LAMPIRAN 1
DATA INTELLECTUAL CAPITAL TAHUN 2012
No. PERUSAHAAN HCE (X1)
SCE (X2)
CEE (X3)
ROA (Y)
1 AGRO 2,2325 0,5521 3,2410 1,63
2 BABP 1,4306 0,3010 0,4279 0,09
3 BACA 6,7522 0,8519 0,6407 0,01
4 BBCA 3,3161 0,6984 0,4856 3,6
5 BBKP 2,7012 0,6298 0,4449 1,83
6 BBNI 3,0018 0,6669 0,4424 2,9
7 BBTN 6,6043 0,8486 1,3413 1,94
8 BDMN 2,1974 0,5449 0,4413 2,7
9 BJBR 2,4672 0,5947 0,4440 2,46
10 BMRI 3,8187 0,7381 0,4904 3,55
11 BNBA 1,9557 0,4887 0,3020 2,47
12 BNGA 3,2098 0,6885 0,5035 3,18
13 BNII 1,7430 0,4263 0,4918 1,62
14 BNLI 1,9032 0,4746 0,4040 1,7
15 BSIM 2,2573 0,5570 0,3958 1,74
16 BTPN 2,3418 0,5730 0,7728 4,7
17 BVIC 3,0994 0,6774 0,2874 2,17
18 INPC 1,4998 0,3332 0,3645 0,66
19 MAYA 2,6623 0,6244 0,4156 2,41
20 MCOR 1,8909 0,4712 0,3628 2,04
21 MEGA 2,3216 0,5693 0,5542 2,74
22 NISP 2,2452 0,5546 0,3995 1,79
23 PNBN 4,4623 0,7759 0,3087 1,96
24 PNBS 3,7196 0,7312 0,1629 3,48
25 SDRA 2,2077 0,5470 0,6098 2,78
LAMPIRAN 2
DATA INTELLECTUAL CAPITAL TAHUN 2013
No. PERUSAHAAN HCE (X1)
SCE (X2)
CEE (X3)
ROA (Y)
1 AGRO 2,1228 0,5289 0,4868 1,66
2 BABP 1,1288 0,1141 0,2611 -0,93
3 BACA 6,8737 0,8545 0,7641 0,99
4 BBCA 3,4945 0,7138 0,4610 3,8
5 BBKP 2,2250 0,5506 0,3889 1,75
6 BBNI 3,2891 0,6960 0,4597 3,4
7 BBTN 4,4349 0,7745 0,6960 1,79
8 BDMN 1,9811 0,4952 0,3939 2,5
9 BJBR 2,3839 0,5805 0,5022 2,61
10 BMRI 4,0312 0,7519 0,4968 3,66
11 BNBA 1,7474 0,4277 0,2928 2,05
12 BNGA 2,9342 0,6592 0,0480 2,76
13 BNII 1,9723 0,4930 0,4806 1,71
14 BNLI 1,9551 0,4885 0,3275 1,55
15 BSIM 2,0147 0,5037 0,3112 1,71
16 BTPN 2,3203 0,5690 0,6539 4,5
17 BVIC 3,0325 0,6702 0,3190 1,99
18 INPC 1,9663 0,4914 0,3229 1,39
19 MAYA 2,8095 0,6441 0,4610 2,53
20 MCOR 1,9024 0,4743 0,2914 1,74
21 MEGA 1,5417 0,3514 0,2762 1,14
22 NISP 2,3278 0,5704 0,3531 1,81
23 PNBN 3,7189 0,7311 0,2901 1,85
24 PNBS 2,5352 0,6056 0,1824 1,03
25 SDRA 1,9713 0,4927 0,6029 2,23
LAMPIRAN 3
DATA INTELLECTUAL CAPITAL TAHUN 2014
No. PERUSAHAAN HCE (X1)
SCE (X2)
CEE (X3)
ROA (Y)
1 AGRO 2,0770 0,5185 0,2705 1,47
2 BABP 0,8166 -0,2246 0,0002 -0,82
3 BACA 2,1188 0,5280 0,2092 0,81
4 BBCA 3,6503 0,7261 0,4948 3,9
5 BBKP 2,1028 0,5244 0,3221 1,23
6 BBNI 3,8099 0,7375 0,4724 3,5
7 BBTN 2,5018 0,6003 0,3386 1,14
8 BDMN 1,6993 0,4115 0,3129 1,4
9 BJBR 2,0869 0,5208 0,4148 1,92
10 BMRI 3,8693 0,7416 0,4727 3,57
11 BNBA 1,7395 0,4251 0,2950 1,52
12 BNGA 2,8252 0,6460 0,0424 1,44
13 BNII 1,4563 0,3133 0,2515 0,68
14 BNLI 2,4215 0,5870 0,3889 1,2
15 BSIM 1,5964 0,3736 0,1952 1,02
16 BTPN 2,0253 0,5062 0,5097 3,6
17 BVIC 1,5683 0,3624 0,1736 0,8
18 INPC 1,5322 0,3473 0,2142 0,79
19 MAYA 2,4874 0,5980 0,3942 1,95
20 MCOR 1,5200 0,3421 0,1929 0,79
21 MEGA 1,5333 0,3478 0,2849 1,16
22 NISP 2,3604 0,5763 0,2569 1,79
23 PNBN 3,5020 0,7144 0,2802 2,23
24 PNBS 3,4870 0,7132 0,3629 1,99
25 SDRA 7,9719 0,8746 0,3800 2,81
LAMPIRAN 4
DATA INTELLECTUAL CAPITAL TAHUN 2015
No. PERUSAHAAN HCE (X1)
SCE (X2)
CEE (X3)
ROA (Y)
1 AGRO 2,6323 0,6201 0,3600 1,55
2 BABP 1,5019 0,3342 0,2017 0,1
3 BACA 1,9936 0,4984 0,2458 0,75
4 BBCA 3,3289 0,6996 0,4277 3,8
5 BBKP 2,4840 0,5974 0,3771 1,39
6 BBNI 4,3416 0,7697 0,0592 2,6
7 BBTN 2,7765 0,6398 0,4372 1,61
8 BDMN 1,8158 0,4493 0,2689 1,2
9 BJBR 2,0233 0,5058 0,5057 2,04
10 BMRI 4,0803 0,7549 0,4817 3,15
11 BNBA 1,9141 0,4776 0,3407 1,33
12 BNGA 2,2968 0,5646 0,0409 0,24
13 BNII 1,6255 0,3848 0,2613 1,01
14 BNLI 2,7862 0,6411 0,3626 0,2
15 BSIM 1,5626 0,3601 0,2097 0,95
16 BTPN 1,8627 0,4632 0,4453 3,1
17 BVIC 1,5591 0,3586 0,1471 0,65
18 INPC 1,2337 0,1894 0,1823 0,33
19 MAYA 2,8439 0,6484 0,4868 2,1
20 MCOR 1,7060 0,4138 0,2297 1,03
21 MEGA 2,0626 0,5152 0,3283 1,97
22 NISP 2,4393 0,5901 0,2784 1,68
23 PNBN 3,1817 0,6857 0,2396 1,31
24 PNBS 2,5565 0,6088 0,1821 1,14
25 SDRA 2,5128 0,6020 0,1555 1,94
LAMPIRAN 5
HASIL ANALISIS DATA (SPSS 20)
Descriptive Statistics
N Minimum Maximum Mean Std. Deviation
HCE 100 ,82 7,97 2,6064 1,20593
SCE 100 -,22 ,87 ,5534 ,16697
CEE 100 ,00 3,24 ,3964 ,33856
ROA 100 -,93 4,70 1,8642 1,08017
Valid N (listwise) 100
One-Sample Kolmogorov-Smirnov Test
Unstandardized
Residual
N 100
Normal Parametersa,b Mean 0E-7
Std. Deviation ,83234336
Most Extreme Differences
Absolute ,097
Positive ,097
Negative -,065
Kolmogorov-Smirnov Z ,973
Asymp. Sig. (2-tailed) ,300
a. Test distribution is Normal.
LAMPIRAN 5
Model Summaryb
Model R R Square Adjusted R
Square
Std. Error of the Estimate
1 ,637a ,406 ,388 ,84525
a. Predictors: (Constant), CEE, HCE, SCE
LAMPIRAN 5
ANOVAa
Model Sum of Squares Df Mean Square F Sig.
1
Regression 46,923 3 15,641 21,893 ,000b
Residual 68,587 96 ,714
Total 115,510 99
a. Dependent Variable: ROA
b. Predictors: (Constant), CEE, HCE, SCE
Coefficientsa
Model Unstandardized
Coefficients
Standardized
Coefficients
T Sig.
