Statistik Deskriptif Partial Least Square PLS

79

C. Hasil Uji Analisis Data

1. Statistik Deskriptif

Variabel-variabel yang diteliti dari perusahaan sampel meliputi variabel laten dan variabel manifest. Variabel laten terdiri atas asimetri informasi, tingkat disclosure, kepemilikan manajerial, dan biaya ekuitas. Dan variabel manifest terdiri dari bid-ask spread, disclosure index, kepemilikan manajrial, Capital Asset Pricing Model CAPM. Tabel 4.3 Hasil Pengolahan Statistik Deskriptif Variabel Min Max Mean Standar Deviasi Asimetri Informasi Bid-Ask Spread 0,04 1,81 0,6863 0,3485 Tingkat Disclosure Disclosure Index 0,49 0,78 0,6153 0,0663 Kepemilikan Manajerial Kepemilikan Manajerial 0,01 10,20 1,8509 2,8382 Biaya Ekuitas Capital Asset Pricing Model CAPM -1,83 0,47 -0,0690 0,2119 Sumber: Output diolah dengan Microsoft Excel 2015 Tabel 4.3 menunjukkan hasil dari statistik deskriptif penelitian masing-masing variabel. Hasil uji statistik deskriptif terhadap bid-ask spread menunjukkan nilai minimal sebesar 0,04, nilai maksimal sebesar 1,81 dengan rata-rata mean sebesar 0,6863 dan memperoleh nilai standar deviasi sebesar 0,3485. Hasil uji statistik deskriptif terhadap disclosure index menunjukkan nilai minimum sebesar 0,49, nilai maksimum sebesar 0,78 dengan rata-rata mean sebesar 0,6153 80 dan memperoleh standar deviasi sebesar 0,0663. Hasil uji statistik deskriptif terhadap kepemilikan manajerial menunjukkan nilai minimum sebesar 0,01, nilai maksimum sebesar 10,20 dengan rata-rata mean sebesar 1,8509 dan memperoleh nilai standar deviasi sebesar 2,8382. Hasil uji statistik deksriptif terhadap Capital Asset Pricing Model CAPM menunjukkan nilai minimum sebesar -1,83, nilai maksimum sebesar 0,47 dengan rata-rata mean -0,0690 dan memperoleh nilai standar deviasi sebesar 0,2119.

