METODE PENELITIAN PENGARUH KEPUTUSAN MANAJEMEN KEUANGAN TERHADAP NILAI PERUSAHAAN (Studi Pada Perusahaan Automotif Yang Go Publik di Bursa Efek Indonesia).

27

BAB III METODE PENELITIAN

3.1.Definisi Operasional Variabel – variabel yang diamati dalam penelitian ini terdiri dari bebrapa variabel. Variabel – variabel tersebut adalah sebagai berikut : a. Nilai Perusahaan Y, merupakan nilai pasar free cash flow yang dimiliki oleh perusahaan. Rasio ini dirumuskan melalui : Murtini : 2006 • Free Cash Flow, dapat dirumuskan melalui : ECF = NOPAT- investasi bersih modal operasi Keterangan : NOPAT = EBIT 1- Tarif pajak Investasi bersih = total modal operasi t - total modal operasi Total modal operasi = kas+piutang+persediaan-utang+akrual- aktiva tetap bersih t-1 • Excess Return to Market, merupakan selisih yang dibayar oleh pemegang saham kepada perusahaan dengan nilai nominal sahamnya. Rasio ini dihitung melalui persamaan : ER = saham pasar nilai saham pasar nilai - saham nominal nilai • Market Value, merupakan harga dari saham di pasar bursa pada saat tertentu yang ditentukan oleh perilaku pasar. 28 Dihitung meliputi : MV = closing price saham 2. Variabel bebas X yang digunakan dalam penelitian ini adalah seagai berikut: a. Keputusan Investasi X 1 Variabel keputusan investasi diukur melalui : Murtini : 2006 , merupakan tindakan mengeluarkan dana saat sekarang, diharapkan memperoleh arus kas masuk pada waktu yang akan datang. • Total Assets Growth X 1.1 TAG = , yaitu rasio yang menunjukkan adanya pertumbuhan total assets, semakin tinggi pertumbuhan nilai assetnya, tinggi pula investasi yang dilakukan oleh perusahaan. 1 - t 1 - t t asset total asset total - asset total • Market to Book Assets Ratio X 1.2 MBAR = , yaitu rasio yang didasarkan pada pemikiran bahwa prospek pertumbuhan perusahaan tereflesi dalam harga saham. Rasio ini dirumuskan melalui persamaan : totalasset apenutupan h ar sahambered as totalekuit asset arg + − • Capital expenditure to Book Value Asets Ratio X 1.3 CEBVA = , yaitu rasio yang menunjukan adanya aliran tambahan modal saham. Rasio ini dirumuskan melalui persamaan : totalaset pt aktivateta p aktivateta t t 1 − − 29 • Price Earning Ratio X 4 PER = , yaitu rasio yang termasuk dalam proksi ICS karena dapat menunjukkan indikator adanaya aliran laba di masa yang akan datang. Rasio ini dirumuskan : saham perlembar laba saham penutupan harga • Current Assets to Tital Assets to Ratio X 5 CATA = , yaitu rasio yang menunjukkan semakin tinggi rasio ini maka semakin lancar investasi yang dilakukan oleh perusahaan. Rasio ini dirumuskan : aktiva total lancar aktiva c. Keputusan Pendanaan X 2 • Debt Equity Ratio X , merupakan pemenuhan kebutuhan dana perusahaan yang dapat disediakan dari sumber intern maupun ekstern perusahaan. Rasio ini dirumuskan melalui persamaan : Murtini : 2006 3.1 DER = , menujukkan seberapa besar perusahaan dibiayai oleh kreditur. Rasio ini dapat dirumuskan melalui : ekuitas total kewajiban total • Debt Assets Ratio X 3.2 DAR = , menunjukkan prosentase aktiva yang dibiayai dengan hutang baik jangka panjang maupun jangka pendek. Rasio ini dirumuskan melalui : aset total kewajiban total 30 • Long Term Debt to Equity Ratio X 3.3 LDER = , menunjukkan seberapa besar perusahaan dibiayai oleh hutan jangka panjang. Rasio ini dirumuskan : ekuitas total panjang jangka kewajiban • Market Debt Equity X 3.4 MDER = , menunjukkan seberapa besar nilai perusahaan dibanding dengan kewajiban perusahaan. Rasio ini dirumuskan : saham pasar harga beredar saham kewajiban total 3.2.Teknik Penentuan Sampel 3.2.1. Populasi Populasi adalah wilayah generalisasi yang terdiri atas : obyek subyek yang mempunyai kuantitas dan karakteristik tertentu yang ditetapkan oleh peneliti untuk dipelajari kemudian ditarik kesimpulannya Sugiyono, 2003:55. Dalam penelitian ini populasi yang digunakan sebagai obyek penelitian adalah laporan perusahaan automotif yang go publik dan terdaftar di Bursa Efek Indonesia sampai saat ini yang berjumlah 18 perusahaan.

