3.1 Jenis Penelitian
Penelitian ini dilakukan dengan menggunakan data dokumenter dari Laboratorium Pasar Modal Universitas Kristen Petra Surabaya. Oleh karena itu jenis penelitian yang dilakukan oleh penulis adalah documentary research dengan obyek penelitian yang digunakan sebagai populasi adalah sepuluh perusahaan kategori Blue Chip yang telah terdaftar di Bursa Efek Jakarta.
3.2 Teknik Penarikan Sampel
Teknik penarikan sampel yang digunakan dalam penelitian ini adalah teknik purposive sampling artinya teknik penentuan sampel dengan pertimbangan tertentu. (Supranto,1994:47)
Kriteria yang dilakukan penelitian dalam menentukan sampel adalah sebagai berikut:
a. Perusahaan kategori Blue Chip yang terdaftar di Bursa Efek Jakarta pada tahun 2004.
b. Perusahaan mempublikasikan laporan keuangan yang telah diaudit dengan menggunakan tahun buku yang berakhir pada 31 Desember.
Berdasarkan kriteria- kriteria tersebut, maka populasi yang digunakan pada penelitian ini adalah sebagai berikut (www e-samuel.com) :
1. PT. Astra Internasional Tbk 2. PT. Bank Central Asia Tbk 3. PT. Gudang Garam Tbk 4. PT. HM Sampoerna Tbk
5. PT. Indofood Sukses Makmur Tbk 6. PT. Indosat Tbk
7. PT. Kalbe Farma Tbk
8. PT. Medco Energi Internasional Tbk 9. PT. Semen Gresik Tbk
10. PT. Telekomunikasi Indonesia Tbk
3.3 Konsep dan Definisi Operasional.
Untuk menjabarkan variable-variabel yang sudah diklasifikasikan maka perlu definisi operasional dan pengukuran masing-masing variabel sebagai berikut :
1. Konsep : Harga Saham (Y)
Definisi Operasional : Suatu nilai yang keluar dari penawaran dan permintaan pasar terhadap suatu saham.
Indikator Empirik : Nilai intrinsik terhadap harga pasar.
2. Konsep : Current ratio (X1)
Definisi Operasional : Rasio yang digunakan untuk menganalisa posisi modal kerja suatu perusahaan.
Indikator Empirik : Perbandingan antara jumlah aktiva lancar dengan hutang lancar.
3. Konsep : Debt to Equity Ratio (X2)
Definisi Operasional : Rasio yang digunakan untuk mengukur kemampuan perusahaan dalam memenuhi kewajiban jangka panjang.
Indikator Empirik : Perbandingan antara hutang jangka panjang dengan modal pemegang saham perusahaan.
4. Konsep : Total Asset Turnover (X3)
Definisi Operasional : Rasio yang menunjukkan efisiensi perusahaan dalam menggunakan asset untuk memperoleh penjualan.
Indikator Empirik : Perbandingan antara penjualan dengan total asset.
5. Konsep : Return On Investment (X4)
Definisi Operasional : Rasio yang digunakan untuk mengukur kemampuan perusahaan menghasilkan laba bersih berdasarkan tingkat asset tertentu.
Indikator Empirik : Perbandingan antara net income dengan total asset.
Definisi Operasional : Rasio yang mengukur kemampuan perusahaan menghasilkan laba yang tersedia bagi pemegang saham perusahaan.
Indikator Empirik : Perbandingan antara net income dengan modal sendiri.
7. Konsep : Earning Per Share (X6)
Definisi Operasional : Rasio untuk mengukur besarnya laba yang diberikan kepada pemegang saham.
Indikator Empirik : Perbandingan antara net income dengan outstanding share.
3.4 Metode Pengumpulan Data
Adapun metode pengumpulan data yang dilakukan berupa:
1) Studi Pustaka
Metode ini digunakan untuk memperoleh data yang dapat digunakan untuk menulis landasan teori yang berlanjut dengan permasalahan, penetapan hipotesis, pengujian hipotesis, serta interpretasi dari hasil penelitian. Data yang diperoleh berasal dari penelitian terdahulu, buku referensi, jurnal, internet, majalah, serta publikasi yang berkaitan dengan obyek permasalahan penelitian ini.
2) Studi Lapangan
Metode pengumpulan data yang dilakukan secara tidak langsung di lapangan terhadap obyek yang diteliti, dengan melakukan pengamatan secara langsung terhadap obyek penelitian, seperti pengamatan di Laboratorium Pasar Modal Universitas Kristen Petra Surabaya. Selain itu dilaksanakan teknik dokumentasi dengan mencatat secara langsung data yang diperlukan dan umumnya berupa data sekunder.
