguji adanya efek cross-section dan/ atau time dalam model fixed effect.
Secara umum, langkah uji hipotesa yang dilakukan adalah sebagai berikut. Pertamatama dilakukan uji Hausman terhadap data. Jika hipotesa untuk uji Hausman ditolak,
maka model fixed effect digunakan dalam pemodelan. Akan tetapi, jika hipotesa ini
tidak ditolak, maka digunakan uji Breusch-Pagan untuk melihat apakah terdapat
efekdidalam data. Jika hipotesa uji Breusch Pagan tidak ditolak, maka di lakukan
analisa dengan menggunakan metode pooling OLS, meskipun data yang dimiliki
dikumpulkan menggunakan framework panel studi.
2
PEMBAHASAN
46
2
Pemodelan terhadap data di atas dapat dilakukan dengan menggunakan model regresi
dengan variabel dummy. Dengan EViews4, pemodelan regresi dengan variabel dummy
ini dapat dilakukan seperti analisis model regresi biasa. Berikut ini, kita akan
menggunakan analisis alternative dengan model pooling. Sebagai catatan penting, di
dalam EViews4 hanya digunakan model satu arah, yakni diasumsikan bahwa efek waktu
(time) dalam model bernilai nol. Sehingga dalam analisis berikut, pada model,
diasumsikan di = 0.
C. Mempersiapkan Data
1. Kita buat file kerja baru dengan menggunakan menu File/New/Workfile… Untuk
data di atas, setelah muncul jendela Workfile Range, gunakan pilihan undated or
Irregular untuk Frequency dengan Range bernilai 1 – 37. Lalu klik OK.
2. Selanjutya buat objek baru dengan menu Object/New Object …. Sebagai type
of object, pilih Pool, dan namakan objek baru ini sebagai Poolrd. Lalu klik OK.
47
3. Setelah muncul jendela objek Poolrd, isikan daftar kategori cross section
keenam provinsi di pulau Jawa ( _ashmore, _konsumer10, _schroder90), yakni
kita gunakan identifier berikut:, klik menu Define.
4. Selanjutnya, kita akan mengimpor data ke dalam EViews. Data ini merupakan
hasil penumpukan (stacked) data dari tabel menurut kategori cross-section
(ekuivalennya, data dapat ditumpuk menurut waktu).
5. Data dari file datard.xls ke dalam EViews. Untuk mengimpor data, dari jendela
objek ReturnRD, pilih menu Procs/Import Pool data (ASCII,XLS,WK?)….
Arahkan ke file datard.xls dan isikan informasi yang diperlukan.
6. Di sini, karena pada file excel yang diimpor, data ditumpuk menurut kategori
cross-section, maka pada pilihan Group Observation, dipilih by Cross section.
Di sini variabel Obs (yang terdapat pada file excel) tidak dilampirkan ke dalam
file kerja. Klik OK Untuk melihat hasil impor data, dari jendela objek Poolrd, pilih
menu View/Spreadsheet (Stacked data)
7. Di dalam contoh di atas, kita akan menampilkan semua variabel hasil impor.
Sehingga akan diperoleh tampilan data berikut:
Data di atas adalah hasil penumpukan, terurut menurut kategori cross-section,
yakni:
 Observasi 1-37: RD ashmore dana progresif nusantara
 Observasi 38-74: RD danareksa konsumer 10
 Observasi 75-111: RD schroder 90 plus equity fund
8. Selanjutnya, dengan menggunakan menu File/Save atau File Save As …, file
kerja diberi nama datard.wf1.
D. Pra Analisis
1. Uji Heteroskedastisitas
Asumsi penting model regresi adanya homoskedastisitas, yaitu bahwa varians tiap
unsur disturbance tergantung (conditional) pada nilai yang dipilih dari variabel yang
menjelaskan, adalah suatu angka konstan yang sama dengan σ2. Uji
heteroskedastisitas bertujuan mengetahui apakah dalam model regresi tersebut
terjadi ketidaksamaan varians dari residual satu pengamatan ke pengamatan yang
lain. Jika ditemukan pengamatan (varians) yang berbeda dari satu pengamatan ke
48
pengamatan yang lain berarti terjadi heteroskedastisitas. Pengujian
heterokedastisitas dapat dilakukan dengan uji grafik (residual graph) maupun uji
White (Residual test). Hipotesa pada White Heteroscedasticity-test yaitu: H 0 :
tidak terdapat heterokedastisitas, yang berarti tidak ada hubungan antara error
dengan variabel bebasnya.
