Metode Analisis METODOLOGI PENELITIAN

D. Metode Analisis

Rancangan penelitian yang dipilih berupa model persamaan struktural atau structural equation modeling SEM dan untuk pengujian hipotesis menggunakan path analysis. Path analysis digunakan untuk mengetahui hubungan antara masing-masing variabel. Identifikasi Variabel Terdapat dua variabel yaitu : a. Variabel Endogen Variabel endogen adalah variabel yang dipengaruhi oleh variabel eksogen dan merupakan variabel antara. Ada dua variabel endogen dalam penelitian yaitu : Leverage Y 1 dan Nilai Perusahaan Y 2 . b. Variabel Eksogen Variabel Eksogen adalah variabel yang diduga secara bebas berpengaruh terhadap variabel endogen yaitu : struktur kepemilikan saham X 1 , factor ekstern X 2 , dan faktor intern X 3 . c. Variabel Manifest variabel observed indikator Variabel Manifest variabel observed indikator adalah variabel yang dapat diukur secara langsung. variabel manifest dalam penelitian ini meliputi struktur kepemilikan saham manajerial X 1.1 , struktur kepemilikan institusional X 1.2 , tingkat suku bunga X 2.1 , keadaan pasar modal X 2.2 , pertumbuhan pasar X 2.3 , profitabilitas X 3.1 , pembayaran dividen X 3.2 , ukuran perusahaan X 3.3 , debt to 49 equity ratio DER Y 1.1 , debt to asset ratio DAR Y 1.2 , price earning ratio PER Y 2.1 , dan price book value PBV Y 2.2 . Structural Equation Modeling SEM Model persamaan struktural structural equation modeling adalah generasi kedua teknik analisis multivariate Bagozzi dan Fornell 1982 yang memungkinkan peneliti untuk menguji hubungan antara variabel yang kompleks baik recursive maupun non recursive untuk memperoleh gambaran menyeluruh mengenai keseluruhan model. Selain itu menurut Bollen 1989, SEM juga dapat menguji secara bersama-sama : 1. Model struktural. Yaitu hubungan antara variabel laten baik variabel laten endogen maupun eksogen. 2. Model measurement. Yaitu hubungan nilai loading antar indikator dengan variabel latennya. Dengan adanya pengujian model struktural dan pengukuran memungkinkan peneliti untuk menguji kesalahan pengukuran measurement error sebagai bagian yang tidak terpisahkan dari Structural Equation Modeling dan melakukan analisis faktor bersamaan dengan pengujian hipotesis. Proses Structural Equation Modeling mencakup beberapa langkah yang harus dilakukan antaranya adalah : 50 1 . Konseptualisasi Model Tahap ini berhubungan dengan pengembangan hipotesis berdasarkan teori sebagai dasar dalam menghubungkan variabel laten dengan variabel laten lainnya, dan juga dengan indikator-indikatornya. Teori dalam konseptualisasi model bukan hanya berasal dari para akademisi, tetapi juga dapat berasal pengalaman dan praktek yang diperoleh dari para praktisi. Selain itu konseptualisasi model juga harus merefleksikan pengukuran variabel laten melalui berbagai indikator yang dapat diukur. 2. Penyusunan Diagram Jalur Tahap ini akan memudahkan kita dalam memvisualisasikan hipotesis yang telah diajukan dalam konseptualisasi model. Path diagram merupakan representasi grafis mengenai bagaimana beberapa variabel pada suatu model berhubungan satu sama lain, yang memberikan suatu pandangan menyeluruh mengenai struktur model 3. Spesifikasi Model Tahap ketiga ini memungkinkan kita untuk menggambarkan sifat dan jumlah parameter yang diestimasi 4. Identifikasi Model Informasi yang diperoleh dari data yang diuji untuk menentukan apakah cukup untuk mengestimasi parameter dalam model, disini kita dapat memperoleh nilai yang unik untuk seluruh parameter dari data yang telah kita peroleh. 