Gambar 3.1 Model analisis

(1)

29

Universitas Kristen Petra

3. METODOLOGI PENELITIAN

Dalam bab ini peneliti akan menjelaskan informasi yang berhubungan dengan metode penelitian yang akan digunakan, meliputi model analisis, definisi operasional variabel, skala pengukuran, jenis dan sumber data, instrument dan pengumpulan data, populasi, sampel dan teknik sampling, unit analisis dan teknik analisa data, untuk membahas dan menjawab permasalahan pada penelitian ini mengenai pengaruh board independent, earning management dan tax avoidance terhadap cost of debt.

3.1. Model Analisis

Penelitian ini akan menguji pengaruh board independent, earning management terhadap cost of debt. Penelitian ini dilakukan pada perusahaan di sektor pertambangan yang terdaftar di BEI pada tahun 2012 hingga 2017. Penelitian ini menggunakan model analisis untuk melakukan pengujian apakah terdapat pengaruh dari variabel independen yaitu board independent (IND), earning management (EM) dan tax avoidance (ETR) terhadap variabel dependen cost of debt (COD). Hubungan variabel-variabel yang akan diteliti telah dinyatakan dalam model analisis berikut:

Gambar 3.1 Model analisis

(2)

30

3.2. Definisi Operasional Variabel

Definisi operasional variabel akan membahas tentang variabel-variabel yang digunakan dalam penelitian. Variabel-variabel operasional yang akan digunakan dalam penelitian ini adalah sebagai berikut:

Tabel 3.1 Definisi Operasional Variabel

Variabel Definisi Operasional Skala

Board Independent (IND)

Board independent menurut Otoritas Jasa Keuangan (OJK) adalah anggota dewan komisaris yang tidak terafiliasi dengan pemegang saham, anggota direksi, anggota dewan komisaris lainnya dan/atau anggota dewan pengawas syariah, yaitu tidak memiliki hubungan keuangan, kepengurusan, kepemilikan saham dan/atau hubungan keluarga dengan pemegang saham, anggota direksi, dewan komisaris lainnya dan/atau anggota dewan pengawas syariah atau hubungan lain yang dapat mempengaruhi kemampuannya untuk bertindak independen.

𝐼𝑁𝐷 =𝐽𝑢𝑚𝑙𝑎ℎ 𝑘𝑜𝑚𝑖𝑠𝑎𝑟𝑖𝑠 𝑖𝑛𝑑𝑒𝑝𝑒𝑛𝑑𝑒𝑛 𝐽𝑢𝑚𝑙𝑎ℎ 𝑘𝑜𝑚𝑖𝑠𝑎𝑟𝑖𝑠

Rasio

Tax Avoidance (ETR)

Tax avoidance didefinisikan sebagai penurunan pajak per setiap Rupiah laba akuntansi sebelum pajak atau accounting profit before tax (Jamei, 2017). Tax avoidance juga dapat diartikan sebagai tindakan yang dilakukan untuk meminimalkan pembayaran pajak dengan cara legal sesuai dengan peraturan perundang – undangan yang berlaku (Annuar et al., 2014).

𝐸𝑇𝑅 = 𝐾𝑒𝑤𝑎𝑗𝑖𝑏𝑎𝑛 𝑝𝑎𝑗𝑎𝑘 𝐿𝑎𝑏𝑎 𝑠𝑒𝑏𝑒𝑙𝑢𝑚 𝑝𝑎𝑗𝑎𝑘

Rasio

Earning Management (EM)

Earning management adalah tindakan manager melaporkan laba untuk memaksimalkan kepentingan pribadi atau perusahaan yang tercermin dalam laporan keuangan perusahaan dengan menggunakan kebijakan

Rasio

(3)

31

metode akuntansi, baik untuk memberi kesan bahwa laba periodik atau tahunan perusahaan smooth, untuk menunjukkan laba yang tinggi pada tahun tertentu dengan cara menurunkan laba yang dilaporkan di masa mendatang atau dengan menunjukkan laba yang rendah pada tahun tertentu agar di tahun – tahun mendatang dapat melaporkan laba yang lebih tinggi (Gill et al., 2013; Scott, 2012).

