4. HASIL DAN PEMBAHASAN

(1)

27

Universitas Kristen Petra

4. HASIL DAN PEMBAHASAN

4.1. Gambaran Umum Objek Penelitian

Penelitian ini menggunakan populasi perusahaan yang bergerak pada sektor perbankan yang terdaftar di Bursa Efek Indonesia. Sampel diperoleh dengan menggunakan purposive sample method dengan kriteria sebagai berikut:

1. Perusahaan secara konsisten selalu terdaftar di BEI dari tahun 2008 sampai dengan tahun 2012.

2. Perusahaan secara rutin selalu menyajikan dan mempublikasikan laporan keuangannya.

3. Perusahaan memiliki nilai laba positif selama tahun 2008 sampai dengan tahun 2012.

Selama tahun pengamatan, terdapat 80 perusahaan yang secara konsisten mendaftarkan perusahaannya di BEI sejak tahun 2008 hingga 2012. Lalu dengan purposive sample method didapatkan 350 laporan keuangan yang memenuhi kriteria untuk dijadikan sampel pengamatan.

Tabel 4.1. Tabel Pemilihan Sampel Penelitian

Populasi 116 Perusahaan 5 Tahun 580 Pengamatan

Dikurangi:

-Perusahaan Belum IPO pada 2008 28 Perusahaan 5 Tahun -140 Pengamatan -Tidak konsisten mempublikasikan 8 Perusahaan 5 Tahun -40 Pengamatan

-Menghasilkan laba negatif - - -50 Pengamatan

Sampel Penelitian 350 Pengamatan

Sumber : Olahan Penulis

(2)

28

4.2. Analisa dan Pembahasan 4.2.1. Uji Asumsi Klasik

Sehubungan dengan digunakannya data sekunder, maka sebelum melakukan uji hipotesis, akan dilakukan uji asumsi klasik meliputi uji normalitas, uji multikolinearitas, uji heteroskedastisitas dan uji autokorelasi. Uji asumsi klasik bertujuan untuk memberikan kepastian bahwa data yang digunakan untuk penelitian memiliki ketepatan dalam estimasi, tidak bias dan konsisten.

4.2.1.1. Uji Normalitas

Hasil uji normalitas menggunakan Kolmogorov-Smirnov untuk variabel dependen penelitian dapat dilihat pada tabel berikut

Tabel 4.2. Hasil Uji Normalitas One Sample Kolmogorov-Smirnov Test

Unstandardized Residual

N 350

Normal

Parameters Mean -0,524

Std

Deviation 0,811

Most Extreme Differences

Absolute 0,081

Positive 0,520

Negative -0,810

Test Statisic 0,810

Asymp.Sig. (2-tailed) 0,200

a. Test distribution is Normal b. Calculated from data

Kolmogrov-Smirnov(K-S) digunakan untuk menguji distribusi normal dari residual dari variabel dependen penelitian. Hasil Kolmogrov-Smirnov(K-S) di atas menunjukkan bahwa data penelitian sudah terdistribusi normal karena nilai signifikansi variabel dependen lebih dari. α=0,05.

(3)

29

4.2.1.2. Uji Heteroskedastisitas

Uji Heteroskedastisitas bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan varians dari residual satu pengamatan ke pengamatan yang lain.Pengujian heteroskedastisitas dilakukan dengan menggunakan uji Glejser. Hasil uji heterokedastisitas disajikan dalam tabel 4.3 di bawah ini. Pada tabel 4.3 dapat dilihat bahwa tidak ada variabel independen yang signifikan secara statistik memepengaruhi variabel dependen. Hal ini bisa dilihat dari nilai signifikansi yang diatas 0,05.

