BAB IV PENEMUAN DAN PEMBAHASAN
B. Penemuan dan Pembahasan
1. Analisis Data dengan Menggunakan Structural
Gambar 4.1 Model SEM Makro Ekonomi Inflasi e2 1 1 Kurs e1 1 Capital Structure Profitability ROE e7 1 1 PM 1 e8 DER e6 1 1 DAR e5 1 SG e4 1 LTD e3 1 z1 1
Sumber : diolah dari berbagai sumber
a. Menilai Identifikasi ModelStructural
Pengujian pertama untuk model structural adalah menilai apakah model just-identified, overidentified, atau unidentified. Pengujian tersebut dapat dilakukan dengan menghitung jumlah data kovarian dan varian dibanding dengan jumlah parameter yang akan diestimasi. Output model summary dapat digunakan untuk menghitung hal tersebut.
Tabel 4.9 Variable Counts
Number of variables in your model: 20
Number of observed variables: 8
Number of unobserved variables: 12 Number of exogenous variables: 11 Number of endogenous variables: 9
Tabel 4.10 Parameter Summary
Weights Covariances Variances Means Intercepts Total
Fixed 12 0 0 0 0 12
Labeled 0 0 0 0 0 0
Unlabeled 7 1 11 0 0 19
Total 19 1 11 0 0 31
Sumber : diolah dari berbagai sumber
Berdasarkan tabel 4.9 dan 4.10 menampilkan ringkasan parameter dalam model. Dapat dilihat terdapat 19 regression weight dimana 12 dengan nilai tetap (fixed) dan 7 yang diestimasi. 12 fixed regression weight meliputi loading pertama dari 3 faktor dan 8 error term. Ada 1 kovarian dan 11 variansi yang diestimasi. Secara total ada 31 parameter dan 19 yang diestimasi.
Untuk menilai apakah model just-identified, overidentified, atau unidentifieddapat dilakukan dengan menghitung jumlah data kovarian dan varian dibandingkan dengan jumlah parameter yang akan diestimasi, yaitu (p + q)(p + q +1)/2 = (6 +2)(6+ 2 +1)/2 = 36 sampel moment sedangkan jumlah parameter yang akan diestimasi 19, sehingga nilai degree of freedomadalah 17 (36 – 19 = 17). Jadi dapat disimpulkan bahwa model yang diteliti adalah overidentified, sehingga dapat diuji lebih lanjut.
b. Menilai Kriteria Goodness of Fit
Menilai goodness of fit merupakan tujuan utama dalam persamaan struktural, karena dalam tahapan ini ingin mengetahui sampai seberapa jauh model yang dihipotesakan “fit” atau cocok dengan sample data.
Tabel 4.11 CMIN
Model NPAR CMIN DF P CMIN/DF
Default model 19 70.282 17 .000 4.134
Saturated model 36 .000 0
Independence model 8 187.094 28 .000 6.682
Sumber : diolah dari berbagai sumber
Tabel 4.12 RMR dan GFI
Model RMR GFI AGFI PGFI
Default model 272.869 .881 .747 .416 Saturated model .000 1.000
Independence model 386.707 .723 .644 .562 Sumber : diolah dari berbagai sumber
Tabel 4.13 RMSEA
Model RMSEA LO 90 HI 90 PCLOSE
Default model .167 .127 .208 .000
Independence model .224 .194 .255 .000
Sumber : diolah dari berbagai sumber
Berdasarkan hasil goodness of fitseperti terlihat pada output diatas bahwa nilai Chi-Square 70.282 dan nilai probabilitas 0.000.
fit. Model yang baik harus tidak menolak hipotesis nol yang berarti harus tidak signifikan secara statistik. Namun demikian, perlu diketahui bahwa Chi-Square sangat sensitif terhadap jumlah sampel. Semakin besar sampel semakin signifikan.
Oleh karena itu, dicari ukuran model fit yang lain, yaitu GFI, AGFI, RMSEA. Output grafik memberikan nilai GFI = 0.881 AGFI = 0.747 keduanya belum memenuhi kriteria model fit yaitu di atas 0.90 dan nilai RMSEA = 0.167 di atas 0.080. Secara keseluruhan model ini belum dapat diterima dan belum bisa melakukan langkah selanjutnya. Karena model belum memenuhi kriteria model fit, maka dapat dilihat ketidak fit nya model, dengan melihat parameter estimainya.