B Std. Error Beta
1
(Constant) -,528 ,309 -1,710 ,090
HCE -,396 ,124 -,442 -3,186 ,002
SCE 5,973 ,900 ,923 6,636 ,000
CEE ,302 ,258 ,095 1,169 ,245
LAMPIRAN 6
TABEL DISTRIBUSI F (SIMULTAN) PROBABILITAS 5%; df1 ≤ 5; df2 ≤ 100
(df1= k – 1; df2 = n – k)
df1 1 2 3 4 5
df2
1 161,45 199,50 215,71 224,58 230,16 2 18,51 19,00 19,16 19,25 19,30
3 10,13 9,55 9,28 9,12 9,01
4 7,71 6,94 6,59 6,39 6,26
5 6,61 5,79 5,41 5,19 5,05
6 5,99 5,14 4,76 4,53 4,39
7 5,59 4,74 4,35 4,12 3,97
8 5,32 4,46 4,07 3,84 3,69
9 5,12 4,26 3,86 3,63 3,48
10 4,96 4,10 3,71 3,48 3,33
11 4,84 3,98 3,59 3,36 3,20
12 4,75 3,89 3,49 3,26 3,11
13 4,67 3,81 3,41 3,18 3,03
14 4,60 3,74 3,34 3,11 2,96
15 4,54 3,68 3,29 3,06 2,90
16 4,49 3,63 3,24 3,01 2,85
17 4,45 3,59 3,20 2,96 2,81
18 4,41 3,55 3,16 2,93 2,77
19 4,38 3,52 3,13 2,90 2,74
20 4,35 3,49 3,10 2,87 2,71
21 4,32 3,47 3,07 2,84 2,68
22 4,30 3,44 3,05 2,82 2,66
23 4,28 3,42 3,03 2,80 2,64
24 4,26 3,40 3,01 2,78 2,62
LAMPIRAN 6
TABEL DISTRIBUSI F (SIMULTAN) PROBABILITAS 5%; df1 ≤ 5; df2 ≤ 100
(df1= k – 1; df2 = n – k)
df1 1 2 3 4 5
df2
26 4,23 3,37 2,98 2,74 2,59
27 4,21 3,35 2,96 2,73 2,57
28 4,20 3,34 2,95 2,71 2,56
29 4,18 3,33 2,93 2,70 2,55
30 4,17 3,32 2,92 2,69 2,53
31 4,16 3,30 2,91 2,68 2,52
32 4,15 3,29 2,90 2,67 2,51
33 4,14 3,28 2,89 2,66 2,50
34 4,13 3,28 2,88 2,65 2,49
35 4,12 3,27 2,87 2,64 2,49
36 4,11 3,26 2,87 2,63 2,48
37 4,11 3,25 2,86 2,63 2,47
38 4,10 3,24 2,85 2,62 2,46
39 4,09 3,24 2,85 2,61 2,46
40 4,08 3,23 2,84 2,61 2,45
41 4,08 3,23 2,83 2,60 2,44
42 4,07 3,22 2,83 2,59 2,44
43 4,07 3,21 2,82 2,59 2,43
44 4,06 3,21 2,82 2,58 2,43
45 4,06 3,20 2,81 2,58 2,42
46 4,05 3,20 2,81 2,57 2,42
47 4,05 3,20 2,80 2,57 2,41
48 4,04 3,19 2,80 2,57 2,41
49 4,04 3,19 2,79 2,56 2,40
LAMPIRAN 6
TABEL DISTRIBUSI F (SIMULTAN) PROBABILITAS 5%; df1 ≤ 5; df2 ≤ 100
(df1= k – 1; df2 = n – k)
df1 1 2 3 4 5
df2
51 4,03 3,18 2,79 2,55 2,40
52 4,03 3,18 2,78 2,55 2,39
53 4,02 3,17 2,78 2,55 2,39
54 4,02 3,17 2,78 2,54 2,39
55 4,02 3,16 2,77 2,54 2,38
56 4,01 3,16 2,77 2,54 2,38
57 4,01 3,16 2,77 2,53 2,38
58 4,01 3,16 2,76 2,53 2,37
59 4,00 3,15 2,76 2,53 2,37
60 4,00 3,15 2,76 2,53 2,37
61 4,00 3,15 2,76 2,52 2,37
62 4,00 3,15 2,75 2,52 2,36
63 3,99 3,14 2,75 2,52 2,36
64 3,99 3,14 2,75 2,52 2,36
65 3,99 3,14 2,75 2,51 2,36
66 3,99 3,14 2,74 2,51 2,35
67 3,98 3,13 2,74 2,51 2,35
68 3,98 3,13 2,74 2,51 2,35
69 3,98 3,13 2,74 2,50 2,35
70 3,98 3,13 2,74 2,50 2,35
71 3,98 3,13 2,73 2,50 2,34
72 3,97 3,12 2,73 2,50 2,34
73 3,97 3,12 2,73 2,50 2,34
74 3,97 3,12 2,73 2,50 2,34
LAMPIRAN 6
TABEL DISTRIBUSI F (SIMULTAN) PROBABILITAS 5%; df1 ≤ 5; df2 ≤ 100
(df1= k – 1; df2 = n – k)
df1 1 2 3 4 5
df2
76 3,97 3,12 2,72 2,49 2,33
77 3,97 3,12 2,72 2,49 2,33
78 3,96 3,11 2,72 2,49 2,33
79 3,96 3,11 2,72 2,49 2,33
80 3,96 3,11 2,72 2,49 2,33
81 3,96 3,11 2,72 2,48 2,33
82 3,96 3,11 2,72 2,48 2,33
83 3,96 3,11 2,71 2,48 2,32
84 3,95 3,11 2,71 2,48 2,32
85 3,95 3,10 2,71 2,48 2,32
86 3,95 3,10 2,71 2,48 2,32
87 3,95 3,10 2,71 2,48 2,32
88 3,95 3,10 2,71 2,48 2,32
89 3,95 3,10 2,71 2,47 2,32
90 3,95 3,10 2,71 2,47 2,32
91 3,95 3,10 2,70 2,47 2,31
92 3,94 3,10 2,70 2,47 2,31
93 3,94 3,09 2,70 2,47 2,31
94 3,94 3,09 2,70 2,47 2,31
95 3,94 3,09 2,70 2,47 2,31
96 3,94 3,09 2,70 2,47 2,31
97 3,94 3,09 2,70 2,47 2,31
98 3,94 3,09 2,70 2,46 2,31
99 3,94 3,09 2,70 2,46 2,31
LAMPIRAN 7
TABEL DISTRIBUSI t (PARSIAL) df ≤ 100 (df = n – k)
df P = 0,5 P = 0,2 P = 0,1 P = 0,05 P = 0,02
1 1,0000 3,0777 6,3138 12,7062 31,8205
2 0,8165 1,8856 2,9200 4,3027 6,9646
3 0,7649 1,6377 2,3534 3,1824 4,5407
4 0,7407 1,5332 2,1318 2,7764 3,7469
5 0,7267 1,4759 2,0150 2,5706 3,3649
6 0,7176 1,4398 1,9432 2,4469 3,1427
7 0,7111 1,4149 1,8946 2,3646 2,9980
8 0,7064 1,3968 1,8595 2,3060 2,8965
9 0,7027 1,3830 1,8331 2,2622 2,8214
10 0,6998 1,3722 1,8125 2,2281 2,7638
11 0,6974 1,3634 1,7959 2,2010 2,7181
12 0,6955 1,3562 1,7823 2,1788 2,6810
13 0,6938 1,3502 1,7709 2,1604 2,6503
14 0,6924 1,3450 1,7613 2,1448 2,6245
15 0,6912 1,3406 1,7531 2,1314 2,6025
16 0,6901 1,3368 1,7459 2,1199 2,5835
17 0,6892 1,3334 1,7396 2,1098 2,5669
18 0,6884 1,3304 1,7341 2,1009 2,5524
19 0,6876 1,3277 1,7291 2,0930 2,5395
20 0,6870 1,3253 1,7247 2,0860 2,5280
21 0,6864 1,3232 1,7207 2,0796 2,5176
22 0,6858 1,3212 1,7171 2,0739 2,5083
23 0,6853 1,3195 1,7139 2,0687 2,4999
24 0,6848 1,3178 1,7109 2,0639 2,4922
LAMPIRAN 7
TABEL DISTRIBUSI t (PARSIAL) df ≤ 100 (df = n – k)
df P = 0,5 P = 0,2 P = 0,1 P = 0,05 P = 0,02
26 0,6840 1,3150 1,7056 2,0555 2,4786
27 0,6837 1,3137 1,7033 2,0518 2,4727
28 0,6834 1,3125 1,7011 2,0484 2,4671
29 0,6830 1,3114 1,6991 2,0452 2,4620
30 0,6828 1,3104 1,6973 2,0423 2,4573
31 0,6825 1,3095 1,6955 2,0395 2,4528
32 0,6822 1,3086 1,6939 2,0369 2,4487
33 0,6820 1,3077 1,6924 2,0345 2,4448
34 0,6818 1,3070 1,6909 2,0322 2,4411
35 0,6816 1,3062 1,6896 2,0301 2,4377
36 0,6814 1,3055 1,6883 2,0281 2,4345
37 0,6812 1,3049 1,6871 2,0262 2,4314
38 0,6810 1,3042 1,6860 2,0244 2,4286
39 0,6808 1,3036 1,6849 2,0227 2,4258
40 0,6807 1,3031 1,6839 2,0211 2,4233
41 0,6805 1,3025 1,6829 2,0195 2,4208
42 0,6804 1,3020 1,6820 2,0181 2,4185
43 0,6802 1,3016 1,6811 2,0167 2,4163
44 0,6801 1,3011 1,6802 2,0154 2,4141
45 0,6800 1,3006 1,6794 2,0141 2,4121
46 0,6799 1,3002 1,6787 2,0129 2,4102
47 0,6797 1,2998 1,6779 2,0117 2,4083
48 0,6796 1,2994 1,6772 2,0106 2,4066
49 0,6795 1,2991 1,6766 2,0096 2,4049
LAMPIRAN 7
TABEL DISTRIBUSI t (PARSIAL) df ≤ 100 (df = n – k)
df P = 0,5 P = 0,2 P = 0,1 P = 0,05 P = 0,02
51 0,6793 1,2984 1,6753 2,0076 2,4017
52 0,6792 1,2980 1,6747 2,0066 2,4002
53 0,6791 1,2977 1,6741 2,0057 2,3988
54 0,6791 1,2974 1,6736 2,0049 2,3974
55 0,6790 1,2971 1,6730 2,0040 2,3961
56 0,6789 1,2969 1,6725 2,0032 2,3948
57 0,6788 1,2966 1,6720 2,0025 2,3936
58 0,6787 1,2963 1,6716 2,0017 2,3924
59 0,6787 1,2961 1,6711 2,0010 2,3912
60 0,6786 1,2958 1,6706 2,0003 2,3901
61 0,6785 1,2956 1,6702 1,9996 2,3890
62 0,6785 1,2954 1,6698 1,9990 2,3880
63 0,6784 1,2951 1,6694 1,9983 2,3870
64 0,6783 1,2949 1,6690 1,9977 2,3860
65 0,6783 1,2947 1,6686 1,9971 2,3851
66 0,6782 1,2945 1,6683 1,9966 2,3842
67 0,6782 1,2943 1,6679 1,9960 2,3833
68 0,6781 1,2941 1,6676 1,9955 2,3824
69 0,6781 1,2939 1,6672 1,9949 2,3816
70 0,6780 1,2938 1,6669 1,9944 2,3808
71 0,6780 1,2936 1,6666 1,9939 2,3800
72 0,6779 1,2934 1,6663 1,9935 2,3793
73 0,6779 1,2933 1,6660 1,9930 2,3785
74 0,6778 1,2931 1,6657 1,9925 2,3778
LAMPIRAN 7
TABEL DISTRIBUSI t (PARSIAL) df ≤ 100 (df = n – k)
df P = 0,5 P = 0,2 P = 0,1 P = 0,05 P = 0,02
76 0,6777 1,2928 1,6652 1,9917 2,3764
77 0,6777 1,2926 1,6649 1,9913 2,3758
78 0,6776 1,2925 1,6646 1,9908 2,3751
79 0,6776 1,2924 1,6644 1,9905 2,3745
80 0,6776 1,2922 1,6641 1,9901 2,3739
81 0,6775 1,2921 1,6639 1,9897 2,3733
82 0,6775 1,2920 1,6636 1,9893 2,3727
83 0,6775 1,2918 1,6634 1,9890 2,3721
84 0,6774 1,2917 1,6632 1,9886 2,3716
85 0,6774 1,2916 1,6630 1,9883 2,3710
86 0,6774 1,2915 1,6628 1,9879 2,3705
87 0,6773 1,2914 1,6626 1,9876 2,3700
88 0,6773 1,2912 1,6624 1,9873 2,3695
89 0,6773 1,2911 1,6622 1,9870 2,3690
90 0,6772 1,2910 1,6620 1,9867 2,3685
91 0,6772 1,2909 1,6618 1,9864 2,3680
92 0,6772 1,2908 1,6616 1,9861 2,3676
93 0,6771 1,2907 1,6614 1,9858 2,3671
94 0,6771 1,2906 1,6612 1,9855 2,3667
95 0,6771 1,2905 1,6611 1,9853 2,3662
96 0,6771 1,2904 1,6609 1,9850 2,3658
97 0,6770 1,2903 1,6607 1,9847 2,3654
98 0,6770 1,2902 1,6606 1,9845 2,3650
99 0,6770 1,2902 1,6604 1,9842 2,3646
DAFTAR PUSTAKA
Barney, J. B. 1991. “Firm resources and sustained competitive advantage”, dalam Journal of Management. Vol.17, No.1, hlm. 99-121.
