Gambar 3.1. Model Analisis Hipotesis

3. METODE PENELITIAN

Metode penelitian merupakan penjelasan mengenai informasi yang berhubungan dengan penelitian yang mencakup jenis penelitian, teknik pengukuran variabel, desain sampel, metode, dan program analisa data untuk membahas dan menjawab permasalahan dalam penelitian kali ini mengenai pengaruh board structure terhadap financial performance melalui voluntary disclosure dan earnings management.

3.1. Model Analisis

Di bawah ini adalah model analisis yang digunakan dalam menguji hipotesis penelitian:

Gambar 3.1. Model Analisis Hipotesis

3.2. Definisi Operasional Variabel

Definisi operasional adalah definisi yang dinyatakan dari segi kriteria khusus untuk pengujian dan pengukuran (Cooper & Schindler, 2008). Dalam penelitian ini digunakan tiga variabel, yaitu board structure sebagai independent variabel (variabel bebas), voluntary disclosure dan earnings management sebagai intervening variabel (variabel perantara), dan financial performance sebagai dependent variabel (variabel terikat). Berikut ini adalah penjelasan dan definisi operasional dari setiap variabel yang digunakan dalam penelitian ini.

3.2.1. Variabel Bebas (Independent Variable)

Independent variable merupakan hal yang mempengaruhi dependent variable baik secara positif maupun negatif; ketika independent variable ada, maka dependent variable juga ada, dan dengan setiap unit peningkatan pada independent variable akan menyebabkan kenaikan atau penurunan pada dependent variable (Sekaran & Bougie, 2010). Variabel independen yang akan dipakai dalam penelitian ini adalah Board Structure, yang terdiri dari board size dan board independence.

Definisi operasional dan indikator:

a) Board size merupakan jumlah anggota director di dalam board. Variabel ini dinilai dengan menghitung total jumlah anggota board dalam perusahaan

b) Board independence merupakan proporsi independent director dalam board terhadap jumlah total anggota board. Variabel ini dinilai dengan menghitung persentase jumlah anggota board yang independen terhadap jumlah seluruh anggota board.

3.2.2. Variabel Perantara (Intervening Variable)

Intervening variable atau disebut juga mediating variable merupakan variabel yang muncul pada saat independent variable mulai beroperasi untuk mempengaruhi dependent variable dan pada saat dampaknya dirasakan, dimana biasanya intervening variable ini membantu untuk mengonseptualisasi dan menjelaskan pengaruh dari independent variable terhadap dependent variable (Sekaran & Bougie, 2010). Intervening variable yang akan digunakan dalam penelitian ini adalah earnings management dan voluntary disclosure.

3.2.2.1. Definisi operasional dan indikator earnings management:

Dalam earnings management, dikenal istilah accruals sebagai hal yang muncul ketika ada perbedaan waktu antara aliran kas dengan pengakuan akuntansi atas suatu transaksi (Ronen & Yaari, 2008; Abed, Al-Attar, Suwaidan, 2012).

Accruals dapat digolongkan menjadi dua (Ronen & Yaari, 2008):

a. Non-discretionary accrual: accrual yang muncul dari transaksi yang ada di periode sekarang, dimana hal ini merupakan suatu hal yang normal bagi perusahaan dilihat dari tingkat kinerjanya dan strategi bisnis, perjanjian industri, kondisi ekonomi makro, dan faktor ekonomi lainnya. Non-discretionary accruals mencerminkan bagian dari accrual yang tidak termanipulasi sebab hal ini di luar kendali manajemen (Abed, Al-Attar, Suwaidan, 2012).

b. Discretionary accrual: accrual yang timbul dari transaksi atau perlakuan akuntansi yang dipilih untuk mengatur earnings.

Discretionary accruals dipandang oleh pasar sebagai komponen yang kurang dapat diandalkan dalam menilai suatu earnings;

discretionary accruals dapat dimanipulasi oleh manajer sehingga hal ini dapat menjadi salah satu indikator atas adanya earnings management (Abed, Al-Attar, Suwaidan, 2012).

Diantara beberapa model yang digunakan untuk mendeteksi earnings management seperti The Healy Model (1985), The DeAngelo Model (1986),

Jones Model (1991) dan versi modifikasinya, serta Industry Model yang dikemukakan DeChow dan Sloan (1991), ditemukan bahwa modified Jones Model mempunyai kekuatan yang paling besar dalam mendeteksi earnings management (DeChow, Sloan, Sweeney, 1995). Model ini telah digunakan oleh beberapa peneliti, seperti Latif & Abdullah (2015); Lapointe-Antunes, Cormier, Magnan, &

Gay-Angers (2006); Tang & Chang (2015); Abed, Al-Attar, Suwaidan (2012);

Lobo & Zhou (2001); Hassan & Ahmed (2012); Rahman & Ali (2006).

