BAB V : KESIMPULAN DAN SARAN
VAIC™ = VACA + VAHU + STVA
E. Metode Analisis Data
Metode analisis data dalam penelitian ini menggunakan analisis jalur. Analisis jalur atau path analisys merupakan pengembangan model regresi yang digunakan kesesuaian (fit) dari matrix korelasi dari dua atau lebih model yang dibandingkan oleh si peneliti. Langkah-langkah dalam analisis jalur adalah sebagai berikut :
1. Uji Asumsi Klasik a. Uji Normalitas Data
Uji normalitas berfungsi untuk menguji kenormalan distribusi dalam model regresi pada variabel pengganggu atau variabel residual (Ghozali, 2005). Uji ini bertujuan untuk menguji apakah dalam model regresi variabel dependen dan independen memiliki distribusi normal. Pengujian normalitas dalam penelitian ini menggunakan uji kolmogorov smirnov, dengan membandingkan nilai p value dengan
commit to user
tingkat signifikansi 5%. Jika p value > 5% maka data terdistribusi normal.
b. Uji Multikolinieritas
Merupakan pengujian yang dilakukan dengan tujuan menguji apakah model regresi terdapat korelasi antara variabel independen (Ghozali, 2006) model regresi yang baik seharusnya tidak terdapat korelasi antar variabel independen. Jika terjadi korelasi antar variabel independen maka dikatakan terjadi multikolinieritas. Untuk mendeteksi ada tidaknya multikolinieritas dalam model regresi peneliti akan menggunakan nilai tolerance dan Variance Inflation Factor (VIF) dengan alat bantu SPSS 16. Tolerance mengukur variabilitas variabel independen yang terpilih yang tidak dijelaskan oleh variabel independen lainnya. Nilai tolerance yang rendah sama dengan nilai VIF tinggi (karena VIF = 1/tolerance). Nilai cutoff yang dipakai adalah nilai tolerance < 0.10 atau sama dengan nilai VIF > 10. Jika tidak ada variabel independen yang memiliki nilai VIF lebih dari 10, maka tidak terjadi problem multikolinieritas.
c. Uji Autokorelasi
Pengujian autokorelasi dilakukan untuk menguji apakah dalam sebuah model regresi linier ada korelasi antara kesalahan pengganggu pada periode t dengan kesalahan pada periode t-1 (sebelumnya).
commit to user
Autokorelasi muncul karena observasi yang berurutan sepanjang waktu berkaitan satu sama lainnya. Masalah ini timbul karena kesalahan pengganggu tidak tidak bebas dari satu observasi ke observasi lainnya. Untuk menguji ada tidaknya autokorelasi, peneliti akan menggunakan uji Run test dengan alat bantu SPSS 16. Run Test digunakan untuk melihat apakah data residual terjadi secara random atau tidak (sistematis). Jika antar residual tidak terdapat hubungan korelasi maka dikatakan bahwa residual adalah acak atau random.
H0 : residual (res_1) random (acak) HA : residual (res_1) tidak random
d. Uji Heteroskedastisitas
Pengujian ini digunakan untuk melihat apakah terdapat spesifikasi model yang digunakan sudah benar atau tidak sehingga diperoleh informasi apakah fungsi yang digunakan sebaiknya berbentuk linier, kuadrat atau kubik. Metode yang digunakan dalam penelitian ini adalah dengan scatterplot . Grafik scatterplot dihasilkan dengn alat bantu SPSS 16. Deteksi ada tidaknya heteroskedastisitas dapat dilakukan dengan melihat ada tidaknya pola tertentu pada grafik scatterplot. Jika ada pola tertentu seperti titik-titik yang ada membentuk pola tertentu yang teratur (bergelombang, melebar kemudian menyempit) maka mengindikasikan telah terjadi heteroskedastisitas. Jika tidak ada pola yang jelas dan titik-titik
commit to user
menyebar di atas dan di bawah angka nol dan sumbu Y, maka tidak terjadi heteroskedastistitas (Ghozali, 2005).