3.5. Teknik Analisis dan Pengujian Hipotesis
3.5.1. Uji Outlier Univariat dan Multivariat
Outlier adalah observasi yang muncul dengan nilai-nilai ekstrim baik secara univariat maupun multivariat yaitu yang muncul karena kombinasi karakteristik unik yang dimilikinya dan terlihat sangat jauh berbeda dari observasi- observasi lainnya (Ferdinand, 2002:52).
3.5.1.1.Uji Outlier Univariat
Deteksi terhadap adanya outlier univariat dapat dilakukan dengan menentukan ambang batas yang akan dikategorikan sebagai outlier dengan cara mengkonversi nilai data penelitian ke dalam standar score atau yang biasa disebut dengan z-score, yang mempunyai rata-rata nol dengan standar deviasi sebesar satu. Bila nilai-nilai itu telah dinyatakan dalam format yang standar (z-score), maka perbandingan antar besaran nilai dengan mudah dapat dilakukan. Untuk sampel besar (diatas 80 observasi), pedoman evaluasi adalah nilai ambang batas dari z-score itu berada pada rentang 3 sampai dengan 4 (Hair dkk, 1995 dalam Ferdinand, 2002:98).
Oleh karena itu apabila ada observasi-observasi yang memiliki z-score >
3,0 akan dikategorikan sebagai outlier.
3.5.1.2.Uji Outlier Multivariat
Evaluasi terhadap multivariat ouliers perlu dilakukan sebab walaupun data yang dianalisis menunjukkan tidak ada outlier pada tingkat univariat, tetapi observasi itu dapat menjadi outliers bila sudah saling dikombinasikan. Jarak Mahalanobis (the Mahalanobis distance) untuk tiap observasi dapat dihitung dan menunjukkan jarak sebuah observasi dari rata-rata semua variabel dalam sebuah ruang multidimensional. Uji terhadap multivariat dilakukan dengan menggunakan kriteria Jarak Mahalanobis pada tingkat ρ < 0,001. Jarak Mahalanobis itu dapat dievaluasi dengan menggunakan nilai χ2 pada derajat kebebasan sebesar jumlah item yang digunakan dalam penelitian.
merupakan Outlier Multivariat.
3.5.2. Uji Normalitas Data
Adapun metode yang digunakan untuk mengetahui apakah data tersebut berdistribusi normal atau tidak adalah menggunakan uji critical ratio dari Skewness dan Kurtosis dengan ketentuan sebagai berikut :
- Kriteria Pengujian
Pedoman dalam mengambil keputusan apakah sebuah distribusi data mengikuti distribusi normal adalah :
(a) Jika nilai critical yang diperoleh melebihi rentang 2,58 sampai +2.58 maka distribusi adalah tidak normal.
(b) Jika nilai critical yang diperoleh berada pada rentang 2,58 sampai +2,58 maka distribusi adalah normal.
3.5.3. Analisis Path Dengan Menggunakan Pemodelan SEM (Structural Equation Modeling)
Sebuah pemodelan SEM yang lengkap pada dasarnya terdiri dari Measurement Model dan Structural Model.
Measurement Model atau Model Pengukuran ditujukan untuk mengkonfirmasikan sebuah dimensi atau faktor berdasarkan indikator- indikator empirisnya. Structural Model adalah model mengenai struktur hubungan yang membentuk atau menjelaskan kausalitas antara faktor.
(Ferdinand, 2002 : 34)
Untuk membuat pemodelan yang lengkap beberapa langkah berikut ini yang perlu dilakukan :
a. Pengembangan model berbasis teori.
Langkah pertama dalam pengembangan model SEM adalah pencarian atau pengembangan sebuah model yang mempunyai justifikasi teoritis yang kuat. Setelah itu, model tersebut divalidasi secara empirik melalui program SEM.
b. Pengembangan diagram alur untuk menunjukkan hubungan kausalitas.
Pada langkah kedua, model teoritis yang telah dibangun pada langkah pertama akan digambarkan dalam sebuah path diagram. Path diagram tersebut akan memudahkan peneliti melihat hubungan-hubungan kausalitas yang ingin diujinya.
c. Konversi diagram alur kedalam persamaan.
Setelah teori / model dikembangkan dan digambarkan dalam sebuah diagram alur, spesifikasi model dikonversikan kedalam rangkaian persamaan.
d. Memilih Matriks Input dan Estimasi Model.
Perbedaan SEM dengan teknik multivariat lainnya adalah dalam input data yang akan digunakan dalam pemodelan dan estimasinya.
