BAB III : METODOLOGI PENELITIAN
D. Metode Analisis
Metode analisis yang digunakan untuk menguji pengaruh perubahan berbagai faktor penentu perilaku struktur modal perusahaan terhadap leverage adalah model persamaan struktural dengan program LISREL 8.54. Penelitian ini menggunakan lebih dari satu indikator untuk mewakili satu variabel dan memiliki hubungan yang kompleks antara variabel-variabelnya sehingga peneliti menggunakan model persamaan struktural.
Tahapan peneliti dalam menganalisis pengaruh faktor-faktor penentu kebijakan struktur modal terhadap kebijakan leverage adalah sebagai berikut:
1. Identifikasi Variabel
Penelitian ini menggunakan tiga variabel diantaranya adalah sebagai berikut: a. Variabel Eksogen
Variabel eksogen (exogenous variable) adalah variabel yang secara bebas berpengaruh terhadap variabel endogen dalam suatu model. Adapun variabel yang menjadi variabel eksogen adalah asset tangibility (dFA/TA), size
(dLnSAL,dLnMV), growth (dTA,dSAL,dLnMBR), profitability (dEBIT/S,dROE) dan earning volatility (LnSdNI,LnSdEBIT).
b. Variabel Endogen
Variabel endogen (endogenous variable) yaitu variabel yang dipengaruhi oleh variabel eksogen dan merupakan variabel antara artinya variabel endogen juga dapat mempengaruhi variabel endogen lain dalam suatu model. Adapun variabel endogen dalam penelitian ini adalah leverage(DLT-CAB, DSTCAB).
2. Model persamaan struktural
Model persamaan struktural (Structural Equation Modelling) adalah generasi kedua teknik analisis multivariate (Bagozzi dan Fornell, 1982 dalam Malla Bahagia, 2007) yang memungkinkan peneliti untuk menguji hubungan antara variabel yang kompleks untuk memperoleh gambaran menyeluruh mengenai keseluruhan model.
Selain itu menurut Bollen (1989) dalam Malla Bahagia (2007) SEM juga dapat menguji secara bersama-sama:
a. Model struktural, yaitu hubungan (nilai loading) antara variabel laten, baik variabel laten endogen maupun variabel eksogen.
b. Model measurement, yaitu hubungan (nilai loading) antara indikator dengan variabel latennya.
Adanya pengujian model struktural dan pengukuran memungkinkan peneliti untuk menguji kesalahan pengukuran (measurement error) sebagai bagian yang tidak terpisahkan dari SEM dan melakukan analisis faktor bersamaan dengan
pengujian hipotesis. Proses Struktural Equation Modelling mencakup beberapa langkah yang harus dilakukan diantaranya adalah:
1. Konseptualisasi model
Tahap ini berhubungan dengan pengembangan hipotesis berdasarkan teori sebagai dasar dalam menghubungkan variabel laten dengan variabel laten lainnya, dan juga dengan indikator-indikatornya. Teori dalam konseptualisasi model bukan hanya berasal dari para akademisi, tetapi juga dapat berasal dari pengalaman dan praktek yang diperoleh dari para praktisi. Selain itu konseptualisasi model juga harus merefleksikan pengukuran variabel laten melalui beberapa indikator yang dapat diukur.
2. Penyusunan Diagram jalur
Tahap ini akan memudahkan kita dalam memvisualisasikan hipotesis yang telah diajukan dalam konseptualisasi model. Path Diagram merupakan representasi grafis mengenai bagaimana beberapa variabel pada suatu model berhubungan satu sama lain, yang memberikan suatu pandangan menyeluruh mengenai struktur model. 3. Spesifikasi model
Tahap ketiga ini memungkinkan kita untuk menggambarkan sifat dan jumlah parameter yang diestimasi.
Informasi yang diperoleh dari data yang diuji untuk menentukan apakah cukup untuk mengestimasi parameter dalam model. Disini kita dapat memperoleh nilai yang unik untuk seluruh parameter dari data yang telah kita peroleh.