Dari penjelasan sebelumnya, dapat dilihat bahwa agar discretionary accruals dapat dihitung, total accrual harus dihitung terlebih dahulu. Ada dua pendekatan dalam menghitung total accrual:

i. Balance-sheet approach (BA)

Total Accrual = ΔCA – ΔCash – ΔCL (3.1) + ΔSTD – Δdepr

dimana:

ΔCA = Current Asset (Compustat item #4)

ΔCash = Cash & Short-term investments (Compustat item #1) ΔCL = Current Liabilities (Compustat item #5)

ΔSTD = Debt in Current Liabilities atau current portion of long- term debt (Compustat item #34)

ΔDepr = Depreciation & Amortization (Compustat item #14)

ii. Statement-of-cash-flows approach

Total Accrual = Inc – CFO (3.2)

dimana:

Inc = Income before extraordinary items and discontinued operations

CFO = Cash flow from operations (Compustat item #308)

Dilihat dari namanya saja, dapat diketahui bahwa data-data yang akan digunakan untuk perhitungan ini akan diperoleh dari laporan keuangan perusahaan. Kedua pendekatan ini juga mendeflesikan regresor dengan lagged asset (Compustat item #6 = Total Asset atau Total Liabilities + Total

Stockholder’s Equity) untuk mengontrol heteroskedastisitas. Dari kedua pendekatan tersebut, statement-of-cash-flow approach dinilai lebih akurat dalam menggambarkan total accrual, sebab ditemukan bahwa balance-sheet approach dapat menimbulkan bias yang menyebabkan error dalam pengukuran menjadi lebih besar (Hribar & Collins, 2002). Oleh sebab itu, dalam penelitian ini, statement-of-cash-flow approach yang akan digunakan untuk menghitung total accrual, seperti yang telah dilakukan oleh beberapa peneliti sebelumnya (Lobo &

Zhou, 2001; Abed, Al-Attar, & Suwaidan; 2012; Hassan & Ahmed, 2012;

Lapointe-Antunes, Cormier, Magnan, & Gay-Angers, 2013; Gill, Biger, & Mand, 2013).

Selanjutnya, perhitungan akan mulai masuk pada modified Jones model.

Ada dua jenis modified Jones model, yaitu versi time-series yang tetap menggunakan rumus asli dari Jones model pada tahap pertama dan baru memasukkan komponen perubahan account receivable pada tahap kedua, serta versi cross-sectional yang mengganti komponen perubahan revenue pada rumus menjadi perubahan revenue dikurangi dengan perubahan account receivable pada kedua tahap. Versi cross-sectional dinilai lebih baik untuk digunakan daripada versi time-series sebab versi ini menghasilkan perhitungan yang lebih baik saat digunakan pada ukuran sampel yang lebih besar dan juga lebih akurat (Subramanyam, 1996). Perhitungan dibagi menjadi dua tahap:

Tahap 1: Estimation period

NDAit/Ait-1 = TAit/Ait-1 = α1[1/Ait-1] + β1i[ΔREVit – ΔARit/Ait-1] (3.3) + β2i[ΔPPEit/Ait-1] + εit

dimana:

TAit = total accruals untuk perusahaan i pada tahun t Ait-1 = total assets untuk perusahaan i pada tahun t-1 ΔREVit= perubahan revenue untuk perusahaan i pada tahun t

ΔARit = perubahan net account receivables untuk perusahaan i pada tahun t ΔPPEit = gross property, plant, and equiptment untuk perusahaan i pada tahun t εit = error term

Persamaan di atas diestimasi menggunakan ordinary least square estimation (Lobo & Zhou, 2001). Nantinya nilai pada α1, β1i, dan β2i akan digunakan untuk mengestimasi non-discretionary accrual pada tahap selanjutnya.

