25 Populasi dalam penelitian ini adalah perusahaan di sektor keuangan khususnya perbankan yang terdaftar di Bursa Efek Indonesia (BEI) pada periode 2010-2019. Pemilihan sektor keuangan dalam penelitian ini karena pada umumnya perusahaan di sektor keuangan memiliki modal intelektual yang dominan dan menjalankan aktivitas operasional dengan modal pengetahuan yang lebih banyak dibandingkan modal fisik (Lusda et al., 2017). Penelitian ini diutamakan pada perusahaan perbankan karena seluruh karyawan perusahaan perbankan lebih homogen dibandingkan dengan sektor industri lainnya (Subkhan & Citraningrum, 2010).
Penelitian ini menggunakan metode purposive sampling, dimana penelitian ini menggunakan seluruh populasi yang memenuhi kriteria sebagai sampel penelitian yang sudah ditentukan (Sekaran & Bougie, 2016). Adapun kriteria pengambilan sampel dalam penelitian ini meliputi:
1. Perusahaan perbankan yang terdaftar di Bursa Efek Indonesia (BEI) tahun 2010-2019.
2. Perusahaan perbankan yang tidak delisting selama periode penelitian.
3. Perusahaan mempublikasikan laporan keuangan dan tahunan yang telah diaudit dan dapat diakses serta memiliki data-data yang dibutuhkan dalam variabel penelitian
4. Data penelitian tidak mengalami outlier.
3.2 Jenis dan Sumber Data Penelitian
Penelitian ini menggunakan jenis data panel, data panel merupakan penggabungan antara data time series and cross-section (Gujarati & Porter, 2013).
Menurut Baltagi dalam Gujarati (2003) Panel data memiliki kelebihan dibandingkan data cross-section dan time series, yaitu:
1. Teknik estimasi data panel dapat mempertimbangkan masalah heterogenitas secara eksplisit.
2. Data panel memberikan data yang lebih informatif, lebih banyak variabilitas, lebih sedikit kolinearitas antar variabel, lebih banyak derajat kebebasan dan lebih efisien. Karena mengkombinasikan data time series dan cross-section.
5. Data panel dapat mendeteksi “repeated cross section of observations”, sehingga cocok untuk mempelajari dinamika perubahan.
6. Data panel dapat mendeteksi dan mengukur efek dengan lebih baik yang tidak dapat diamati pada data cross-section murni atau data time series murni.
7. Data panel memungkinkan kita mempelajari model perilaku yang lebih rumit.
8. Data panel dapat meminimalkan bias yang mungkin terjadi jika kita menggabungkan individu atau perusahaan ke dalam kelompok yang luas.
Data yang digunakan dalam penelitian ini menggunakan data sekunder.
Data sekunder merupakan data yang diperoleh secara tidak langsung (Sekaran &
Bougie, 2016). Data sekunder yang diperoleh dari laporan keuangan dan tahunan perbankan yang terdaftar di Bursa Efek Indonesia (BEI) tahun 2010-2019 melalui situs www.idx.co.id dan website sampel perusahaan,
3.3 Variabel Penelitian dan Definisi Operasional 3.3.1 Variabel Dependen
Kinerja keuangan perusahaan merupakan variabel dependen pada penelitian ini. Variabel-variabel tersebut diproksikan dalam rasio-rasio keuangan dibawah ini.
1. Net Profit Margin (NPM)
Net Profit Margin (NPM) merupakan rasio pembanding antara laba perusahaan dengan penjualan, yang menunjukan kemampuan perusahaan dalam mengalokasikan biaya biaya secara efisien untuk menghasilkan laba (Wijaya, 2012). Rumus NPM, sebagai berikut:
𝑁𝑃𝑀 = 𝐿𝑎𝑏𝑎 𝐵𝑒𝑟𝑠𝑖ℎ 𝑃𝑒𝑛𝑗𝑢𝑎𝑙𝑎𝑛 𝐵𝑒𝑟𝑠𝑖ℎ
2. Return on Asset (ROA)
Return on Asset (ROA) merupakan rasio profitabilitas merupakan accounting based performance measures (Santoso, 2012). ROA membantu manajemen dan investor untuk melihat seberapa baik suatu perusahaan mampu mengkonversi investasinya pada aset menjadi keuntungan atau laba.