Baroroh, Niswah, 2013. “Analisis Pengaruh Modal Intelektual terhadap Kinerja Keuangan Perusahaan Manufaktur di Indonesia”. Jurnal Dinamika Akuntansi, Volume 5, Nomor 2, September 2013, Hal 172-182.
Belkaoui, Ahmed Riahi. 2003. Intellectual Capital and Firm Performance of US Multinational Firms: A Study if the Resource-Based and Stakeholder Views. Journal of Intellectual Capital, Vol 4, 215-226.
Bontis, N., W.C.C. Keow., S. Richardson. 2000. Intellectual capital and business performance in Malaysian industries. Journal of intellectual Capital.
Bukh, P. N. 2003. Commentary: The Relevance of Intellectual capital Disclosure: A Paradox?. Accounting, Auditing & Accountability Journal.
Butsainati, Nila. 2106. Pengaruh Intellectual Capital terhadap Kinerja Keuangan pada Perusahaan Manufaktur yang Terdaftar di Bursa Efek Indonesia tahun 2012-2014. FEB Universitas Dian Nuswantoro.
Chen, M.C., Cheng, S.J. and Hwang, Y.C. (2005), “An Empriccal Investigation of The Relationship Between Intellectual Capital and Firms’ Market Value and Financial Performance”. Journal of Intellectual Capital. Vol. 6 No. 2, pp. 159-76.
Farih, Rofi. 2010. “Pengaruh Intellectual Capital (IC) terhadap Kinerja Keuangan Perusahaan Perbankan (Studi pada Perusahaan Perbankan yang Masuk dalam Daftar BEI”. Fakultas Ekonomi Universitas Sebelas Maret, Surakarta.
Fatima, Hasna. 2012. “Analisis Pengaruh Modal Intelektual terhadap Kinerja Perusahaan di Indonesia”. Fakultas Ekonomi Universitas Indonesia, Depok.
Firrer, S. dan William S. M. 2003. “Intellectual Capital and Traditional Measures of Corporate Performance”. Journal of Intellectual Capital. Vol. 4, No. 3: 348-360.
Harahap, Sofyan Sayfri. 2013. Analisis Kritis atas Laporan Keuangan. Jakarta: Rajawali Pers.
Harrison, S., and Sullivan, P.H. 2000. “Profitting Form Intellectual Capital; Learning from Leading Companies”. Journal of Intellectual Capital Vol. 1 No. 1, pp 33-46.
Imaningati. 2007. “Pengaruh Intellectual Capital terhadap Kinerja Peruhsahaan Real Estate & Properti yang Terdaftar di BEI Tahun 2002-2006”. Universitas Dipenogoro, Semarang.
Lonnqvist, A and Mettanen, P. 2002. “Criteria of Sound Intellectual Capital Measures”. Finland: Institute of Industrial Management, Tampere University of Technology.
Madhani, P.M. 2009. “Sales Employees Compensation: An Optimal Balance between Fixed and Vatiable Pay”. Compensation and Benefits Review. 41(4), 44-51.
Munawir, S., 1999, Analisis Laporan Keuangan, Edisi Keempat, Yogyakarta: Liberty.
Penrose, E.T. 1959. The Theory of the Growth of the Firm, Oxford: Basil Blackwell.
Petty, P. and Guthrie, J. 2000. “Intellectual Capital Literature Review: Measurement, Reporting and Management”. Journal of Intellectual Capital Vol 1 No. 2, pp 155-75.
Pratama, Tirta. 2011. “Studi Pengaruh Intellectual Capital Terhadap Return on Asset dari Badan Usaha Manufaktur yang Go Public di Bursa Efek Indonesia Periode 2007-2009”. Fakultas Bisnis dan Ekonomi Universitas Surabaya, Surabaya.
Pulic, Ante. 1998. Measuring the Performance of Intellectual Potential in Knowledge Economy. Presented in 1998 at the 2nd McMaster World Congress on Measuring and Managing Intellectual Capital by the Austrian Team for Intellectual Capital.
. 2008. The Principle of Intellectual Capital Efficiency – A Brief Description. The Economist. Economist Intellegence Unit. www.vaic-on.net/download/Casestudies/principles_2008.pdf.
Saleh, N., M. Rahman, R. A. Mara, dan M. S. Hasan . 2008. “Ownership Structure and Intellectual Capital Performance in Malaysia Companies Listed in MESDAQ”. www.ssrn.com
Sanusi, Anwar. 2013. Metodologi Penelitian Bisnis. Jakarta: Salemba Empat.
Sari, Nurul Iman. 2016. Pengaruh Human Capital Efficiency (HCE), Structural Efficiency (SCE), dan Capital Employed Efficiency (CEE) terhadap Kinerja Perusahaan Perbankan yang Terdaftar di Bursa Efek Indonesia Tahun 2012-2014. Fakultas Ekonomi Universitas Sumatera Utara, Medan.
Simanjuntak, Payaman J. 2005. Manajemen dan Evaluasi Kerja. Lembaga Penerbit FEUI, Jakarta.
Siregar, Syofian. 2013. Metode Penelitian Kuantitatif: Dilengkapi Perbandingan Perhitungan Manual & SPSS. Jakarta: Kencana Prenada Media Group.
Stewart, T.A. 1997. Intellectual Capital: The Wealth of New Organitation. Nicholas Brealey Publishing London.
Sullivan, Jr., P.H., and Sullivan Sr., P.H. 2000. “Valuing Intangible Companies, an Intellectual Capital Approach”. Journal of Intellectual Capital Vol 1 No. 4, pp 328-340.
Tan, H. P., Plowman, D., dan Hancock, P. 2007. Intellectual Capital and Financial Returns on Companies. Journal of Intellectual Capital, 8 (1), 76-95.
BAB III
METODE PENELITIAN
3.1 Jenis Penelitian
Jenis penelitian yang digunakan adalah penelitian asosiatif. Penelitian
asosiatif adalah penelitian yang bertujuan untuk mengetahui hubungan antara dua
variabel atau lebih. Dengan penelitian ini maka akan dibangun suatu teori yang
dapat berfungsi untuk menjelaskan, meramalkan dan mengontrol suatu gejala
(Siregar, 2013).
3.2 Tempat dan Waktu Penelitian
Penelitian ini dilakukan pada perusahaan perbankan yang terdaftar di
Bursa Efek Indonesia dan waktu penelitian ini dilakukan mulai dari bulan
Agustus 2016.
3.3 Jenis Data
Data yang digunakan dalam penelitian ini adalah data sekunder dengan
mengambil data website Bursa Efek Indonesia yaitu www.idx.co.id yang berupa
laporan keuangan perusahaan yang akan diteliti. Penelitian mengambil data
Perusahaan Perbankan yang terdaftar di BEI pada tahun 2012-2015.
3.4 Metode Pengumpulan Data
Metode pengumpulan data yang digunakan dalam penelitian ini adalah
studi dokumentasi. Metode ini dilakukan dengan mengumpulkan, mencatat dan
3.5 Variabel Penelitian dan Definisi Operasional 3.5.1 Variabel Dependen/Variabel Terikat
Variabel dependen pada penelitian ini adalah kinerja keuangan
perusahaan. Ada beberapa pengukuran kinerja keuangan pada perusahaan
perbankan salah satunya melalui pendekatan profitabilitas atau rentabilitas.