2. Uji Identifikasi Model a. Membangun Diagram Jalur
Dalam membangun diagram jalur (path diagram) hubungan antar konstruk ditujukan dengan garis dengan satu anak panah yang menunjukkan hubungan kausalitas (regresi) dari satu konstruk ke konstruk yang lain. Terdapat dua asumsi dalam analisis jalur. Pertama, semua hubungan kausalitas didasarkan pada teori. Teori sebagai dasar memasukkan atau menghilangkan hubungan kausalitas. Kedua,hubungan kausalitas dalam model dianggap linear (Ghozali, 2004).
b. Uji Goodness of Fit
Penelitian ini menggunakan analisis jalur yang merupakan pengembangan lebih lanjut dari analisis regresi berganda dan bivariate. Analisis jalur ingin menguji persamaan regresi yang melibatkan beberapa variabel exogen dan endogen sekaligus sehingga memungkinkan pengujian terhadap variabel mediasi/intervening. Analisis jalur juga dapat mengukur hubungan langsung antar variabel dalam model maupun hubungan tidak langsung antar variabel dalam model (Ghozali, 2005). Koefisien jalur (path) adalah standardized koefisien regresi.
commit to user
i. square statistic dan probabilitas
Alat uji fundamental untuk mengukur overall fit adalah likehood ratio chi square statistic. Model dikatakan baik jika mempunyai chi square = 0 berarti tidak ada perbedaan. Tingkat signifikan penerimaan yang direkomendasikan adalah apabila p ≥ 0.005 yang berarti matriks input
sebenarnya dan matriks input yang diprediksi tidak ada perbedaan secara statistic.
ii. CMIN/DF
Adalah nilai chi square dibagi dengan degree of freedom. Beberapa pengarang menganjurkan menggunakan ratio ukuran ini untuk mengukur fit. Menurut Wheaton, et al (1977) nilai ratio 5 (lima) atau kurang dari lima merupakan ukuran yang reasonable. Peneliti lainnya seperti Byrne (1988) mengusulkan nilai ratio ini < 2 merupakan ukuran fit. Program AMOS akan memberikan nilai CMIN/DF dengan perintah /cmindf.
iii. GFI
GFI (Goodness of Fit Index) dikembangkan oleh Joreskog dan Sorborn (1984) yaitu ukuran non statistic yang nilainya berkisar dari nilai 0 (poor fit) sampai 1.0 (perfect fit). Nilai GFI tinggi menunjukkan fit yang lebih baik dan berapa nilai GFI yang dapat diterima sebagai nilai yang layak belum ada standarnya, tetapi banyak peneliti menganjurkan nilai di atas
commit to user
90% sebagai ukuran good fit. Program AMOS akan memberikan nilai GFI dengan perintah /gfi.
iv. RMSEA
Root Mean Square Error of Approximation (RMSEA) merupakan ukuran yang coba memperbaiki kecenderungan statistic chi square menolak model dengan jumlah sampel yang besar. Nilai RMSEA antara 0.05 sampai 0.08 merupakan ukuran yang dapat diterima. Hasil ujian empiris RMSEA cocok untuk menguji model konfirmatori atau competing model strategy dengan jumlah sampel besar. Program AMOS akan memberikan RMSEA dengan perintah /rmsea.
v. AGFI
Adjusted goodness of fit merupakan pengembangan dari GFI yang disesuaikan dengan ratio degree of freedom untuk proposed model dengan degree of freedom untuk null model. Nilai yang direkomendasikan adalah sama atau > 0.90. program AMOS akan memberikan nilai AGFI dengan perintah /agfi.