2. Partial Least Square PLS

Teknik pengolahan data dengan menggunakan pendekatan SEM yang berbasis Partial Least Square PLS memerlukan 2 tahap untuk menilai Fit Model pada sebuah model penelitian. Tahap-tahap tersebut adalah sebagai berikut: a. Menilai Outer Model Atau Measurement Model Outer Model, yaitu spesifikasi hubungan antar variabel laten dengan indikatornya, disebut juga dengan outer relation atau measurement model, mendefinisikan karakteristik konstruk dengan variabel manifesnya. Teknik analisa data dengan menggunakan SmartPLS ada tiga kriteria untuk menilai outer model refleksif yaitu Convergent Validity, Discriminant Validity, dan Composite Reliability. Convergent Validity dari model pengukuran dengan refleksif indikator dinilai berdasarkan korelasi antara item scorecomponent score yang diestimasi dengan software PLS. 81 Ukuran refleksif individual dikatakan tinggi jika berkorelasi lebih dari 0,70 dengan konstruk yang diukur. Namun menurut Chin 1998 dalam Ghozali 2011:25 untuk penelitian tahap awal dari pengembangan skala pengukuran nilai loading 0,5 sampai 0,6 dianggap cukup memadai. Discriminant Validity dari model pengukuran dengan refleksif indikator dinilai dengan membandingkan nilai Root of Average Variance Extracted AVE setiap konstruk dengan korelasi antara kosntruk dengan konstruk lainnya dalam model. Jika AVE setiap konstruk lebih besar dari pada nilai korelasi antara kostruk dengan konstruk lainnya dalam model, maka dikatakan memiliki nilai Discriminant Validity yang baik Fornell dan Lacker, 1981 dalam Ghozali, 2011:25. Direkomendasikan nilai AVE harus lebih besar dari 0,50. Composite Reliability blok indikator yang mengukur suatu konstruk dapat dievaluasi dengan menggunakan internal consistency yang dikembangkan oleh Wert et. Al 1979 dalam Ghozali 2011. Variabel memiliki reliabilitas komposit yang baik jika memiliki composite reliability ≥ 0,70, walaupun bukan merupakan standar absolut. 1 Outer Model atau Measurement Model Variabel Asimetri Informasi Variabel Asimetri Informasi diukur oleh satu indikator yaitu bid-ask spread. Dalam penelitian ini asimetri informasi merupakan model reflektif. Uji terhadap outer loading 82 bertujuan untuk melihat korelasi antara score item atau indikator dengan konstruknya. Indikator dianggap reliable jika memiliki nilai korelasi diatas 0,70, namun dalam taham pengembangan korelasi 0,50 msaih dapat diterima Gozali, 2011:25. Untuk lebih jelas hasil pengolahan data dapat dilihat pada lampiran, gambar berikut ini adalah ringkasan pengolahan d a t a d e ngan menggunakan SmartPLS. Sumber: Output SmartPLS 2015 Gambar 4.1 Outer Loadings Measurement Model Variabel Asimetri Informasi Hasil pengolahan dengan menggunakan SmartPLS memperlihatkan nilai outer model atau korelasi antara indikator dengan variabel laten tidak memenuhi convergent validity. karena nilai korelasi untuk beberapa indikator tersebut berada dibawah 0,5, yakni pada indikator AI3 dan AI4 nilai korelasi hanya sebesar 0,268 dan 0,433, sedangkan pada indikator AI1 dan AI2 nilai korelasi sebesar 0,842 dan 0,700. Sehingga dapat 0,842 0,700 0,268 0,433 Asimetri Informasi AI1 AI2 AI3 AI4 83 disimpulkan bahwa variabel asimetri informasi dengan indikator AI3 dan AI4 tersebut dikatakan tidak bagus. Sedangkan untuk indikator AI1 dan AI2 tersebut dapat dikatakan layak dan bagus. Tabel 4.4 Nilai AVE Variabel Asimetri Informasi AVE AI 0,364211 TD 0.942331 KM 0.918492 BE 0.332617 AI KM 0.294133 TD KM 0.907080 Sumber: Output SMartPLS 2015, sig5 Nilai Ave untuk variabel asimetri informasi yaitu sebesar 0,364. Hasil ini lebih kecil dibandingkan dengan nilai yang direkomendasikan yaitu sebesar 0,5, yang berarti bahwa variabel asimetri informasi adalah tidak valid dan tidak memiliki nilai discriminant validity yang baik. Tabel 4.5 Composite Reliability Variabel Asimetri Informasi Composite Reliability AI 0,664036 TD 0.984929 KM 0.978272 BE 0.612277 AI KM 0.160873 TD KM 0.993634 Sumber: Output SMartPLS 2015, sig5 Nilai composite reliability dari variabel asimetri informasi adalah sebesar 0,664. Dari hasil perhitungan tersebut nilai composite reliability ≤ 0,7, hasil ini masih dapat ditolerir 84 karena model masih dalam tahap pengembangan. Maka dapat disimpulkan bahwa variabel asimetri informasi cukup reliabel. 