Rumus untuk menghasilkan perhitungan ROA:
𝑅𝑂𝐴 = 𝐿𝑎𝑏𝑎 𝐵𝑒𝑟𝑠𝑖ℎ 𝑆𝑒𝑡𝑒𝑙𝑎ℎ 𝑃𝑎𝑗𝑎𝑘 𝑇𝑜𝑡𝑎𝑙 𝐴𝑠𝑒𝑡
3. Return on Equity (ROE)
Return on Equity (ROE) merupakan salah satu perhitungan dalam rasio profitabilitas. ROE rasio profitabilitas dari sudut pandang pemegang saham (Wany, 2010), yang dapat dirumuskan sebagai berikut:
𝑅𝑂𝐸 = 𝐿𝑎𝑏𝑎 𝐵𝑒𝑟𝑠𝑖ℎ 𝑆𝑒𝑡𝑒𝑙𝑎ℎ 𝑃𝑎𝑗𝑎𝑘 𝐸𝑘𝑢𝑖𝑡𝑎𝑠
3.3.2 Variabel Independen
Variabel independen yang digunakan dalam penelitian ini adalah Intellectual Capital yang diukur berdasarkan Value Added Intellectual Coefficient (VAIC) yang dikembangkan oleh Ante Pulic (1998, 1999, 2000). Menurut Pulic (2004), untuk mengukur efisiensi Intellectual Capital menghitung dengan cara mengambil nilai tambah atau value added, yaitu selisih antara output dan input.
𝑉𝐴 = 𝑂𝑢𝑡 − 𝐼𝑛 Keterangan:
VA : Value added
OUT : Output, total pendapatan
IN : Input, beban operasi dan biaya-biaya lain (selain beban gaji dan tunjangan karyawan)
Nilai tambah dapat dihitung juga dari akun perusahaan sebagai berikut:
𝑉𝐴 = 𝑂𝑃 + 𝐸𝐶 + 𝐷 + 𝐴 Keterangan:
OP : Operating
EC : Employee Cost D : Depreciation A : Amortization
Setelah VA dihitung, selanjutnya menghitung efisiensi sumber daya (modal intelektual dan modal keuangan). Modal intelektual memiliki dua komponen, modal manusia dan modal struktural. Semua pengeluaran untuk karyawan dicakup dalam sumber daya manusia. Konsep baru ini adalah bahwa gaji tidak lagi menjadi bagian dari input (Pulic, 1993). Ini berarti pengeluaran yang terkait dengan karyawan tidak diperlakukan sebagai biaya tetapi merupakan investasi. Rumus human capital efficiency (HCE) dihitung sebagai hasil:
𝐻𝐶𝐸 = 𝑉𝐴 𝐻𝐶 Keterangan
HCE : Human Capital Efficiency HC : Human Capital
Selanjutnya structural capital efficiency (SCE), sebagai komponen kedua dari intellectual capital, dihitung sebagai berikut:
𝑆𝐶𝐸 =𝑆𝐶 𝑉𝐴 Keterangan
SCE : Structural Capital Efficiency SC : Structural Capital
Structural capital (SC) dihitung dengan:
𝑆𝐶 = 𝑉𝐴 − 𝐻𝐶
Intellectual Capital Efficiency (ICE) diperoleh dengan menjumlahkan human capital efficiency dan structural capital efficiency:
𝐼𝐶𝐸 = 𝐻𝐶𝐸 + 𝑆𝐶𝐸 Keterangan:
ICE : Intellectual Capital Efficiency HCE : Human Capital Efficiency SCE : Structural Capital Efficiency
Pulic (2004), menyatakan bahwa ICE adalah untuk pekerjaan pengetahuan dan pekerja pengetahuan yang dulunya adalah produktivitas untuk pekerjaan manual dan pekerja manual. Untuk mendapatkan pemahaman yang lengkap tentang efisiensi sumber daya yang menciptakan nilai, perlu mempertimbangkan modal finansial dan fisik. Modal intelektual tidak dapat menciptakan nilai sendiri. Oleh karena itu diperlukan juga informasi tentang efisiensi modal yang digunakan yang dapat dihitung dengan cara sebagai berikut:
𝐶𝐸𝐸 =𝑉𝐴 𝐶𝐸 Keterangan:
CEE : Capital Employed Efficiency CE : Capital Employed
Untuk memungkinkan perbandingan efisiensi penciptaan nilai secara keseluruhan, ketiga indikator efisiensi perlu ditambahkan.
