LAPORAN PENELITIAN INSTITUT SAINS & TEKNOLOGI AKPRIND YOGYAKARTA

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


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


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


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


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


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


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


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

LAPORAN PENELITIAN INSTITUT SAINS & TEKNOLOGI AKPRIND YOGYAKARTA

Recommend Documents