Ruang Lingkup Penelitian Metode Pengumpulan Data Metode Analisis Data 1. Analisis Jalur

45

BAB III METODOLOGI PENELITIAN

A. Ruang Lingkup Penelitian

Dalam penelitian ini, data yang digunakan adalah data perusahaan public yang terdaftar di index LQ45 sebagai objek penelitian. LQ45 merupakan indeks perusahaan yang terdiri dari 45 perusahaan emiten yang mempunyai tingkat likuiditas yang baik . Ditetapkan pada perusahaan yang terdaftar di LQ45 karena jenis usaha yang terdiri dari berbagai sektor yang dapat melengkapi penelitian-penelitian terdahulu dan data yang diperoleh lebih lengkap dibandingkan dengan hanya memilih satu sektor tertentu. Adapun variabel yang digunakan adalah leverage DAR, aktivitas TAT, likuiditas CR, profitabilitas ROA dan nilai perusahaan PBV

B. Metode Penentuan Sampel 1. Populasi

Populasi ialah semua nilai baik hasil peritungan maupun pengukuran, baik kuantitatif maupun kualitatif, dari pada karakteristik tertentu menganai sekelompok objek yang lengkap dan jelas Husaini dan Setiady, 2006:181. Populasi pada penelitian adalah perusahaan yang terdaftar di LQ45 periode pengamatan 2009-2015. 46

2. Sampel

Sampel adalah bagian yang diambil sebagian dari anggota populasi Husaini dan Setiady, 2006:181. Sampel penelitian yang diambil adalah 22 perusahaan yang terdaftar pada LQ45 tahun 2009-2015. Dalam penelitian ini metode atau teknik yang digunakan adalah Teknik Sampling Purposive Sampling yang merupakan teknik penentuan sampel yang dipilih secara khusus berdasarkan tujuan penelitian Husaini dan Setiady, 2006:186. Adapun kriteria dalam penelitian ini adalah: a. Merupakan perusahaan yang terdaftar secara berturut-turut dalam indeks LQ45 selama periode 2009-2015 b. Perusahaan yang mempublikasikan laporan keuangan berturut-turut selama periode tahun 2009 sampai dengan 2015 c. Perusahaan yang secara berturut-turut tidak mengalami kerugian selama periode 2009-2015 Hasil dari pertimbangan atau kriteria sampel yang ditemukan di atas, didapatkan sejumlah sampel perusahaan sebagai berikut: 47 Tabel 3.1 Tahapan Seleksi Sampel Berdasarkan Kriteria No Keterangan Jumlah 1 Perusahaan yang terdaftar dalam indeks LQ 45 sampai dengan tahun 2015 45 2 Perusahaan yang tidak mempublikasikan laporan keuangan dan mengalami kerugian pada periode tahun 2009 sampai tahun 2015 23 3 Jumlah perusahaan yang memenuhi kriteria 22 4 Tahun Pengamatan 7 Total sampel data selama 7 tahun penelitian 154 Sumber : Data diolah Tabel 3.2 Daftar Sampel Perusahaan No Kode Nama Perusahaan 1 AALI PT. Astra Agro Lestari, Tbk 2 ADRO PT. Adaro Energy, Tbk 3 ASII PT. Astra Internasional, Tbk 4 BBCA PT. Bank Central Asia, Tbk 5 BBNI PT. Bank Negara Indonesia, Tbk 6 BBRI PT. Bank Rakyat Indonesia, Tbk 7 BDMN PT. Bank Danamon, Tbk 8 BMRI PT. Bank Mandiri, Tbk 9 GGRM PT. Gudang Garam, Tbk 10 INCO PT. Internasional Nickel Indonesia,Tbk 11 INDF PT. Indofood Sukses Makmur, Tbk 12 INTP PT. Indocement Tunggal Prakasa, Tbk 13 ITMG PT. Indo Tambangraya Megah, Tbk 14 JSMR PT. Jasa Marga, Tbk. 15 KLBF PT. Kalbe Farma, Tbk 16 LPKR PT. Lippo Karawaci, Tbk. 17 LSIP PT. London Sumatera Plantation, Tbk 18 PGAS PT. Perusahaan Gas Negara, Tbk. 19 PTBA PT. Tambang Batubara Bukit Asam, Tbk 20 SMGR PT. Semen Gresik, Tbk 21 TLKM PT. Telkom Indonesia, Tbk. 22 UNTR PT. United Tractors, Tbk Sumber: idx.co.id 48 Data perusahaan tersebut diambil dari Bursa Efek Indonesia sektor LQ45 berdasarkan kriteria yang menggunakan purposive sampling diperoleh data sebanyak 22 perusahaan.

