METODE PENELITIAN
1. Modal Intelektual
3.7 Metode Analisi Data
3.7.1 Analisis Statistik Deskriptif
Statistik deskriptif memberikan gambaran atau deskripsi masing-masing variabel yang dilihat dari nilai rata-rata (mean), standar deviasi, varian, maksimum, minimum, sum, range, kurtosis, dan skewness (Ghozali, 2005).
Gambaran data tersebut menghasilkan informasi yang jelas sehingga data mudah di pahami. Dalam penelitian ini, dengan melihat gambaran dari data-data yang ada, maka di peroleh informasi yang jelas mengenai pengaruh modal intelektual dan struktur modal terhadap nilai perusahaan.
Hasil nilai rata-rata (mean) menunjukkan gambaran umum data tanpa
menunjukkan perbedaan satu sama lain dalam set data. Hasil standar deviasi, varian, maksimum, dan minimum akan menunjukkan hasil analisis terhadap dispersi setiap variabel. Hasil varian dan standar deviasi akan menunjukkan penyimpangan variabel terhadap nilai rata-rata.
3.7.2 Analisis Regresi Linier Data Panel
Untuk menguji hipotesis tentang kekuatan variabel independen (modal intelektual dan struktur modal) terhadap nilai perusahaan, penelitian ini menggunakan teknik analisis regresi linear berganda data panel dengan menggunakan software Eviews.
Didalam ekonometrika, data panel adalah hasil gabungan dari data deret waktu (time series) dan data silang (cross section) dengan model sebagai berikut:
1. ROAit = ρ0 + ρ1 ICit +ρ2DARit + eit
2. PBVit = ρ0 + ρ3 ICit +ρ4DARit +ρ5ROAit + eit
Keterangan :
ROAit = Return on Asset perusahaan i pada tahun t ICit = Intellectual Capital perusahaan i pada tahun t DARit = Debt to Asset Ratio perusahaan i pada tahun t PBVit = Price Book Ratio perusahaan i pada tahun t ρ0 = Konstanta
ρ1– ρ5 = Koefisien Variabel Bebas e = Kesalahan
3.7.3 Model Regresi Data Panel
Menurut Widarjono (2007, 251), untuk mengestimasi parameter model dengan data panel, terdapat tiga teknik (model) yang sering ditawarkan, yaitu:
3.7.3.1 Model Kuadrat Terkecil (Pooled Least Square / Common Effect Model) Merupakan pendekatan model data panel yang paling sederhana karena hanya mengkombinasikan data time series dan cross section. Pada model ini tidak diperhatikan dimensi waktu maupun individu, sehingga diasumsikan bahwa perilaku data perusahaan sama dalam berbagai kurun waktu. Metode ini bisa menggunakan pendekatan Ordinary Least Square (OLS) atau teknik kuadrat terkecil untuk mengestimasi model data panel. Dengan N sebagai jumalah unit cross section (individu) dan T adalah jumlah periode waktunya. Dengan mengasumsi komponen error dalam pengolahan kuadrat terkecil biasa, kita dapat melakukan proses estimasi secara terpisah untuk setiap unit cross section.
3.7.3.2 Model Efek Tetap (Fixed Effect Model)
Model ini mengasumsikan bahwa perbedaan antar individu dapat diakomodasi dari perbedaan intersepnya. Untuk mengestimasi data panel model Fixed Effects menggunakan teknik variable dummy untuk menangkap perbedaan intersep antar perusahaan, perbedaan intersep bisa terjadi karena perbedaan budaya kerja, manajerial, dan insentif. Namun demikian slopnya sama antar perusahaan. Model estimasi ini sering juga disebut dengan teknik Least Squares Dummy Variable (LSDV).
3.7.3.3 Motode Efek Acak (Random Effect Model)
Pendekatan metode efek acak memperbaiki efisiensi proses least square dengan memperhitungkan error dan cross section dan time series. Model ini akan mengestimasi data panel dimana variabel gangguan mungkin saling berhubungan antar waktu dan antar individu. Pada model Random Effect perbedaan intersep diakomodasi oleh errorterms masing-masing perusahaan. Keuntungan
menggunkan model Random Effect yakni menghilangkan heteroskedastisitas.
Model ini juga disebut dengan Error Component Model (ECM) atau teknik Generalized Least Square (GLS). Asumsi yang digunakan dalam model ini adalah error secara individu tidak saling berkorelasi, begitu pula dengan error kombinasinya. Penggunaan model efek acak dapat menghemat derajat kebebasan dan tidak mengurangi jumlahnya seperti pada model fixed effect. Hal ini berimplikasi kepada parameter hasil estimasi akan menjadi efisien. Semakin efisien maka model yang akan di dapat semakin baik.
3.7.4 Pemilihan Model Data Panel
Model mana yang akan di pilih dari 3 (tiga) pendekatan model yang ada maka perlu dilakukan analisis terlebih dahulu agar diperoleh pendekatan model yang paling sesuai terhadap hasil penelitian ini. Pengujian statistik yang digunakan dalam data panel yaitu:
3.7.4.1 Uji Chow (Chow Test)
Uji Chow merupakan pengujian statistik yang digunakan untuk memilih apakah lebih baik menggunakan model kuadrat terkecil (Pooled Least Square/
Common Effect Model) atau model efek tetap (Fixed Effect Model). Uji Chow digunakan untuk mengetahui apakah teknik regresi data panel dengan model efek tetap (Fixed Effect Model) lebih baik dari teknik regresi data panel tanpa variabel dummy dengan melihat Residual Sum of Squares (RSS). Dalam pengujian ini dilakukan dengan hipotesis berikut :
H0 : Model Kuadrat Terkecil Ha : Model Efek Tetap
Dasar penolakan terhadap hipotesis nol adalah dengan menggunakan F
statistik atau Uji Chow yang dirumuskan dalam bentuk persamaan berikut:
8 =( 1 − 2)/(> − 1) 2/(> > ?) dimana:
RSS1 = residual sum square hasil pendugaan model Efek Tetap RSS2 = residual sum square hasil pendugaan model PLS N = jumlah data cross section
T = jumlah data time series K = jumlah variabel bebas
Jika nilai chow statistics (F-stat) hasil pengujian lebih besar dari F-tabel, maka cukup bukti untuk melakukan penolakan terhadap H0 sehingga yang digunakan adalah Model Efek Tetap dan sebaliknya.