Tabel 4.14
Standardized Regression Weights
Estimate Profitability <--- Makro_Ekonomi .001 Profitability <--- Capital_Structure .014 Inflasi <--- Makro_Ekonomi 6.594 Kurs <--- Makro_Ekonomi .073 ROE <--- Profitability 19.385 PM <--- Profitability .014 DER <--- Capital_Structure .488 DAR <--- Capital_Structure 1.264 SG <--- Capital_Structure .217 LTD <--- Capital_Structure -.134 Sumber : diolah dari berbagai sumber
Tabel 4.15 Variances
Estimate S.E. C.R. P Label
Makro_Ekonomi 91685.312 146851.634 .624 .532 par_9 Capital_Structure 568.194 283.625 2.003 .045 par_10 z1 1351.291 3652.154 .370 .711 par_11 e2 -89576.431 146840.347 -.610 .542 par_12 e1 36.608 4.869 7.519 *** par_13 e7 -1347.953 3652.142 -.369 .712 par_14 e8 3.131 .417 7.515 *** par_15 e6 1819.156 311.890 5.833 *** par_16 e5 -276.727 287.511 -.962 .336 par_17 e4 2552.587 339.189 7.526 *** par_18 e3 46300.092 6170.279 7.504 *** par_19
Berdasarkan tabel 4.14 terlihat bahwa nilai standardized regression weight untuk variabel Inflasi, ROE, dan DAR lebih besar dari 1.00 sehingga menghasilkan nilai variansi e2 = - 89576.431, e5 = -276.727 dan e7 = -1347.953 (negative) yang terdapat pada tabel 4.15. Dengan adanya nilai variansi negative disebut dengan Heywood case.
Dengan adanya Heywood case pada model dan model final harus tidak mengandung Heywood case, maka hal tersebut harus dihilangkan. Cara mehilangkan Heywood case, yaitu dengan menghapuskan indikator yang mengandung Heywood case dari model atau dengan cara membuat konstrain model dengan memberikan nilai positif kecil untuk error term tertentu. Pada
Gambar 4.2
Model Sem dengan Nilai Konstrain
Makro Ekonomi Inflasi 0.005 e2 1 1 Kurs e1 1 Capital Structure Profitability ROE 0.005 e7 1 1 PM 1 e8 DER e6 1 1 DAR 0.005 e5 1 SG e4 1 LTD e3 1 z1 1
c. Menilai Identifikasi Model Structural
Pengujian pertama untuk model structural adalah menilai apakah model just-identified, overidentified, atau unidentified. Pengujian terssebut dapat dilakukan dengan menghitung jumlah data kovarian dan varian dibanding dengan jumlah parameter yang akan diestimasi. Output model summary dapat digunakan untuk menghitung hal tersebut.
Tabel 4.16 Variable Counts
Number of variables in your model: 20 Number of observed variables: 8 Number of unobserved variables: 12 Number of exogenous variables: 11 Number of endogenous variables: 9 Sumber : diolah dari berbagai sumber
Tabel 4.17 Parameter Summary
Weights Covariances Variances Means Intercepts Total
Fixed 12 0 3 0 0 15
Labeled 0 0 0 0 0 0
Unlabeled 7 1 8 0 0 16
Total 19 1 11 0 0 31
Sumber : diolah dari berbagai sumber
Berdasarkan tabel 4.16 dan 4.17 menampilkan ringkasan parameter dalam model. Dapat dilihat terdapat 19 regression weight dimana 12 dengan nilai tetap (fixed) dan 7 yang diestimasi. 12 fixed regression weight meliputi loading pertama dari 3 faktor dan 8 error term. Ada 1 kovarian, 8 variansi yang diestimasi dan 3 variansi (e2, e5, dan e7) sudah ditetapkan (konstrain) terlebih dahulu. Secara total ada 31 parameter dan 16 yang diestimasi.
Untuk menilai apakah model just-identified, overidentified, atau unidentifieddapat dilakukan dengan menghitung jumlah data kovarian dan varian dibandingkan dengan jumlah parameter yang akan diestimasi, yaitu (p + q)(p + q +1)/2 = (6 +2)(6+ 2 +1)/2 = 36 sampel moment sedangkan jumlah parameter yang akan diestimasi 16, sehingga nilai degree of freedomnyaadalah 20 (36 – 16 = 20). Jadi dapat disimpulkan bahwa model yang diteliti adalah overidentified, sehingga dapat diuji lebih lanjut.
d. Menilai Kriteria Goodness of Fit
Menilai goodness of fit merupakan tujuan utama dalam persamaan structural,yaitu ingin mengetahui sampai seberapa jauh model yang dihipotesis “fit” atau cocok dengan sample data.
