4.1.4 Distribusi Sampel berdasarkan Profitabilitas
Profitabilitas yang digunakan adalah Return on Assset ROA dan Return on Equity
ROE. Distribusi sampel berdasarkan profitabilitas dapat dilihat pada Tabel 6 dan 7.
Tabel 6 Distribusi sampel berdasarkan ROA
No ROA
Jumlah Persentase
1 1 2,38
2 0 – 10
21 50,00
3 11 – 20
13 30,95
4 21 – 30
5 11,90
5 31 – 40
0,00 6
41 – 50 0,00
7 50
2 4,76 Total 42
Sumber : Hasil Analisis Data
Tabel 6 menunjukkan bahwa mayoritas sampel perusahaan 50 memiliki nilai ROA dalam rentang 0 – 10.
Tabel 7 Distribusi sampel berdasarkan ROE
No ROE
Jumlah Persentase
1 1
2,38 2
0 – 10 10
47,62 3
11 – 20 11
26,19 4
21 – 30 11
26,19 5
31 – 40 6
14,63 6
41 – 50 0,00
7 50
3 7,14
Total 42
Sumber : Hasil Analisis Data
Tabel 7 menunjukkan sampel perusahaan sebanyak 47,42 memiliki nilai ROE dalam rentang 1 – 10.
4.1.5 Distribusi Sampel berdasarkan Leverage
Leverage yang digunakan adalah Debt to Equity Ratio DER untuk
perusahaan dan Capital Adequacy Ratio CAR untuk perbankkan. Distribusi sampel berdasarkan leverage dapat dilihat pada Tabel 8.
Tabel 8 Distribusi sampel berdasarkan leverage
No DER CAR
Jumlah Persentase
1 2
0 - 10 11
26,19 3
11 - 20 6
14,29 4
21 - 30 2
4,76 5
31 - 40 3
7,14 6
41 - 50 2
4,76 7
50 18
42,86 Total 42
Sumber : Hasil Analisis Data
Tabel 8 menunjukkan sampel perusahaan sebanyak 42,86 memiliki nilai leverage
diatas 50.
4.2 Menilai Outer Model
Dari langkah-langkah penggunaan freeware SmartPLS 2.0 yang ada, maka langkah pertama adalah dengan menilai tiga kriteria didalam penggunaan teknik
analisa data yaitu menilai outer model melalui Convergent Validity, Discriminant Validity
dan Composite Reability. a.
Convergent Validity Convergent validity
dari model pengukuran dengan refleksif indikator dinilai berdasarkan korelasi antara item scorecomponent score yang diestimasi
dengan software PLS. Dalam penelitian ini digunakan batas loading factor sebesar 0,40.
Dari hasil analisa dengan menjalankan calculate-PLS algorithm diperoleh hasil seperti pada Gambar 5 berikut :
Gambar 5 Model awal untuk penghitungan Algoritma PLS
Hasil Olahan SmartPLS 2.0
Kemudian dilakukan eksekusi berulang sehingga diperoleh nilai akhir loading
≥ 0,40 untuk masing-masing indikator dan diperoleh hasil akhir sebagai berikut :
Gambar 6 Hasil penghitungan akhir Algoritma PLS Hasil Olahan SmartPLS 2.0
Terlihat indikator variabel yang dibuang adalah EC1, EC3, EC4, EC8, EC9, EL1, EL3, EL4, EL10, EL11, EL12, EL13, EL14, EN30, HR3, HR6,
PR5, PR6, PR8, SO2, SO3, SO4, SO5, SO6, SO8, ROA, ROE, DERCAR, dan model sudah dapat dikatakan stabil.
b. Discriminant Validity
Discriminant validity digunakan untuk memastikan bahwa setiap konsep
dari variabel latenkonstruk berbeda dengan variabel laten lainnya. Model mempunyai discriminant validity yang baik jika setiap nilai loading dari setiap
indikator dari sebuah variabel laten memiliki nilai loading yang paling besar dengan nilai loading lain terhadap variabel latennya. Hasil pengujian discriminant
variability terlampir.
Berdasarkan pengujian discriminant variability menunjukkan bahwa nilai korelasi indikator pengungkapan CSR lebih tinggi dibandingkan dengan konstrak
lainnya. Sama hal nya dengan indikator CR current ratio yang berkorelasi lebih tinggi dengan konstrak kinerja keuangan. Dan nilai korelasi indikator return
saham yang lebih tinggi dengan konstrak harga saham.
Pengecekan discriminant validity juga dapat dilakukan dengan menguji nilai korelasi variabel laten dengan nilai Average Variance Extracted AVE seperti
berikut :
Tabel 9 Korelasi variabel laten
Harga Saham Kinerja Keuangan
Pengungkapan CSR Harga saham
1 Kinerja Keuangan
0,021229 1
Pengungkapan CSR -0,22839
0,510158 1
Sumber : Hasil Olahan SmartPLS 2.0
Tabel 10 Average Variance Extracted
Average Variance Extracted Akar AVE
Pengungkapan CSR 0.474499
0.688839 Kinerja Keuangan
1.000.000 1.000000
Harga Saham 1.000.000
1.000000
Sumber : Hasil Olahan SmartPLS 2.0
Kategori