diukur dengan informasi keuangan berupa return on equity dan revenue growth.
E. Teknik Analisis Data
Dalam penelitian ini, perlu dilakukan langkah-langkah pengolahan data.
Berikut ini adalah langkah-langkah pengolahan data:
1. Mengumpulkan data
Data yang dikumpulkan dalam penelitian ini adalah laporan keuangan perusahaan perbankan yang terdaftar di BEI tahun 2010-2014.
Mengumpulkan data untuk menghitung intellectual capital proksi VAIC
TM
yaitu laba operasi, beban karyawan, depresiasi, amortisasi, ekuitas, dan laba bersih. Mengumpulkan data untuk menghitung kinerja
keuangan perusahaan proksi revenue growth dan return on equity yaitu pendapatan, laba bersih setelah pajak dan total ekuitas pemegang saham.
2. Menghitung Intellectual Capital dan Kinerja Keuangan Perusahaan
a. Menghitung Intellectual Capital
Pengukuran Intellectual capital dalam penelitian ini menggunakan metode value added intellectual coefficient VAIC
TM
yang dikembangkan oleh Pulic pada tahun 1997. Keunggulan metode
VAIC
TM
adalah karena data yang dibutuhkan relatif mudah diperoleh dari berbagai sumber dan jenis perusahaan.
Formulasi dan tahapan perhitungan VAIC
TM
adalah sebagai berikut:
1 Menghitung Value Added VA. Value added adalah indikator
paling objektif untuk menilai keberhasilan bisnis dan menunjukkan kemampuan perusahaan dalam penciptaan nilai
value creation. Value added dihitung sebagai selisih antara output dan input Pulic, 1999.
VA = OUT – IN
Keterangan: OUT
= Output: total penjualan dan pendapatan lain. IN
= Input: beban penjualan dan biaya lain-lain selain beban karyawan.
Value added VA juga dapat dihitung dari akun-akun perusahaan sebagai berikut:
VA = OP + EC + D + A
Keterangan: OP = operating profit laba operasi
EC = employee costs beban karyawan D = depreciation depresiasi
A = amortisation amortisasi 2
Menghitung Value Added Capital Employed VACA. VACA adalah indikator untuk VA yang diciptakan oleh satu unit dari
physical capital. Rasio ini menunjukkan kontribusi yang dibuat oleh setiap unit dari CE terhadap value added organisasi.
VACA = VACE
Keterangan: VACA
= Value Added Capital Employed: rasio dari VA terhadap CE
VA = Value Added
CE = Capital Employed: dana yang tersedia ekuitas,
laba bersih 3
Menghitung Value Added Human Capital VAHU. VAHU menunjukkan berapa banyak VA yang dapat dihasilkan dengan
dana yang dikeluarkan untuk tenaga kerja. Rasio ini menunjukkan kontribusi yang dibuat oleh setiap rupiah yang
diinvestasikan dalam HC terhadap value added organisasi.
VAHU = VAHC
Keterangan: VAHU
= Value Added Human Capital: rasio dari VA terhadap HC.
VA = Value Added
HC = Human Capital: beban karyawan.
4 Menghitung Structural Capital Value Added STVA. Rasio ini
mengukur jumlah SC yang dibutuhkan untuk menghasilkan PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
satu rupiah dari VA dan merupakan indikasi bagaimana keberhasilan SC dalam penciptaan nilai.
STVA = SCVA
Keterangan: STVA
= Structural Capital Value Added: rasio dari SC terhadap VA.
SC = Structural Capital: VA
– HC VA
= value added 5
Menghitung Value Added Intellectual Coefficient VAIC
TM
. VAIC
TM
mengindikasikan kemampuan intelektual organisasi yang dapat juga dianggap sebagai BPI Business Performance
Indicator. VAIC
TM
merupakan penjumlahan dari 3 komponen sebelumnya, yaitu: VACA, VAHU, dan STVA.
VAIC
TM
= VACA + VAHU + STVA
b. Menghitung Kinerja Keuangan Perusahaan dengan Proksi Return On
Equity Return on equity dapat dihitung dengan rumus:
Return On Equity ROE = c.