3.2.2. Sampel dan Teknik Penarikan Sampel

Dalam penelitian ini teknik pengambilan sampel yang digunakan adalah metode purposive sampling yaitu teknik penentuan sampel dengan pertimbangan tertentu. Dalam penelitian ini kriteria yang digunakan adalah sebagai berikut: 31 1. Perusahaan yang tergabung dalam kelompok industri otomotif yang terdaftar di BEI dan dipublikasikan dalam ICMD. 2. Mengeluarkan laporan keuangan selama tahun 2004 sd 2008 secara berurut- urut. 3. Terdapat data yang diperlukan untuk menghitung rasio-rasio yang digunakan dalam penelitian. Adapun sampel yang digunakan dalam peneltian ini adalah kelompok perusahaan automotive yang sesuai dengan kriteria di atas, yaitu sebagai berikut : 1. PT. Astra Internasional Tbk 2. PT. Astra Otopart Tbk 3. PT. Gajah Tunggal Tbk 4. PT. Goodyear Indonesia Tbk 5. PT. Hexindo Adipoerkasa Tbk 6. PT. Indo Kordsa Tbk 7. PT. Indomobil Sukses Internasional Tbk 8. PT. Indospring Tbk 9. PT. Intraco Penta Tbk 10. PT. Multi Prima Sejahtera Tbk 11. PT. Polychem Indonesia Tbk 12. PT. Prima Alloy Stell Tbk 13. PT. Sugi Samapersada Tbk 14. PT. Tunas Ridean Tbk 15. PT. United Tractor Tbk 32 Teknik Pengumpulan Data Jenis Data Jenis data yang digunakan dalam penelitian ini adalah data sekunder, yaitu data yang diambil untuk memperoleh bahan atau keterangan data dengan cara mempelajari serta mencatat dari data dokumen dan laporan keuangan dari masing- masing perusahaan yang diserahkan dari BEI. Sumber Data Dalam penelitian ini data sekunder tersebut berupa laporan keuangan perusahaan otomotif tahun 2004 – 2008 yang terdaftar di Bursa Efek indonesia, selama 5 tahun ICMD Indonesia Capital Market Directory. Pengumpulan Data Teknik pengumpulan data yang dipergunakan dalam penelitian ini adalah teknik dokumentasi. Teknik pengumpulan data secara dokumentasi adalah pengambilan data yang diperoleh melalui dokumen – dokumen dengan cara mencari dan mengumpulkan data dengan mengambil data – data yang sudah dipublikasikan oleh pemerintah, industri atau sumber – sumber individual. Data ini diambil atau digunakan sebagian dari data yang telah dicatat atau dilaporkan. 33 Teknik Analisis Dan Uji Hipotesis Teknik Analisis SEM Model yang digunakan untuk menganalisis data dalam penelitian ini adalah Structural Equation Model SEM. SEM adalah sekumpulan teknik-teknik stastikal yang memungkinkan pengujian sebuah rangkaian hubungan yang relatif “rumit” secara simultan. Hubungan yang rumit itu dapat dibangun antara satu atau beberapa variabel dependen dengan satu atau beberapa variabel independen. Masing-masing variabel dependen dan independen dapat berbentuk faktor konstruk yang dibangun dari beberaapa variabel indikator. Tentu saja variabel- variabel itu dapat berbentuk variabel tunggal yang diobservasi atau yang diukur langsung dalam sebuah proses penelitian. Model pengukuran variabel keputusan investasi, keputusan pendanaan dan kebijakan dividen yang menggunakan Confirmatory Factor Analysis. Penaksiran pengaruh masing-masing variabel bebas terhadap variabel terikatnya menggunakan koefisien jalur. Uji Asumsi Model Structural Equation Modeling A. Uji Normalitas Sebaran dan Linieritas 1. Normalitas dapat diuji dengan melihat gambar histogram data atau dengan menggunakan metode statistik. 