2. Uji Autokorelasi
Autokorelasi merupakan korelasi antara anggota serangkaian observasi yang
diurutkan menurut waktu atau ruang dan tidak terdapat dalam disturbansi atau
gangguan. Jadi unsur gangguan yang berhubungan dengan observasi tidak
dipengaruhi oleh unsur gangguan yang berhubungan dengan pengamatan lain yang
manapun. Tujuan uji untuk mengetahui apakah ada korelasi unsur gangguan pada
periode t dengan periode sebelumnya (t-1). Cara mendeteksi autokorelasi dapat
digunakan dua cara, yaitu:
Uji Durbin Watson (uji D-W) dengan hipotesis yaitu H 0 : tidak ada autokorelasi. Uji
DW ini akan menerima H 0 saat angka DW-stat pada tabel statistik pengujian
berada disekitar angka 2 (1,5 < DW-stat< 2,5), yang berarti dapat disimpulkan
bahwa error tidak berkorelasi.
b. Uji residual pada E-Views. Uji residual ini menguji correlogram pada spesifikasi
lag. Akan dikatakan bahwa tidak ada autokorelasi pada saat p-value dari Q-stat
signifikan (lebih kecil dari 0,025, two tailed pada tingkat signifikansi 5%)
Coef. Covariance method
o Ordinary
o White cross section: korelasi antara cross-equation dan varians error yang
berbeda dalam cross section
o White period: mengakomodasi korelasi serial dan varians berbeda antara
distrubance
o White diagonal: heterocedasticity dalam distrubance.
Masalah heterokedastisitas pada data panel dapat diatasi dengan memilih white
heteroscedasticity consistent covariance pada saat melakukan estimasi. Dan untuk
autokorelasi dengan melakukan perbaikan menggunakan Eviews yaitu dengan memilih
Newey-West pada option heteroscedasticity Consistent Coefficient Covariance.
White Test
Hipotesa:
Ho: homokedastik
H1: heterokedastik
Statistik uji: n  R
2
 2 df dimana df =banyaknya variabel independen
Keputusan: tolak Ho bila p-value < 5%
E. Analisis Model
Kriteria uji Haussman dan Breuch Pagan, sbb:
RE
H 0 diterima
M
Haussma
Breusch
n test
Pagan test
H 0 ditolak
H 0 ditolak
fixed effect
H 0 diterima
OLS pooling
regression
FEM
2. Uji Hausman
Pengujian Hausman dilakukan untuk menentukan ada tidaknya korelasi antara
error dan variabel bebas dengan hipotesis sebagai berikut:
49
H 0 : corr  X it , uit   0 (random effect model=individual effect uncorrelated )
H1 : corr  X it , uit   0 ( fixed effect model==individual effect correlated )
2
Statistik uji:  hitung   b    'Var  b   
1
b   
b=koefisien random effect
 =koefisien fixed effect
Kesimpulan H 0 ditolak jika p-value < 0,05 atau
 2hitung  2K ; 
K = jumlah koefisien slope
Untuk menganalisis dari model, pertama-tama akan dilakukan uji Hausman data. Uji
Hausman digunakan untuk mengetahui apakah nanti akan menggunakan model
Efek Random, ataukah Efek Tetap. Sebagai ilustrasi, kita akan menggunakan model
I, yakni: returnRD  b1age  b2aum  b3returnIHSG  ci  di   i ,t
Uji Hausman dilakukan dengan menggunakan program h-test.prg yang sudah
tersedia. Isi dari h-test.prg adalah sebagai berikut:
'Hausman test for fixed versus random effects
'Edited from HAUSMAN.prg by Maria Titah J, 01/09/16
' set sample
smpl @all
' estimate fixed effects and store results
poolrd.ls(f) returnRD? age? aum? returnIHSG?
vector beta = poolrd.@coefs
matrix covar = poolrd.@cov
' keep only slope coefficients
vector b_fixed = @subextract(beta,1,1,2,1)
matrix cov_fixed = @subextract(covar,1,1,2,2)
' estimate random effects and store results
poolrd.ls(r) ) returnRD? age? aum? returnIHSG?