51 Untuk menentukan apakah model kita mengandung atau tidak masalah identifikasi, maka harus dipenuhi keadaan berikut : t s2 dimana : t : jumlah parameter yang diestimasi s : jumlah varians dan kovarians antara variable manifest observedmanifest : yang merupakan p+q p+q+1 p : jumlah variabel y indikator variabel endogen q : jumlah variabel x indikator variabel eksogen Jika t 2, maka model tersebut adalah unidentified. Masalah ini dapat terjadi pada SEM, dimana informasi yang terdapat pada data empiris varians dan kovarians variabel manifest tidak cukup untuk menghasilkan solusi yang unik untuk memperoleh parameter model. Masalah unidentifest tersebut dapat diatasi dengan mengkonstraint model dengan cara menambah indikator variabel manifest ke dalam model, menentukan fix parameter tambahan menjadi 0 dan mengasumsikan bahwa parameter yang satu dengan parameter yang lain sama. Jika t = s2, maka model disebut just-identified, sehingga solusi yang unik, tunggal, dapat diestimasi untuk megestimasi parameter. Model yang just-identified, seluruh informasi yang tersedia telah digunakan untuk mengestimasi parameter, sehinggga tidak ada 52 informasi yang tersisa untuk menguji model derajat kepercayaan adalah 0. Jika t s2, maka model tersebut adalah over-identified. Dalam hal ini lebih dari satu estimasi masing-masing dapat diperoleh karena jumlah persamaan yang tersedia melebihi jumlah parameter yang diestimasi. 5. Estimasi Parameter Tahap ini, kita melakukan pengujian signifikansi yaitu menentukan apakah parameter yang dihasilkan secara signifikan berbeda dari nol. Estimasi parameter dalam LISREL mempunyai tiga informasi yang berguna yaitu koefisien regresi standar error dan nilai t. Standar error yang digunakan untuk mengukur ketepatan dari setiap estimasi parameter. Untuk mengetahui signifikan tidaknya hubungan antara variabel laten maupun antara variabel laten dengan indikatornya, maka nilai t harus lebih besar dari nilai t-tabel pada level tertentu yang tergantung dari ukuran sampel dan level signifikan tersebut. 6. Penilaian Model Fit Uji Keseluruhan Salah satu tujuan dari Structural Equation Modeling adalah menentukan apakah model plausible masuk akal atau fit. Suatu model penelitian dikatakan baik, apaabila memiliki model fit yang baik pula. Tingkat kesesuaian model secara keseluruhan terdiri dari: 53 Absolute Fit Measures Absolut fit Measures digunakan untuk memiliki kesesuaian model secara keseluruhan baik model pengukuran maupun model struktural, tanpa menyesuaikan kepada degree of freedom-nya. Indikator-indikator dalam absolut fit Measures adalah sebagai berikut: a. Chi-Square dan Probabilitas Chi-square merupakan ukuran mengenai buruknya fit suatu model. Nilai Chi-square sebesar nol menunjukkan bahwa model memiliki fit yang sempurna perfect fit. Nilai chi-square yang signifikan kurang dari 0.05 menunjukkan bahwa data empiris yang diperoleh memiliki perbedaan dengan teori yang telah dibangun berdasarkan struktural equation modeling. Sedangkan probabilitas adalah untuk memperoleh penyimpangan deviasi besar yang ditunjukkan oleh chi-square. Nilai probabilitas yang tidak signifikan p=0 adalah yang diharapkan, yang menunjukkan bahwa data empiris sesuai dengan model. Nilai probabilitas chi-square memiliki permasalahan yang fundamental dalam validitasnya. Menurut Cochran 1952 dalam Imam Ghozali 2005 probabilitas ini sangat sensitif dimana ketidaksesuaian antara data dengan teori model sangat dipengaruhi oleh besarnya ukuran sampel. Jika ukuran sampel kecil, maka chi-square ini akan menunjukkan data secara signifikan tidak berbeda dengan model dan teori-teori yang mendasarinya. 