2. Menggunakan critical ratio yang diperoleh dengan membagi koefisien sampel dengan standart error-nya dan Skeweness value yang biasa disajikan dalam statistik deskriptif dimana nilai statistik untuk menguji normalitas itu disebut Z-value. Pada tingkat signifikansi 1, 34 jika nilai Z score lebih besar dari nilai kritis maka dapat diduga bahwa distribusi data adalah tidak normal. 3. Normal Probability Plot SPSS 10.1 4. Linieritas dengan mengamati scatterplots dari data yaitu dengan memilih pasangan data dan dilihat pola penyebarannya untuk menduga ada tidaknya linieritas. B. Evalusi atas Outlier 1. Mengamati nilai Z-score, ketentuannya diantara + 3,0 non outlier. 2. Multivariate outlier diuji dengan kriteria jarak Mahalanobis pada tingkat p 0,001. Jarak diuji dengan Chi Square χ pada df sebesar jumlah variabel bebasnya. Ketentuan : bila Mahalanobis dari nilai χ adalah multivariate outlier. Outlier adalah observasi atau data yang memiliki karakteristik unik yang terlihat sangat berbeda dibandingkan observasi-observasi yang lain dan muncul dalam bentuk nilai ekstrim untuk sebuah variabel tunggal atau variabel kombinasi. C. Deteksi Multicolinearity dan Singularity Deteksi dengan mengamati Determinant Matrix Covariance. Dengan ketentuan apabila determinant sample matrix mendekati angka 0 kecil, maka terjadi multikolinearitas dari singulaitas Tabachnick dan Fidell, 1998. 35 D. Uji Validitas dan Reliabilitas Dimensi yang diukur melalui indikator-indikator dalam daftar pertanyaan perlu dilihat reliabilasnya dan validitas, dalam hal ini dijelaskan sebagai berikut : a. Uji Validitas Validitas menyangkut tingkat akurasi yang dicapai oleh sebuah indikator dalam menilai sesuatu atau akuranya pengukuran atas apa yang seharusnya diukur. Karena indikator multidimensi, maka uji validitas dari setiap latent variabel construct akan diuji dengan melihat loading faktor dari hubungan antara setiap observed variabel dan latent variabel. b. Uji Reliablitas Adalah ukuran mengenai konsistensi internal dari indikator-indikator sebuah konstruk yang menunjukkan derajat sampai dimana masing-masing indikator itu mengindikasikan sebuah konstruk yang umum. Sedangkan reliabilitas diuji dengan construct reliability dan variance extraced. Construct reliability dan Variance extraced dihitung dengan menggunakan rumus sebagai berikut : Construct reliability = [ ] [ ] j E ding dardizeLoa S ding dardizeLoa S ∑ ∑ ∑ + 2 2 tan tan Variance Extracted = ∑ ∑ ∑ + Ej ding dardizeLoa S ding dardizeLoa S 2 2 tan tan 36 Sementara εj dapat dihitung denga formula εj=1-Standardize Loading secara umum, nilai consturct reliability yang dapat diterima adalah ≥ 0,7 dan variance estrated ≥ 0,5 Hair et al., 1998. Standardize Loading dapat diperoleh dari output AMOS 4.01, dengan melihat nilai estimasi setiap construct standardize regression weigths terhadap setipa butir sebagai indikatornya.