𝑇𝐴𝐶 = 𝑁𝐼_𝑖𝑡− 𝐶𝐹𝑂_𝑖𝑡 𝑇𝐴_𝑖𝑡

𝐴_𝑖𝑡−1 = 𝛽₁( 1

𝐴_𝑖𝑡−1) + 𝛽₂(∆𝑅𝑒𝑣_𝑖𝑡

𝐴_𝑖𝑡−1 ) + 𝛽₃(𝑃𝑃𝐸_𝑖𝑡 𝐴_𝑖𝑡−1) + 𝜀

𝑁𝐷𝐴𝑖𝑡= 𝛽1( 1

𝐴𝑖𝑡−1) + 𝛽2(∆𝑅𝑒𝑣_𝑖𝑡

𝐴𝑖𝑡−1 −∆𝑅𝑒𝑐_𝑖𝑡

𝐴𝑖𝑡−1) + 𝛽3(𝑃𝑃𝐸_𝑖𝑡 𝐴𝑖𝑡−1)

𝐷𝐴_𝑖𝑡 = 𝑇𝐴_𝑖𝑡

𝐴_𝑖𝑡−1− 𝑁𝐷𝐴_𝑖𝑡 Cost of Debt

(COD)

Cost of debt dapat didefinisikan sebagai tingkat yang harus diterima dari investasi untuk mencapai tingkat pengembalian (yield rate) yang dibutuhkan kreditur atau dengan kata lain adalah tingkat pengembalian yang dibutuhkan kreditur saat melakukan pendanaan dalam suatu perusahaan.

𝐶𝑂𝐷 = 𝑖𝑛𝑡𝑒𝑟𝑒𝑠𝑡 𝑒𝑥𝑝𝑒𝑛𝑠𝑒 𝑜𝑓 𝑡ℎ𝑒 𝑦𝑒𝑎𝑟

(𝑎𝑣𝑔 𝑠ℎ𝑜𝑟𝑡 − 𝑡𝑒𝑚 𝑑𝑒𝑏𝑡) + (𝑎𝑣𝑔 𝑙𝑜𝑛𝑔 − 𝑡𝑒𝑟𝑚 𝑑𝑒𝑏𝑡)

Rasio

3.3. Jenis dan Sumber Data

Jenis data yang digunakan dalam penelitian ini adalah data kuantitatif, antara lain annual report perusahaan pertambangan periode 2012 hingga 2017.

Sumber data dalam penelitian ini berasal dari data sekunder yaitu data yang diperoleh melalui internet dan Bloomberg.

(4)

32

3.4. Instrumen dan Pengumpulan Data

Dalam penelitian ini, semua data-data yang telah disebutkan pada poin 3.3 dikumpulkan dengan menggunakan metode dokumentasi, yaitu data laporan tahunan perusahaan dengan rentang waktu 5 tahun yaitu 2012 hingga 2017.

3.5. Populasi

Populasi penelitian ini berupa perusahaan pada sektor pertambangan yang terdaftar sebagai perusahaan publik atau telah go public dan terdaftar dalam BEI.

Penelitian ini menggunakan sektor pertambangan sebagai populasi karena Menteri Keuangan Sri Mulyani Indrawati mengatakan tingkat kepatuhan para pengusaha pertambangan mineral dan batubara dalam hal membayar pajak masih rendah. Hal ini terlihat dari kepatuhan pelaporan SPT tahunan pada 2015 yang hanya 2.577 wajib pajak di bidang pertambangan mineral dan batubara maupun minyak dan gas bumi yang melakukan pelaporan, sedangkan sisanya sebanyak 3.624 wajib pajak belom melaporkan sama sekali (Kompas, 2016).

3.6. Sampel dan Teknik Sampling

Pemilihan sampel dalam penelitian ini menggunakan metode purposive sampling, yaitu teknik penentuan sampel dengan pertimbangan tertentu (Sugiyono, 2012), dengan kriteria yang digunakan dalam penentuan sampel adalah sebagai berikut:

1. Perusahaan merupakan perusahaan publik atau telah go public dan terdaftar di Bursa Efek Indonesia (BEI) dalam periode 2012 – 2017 2. Perusahaan bergerak di sektor pertambangan

3. Memiliki data laporan tahunan (annual report) dari tahun 2012 – 2017 4. Laporan keuangan menggunakan mata uang Rupiah

(5)

33

3.7. Unit Analisis

Unit analisis pada penelitian ini adalah pada perusahaan yang bergerak di sektor pertambangan yang terdaftar di Bursa Efek Indonesia selama periode 2012 – 2017

3.8. Teknik Analisis Data

Penelitian ini bertujuan untuk menganalisa pengaruh board independent, earning management dan tax avoidance terhadap cost of debt. Oleh karena itu, model analisis yang tepat untuk digunakan dalam penelitian ini adalah Structural Equation Model (SEM).