Gambar 4.3
Model SEM dengan Nilai Goodness of Fit
2083.94 Makro Ekonomi Inflasi .01 e2 1.00 1 Kurs 28.63 e1 1 .06 853.41 Capital Structure Profitability ROE .01 e7 1.00 1 PM 3.05 e8 .15 1 DER 1533.94 e6 1.00 1 DAR .01 e5 .74 1 SG 2473.38 e4 1 .49 LTD 44626.02 e3 -1.72 1 .00 .01 67.24 3.11 z1 1 C-Square=82.538 Prob=.000 GFI=.859 AGFI=.747 TLI=.450 RMSEA=.166
Sumber : diolah dari berbagai sumber
Berdasarkan hasil goodness of fitseperti terlihat pada output diatas bahwa nilai Chi-Square 82.538 dan nilai probabilitas 0.000. Hasil ini menunjukkan bahwa hipotesis nol yang menyatakan model sama dengan data empiris ditolak yang berarti model tidak fit. Model yang baik harus tidak menolak hipotesis nol yang berarti harus tidak signifikan secara statistic. Namun demikian perlu diketahui bahwa Chi-Square sangat sensitif terhadap jumlah sample. Semakin besar sample semakin signifikan.
Oleh karena itu, dicari ukuran model fit yang lain, yaitu GFI, AGFI, RMSEA. Output grafik memberikan nilai GFI = 0.859 AGFI = 0.747 keduanya belum memenuhi kriteria model fit yaitu masih di bawah 0.90 dan nilai RMSEA = 0.166 masih di atas 0.080. Secara keseluruhan model belum dapat diterima.
Selain melihat kelayakkan parameter estimasi, untuk memperbaiki nilai goodness of fit dapat dilihat nilai Modification Indices. Nilai Modification Indices ini dapat memperbaiki nilai goodness of fit. Nilai Modification Indices yang dianjurkan adalah lebih besar dari 3.58. di bawah ini adalah nilai Modification Indices.
Table 4.18
Nilai Modification Indices Pertama
M.I. Par Change
e3 <--> z1 13.984 -131.143 e6 <--> z1 8.964 -19.467 e8 <--> Capital_Structure 25.410 -24.178 e8 <--> e5 9.406 -8.197 e7 <--> e3 13.459 -127.155 e7 <--> e6 7.277 -17.334 e1 <--> e4 7.115 66.779
Sumber : diolah dari berbagai sumber
Berdasarkan tabel 4.18, terlihat bahwa nilai Modification Indices yang tertinggi adalah hubungan e8 dengan Capital Structure yaitu 25.410 yang artinya nilai C-Square berkurang
Gambar 4. 4
Model SEM Perbaikan dengan MI Pertama
Sumber : diolah dari berbagai sumber
Berdasarkan hasil output di atas terlihat bahwa seluruh nilai goodness of fit semakin membaik. Hal tersebut terlihat dari nilai C- Square yang turun, nilai GFI, AGFI, dan RMSEA yang juga mengalami perbaikan. Namun nilai goodness of fit ini belum memenuhi kriteria yang diinginkan. Sehingga harus dilihat kembali nilai modification indicesnya.
Tabel 4.19
Nilai Modification Indices Kedua
M.I. Par Change e3 <--> z1 13.983 -131.137 e6 <--> z1 8.966 -19.469 e7 <--> e3 13.247 -122.123 e7 <--> e6 5.792 -14.972 e1 <--> e4 7.115 66.779 Sumber : diolah dari berbagai sumber
Berdasarkan tabel 4.19, terlihat bahwa nilai Modification Indices yang tertinggi adalah hubungan e3 dengan z1 yaitu 13.983 yang artinya nilai C-Square berkurang sebesar 13.983. Di bawah ini adalah perbaikan nilai goodness of fit setelah menghubungkan e3 dengan z1.