3.4.3. Pengujian Hipotesis dan Hubungan Kausal

Pengaruh langsung koefisien jalur diamati dari bobot regresi terstandar, dengan pengujian signifikansi pembanding nilai CR Critical Ratio atau p Probability yang sama dengan nilai t hitung ,. Apabila t hitung lebih besar daripada t tabel

3.4.4. Pengujian Model dengan One-Step Approach berarti signifikan.

Dalam model SEM, model pengukuran dan model structural parameter- parameternya dieliminasi secara bersama-sama. Cara ini agak mengalami kesulitan dalam memenuhi tuntutan fit model. Kemungkinan terbesar disebabkan oleh terjadinya interaksi antara measurement model dan structural model yang diestimasi bersama One Step Approach to SEM yang digunakan apabila model diyakini bahwa dilandasi teori yang kuat serta validitas dan reliabilitas yang sangat baik.

3.4.5. Pengujian model dengan Two-Step Approach

Two-Step Approach digunakan untuk mengatasi masalah sampel data yang relatif kecil jika dibandingkan dengan jumlah butir instrumentasi yang digunakan 37 Hartline Ferrel, 1996, dan keakuratan realibilitas indikator-indikator terbaik dapat dicapai dalam two-step approach. Two-Step Approach bertujuan untuk menghindari interaksi antara model pengukuran dan model struktual pada One- Step Approach Hair, et,al., 1998. Yang dilakukan dalam two-step approach to SEM adalah : estimasi terhadap measurement model dan estimasi terhadap structural model Anderson dan Gerbing, 1998. Cara yang dilakukan dalam menganalisis SEM dengan two- step approach adalah sebagai berikut : a. Menjumlahkan skala butir-butir setiap konstruk menjadi sebuah indikator summed-scale bagi setiap konstruk. Jika terdapat skala yang berbeda setiap indikator tersebut distandarisasi Z-scores dengan mean = 0, deviasi standar = 1, yang tujuannya adalah untuk mengeliminasi pengaruh-pengaruh skala yang berbeda tersebut Hair, et.al., 1998. b. Menetapkan error ε dan lambda λ term, error term dapat dihitung dengan rumus 0,1 kali 2 σ dan lambda term dengan rumus 0,95 kali σ Anderson dan Gerbing, 1998. Perhitungan Construk reliability α telah dijelaskan pada bagian sebelumnya dan deviasi standar σ dapat dihitung dengan bantuan program aplikasi statistik SPSS. Setelah error ε dan lambda λ terms diketahui, skor- skor tersebut dimasukkan sebagai parameter fix pada analisis model pengukuran SEM. 38