Menghitung Kinerja Keuangan Perusahaan dengan Proksi Revenue Growth
Revenue Growth dapat dihitung dengan rumus: Revenue Growth RG =
– 1 PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
3. Melakukan Statistik Deskriptif
Statistik deskriptif memberikan gambaran atau deskripsi suatu data yang dilihat dari nilai rata-rata mean, standar deviasi, varian, maksimum,
minimum, sum, range, kurtosis dan skewness kemencengan distribusi. Ghozali, 2011
4. Mengklasifikasi Data
Penelitian ini menggunakan analisis statistik non-parametrik. Statistik non-parametrik adalah statistik bebas sebaran tidak mensyaratkan bentuk
sebaran parameter populasi, baik normal atau tidak. Selain itu, statistik non-parametrik biasanya menggunakan skala pengukuran sosial, yakni
nominal dan ordinal yang umumnya tidak terdistribusi normal. Metode untuk mengklasifikasikan data menggunakan metode seriaton secara
kelompok. Metode ini digunakan untuk menyusun data dalam kelompok- kelompok berdasarkan kelas interval tertentu sehingga dapat diperoleh
secara tepat data yang terkecil dan yang terbesar dan mengelompokkan data menjadi beberapa bagian menjadi 2 bagian atau lebih Boedijoewono,
2012: 35-36. a.
Mengklasifikasikan Data Value Added Intellectual Coefficient Proksi Intellectual Capital
Ukuran data VAIC
TM
berskala rasio, pada pengklasifikasian ini ukuran data value added intellectual coefficient diubah menjadi skala
ordinal. Skala ordinal mencakup ciri-ciri skala nominal ditambah suatu urutan Cooper dan William, 1995. Semakin tinggi angka VAIC
TM
berarti semakin tinggi perolehan intellectual capital dalam perusahaan, sebaliknya semakin rendah angka VAIC
TM
berarti semakin rendah perolehan intellectual capital dalam perusahaan. Kamath 2007
mengelompokkan kinerja bank berdasarkan IC ke dalam empat kategori, VAIC
TM
dijadikan dasar untuk mengelompokkan bank, yaitu: 1.
Bad performers, untuk bank dengan nilai value added intellectual coefficient di bawah 2,5;
2. Common performers, untuk bank dengan nilai value added
intellectual coefficient antara 2,5 dan 4; 3.
Good performers, untuk bank dengan nilai value added intellectual coefficient antara 4 dan 5;
4. Top performers, untuk bank dengan nilai value added
intellectual coefficient di atas 5. b.
Mengklasifikasikan Data Return On Equity Proksi Kinerja Keuangan Perusahaan
Ukuran data return on equity berskala rasio, pada pengklasifikasian ini ukuran data return on equity diubah menjadi skala ordinal. Skala
ordinal mencakup ciri-ciri skala nominal ditambah suatu urutan Cooper dan William, 1995. Pada penelitian ini, return on equity
diklasifikasikan berdasarkan matriks kriteria peringkat komponen return on equity BI, 2004 : 253.
Peringkat 1 : ROE 15
Peringkat 2 : ROE 12,5 - 15
Peringkat 3 : ROE 5 - 12,5
Peringkat 4 : ROE 0 - 5
Peringkat 5 : ROE ≤ 0
Ketentuan peringkat di atas menjelaskan bahwa semakin tinggi angka return on equity, maka semakin kecil peringkat yang diberikan.