Untuk menentukan apakah model kita mengandung/tidak masalah identifikasi, maka harus dipenuhi keadaan berikut:
t ≤ s/2 dimana:
t = jumlah parameter yang diestimasi
s = jumlah varians dan kovarians antara variabel manifest (observed/manifest); yang merupakan (p+q)(p+q+1)
p = jumlah variabel y (indikator variabel endogen) q = jumlah variabel x (indikator variabel eksogen)
• Jika t ≥ 2, maka model tersebut adalah unidentified. Masalah ini dapat terjadi pada SEM, dimana informasi yang terdapat pada data empiris (varians dan kovarians variabel manifest) tidak cukup untuk menghasilkan solusi yang unik untuk memperoleh parameter model. Masalah unidentified tersebut dapat diatasi dengan mengkonstraint model dengan cara menambah indikator (variabel manifest) ke dalam model, menentukan (fix) parameter tambahan menjadi 0 dan mengasumsikan bahwa parameter yang satu dengan parameter yang lain memiliki nilai yang sama.
• Jika t = s/2, maka model disebut just-identified, sehingga solusi yang unik tunggal dapat diestimasi untuk mengestimasi parameter. Model yang
just-identified, seluruh informasi yang tersedia telah digunakan untuk mengestimasi parameter, sehingga tidak ada informasi yang tersisa untuk menguji model (derajat kepercayaan adalah 0).
• Jika t < s/2, maka model tersebut adalah over-identified. Dalam hal ini lebih dari satu estimasi masing-masing parameter dapat diperoleh (karena jumlah persamaan yang tersedia melebihi parameter yang diestimasi).
5. Estimasi Parameter
Pada tahap ini, kita melakukan pengujian signifikansi yaitu menentukan apakah parameter yang dihasilkan secara signifikan berbeda dari nol. Estimasi parameter dalam LISREL mempunyai tiga informasi yang berguna, yaitu koefisien regresi, standar error, dan nilai t. Standar error digunakan untuk mengukur ketepatan dari setiap estimasi parameter. Untuk mengetahui signifikan tidaknya hubungan antar variabel laten maupun antara variabel laten dengan indikatornya maka nilai t harus lebih besar dari nilai t-tabel pada level tertentu yang tergantung dari ukuran sampel dan level signifikan tersebut.
6. Penilaian Model Fit
Salah satu tujuan SEM adalah menentukan apakah model plausible (masuk akal) atau fit. Suatu model penelitian dikatakan baik, apabila memiliki model fit yang baik pula.
Tingkat kesesuaian model secara keseluruhan terdiri dari: a. Absolute Fit Measures
Absolute Fit Measures digunakan untuk menilai kesesuaian model secara keseluruhan (baik model pengukuran maupun model struktural), tanpa menyesuaikan kepada degree of freedomnya. Indikator-indikator dalam absolute fit diantaranya adalah sebagai berikut:
• Chi-Square dan Probabilitas
square merupakan ukuran mengenai buruknya fit suatu model. Nilai Chi-square sebesar nol menunjukkan bahwa model memiliki fit yang sempurna (perfect fit). Nilai Chi-square yang signifikan (kurang dari 0.05) menunjukkan bahwa data empiris yang diperoleh memiliki perbedaan dengan teori yang telah dibangun berdasarkan SEM. Sedangkan probabilitas adalah untuk memperoleh penyimpangan (deviasi) besar yang ditunjukkan oleh nilai Chi-square. Nilai probabilitas yang tidak signifikan (p ≥ 0) adalah yang diharapkan, yang menunjukkan bahwa data empiris sesuai dengan model.