3.4.6. Evaluasi Model

Hair et.al. 1998 menjelaskan bahwa pola “confirmatory” menunjukkan prosedur yang dirancang untuk mengevaluasi utilitas hipotesis-hipotesis dengan pengujian fit antara model teoritis dan data empiris. Jika model teoritis menggambarkan “good fit” dengan data, maka model dianggap sebagai yang diperkuat. Sebaliknya, suatu model teoritis tidak diperkuat jika teori tersebut mempunyai “poor fit” dengan data. AMOS dapat menguji apakah model “good fit” atau “poor fit”. Jadi “good fit” model yang diuji sangat penting dalam menggunakan Structural Equation Modeling. Pengujian terhadap model dikembangkan dengan menggunakan berbagai kriteria Goodness of Fit, yakni Chi Square, Probability, RMSEA, GFI, TLI, CFI, AGFI, CMINDF. Apabila model awal tidak good fit dengan data model dikembangkan dengan two step approach to SEM. Tabel 3.1.Goodness of Fit Index Goodness of Fit Index Keterangan Cut-off Value Χ 2 Menguji apakah covariance populasi yang diestimasi sama dengan covariance sampel apakah model sesuai dengan data - Chi Square Diharapkan kecil, 1 s.d 5, atau paling baik diantara 1 dan 2 Probability Uji signifikansi terhadap perbedaan matriks covariance data dan matriks covariance yang diestimasi. Minimum 0,1 atau 0,2 atau ≥ 0,05 RMSEA Mengkompensasi kelemahan Chi- Square pada sampel besar ≤ 0,08 GFI Menghitung proporsi tertimbang varian dalam matriks sampel yang dijelaskan oleh matriks covariance populasi yang diestimasi Analog ≥ 0,90 39 dengan R 2 dalam regresi berganda AGFI GFI yang disesuaikan terhadap DF ≥ 0,90 CMINDDF Kesesuaian antara data dengan model ≤ 2,00 TLI Perbandingan antara model yang diuji terhadap baseline model ≥ 0,95 CFI Uji kelayakan model yang tidak sensitif terhadap besarnya sampel dan kerumitan model ≥ 0,94 Sumber 1. X : Hair et.al., 1998 2 - Chi Square Statistic Alat uji paling fundamental untuk mengukura overall fit adalah Likehood Ratio Chi-Square Statistic. Chi-Square ini bersifat sangat sensitif terhadap besarnya sampel yang digunakan. Karenanya bila jumlah sampel cukup besar lebih dari 200, statistik Chi-Square ini harus di damping oleh alat uji lain. Model yang diuji akan dipandang baik atau memuaskan bila nilai Chi-Square- nya rendah. Semakin kecil nilai X 2 semakin baik model itu. Karena tujuan analisis adalah mengembangkan dan menguji sebuah model yang sesuai dengan data atau fit terhadap data, maka yang dibutuhkan justru sebuah nilai X 2 yang kecil dan tidak signifikan. 2. RMSEA-The Root Mean Square Error of Approximation RMSEA adalah sebuah indeks yang dapt digunakan mengkompensasi Chi- Square Statistik dalam sampel yang besar. Nilai RMSEA menunjukkan Goodness of Fit yang dapat diharapkan bila model diestimasi dalam populasi nilai RMSEA yang lebih kecil atau sama dengan 0,8 merupakan indeks untuk dapat diterimanya model yang menunjukkan sebuah close fit dari model itu berdasarkan of freedom. 40 3. GFI-Goodness of Fit Index GFI adalah analog dari R 2 4. AGFI-Adjusted Goodness of Fit Index dalam regresi berganda. Indeks kesesuaian ini akan menghitung proposi tertimbang dari varian dalam matriks kovarians sampel yang dijelaskan oleh matriks kovarians populasi yang terestimasi. GFI adalah sebuah ukuran non-statistikal yang mempunyai rentan nilai antara 0 poor fit sampai dengan 1,0 perfect fit. Nilai yang tinggi dalam indeks ini menunjukkan sebuah “better fit”, AGFI=GFIDF 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 varian dalam sebuah matriks kovarians sampel. Nilai sebesar 0,95 dapat diinterpretasikan sebagi tingkatan yang baik good overal model fit sedangkan besaran nilai antara 0,90 sampai 0,95 menunjukkan tingkatan cukup adequate fit 5. TLI-Tucker Lewis Index TLI adaalh sebuah alternatif incremental fit indeks 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. 41 6. CMINDF sebagai salah satu indikator yang mengukur tingkat fitnya sebuah model. Dalam hal ini DMINDF tidak lain adalah statistik chi-square, X 2 dibagi DF-nya sehingga disebut X 2 relatif. Nilai X 2 relatif kurang dari 2,0 atau bahkan kadang kurang dari 3,0 adalah indikasi dari acceptable fit antara model dan data. Nilai X 2 7. CFIComparative Fit Index relatif yang tinggi menandakan adanya perbedaan yang signifikan antara matriks kovarians yang diobservasi dan diestimasi. Besaran indeks ini adalah pada rentang nilai sebesar 0,1 dan semakin mendekati 1, mengindikasikan tingkat fit yang paling tinggi a very good fiit. Nilai yang direkomendasikan adalah CFI 0,95. Keunggulan dari indeks ini besarannya tidak dipengaruhi oleh ukuran sampel karena itu sangat baik untuk mengukur tingkat penerimaan sebuah model. Indeks CFI adalah identik dengan relative noncentrality index RNI, terhadap variabel terikat. 42

BAB IV HASIL PENELITIAN DAN PEMBAHASAN