Tabel 4.3. Hasil Uji Heteroskedastisitas ROA

Model Unstandarized Coefficients Standarized Coefficients

T Sig

B Std. Error Beta

VAHU 4,211 2,966 0,076 1,410 0,157

STVA 14,816 12,149 0,095 1,219 0,224

VACA 3,337 6,924 0,041 0,525 0,600

Dependent Variable: ROA

Dari tabel 4.3 dapat disimpulkan bahwa model regresi terhadap variabel dependen ROA, tidak mengandung heterokedastisitas.

Tabel 4.4 Hasil Uji Heteroskedastisitas ROE

T Sig

B Std. Error Beta

VAHU 0,003 0,005 0,042 0,641 0,552

STVA 0,007 0,024 0,114 1,743 0,082

VACA 2,698 1,7085 0,085 1,579 0,115

Dependent Variable: ROE

(4)

30

Dari tabel 4.4 dapat disimpulkan bahwa model regresi terhadap variabel dependen ROE, tidak mengandung heterokedastisitas.

Tabel 4.5. Hasil Uji Heteroskedastisitas EP

T Sig

B Std. Error Beta

VACA 4,211 2,966 0,076 1,410 0,157

STVA 0,014 0,024 0,033 0,597 0,551

VAHU 4,735 2,495 0,101 1,898 0,059

Dependent Variable: Employee Productivity

Dari tabel 4.5 dapat disimpulkan bahwa model regresi terhadap variabel dependen Employee Productivity, tidak mengandung heterokedastisitas.

Tabel 4.6. Hasil Uji Heteroskedastisitas Tobin’s Q

T Sig

B Std. Error Beta

VAHU 0,047 0,024 0,137 0,689 0,812

STVA 0,492 0,633 0,056 0,236 0,491

VACA 0,462 0,176 0,138 0,845 0,399

Dependent Variable: Tobin’s Q

Dari tabel 4.6 dapat disimpulkan bahwa model regresi terhadap variabel dependen Tobin’s Q, tidak mengandung heterokedastisitas.

(5)

31

Tabel 4.7. Hasil Uji Heteroskedastisitas MBVR

T Sig

B Std. Error Beta

VAHU 0,025 0,044 0,039 0,578 0,564

STVA 0,027 0,037 0,049 0,729 0,467

VACA 0,365 0,275 0,076 1,326 0,186

Dependent Variable: MBVR

Pada tabel 4.7 dapat disimpulkan bahwa model regresi terhadap variabel dependen Tobin’s Q, tidak mengandung heterokedastisitas.

4.2.1.3. Uji Autokorelasi

Uji autokorelasi adalah untuk menguji apakah dalam model regresi linear ada korelasi antara kesalahan pengganggu pada periode t dengan kesalahan pada periode t-1 (sebelumnya). Model regresi yang baik adalah regresi yang bebas dari autokorelasi atau tidak terjadi autokorelasi. Jika nilai DW terletak antara Du < DW < 4 - Du dapat disimpulkan bahwa model regresi bebas dari autokolerasi.

Tabel 4.8. Hasil Uji Autokorelasi ROA

Model R R Square Adjusted R Square Std. Error of the Estimate

Durbin-Watson

1 0,066^a 0,004 0,004 0,9877 2,050

a. Predictors: (Constant), STVA, VACA, VAHU b. Dependent Variable: ROA

(6)

32

Du < DWROA < 4-Du 1,7565 <2,050< 2,2435

Berdasarkan penilaian Durbin-Watson tersebut dapat disimpulkan bahwa tidak terjadi autokorelasi antara prediktor dengan dependen variabel ROA.

Tabel 4.9. Hasil Uji Autokorelasi ROE

Model R R Square Adjusted R Square Std. Error of the Estimate

Durbin-Watson

1 0.153^a 0,023 0,015 21,15463 1,949

a. Predictors: (Constant), STVA, VACA, VAHU b. Dependent Variable: ROE

Du < DW_ROE< 4-Du 1,7565 <1,949< 2,2435

Berdasarkan penilaian Durbin-Watson tersebut dapat disimpulkan bahwa tidak terjadi autokorelasi antara prediktor dengan dependen variabel ROE.

