Biaya Sosial Biaya yang dikeluarkan
perusahaan untuk membiayai kegiatan
tanggung jawab sosial
Tunggal 2014 Variabel Intervening
Kinerja
Lingkungan Kinerja perusahaan yang
telah dilakukan perusahaan dan di nilai oleh
Kementerian Lingkungan Hidup
Pemberian score 1 – 5
1 = Hitam 4 = Hijau 2 = Merah 5 = Emas
3 = Biru
Rakhiemah dan Agustia 2009
Sember : Berbagai referensi, 2016
3.4. Metode Pengumpulan Data
Metode pengumpulan data yang digunakan dalam penelitian ini adalah metode dokumentasi. Dalam metode ini, data yang diambil merupakan data
sekunder yang terdapat pada laporan tahunan perusahaan yang terdaftar di Bursa Efek Indonesia yang telah dipublikasikan. Laporan tahunan tersebut terlebih
dahulu diunduh didownload melalui situs resmi dari www.idx.co.id dan www.menlh.go.id.
3.5. Metode Analisis Data
3.5.1 Statistik Deskriptif
Pengujian statistik digunakan untuk memberikan gambaran atau deskripsi suatu data yang dilihat dari nilai rata-rata mean, standar deviasi, varian,
maksimum, minimum, sum, range, kurtosis dan skewness Ghozali 2011:19. Pengukuran yang dilakukan pada penelitian ini, yaitu pengukuran tentang nilai
rata-rata mean, nilai maksimum, nilai minimum, dan standar deviasi. Statistik deskriptif yang digunakan dalam penelitian ini untuk mendeskripsikan data yang
terdiri atas Kepemilikan Manajerial, Efektivitas Pengawasan, Biaya Sosial, Kinerja Lingkungan, dan Pengungkapan Sosial dan Lingkungan Perusahaan.
3.5.2. Pengujian Hipotesis
Pengujian hipotesis dalam penelitian ini menggunakan analisis jalur atau yang dikenal dengan sebutan path analysis. Path analysis merupakan
pengembangan dari model regresi yang digunakan untuk menguji kesesuaian fit dari matrik korelasi yang terdiri dari dua atau lebih model yang dibandingkan.
Ukuran yang digunakan untuk menilai tingkatan fit sebuah model disebut goodness of fit GOF. Ghozali menyatakan 2013:21 bahwa model terbaik
dipilih berdasarkan nilai goodness-of-fit. Menurut Ghozali 2013:66, penilaian kriteria goodness of fit terdiri dari 3 jenis pengukuran yaitu :
1. Absolute Fit Measures Absolute fit measures mengukur model fit secara keseluruhan. Dalam absolute
fit measures terdapat beberapa pengukuran, yakni : a. Chi Square Statistic CMIN
Chi Square Statistic sangat sensitif terhadap besarnya sampel. Ada kecenderungan nilai chi square akan selalu signifikan. Oleh karenanya jika
nilai chi square signifikan, maka dianjurkan untuk mengabaikannya dan melihat ukuran goodness fit lainnya.
b. CMINDF CMINDF adalah nilai chi square dibagi dengan degree of freedom.
Beberapa pengarang menganjurkan menggunakan ratio ukuran ini untuk mengatur fit. Bryrne 1998 mengusulkan nilai ratio ini 2 merupakan
ukuran fit. c. GFI Goodness of Fit Index
Nilai GFI goodness of fit index 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 diatas 90 sebagai ukuran good fit.
d. RMSEA Root Mean Square Error of Approximation RMSEA root mean square error of approximation merupakan ukuran
yang mencoba memperbaiki kecenderungan statistic chi square menolak model dengan jumlah sampel yang besar. Nilai RMSER antara 0.05
sampai 0.08 merupakan ukuran yang diterima. 2. Incremental Fit Measures
Incremental fit measures yakni ukuran untuk membandingkan proposed model dengan model lainnya yang dispesifikasi. Penilaian ini membandingkan
proposed model dengan based line model sering disebut null model. Null model merupakan model realistic dimana model-model yang lain harus diatasnya.