C. Metode Pengumpulan Data

Metode pengumpulan data yang digunakan dalam penelitian ini adalah metode studi pustaka yang berarti data tersebut bersifat sekunder. Data sekunder adalah data yang diperoleh dari sumber yang ada dan tidak perlu dikumpulkan sendiri oleh peneliti. Data sekunder berupa sekunder adalah data yang diperoleh dari sumber yang ada dan tidak perlu dikumpulkan sendiri oleh peneliti. Data sekunder yaitu berupa laporan keuangan tahun 2009-2015 yang dapat diperoleh dari website resmi Bursa Efek Indonesia melalui www.idx.co.id. Selain itu, dalam penelitian ini metode pengumpulan data menggunakan studi kepustakaan yang berkaitan dengan masalah yang sedang diteliti maupun bahan yang bersifat teoritis dan relevan untuk dijadikan refrensi melalui buku literatur, jurnal, artikel, internet, website SSRN.com, pdfsearchengine.org, etc. yang dapat membantu dalam pemecahan masalah yang berkaitan dengan judul penelitian terkait dengan nilai perusahaan, keputusan pendanaan, kebijakan dividen, ukuran perusahaan dan profitabilitas. 49

D. Metode Analisis Data 1. Analisis Jalur

Path Analysis Teknik analisis data yang digunakan dalam penelitian ini yaitu teknik analisis data kuantitatif. Teknik analisis data kuantitatif adalah metode analisis data yang menggunakan perhitungan angka-angka dalam mengambil suatu keputusan didalam memecahkan masalah. Analisis jalur digunakan untuk melukiskan dan menguji model hubungan antar variabel yang berbentuk sebab akibat bukan bentuk hubungan interaktif reciprocal . Dengan demikian dalam model hubungan antar variabel tersebut, terdapat variabel independen yang dalam hal ini disebut variabel Eksogen Exogenous, dan variabel dependen yang disebut variabel endogen endogenous Sugiyono, 2009:297. Pada pengujian hipotesisnya penelitian ini menggunakan path analisis. Path analisis ini sudah dikembangkan oleh para ahli sejak tahun 1920-an. Sewall Wright adalah seorang Biometrician yang pada tahun 1920 telah sukses menggunakan analisis jalur untuk mempelajari penularan warna pada babi guinea dalam sebuah artikel yang berjudul “On the Nature of Size Factors”. Setelah itu Sewall Wright mengembangkan metode kuantitatif ini menjadi sebuah metode yang dirancang untuk memperkirakan efek yang diberikan, ditentukan oleh masing-masing penyebabnya. Teknik analisis tersebut sekarang dikenal dengan metode analisis jalur path analysis Riadi, 2013:1. 50 Menurut Haryono dan Wardoyo, 2012:81-82 beberapa manfaat path analysis diantaranya untuk: a. Memberikan penjelasan atau explenatin terahadap fenomena yang dipelajari atau permasalahan yang diteliti. b. Membuat prediksi nilai variabel endogen berdasarkan nilai eksogen. c. Mengetahui faktor dominan yaitu penentu variabel eksogen mana yang berpengaruh dominan terhadap variabel endogen, juga untuk mengetahui pengaruh jalur-jalur variabel eksogen terhadap variabel endogen, dan d. Pengujian model dengan menggunakan teori trimming baik untuk uji reliabilitas dari konsep yang sudah ada maupun konsep baru. Dalam buku Riadi 2013:12 mengajukan beberapa langkah dalam melakukan analisis jalur menjadi 8 delapan langkah yaitu: Langkah 1 : Gambarkan Diagram Jalur Secara Lengkap Full Path Diagram Langkah ini berkaitan dengan pembentukan model awal persamaan struktural sebelum dilakukan estimasi. Perlu diingat kembali bahwa dalam konteks path analysis model diagram jalur ini diformulasikan berdasarkan suatu teori yang kuat atau berdasarkan hasil penelitian sebelumnya. 