Tabel 4.10. Hasil Uji Autokorelasi EP

Model R R Square Adjusted R

Square

Std. Error of the Estimate

Durbin-Watson

1 0,719^a 0,517 0,499 35,1093 2,052

a. Predictors: (Constant), STVA, VACA, VAHU b. Dependent Variable: Employee Productivity

Du < DW_EP< 4-Du

(7)

33

1,7565 <1,949< 2,2435

Berdasarkan penilaian Durbin-Watson tersebut dapat disimpulkan bahwa tidak terjadi autokorelasi antara prediktor dengan dependen variabel Employee Productivity.

Tabel 4.11. Hasil Uji Autokorelasi Tobin’s Q

Model R R

Square

Adjusted R Square Std. Error of the Estimate

Durbin-Watson

1 0,238^a 0,056 0,048 1,2572 2,058

a. Predictors: (Constant), STVA, VACA, VAHU b. Dependent Variable: TobinsQ

Berdasarkan penilaian Durbin-Watson tersebut dapat disimpulkan bahwa tidak terjadi autokorelasi antara prediktor dengan dependen variabel Tobin’s Q.

Tabel 4.12. Hasil Uji Autokorelasi MBVR Model ^R ^{R Square} Adjusted R Square Std. Error of the

Estimate

Durbin-Watson

1 ^0,111^a ^0,012 ^0,004 ^0,40059 ^1,803

a. Predictors: (Constant), STVA, VACA, VAHU b. Dependent Variable: MBVR

Du < DW_MBVR< 4-Du 1,7565 <1,803< 2,2435

(8)

34

Berdasarkan penilaian Durbin-Watson tersebut dapat disimpulkan bahwa tidak terjadi autokorelasi antara prediktor dengan dependen variabel MBVR.

4.2.1.4. Uji Multikolinearitas

Uji multikolinearitas bertujuan untuk menguji apakah model regresi ditemukan adanya korelasi antar variabel independen. Model regresi yang baik seharusnya tidak terjadi korelasi di antara varibel independen. Hasil pengujian multikolineraritas disajikan dalam tabel berikut:

Tabel 4.13. Hasil Uji Multikolinearitas ROA

Model T Sig Collinearity Statistic

Tolerance VIF

VAHU 1,112 0,267 0,641 1,559

STVA 2,770 0,006 0,879 1,137

VACA 2,806 0,005 0,647 1,545

Dependent Variable: ROA

Pada tabel 4.13 diketahui bahwa nilai VIF dari variabel independen memiliki nilai yang lebih kecil dari 10 dan nilai tolerance yang lebih besar dari 0,1. Hasil pengujian tersebut menunjukkan tidak adanya gejala multikolinearitas.

Hal ini berarti bahwa semua variabel independen tersebut layak digunakan sebagai prediktor ROA.

Tabel 4.14. Hasil Uji Multikolinearitas ROE

Tolerance VIF

VAHU 0,235 0,815 0,641 1,559

STVA 2,909 0,004 0,879 1,137

(9)

35

VACA 1,4069 0,143 0,647 1,545

Dependent Variable: ROE

Hal ini berarti bahwa semua variabel independen tersebut layak digunakan sebagai prediktor ROE.

Tabel 4.15. Hasil Uji Multikolinearitas Employee Productivity

Tolerance VIF

VAHU 0,750 0,453 0,641 1,559

STVA 1,210 0,227 0,879 1,137

VACA 0,672 0,502 0,647 1,545

Dependent Variable: EP

Hal ini berarti bahwa semua variabel independen tersebut layak digunakan sebagai prediktor Employee Productivity.

Tabel 4.16. Hasil Uji Multikolinearitas Tobin’s Q

Tolerance VIF

VAHU 1,191 0,056 0,533 1,876

STVA 0,778 0,437 0,534 1,874

VACA 2,621 0,009 0,990 1,010

(10)

36

Dependent Variable: Tobin’s Q

Hal ini berarti bahwa semua variabel independen tersebut layak digunakan sebagai prediktor Tobin’s Q.