Pada penelitian ini digunakan salah satu rasio dari pendekatan tersebut yaitu
return on assets (ROA).
Return on assets (ROA) mengukur efektivitas perusahaan dalam
menghasilkan keuntungan dengan memanfaatkan aset yang dimilikinya.
ROA merefleksikan keuntungan bisnis dan efisiensi perusahaan dalam
pemanfaatan total aset (Chen et al., 2005). Rumus untuk menghitung ROA
yaitu:
Total pendapatan termasuk pendapatan bunga bersih dan non
pendapatan bunga.
3.5.2 Variabel Independen/Variabel Bebas
Variabel independen penelitian ini adalah komponen intellectual
capital (IC) dengan menggunakan model pengukuran yg diusulkan oleh Pulic
(1998) yaitu Koefisien Nilai Tambah Intelektual (Value Added Intellectual
Coefficent/VAICTM) yang terdiri dari Human Capital Efficiency (HCE),
Structural Capital Efficiency (SCE), dan Capital Employed Efficiency (CEE). ROA =
���������������
Model ini dimulai dengan kemampuan perusahaan untuk menciptakan value
added (VA).
Nilai tambah atau Value Added (VA) adalah perbedaan antara OUT
dan IN. Rumus untuk menghitung VA yaitu:
VA = OUT – IN
OUT = Total pendapatan
IN = Beban dan Biaya-biaya selain beban karyawan
Model VAICTM menggunakan mengukur efisiensi tiga jenis input
perusahaan, yaitu:
1. Modal Manusia
Modal manusia (Human Capital/HC) mengacu pada nilai kolektif dari
modal intelektual perusahaan yaitu kompetensi, pengetahuan, dan
keterampilan (Pulic, 1998; Firer dan Williams, 2003), diukur dengan
Human Capital Efisiensi (HCE) yang merupakan indikator efisiensi nilai
tambah (Value Added/VA) modal manusia. Rumus untuk menghitung
HCE yaitu:
VA = Nilai Tambah (Value Added)
HC = Gaji dan tunjangan karyawan
2. Modal Struktural
Modal struktural (Structural Capital/SC) dapat didefinisikan sebagai
competitive intelligence, formula, sistem informasi, hak paten, kebijakan,
HCE =
VA
proses, dan sebagainya, hasil dari produk atau sistem perusahaan yang
telah diciptakan dari waktu ke waktu (Pulic, 1998; Firer dan Williams,
2003), diukur dengan Structural Capital Efficiency (SCE) yang
merupakan indikator efisiensi nilai tambah (Value Added/VA) modal
struktural. Rumus untuk menghitung SCE yaitu:
SC = VA – HC
3. Modal yang Digunakan
Modal yang digunakan (Capital Employed/CE) didefinisikan sebagai total
modal yang dimanfaatkan dalam aset tetap dan lancar suatu perusahaan
(Pulic, 1998; Firer dan Williams, 2003), diukur dengan Capital Employed
Efficiency (CEE) yang merupakan indikator efisiensi nilai tambah (Value
Added/VA) modal yang digunakan. Rumus untuk menghitung CEE yaitu:
CE = dana yang tersedia
SCE =
SC
VA
CEE =
VA
Tabel 3.1 Definisi Operasional Jenis
Variabel
Variabel
Penelitian Definisi Pengukuran Skala
Dependen
Kinerja Keuangan Perusahaan / Return on Assets
(ROA) Mengukur efektivitas perusahaan dalam menghasilkan keuntungan dengan memanfaatkan aset yang dimilikinya
ROA = Total Pendapatan / Total Aset Rasio I N D E P E N D E N Human Capital Efficiency (HCE) Indikator penggunaan modal manusia untuk menciptakan nilai tambah perusahaan
HCE = VA /
HC Rasio
Structural Capital Efficiency (SCE) Indikator penggunaan modal struktural untuk menciptakan nilai tambah perusahaan
SCE = SC /
VA Rasio
Capital Employed Efficiency (CEE) Indikator penggunaan modal yang tersedia untuk menciptakan nilai tambah perusahaan
CEE = VA /
CE Rasio
Keterangan:
VA = OUT – IN
OUT = Total Pendapatan
IN = Total Beban dll. selain Beban Gaji
HC = Beban Gaji Karyawan
SC = VA – SC
3.6 Populasi dan Sampel Penelitian
Populasi dalam penelitian ini adalah semua perusahaan perbankan yang
terdaftar pada Bursa Efek Indonesia di tahun 2012-2015 yang berjumlah 42
perusahaan.
Pengambilan sampel pada penelitian ini dilakukan dengan metode
purposive sampling yaitu metode penetapan sampel berdasarkan kriteria-kriteria
tertentu. Kriteria yang digunakan sebagai berikut:
1. Perusahaan perbankan yang berturut-turut terdaftar di BEI pada tahun
2012-2015 tanpa delisting (keluar).
2. Perusahaan yang tersedia laporan keuangannya di
periode tahun 2012-2015
3. Perusahaan yang laporan keuangannya tersaji data yang diperlukan
untuk menghitung variabel penelitian ini antara lain: Human Capital
Efficiency (HCE), Structural Capital Efficiency (SCE), Capital Em
ployed Efficiency (CEE), dan Return on Asset (ROA).
Tabel 3.2
Daftar Populasi dan Sampel Perusahaan Perbankan
No NAMA BANK KODE
Kriteria
Sampel 1 2 3
1 Bank Agroniaga Tbk AGRO √ √ √ Sampel 1
2 Bank Agris Tbk AGRS - - √
3 Bank Artos Indonesia Tbk ARTO - - √
4 Bank MNC Internasional Tbk BABP √ √ √ Sampel 2
6 Bank Central Asia Tbk BBCA √ √ √ Sampel 4
7 Bank Harda Internasional Tbk BBHI - - √
8 Bank Bukopin Tbk BBKP √ √ √ Sampel 5
9 Bank Mestika Dharma Tbk BBMD - - √
10 Bank Negara Indonesia Tbk BBNI √ √ √ Sampel 6
11 Bank Nusantara Parahyangan Tbk
BBNP
√ - √
12 Bank Rakyat Indonesia (Persero) Tbk
BBRI
√ - √
13 Bank Tabungan Negara (Persero) Tbk
BBTN
√ √ √ Sampel 7
14 Bank Yudha Bhakti Tbk BBYB - - √
15 Bank J Trust Indonesia Tbk BCIC √ - √
16 Bank Danamon Indonesia Tbk BDMN √ √ √ Sampel 8
17 Bank Pundi Indonesia Tbk BEKS √ - √
18 Bank Ina Perdana Tbk BINA - - √
19 Bank Jabar Banten Tbk BJBR √ √ √ Sampel 9
20 Bank Pembangunan Daerah Jawa Timur (Tbk)
BJTM
- - √
21 Bank QNB Indonesia Tbk BKSW √ - √
22 Bank Maspion Indonesia Tbk BMAS - - √
23 Bank Mandiri (Persero) Tbk BMRI √ √ √ Sampel 10
24 Bank Bumi Arta Tbk BNBA √ √ √ Sampel 11
25 Bank CIMB Niaga Tbk BNGA √ √ √ Sampel 12
26 Bank International Indonesia Tbk
BNII
√ √ √ Sampel 13
27 Bank Permata Tbk BNLI √ √ √ Sampel 14
28 Bank Sinar Mas Tbk BSIM √ √ √ Sampel 15
29 Bank of India Indonesia Tbk BSWD √ - √
30 Bank Tabungan Pensiunan Nasional Tbk
BTPN
31 Bank Victoria Indonesia Tbk BVIC √ √ √ Sampel 17
32 Bank Dinar Indonesia Tbk DNAR - - √
33 Bank Artha Graha International Tbk
INPC
√ √ √ Sampel 18
34 Bank Mayapada International Tbk
MAYA
√ √ √ Sampel 19
35 Bank Windu Kentjana International Tbk
MCOR
√ √ √ Sampel 20
36 Bank Mega Tbk MEGA √ √ √ Sampel 21
37 Bank Mitraniaga Tbk NAGA - - √
38 Bank OCBC NISP Tbk NISP √ √ √ Sampel 22
39 Bank Nationalnobu Tbk NOBU - - √
40 Bank Pan Indonesia Tbk PNBN √ √ √ Sampel 23
41 Bank Panin Syariah Tbk PNBS √ √ √ Sampel 24
42 Bank Woori Saudara Indonesia 1906 Tbk
SDRA
√ √ √ Sampel 25
Sumber : Data Sekunder yang Diolah (2016)
Berdasarkan pertimbangan tersebut, maka sampel dalam penelitian ini
berjumlah 25 perusahaan.
3.7 Teknik Analisis
3.7.1 Statistik Deskriptif
Sanusi (2013) menyatakan bahwa statistik deskriptif adalah statistik
yang digunakan untuk menganalisis data dengan cara mendeskripsikan atau
menggambarkan data yang terkumpul sebagaimana adanya tanpa bermaksud
untuk membuat kesimpulan yang berlaku umum atau generalisasi. Yang
termasuk dalam statistik deskriptif adalah penyajian data dengan table,
persentase, dan standar deviasi. Ukuran deskriptif yang sering digunakan
untuk mendeskripsikan data penelitian adalah frekuensi dan rata-rata.
3.7.2 Uji Asumsi Klasik
Untuk mengetahui apakah model regresi benar-benar menunjukkan
hubungan yang signifikan dan mewakili (representatif), maka model tersebut
harus memenuhi uji asumsi klasik regresi, yang meliputi :
3.7.2.1Uji Normalitas
Uji Normalitas digunakan untuk menguji apakah dalam model
regresi kedua variabel yang ada yaitu variabel bebas dan terikat
mempunyai distribusi data yang normal atau tidak (Ghozali, 2009).
