Tehnik Analisis dan Uji Hipotesis

3.3.2 Sumber Data

Sumber data yang diperlukan dalam penelitian ini adalah laporan keuangan perusahaan berupa laporan neraca serta laporan laba rugi masing- masing perusahaan jasa transportasi yang diambil dari data ICMD.

3.3.3 Pengumpulan Data

Dalam rangka memperoleh data-data yang diperlukan, maka metode pengumpulan data yang akan digunakan yaitu metode dokumentasi. Metode dokumentasi adalah cara-cara pengumpulan data yang berkaitan dengan objek penelitian.

3.4 Tehnik Analisis dan Uji Hipotesis

3.4.1 Teknik Analisis Data

Teknik analisis data yang digunakan dalam mencari pemecahan atas permasalahan yang diangkat pada penelitian ini adalah melakukan Structural Equation Modeling SEM. Teknik SEM dengan analisis jalur digunakan untuk menguji model kausalitas yang telah dinyatakan sebelumnya dalam berbagai hubungan sebab akibat, melalui model SEM akn terlihat ada atau tidaknya kesesuaian model dari hubungan kausalitas yang dibangun dalam model yang di uji. Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber. Persamaan-persamaan struktural dibangun dengan pedoman berikut : Variabel Endogen = Variabel Eksogen + Variabel Endogen + Error Y 1 = 1 X 1 + 2 X 2 + 3 X 3 + 4 X 4 + ζ 1 ζ 2 Y 2 = 1 X 1 + 2 X 2 + 3 X 3 + 4 X 4 + 1 Y 1 + Dimana : Y 1 = Struktur modal Y 2 = Harga saham X 1 = Pertumbuhan pendapatan X 2 = Struktur aktiva X 3 = Profitabilitas X 4 = Rasio hutang = regression weigh = disturbance term Berdasarkan model yang terbentuk akan dapat diketahui apakah semua variabel bebas secara bersama-sama mempunyai pengaruh yang signifikan atau tidak terhadap struktur modal serta pengaruhnya terhadap harga saham. Sehingga dapat disimpulkan apakah hipotesis penelitian ini diterima atau ditolak. Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.