Tabel 4.17. Hasil Uji Multikolinearitas MBVR

Tolerance VIF

STVA 1,114 0,266 0,989 1,012

VACA 2,816 0,005 0,978 1,023

VAHU 0,437 0,662 0,981 1,020

Dependent Variable: MBVR

Pada tabel 4.17 diketahui bahwa nilai VIF dari variabel independen memiliki nilai yang lebih kecil dari 10 dan nilai tolerance yang lebih besar dari 0,10. Dengan demikian, maka hasil pengujian tersebut menunjukkan tidak adanya gejala multikolinearitas. Hal ini berarti bahwa semua variabel independen tersebut layak digunakan sebagai prediktor MBVR.

Dari hasil pengujian terhadap asumsi klasik, diperoleh hasil yang menunjukkan model regresi telah memenuhi asumsi normalitas, multikolinearitas, autokorelasi dan heteroskedastisitas.

4.2.2. Structural Equation Modeling (SEM)

(11)

37

Analisa SEM yang digunakan dalam penelitian ini adalah Partial Least Square (PLS). Dan terdapat dua model dalam analisa PLS, yaitu inner model dan outer model. Outer model disebut juga dengan outer relation atau measurement model, merupakan spesifikasi hubungan antar variabel dengan indikatornya.

Outer model mendefinisikan karakteristik konstruk laten dengan variabel manifestnya. Sedangkan, inner model yang disebut juga dengan inner relation atau structural model, merupakan spesifikasi hubungan tentang variabel tersembunyi atau laten, yaitu antara variabel eksogen dengan variabel endogen.

(Ghozali, 2011).

Gambar struktural untuk memvisualisasikan hubungan antar variabel-variabel penelitian disajikan pada gambar di bawah ini:

Gambar 4.1. Model Struktural PLS

Dengan model struktural PLS diatas penulis lalu melakukan langkah-langkah untuk melakukan pengujian Outer model (Model Pengukuran) dan Inner model (Model Struktural). Dalam melakukan pengujian PLS, khusus

(12)

38

nilai indikator Employee Productivity telah dibagi angka 10.000.000 agar dapat diproses PLS dengan format Comma Delimited.

4.2.2.1 Evaluasi Outer Model (Model Pengukuran) a. Convergent Validity (Validitas Konvergen)

Evaluasi pertama pada outer model adalah convergent validity. Untuk mengukur convergent validity, harus melihat nilai dari masing-masing outer loading dari indikator ke konstruknya. Suatu indikator dikatakan memenuhi convergent validity jika memiliki nilai outer loading > 0,5.

Tabel 4.18. Hasil Validitas Konvergen

FP MV VAIC

EP 0,717316

ROA 0,867937

ROE 0,806385

MBVR 0,613615

TobinsQ 0,892807

STVA 0,834274

VACA 0,501022

VAHU 0,836826

Dari hasil tabel 4.19 tersebut menunjukkan bahwa setiap indikator terhadap konstruknya mempunyai nilai factor loading > 0,5. Hal ini menunjukkan bahwa indikator-indikator tersebut valid.

b. Discriminant Validity (Validitas Diskriminan)

Evaluasi kedua pada outer model adalah discriminant validity. Untuk mengukur discriminant validity dapat digunakan nilai cross loading. Suatu indikator dikatakan memenuhi discriminant validity jika nilai cross loading

(13)

39

indikator terhadap konstruknya adalah yang terbesar dibandingkan terhadap variabel yang lainnya.