Nilai probabilitas chi-square memiliki permasalahan yang fundamental dalam validitasnya. Menurut Cochran (1952) dalam Imam Ghozali (2005) probabilitas ini sangat sensitif dimana ketidaksesuaian antara data dengan model (teori) sangat dipengaruhi oleh besarnya ukuran sampel. Jika ukuran sampel kecil, maka chi-square ini akan menunjukkan data secara signifikan tidak berbeda dengan model dan teori yang mendasarinya. Sedangkan jika ukuran sampel besar, maka uji chi-square akan menunjukkan bahwa data secara signifikan berbeda dengan teori meskipun perbedaan tersebut adalah sangat kecil.
GFI merupakan suatu ukuran mengenai ketepatan model dalam menghasilkan observed matriks kovarians. Nilai GFI ini harus berkisar antara 0 sampai 1. menurut Diamantopaulus dan Sigauw (2000) dalam Imam Ghozali (2005), nilai GFI yang lebih besar dari 0.9 menunjukkan suatu model fit yang baik.
• Adjusted Goodness of Fit Index (AGFI)
AGFI adalah sama seperti GFI, tetapi telah menyesuaikan pengaruh degree of freedom pada suatu model. Model yang fit adalah memiliki nilai AGFI 0.9 (Diamantopaulus dan Sigaw, 2000 dalam Imam Ghozali, 2005). Ukuran yang hampir sama dengan GFI dan AGFI adalah parsimony goodness of fit (PGFI) yang diperkenalkan oleh Mulaik et.al (1989), yang juga telah menyesuaikan adanya dampak dari degree of freedom dan kompleksitas model. Model yang baik apabila memiliki nilai PGFI jauh lebih besar daripada 0.6 (Byrne, 1998 dalam Imam Ghozali, 2005).
• Root Mean Square Errors of Approximation (RMSEA)
Ukuran model fit telah lama diperkenalkan oleh Steiger dan Lind tahun 1980. nilai RMSEA yang kurang dari 0.05 mengindikasikan adanya model fit, dan nilai RMSEA yang berkisar antara 0.08 menyatakan bahwa model memiliki perkiraan permasalahan yang reasonable (Byrne, 1998 dalam Imam Ghozali, 2005). Sedangkan menurut MacCallum et.al (1996) dalam Imam Ghozali (2005) menyatakan bahwa model memiliki nilai yang cukup fit jika RMSEA berkisar antara 0.08 sampai dengan 0.1 dan jika RMSEA lebih besar dari 0.1 mengindikasikan model memiliki nilai fit yang buruk.
P-value test of close juga merupakan indikator yang menilai fit atau tidaknya suatu model yang dapat dilihat dari kedekatannya terhadap model fit. Joreskog (1996) dalam Imam Ghozali (2005) menganjurkan bahwa P-value for test of close (RMSEA < 0.05) haruslah lebih besar daripada 0.05 sehingga mengindikasikan bahwa model adalah fit.
• Normed Chi-Square (X²/df)
Normed Chi-Square (X²/df) merupakan indikator goodness of fit adalah rasio perbandingan antara nilai chi-square dengan degrees of freedom. Menurut Wheaton (1977) dalam Imam Ghozali (2005) cut-off model fit sebesar 5 dan sedikit lebih tinggi dari pada yang dianjurkan oleh Carmines dan Melver (1981) dalam Imam Ghozali (2005) yaitu sebesar 2.
b) Comparative Fit Measures
Comparative Fit Measures berkaitan dengan pertanyaan seberapa baikkah kesesuaian model yang dibuat dibandingkan dengan beberapa model alternatif. Indikator-indikator dari comparative fit measures diantaranya adalah :
• Normed Fit Index (NFI)
NFI yang ditemukan oleh Bentler dan Bonets (1980), merupakan salah satu alternatif untuk menentukan model fit. Namun, karena NFI memiliki tendensi untuk merendahkan fit dalam sampel yang kecil, sehingga merevisi index ini dengan nama Comparative Fit Index (CFI). Nilai NFI dan CFI berkisar antara 0 sampai 1. Tetapi
suatu model dikatakan fit apabila memiliki nilai NFI dan CFI lebih besar dari 0,9 (Bentler, 1992).