Model regresi yang baik memiliki distribusi data normal atau
mendekati normal. Untuk menguji normalitas pada penelitian ini alat
analisis yang digunakan adalah normal probabitility plot dan uji
Komolgorov-Smirmov.
Normal probability plot membandingkan distribusi kumulatif
dari data sesungguhnya dengan distribusi kumulatif dari distribusi
normal. Distribusi normal akan membentuk satu garis lurus diagonal,
dan ploting data residual akan dibandingkan dengan garis diagonal.
Jika distribusi data residual adalah normal, maka garis yang
menggambarkan data seseungguhnya akan mengikuti garis
diagonalnya (Ghozali, 2009).
Alat analisis lain yang digunakan adalah uji Kolmogrov-
lebih detail untuk menguatkan apakah terjadi normalitas atau tidak dari
data-data yang digunakan. Normalitas terjadi apabila hasil dari uji
Kolmogrov-Smirnov lebih dari 0,05 (Ghozali, 2009).
3.7.2.2Uji Multikolinieritas
Uji Multikolinieritas bertujuan untuk menguji apakah model
regresi ditemukan adanya korelasi antar variabel bebas. Cara untuk
mengetahui apakah terjadi multikolonieritas atau tidak yaitu dengan
melihat nilai Tolerance dan Variance Inflation Factor (VIF). Kedua
ukuran ini menunjukkan setiap variabel independen manakah yang
dijelaskan oleh variabel independen lainnya. Dalam pengertian
sederhana setiap variabel independen menjadi variabel dependen
(terikat) dan diregresi terhadap variabel independen lainnya. Tolerance
mengukur variabilitas variabel independen yang terpilih yang tidak
dijelaskan oleh variabel independen lainnya. Jadi nilai Tolerance yang
rendah sama dengan nilai VIF tinggi (karena VIF = 1/Tolerance). Nilai
cutoff yang umum dipakai untuk menunjukkan adanya
multikolinearitas adalah nilai Tolerance < 0,10 atau sama dengan nilai
VIF > 10 (Ghozali, 2009).
3.7.2.3Uji Auto Korelasi
Uji autokorelasi bertujuan untuk menguji apakah dalam model
regresi linear ada korelasi antara kesalahan pengganggu pada periode t
sebelumnya. Cara untuk mengetahui apakah terjadi autokorelasi atau
tidak yaitu dengan menggunakan uji Durbin – Watson (DW test). DW
test digunakan untuk autokorelasi tingkat satu (first order
autocorrelation) dan mensyaratkan adanya intercept (konstanta) dalam
model regresi dan tidak ada variabel lag diantara variabel independen.
Pengambilan keputusan ada tidaknya autokorelasi yaitu jika du < d < 4
– du. (Ghozali, 2009).
3.7.2.4Uji Heteroskedastisitas
Uji heteroskedastisitas bertujuan untuk menguji apakah
dalam model regresi terjadi ketidaksamaan variance dari residual satu
pengamatan ke pengamatan yang lain. Cara untuk mengetahui apakah
terjadi heteroskedastisitas atau tidak yaitu dengan melihat Grafik Plot
antara nilai prediksi variabel dependen yaitu ZPRED dengan
residualnya SRESID. Tidak terjadi heteroskedastisitas yaitu apabila
tidak ada pola yang jelas, serta titik-titik menyebar diatas dan dibawah
angka 0 pada sumbu Y (Ghozali, 2009).
3.7.3 Analisis Regresi Linear Berganda
Analisis regresi ganda digunakan karena dalam penelitian terdapat
banyak variabel bebas. Pada tahap ini dijelaskan hubungan antara variabel
dependen dan independen dengan metode regresi linear berganda.
Variabel independen yang digunakan terdiri dari Human Capital
Employed Efficiency (CEE). Variabel dependen yang digunakan yaitu
kinerja keuangan perusahaan yang diproksikan dengan Return on Assets
(ROA).
Untuk mengetahui apakah ada pengaruh yang signifikan dari
variabel independen terhadap variabel dependen maka digunakan model
regresi linier berganda (multiple linier regression method), yang dirumuskan
sebagai berikut:
Y = �0 + �1 HCE + �2 SEE + �3 CEE + ℇ
Dalam hal ini :
Y = kinerja keuangan perusahaan (ROA)
�0 = konstanta
�1 – �3 = koefisien regresi, merupakan besarnya perubahan variable
terikat akibat perubahan tiap – tiap unit variable bebas
HCE = Human Capital Efficiency
SCE = Structural Capital Efficiency
CEE = Capital Employed Efficiency
ℇ = kesalahan residual (error)
3.7.4 Uji Hipotesis
3.7.4.1Koefisien Determinasi
Koefisien determinasi (R2) menjelaskan proporsi variasi dalam
variabel terikat (Y) yang dijelaskan oleh variabel bebas (lebih dari satu
variabel: Xi; i = 1, 2, 3, 4 …, k) secara bersama-sama. R adalah
variabel terikat (Y) dengan semua variabel bebas yang menjelaskan
secara bersama-sama dan nilainya selalu positif (Sanusi, 2013).
Persamaan regresi linear berganda semakin baik apa bila nilai
koefisien determinasi (R2) semakin besar (antara 0 dan 1) dan
cenderung meningkat nilainya sejalan dengan peningkatan jumlah
variabel bebas. Nilai R2 yang kecil berarti kemampuan
variabel-variabel independen dalam menjelaskan variasi variabel-variabel dependen
amat terbatas. Nilai yang mendekati satu berarti variabel-variabel
independen memberikan hampir semua informasi yang dibutuhkan
untuk memprediksi variasi variabel dependen.
3.7.4.2Uji Signifikansi Simultan (Uji Statistik F)
Uji Statistik F pada dasarnya menunjukkan apakah semua
variabel independen atau bebas yang dimasukkan dalam model
mempunyai pengaruh secara bersama-sama terhadap variabel
dependen (Ghozali, 2009). Cara untuk mengetahuinya yaitu dengan
membandingkan nilai F hitung dengan nilai F tabel. Apabila nilai F
hitung lebih besar daripada nilai F tabel, maka hipotesis alternatif
diterima artinya semua variabel independen secara bersama-sama dan
signifikan mempengaruhi variabel dependen. Selain itu juga dapat
dilihat berdasarkan probabilitas. Jika probabilitas (signifikansi) lebih
kecil dari 0,05 (α) maka variabel independen secara bersama-sama
3.7.4.3Uji Signifikansi Parameter Individual (Uji Statistik t)
Uji statistik t pada dasarnya menunjukkan seberapa jauh
pengaruh satu variabel independen secara individual dalam
menerangkan variasi variabel dependen. Cara untuk mengetahuinya
yaitu dengan membandingkan nilai t hitung dengan nilai t tabel.
Apabila nilai t hitung lebih besar dibandingkan dengan nilai t tabel
maka berarti t hitung tersebut signifikan artinya hipotesis alternatif
diterima yaitu variabel independen secara individual mempengaruhi
variabel dependen. Selain itu, bisa juga dilakukan dengan melihat
p-value dari masing-masing variabel. Hipotesis diterima apabila p-p-value
BAB IV
HASIL DAN PEMBAHASAN
4.1 Statistik Deskriptif
Sanusi (2013) menyatakan bahwa statistik deskriptif adalah statistik yang
digunakan untuk menganalisis data dengan cara mendeskripsikan atau
menggambarkan data yang terkumpul sebagaimana adanya tanpa bermaksud
untuk membuat kesimpulan yang berlaku umum atau generalisasi. Statistik
deskriptif menjelaskan nilai maksimum, nilai minimum, nilai rata-rata (mean),
[image:35.595.129.499.386.534.2]dan nilai standar deviasi dari variabel penelitian.
Tabel 4.1 Statistik Deskriptif
N Minimum Maximum Mean Std. Deviation
HCE 100 ,82 7,97 2,6064 1,20593
SCE 100 -,22 ,87 ,5534 ,16697
CEE 100 ,00 3,24 ,3964 ,33856
ROA 100 -,93 4,70 1,8642 1,08017
Valid N (listwise) 100
Sumber: Data Sekunder yang Diolah
Nilai minimum merupakan nilai terendah dari suatu distribusi data.
Pengukuran rata-rata (mean) merupakan cara yang paling umum digunakan untuk
mengukur nilai interval dari suatu distribusi data, rata-rata hitung (mean) dari
sekelompok atau serangkaian data adalah jumlah dari seluruh nilai data dibagi
dengan banyak data. Standar deviasi merupakan perbedaan nilai data yang diteliti
Variabel independen terdiri dari Human Capital Efficiency (HCE),
Structural Capital Efficiency (SCE), dan Capital Employed Efficiency (CEE).
Berdasarkan tabel 4.1 dapat dilihat bahwa secara rata-rata (mean) variabel Human
Capital Efficiency (HCE) memiliki rata-rata sebesar 2,6064 yang menunjukkan
rata-rata besar efisiensi dari penggunaan modal manusia yang ada di perusahaan
perbankan yang menjadi sampel. Nilai minimum dari HCE yaitu sebesar 0,82,
nilai maksimum yaitu sebesar 7,97, dan standar deviasi sebesar 1,2059.
Variabel Structural Capital Efficiency (SCE) menunjukkan seberapa besar
modal struktural digunakan perusahaan untuk menciptakan kekayaan. Rata-rata
nilai SCE dari seluruh sampel sebesar 0,5534, nilai minimum yaitu sebesar -0,22
nilai maksimum yaitu sebesar 0,87 dan standar deviasi sebesar 0,16697.
Variabel Capital Employed Efficiency (CEE) menunjukkan seberapa besar
efisiensi dari penggunaan modal oleh perusahaan. Rata-rata dari nilai CEE sebesar
0,3964. Nilai minimum yaitu sebesar 0,00 dan nilai maksimum yaitu sebesar 3,24,
dan standar deviasi sebesar 0,33856.