2 Outer Model atau Measurement Model Variabel Tingkat Disclosure Variabel tingkat disclosure perusahaan diukur dengan satu indikator yaitu dislcoure index menggunakan model reflektif. Uji terhadap outer loading bertujuan untuk melihat korelasi antara score item atau indikator dengan konstruknya. Indikator dianggap reliable jika memiliki nilai korelasi diatas 0,70, namun dalam taham pengembangan korelasi 0,50 msaih dapat diterima Gozali, 2011: 25. Untuk lebih jelas hasil pengolahan data dapat dilihat pada lampiran, gambar berikut ini adalah ringkasan pengolahan data dengan menggunakan SmartPLS. Sumber: Output SmartPLS 2015 Gambar 4.2 Outer Loadings Measurement Model Variabel Tingkat Disclosure Hasil pengolahan dengan menggunakan SmartPLS memperlihatkan nilai outer model atau korelasi antara indikator dengan variabel laten yang secara umum sudah memenuhi 0,951 0,976 0,977 0,978 Tingkat Disclosure TD3 TD4 TD2 TD1 85 convergent validity. Nilai korelasi untuk indikator tersebut diatas 0,5 yakni sebesar 0,951, 0,976, 0,977, 0,978, sehingga dapat disimpulkan bahwa variabel tersebut dapat dikatakan layak atau bagus. Tabel 4.6 Nilai AVE Variabel Tingkat Disclosure AVE AI 0,364211 TD 0.942331 KM 0.918492 BE 0.332617 AI KM 0.294133 TD KM 0.907080 Sumber: Output SMartPLS 2015, sig5 Nilai AVE untuk variabel tingkat disclosure yaitu sebesar 0,942. Hasil ini lebih besar dari nilai yang direkomendasikan yaitu sebesar 0,5, yang berarti bahwa variabel tingkat disclosure adalah valid dan memiliki nilai discriminant validty yang baik. Tabel 4.7 Composite Reliability Variabel Tingkat Disclosure Composite Reliability AI 0,664036 TD 0.984929 KM 0.978272 BE 0.612277 AI KM 0.160873 TD KM 0.993634 Sumber: Output SMartPLS 2015, sig5 Nilai composite reliability dari variabel tingkat disclosure adalah sebesar 0,985. Dari hasil perhitungan tersebut nilai composite reliability ≥ 0,7, maka dapat disimpulkan bahwa variabel tingkat disclosure adalah reliabel atau dapat dipercaya. 86 3 Outer Model atau Measurement Model Variabel Kepemilikan Manajerial Variabel kepemilikan manajerial diukur dengan satu indikator yaitu kepemilikan manajerial menggunakan model reflektif. Dari konstruk tersebut akan dinilai loading factornya apakah memenuhi nilai Convergent Validity atau dibawah nilai yang dianjurkan. Hasil pengolahan data dengan menggunakan SmartPLS untuk Loading Factor untuk variabel kepemilikan manajerial dapat dilihat pada gambar 4.3 sebagai berikut: Sumber: Output SmartPLS 2015 Gambar 4.3 Outer Loadings Measurement Model Variabel Kepemilikan Manajerial Hasil pengolahan dengan menggunakan SmartPLS memperlihatkan nilai outer model atau korelasi antara indikator dengan variabel laten yang secara umum sudah memenuhi convergent validity. Nilai korelasi untuk indikator tersebut 0,954 0,983 0,988 0,906 Kepemilikan Manajerial KM1 KM2 KM3 KM4 87 diatas 0,5, yakin sebesar 0,954, 0,983, 0,988, 0,906, sehingga dapat disimpulkan bahwa variabel tersebut dapat dikatakan layak atau bagus. Tabel 4.8 Nilai AVE Variabel Kepemilikan Manajerial AVE AI 0,364211 TD 0.942331 KM 0.918492 BE 0.332617 AI KM 0.294133 TD KM 0.907080 Sumber: Output SMartPLS 2015, sig5 Nilai AVE untuk variabel kepemilikan manajerial yaitu sebesar 0,918. Hasil