3.7.4.2 Uji Hausman
Uji Hausman adalah pengujian statistik sebagai dasar pertimbangan dalam memilih apakah menggunakan model efek tetap (Fixed Effect Model) atau menggunakan model efek random (Random Effect Model). Jika nilai probabilitas lebih kecil dari nilai α=5% maka H0 ditolak dan H1diterima, itu artinya model yang dipilih adalah Fixed Effect Model (FEM) dan sebaliknya jika lebih besar dari nilai α=5% maka H0 diterima H1 ditolak itu artinya model yang dipilih adalah Random Effect Model (REM).
3.7.4.3 Uji Lagrange Multiplier
Menurut Widarjono (2007: 260), untuk mengetahui apakah model Random Effect lebih baik dari model Common Effect digunakan Lagrange Multiplier (LM). Uji LM ini didasarkan pada distribusi Chi-Squares dengan derajat kebebasan (df) sebesar jumlah variabel independen. Hipotesis nulnya adalah
bahwa model yang tepat untuk regresi data panel adalah Common Effect Model (CEM), dan hipotesis alternatifnya adalah model yang tepat untuk regresi data panel adalah Random Effect Model (REM). Apabila nilainya p value < 0,05 menunjukkan bahwa menerima H1 yang berarti metode estimasi terbaik adalah Random Effect Model. Apabila nilai p value > 0,05 maka menerima H0 yang berarti metode estimasi yang terbaik adalah Common Effect Model.
3.7.5 Uji Asumsi Klasik
Sebelum dilakukannya sebuah pengujian hipotesis dengan menggunakan analisis regresi, maka yang diperlukan terlebih dahulu adalah melakukan pengujian dengan menggunakan uji asumsi klasik yang meliputi pengujian antara lain: Uji Normalitas, Uji Autokorelasi, Uji Multikolinieritas dan Uji Heteroskedastisitas. Dimana menurut Ghozali (2005) akan dijabarkan antara lain sebagai berikut:
3.7.5.1 Uji Normalitas
Uji Normalitas merupakan suatu pengujian yang bertujuan untuk menguji apakah dalam residual dari model regresi yang dibuat berdistribusi normal atau tidak. Model regresi yang baik adalah yang memiliki distribusi residual yang normal atau mendekati normal. Dalam penelitian ini, uji normalitas terhadap residual dengan menggunakan uji Jarque-Bera (J-B) dan tingkat signifikansi yang digunakan @ = 0,05. Dasar pengambilan keputusan adalah melihat angka probabilitas dari statistik J-B, dengan ketentuan sebagai berikut:
1. Jika nilai probabilitas . ≥ 0,05, maka asumsi normalitas terpenuhi.
2. Jika probabilitas < 0,05, maka asumsi normalitas tidak terpenuhi.
3.7.5.2 Uji Autokorelasi
Uji Autokorelasi bertujuan untuk menguji apakah dalam model regresi linear ada korelasi antara kesalahan pengganggu pada periode t dengan kesalahan pengganggu pada periode t-1 (sebelumnya). Jika terjadi korelasi maka dinamakan ada problem autokorelasi. Autokorelasi muncul karena observasi yang berurutan sepanjang waktu berkaitan satu sama lainnya. Masalah ini timbul karena residual (kesalahan pengganggu) tidak bebas dari satu observasi ke observasi lainnya (Ghozali, 2009).
Asumsi mengenai independensi terhadap residual (non-autokorelasi) dapat diuji dengan menggunakan uji Durbin-Watson (Field, 2009:220). Nilai statistik dari uji Durbin-Watson berkisar di antara 0 dan 4. Field (2009:220).
3.7.5.3 Uji Multikolinieritas
Uji multikolinieritas bertujuan untuk menguji apakah model regresi ditemukan adanya korelasi antar variabel bebas (independen). Model regresi yang baik seharusnya tidak terjadi korelasi di antara variabel independen. Ada atau tidaknya multikolinearitas dapat diketahui atau dilihat dari koefisien korelasi masing variabel bebas. Jika koefisien di antara masing-masing variabel bebas lebih besar dari 0,8 maka terjadi multikolinearitas.
3.7.5.4 Uji Heteroskedastisitas
Heteroskedastisitas terjadi bila variansnya tidak konstan, sehingga seakan-akan ada beberapa kelompok data yang mempunyai besaran eror yang berbeda-beda sehingga bila diplotkan dengan nilai Ŷi akan membentuk suatu pola. Pengujian yang dilakukan dengan fixed effect model adalah pengujian heteroskedastisitas. Uji heteroskedastisitas dilakukan untuk mengetahui apakah varians residual absolute sama atau tidak sama untuk semua observasi data. Uji
heteroskedastisitas dilakukan dengan menggunakan Eviews dimana data panel dinyatakan bebas heteroskedastisitas dengan probabilitas signifikan diatas tingkat kepercayaan 5%.
3.8 Pengaruh Langsung, Tidak Langsung dan Pengaruh Total pada