• Non- Normed Fit Indeks (NNFI)
NNFI digunakan untuk mengatasi permasalahan yang timbul akibat kompleksitas model. Menurut Kelloway (1998)dalam Didi Achjari (2003) menyatakan bahwa model fit jika nilai NNFI 0.90.
• Relative Fit Index (RFI)
RFI digunakan untuk mengukur fit dimana nilainya 0 sampai 1, nilai yang lebih besar menunjukkan adanya superior fit. Menurut Kelloway (1998) dalam Didi Achjari (2003) menyatakan bahwa model fit jika nilai RFI 0.90.
• Comparative Fit Index (CFI)
Suatu model dikatakan fit apabila memiliki nilai CFI lebih besar dari 0.90 (Bentler, 1992 dalam Imam Ghozali, 2005).
c) Parsimonious Fit Measures
• Parsimony Goodness of Fit Index (PGFI)
PGFI yang diperkenalkan oleh Mulaik et.al (1998) dalam Imam Ghozali (2005). PGFI telah menyesuaikan adanya dampak dari degree of freedom dan kompleksitas model. Model yang baik apabila memiliki nilai PGFI jauh lebih besar daripada 0.6 (Byrne, 1998 dalam Imam Ghozali, 2005). Lain halnya menurut Kelloway (1998) dalam Didi Achjari (2003) nilai PGFI berkisar antara 0 sampai 1, dimana lebih besar nilai tersebut lebih baik.
Menurut Kelloway (1998) dalam Didi Achjari (2003) nilai PNFI berkisar antara 0 sampai 1, dimana lebih besar nilai tersebut lebih baik.
7. Respesifikasi
Peneliti seringkali dihadapkan pada hasil uji kesesuaian yang kurang memuaskan, maka dalam kasus ini SEM memberikan alternatif solusi yang dinamakan respesifikasi yang diharapkan mampu meningkatkan kesesuaian model yang sedang di uji.
Ada dua pendekatan dalam respesifikasi model, yaitu pertama theory trimming (Pedhazur, 1982 dalam untung W. dan Hartini, 2006) yang berusaha menjawab pertanyaan tentang parameter mana yang bisa dihilangkan agar meningkatkan kesesuaian model. Kedua, theory building (Kelloway, 1998 dalam Malla Bahagia, 2007) yang digunakan untuk menjawab pertanyaan mengenai parameter mana yang bisa ditambahkan dalam model untuk meningkatkan kesesuaian. Cara-cara diatas disebut sebagai Lagrange Multiplier Test yang di LISREL dikenal sebagai modification indices. Dengan kemampuan respesifikasi, maka SEM berbasis kovarians ini memerlukan landasan teori yang kuat (confirmatory) sehingga ketika harus menambah atau mengurangi parameter akan bisa dijelaskan secara masuk akal dan bisa ditopang dengan teori yang memadai. Holmes-Smith (2000) menjelaskan beberapa alternatif untuk melakukan respesifikasi:
Semua parameter dalam suatu model diharapkan agar signifikan. Parameter yang tidak signifikan bisa dihapus secara teknis dilakukan dengan menetapkan parameter tersebut menjadi nol (tidak diestimasi lagi).
• Standardized Residuals
Adanya nilai standardized residual yang besar menandakan adanya mis-spesifikasi dan tingkat kesesuaian yang belum baik. Dengan memperhatikan sumber standardized residual, maka untuk memperbaiki kesesuaian model variabel yang menyebabkannya bisa dihapus atau juga dengan mengestimasi parameter tambahan, perlu didukung oleh teori dan harus masuk akal. (Holmes-Smith, 2000 dalam Malla Bahagia, 2007).