Tahap 2: Test period

NDAit = α1[1/Ait-1] + β1i[ΔREVit – ΔARit/Ait-1] + β2i[ΔPPEit/Ait-1] (3.4) dimana:

NDAit =normal, non-discretionary accrual untuk perusahaan i pada tahun t Ait-1 = total assets untuk perusahaan i pada tahun t-1

ΔREV_it = perubahan revenue untuk perusahaan i pada tahun t

ΔARit = perubahan net account receivables untuk perusahaan i pada

tahun t

ΔPPEit = gross property, plant, and equiptment untuk perusahaan i pada tahun t

α1, β1i, β2i = koefisien yang diperoleh dari tahap estimation period dengan melakukan regresi terhadap accrual pada ΔREVi danΔARi

Setelah memperoleh total accrual dan non-discretionary accrual, maka discretionary accrual dapat dihitung dengan cara:

DAit = TAit/Ait-1 – NDAit (3.5)

dimana:

DAit = discretionary accrual untuk perusahaan i pada tahun t

TAit/Ait-1 = total accrual untuk perusahaan i pada tahun t

NDAit = non-discretionary accrual untuk perusahaan i pada tahun t

3.2.2.2. Definisi operasional dan indikator voluntary disclosure:

Voluntary disclosure adalah informasi tambahan yang diberikan manajer lebih dari apa yang ditetapkan menurut peraturan dalam standar akuntansi (Mutiva, Ahmed, & Muiruri-Ndirangu, 2015). Hal ini akan diukur dengan menggunakan checklist yang disusun peneliti berdasarkan penelitian-penelitian yang dilakukan oleh Meek, Robert, & Gray (1995), Botosan (1997), Eng & Mak (2003), Akhtaruddin, M.A. Hossain, M. Hossain, & Yao (2009), Yuen, Liu, Zhang, & Lu (2009), Hamrouni, Miloudi, & Benkraiem (2015), dan Mutiva, Ahmed, & Muiruri-Ndirangu (2015), yang disesuaikan dengan Keputusan Ketua Badan Pengawas Pasar Modal dan Lembaga Keuangan Nomor KEP-431/BL/2012 tentang Penyampaian Laporan Tahunan Emiten atau Perusahaan Publik mengenai Peraturan Bapepam Nomor X.K.6 tentang Penyampaian Laporan Tahunan Emiten atau Perusahaan Publik. Setiap item yang ada akan diberi nilai “1” bila ditemui pada laporan keuangan perusahaan dan diberi nilai ”0” bila tidak ada dalam laporan keuangan. Keseluruhan total nilai yang diperoleh perusahaan dari hasil identifikasi item-item pada checklist tersebut akan dibagi dengan jumlah maksimum skor yang mungkin diperoleh setiap perusahaan, untuk digunakan dalam menjelaskan voluntary disclosure (Ho & Wong, 2001, Akhtaruddin, M.A.

Hossain, M. Hossain, & Yao, 2009). Skor ini akan dikelompokkan sesuai 6 tipe informasi yang ada. Daftar checklist item-item voluntary disclosure dapat dilihat pada bagian lampiran.

3.2.3. Variabel Terikat (Dependent Variable)

Dependent variable merupakan variabel utama yang menjadi perhatian peneliti, dimana tujuan peneliti adalah untuk mengerti dan mendeskripsikan dependent variable, atau untuk menjelaskan variabilitasnya, atau untuk memprediksinya (Sekaran & Bougie, 2010). Variabel ini diukur, diprediksi, atau dimonitor dan diperkirakan akan dipengaruhi oleh manipulasi terhadap independent variable (Cooper & Schindler, 2008). Dependent variable yang akan dipakai dalam penelitian ini adalah financial performance, yang dijelaskan oleh return on assets (ROA) dan Tobin’s Q.

Definisi operasional dan indikator:

ROA = Net Income / Total Assets (3.6) Tobin’s Q = (market value of equity + book value of total debt) (3.7)

/ book value of total asset

3.3. Jenis dan Sumber Data 3.3.1. Jenis Data

Penelitian ini akan menggunakan data kuantitatif. Data kuantitatif adalah data yang diukur dengan menggunakan skala numerik atau angka.

3.3.2. Sumber Data

Ada dua jenis sumber data yang dapat digunakan dalam penelitian (Cooper

& Schindler, 2008):

1) Primary Data (Data Primer)

Data primer merupakan data yang dikumpulkan untuk penelitian dari tempat aktual terjadinya suatu peristiwa. Peneliti dapat memperolehnya dengan melakukan observasi pada event, objek, orang, atau menyebarkan kuesioner kepada individu-individu, dan sebagainya.

2) Secondary Data (Data Sekunder)

Data sekunder merupakan data yang dikumpulkan melalui sumber yang sudah ada, dimana data telah tersedia dan tidak perlu dikumpulkan sendiri oleh peneliti. Beberapa contohnya adalah buletin statistik, publikasi pemerintah, online data, website perusahaan, dan lain-lain.