3.8.1. Konsep Dasar Structural Equation Model (SEM)

SEM merupakan teknik statistik multivariat yang merupakan kombinasi antara analisis faktor dan analisis regresi (korelasi). SEM bertujuan untuk menguji hubungan – hubungan antar variabel yang ada pada sebuah model (Santoso, 2012).

Dalam SEM terdapat variabel laten maupun variabel manifes. Variabel laten atau disebut juga variabel konstruk merupakan variabel yang tidak dapat diukur secara langsung, sehingga variabel laten ini hanya dapat diukur dengan sejumlah variabel manifes (indikator) dan hubungan antara variabel laten dan variabel manifes tersebut. Antar variabel laten memunculkan sebuah model yang membutuhkan alat analisis lanjutan untuk menyelesaikannya. Oleh karena itu, Structural Equation Model (SEM) dibutuhkan sebagai alat analisis multivariat teori riset perilaku yang bersifat rangkaian berjenjang dan dimensional. Analisis tersebut tidak hanya untuk pengujian pengaruh antara variabel laten saja, tetapi juga untuk pengujian kevalidan dan keandalan indikator – indikator untuk mengukur variabel latennya. Struktur dari sebuah konsep tersebut disusun berdasarkan teori yang sesuai, kemudian SEM digunakan sebagai alat untuk mengkonfirmasi struktur tersebut.

(6)

34

SEM telah dipergunakan di hampir setiap bidang studi. Alasan ketertarikan penggunaan SEM dalam berbagai antara lain:

1. Memberikan metode yang mudah dimengerti/dipahami berkenaan dengan hubungan berganda secara simultan (multiple relationships simultneusly) sementara memberikan efisiensi statistik.

2. Kemampuannya untuk mengakses hubungan secara komprehensif dan memberikan suatu transisi dari exploratory to confirmatory analysis.

Transisi ini sesuai dengan semakin besarnya upaya dalam semua bidang studi meuju pengembangan ke suatu pandangan yang sistematis dan holistik terhadap pemecahan masalah (problem solving). Upaya/usaha demikian itu memerlukan kemampuan menguji suatu seri hubungan yang terdiri dari suatu model berskala besar, melibatkan puluhan bahkan ratusan variabel dengan puluhan persamaan, suatu set prinsip yang mendasar atau teori secara keseluruhan. Inilah tugas – tugas untuk model persamaan untuk mana model persamaan struktural dengan SEM tepat digunakan.

Menurut (Santoso, 2012), proses SEM tidak dapat dilakukan secara manual karena keterbatasan kemampuan manusia dan kompleksitas model dan alat statistik yang digunakan. Oleh karena itu, dalam penelitian ini akan menggunakan alat statistik AMOS. AMOS merupakan salah satu program generasi baru dan paling canggih saat ini untuk mengolah model – model penelitian yang multidimensi dan berjenjang.

3.8.2. Variabel Laten Eksogen dan Endogen

Secara umum, variabel eksogen (ξ) dan variabel endogen (η) merupakan variabel independen dan variabel dependen. Dalam SEM, variabel eksogen berperan sebagai variabel independen yang dapat mempengaruhi variabel dependen, sedangkan variabel endogen berperan sebagai variabel dependen yang dipengaruhi oleh variabel eksogen atau variabel independen. Sebuah variabel laten dapat berfungsi sebagai variabel eksogen maupun endogen. Petunjuk yang dapat digunakan untuk mengetahui fungsi variabel tersebut adalah dari tanda panah yang menghubungkan variabel – variabel laten tersebut. Apabila variabel laten tersebut

(7)

35

bersifat endogen, maka variabel tersebut ditunjuk oleh sebuah tanda panah dari variabel eksogen.

3.8.3. Model dalam SEM

Model dalam SEM dibagi menjadi dua bagian utama yaitu measurement model dan structural model. Measurement model merupakan bagian dari model SEM yang menggambarkan hubungan antara variabel laten dengan indikator – indikatornya, sedangkan stuctural model menggambarkan hubungan antar variabel – variabel laten (Santoso, 2012).

3.8.4. Kovarians dan Korelasi

Kedua alat analisis ini memiliki tujuan yang sama dengan multiple regression analysis yaitu mengukur hubungan dua variabel. Dalam SEM, assessment dan estimation dilakukan setelah data yang diperlukan terkumpul.