𝑉𝐴𝐼𝐶 = 𝐼𝐶𝐸 + 𝐶𝐸𝐸 Keterangan:
VAIC= Value Added Intellectual Coefficient ICE = Intellectual Capital Efficiency (HCE+SCE);
CEE = Capital Employed Efficiency
Indikator agregat ini membantu memahami efisiensi keseluruhan perusahaan dan menunjukkan kemampuan intelektualnya. Berdasarkan hal tersebut dapat disimpulkan bahwa, VAIC dapat mengukur berapa banyak nilai baru yang telah diciptakan per unit moneter yang diinvestasikan di setiap sumber daya.
Koefisien yang tinggi menunjukkan penciptaan nilai yang lebih tinggi dengan menggunakan sumber daya perusahaan, termasuk modal intelektualnya.
3.3.3 Variabel Kontrol
Variabel kontrol dalam penelitian ini terdiri dari 5 variabel meliputi:, age, KAP big 4 leverage, mbr, size.
a. Umur perusahaan (AGE)
Umur perusahaan dihitung dengan logaritma natural dari umur perusahaan sejak perusahaan IPO hingga tahun penelitian. Umur perusahaan perusahaan yang lebih tua memiliki sumber daya modal intelektual lebih
tinggi, karena telah melalui proses pembelajaran untuk jangka waktu yang lebih lama, meningkatkan kemungkinan kelangsungan hidup dan pertumbuhan (Peña, 2002).
𝐴𝐺𝐸 = 𝐿𝑁(𝑢𝑚𝑢𝑟 𝑝𝑒𝑟𝑢𝑠𝑎ℎ𝑎𝑎𝑛 𝑠𝑒𝑗𝑎𝑘 𝐼𝑃𝑂)
b. Ukuran/jenis Auditor (BIG4)
Ukuran/jenis audit menjadi variabel kontrol dikarenakan auditor memainkan peran dalam menentukan kebijakan pengungkapan klien (Raffournier, 1995). Dengan reputasi sebagai faktor kunci. Chow & Wong- Boren (1987), menyatakan “firma audit Enam Besar dapat mempertahankan independensi dari tuntutan klien mereka untuk pengungkapan terbatas dengan lebih mudah daripada firma audit yang lebih kecil karena mereka memiliki reputasi yang harus ditegakkan.” Oleh karena itu, Perusahaan auditor (KAP) besar dapat mendorong klien mereka untuk mengungkapkan lebih banyak informasi intellectual capital. Karena mereka ingin mempertahankan reputasi mereka, mengembangkan keahlian pengungkapan intellectual capital (Whiting & Woodcock, 2011).
Ukuran/jenis auditor (KAP) diukur dengan variabel dummy dengan nama BIG4, 1 untuk Big Four, 0 jika Non-Big Four. Kantor akuntan publik yang termasuk Big Four adalah:
1. KAP Tanudireja, Wibisana & Rekan yang berafiliasi dengan KAP PricewaterhouseCoopers (PwC)
2. KAP Purwantono, Sarwoko, dan Sandjaja yang berafiliasi dengan KAP Ernst & Young (EY)
3. KAP Siddharta, dan Widjaja yang berafiliasi dengan KAP Klynveld Peat Marwick Goerdeler (KPMG)
4. KAP Osman Bing Satrio &Rekan yang berafiliasi dengan KAP Deloitte
c. Leverage (LEV)
Leverage digunakan untuk mengontrol dampak pembayaran utang terhadap profitabilitas (S. Firer & Stainbank, 2003). Leverage diukur dengan rasio, rasio ini sebagai alat untuk mengukur seberapa besar perusahaan tergantung pada kreditur dalam membiayai aset perusahaan (Aritonang et al., 2016).
𝐿𝐸𝑉 = 𝑡𝑜𝑡𝑎𝑙 𝑙𝑖𝑎𝑏𝑖𝑙𝑖𝑡𝑎𝑠 𝑡𝑜𝑡𝑎𝑙 𝑎𝑠𝑒𝑡
d. Market to Book Value Ratio (MBR)
Market to Book Value Ratio (MBR) rasio yang memberikan penilaian atas cerminan kinerja perusahaan di masyarakat umum (pasar)(Wijaya, 2012).