Gambar 4.5
Model SEM Perbaikan dengan MI Kedua
Sumber : diolah dari berbagai sumber
Berdasarkan hasil output di atas terlihat bahwa seluruh nilai goodness of fit semakin membaik. Hal tersebut terlihat dari nilai C- Square yang turun, nilai GFI, AGFI, dan TLI yang sudah lebih besar dari 0.800 dan RMSEA yang juga mengalami perbaikan, namun nilai RMSEA dan probabilitasnya belum memenuhi syarat. Sehingga harus dilihat kembali nilai modification indicesnya.
Tabel 4.20
Nilai Modification Indices Ketiga
M.I. Par Change e6 <--> z1 8.691 -17.909 e7 <--> e6 5.787 -14.058 e1 <--> e4 7.115 66.779 Sumber : diolah dari berbagai sumber
Berdasarkan tabel 4.20, terlihat bahwa nilai Modification Indices yang tertinggi adalah hubungan e6 dengan z1 yaitu 8.691 yang artinya nilai C-Square berkurang sebesar 8.691. Di bawah ini adalah perbaikan nilai goodness of fit setelah menghubungkan e6 dengan z1.
Gambar 4.6
Model SEM Perbaikan dengan MI Ketiga
Sumber : diolah dari berbagai sumber
Berdasarkan hasil output di atas terlihat bahwa seluruh nilai goodness of fit sudah memenuhi syarat yang diajukan. Hal tersebut
yang lebih besar dari 0.050 (0.051), nilai GFI, AGFI, dan TLI yang sudah lebih besar dari 0.800 dan RMSEA yang telah memenuhi syarat yaitu kurang dari 0.080. Dengan demikian model sudah fit, dan dapat dilakukan analisis selanjutnya.
e. Kelayakan Parameter Estimasi
Langkah awal dalam menilai apakah parameter individual dalam model fit atau tidak adalah melihat bahwa estimasi parameter memberikan tanda dan besaran yang benar sesuai dengan teori. Jika nilai estimasi sangat jauh berbeda dengan yang diharapkan, maka merupakan indikasi adanya kesalahan model atau input matriks tidak cukup memberikan informasi. Beberapa indikasi kesalahan model adalah adanya nilai estimasi korelasi > 1.00, adanya nilai varians yang negative.
Tabel 4.21
Standardized Regression Weights
Estimate Profitability <--- Makro_Ekonomi .162 Profitability <--- Capital_Structure .225 Inflasi <--- Makro_Ekonomi 1.000 Kurs <--- Makro_Ekonomi .471 ROE <--- Profitability .999 PM <--- Profitability .272 DER <--- Capital_Structure .598 DAR <--- Capital_Structure 1.000 SG <--- Capital_Structure .277 LTD <--- Capital_Structure -.231 Sumber : diolah dari berbagai sumber
Tabel 4.22 Variances
Estimate S.E. C.R. P Label
Makro_Ekonomi 2083.944 277.244 7.517 *** par_12 Capital_Structure 852.531 243.070 3.507 *** par_13 z1 3.084 .405 7.615 *** par_14 e2 .005 e7 .005 e5 .005 e1 28.634 3.809 7.517 *** par_15 e8 3.094 .416 7.439 *** par_16 e6 1533.934 204.073 7.517 *** par_17 e4 2473.381 329.054 7.517 *** par_18 e3 44626.035 5936.963 7.517 *** par_19
Sumber : diolah dari berbagai sumber
Berdasarkan tabel 4.21 terlihat bahwa nilai standardized regression weightuntuk untuk setiap variabel indikator tidak lebih besar dari 1.00, sehingga nilai variansi pada tabel 4.22 tidak ada yang bernilai negatif. Hal tersebut menandakan tidak adanya Heywood casepada model. Sehingga model dapat digunakan untuk pengujian selanjutnya.
f. Evaluasi Multikolinieritas
Multikolinieritas dapat dilihat melalui determinan matriks kovarians. Nilai determinan yang sangat kecil menunjukan indikasi terdapatnya masalah Multikolinieritas atau singularitas, sehingga data tersebut tidak dapat digunakan untuk penelitian.