Assessment dan estimation ini dilakukan dengan dasar perbandingan matrik kovarians sampel dengan populasi. Istilah kovarians dapat mengacu pada hal yang sama dengan korelasi, yaitu hubungan antara dua variabel. Perbedaannya adalah penekanan perhitungan kovarians lebih pada variasi kedua variabel. Besarnya kovarians antara variabel x dan y adalah sebagai berikut:

𝐶𝑜𝑣(𝜉, 𝜂) = 𝐸(𝜉, 𝜂) − 𝐸(𝜉), 𝐸(𝜂)

Dimana E merupakan rata – rata, baik rata – rata dari masing – masing variabel maupun rata – rata dar hasil perkalian antara variabel ξ dan η. Nilai kovarians yang positif menunjukkan nilai ξ dan η bervariasi dalam arah yang sama dan bila nilai kovarians adalah negatif menunjukkan bahwa semakin tingginya rata – rata η justru akan diimbangi semakin rendahnya rata – rata ξ, sedangkan apabila nilai konvarians adalah nol, maka hal tersebut menunjukkan bahwa kedua variabel tidak berhubungan.

(8)

36

Berbeda dengan kovarians, besarnya korelasi antara variabel ξ dan η adalah sebagai berikut:

𝜌 =𝐶𝑜𝑣(𝜉, 𝜂) 𝜎𝜉 𝜎𝜂 Keterangan:

Cov(ξ,η) : Kovarians antara ξ dan η σξ : Standar deviasi ξ

ση : Standar deviasi η

3.8.5. Error Dalam Pengukuran

Dalam sebuah model SEM, khususnya dalam pengukuran indikator maupun variabel laten, akan terdapat error variabel. Dengan adanya dua bagian utama dari SEM, maka error juga terdiri dari dua bagian utama, yaitu measurement error dan structural error. Pada measurement error, error terjadi pada setiap indikator, sedangkan pada structural error sering disebut residual error yang hanya terjadi pada variabel endogen.

3.8.6. Unit Analisis Structural Equation Modeling (SEM)

Alat analisis SEM sehubungan dengan dua jenis model yang terdapat dalam SEM (measurement model dan structural model) adalah sebagai berikut:

1. Confirmatory Factor Analysis (CFA)

Alat analisis ini digunakan untuk menguji sebuah measurement model.

Tujuan dari confirmatory factor analysis ini adalah untuk mengetahui apakah indikator – indikator yang tersedia benar – benar dapat menjelaskan sebuah variabel laten (konstruk).

2. Multiple regression analysis

Berbeda dengan CFA, alat analisis ini digunakan untuk menguji sebuah structural model. Tujuan dari analisis ini adalah untuk mengetahui apakah terdapat hubungan yang signifikan diantara variabel – variabel eksogen dengan variabel endogen dan kekuatan hubungan tersebut.

(9)

37

3.8.7. Convergent Validity dan Construct Reliability

Menurut Santoso (2012), untuk menguji apakah indikator yang ada pada sebuah konstruk memang merupakan bagian atau dapat menjelaskan konstruk, maka perlu dilakukan uji validitas. Dalam SEM, uji validitas dapat dilakukan dengan menggunakan uji convergent validity. Jika memang sebuah indikator menjelaskan sebuah konstruk, maka indikator tersebut akan memiliki factor loading yang tinggi dengan konstruk tersebut dan total indikator akan nilai i weight

> 0,4 serta nilai probabilitasnya < 0,5 (α = 5%).

Di samping itu, analisis SEM juga mengenal uji reliabilitas. Uji reliabilitas di dalam SEM dikenal dengan nama reliabilitas komposit (composite reliability).

Menurut Hair, Anderson, Tatham, & Black (2009), composite reliability disebut juga dengan reliabilitas konstruk. Uji reliabilitas konstruk dilakukan untuk menguji apakah data tersebut dapat diandalkan dan konsisten jika dilakukan pengulangan pengukuran. Konstruk dianggap reliable jika memiliki nilai uji reliabilitas konstruk adalah > 0,6. Di sisi lain, nilai uji reliabilitas konstruk < 0,6 masih dapat diterima dengan syarat memenuhi validitas konstruk. Secara manual, pengukuran reliabilitas konstruk dapat dilakukan dengan menggunakan rumus sebagai berikut:

𝐶𝑜𝑛𝑠𝑡𝑟𝑢𝑐𝑡 𝑅𝑒𝑙𝑖𝑎𝑏𝑖𝑙𝑖𝑡𝑦 (𝐶𝑅) = (∑𝑆𝑡𝑑. 𝐿𝑜𝑎𝑑𝑖𝑛𝑔)² (∑𝑆𝑡𝑑. 𝐿𝑜𝑎𝑑𝑖𝑛𝑔)² + ∑𝜀 𝑗 Keterangan:

∑ Std.Loading : jumlah total standard loaing tiap indikator

∑ε j : jumlah measurement error untuk tiap indikator

3.8.8. Pengukuran Structural Equation Model (SEM)

Menurut Santoso (2012), SEM adalah statistika yang paling umum yang telah digunakan secara luas dalam ilmu perilaku (behavior science). SEM dapat ditunjukkan sebagai kombinasi dari analisis faktor, analisis regresi, dan analisis path. Diagram path atau diagram lintasan merupakan sarana komunikasi yang efektif untuk menyampaikan ide konsep dasar dari model SEM. Diagram lintasan jika digambarkan secara benar dan mengikuti aturan yang ditetapkan akan dapat diturunkan menjadi model matematika SEM.

(10)

38

Uji kecocokan dalam SEM dilakukan untuk mengevaluasi derajat kecocokan atau goodness of fit (GOF) antara data dan model. Evaluasi terhadap GOF dilakukan melalui beberapa tingkatan, yaitu: kecocokan keseluruhan model, kecocokan model pengukuran, dan kecocokan model struktural. Ukuran GOF serta tingkat penerimaan kecocokan adalah seperti berikut:

1. Statistik chi – square (x²) makin kecil makin baik (p > 0,05) artinya model makin baik, alat ini merupakan alat uji yang paling fundamental untuk mengukur overall fit dan sangat efektif terhadap jumlah sampel, sehingga penggunaan chi – square (x²) hanya sesuai jika sampel berukuran 100 sampai dengan 200.

2. RMSEA (The Root Mean Square Error of Approximation) adalah sebuah indeks yang dapat digunakan untuk mengkompensasi statistik chi – square (x²), nilai makin kecil makin baik (≤ 0,08) merupakan indeks untuk dapat diterimanya model yang menunjukkan sebagai sebuah close fit dari model berdasarkan derajat kebebasan.

3. GFI (Goodness of Fit Index) merupakan indeks kesesuaian yang akan menghitung proporsi tertimbang dari varians dalam matriks kovarian sampel yang dijelaskan oleh matriks kovarian populasi yang tersetimasikan. Nilai GFI berada antara 0,00 – 1,00; dengan nilai ≥ 0,90 merupakan model yang baik (better fit)

4. AGFI (Adjusted Goodness of Fit), analog dengan koefisien determinasi (R²) pada analisis regresi berganda. Indeks ini dapat disesuaikan terhadap derajat bebas yang tersedia untuk menguji diterimanya model. Tingkat penerimaan yang direkomendasi adalah bila AGFI ≥ 0,90.

5. CMIN/DF (The Minimum Sample Discrepancy Function), umumnya dilaporkan oleh peneliti sebagai salah satu indikator untuk mengukur tingkat kecocokan sebuah model. CMIN/DF tidak lain adalah statistik x² dibagi dengan df sehingga disebut x² relatif. Nilai x²relatif ≤ 2,0 bahkan ≤ 3,0 adalah indikasi dari model fit dengan data.

6. CFI (Comparative Fit Index), CFI sama sekali tidak dipengaruhi oleh besar kecilnya sampel yang digunakan dalam penelitian. Nilai CFI berkisar 0

(11)

39

hingga 1 dan akan semakin baik jika mendekati 1. Nilai CFI yang direkomendasikan adalah ≥ 0,95 menunjukkan model yang baik.

7. TLI (Tucker Lewis Index), TLI digunakan untuk membandingkan antara model yang diuji dengan baseline model. Nilai TLI berkisar dari 0 sampai 1, jika semakin mendekati 1 maka akan semakin baik. Nilai TLI yang direkomendasikan adalah ≥ 0,95

8. NFI (Normal Fit Indeks), NFI digunakan sebagai tambahan uji pengukuran kesesuaian model. Nilai NFI berkisar 0 sampai 1, jika semakin tinggi maka akan semakin baik. Nilai NFI yang direkomendasikan adalah ≥ 0,90

3.8.9. Pengujian Hipotesis

Hasil uji hipotesis dapat dilihat melalui nilai critical ratio (CR) dari Std Regression Weight dan nilai probabilitasnya pada tampilan output AMOS. Variabel dapat dikatakan berpengaruh secara signifikan terhadap variabel lain apabila probabilitasnya sebesar ≤ 0,05