• Modification Indices
Salah satu cara untuk mengetahui adanya mis-spesifikasi adalah melihat besaran modification indices. Menurut Holmes-Smith (2000 dalam Imam Ghozali (2005, nilai modifikasi index yang lebih besar dari 3.84 menunjukkan bahwa chi-square model tersebut akan berkurang drastis (semakin kecil) kalau parameter yang bersangkutan diestimasi.
Modification indices dalam LISREL merupakan salah satu alternatif terbaik untuk memodifikasi model dan meningkatkan kesesuaian model. Namun harus diperhatikan juga bahwa segala modifikasi (walaupun sangat sedikit), harus berdasarkan teori yang mendukung.
Beberapa modifikasi model dapat dilakukan dengan cara: a. Mengkorelasikan antara dua indikator
b. Menambah hubungan path antara indikator dan variabel laten c. Mengubah indikator dari suatu variabel
Setelah melakukan modifikasi tersebut, maka seharusnya kita lakukan adalah mempertimbangkan dan mencari justifikasi teori yang kuat terhadap dilakukannya modifikasi tersebut.
8. Validasi Silang Model
Validasi silang model merupakan tahap akhir dari analisis SEM, yaitu menguji fit atau tidaknya model terhadap suatu data baru (atau validasi sub-sampel yang diperoleh melalui pemecahan sampel). Validasi silang ini penting apabila modifikasi yang substansial yang dilakukan terhadap model asli yang dilakukan pada tahap sebelumnya.
1. Uji Kesesuaian Model
Uji kesesuaian model bertujuan untuk mengukur dan mengetahui derajat kesesuaian antara model yang dihipotesiskan dengan data yang disajikan berdasarkan kriteria seperti pada tabel berikut:
Tabel 3.1
Kriteria Uji Kesesuaian Model
Indikator Fit Nilai yang
Direkomendasikan Evaluasi Model Absolute Fit
Normed chi-square (X²/df) < 2 2 < X²/df < 5 Over Fitting Good Fit RMSEA < 0.10 < 0.05 < 0.01 Good Fit Very Good Fit Outstanding Fit P-value for test of
close fit
> 0.05 Good Fit
GFI > 0.90 Good Fit
AGFI > 0.90 Good Fit
Comparative Fit
NFI 0.9 Good Fit
NNFI or Tucker Lewis Index (TLI)
0.9 Good Fit
CFI 0.9 Good Fit
RFI 0.9 Good Fit
Parsimonius Fit
PNFI 0-1 Lebih besar lebih baik PGFI 0-1 Lebih besar lebih baik
Sumber: Imam Ghozali & Fuad (2005)
2. Uji Signifikan
Uji signifikan dapat dilakukan dengan cara melihat jalur-jalur pada model pengukuran dan model struktural yang signifikan. Pada model pengukuran, jalur-jalur (pengaruh) yang dapat dilihat adalah jalur-jalur-jalur-jalur (pengaruh) yang
menghubungkan antara variabel laten dengan indikatornya (variabel manifest), apakah mempunyai tingkat yang signifikan terhadap variabel latennya atau tidak.
Uji signifikan pada model pengukuran bertujuan untuk menentukan kemampuan suatu indikator dalam mengukur variabel latennya. Pada model struktural jalur-jalur (pengaruh) dapat dilihat dari jalur-jalur (pengaruh) yang menghubungkan antara variabel eksogen dengan variabel endogen dan antara variabel endogen dengan variabel endogen. Untuk mengetahui jalur-jalur hubungan (pengaruh) dapat dilihat uji koefisien secara parsial. Uji secara parsial terhadap koefisien path pada setiap jalur model pengukuran maupun model struktural dapat ditunjukkan dari t-values (nilai t) sebagai berikut:
a. H0 : Koefisien jalur tidak signifikan b. H1 : Koefisien jalur signifikan
• Jika t hitung > t tabel atau t hitung < t tabel, maka H0 ditolak dan H1 diterima. • Jika t hitung < t tabel atau t hitung > t tabel, maka H0 diterima dan H1 ditolak.