51 Langkah 2 : Menentukan Persamaan Struktural Setelah model diagram jalur terbentuk, langkah berikutnya adalah menentukan persamaan struktural dalam bentuk skor baku. Langkah 3 : Menghitung Matriks Korelasi Antarvariabel Formula untuk menghitung koefisien korelasi yang dicari adalah menggunakan Product Moment Coefficient dari Karl Pearson. Alasan penggunaan teknik koefisien korelasi dari Kard Pearson ini karena variabel- variabel yang hendak dicari korelasinya memiliki skala pengukuran interval. Langkah 4 : Tentukan Koefisien Masing-Masing Jalur Menentukan koefisien masing-masing jalur jika telah diketahui koefisien korelasi, dan maka dengan mudah koefisien pengaruh dapat ditentukan dengan metode substitusi, eliminasi, atau metode diskriminan. Langkah 5 : Uji Signifikansi Koefisien Pengaruh Setelah koefisien yang memengaruhi masing-masing jalur diketahui, maka koefisien pangaruh ini perlu diuji signifikansinya. Untuk menguji signifikansi. Untuk menguji signifikansi masing-masing jalur dihitung dengan menggunakan rumus sebagai berikut. √ � 52 Keterangan: t = nilai t hitung setiap koefisien jalur = koefisien pengaruh � = koefisien pengaruh � = satuan matriks kolom 1 baris 1 jumlah pengamatan k = jumlah variable eksogenus pada substruktural Menghitung matriks invers korelasi variable eksogenus dengan rumus: � = [ � � � ] Selanjutnya pengaruh bersama-sama simultan variabel eksogenus terhadap variabel endogenus pada persamaan jalur subtruktural 1 dapat dihitung dengan menggunakan rumus: � − [ ] 53 Langkah 6 : Menentukan Faktor Residual Berdasarkan koefisien determinasinya, dapat diidentifikasikan factor residual atau error variance, yaitu besarnya pengaruh variable lain yang tidak diteliti − terhadap variable endogenus sebagaimana dinyatakan dalam persamaan struktural. Langkah 7 : Uji Kesesuaian Model Uji kesesuaian model dimaksudkan untuk menguji apakah model yang diusulkan memiliki kesesuaian fit dengan data atau tidak. Suatu model dikatakan fit apabila matriks korelasi tidak jauh berbeda dengan matriks korelasi estimasi. Tingkat kesesuaian model dalam buku Haryono dan Wardoyo,2012:71-74 terdiri dari: a. Absolut Fit Measure Absolut Fit Measure mengukur model fit secara keseluruhan baik model struktural maupun model pengukuran secara bersamaan. 1 Likehood-Ratio Chi-Square Statistic Ukuran fundamental dari overall fit adalah likehood-ratio chi-square . Nilai chi-square yang tinggi relative terhadap degree of fredom menunjukkan bahwa matrik kovarian atau korelasi yang diobservasi dengan prediksi berbeda secara nyata dan ini menghasilkan probabilitas p akan menghasilkan nilai probabilitas p yang lebih besar dari tingkat signifikansi α dan ini menunjukkan bahwa imput 54 matrik kovarian antara prediksi dengan observasi sesungguhnya tidak berbeda secara signifikan. Dalam hal ini peneliti harus mencari chi- square yang tidak signifikan karena mengharapkan bahwa model yang diusulkan cocok atau fit dengan data observasi. 