Tabel 4.19. Hasil Cross Loading

FP MV VAIC

EP 0,717316 0,077868 0,609957

ROA 0,867937 0,320873 0,562783

ROE 0,806385 0,493185 0,466525

MBVR 0,208033 0,613615 0,131554

TobinsQ 0,318609 0,892807 0,230612

STVA 0,528479 0,196721 0,834274

VACA 0,457805 0,182309 0,501022

VAHU 0,539398 0,162570 0,836826

c. Composite Reliability

Evaluasi terakhir pada outer model adalah composite reliability.

Composite reliability menguji nilai reliabilitas indikator-indikator pada suatu konstruk. Suatu konstruk atau variabel dikatakan memenuhi composite reliability jika memiliki nilai composite reliability > 0,7. Berikut adalah nilai composite reliability.

Tabel 4.20. Hasil Composite Reliability

Composite Reliability

FP 0,840942

MV 0,733057

VAIC 0,777182

(14)

40

Tabel 4.7 menunjukkan bahwa nilai composite reliability dari konstruk Financial Performance, Market Value dan VAIC lebih besar dari 0,7. Dengan demikian dapat disimpulkan bahwa konstruk telah memenuhi composite reliability.

4.2.2.2 Evaluasi Inner Model (Model Struktural) a. Nilai R-Square

Evaluasi pertama pada Inner Model dilihat dari nilai R-Square atau koefisien determinasi. Berdasarkan pengolahan data, dihasilkan nilai R-Square sebagai berikut

Tabel 4.21. Nilai R-Square R Square

FP 0,484514

MV 0,060483

b. Nilai Q-Square

Nilai Q-square menjelaskan keberagaman data dalam sebuah konstruk penelitian. Berikut ini adalah perhitungan nilai Q-square

Q²financial performance = 1-(1-R)(1-R) Q²financial performance = 1-(1-0.48)(1-0.48) Q²financial performance = 72,96%

Q²market value = 1-(1-R)(1-R)

(15)

41

Q²market value = 1-(1-0.06)(1-0.06) Q²market value= 11,64%

Nilai Q-square untuk konstruk Financial Performance adalah sebesar 72,96%. Artinya prosentase besarnya keragaman data di konstruk Financial Performance yang dapat dijelaskan oleh konstruk VAIC adalah sebesar 72,96%, sedangkan sisanya yaitu 27,04% dijelaskan oleh konstruk-konstruk lain di luar penelitian ini. Nilai Q-Square untuk konstruk Market Value adalah sebesar 11,64%. Artinya prosentase besarnya keragaman data di konstruk Financial Market Value yang dapat dijelaskan oleh konstruk VAIC adalah sebesar 11,64%, sedangkan sisanya sebesar 88,36% dijelaskan oleh konstruk-konstruk lain di luar penelitian ini.

c. Uji Hipotesis

Hipotesis penelitian dapat diterima jika nilai t hitung (t-statistic) > t tabel pada tingkat kesalahan (α) 5% yaitu 1,96. Berikut adalah nilai koefisien path (original sample estimate) dan nilai t hitung (t-statistic) berdasarkan Path Coefficient yang dihasilkan dari analisis.

Tabel 4.22. Path Coefficient

Original Sample

(O)

T Statistics (|O/STERR|)

Keterangan

VAIC -> FP 0,69607 23,42071 Signifikan

VAIC -> MV 0,24593 3,546996 Signifikan

Dari nilai koefisien path didapatkan bahwa VAIC memiliki pengaruh yang positif dan signifikan terhadap kinerja keuangan perusahaan (FP) dan nilai perusahaan (MV) perusahaan. Dilihat dari nilai original sample, keduanya telah

(16)

42

lebih besar dari tingkat signifikan yaitu 5% (0,05) dan mempunyai nilai T-statistic lebih besar dari T-tabel yaitu 1,96.

Dengan hasil tersebut, maka hipotesis penelitian H11 yang menyatakan bahwa Intellectual Capital berpengaruh positif dan signifikan terhadap Kinerja Keuangan Perusahaan, diterima dan H10 ditolak. Begitu pula hipotesis penelitian H21 yang menyatakan bahwa Intellectual Capital berpengaruh positif dan signifikan terhadap Nilai Pasar Perusahaan, diterima dan H20 ditolak.