SEM hanya menggunakan matriks Varians/ Kovarians atau matriks korelasi sebagai data input untuk keseluruhan estimasi yang dilakukannya.
e. Menilai Problem Identifikasi.
Problem identifikasi pada prinsipnya adalah problem mengenai ketidakmampuan dari model yang dikembangkan untuk menghasilkan estimasi yang unik.
Problem identifikasi dapat muncul melalui gejala-gejala berikut ini : 1. Standard error untuk satu atau beberapa koefisien adalah sangat
besar.
2. Program tidak mampu menghasilkan matriks informasi yang seharusnya disajikan.
3. Muncul angka-angka yang aneh seperti adanya varians error yang negatif.
4. Muncul korelasi yang sangat tinggi antar korelasi estimasi yang didapat (misalnya lebih dari 0,9).
f. Evaluasi Model.
Pada langkah ini kesesuaian model dievaluasi berdasarkan berbagai kriteria goodness-of-fit. Kriteria-kriteria tersebut adalah :
dengan perbandingan 5 observasi untuk setiap estimated parameter.
2. Normalitas dan Linieritas.
3. Outliers.
4. Multicolinierity dan Singularity.
3.5.4. Uji Hipotesis
Umumnya dalam analisis SEM umumnya berbagai jenis fit index yang digunakan untuk mengukur derajad kesesuaian antara model yang dihipotesakan dengan data yang disajikan. Berikut ini adalah index kesesuaian dan cut-off valuenya untuk digunakan dalam menguji apakah sebuah model dapat diterima atau ditolak.
a. χ2 – Chi-Square Statistic.
Alat uji yang paling fundamental untuk mengukur overall fit adalah likehood ratio Chi-Square Statistic. Model yang diuji akan dipandang baik atau memuaskan apabila nilai chi-squarenya rendah. Semakin kecil nilai χ2 semakin baik model itu dan diterima berdasarkan probabilitas dengan cut-off value sebesar ρ > 0,05 atau ρ > 0,10.
b. RMSEA (The Root Mean Square Error of Approximation)
RMSEA adalah sebuah indeks yang dapat digunakan untuk mengkompensasi chi-squre statistic dalam nilai yang besar. Nilai RMSEA menunjukkan goodness-of-fit yang dapat diharapkan bila model diestimasi dalam populasi. Nilai RMSEA yang lebih kecil atau sama dengan 0,08 merupakan index untuk dapat diterimanya model yang menunjukkan sebuah close fit dari model itu berdasarkan degree of freedom.
c. GFI – Goodness of Fit Index.
Indeks kesesuaian (fit index) ini akan menghitung proporsi tertimbang dari varians dalam matriks kovarians sampel yang dijelaskan oleh matriks populasi yang terestimasikan.
GFI adalah sebuah ukuran non-statistikal yang mempunyai rentang nilai antara 0 (poor fit) sampai dengan 1.0 (perfect fit). Nilai yang tinggi dalam indeks ini menunjukkan sebuah better fit.
d. AGFI – Adjusted Goodness-of-Fit Index.
GFI adalah analog dari R2 dalam regresi linier berganda yaitu suatu koefisien yang mengukur ketepatan sebuah model yang digunakan.
Tingkat penerimaan yang direkomendasikan adalah bila AGFI mempunyai nilai sama dengan atau lebih besar dari 0,90. GFI maupun AGFI adalah kriteria yang memperhitungkan proporsi tertimbang dari varians dalam sebuah matriks kovarians sampel.
e. CMIN/DF.
The Minimum Sample Discrepancy Function (CMIN) dibagi dengan degree of freedomnya akan menghasilkan indeks CMIN/DF, yang umumnya dilaporkan oleh para peneliti sebagai salah satu indikator untuk mengukur tingkat kesesuaian sebuah model. Nilai χ2 relatif kurang dari 2.0 atau bahkan kadang kurang dari 3.0 adalah indikasi dari acceptable fit antara model dan data.
f. TLI (Tucker Lewis Indeks)
TLI adalah sebuah alternatif incremental fit index yang membandingkan sebuah model yang diuji terhadap sebuah baseline model. Nilai yang direkomendasikan sebagai acuan untuk diterimanya sebuah model adalah penerimaan > 0.95 dan nilai yang sangat mendekati 1 menunjukkan a very good fit.
g. CFI-Comparative Fit Index
Merupakan besaran indeks ini adalah pada rentang nilai sebesar 0 – 1, dimana semakin mendekati 1, mengidentifikasikan tingkat fit yang paling tinggi- a very good fit. Nilai yang direkomendasikan adalah CFI
> 0.95.