2 CMIN Adalah menggambarkan perbedaan antara unrestricted sampel covariance matrix S dan restricted coavriance matrix ∑Ø atau secara esensi menggambarkan likelehood ratio test statistic yang umunya dinyatakan dalam Chi-Square χ2 statistics. Nilai statistik ini sama dengan N-1 Fmin ukuran besar sampel dikurangi 1 dan dikalikan dengan minimum fit function. Jadi nilai Chi-Square sangat sensitif terhadap besarnya sampel. Ada kecenderungan nilai Chi- square akan selalu signifikan. Oleh karena itu, jika nilai Chi-Square signifikan, maka dianjurkan untuk mengabaikannya dan melihat ukuran goodness fit lainnya. 2 CMINDF Adalah nilai chi-square dibagi dengan degree of freedom. Beberapa pengarang mengajurkan rasio ukuran ini untuk mengukur fit. Menurut Wheathon et. al 1997 dalam Haryono dan Wardoyo,2012:72nilai rasio 5 lima atau kurang dari merupakan ukuran yang reasonable. Peneliti lainnya seperti Bryne 1998 mengusulkan nilai rasio ini 2 merupakan ukuran fit. 55 3 Goodness of Fit Index GFI Goodness of Fit Index GIF dikembangkan oleh Joreskog dan Sorbon 1984 yaitu ukuran non-statistik yang nilainya berkisar antar 0 poor fit sampai 1.0 perfect fit. Nilai GFI tinggi menunjukkan fit yang lebih baik dan berapa nilai GFI yang dapat diterima sebagai nilai yang layak belum ada standarnya, tetapi banyak peneliti menganjurkan nilai di atas 90 sebagai ukuran good fit. 4 Root Mean Square Errors of Approximation RMSEA Root Mean Square Errors of Approximation RMSEA merupakan ukuran yang mencoba memperbaiki kecenderungan statistic chi- square menolak model dengan jumlah sampel yang besar. Nilai RMSEA antara 0.05 sampai 0.08 merupakan ukurang yang dapat diterima. Hasil uji empiris RMSEA cocok untuk menguji model konfitmatori atau competiting model strategi dengan jumlah sampel besar. b. Incremental Fit Measure Incremental Fit Measure membandingkan proposed model dengan baseline model sering disebut dengan null model. Null model merupakan model realistic dimana model-model yang lain harus diatasnya. 1 Adjusted Goodness of Fit Index AGFI 56 Adjusted Goodness of Fit Index AGFI merupakan pengembangan dari GFI yang disesuaikan dengan rasio degree of fredom untuk proposed model degree of fredom untuk null model. Nilai yang direkomendasikan adalah sama 0.90. 2 Tucker-Lewis Index TLI Tucker-Lewis Index TLI atau dikenal dengan non normed fit index NNFI. Pertama kali diusulkan sebagai alat untuk mengevaluasi analsisi faktor. Ukuran ini menggabungkan ukuran parsimory ke dalam index komparasi antara proposal model dan null model dan nilai TLI berkisar 0 sampai 1.0. Nilai yang direkomendasikan adalah sama 0.90 3 Normed Fit Index NFI Normed Fit Index NFI merupakan ukuran perbandingan antara proposed model dan null model. Nilai NFI akan bervariasi dari 0 no fit at all sampai 1.0 perfect fit. Seperti hanya TLI tidak ada nilai absolute yang dapat digunakan sebagai standar, tetapi umunya direkomendasikan sama atau 0.90. c. Parsimony Fit Measures Ukuran ini menghubungkan goodness-of-fit model dengan sejumlah koefisien estimasi yang diperlukan untuk mencapai level fit. Tujuan dasarnya adalah untuk mendiagnosa apakah model fit telah 57 tercapai dengan “overfitting” data yang memiliki banyak koefisien. Prosedur ini mirip dengan “adjustment” terhadap � didalam multiple regression. Namun demikian karena tidak ada uji statistik yang tersedia maka penggunaanya hanya terbatas untuk membandingkan model.. 