beta = poolrd.@coefs
covar = poolrd.@cov
' keep only slope coefficients
vector b_gls = @subextract(beta,2,1,3,1)
matrix cov_gls = @subextract(covar,2,2,3,3)
' compute Hausman test stat
matrix b_diff = b_fixed - b_gls
matrix var_diff = cov_fixed - cov_gls
matrix qform = @transpose(b_diff)*@inverse(var_diff)*b_diff
if qform(1,1)>=0 then
' set table to store results
table(6,3) HausmannTest
setcolwidth(HausmannTest,1,20)
setcell(HausmannTest,1,1,"Hausman test for fixed versus random effects")
setline(HausmannTest,2)
Untuk menjalankan program ini, dalam keadaan file kerja datard.wf1. sedang
aktif. Buka file h-test.prg dengan menggunakan menu File/Open/Program.
50
Selanjutnya, dari jendela h-test.prg, pilih menu Run. Klik OK dan untuk model I di
atas akan diperoleh tampilan output berikut:
Dengan cara yang ekuivalen, dapat dilakukan analisa untuk model II.
Hausman test for fixed versus random
effects
chi-sqr(2) =
5.4413051
p-value =
0.0658318
Rangkuman untuk hasil uji Hausman, diberikan dalam tabel berikut:
Model I
Stat-Uji
p-value
Kesimpulan Uji untuk tingkat kesalahan 0, 05
17,239426
 2 hitung  24;0,05  9, 488
0,0001805
p  value  0, 0001805  0, 05  
Hipotesa H0 ditolak, digunakan fixed effect
Model II
Stat-Uji
5,4413051
p-value
Kesimpulan Uji untuk tingkat kesalahan 0, 05
0,0658318
 2 hitung  23;0,05  7,815
p  value  0, 0658318  0, 05  
Hipotesa H0 diterima, digunakan random effect
Uji Breusch-Pagan
Selanjutnya, akan dilakukan uji Breusch-Pagan untuk model. Sebagai ilustrasi
digunakan model I, yakni:
returnRD  b1age  b2aum  b3returnIHSG  ci  di   i ,t
Model I: returnRD  b1age  b2aum  b3returnIHSG  ci  di   i ,t
51
Model II : returnRD  b1aum  b2 returnIHSG  ci  di   i ,t
Breusch-Pagan Test
Hypothesa
Statistic
p-value
H0:sigma^2_c=0
3.9979577
0.0455554
H0:sigma^2_d =0
0.1896232
0.6632304
H0:sigma^2_d =sigma^2_c=0
4.1875809
0.1232192
Di dalam EViews4, hanya digunakan model satu arah dengan komponen efek time
bernilai nol. Dengan demikian, pada output uji Breusch-Pagan di atas, hanya uji
hipotesis H0:  c2 = 0 yang relevan. Rangkuman output untuk uji Breusch-Pagan
diberikan dalam tabel berikut:
Model I: returnRD  b1age  b2 aum  b3 returnIHSG  ci  di   i ,t
Hipotesis
H0: c = 0
Statistik
Uji
0,1147015
p-value
Kesimpulan uji untuk tingkat kesalahan 5%
0,7348537
p  value  0, 7348537  0, 05  
H0 diterima untuk tingkat kesalahan 5%, model fixed
effect dengan hipotesa tidak ada efek cross section
tidak ditolak yakni digunakan model pooling
regression (OLS)
Model II: returnRD  b1aum  b2returnIHSG  c i  d i   i ,t
Hipotesis
H0: c = 0
Statistik
Uji
3,9979577
p-value
Kesimpulan uji untuk tingkat kesalahan 5%
0,0455554
p  value  0, 0455554  0, 05  
H 0 ditolak untuk tingkat kesalahan 5%, model fixed
effect.
F. Estimasi Model
Model I:
Dari hasil uji Hausman dan uji Breusch-Pagan, diperoleh pada tingkat kesalahan 5%
untuk model estimasi akan dilakukan model pooling regression.
