69
independen. Berikut disajikan tabel hasil perhitungan Tolerance dan VIF serta matriks korelasi antara variabel independen.
Tabel 4.4 Hasil Uji Multikolinieritas
Coefficients
a
Model Unstandardized Coefficients
Standardized Coefficients
t Sig.
Collinearity Statistics B
Std. Error Beta
Tolerance VIF
Constant ,086
,017 5,185
,000 MarketTimingAbility
-,011 ,004
-,218 -2,878
,005 ,998
1,002 StockSelectionSkill
-,029 1,311
-,002 -,022
,983 ,998
1,002 a. Dependent Variable: KinerjaReksaDana
Sumber: Hasil Penelitian, 2016 Data Diolah
Berdasarkan Tabel 4.3 dapat diketahui bahwa nilai tolerance dari masing- masing variabel independen lebih besar dari 0,10. Yaitu variabel market timing
ability dan variabel stock selection skill sebesar 0,998. Nilail VIF dari masing-masing variabel independen diketahui kurang dari
5,00. yaitu variabel market timing ability dan variabel stock selection skill sebesar 1,002.
Berdasarkan tabel di atas dapat disimpulkan bahwa tidak ada multikolinieritas antar variabel independen dalam model ini.
4. Uji Autokorelasi
Uji bertujuan untuk melihat apakah dalam suatu model regresi linier ada korelasi antar kesalahan pengganggu pada periode t dengan kesalahan pada
periode t-1 sebelumnya. Autokorelasi muncul karena observasi yang berurutan sepanjang tahun yang berkaitan satu dengan yang lainnya. Hal ini sering
70
ditemukan pada time series. Model regresi yang baik adalah regresi yang bebas dari autokorelasi. Cara yang dapat digunakan untuk mendeteksi masalah
autokorelasi adalah dengan menggunakan nilai uji Runs Test. Jika nilai Asymp. Sig 2-tailed 0,05 maka dapat disimpulkan data tidak terkena autokorelasi
Tabel 4.5 Hasil Uji Autokorelasi
Runs Test
Unstandardized Residual
Test Value
a
-,01227 Cases Test Value
84 Cases = Test Value
85 Total Cases
169 Number of Runs
74 Z
-1,774 Asymp. Sig. 2-tailed
,076 a. Median
Sumber: Hasil Penelitian, 206 Data Diolah
Berdasarkan hasil uji Runs Test di atas diperoleh nilai test sebesar -0,01227 dengan Asymp. Sig 2-tailed sebesar 0,076. Sehingga dapat disimpulkan bahwa
data tidak terkena autokorelasi.
4.2.3 Analisis Regresi
Dari hasil pengujian asumsi klasik disimpulkan bahwa model regresi yang Best Linear Unibiased Estimator BLUE dan layak dilakukan analisis regresi.
Untuk menguji hipotesis, peneliti menggunakan analisis berganda. Berdasarkan hasil pengolahan data dengan SPSS, maka diperoleh hasil sebagai berikut:
71
a. Persamaan Regresi Dalam pengolahan data dengan menggunakan regresi linier, dilakukan
beberapa tahapan untuk mencari hubungan antara variabel independen dan dependen, pengaruh Market Timing Ability X
1
, Stock Selection Skill X
2
, Hasil regresi dapat dilihat pada Tabel 4.5 berikut ini:
Tabel 4.6 Hasil Analisis Regresi Linier Berganda
Coefficients
a
Model Unstandardized Coefficients
Standardized Coefficients
T Sig.
B Std. Error
Beta Constant
,086 ,017
5,185 ,000
MarketTimingAbility -,011
,004 -,218
-2,878 ,005
StockSelectionSkill -,029
1,311 -,002
-,022 ,983
a. Dependent Variable: KinerjaReksaDanaSaham
Sumber: Hasil Penelitian, 2016 Data Diolah
Hasil pengolahan data seperti ditunjukkan pada tabel 4.5 menghasilkan persamaan linier berganda sebagai berikut:
Y = 0,086 – 0,011X
1
– 0,029X
2
Dimana : Y = Kinerja Reksa Dana Saham
X1 = Market Timing Ability X2 = Stock Selection Skill
72
Keterangan : 1. Konstanta sebesar 0,086 menunjukkan bahwa semua variabel independen
bernilai 0, maka Kinerja Reksa Dana Saham akan sebesar 0,086. 2. Nilai koefisien regresi variabel Market Timing Ability sebesar -0,011
menunjukkan bahwa semakin tinggi kemampuan manajer investasi dalam memilih waktu untuk membeli dan menjual efek sekuritas yang dikelolanya
maka semakin rendah kinerja reksa dana yang dikelolanya. 3. Nilai koefisien regresi variabel Stock Selection Skill SIZE sebesar -0,029
menunjukkan bahwa semakin tinggi kemampuan manajer investasi dalam memilih efek sekuritas maka semakin rendah kinerja reksa dana yang
dikelolanya.
4.2.4 Pengujian Hipotesis
Untuk mengetahui apakah variabel independen dalam model regresi berpengaruh terhadap variabel dependen, maka dilakukan pengujian dengan
menggunakan uji signifikan simultan F test dan uji parsial t test dan koefisien determinasi Uji Goodness of Fit.
1. Uji Signifikansi Simultan F – test