Untuk variabel dependen yaitu Return on Assets (ROA) menunjukkan
kinerja perusahaan berdasarkan kemampuan perusahaan menghasilkan laba
dengan menggunakan asetnya. Nilai rata-rata dari ROA yaitu sebesar 1,8642.
Nilai minimum yaitu sebesar -0,93, nilai maksimum yaitu sebesar 4,70, dan
4.2 Uji Asumsi Klasik 4.2.1 Uji Normalitas
Uji normalitas bertujuan untuk menguji apakah dalam model regresi,
variabel terikat dan variabel bebas mempunyai distribusi normal atau tidak.
Uji normalitas dapat dilihat melalui normal probability plot (P-P Plots). Data
normal jika titik-titik menyebar mengikuti garis diagonal.
Gambar 4.1 Normal P-P Plot
Pada gambar 4.1 dapat disimpulkan data untuk penelitian terdistribusi
normal. Hal tersebut karena titik-titik pada P-P Plot menyebar mengikuti
garis diagonalnya. Uji normalitas juga dapat dilakukan menggunakan uji
Kolmogrov Smirnov. Uji ini mengidentifikasi data normal jika nilai signifikan
> 0,05. Berdasarkan tabel 4.2 dapat dilihat bahwa data dalam penelitian
[image:37.595.208.422.295.498.2]Tabel 4.2 Uji Normalitas
One-Sample Kolmogorov-Smirnov Test
Unstandardized
Residual
N 100
Normal Parametersa,b Mean 0E-7
Std. Deviation ,83234336
Most Extreme Differences
Absolute ,097
Positive ,097
Negative -,065
Kolmogorov-Smirnov Z ,973
Asymp. Sig. (2-tailed) ,300
Sumber: Data Sekunder yang Diolah
Hasil pengujian tersebut menunjukkan nilai signifikan Kolmogrov
Smirnov sebesar 0,973 dengan p-value 0,300. Karena p-value > 0,05 berarti
data terdistribusi normal.
4.2.2 Uji Multikolinieritas
Uji multikolinieritas bertujuan untuk mengetahui hubungan yang
bermakna (korelasi) antara setiap variabel bebas dalam suatu model regresi.
Model regresi yang baik adalah tidak terjadi multikolonieritas dapat dilihat
dari nilai tolerance/variance inflation factor (VIF). Jika nilai tolerance lebih
besar dari 0,10/VIF kurang dari 10, maka dapat dikatakan model telah bebas
Tabel 4.3 Uji Multikolinieritas
Variabel Collinearity Statistics
Tolerance VIF
HCE 0,321 3,116
SCE 0,320 3,129
CEE 0,944 1,060
Berdasarkan tabel 4.3 diketahui bahwa nilai Tolerance variabel
independen > 0.10 yaitu sebesar 0.321, 0.320, dan 0.944 dengan nilai VIF
variabel independen 10 < yaitu sebesar 3.116, 3.129, dan 1.060 sehingga
dapat disimpulkan HCE, SCE, dan CEE tidak terjadi multikolinieritas.
4.2.3 Uji Autokorelasi
Uji autokorelasi bertujuan untuk melihat apakah terdapat kesalahan
pengganggu dari periode t dengan periode sebelumnya pada model regresi.
Model regresi yang baik jika tidak terjadi autokorelasi. Hal ini dapat
diidentifikasi dengan uji Durbin-Watson (DW-test). Syarat uji ini adalah nilai
DW terletak diantara du dengan 4 – du (du > DW > 4 – du).
Tabel 4.4 Uji Autokorelasi
R R Square Adjusted R Square
Std. Error of the Estimate
Durbin-Watson
,637a ,406 ,388 ,84517 2,190
Berdasarkan tabel 4.4 dapat dilihat nilai DW sebesar 2,190. Nilai du
[image:39.595.132.496.604.656.2]du sebesar 1.7364 (4 – du = 2.2636), maka DW terletak diantara du dengan 4
– du artinya tidak terjadi autokorelasi.
4.2.4 Uji Heteroskedastisitas
Uji ini bertujuan untuk menguji apakah dalam model regresi terjadi
ketidaksamaan varians dari residual satu pengamatan ke pengamatan lain.
Gambar 4.2 Grafik Scatterplot
Dari grafik Scatterplot dapat dilihat bahwa titik-titik menyebar dan
tidak membentuk pola tertentu dan titik menyebar di atas dan di bawah angka
[image:40.595.176.453.275.540.2]4.3Uji Hipotesis
Pengujian hipotesis dalam penelitian ini menggunakan analisis regresi
linear berganda dengan bantuan program SPSS 20. Analisis linear berganda
dilakukan untuk mencari pengaruh dua variabel bebas atau lebih terhadap variabel
[image:41.595.118.505.267.436.2]terikat. Besarnya pengaruh tersebut dapat dilihat dari tabel 4.5 di bawah ini.
Tabel 4.5
Analisis Regresi Berganda
Coefficientsa
Model Unstandardized
Coefficients
Standardized
Coefficients
T Sig.
B Std. Error Beta
1
(Constant) -,528 ,309 -1,710 ,090
HCE -,396 ,124 -,442 -3,186 ,002
SCE 5,973 ,900 ,923 6,636 ,000
CEE ,302 ,258 ,095 1,169 ,245
a. Dependent Variable: ROA
Dengan demikian hasil perhitungan tabel 4.5 (coefficient) diperoleh nilai
persamaan regresi linier berganda sebagai berikut:
Y = – 0.528 – 0.396 X1 + 5.972 X2 + 0.302 X3
4.3.1 Koefisien Determinasi
Koefisien determinasi (R2) menunjukkan seberapa besar variabel
dependen dapat dijelaskan oleh variabel independen. Nilai koefisien
Tabel 4.6
Koefisien Determinasi (R2)
Model Summaryb
Model R R Square Adjusted R
Square
Std. Error of the Estimate
1 ,637a ,406 ,388 ,84525
a. Predictors: (Constant), CEE, HCE, SCE
b. Dependent Variable: ROA
Hal ini menunjukkan bahwa dalam penelitian ini variabel depeden
yang dapat dijelaskan oleh variabel independen sebesar 40,6%, sedangkan
sisanya yaitu sebesar 59,4% dijelaskan oleh variabel lain yang tidak termasuk
dalam penelitian ini.
4.3.2 Uji Signifikansi Simultan (Uji Statistik F)
Uji statistik F menunjukkan apakah semua variabel independen yang
dimasukkan dalam model mempunyai pengaruh secara simultan terhadap
variabel dependen. Apabila nilai signifikansi < 0.05 berarti bahwa variabel
independen secara bersamaan memiliki pengaruh terhadap variabel dependen.
Tabel 4.7
Uji Statistik F (Simultan)
ANOVAa
Model Sum of Squares Df Mean Square F Sig.
1
Regression 46,923 3 15,641 21,893 ,000b
Residual 68,587 96 ,714
Total 115,510 99
a. Dependent Variable: ROA
[image:42.595.116.515.547.681.2]Berdasarkan tabel 4.7 terlihat nilai signifikan sebesar 0,00. Hal ini
berarti variabel independen berpengaruh secara simultan terhadap variabel
dependen karena nilai signifikansi 0,00 < 0,05. Dengan demikian hipotesis 4
diterima.
Uji statistik F juga dapat dilakukan dengan membandingkan nilai
Fhitung dengan Ftabel. Jika nilai Fhitung lebih besar Ftabel dari maka hipotesis
diterima artinya semua variabel independen bersama-sama dan signifikan
mempengaruhi variabel dependen. Berdasarkan tabel 4.8 dapat dilihat nilai
Fhitung sebesar 21,893. Untuk mengetahui nilai Ftabel yaitu dengan melihat
tabel distribusi F nilai probabilitas sebesar 0,05 (lihat lampiran 6) atau dengan
mengetikkan rumus =finv(0,05;df1;df2) di aplikasi Microsoft Excel. Untuk
melihat tabel distribusi F langkah pertama yang dilakukan yaitu dengan
menghitung df1 = k – 1 dimana k adalah jumlah variabel independen. Pada
penelitian ini k = 3 sehingga nilai df1 = 2. Langkah kedua yaitu menghitung
df2 = n – k dimana nilai n adalah jumlah data sampel yang digunakan. Pada
penelitian ini n = 100 sehingga nilai df2 = 97. Kemudian dapat dilihat pada
tabel distribusi F pada kolom df1 = 2 dan baris df2 = 97 nilai dari Ftabel
sebesar 3,09. Maka nilai Fhitung = 21,893 > Ftabel = 3,09 yang artinya variabel
independen mempengaruhi variabel dependen secara simultan.
4.3.3 Uji Signifikansi Parameter Individual (Uji Statistik t)
Uji t digunakan untuk mengetahui pengaruh masing-masing variabel
signifikansinya lebih kecil dari 0,05 dan hipotesis ditolak jika nilai
[image:44.595.116.514.190.367.2]signifikansinya lebih besar dan 0,05.
Tabel 4.8 Uji t (Parsial)
Coefficientsa
Model Unstandardized
Coefficients
Standardized
Coefficients
T Sig.