52
Nilai DW sebesar 1,76, hal ini mengindikasikan terdapatnya positive serial
autocorrelation. Suatu model dikatakan bebas dari masalah autokorelasi apabila
memiliki nilai DW di sekitar 2. Apabila DW<2 maka terdapat serial positive
autocorrelation
Estimation Command:
=====================
EST(F) RETURNRD? AGE? RETURNIHSG?
Estimation Equations:
=====================
RETURNRD_ASHMORE = C(3) + C(1)*AGE_ASHMORE +
C(2)*RETURNIHSG_ASHMORE
RETURNRD_KONSUMER10 = C(4) + C(1)*AGE_KONSUMER10 +
C(2)*RETURNIHSG_KONSUMER10
RETURNRD_SCHRODER90 = C(5) + C(1)*AGE_SCHRODER90 +
C(2)*RETURNIHSG_SCHRODER90
Substituted Coefficients:
=====================
RETURNRD_ASHMORE = -0.002666502927 + 0.0005002205233*AGE_ASHMORE +
0.01549814356*RETURNIHSG_ASHMORE
Bila mana ada perubahan age dan returnihsg baik antar daerah maupun antar
waktu, maka rd ashmore akan mendapatkan pengaruh individu terhadap returnrd
sebesar --0.002666502927
RETURNRD_KONSUMER10 = -0.02202695199 +
0.0005002205233*AGE_KONSUMER10 +
0.01549814356*RETURNIHSG_KONSUMER10
Bila mana ada perubahan age dan returnihsg baik antar daerah maupun antar
waktu, maka rd konsumer10 akan mendapatkan pengaruh individu terhadap
returnrd sebesar ---0.02202695199
RETURNRD_SCHRODER90 = -0.02313066583 +
0.0005002205233*AGE_SCHRODER90 +
0.01549814356*RETURNIHSG_SCHRODER90
Bila mana ada perubahan age dan returnihsg baik antar daerah maupun antar
waktu, maka rd schroder90 akan mendapatkan pengaruh individu terhadap returnrd
sebesar -0.02313066583
DAFTAR PUSTAKA
Baltagi, 2005. Econometric Analysis of Panel Data third edition, John Wiley & Sons. Ltd
Gujarati, 2004. Basic Econometrics_fourth edition, McGraw Hill New York USA
Green, 2003. Econometric Analysis fifth edition, Prentice Hall
Hartono, Jogiyanto, 2010. Teori Portofolio dan Analisis Investasi. Yogyakarta: BPFEUGM
Hsiao, 2003. Analysis of Panel Data, second edition, Cambridge University Press
Santosa, Magdalena, 2012. Penilaian kinerja produk reksadana dengan menggunakan
metode perhitungan jensen alpha, sharpe ratio, treynor ratio, M2, dan information
ratio, jurnal Manajemen Vol 12, No 1 November 2012
Trisnopati, 2014. Pengaruh Stock Selection, Market Timing, dan Ukuran Reksadana
terhadap kinerja Reksadana Saham (Studi kasus pada reksadana saham yang
terdaftar di Otoritas Jasa Keuangan Periode : 2011-2014)
Warsono, 2004. Analisis Pengukuran Kinerja Reksadana, Ekobis Vol.5, No.1:131-142.
53
C. SINOPSIS
PENELITIAN
54
SINOPSIS PENELITIAN
Pertama, bahwa sampai saat ini banyak penelitian yang membahas konsep dan
paradigma kinerja reksadana bisa ditinjau dari fund size, expense ratio, turn over ratio, fund
age, cash flow, aset yang dikelola manajemen investasi, sehingga masih ada kemungkinan
untuk studi lanjutan dalam rangka memperkaya pemahaman terhadap kinerja reksadana
pendapatan tetap dan saham. Penelitian ini hanya difokuskan pada sampel reksadana saham
yang diteliti risk dan returnnya
Kedua, penelitian ini menggunakan Metode Ekonometrika dengan menggunakan
Analisis Data Panel. Analisis Data Panel lebih baik dibandingkan Analisis Regresi
Biasa (OLS) karena Analisis Data Panel dapat menangkap perbedaan atau ciri
karakteristik individual yang menjadi kajian penelitian. Estimasi Data Panel dapat
menggunakan metode Fixed Effect Model (FEM) atau Random Effect Model (REM).
55