vi. CFI (comparative Fit Index)
CFI juga dikenal sebagai Bentler Comparative index. CFI merupakan index kesesuaian incremental yang juga membandingkan model yang diuji dengan null model. Indeks ini dikatakan baik untuk mengukur kesesuaian
commit to user
sebuah model karena tidak dipengaruhi oleh ukuran sampel (hair, et al, 2006). Indeks yang mengindikasikan bahwa model yang diuji memiliki kesesuaian yang baik adalah apabila CFI ≥ 0.90.
c. Uji Kausalitas Model
Melalui program Amos dapat dianalisis dan dihitung hasil bobot regresi antarvariabel laten (Wijaya, 2009). Dari program ini dapat diketahui degree of Freedom (df), nilai C.R atau t-hitung juga dapat diketahui. Berdasarkan signifikasi t-hitung dengan nilai probabilitas p = 0.05.
commit to user
BAB 4 PEMBAHASAN
Penelitian ini bertujuan untuk mengetahui apakah ownership structure memiliki hubungan dengan intellectual capital performance dan intellectual capital disclosure baik secara langsung maupun tidak langsung. Pengujian dilakukan dengan menguji hubungan antara ownership structure yang diproksikan dengan managerial ownership dan intellectual capital disclosure yang diproksikan dengan ICD, yang dimediasi dengan intellectual capital performance yang diproksikan dengan VAIC.
Pada bab ini akan diuraikan mengenai deskripsi data, pengujian model dan pembahasannya. Pengujian dilakukan dengan menggunakan SPSS 16 dan Amos 6.
A. Deskripsi Data 1. Seleksi Sampel
Teknik pengambilan data yang digunakan dalam penelitian ini adalah metode purposive sampling yang merupakan teknik pengambilan data dengan kriteria tertentu. Kriteria purposive sampling dalam penelitian ini adalah data perbankan yang listing di Bursa Efek Indonesia (BEI) tahun 2007 sampai tahun 2009.
Sampel yang digunakan dalam penelitian ini adalah annual report dan laporan keuangan perusahaan perbankan yang memenuhi kriteria yang ditetapkan. Kriteria sampel dalam penelitian ini antara lain :
commit to user
a. Bank umum di Indonesia yang terdaftar (listing) di Bursa Efek Indonesia.
b. Bank umum di Indonesia yang menerbitkan Laporan tahunan (annual report) dan laporan keuangan dari tahun 2007 sampai dengan 2009, c. Perusahaan yang menerbitkan laporan keuangan tahunan
dipublikasikan oleh www.idx.co.id, dan situs website perusahaan. d. Perusahaan yang menerbitkan laporan keuangan tahunan yang
disajikan dalam rupiah
Langkah selanjutnya adalah mendownload annual report dan laporan keuangan yang akan digunakan sebagi sampel dari www.idx.go.id. Namun ternyata tidak semua annual report maupun laporan keuangan dapat didownload sehingga data yang diperoleh tidak lengkap.
Tabel IV.1
Ketersediaan annual report dan laporan keuangan perbankan
No keterangan Jumlah
1 Total perusahaan perbankan yang terdaftar di BEI.
26 2 Annual report dan laporan
keuangan yang rusak dan tidak lengkap
(4)
3 Annual report dan laporan keuangan yang lengkap dan bisa digunakan
22
Peneliti melakukan pengkodean sebagai langkah awal pengumpulan data terhadap annual report yang memenuhi kriteria purposive sampling. Berikut ini adalah ringkasan hasil perhitungan intellectual capital disclosure dapat dilihat dalam tabel berikut.
commit to user
Tabel IV.2
Jumlah pengungkapan item intellectual capital
Item ICD Total
(73 annual report) Persentase dari total STRUCTURAL CAPITAL Management philosophy 60 82,19 % Corporate culture 30 41.09 % Management process 18 24.65 % Information system 51 69.86 % Networking system 31 42.46 %
Research and development activities/innovations
26 35.61 %
Patent, copyrights, and trademarks 2 2.73 %
Corporate knowhow 6 8.21 %
Brands and perceptions about product 37 50.68 %