Intellectual capital merupakan salah satu sumber kekuatan perusahaan yang akan memberikan kontribusi pada kinerja keuangan perusahaan. Maka, investasi yang besar pada intellectual capital dapat memungkinkan investor akan menilai perusahaan lebih tinggi (Steven Firer & Mitchell Williams, 2003).
𝑀𝐵𝑅 = 𝑘𝑎𝑝𝑖𝑡𝑎𝑙𝑖𝑠𝑎𝑠𝑖 𝑝𝑎𝑠𝑎𝑟 𝑛𝑖𝑙𝑎𝑖 𝑏𝑢𝑘𝑢 𝑏𝑒𝑟𝑠𝑖ℎ e. Ukuran perusahaan (SIZE)
Ukuran perusahaan merupakan besarnya aset yang dimiliki perusahaan (Aritonang et al., 2016). Hal tersebut menjelaskan tentang besar kecilnya perusahaan, semakin besar ukuran perusahaan maka biaya keagenan yang timbul juga semakin besar (Lestari & Sapitri, 2016). Ukuran perusahaan diukur berdasarkan logaritma natural dari total aset.
𝑆𝐼𝑍𝐸 = 𝐿𝑁(𝑡𝑜𝑡𝑎𝑙 𝑎𝑠𝑒𝑡)
3.4 Metode Pengolahan Data
Penelitian ini menggunakan data panel dan pengolahannya dibantu dengan aplikasi statistik Eviews 9. Dengan menggunakan data panel, jumlah observasi yang dapat digunakan untuk estimasi parameter akan semakin besar. Semakin banyak jumlah sampel yang digunakan, maka tingkat keakuratan hasil penelitian akan semakin tinggi.
3.5 Pemilihan Estimasi Model Data Panel
Dalam pemilihan regresi data panel kita harus memilih terlebih dahulu model apakah yang cocok digunakan dalam suatu penelitian. Oleh karena itu kita harus melakukan serangkai uji agar kita bisa mengetahui model mana yang akan terpilih nantinya, apakah itu Common Effect Model, Fixed Effect Model atau Random Effect Model. Berikut ini merupakan langkah-langkah atau uji yang harus digunakan untuk memperoleh model terbaik dalam penelitian ini.
a. Uji Chow
Uji Chow merupakan pemilihan model regresi dengan membandingkan antara Common Effect Model atau Fixed Effect Model. Berikut adalah hipotesis dan juga statistik uji yang digunakan untuk uji Chow.
H0 : Common Effect model lebih baik dari pada Fixed Effect Model H1 : Fixed Effect model lebih baik dari pada Common Effect Model Apabila p-value atau probability kurang dari 0,05 (α), maka H0 ditolak dan model yang terpilih adalah Fixed Effect Model.
b. Uji Hausman
Setelah melakukan uji Chow di atas jika H0 ditolak, maka dilanjutkan uji pada uji Hausman. Pengujian lanjutan ini untuk menguji manakah yang terbaik Fixed Effect Model atau Random Effect Model. Berikut adalah hipotesis yang digunakan untuk uji Hausman:
H0 : Random Effect model lebih baik dari pada Fixed Effect Model H1 : Fixed Effect model lebih baik dari pada Random Effect Model Apabila p-value atau probability kurang dari 0,05 (α), maka H0 ditolak dan model yang terpilih adalah Fixed Effect Model. Maka, pengujian berhenti di uji hausman dan tidak perlu dilanjutkan ke uji lagrange multiplier. Namun, apabila H0 yang terpilih maka pengujian akan dilanjutkan ke uji lagrange multiplier.
c. Uji Lagrange Multiplier
Uji Lagrange Multiplier merupakan pemilihan model regresi dengan membandingkan dan memilih model terbaik antara Random Effect Model
dan Common Effect. Uji ini merupakan uji model yang terakhir sekaligus penentu. Berikut adalah hipotesis yang digunakan untuk uji Lagrange Multiplier:
H0 : Common Effect model lebih baik dari pada Random Effect Model H1 : Random Effect Model lebih baik dari pada Common Effect model Apabila p-value atau probability kurang dari 0,05 (α), maka H0 ditolak dan model yang terpilih adalah Random Effect Model.