Tabel 4.23. Tabel Total Effect

FP MV VAIC

FP - - -

MV - - -

VAIC 0,69610 0,24590 - Sumber : Olahan Penulis

Berdasarkan table total effect, disimpulkan pengaruh VAIC terhadap kinerja keuangan (FP) lebih kuat dibanding pengaruh terhadap nilai perusahaan (MV). Pengaruh dalam penelitian ini dirumuskan dalam persamaaan berikut:

FP = α + 0,6961 VAIC → H11

MV = α + 0,2464 VAIC → H21

Penelitian ini menyimpulkan bahwa VAIC memiliki pengaruh yang positif dan signifikan terhadap kinerja keuangan perusahaan dan nilai perusahaan.

Hal ini berarti peningkatan dalam indikator-indikator VAIC dapat meningkatkan kinerja keuangan perusahaan dan nilai perusahaan.

Tabel 4.24. Indikator VAIC

(17)

43

Original Sample

(O)

STVA <- VAIC 0,8342 27,6798

VAHU <-VAIC 0,8368 12,3095

VACA <-VAIC 0,5010 6,98547

Penilaian didasarkan dari loading factor yang lebih besar dari 0,05 maka menunjukkan hasil bahwa seluruh indikator VAIC memberikan kontribusi yang positif dan signifikan. Dari hasil T statistics tabel didapatkan nilai yang lebih tinggi dari 1,96 maka dapat diinterpretasikan bahwa berdasarkan penilaian T statistic, semua indikator-indikator memberikan kontribusi nilai positif dan signifikan kepada VAIC. Jika dilihat dari tingginya nilai loading factor dan maka indikator yang memberikan kontribusi nilai/korelasi terbesar adalah STVA.

Dalam penelitian terdahulu yang dilakukan oleh Chen et al. (2005) menyatakan bahwa dari ketiga indikator yaitu physical capital, human capital, dan structural capital pada akhirnya menunjukkan bahwa structural capital memiliki efek yang positif dan paling signifikan terhadap kinerja keuangan perusahaan dibandingkan kedua indikator lainnya.

Tabel 4.25. Indikator Kinerja Keuangan

Original Sample

(O)

ROA <- FP 0,8679 20,0477

ROE <- FP 0,8064 19,3689

EP <- FP 0,7173 12,8637

Penilaian dilihat dari loading factor yang lebih besar dari 0,05 maka maka dapat disimpulkan bahwa Intellectual Capital berpengaruh positif dan

(18)

44

signifikan terhadap ROA. T-statistic dari setiap indikator kinerja keuangan yang lebih besar dari T-tabel 1,96 maka dapat disimpulkan bahwa Intellectual Capital berpengaruh positif dan signifikan terhadap ROA. Begitu juga indikator ROE menunjukkan nilai loading factor yang lebih besar dari 0,05 dan T-statistic 19,36 maka dapat disimpulkan bahwa Intellectual Capital berpengaruh positif dan signifikan terhadap ROE. Nilai indikator Employee Productivity menunjukkan nilai loading factor yang lebih besar dari 0,05 dan nilai T-statistic 12,86 artinya Intellectual Capital berpengaruh positif dan signifikan terhadap Employee Productivity.

Tabel 4.26. Indikator Nilai Perusahaan Original Sample

(O)

Tobin’s Q <- MV 0,8928 7,1595

MBVR <- MV 0,6136 3,6744

Nilai T-statistic dari Tobin’s Q menunjukkan nilai loading factor yang lebih besar dari 0,05 dan nilai T-statistic 7,16 yang berarti lebih tinggi dari T-tabel sebesar 1,96. Oleh karena itu dapat dinyatakan bahwa Intellectual Capital berpengaruh positif dan signifikan terhadap nilai Tobin’s Q. Nilai MBVR menunjukkan nilai loading factor yang lebih besar dari 0,05 dan nilai T-statistic 3,67 yang berarti lebih besar dari 1,96. Dengan demikian penelitian dapat dinyatakan bahwa Intellectual Capital berpengaruh positif dan signifikan terhadap Market to Book Value Ratio.