Sumber data yang digunakan dalam penelitian ini adalah data sekunder.

Data akan diperoleh dari laporan keuangan perusahaan yang dapat diunduh dari situs resmi perusahaan, www.idx.co.id, atau www.morningstar.com.

3.4. Instrumen dan Pengumpulan Data

Prosedur pengumpulan data dalam penelitian ini adalah:

1) Studi Pustaka

Dalam membangun landasan teori untuk merumuskan hipotesis, peneliti mengumpulkan data-data yang relevan dengan topik penelitian melalui pembahasan yang terdapat dalam literatur, jurnal, dan internet.

2) Dokumentasi

Data yang dibutuhkan untuk penelitian ini diperoleh dengan mengumpulkan laporan keuangan perusahaan yang tersedia dari Bursa Efek Indonesia (BEI).

3.5. Populasi dan Sampel

Populasi dalam penelitian ini adalah perusahaan yang terdaftar dalam Bursa efek Indonesia (BEI) dan termasuk dalam kelompok indeks LQ45 pada tahun 2011-2015. Indeks LQ 45 merupakan daftar yang berisi 45 perusahaan dengan likuiditas tinggi yang sebelumnya telah diseleksi lewat sejumlah kriteria tertentu. Dengan menggunakan metode PLS-SEM yang memiliki significance level sebesar 5% dan jumlah maksimum panah yang terarah pada suatu konstruk adalah 3, maka jumlah minimum sampel yang digunakan haruslah sebesar 30

(Hair, Hult, Ringle, & Sarstedt, 2014). Metode pengambilan sampel yang digunakan adalah metode purposive sampling dimana sampel yang diambil adalah perusahaan-perusahaan yang masuk dalam daftar LQ45 selama periode 2011- 2015. Perusahaan keuangan tidak dimasukkan dalam studi, sebab perusahaan- perusahaan ini mempunyai struktur working capital yang berbeda dan unik, sehingga sulit untuk mendefinisikan accrual dan abnormal accrualnya (Klein, 2002; Abed, S., Al-Attar, A., & Suwaidan, M., 2012), selain karena mereka juga memiliki accounting procedure dan peraturan yang unik (Lapointe-Antunes, Cormier, Magnan, & Gay-Angers, 2006; Tang & Chang, 2015). Dengan begitu, ada 40 perusahaan yang termasuk dalam sampel penelitian ini. Daftar perusahaan dapat dilihat pada lampiran.

3.6. Unit Analisis

Unit analisis merujuk pada tingkat agregasi data yang dikumpulkan pada tingkat subsequent data analysis (Sekaran & Bougie, 2010). Unit analisis dalam penelitian ini adalah perusahaan non-keuangan yang terdaftar dalam Bursa Efek Indonesia dan termasuk dalam LQ45 pada periode 2011-2015, dimana peneliti meneliti mengenai dampak board structure terhadap financial performace melalui voluntary disclosure dan earnings management pada perusahaan-perusahaan tersebut.

3.7. Teknik Analisis Data

Analisis yang akan dilakukan terhadap data meliputi analisis deskriptif dan analisis kausal.

3.5.1. Analisis Deskriptif

Analisa ini digunakan untuk memberi gambaran mengenai unit analisis yang ada. Analisis deskriptif di sini mencakup frekuensi, mean, dan standar

deviasi dengan menggunakan software SPSS versi 20.0 dan Microsoft Excel 2010.

3.5.2. Analisis Kausal

Pengujian hipotesis akan dilakukan dengan pendekatan Structural Equation Model (SEM). Pengolahan data akan dilakukan menggunakan WarpPLS dengan aplikasi WarpPLS5.

Dalam melakukan pengujian ini, diagram path perlu untuk dibangun terlebih dahulu, dimana diagram ini merupakan structural model yang mencerminkan hipotesis mengenai effect priority bagi observed variable (Kline, 2016). Diagram path penelitian ini adalah sebagai berikut:

Gambar 3.2. Diagram Path Partial Least Square

Path model terdiri dari 2 elemen, yaitu structural model (inner model) yang merepresentasikan konstruk dan measurement model (outer model) dari

konstruk yang menampilkan hubungan antara konstruk dengan indikator variabel, yang perlu diuji sebagai berikut (Hair, Hult, Ringle, & Sarstedt, 2014):

a) Mengevaluasi Measurement Model

i) Internal Consistency Reliability (Composite Reliability)

Sebenarnya ada 2 metode untuk mengevaluasi internal consistency reliability, yaitu dengan menggunakan Cronbach’s alpha atau composite reliability. Cronbach’s alpha mengasumsikan bahwa semua indikator “equally reliable” (misalnya semua indikator mempunyai outer loading yang sama terhadap konstruk). Tetapi PLS- SEM memprioritaskan indikator menurut individual reliability-nya.