B Std. Error Beta
1
(Constant) -,528 ,309 -1,710 ,090
HCE -,396 ,124 -,442 -3,186 ,002
SCE 5,973 ,900 ,923 6,636 ,000
CEE ,302 ,258 ,095 1,169 ,245
a. Dependent Variable: ROA
Uji t juga dapat dilakukan dengan membandingkan nilai thitung dengan
ttabel. Apabila nilai thitung lebih besar dari ttabel maka hipotesis diterima. Artinya
variabel independen berpengaruh terhadap kinerja keuangan perusahaan
secara parsial. Untuk mengetahui nilai ttabel yaitu dengan melihat tabel
distribusi t (lihat lampiran 7) atau dengan mengetikkan rumus =tinv(0,05;df)
pada aplikasi Microsoft Excel. Langkah awalnya dengan menentukan nilai df
= n – k dimana n = 100 dan k = 3 sehingga nilai df = 97. Kemudian melihat
kolom siginifikansi 0,05 dan baris df = 97 sehingga dapat ditentukan nilai
ttabel sebesar 1,9847. Dengan demikian berdasarkan tabel 4.8 maka hasil uji t
adalah sebagai berikut:
Nilai signifikansi variabel Human Capital Efficiency (HCE) sebesar
0,002. Hal ini menunjukkan bahwa nilai signifikansi variabel ini lebih
kecil dari 0,05. Seperti yang telah dijelaskan sebelumnya, hipotesis akan
diterima jika nilai signifikansi kurang dari 0,05. Nilai thitung = -3,186 dan
nilai ttabel = 1,98472. Dapat dilihat nilai thitung adalah negatif, hal ini berarti
untuk mengetahui apakah variabel independen berpengaruh terhadap
kinerja keuangan perusahaan secara parsial maka -thitung < -ttabel. Dapat
dilihat thitung = -3,186 < ttabel = -1,9847 sehingga dapat disimpulkan bahwa
hipotesis 1 diterima yang berarti Human Capital Efficiency (HCE)
berpengaruh signifikan terhadap kinerja keuangan perusahaan.
b. Pengujian Hipotesis Pengaruh Structual Capital Efficiency (SCE) terhadap Kinerja Keuangan Perusahaan
Nilai signifikansi variabel Structural Capital Efficiency (SCE) sebesar
0,00. Hal ini berarti bahwa nilai signifikansi variabel ini lebih kecil dari
0,05. Nilai thitung = 6,636 > ttabel = 1,9847. Maka dapat disimpulkan bahwa
hipotesis 2 diterima yang berarti Structural Capital Efficiency (SCE)
berpengaruh signifikan terhadap kinerja keuangan perusahaan.
c. Pengujian Hipotesis Pengaruh Capital Employed Efficiency (CEE) terhadap Kinerja Keuangan Perusahaan
Nilai signifikansi variabel Capital Employed Efficiency (CEE) sebesar
0,245. Hal ini menunjukkan nilai signifikansi variabel ini lebih besar dari
0,05. Dapat dilihat juga nilai thitung = 1,169 < ttabel = 1,9847. Maka dapat
Efficiency (CEE) tidak berpengaruh terhadap kinerja keuangan
perusahaan.
4.4Pembahasan dan Hasil Penelitian
Berdasarkan hasil penelitian yang ditetapkan lewat berbagai pengujian
tersebut di atas, dapat diinterpretasikan bahwa pengaruh variabel independen dan
dependen adalah sebagai berikut:
Hasil dari hipotesis pertama yang diuji dengan uji statistik t bahwa
variabel Human Capital Efficiency (HCE) berpengaruh signifikan terhadap kinerja
keuangan yang diproksikan dengan Return on Assets (ROA) pada perusahaan
perbankan yang terdaftar di Bursa Efek Indonesia periode 2012-2015. Hal ini
berbeda dengan hasil penelitian dari Tirta Pratama (2011), Nila Butsainati (2016),
dan Nurul Iman Sari (2016) yang hasil penelitiannya menunjukkan bahwa Human
Capital Efficiency (HCE) tidak berpengaruh secara signifikan terhadap kinerja
keuangan. Hal ini terjadi karena modal manusia merupakan modal utama yang
digunakan dalam kegiatan usaha perusahaan perbankan sehingga dapat dipastikan
adanya pengaruh terhadap kinerja keuangan perusahaan.
Hasil dari hipotesis kedua yang diuji dengan uji statistik t bahwa variabel
Structural Capital Efficiency (SCE) berpengaruh signifikan terhadap kinerja
keuangan yang diproksikan dengan Return on Assets (ROA) pada perusahaan
perbankan yang terdaftar di Bursa Efek Indonesia periode 2012-2015. Hasil
penelitian ini sejalan dengan hasil penelitian yang telah dilakukan oleh Tirta
Pratama (2011) dimana Structural Capital Efficiency (SCE) berpengaruh
membantu modal manusia dalam menciptakan nilai tambah perusahaan. Sesuai
dengan model yang diperkenalkan oleh Pulic (1998) dimana nilai SC (modal
struktural) didapat dari selisih nilai VA (Value Added) dengan HC (modal
manusia). Hal ini menunjukkan untuk menciptakan nilai tambah maka dibutuhkan
gabungan dari modal manusia dan modal struktural. Pada penelitian ini terlihat
bahwa modal struktural juga berperan penting untuk menciptakan nilai tambah
disamping modal manusia sebagai modal utama dalam kegiatan usaha, sehingga
dapat mempengaruhi kinerja keuangan.
Hasil dari hipotesis ketiga yang diuji dengan uji statistik t bahwa variabel
Capital Employed Efficiency (CEE) tidak berpengaruh signifikan terhadap kinerja
keuangan yang diproksikan dengan Return on Assets (ROA) pada perusahaan
perbankan yang terdaftar di Bursa Efek Indonesia periode 2012-2015. Hasil
penelitian ini sejalan dengan hasil penelitian yang telah dilakukan oleh Tirta
Pratama (2011) dimana Capital Employed Efficiency (CEE) tidak berpengaruh
signifikan terhadap kinerja keuangan. Modal yang digunakan merupakan modal
yang tersedia untuk membantu kegiatan usaha yang dijalankan modal manusia
dan modal struktural. Tidak adanya pengaruh dari variabel ini mungkin
disebabkan karena modal manusia dan modal struktural yang lebih berperan
dominan dalam menciptakan nilai tambah.
Hasil dari hipotesis keempat yang diuji dengan uji statistik F bahwa
Human Capital Efficiency (HCE), Structural Capital Efficiency (SCE), dan
Capital Employed Efficiency (CEE) berpengaruh signifikan secara simultan
perusahaan perbankan yang terdaftar di Bursa Efek Indonesia tahun 2012-2015.
Hasil penelitian ini sejalan dengan penelitian terdahulu yang semuanya
menunjukkan pengaruh signifikan dari intellectual capital terhadap kinerja
keuangan. Saat ini belum banyak perusahaan yang memperhatikan pengelolaan
intellectual capital. Dengan demikian hasil penelitian ini menunjukkan bahwa
intellectual capital termasuk aset yang penting untuk dikelola dengan baik
BAB V
KESIMPULAN DAN SARAN
5.1Kesimpulan
Dari hasil analisa dan pembahasan mengenai pengaruh intellectual capital
terhadap kinerja keuangan perusahaan perbankan yang terdaftar di Bursa Efek
Indonesia periode 2012-2015 dapat disimpulkan sebagai berikut:
1. Human Capital Efficiency (HCE) berpengaruh signifikan terhadap
kinerja keuangan perusahaan perbankan yang terdaftar di Bursa Efek
Indonesia periode 2012-2015
2. Structural Capital Efficiency (SCE) berpengaruh signifikan terhadap
kinerja keuangan perusahaan perbankan yang terdaftar di Bursa Efek
Indonesia periode 2012-2015.
3. Capital Employed Efficiency (CEE) tidak berpengaruh signifikan
terhadap kinerja keuangan perusahan perbankan yang terdaftar di
Bursa Efek Indonesia periode 2012-2015.
4. Pengaruh Human Capital Efficiency (HCE), Structural Capital
Efficiency (SCE), dan Capital Employed Efficiency (CEE) berpengaruh
secara simultan terhadap kinerja keuangan perusahaan perbankan yang
terdaftar di Bursa Efek Indonesia periode 2012-2015.
5.2Saran
Peneliti menyadari bahwa penelitian ini masih jauh dari sempurna, untuk
bahan pertimbangan untuk melakukan penelitian dengan topik penelitian yang
sama:
1. Penelitian selanjutnya diharapkan menambahkan variabel independen
lain yang dapat menjelaskan variabel dependen, sehingga nilai
koefisien determinasi (R2) menjadi lebih besar.
2. Pemilihan populasi dan sampel dalam menentukan jenis industri
perusahaan yang digunakan bagi peneliti selanjutnya diharapkan tidak
hanya pada perusahaan perbankan yang terdaftar di Bursa Efek
Indonesia.
3. Peneliti selanjutnya diharapkan dapat menambah periode tahun
pengamatan yang lebih panjang, karena periode pengamatan dalam
BAB II
TINJAUAN PUSTAKA
2.1 Landasan Teori
2.1.1 Kinerja Keuangan Perusahaan
Bernardin dan Russel (dalam Ruky, 2002) memberikan pengertian atau
kinerja sebagai berikut: “performance is defineid as the record of outcomes
produced on a specified job function or activity during time period”. Prestasi
atau kinerja adalah catatan tentang hasil-hasil yang diperoleh dari
fungsi-fungsi pekerjaan tertentu atau kegiatan selama kurun waktu tertentu.
Pengertian lain dari kinerja yaitu tingkat pencapaian hasil atas
pelaksanaan tugas tertentu. Kinerja perusahaan adalah tingkat pencapaian
hasil dalam rangka mewujudkan tujuan perusahaan. Manajemen kinerja
adalah keseluruhan kegiatan yang dilakukan untuk meningkatkan kinerja
perusahaan atau organisasi, termasuk kinerja masing-masing individu dan
kelompok kerja di perusahaan tersebut (Simanjuntak, 2005).
Untuk mengetahui kinerja yang dicapai maka dilakukan pengukuran
kinerja. Ukuran kinerja yang umum digunakan yaitu ukuran kinerja
keuangan. Kinerja keuangan perusahaan ditunjukkan oleh laporan
keuangannya. Tujuan dari pengukuran kinerja keuangan perusahaan adalah
untuk mengetahui tingkat likuiditas, solvabilitas, rentabilitas, dan tingkat
stabilitas suatu perusahaan (Munawir, 1999).