Terdapat beberapa pengukuran, yaitu :
a. AFGI Adjusted Goodness of Fit AFGI adjusted goodness of fit merupakan pengembangan dari GFI yang
disesuaikan dengan ratio degree of freedom untuk proposed model dengan degree of freedom untuk null model. Nilai yang direkomendasikan adalah
sama atau 0.90. b. TLI Tucker Lewis Index
TLI tucker lewis index menggabungkan ukuran parsimory kedalam indek komparasi antara proposed model dan null model dan nilai TLI berkisar
antara 0 sampai 1.0. Nilai TLI direkomendasikan adalah sama dengan atau 0.90.
c. NFI Normed Fit Index NFI normed fit index merupakan ukuran perbandingan antara proposed
model dan null model. Nilai NFI akan bervariasi dari 0 not fit at all sampai 1.0 perfect fit. Seperti halnya TLI tidak ada nilai absolute yang
digunakan sebagai standar, tetapi umumnya direkomendasikan sama atau 0.90.
d. CIF Comparative Fit Index Comparative Fit Index CFI merupakan indeks fit perbaikan dari Normal
Fit Index NFI. NFI seringkali member hasil yang underestimate untuk ukuran sampel kecil yang pada umumnya diperuntukkan bagi model yang
tidak begitu kompleks. Oleh karena itu, CFI hadir dengan mempertimbangkan kompleksitas model, yaitu dengan cara menyertakan
derajat bebas dalam perhitungan. Nilai indeks fit CFI berkisar dari 0 tidak
fit hingga 1 fit sempurna. Batas nilai indeks yang biasa digunakan untuk model yang fit adalah = 0,90. Untuk ukuran sampel kecil, CFI lebih cocok
digunakan daripada indeks fit lain karena relatif tidak sensitif terhadap kompleksitas model.
3. Parsimonious Fit Measures Parsimonius fit measures melakukan adjustment terhadap pengukuran fit
untuk dapat diperbandingkan antar model dengan jumlah koefisien berbeda. Ukuran ini menghubungkan goodness of fit model dengan sejumlah koefisien
estimasi yang diperlukan untuk mencapai level fit. Tujuannya adalah untuk mendiagnosa apakah model fit telah tercapai. Terdapat beberapa pengukuran,
yaitu : a. PNFI Parsimonious Normal Fit Index
PNFI parsimonious normal fit index merupakan modifikasi dari NFI. PNFI memasukkan jumlah degree of freedom yang digunakan untuk
mencapai fit level. Semakin tinggi nilai PNFI semakin baik. Kegunaan untamanya adalah untuk membandingkan model dengan degree of freedom
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.
b. PGFI Parsimonious Goodness of Fit Index PGFI parsimonious goodness of fit index memodifikasi GFI atas dasar
parsimory estimate model. Nilai PGFI berkisar 0 sampai 1,0 dengan nilai semakin tinggi menunjukkan model lebih parsimory.
4. Struktural Model Fit Untuk menilai struktural model fit melibatkan signifikansi dari koefisien.
Dengan tingkat signifikansi tertentu yakni 0,05 maka kita dapat menilai signifkansi masing
– masing koefisien secara statistik. Berdasarkan uraian tersebut, berikut adalah ringkasan batas penerimaan
berdasarkan Indeks Goodness of Fit :
Tabel 3.3. Indeks
Goodness of Fit Goodness of Fit Index
Cut off Value
Chi Squre Nilai Kecil
Significance Probability
RMSEA 0,08 = fit; 0,10 = tidak fit
GFI 0 = tidak fit; 1 = fit sempurna;
0,90 = fit AGFI
0 = tidak fit; 1 = fit sempurna; 0,90 = fit
CMINDF 3,0 = fit; 5,0 = tidak fit
TLI 0 = tidak fit; 1 = fit sempurna;
0,90 = fit CFI
0 = tidak fit; 1 = fit sempurna; 0,90 = fit
Sumber : Ghozali, 2013
3.5.3. Pengujian Hipotesis Mediasi