Hal ini dan beberapa kelemahan lainnya menyebabkan metode composite reliability dinilai lebih bagus untuk digunakan, sebab cara ini mempertimbangkan outer loading yang berbeda-beda dari indikator variabel. Nilai composite reliability bervariasi antara 0 dan 1, dengan nilai yang semakin besar mengindikasikan tingkat reliabilitas yang semakin tinggi. Nilai antara 0,6 – 0,7 dinilai dapat diterima. Rumus untuk menghitung composite reliability adalah sebagai berikut:

(3.8)

ii) Convergent Validity

Convergent validity merupakan tingkatan sejauh mana suatu ukuran berkorelasi positif dengan ukuran lainnya dari konstruk yang sama. Hal ini dilihat pada angka angka outer loading yang lebih besar dari 0,7. Selain itu, nilai dari average variance extracted (AVE) juga harus lebih dari 0,5.

iii) Discriminant Validity

Discriminant validity merupakan ukuran sejauh mana sebuah konstruk benar-benar berbeda dari konstruk lain menurut standar empiris. Hal ini menyatakan bahwa sebuah konstruk adalah unik dan mampu menangkap fenomena yang tidak direpresentasikan oleh

konstruk lain dalam model. Ada dua cara untuk mengukurnya, yaitu dengan metode cross loading dan Fornell-Larcker criterion. Pada metode cross loading, sebuah outer loading indikator pada associated construct haruslah lebih besar daripada semua loading-nya di konstruk lain. Pada metode Fornell-Larcker criterion, angka akar AVE harus lebih besar dari angka korelasinya dengan konstruk yang lain. Rumus untuk menghitung nilai AVE adalah sebagai berikut:

^∑ _∑ (3.9)

b) Mengevaluasi Structural Model

Ukuran untuk goodness for fit dapat dilihat dari tabel di bawah ini:

Tabel 3.1. Model Fit and Quality Indices

Sumber: Kock, 2015

Setelah itu, dapat mulai dilakukan evaluasi pada path coefficient.

Path coefficient dapat bernilai antara -1 hingga +1. Angka koefisien yang semakin mendekati 0 menunjukkan relationship yang semakin lemah.

Signifikansi koefisien dapat dilihat pada nilai p-value, dimana nilai p- No Model Fit and Quality Indices Kriteria Fit

1 Average path coefficient (APC) p<=0.05

2 Average R-squared (ARS) p<=0.05

3 Average adjusted R-squared (AARS) p<=0.05 4 Average block variance inflation factor

(AVIF)

Acceptable if <=5, ideally <=3.3 5 Average full collinearity VIF (AFVIF) Acceptable if <=5,

ideally <=3.3

6 Tenenhaus GoF (GoF) small >=0.1, medium

>=0.25, large >=0.36 7 Simpson's paradox ratio (SPR) Acceptable if >=0.7,

ideally 1 8 R-squared contribution ratio (RSCR) Acceptable if >=0.9,

ideally 1 9 Statistical suppression ratio (SSR) Acceptable if >=0.7 10 Nonlinear bivariate causality direction

ratio (NLBCDR) Acceptable if >=0.8

value yang lebih kecil atau sama dengan dari critical value 0,05 menyatakan bahwa koefisien tersebut signifikan.

Kedua, evaluasi koefisien dengan menggunakan coefficient of determination (R² values) untuk mengukur tingkat variasi perubahan varibel independen terhadap variabel dependen (Jogiyanto & Abdillah,W., 2009). Nilai dari R² bervariasi dari 0 hingga 1, dengan nilai yang semakin besar mengindikasikan tingkat akurasi prediksi yang semakin tinggi.

Setelah itu, dapat dilakukan uji Stone-Geisser untuk menilai predictive relevance (Q² value) path model. Pada sebuah struktural model, Q² value yang lebih dari nol mengindikasikan predictive relevance path model untuk konstruk tersebut. Nilai Q² dapat dihitung dengan menggunakan persamaan berikut:

Q² = 1 – (1 – R₁²)(1 – R₂²)…(1 – R_p²) (3.10) dimana R₁² R₂² R_p² adalah R² variabel endogen dalam model.