Sebaliknya, semakin rendah angka return on equity, maka semakin besar peringkat yang diberikan skala peringkat 1-5.
c. Mengklasifikasikan Data Revenue Growth Proksi Kinerja Keuangan
Perusahaan Ukuran data revenue growth berskala rasio, pada pengklasifikasian ini
ukuran data revenue growth diubah menjadi skala nominal. Skala nominal dinyatakan dalam bentuk kategori yang menunjukkan bahwa
posisi data sama derajatnya Wuri, 2012. Semakin tinggi positif angka revenue growth berarti semakin tinggi tingkat pertumbuhan
pendapatan suatu perusahaan, sebaliknya semakin rendah negatif angka revenue growth berarti semakin rendah tingkat pendapatan suatu
perusahaan. Berdasarkan hal tersebut, peneliti mengklasifikasikan data revenue growth menjadi 4 kategori tingkatan yaitu menurun,
meningkat, meningkat sedang, dan meningkat tinggi. Belum ada teori yang mendasari dan menjelaskan klasifikasi data untuk variabel
revenue growth, sehingga penelitian ini menggunakan kelas interval PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
sebagai acuan pengklasifikasian Boedijoewono, 2012: 42. Klasifikasi data dilakukan dengan membagi angka yang dihasilkan dari histogram.
Histogram merupakan tampilan bentuk grafis untuk menunjukkan kelas interval dan distribusi data secara visual atau seberapa sering
suatu nilai yang berbeda itu terjadi dalam suatu kumpulan data Cooper dan William, 1995. Berdasarkan histogram, peneliti dapat
mengklasifikasi data variabel revenue growth sebagai berikut: Menurun -1,00
– 0,00 : 1
Meningkat 0,00 – 1,00
: 2 Meningkat sedang 1,00
– 2,00 : 3
Meningkat tinggi 2,00 – 3,00
: 4 5.
Melakukan Analisis Tabulasi Silang Crosstabs Analisis tabulasi silang crosstabs menyajikan data dalam bentuk tabulasi
yang meliputi baris dan kolom dan data untuk penyajian crosstabs adalah data berskala nominal, ordinal atau kategori Ghozali, 2011.
6. Menarik Kesimpulan
Kesimpulan pada penelitian ini adalah hasil analisis pada tabel tabulasi silang crosstab antara variabel dengan melihat kekuatan hubungan dan
arah hubungan berdasarkan nilai Contigency coefficient. Contigency coefficient mengakomodasikan data pada hampir setiap bentuk menceng
atau normal, diskret atau kontinu, dan nominal atau ordinal Cooper dan William, 1995. Adapun langkah-langkah untuk menarik kesimpulan
adalah sebagai berikut: PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
a. Menguji tingkat signifikan
Penelitian ini akan menggunakan tingkat signifikan sebesar 5 dengan tingkat kepercayaan sebesar 95. Menguji tingkat signifikan dengan
melihat nilai approximate significance. Approximate significance menunjukkan probabilitas atau peluang kesalahan. Jika nilai
approximate significance 0,05, maka tidak terdapat hubungan antara kedua variabel. Sebaliknya, jika nilai approximate significance 0,05,
maka terdapat hubungan antara kedua variabel. Berdasarkan hal tersebut, analisis data akan dilanjutkan dengan menguji kekuatan dan
arah hubungan. b.
Menguji kekuatan hubungan dan arah hubungan Menguji kekuatan hubungan, maka kriteria pengujiannya adalah
sebagai berikut Sugiyono, 2012: 163: Tabel 3.1 Kriteria Pengujian Kekuatan Hubungan antara Variabel
Berdasarkan nilai Koefisien Korelasi Contigency Coefficient
Nilai Contigency Coefficient + dan -
Tingkat Hubungan
0,00 – 0,199
Sangat Lemah 0,20
– 0,399 Lemah
0,40 – 0,599
Sedang 0,60
– 0,799 Kuat
0,80 – 1,00
Sangat Kuat Jika koefisien korelasi positif, maka kedua variabel mempunyai
hubungan positif atau searah. Hal ini berarti nilai variabel X tinggi, maka nilai variabel Y akan tinggi pula. Sebaliknya, jika koefisien
korelasi negatif, maka kedua variabel mempunyai hubungan negatif atau terbalik. Hal ini berarti nilai variabel X tinggi, maka nilai variabel
Y akan menjadi rendah dan berlaku sebaliknya. PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
41
BAB IV GAMBARAN UMUM PERUSAHAAN
Kategori