Tabel 4.23 Sample Covariances
LTD SG DAR DER PM ROE Kurs Inflasi
LTD 47140.480 SG -691.859 2679.076 DAR -1079.711 308.815 463.635 DER -966.322 105.999 629.022 2387.350 PM 13.170 -10.510 -16.443 -36.317 3.132 ROE -145.555 15.760 9.187 -7.111 .511 3.338 Kurs 84.414 97.260 7.275 9.283 .598 -.594 36.799 Inflasi 1430.249 442.568 49.562 42.421 .403 10.371 130.443 2083.949 Sumber : diolah dari berbagai sumber
Condition number = 26799.355 Eigenvalues
47243.234 3023.109 2464.933 1798.002 237.034 26.649 3.037 1.763 Determinant of sample covariance matrix = 21402806428009700000.000
Berdasarkan tabel 4.23 hasil output AMOS memberikan nilai determinan of sample covariance matrix sebesar 21402806428009700000.000. Nilai tersebut jauh dari angka nol sehingga dapat disimpulkan bahwa tidak terdapat masalah multikolinieritas dan singularitas pada data yang dianalisis.
g. Uji Discriminant Validity
Uji Discriminant validity merupakan uji yang digunakan untuk mengukur sampai seberapa jauh suatu konstruk benar-benar berbeda dari konstruk yang lainnya. Nilai discriminant validity yang tinggi memberikan bukti bahwa suatu konstruk adalah unik dan mampu menangkap fenomena yang diukur. Cara pengujiannya adalah membandingkan nilai akar kuadrat dari Analysis Variance
Jumlah kuadrat standar loading
i2
didapat dari table 4.13 : Makro Ekonomi : 0.4712 + 12 = 1.222Capital Sructure: 0.5982 + 12 + 0.2772+ (-0.231)2 = 1.488 Jumlah kesalahan pengukuran
1i2
atau variansi eror : Makro Ekonomi : (1-0.4712) + (1-12) = 0.778 Capital Structure: (1-0.5982) + (1-12) + (1-0.2772) + (1-(-0.231)2) = 2.512
n i n i n i i i i AVE 1 1 2 1 2 ) var( Jadi nilai AVE untuk setiap variable konstruk adalah sebagai berikut : Makro Ekonomi : 0.611 778 . 0 222 . 1 222 . 1 Capital Structure : 0.372 512 . 2 488 . 1 488 . 1
Berikut ini adalah nilai akar kuadrat AVE dari setiap variable konstruk :
Makro Ekonomi : 0.6110.782 Capital Structure : 0.3720.610
Tabel 4.24 Correlations
Estimate makro <--> capital .036
Tabel 4.25
Korelasi antar Konstruk dan Akar Kuadrat AVE
Makro Capital
Makro 0.782
Capital 0.036 0.610
Sumber : diolah dari berbagai sumber
Berdasarkan table 4.25 dapat disimpulkan bahwa semua konstruk laten yang ada pada model memiliki nilai akar kuadrat AVE yang lebih tinggi dibandingkan dengan nilai korelasi antar konstuk dan ini menunjukan convergent validity yang baik. Sehingga hal ini sama dengan pengujian multikolinieritas dengan menggunakan nilai Determinant of sample covariance matrixyang menyatakan bahwa suatu konstruk benar-benar berbeda dengan konstruk lainnya (independen).
h. Hasil Estimasi Parameter
Tabel 4.26 Regression Weights
Estimate S.E. C.R. P Label Profitability <--- Makro_Ekonomi .007 .003 1.967 .049 par_6 Profitability <--- Capital_Structure .014 .006 2.214 .027 par_7 Inflasi <--- Makro_Ekonomi 1.000
Kurs <--- Makro_Ekonomi .063 .011 5.676 *** par_1 ROE <--- Profitability 1.000
Tabel 4.26 Lanjutan
Estimate S.E. C.R. P Label DER <--- Capital_Structure 1.000
DAR <--- Capital_Structure .737 .093 7.929 *** par_3 SG <--- Capital_Structure .491 .172 2.859 .004 par_4 LTD <--- Capital_Structure -1.716 .714 -2.404 .016 par_5 Sumber : diolah dari berbagai sumber
Berdasarkan tabel 4.26 hasil output teks AMOS yang berkaitan dengan estimasi parameter, bahwa semua variabel independen (Makro Ekonomi dan Capital Structure) berpengaruh secara signifikan pada tingkat kepercayaan 5% terhadap Profitabilitas (ROE dan PM). Variable Makro Ekonomi mempengaruhi Profitabilitas dengan nilai estimasi parameter sebesar 0.007, Capital Structure mempengaruhi Profitabilitas dengan nilai estimasi parameter sebesar 0.014.