3.6 Metode Pengujian Hipotesis
Penelitian ini menggunakan analisis regresi linier berganda. Variabel dependen dalam penelitian ini adalah kinerja keuangan perusahaan yang diproksikan ROA, ROE dan NPM. Sedangkan variabel independen yang digunakan yaitu intellectual capital yang diproksikan dengan VAIC dan ketiga komponen VAIC (HCE, SCE, CEE). Selain itu, umur perusahaan, ukuran/jenis auditor, leverage, market to book value ratio, dan ukuran perusahaan menjadi variabel kontrol. Berikut model regresi yang digunakan dalam penelitian ini:
NPM = α + β1 VAIC + β2 AGE + β3BIG4 + β4 LEV + β5 MBR + β6SIZE + e NPM = α + β1 HCE + β2 SCE + β3 CEE + β4 AGE + β5BIG4 + β6 LEV
+ β7 MBR + β8 SIZE + e
ROA = α + β1 VAIC + β2 AGE + β3BIG4 + β4 LEV + β5 MBR + β6SIZE + e ROA = α + β1 HCE + β2 SCE + β3 CEE + β4 AGE + β5BIG4 + β6 LEV
+ β7 MBR + β8 SIZE + e
ROE = α + β1 VAIC + β2 AGE + β3BIG4 + β4 LEV + β5 MBR + β6SIZE + e
ROE = α + β1 HCE + β2 SCE + β3 CEE + β4 AGE + β5BIG4 + β6 LEV + β7 MBR + β8 SIZE + e
Keterangan:
ROA, ROE, NPM : Proksi financial performance
α : Konstanta
β1,2,3,n : Koefisien regresi
VAIC : Value Added Intellectual Coefficient HCE : Human Capital Efficiency
SCE : Structural Capital Efficiency CEE : Capital Employed Efficiency
AGE : Umur perusahaan
BIG4 : Ukuran/jenis auditor
LEV : Leverage
MBR : Market to book value ratio SIZE : Ukuran perusahaan
e : Variabel pengganggu (error)
3.6.1 Analisis Goodness of Fit Model
Analisis Goodness of Fit merupakan suatu ukuran yang penting dalam regresi karena dapat menginformasikan baik atau tidaknya model regresi yang terestimasi. Dengan kata lain, angka tersebut dapat mengukur seberapa dekat garis regresi yang terestimasi dengan data sesungguhnya. Ghazali (2006) menyatakan
bahwa analisis goodness of model terdiri dari pengukuran uji koefisien determinasi (R2), uji statistik T, dan uji statistik F.
3.6.2 Uji Koefisien Determinasi (R2)
Koefisien determinasi (R2) digunakan untuk mengetahui seberapa jauh kemampuan variabel independen dalam menjelaskan perubahan variabel dependen secara Bersama-sama. Nilai koefisien determinasi berada di antara angka 0 sampai dengan 1. Semakin kecil nilai koefisien determinasi semakin lemah variabel independen untuk menjelaskan variabel dependen. Begitu juga sebaliknya, semakin tinggi nilai koefisien determinasi atau mendekati 1 hal tersebut menunjukan bahwa independen dapat memberikan penjelasan atau informasi yang dibutuhkan untuk menjelaskan variabel dependen.
3.6.3 Uji Statistik T (Uji Parsial)
Uji T (nilai T regresi) merupakan pengujian yang dilakukan untuk mengetahui apakah variabel independen berpengaruh secara signifikan (parsial) terhadap variabel dependen. Uji T (nilai T regresi) dalam penelitian ini menggunakan tingkat signifikansi 5%. Hal tersebut menjelaskan variabel independen dan kontrol dikatakan berpengaruh signifikan terhadap variabel dependen apabila nilai sig (p-value) kurang dari 5%. Begitu juga sebaliknya, jika nilai sig (p-value) lebih dari 5% maka variabel independen dan kontrol dikatakan tidak berpengaruh terhadap variabel dependen.
3.6.4 Uji Statistik F (Uji Simultan)
Uji F (nilai F regresi) merupakan pengujian bersama-sama variabel independen yang dilakukan untuk melihat variabel independen secara keseluruhan terhadap variabel dependen. Hasil Uji F dikatakan signifikan apabila nilai sig (p- value) lebih kecil dari 5%.