3.4.2 Asumsi SEM Structural Equation Modeling

Asumsi-asumsi yang harus dipenuhi dalam prosedur pengumpulan dan pengolahan data yang dianalisis dengan pemodelan SEM, menurut Ferdinand 2003 adalah sebagai berikut : 1. Normalitas dan Linearitas Sebaran data harus dianalisis untuk melihat apakah asumsi normalitas dipenuhi sehingga data dapat diolah lebih lanjut untuk pemodelan SEM ini. Normalitas dapat diuji dengan melihat gambar histogram data atau dapat diuji dengan metode-metode statistik. Uji normalitas ini perlu dilakukan baik untuk normalitas terhadap data tunggal maupun normalitas multivariat dimana beberapa variabel digunakan sekaligus dalam analisis terakhir. Uji linearitas dapat dilakukan dengan mengamati scatterplots dari data yaitu dengan memilih pasangan data dan dilihat pola penyebarannya untuk menduga ada tidaknya linearitas. 2. Outliers Outliers adalah observasi yang muncul dengan nilai ekstrim baik secara univariat maupun multivariat. Dapat diadakan perlakuan khusus pada outliers ini asalkan diketahui bagaimana munculnya outliers itu. Outliers pada dasarnya dapat muncul dalam empat 4 kemungkinan, yaitu Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber. 1 Karena kesalahan prosedur seperti kesalahan dalam memasukkan mengentry data, 2 Karena keadaan yang benar-benar khusus tetapi peneliti harus mempunyai penjelasan mengenai penyebab munculnya nilai ekstrim, 3 Karena adanya suatu alasan tetapi peneliti tidak dapat mengetahui apa penyebabnya atau tidak ada penjelasan dasar munculnya nilai ekstrim, 4 Outliers dapat muncul dalam interval nilai yang ada, biasanya disebut dengan multivariate outliers. 3. Multicollinearity dan Singularity Multikolinearitas dapat dideteksi dari determinan matriks kovarians. Nilai-nilai determinan matriks kovarians yang sangat kecil extremely small memberi indikasi hadirnya problem multikolinearitas atau singularitas. 4. Goodness of Fit Model Dalam analisis SEM terdapat beberapa alat uji statistik yang digunakan untuk mengukur derajat kesesuaian dengan model yang dihipotesiskan dengan data yang disajikan. Adapun indeks kesesuaian dan nilai Cut-off yang dapat digunakan untuk menguji apakah sebuah model dapat diterima atau ditolak adalah sebagai berikut : Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber. 1 X² - Chi – Square Statistic Chi Square Xy ini bersifat sangat sensitif terhadap besarnya sampel yang digunakan yaitu terhadap sampel yang terlalu kecil maupun terlalu besar. Penggunaan Chi Square hanya sesuai bila ukuran sampel antara 100 dan 200. Bila sampel ada di luar tentang itu, uji signifikan menjadi kurang variabel. Oleh karena itu pengujian ini perlu dengan alat uji yang lain. 2 Significance probability Significance probability adalah uji signifikansi terhadap perbedaan matriks covariance data dan matriks covariance yang diestimasi. 3 RMSEA The Root Mean Square Error of Approximation RMSEA adalah sebuah indeks yang dapat digunakan untuk mengkompensasi Chi Square dalam sampel besar. Nilai RMSEA mewujudkan Goodness of Fit yang dapat diharapkan bila model diestimasi dalam populasi. Nilai RMSEA yang lebih kecil atau sama dengan 0,08 menunjukkan indeks untuk dapat diterimanya suatu model yang menunjukkan Close Fit dan model itu berdasarkan Degrees of Freedom. Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber. 4 GFI Goodness of Fit Index GFI adalah analog dari R² dalam regresi berganda. Indeks kesesuaian ini menghitung proporsi tertimbang dari varians dalam matriks kovarian sampel yang dijelaskan oleh matriks kovarians yang terestimasi. 5 AGFI Adjusted Goodness of Fil Index GFI maupun AGFI adalah kriteria yang memperhitungkan proporsi tertimbang, dari varians dalam sebuah matriks kovarians sampel. Tingkat penerimaan yang direkomendasikan adalah bila AGFI mempunyai nilai sama dengan atau lebih besar dari 0,90. 6 CMINDF The minimum sample discrepancy function CMIN dibagi dengan degree of freedom nya akan menghasilkan indeks CMINDF, yang umumnya dilaporkan oleh para peneliti sebagai salah satu indikator untuk mengukur tingkat fitnya sebuah model. Dalam hal ini CMINDF tidak lain adalah statistik chi-square, X² dibagi DFnya sehingga disebut X²-relatif. Nilai X²-relatif kurang dari 2,0 atau bahkan kadang kurang dari 3,0 adalah indikasi dari acceptable fit antara model dan data. Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber. 7 TLI Tucker Lewis Index TLI adalah sebuah alternatif incremental fit index 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 fery good fit. 8 CFI Comparative Fit Index Besaran indeks adalah rentang nilai sebesar 0 – 1, dimana semakin mendekati 1, mengidentifikasikan tingkat fit yang paling tinggi. Nilai yang direkomendasikan adalah CFI 0,95. Keunggulan dari indeks ini besarnya tidak dipengaruhi oleh sampel. Dengan demikian indeks-indeks yang dapat digunakan untuk menguji kelayakan sebuah model adalah seperti yang diringkas dalam table berikut ini. Goodness of Fit Index Cut- off Value X²-Chi-Square Diharapkan kecil Significance Probability ≥ 0,05 RMSEA ≤ 0,08 GFI ≥ 0,90 AGFI ≥ 0,90 CMINDF ≤ 2,00 TLI ≥ 0,95 CFI ≥ 0,95 Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.

