Hasil Uji Asumsi Klasik

83

g. Variabel kinerja reksa dana memiliki nilai mean rata-rata sebesar

0,85079000. Hal ini menunjukkan bahwa kinerja yang dimiliki oleh reksa dana campuran dapat dikatakan bagus karena mendekati nilai 1.

2. Hasil Uji Asumsi Klasik

Uji Asumsi klasik adalah asumsi dasar yang harus dipenuhi dalam model regresi. Dalam penelitian ini uji asumsi klasik yang digunakan adalah uji normalitas, uji multikolinieritas, uji heterokedastisitas, dan uji autokorelasi.

a. Uji Normalitas

Uji Normalitas dilakukan dengan menggunakan metode Probability Plot P-Plot. Pengujian ini bertujuan untuk mengetahui apakah dalam sebuah model regresi, variabel pengganggu atau residual mempunyai distribusi yang normal, model regresi yang baik adalah model regresi yang memiliki distribusi data normal atau mendekati normal. Uji normalitas melalui grafik dapat menyesatkan kalau tidak hati-hati secara visual kelihatan normal, pada hal statistik bisa sebaliknya. Oleh karena itu dianjurkan disamping uji grafik dilengkapi dengan uji statistik Ghozali, 2011: 163, sehingga uji yang digunakan adalah uji One-Sample Kolmogorov-Smirnov. 84 Pengujian ulang dengan menggunakan One-Sample Kolmogorov-Smirnov test untuk masing-masing variabel. Untuk uji One-Sample Kolmogorov-Smirnov test, akan dilihat dari nilai probabilitasnya, jika probabilitasnya 0,05 data terdistribusi normal. Apabila data tidak berdistribusi secara normal maka dilakukan transformasi data. Ghozali, 2011 :164. Selengkapnya mengenai hasil penelitian dapat dilihat pada tabel 4.2 dibawah ini: Tabel 4.2 Hasil Uji Normalitas Menggunakan One-Sample Kolmogorov-Smirnov test One-Sample Kolmogorov-Smirnov Test Unstandardized Residual N 40 Normal Parameters a,b Mean ,0000000 Std. Deviation ,03667716 Most Extreme Differences Absolute ,063 Positive ,063 Negative -,054 Test Statistic ,063 Asymp. Sig. 2-tailed ,200 c,d a. Test distribution is Normal. b. Calculated from data. c. Lilliefors Significance Correction. d. This is a lower bound of the true significance. Sumber : Data diolah 85 Grafik 4.1 Hasil Uji Normalitas Menggunakan Normal P-P Plot Sumber : Data diolah Dari tabel 4.2 diatas dapat bahwa nilai Kolmogorov-Smirnov adalah 0,063 dan signifikan pada 0,200 atau lebih besar dari 0,05. Hal ini dapat diartikan H0 diterima yang berarti data residual terdistribusi normal. Sedangkan pada hasil grafik normal probability plot, dapat dilihat titik-titik distribusi normal membentuk satu garis lurus diagonal, sehingga hal ini menunjukkan bahwa data terdistribusi secara normal. Pengambilan kesimpulan normalitas melalui grafik ini akan menimbulkan kerancuan, sehingga kesimpulan normalitas diambil melalui uji One-Sample Kolmogorov-Smirnov. 86

b. Uji Multikolinieritas

Uji multikolinearitas bisa kita dapatkan melalui tabel coefficients dengan melihat nilai collinearity statistics yang terdiri dari nilai tolerance dan nilai VIF Variance Inflation Factor. Suatu data lulus uji multikolinearitas apabila nilai tolerance berada pada nilai 0,1 dan nilai VIF Variance Inflation Factor 10. Tabel 4.3 Hasil Uji Multikolonieritas Coefficients a Sumber : Data diolah Dari tabel 4.3 diatas menunjukan bahwa semua variabel independen memiliki nilai tolerance 0,10 dan VIF Variance Inflation Factor 10. Maka dapat disimpulkan bahwa model regresi dalam penelitian ini telah terbebas dari masalah multikolinieritas.