ini lebih besar dari nilai yang direkomendasikan yaitu sebesar 0,5, yang berarti bahwa variabel kepemilikan manaejerial adalah valid dan memiliki nilai discriminant validiy yang baik. Tabel 4.9 Composite Reliability Variabel Kepemilikan Manajerial Composite Reliability AI 0,664036 TD 0.984929 KM 0.978272 BE 0.612277 AI KM 0.160873 TD KM 0.993634 Sumber: Output SMartPLS 2015, sig5 Nilai composite reliability dari variabel kepemilikan manajerial adalah sebesar 0,978. Dari hasil perhitungan tersebut nilai composite reliability ≥ 0,7, maka dapat disimpulkan bahwa variabel kepemilikan manajerial adalah reliabel atau dapat dipercaya. 88 4 Outer Model atau Measurement Model Biaya Ekuitas Variabel biaya ekuitas diukur dengan satu indikator yaitu Capital Asset Pricing Model CAPM menggunakan model reflektf. Hasil pengolahan data dengan menggunakan SmartPLS untuk Loading Factor untuk variabel biaya ekuitas dapat dilihat pada gambar 4.4 sebagai berikut: Sumber: Output SmartPLS 2015 Gambar 4.4 Outer Loadings Measurement Model Variabel Biaya Ekuitas Hasil pengolahan dengan menggunakan SmartPLS memperlihatkan nilai outer model atau korelasi antara indikator dengan variabel laten tidak memenuhi convergent validity. karena nilai korelasi untuk beberapa indikator tersebut berada dibawah 0,5, yakni pada indikator BE2 dan BE3 nilai korelasi hanya sebesar 0,404 dan 0,177, sedangkan pada indikator BE1 dan BE4 nilai korelasi sebesar 0,898 dan 0,574. Sehingga dapat disimpulkan bahwa variabel biaya ekuitas dengan indikator BE2 dan BE3 tersebut dikatakan tidak bagus. Sedangkan untuk indikator BE1 dan BE4 tersebut dikatakan layak dan bagus. 0,898 0,404 0,177 0,574 Biaya Ekuitas BE1 BE2 BE3 BE4 89 Tabel 4.10 Nilai AVE Variabel Biaya Ekuitas AVE AI 0,364211 TD 0.942331 KM 0.918492 BE 0.332617 AI KM 0.294133 TD KM 0.907080 Sumber: Output SMartPLS 2015, sig5 Nilai Ave untuk variabel biaya ekuitas yaitu sebesar 0,333. Hasil ini lebih kecil dibandingkan dengan nilai yang direkomendasikan yaitu sebesar 0,5, yang berarti bahwa variabel biaya ekuitas adalah tidak valid dan tidak memiliki nilai discriminant validity yang baik. Tabel 4.11 Composite Reliability Variabel Biaya Ekuitas Composite Reliability AI 0,664036 TD 0.984929 KM 0.978272 BE 0.612277 AI KM 0.160873 TD KM 0.993634 Sumber: Output SMartPLS 2015, sig5 Nilai composite reliability dari variabel biaya ekuitas adalah sebesar 0,612. Dari hasil perhitungan tersebut nilai composite reliability ≤ 0,7, hasil ini masih dapat ditolerir karena model masih dalam tahap pengembangan. Maka dapat disimpulkan bahwa variabel biaya ekuitas cukup reliabel. 90 b. Menilai Inner Model atau Structural Model Pengujian inner model atau model structural dilakukan untuk melihat hubungan antara variabel, nilai signifikansi dan R-square dari model penelitian. Penilaian model PLS dimulai dengan melihat R-square untuk setiap variabel laten dependen. Perubahan nilai R-square dapat digunakan untuk menilai pengaruh variabel laten independen tertentu terhadap variabel laten dependen apakah mempunyai pengaruh yang subtantif. Tabel berikut ini merupakan hasil estimasi R-square dengan menggunakan SmartPLS. Tabel 4.12 Nilai R- SQUARE R Square AI TD KM BE 0,579156 AI KM TD KM Sumber: Output SMartPLS 2015, sig5 Tabel 4.11 ini menunjukkan nilai R-square konstruk BE biaya ekuitas sebesar 0,579. Semakin tinggi nilai R-square, maka semakin besar kemampuan variabel independen tersebut dapat menjelaskan variabel dependen sehingga semakin baik persamaan struktural. Variabel BE biaya ekuitas memiliki nilai R-square sebesar 0,579 yang berarti 57,9 variance AI asimetri informasi, TD tingkat disclosure, dan KM kepemilikan manajerial mampu dijelaskan oleh variabel BE biaya ekuitas. 91

3. Hasil Pengujian Hipotesis