3.4.3 Evaluasi atas Asumsi-asumsi SEM

1. Evaluasi Normalitas Sebaran Sebaran data harus dianalisis untuk mengetahui apakah asumsi normalitas dipenuhi, sehingga data dapat diolah lebih lanjut pada path diagram . Untuk menguji normalitas distribusi data yang digunakan dalam analisis, peneliti dapat menggunakan uji-uji statistik. Uji statistik yang paling mudah adalah dengan mengamati skewness value dari data yang digunakan, yang biasa disajikan dalam statistik deskriptif dari hampir semua program statistik. Nilai statistik untuk menguji normalitas itu disebut sebagai Z-value yang dihasilkan melalui rumus berikut ini : Nilai = Skewness √6N Dimana N adalah ukuran sampel. Bila nilai Z lebih besar daripada nilai kritis atau critical ratio Ferdinand, 2000 : 95 maka dapat diduga bahwa distribusi data adalah tidak normal. Nilai kritis ini dapat ditentukan berdasarkan tingkat signifikansi yang dikehendaki. Nilai kritis yang umum digunakan adalah nilai kritis sebesar ± 1,96 yang berarti asumsi normalitas ditolak pada tingkat signifikansi 0,05 5. Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber. 2. Evaluasi Outliers Outliers merupakan observasi data atau data yang memiliki karakteristik unik yang terlihat sangat berbeda jauh dari observasi- observasi yang lain dan muncul dalam bentuk nilai ekstrim, baik untuk sebuah variabel tunggal maupun variabel-variabel kombinasi Hair et.al, 1995. Adapun outliers dapat dievaluasi dengan dua cara, yaitu analisis terhadap univariate outliers dan analisis terhadap multivariate outliers Hair et.al.1995. a Univariate Outliers Deteksi terhadap adanya outliers univariate dilakukan dengan menentukan nilai ambang yang akan dikategorikan sebagai outliers dengan cara mengkonversi nilai data penelitian ke dalam standard score atau dengan standar sebesar 1 Hair et.el, 1995. b Multivariate Outliers Uji terhadap outliers multivariate dilakukan dengan menggunakan jarak mahalanobis pada tingkat p 0,001. Jarak mahalanobis ini dievaluasi menggunakan X² pada derajat bebas sebesar jumlah variabel yang digunakan dalam penelitian. Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber. 3. Evaluasi Multicolinearity dan Singularity Untuk melihat apakah pada data penelitian terhadap multicollinearity atau singularity dalam sebuah kombinasi variabel, maka yang perlu diamati adalah determinan matriks kovarians. Determinan yang kecil atau mendekati NOL akan mengindikasikan adanya multikolinearitas atau singularitas, sehingga data itu tidak digunakan untuk penelitian Ferdinand, 2000 : 108.

3.4.4 Uji Validitas dan Uji Reliabilitas

Validitas instrumen kuesioner adalah suatu derajat ketepatan alat ukur pengukuran penelitian tentang isi yang sebenarnya diukur. Uji validitas item untuk menguji apakah tiap butir pertanyaan benar-benar sahid atau valid. Sebagai alat ukur yang digunakan, analisis ini dilakukan dengan cara mengkorelasikan masing-masing skor item dengan skor totalnya. Dalam hal ini korelasi dinilai dengan tingkat signifikan ≤ 5. Validitas data penelitian ditentukan oleh proses pengukuran yang akurat, karena itu jika sinonim realibilitas adalah konsistensi, maka esensi dari validitas adalah akurasi. Reliabilitas adalah ukuran mengenai konsistensi internal dari indikator-indikator sebuah konstrukyang menunjukkan derajat sampai dimana masing-masing indikator itu mengindikasikan sebuah konstrukfaktor laten yang umum, dengan kata lain bagaimana hal-hal Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber. yang spesifik saling membantu dalam menjelaskan sebuah fenomena yang umum. Composite Reliability diperoleh melalui rumus berikut ini : Construct-Reliability = Σ Standarized Loading² Σ Standarized Loading² + Σ ε φ Keterangan : 1 Standarized Loading diperoleh langsung dari Standarized Loading untuk tiap-tiap indikator yang didapat dari perhitungan komputer. 2 ε φ adalah measurement error dari tiap indikator measurement error diperoleh dari 1 reliabilitas indikator. Tingkat reliabilitas yang dapat diterima adalah 0,7. Walaupun angka ini bukanlah ukuran yang mati, artinya apabila penelitian yang dilakukan bersifat eksplanatori maka nilai dibawah 0,7 masih dapat diterima sepanjang disertai dengan alasan-alasan empirik yang terlihat dalam proses eksplorasi. Ukuran reliabilitas yang kedua adalah Variance Extracted, yang menunjukkan jumlah varians yang dari indikator-indikator yang diekstrasi oleh konstruk laten yang dikembangkan. Nilai variance extracted yang tinggi menunjukkan bahwa indikator-indikator itu telah mewakili secara baik konstruk laten yang dikembangkan.nilai variance extracted ini direkomendasikan pada tingkat paling sedikit 0,50. Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber. Variance Extrated diperoleh melalui rumus berikut ini : Construct-Reliability = Σ Standarized Loading² Σ Standarized Loading² + Σ ε φ Keterangan : 1 Standarized Loading diperoleh langsung dari Standarized Loading untuk tiap-tiap indikator yang didapat dari perhitungan komputer. 2 ε φ adalah measurement error dari tiap indikator measurement error diperoleh dari 1 reliabilitas indikator. Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber. BAB IV HASIL PENELITIAN DAN PEMBAHASAN 4.1. Deskripsi Obyek Penelitian 4.1.1. Gambaran Umum Bursa Efek Indonesia