2 Parsimony Normed Fit Index PNFI Parsimony Normed Fit Index PNFI merupakan modifikasi NFI. PNFI memasukkan jumlah degree of freedom yang digunakan untuk mencapai level fit. Semakin tinggi nilai PNFI semakin baik. Kegunaan utama dari PNFI semakin tinggi nilai PNFI semakin baik. Kegunaan utama daru PNFI adalah untuk membandingkan model dengan degree of fredom yang berbeda. Digunakan untuk membandingkan model alternatif sehingga tidak ada nilai yang direkomendasikan sebagai nilai fit yang diterima. Namun demikian jika membandingkan dua model maka perbedaan PNFI 0.60 sampai 0.90 menunjukkan adanya perbedaan model yang signifikan. 1 Parsimony Goodness of Fit Index PGFI Parsimony Goodness of Fit Index PGFI memodifikasi GFI atas dasar parsimony estimated model. Nilai GFI berkisar antara 0 sampai 1.0 dengan nilai semakin tinggi menunjukkan model lebih parsimony. 58 Tabel 3.3 Standar Penilaian Kesesuaian Fit Laporan Statistik Nilai yang direkomendasikan Imam Ghozali 2008 Cut of Value Keterangan Absolut Fit Probabilitas Tidak Signifikan p0.05 Model yang diusulkan cocok fit dengan data observasi df ≤ 5 Ukuran yang reasonable Ukuran fit 2 RMSEA 0.1 0.05 0.01 0.05 ≤ x ≤ 0.08 Good fit Very good fit Outsanding fit Reasonable fit GFI 0-1.0 Good fit Incremental Fit AGFI ≥ 0.90 Good fit TLI ≥ 0.90 Good fit NFI ≥ 0.90 Good fit Parsimonious Fit PNFI – 1.0 Lebih besar lebih baik PGFI – 1.0 Lebih besar lebih baik Sumber: Imam Ghozali, 2008 dalam Haryono dan Wardoyo,2012:218 Langkah 7: Pengaruh Langsung, Tidak Langsung dan Pengaruh Total Pada dasarnya mengestimasi koefisien yang memengaruhi dalam konteks analisis jalur dan bukan hanya menganalisis pengaruh langsung direct causal effectDCE, tetapi juga sekaligus mengestimasi pengaruh tidak langsung indirect causal effectICE, dan pengaruh total total causal effect TCE. Dalam mengestimasi DCE, ICE dan TCE ada baiknya kita perhatikan pendapat pearl 2000:411 sebagai berikut. a. Direct effect is meant to quantify an influence that is not mediated by other variables in the model or, more accurately, the sensitivity of Y to changes in X while all other factors in the analysis are held fixed. 59 b. The indirect effect IE measures the expected change in the dependent variable Y when the independent variable X is held fixed, and the mediator variable M change to the level it would have attained had independent variable increased by one unit, say from x to x+1 c. The total effect measures the extent to which the dependent variable changes when the independent variable increase by one uni. So, the total effect is equal to the sum of the direct and indirect effects. Pengaruh langsung DCE adalah ukuran pengaruh yang tidak dimediasi oleh variable lain dalam suatu model atau sensitivitas perubahan X perubahan X terhadap Y, dimana semua factor lain dalam analisis ini dibuat fix. Sedangkan pengaruh tidak langsung ICE adalah ukuran perubahan di mana variabel terikat berubah melalui variabel mediator apabila variabel bebas dibuat fix. Pengaruh total adalah jumlah dari pengaruh langsung dan pengaruh tidak langsung. Dengan demikian: TCE = DCE + ICE Keterangan: TCE = Total Causal Effect Pengaruh total DCE = Direct Causal Effect Pengaruh Langsung ICE = Indirect Causal Effect Pengaruh Tidak Langsung 60

E. Operasional Variabel Penelitian