Di dalam industri perbankan, ada pengukuran kinerja khusus yang
mengevaluasinya dengan menganalisis aspek Permodalan (Capital), Kualitas
Aktiva Produktif (Asset), Manajemen (Management), Rentabilitas (Earning),
dan Likuiditas (liquidity), yang biasa disingkat dengan CAMEL. CAMEL
adalah lima faktor keuangan yang digunakan oleh Bank Indonesia untuk
menilai tingkat kesehatan bank di Indonesia (SK Bank Indonesia No.
30/12/KEP/DIR, 30 April 1997, dalam Farih, 2010), yaitu faktor modal
(capital), faktor kualitas aktiva produktif (asset quality), faktor manajemen
(management), faktor rentabilitas (earning ability), dan faktor likuiditas
(liquidity).
Penelitian ini menggunakan pendekatan faktor rentabilitas atau
profitabilitas yang diukur dengan return on asset (ROA). Tidak ada alasan
khusus peneliti memilih pendekatan ini karena belum ada bukti empiris yang
membuktikan keunggulan satu pendekatan dengan yang lainnya. Namun
ROA adalah pendekatan pengukuran yang umum digunakan dan sering
digunakan dalam penelitian hubungan intellectual capital terhadap kinerja
perusahaan seperti yang telah dilakukan peneliti terdahulu. Selain itu, ROA
juga dianggap lebih tepat karena memanfaatkan aset untuk menilai
kemampuan perusahaan menciptakan profit. Berbeda dengan pendekatan
faktor profitabilitas lainnya seperti ROE yang lebih berfokus pada investor.
Adapun pengertian return on assets (ROA) dapat didefinisikan sebagai
berikut:
perusahaan dalam pemanfaatan total aset (Chen et al., 2005).
Pengelolaan aset yang baik dapat meningkatkan laba atas sejumlah aset
yang dimiliki perusahaan yang dapat diukur dengan Return on Asset (ROA).
Modal intelektual diakui sebagai aset perusahaan karena mampu
menghasilkan keunggulan kompetitif dan kinerja keuangan yang superior
(Barney, 1991).
2.1.2 Resources Based Theory/Resources Based View (RBV)
Resources-based view memandang bahwa sumber daya perusahaan
sebagai drive utama di balik daya saing dan kinerja perusahaan. Sumber daya
ini mencakup aset berwujud serta aset tidak berwujud yang digunakan secara
efektif dan efisien untuk menerapkan strategi kompetitif dan keuntungan
tertentu. Sementara peran aset berwujud sudah terbentuk dengan baik dalam
literatur dan dalam praktek, maka peran aset tidak berwujud sebagai sumber
daya strategis yang perlu dan layak diteliti (Belkaoui, 2003).
Resources-based view yang dipelopori oleh Penrose (1959) ini juga
mengemukakan bahwa perusahaan sebagai kumpulan sumber daya heterogen
yang dapat menciptakan keunggulan bersaing. Sumber daya itu sendiri harus
memenuhi kriteria VRIN agar dapat memberikan keunggulan kompetitif dan
kinerja yang berkelanjutan (Madhani, 2009). Kriteria VRIN tersebut adalah
1. Berharga (Valuable)
Sumber daya berharga jika memberikan nilai strategis bagi perusahaan.
Sumber daya memberikan nilai jika membantu perusahaan dalam
pasar. Tidak ada keuntungan dari memiliki sumber daya jika tidak menambah
atau meningkatkan nilai perusahaan;
2. Langka (Rareness)
Sumber daya yang sulit untuk ditemukan di antara pesaing dan menjadi
potensi perusahaan. Oleh karena itu sumber daya harus langka atau unik untuk
menawarkan keunggulan kompetitif. Sumber daya yang dimiliki oleh
beberapa perusahaan di pasar tidak dapat memberikan keunggulan kompetitif,
karena mereka tidak dapat merancang dan melaksanakan strategi bisnis yang
unik dibandingkan dengan kompetitor lain;
3. Tidak dapat ditiru (Inimitability)
Sumber daya dapat menjadi dasar keunggulan kompetitif yang
berkelanjutan hanya jika perusahaan yang tidak memegang sumber daya ini
tidak bisa mendapatkan mereka atau tidak dapat meniru sumber daya tersebut;
4. Tidak dapat diganti (Non-substitutability).
Non-substitusi sumber daya menunjukkan bahwa sumber daya tidak
dapat diganti dengan alternatif sumber daya lain. Di sini, pesaing tidak dapat
mencapai kinerja yang sama dengan mengganti sumber daya dengan sumber
daya alternatif lainnya.
Melalui penjelasan tersebut menurut resources-based view, modal
intelektual memenuhi kriteria-kriteria sebagai sumber daya unik yang mampu
menciptakan keunggulan kompetitif perusahaan sehingga dapat menciptakan
value added bagi perusahaan.
capital yang dimiliki. Apabila kinerja modal intelektual tersebut dapat
dimanfaatkan secara maksimal, maka perusahaan akan memiliki suatu value
added yang dapat memberikan suatu karakteristik tersendiri. Sehingga dengan
adanya karakteristik tersendiri yang dimiliki, perusahaan mampu berdaya
saing terhadap para kompetitornya karena mempunyai suatu keunggulan
kompetitif yang hanya dimiliki oleh perusahaan itu sendiri.
2.1.3 Intellectual Capital (IC)
Intellectual Capital (IC) merujuk pada modal-modal non fisik atau
yang tidak berwujud (intangible assets) atau tidak kasat mata (invisible).
Intellectual Capital (IC) terkait dengan pengetahuan dan pengalaman manusia
serta teknologi yang digunakan. Intellectual Capital (IC) memiliki potensi
memajukan organisasi dan masyarakat (Lonnqvist dan Mettanen, 2002). Petty
and Guthrie (2000) menyatakan bahwa Komponen Intellectual Capital (IC)
adalah employee competence, internal structure, dan external structure,
dengan pengertian :
1. Human capital, terdiri atas seluruh kemampuan, ketrampilan, dan
pengalaman manusia pelaksana.
2. Structural capital berisikan infrastruktur pendukung manusia seperti
database dan paten.
3. Customer capital berisikan seluruh potensi terkait hubungan/relasi
perusahaan dengan konsumen.
Selaras dengan pernyataan diatas Bontis et al. (2000) dalam Ulum et al.
konstruk utama dari IC, yaitu: human capital (HC), structural capital (SC),
dan customer capital (CC). Selanjutnya Bontis et al., (2000) menjelaskan
pengertian komponen Intellectual Capital (IC) sebagai berikut :
4. HC merepresentasikan individual knowledge stock suatu organisasi yang
direpresentasikan oleh karyawannya. HC merupakan kombinasi dari
genetic inheritance; education; experience, and attitude tentang
kehidupan dan bisnis.
5. SC meliputi seluruh non-human storehouses of knowledge dalam
organisasi. Termasuk dalam hal ini adalah database, organizational
charts, process manuals, strategies, routines dan segala hal yang membuat
nilai perusahaan lebih besar daripada nilai materialnya.
6. CC adalah pengetahuan yang melekat dalam marketing channels dan
customer relationship dimana suatu organisasi mengembangkannya
melalui jalannya bisnis (Bontis et al., 2000 dalam Ulum et al., 2008).
Saleh et al., (2008) menyebutkan bahwa IC telah menjadi sumber yang
penting bagi perusahaan untuk mencapai kesuksesan ekonominya. Selain itu,
peran IC dalam penciptaan nilai perusahaan menjadi penting karena IC juga
merupakan salah satu pembentuk keunggulan kompetitif dalam pasarnya dan
menunjukkan kinerja keuangan yang lebih baik. IC yang dimaksud dalam hal
ini terdiri dari human capital, capital stucture (internal structure), dan
relational capital (external structure). Human capital merupakan pengetahuan
yang dimiliki oleh karyawan yang berupa inovasi, fleksibilitas, toleransi,
formal (CIMA, 2000 dalam Farih, 2010). Internal Structure merupakan
pengetahuan keorganisasian dengan orang-orang yang independen atau dapat
pula didefinisikan sebagai pengetahuan keorganisasian, seperti intellectual
properties, kontrak, database, informasi-informasi, sistem, budaya,
prosedur-prosedur, manual, sistem administratif dan rutinitas, praktik-pratik terbaik
(CIMA, 2000 dalam Farih, 2010). Intellectual capital (IC) ini juga yang
menjadi salah satu pertimbangan investor dalam menginvestasikan modalnya
dengan menilai kinerja perusahaan melalui pengungkapan intellectual capital
(IC). Variasi bentuk dalam pengungkapan intellectual capital (IC) merupakan
informasi yang bernilai bagi investor, yang dapat membantu mereka
mengurangi ketidakpastian mengenai prospek ke depan dan memfasilitasi
ketepatan penilaian terhadap perusahaan (Bukh, 2003). Nilai perusahaan
berhubungan erat dengan human capital dan structural capital yang
merupakan bagian dari intellectual capital (IC).
Pada penelitian ini intellectual capital (IC) diukur dengan metode
VAIC™ yang dikembangkan oleh Pulic (1998). Metode ini didesain untuk
menyajikan informasi tentang value creation efficiency dari aset berwujud
(tangible asset) dan aset tidak berwujud (intangible assets) yang dimiliki
perusahaan. Model ini dimulai dengan kemampuan perusahaan untuk
menciptakan value added (VA). VA adalah indikator paling objektif untuk
menilai keberhasilan bisnis dan menunjukkan kemampuan perusahaan dalam
penciptaan nilai (value creation). VA dihitung sebagai selisih antara output
capital (IC) dengan cara menghitung value added yang dihasilkan dari tiga
kombinasi rasio yang menjadi variabel independen dari penelitian ini yaitu
Human Capital Efficiency (HCE), Structural Capital Efficiency (SCE)