4.2.3. Pembahasan

(19)

45

Hasil olahan data Path Coefficient, diperoleh T-Statistic yang menunjukkan pengaruh atau tidak berpengaruhnya sebuah konstruk laten eksogen terhadap konstruk laten endogen. Dalam penelitian ini konstruk VAIC memiliki nilai T-statistic 23,63 terhadap kinerja keuangan perusahaan dan nilai T-statistic 3,78 terhadap nilai pasar perusahaan. Hasil ini menunjukkan bahwa VAIC memiliki pengaruh yang positif dan signifikan terhadap Financial Performance dan Market Value perusahaan. Berarti peningkatan dalam elemen VAIC dapat meningkatkan kinerja keuangan perusahaan dan nilai pasar perusahaan. Dengan diperolehnya hasil ini berarti penelitian ini sesuai dan mendukung hasil penelitian dari Chen et al. (2005), Tan et al. (2007), Ghosh & Mondal (2009) serta Ulum, Ghozali & Chariri (2009).

Berdasarkan tabel total effect, disimpulkan pengaruh VAIC terhadap kinerja keuangan (FP) lebih kuat dibanding pengaruh terhadap nilai perusahaan (MV). Hal ini berarti seluruh upaya perusahaan dalam mengembangkan sistem prosedur, meningkatkan kualitas tenaga kerja dan pengelolaan aset perusahaan sangat mempengaruhi nilai buku perusahaan, yaitu dalam bentuk laporan keuangan. Sementara itu effort perusahaan ini kurang ditangkap oleh investor sehingga pengaruh VAIC terhadap nilai perusahaan lebih lemah daripada pengaruh terhadap kinerja keuangan perusahaan.

Dari hasil penelitian ini, elemen VAIC yang paling berpengaruh adalah Structural Capital. Fathi, Farahman & Khorasani (2013) mengatakan bahwa Structural Capital adalah bagian dari Intellectual Capital yang terdiri dari infrastruktur pendukung, sistem pemrosesan, maupun database dan pada umumnya mampu meningkatkan nilai perusahaan lebih signifikan daripada aspek fisik. Hasil ini berarti sesuai dengan penelitian terdahulu yang dilakukan oleh Chen et al. (2005) yang menyatakan bahwa dari ketiga indikator yaitu physical capital, human capital, dan structural capital pada akhirnya menunjukkan bahwa structural capital memiliki efek yang positif dan paling signifikan terhadap kinerja keuangan perusahaan. Hasil ini juga mendukung penelitian Kai et al.

(2011) serta Fathi, Farahman & Khorasani (2013) yang mengungkapkan bahwa

(20)

46

VAIC memiliki pengaruh yang positif dan signifikan terhadap kinerja keuangan perusahaan, dengan STVA memberikan pengaruh paling signifikan dibandingkan human capital dan capital employed.

Dilihat dari nilai T-statistic dari setiap indikator kinerja keuangan maka dapat disimpulkan bahwa indikator ROA dan ROE adalah yang paling terkena dampak paling positif dan signifikan dari VAIC. Hasil ini sesuai dan mendukung hasil penelitian dari Ting & Hooi (2009), Kai et al. (2011), Mohammad (2012).

Untuk nilai perusahaan, penelitian ini menunjukkan bahwa Tobin’s Q terpengaruh paling positif dan signifikan atas VAIC. Hasil ini seusai dan mendukung hasil penelitian dari Klapper & Love (2002) serta Ali, Pakdel &

Vazifeh (2011).