c. Uji Heteroskedastisitas

Uji Heteroskedastisitas bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan variance dari residual satu Model Collinearity Statistics Tolerance VIF 1 Constant Pemilihan Sekuritas ,546 1,833 Market Timing Ability ,599 1,669 Tingkat Risiko ,473 2,114 Umur Reksa Dana ,648 1,542 Ukuran Reksa Dana ,985 1,015 87 pengamatan ke pengamatan yang lain. Jika variance dari residual satu pengamatan ke pengamatan lain tetap, maka disebut homoskedastisitas dan jika berbeda disebut heteroskedastisitas. Model regresi yang baik adalah model yang Homoskedastisitas atau tidak terjadi Heteroskedastisitas Ghozali, 2011: 139. Alat yang paling umum dalam menguji heteroskedastisitas adalah dengan melihat grafik scatter plot. Grafik yang lulus uji heteroskedastisitas adalah grafik yang tidak membentuk suatu pola tertentu dan tersebar pada nilai diatas dan dibawah 0. Selengkapnya mengenai hasil uji untuk heterokedastisitas dapat dilihat pada grafik 4.2 di bawah ini : Grafik 4.2 Hasil Uji Heteroskedastisitas Melalui scatter plot. Sumber : Data diolah 88 Dari grafik 4.2 diatas menunjukan tidak ada pola tertentu dan titik-titik menyebar secara acak dan tersebar baik di atas maupun dibawah angka 0 pada sumbu Y. maka dapat disimpulkan model regresi dalam penelitian ini telah homokedastisitas atau bebas dari masalah heteroskedastisitas. Selain menggunakan scatter plot untuk pengujian heteroskedastisitas, peneliti juga menggunakan Uji Park untuk menghindari kerancuan yang diakibatkan pengambilan keputusan melalui grafik. Uji Park dapat dilakukan setelah kita mendapatkan nilai unstandardized residual yang telah dikuadratkan dan di logaritmakan, lalu meregresikan nilai tersebut menjadi variable dependen. Tabel 4.4 Uji Heteroskedastisitas Melalui Uji Park Coefficients a Model Unstandardized Coefficients Standardized Coefficients T Sig. B Std. Error Beta 1 Constant -20,981 8,113 -2,586 ,014 Pemilihan Sekuritas 21,756 17,702 ,271 1,229 ,228 Market Timing Ability -,057 ,093 -,128 -,607 ,548 Tingkat Risiko 36,470 24,447 ,353 1,492 ,145 Umur Reksa Dana ,169 ,122 ,280 1,384 ,175 Ukuran Reksa Dana ,423 ,555 ,125 ,762 ,451 Sumber : Data diolah Pada tabel 4.4, dapat kita lihat hasil uji Park melalui tabel coefficients dan nilai sig. Pada bagian sig dapat kita ketahui bahwa semua variabel independen tidak ada yang signifikan karena nilai 89 signifikansi berada diatas 0,05. Hal ini berarti model regresi tidak mengalami heteroskedastisitas.

d. Uji Autokorelasi

Uji autokorelasi mempunyai tujuan untuk menguji apakah dalam model regresi linier terdapat korelasi antara kesalahan pengganggu pada periode t dengan kesalahan pengganggu pada periode t-1. Autokorelasi muncul karena observasi yang berurutan sepanjang waktu berkaitan satu sama lainnya Ghozali, 2011: 110. Salah satu alat untuk menguji nilai autokorelasi adalah dengan melihat nilai Durbin-Watson pada tabel model summary bagian Durbin- Watson. Tabel 4.5 Uji Autokorelasi Melalui Durbin-Watson Model Summary b Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson 1 ,991 a ,982 ,979 ,039281541 1,175 a. Predictors: Constant, Ukuran Reksa Dana, Umur Reksa Dana, Pemilihan Sekuritas, Market Timing Ability, Tingkat Risiko b. Dependent Variable: Kinerja Reksa Dana Sumber : Data diolah Dari tabel diatas terlihat menunjukan bahwa nilai D-W sebesar 1,175 berdasarkan kriteria yang telah ditentukan D-W hitung berada D-W lebih rendah daripada batas bawah atau lower bound dl, maka 90 koefisien autokorelasi lebih besar daripada nol, berarti ada autokorelasi positif. Untuk mengatasi hal ini maka digunakan Uji Run test sebagai bagian dari statistik non parametrik dapat pula digunakan untuk menguji apakah antar residual terdapat korelasi yang tinggi. Jika antar residual tidak terdapat hubungan korelasi maka dikatakan bahwa residual adalah acak atau random. Run test digunakan untuk melihat apakah data residual terjadi secara random atau tdak sistematis Ghozali, 2011: 120 Tabel 4.6 Uji Autokorelasi Melalui Run Test Runs Test Unstandardized Residual Test Value a -,00133 Cases Test Value 20 Cases = Test Value 20 Total Cases 40 Number of Runs 16 Z -1,442 Asymp. Sig. 2-tailed ,149 a. Median Sumber : Data diolah Dari tabel diatas terlihat menunjukan bahwa nilai Asymp. Sig. 2-tailed sebesar 0,149 atau lebih besar dari 0,05 berdasarkan kriteria yang telah ditentukan maka model regresi tidak mengalami masalah autokorelasi. 91

3. Koefisien Determinasi R