Untuk variabel independen Makro Ekonomi, semua variabel indikator (Inflasi dan Kurs) berpengaruh secara signifikan terhadap Profitabilitas pada tingkat kepercayaan 5%. Untuk variabel independent Capital Structure semua variabel indikatornya (Long Term Debt, Sales Growth, DER, dan DAR) berpengaruh secara signifikan terhadap Profitabilitas. Hal tersebut dapat dilihat dari nilai P yang lebih kecil dari 0.05.
Selain melihat pengaruh variable independent terhadap variable dependen, pada penelitian ini juga ingin melihat hubungan antara variabel Capital Structure dengan variabel macro economy
pada industri otomotif yang terdaftar di Bursa Efek Indonesia. Hubungan tersebut dapat dilihat pada tabel 4.24, yaitu variable Capital Structure memiliki hubungan (correlation) yang positif terhadap variable Makro Ekonomi
Berdasarkan hasil pengujian data menggunakan metode SEM di atas dapat ditarik kesimpulan bahwa :
1) Variabel Makro Ekonomi (Kurs dan Inflasi) berpengaruh secara signifikan dan berpengaruh positif terhadap profitabilitas. Hasil penelitian ini sesuai dengan penelitian yang dilakukan oleh Jian-Shen Chen, dkk (2009) yang menemukan hasil bahwa capital structure, operational risk dan macro economy memiliki pengaruh yang positif dan signifikan. Selain itu dalam teori model Keynesian menyatakan inflasi terjadi karena masyarakat ingin hidup diluar batas kemampuan ekonomisnya, sehingga menyebabkan permintaan efektif masyarakat terhadap barang-barang yang tersedia (penawaran agregat), akibatnya akan terjadi inflationary gap. Hal ini dapat ditarik kesimpulan bahwa walaupun terjadi inflasi tetapi masyarakat akan tetap membeli produk-produk yang diinginkannya karena adanya sifat ketidak puasan yang tertanam didalam benak masyarakat, semakin tinggi tingkat ketidak puasan atau sifat konsumtif masyarakat maka akan
tertentu, semakin banyak membeli produk tersebut maka akan meningkatkan nilai profit suatu perusahaan tersebut, dalam kasus ini contohnya adalah produk barang otomotif.
2) Variabel Capital Structure (Long Term Debt, Sales Growth, DER, dan DAR) berpengaruh secara signifikan. Yang berpengaruh positif adalah Sales Growth, DER, dan DAR. Sedangkan variabel Long Term Debt berpengaruh negatif. Hasil Penelitian ini konsisten dengan penelitian yang dilakukan oleh Abor (2005) yang menyatakan bahwa EBIT, short term debt, long term debt, total debt, size company dan sales growth. berpengaruh terhadap profitabilitas pada perusahaan yang terdaftar di Ghana. Dan juga sesuai dengan penelitian yang dilakukan oleh Wirdiyanto (2009) yang menyatakan bahwa struktur modal yang terdiri dari long term debt, size company, sales growth, debt to equity ratio, debt to asset ratio berpengaruh terhadap profitabilitas. Martono (2003:122) juga menegaskan bahwa struktur modal terkait dengan modal yang dapat meminimalkan biaya penggunaan modal keseluruhan atau biaya modal rata-rata, sehingga memaksimalkan nilai perusahaan. Sedangkan untuk long term debt berpengaruh negatif dengan profitabilitas, hal ini disebabkan karena jika suatu perusahaan menggunakan modal jangka panjang dari luar yang besar maka resiko yang dihadapi
oleh perusahaan tersebut akan semakin besar pula dan harus terus memenuhi kewajibannya tiap periode tanpa memandang keadaan perekonomian perusahaan itu sendiri maupun keadaan perekonomian secara global.
3) Variabel makro ekonomi (Kurs dan Inflasi) memiliki hubungan (correltion) yang positif dengan variable Capital Structure. Hal ini dapat disebabkan karena banyak dari perusahaan yang menjadi sampel penelitian meniliki hutang modal jangka panjang dengan menggunakkan dolar, dengan meningkatnya kurs dolar maka akan meningkatkan pula jumlah hutang modal yang tertanam dalam perusahaan tersebut, dengan menambah jumlah hutang modal perusahaan maka struktur modal perusahaan tersebut akan meningkat pula.