54 Sedangkan jika ukuran sampel adalah besar, maka uji chi-square akan menunjukkan bahwa data secara signifikan berbeda dengan teori, meskipun perbedaan tersebut adalah sangat kecil b. Goodness of Fit Indices GFI Goodness of Fit Indices GFI merupakan suatu ukuran mengenai ketepatan model dalam menghasilkan observed matriks kovarians. Nilai GFI ini harus berkisar antara 0 dan 1. Menurut Diamantopaulus dan Siguaw 2000 dalam Imam Ghozali 2005, nilai GFI yang lebih besar dari 0,9 menunjukkan fit suatu model yang baik. c. Adjusted Goodness of Fit Index Adjusted Goodness of Fit Index AGFI adalah sama dengan GFI, tetapi telah menyesuaikan pengaruh degress of freedom pada suatu model. Model yang fit adalah yang memiliki nilai AGFI 0.9 Diamantopaulus dan Sigauw 2000 dalam Imam Ghozali 2005,. Ukuran yang hampir sama dengan GFI dan AGFI adalah Parsimony goodness of fit indexs PGFI yang diperkenalkan oleh Mulaik et.al 1989, yang juga telah menyesuaikan adanya dampak dari degree of freedom dan kompleksitas model. Model yang baik apabila memiliki nilai PGFI jauh lebih besar daripada 0.6 Byrne, 1998 dalam Imam Ghozali, 2005. 55 d. Root Mean Square Errors of Approximation RMSEA Ukuran model fit telah lama diperkenalkan oleh Steiger dan Lind pada tahun 1980. Nilai RMSEA yang kurang daripada 0.05 mengindikasikan adanya model fit, dan nilai RMSEA yang berkisar antara 0.08 menyatakan bahwa model memiliki perkiraan permasalahan yang reasonable Byrne, 1998 dalam Imam Ghozali, 2005. Sedangkan menurut Maccallum et.al 1996 dalam Imam Ghozali 2005 menyatakan bahwa model memiliki nilai yang cukup fit jika RMSEA berkisar 0.08 sampai dengan 0.1 dan jika RMSEA lebih besar dari 0.1 mengindikasikan model memiliki nilai fit yang jelek. P-value for test of Close juga merupakan indikator yang menilai fit aatau tidaknya suatu model yang dapat dilihat dari kedekatannya terhadap model fit. Joreskog 1996 dalam Imam Ghozali 2005 menganjurkan bahwa P-value for test of Close RMSEA 0.05 haruslah lebih besar daripada 0.5 sehingga mengindikasikan bahwa model adalah fit. e. Normed Chi-Square X 2 df Normed Chi-Square X 2 df merupakan indikator goodness of fit adalah rasio perbandingan antara nilai chi-square dengan degrees of freedom. Menurut Wheaton 1977 dalam Imam Ghozali 2005 cut-off model fit sebesar 5 dan sedikit lebih tinggi daripada 56 yang dianjurkan oleh Carmines dan Melver 1981 dalam Imam Ghozali 2005 yaitu sebesar 2. Comparative Fit Measures Comparative fit Measures berkaitan dengan pertanyaan seberapa baikkah kesesuaian model yang dibuat dibandingkan dengan beberapa model alternatif. Indikator-indikator dari comparative fit Measures dianataranya adalah: a. Normed Fit Index NFI Normed Fit Index NFI yang ditemukan oleh Bentler dan Bonetts 1980, merupakan salah satu alternatif untuk menentukan model fit. Namun, karena NFI memiliki tendensi untuk merendahkan fit dalam sampel yang kecil, sehingga merevisi index ini dengan nama Comparative Fit Index CFI. Nilai NFI dan CFI berkisar antara 0 dan 1. Tetapi suatu model dikatakan fit apabila memiliki nilai NFI dan CFI lebih besar dari 0.9 Bentler,1992. b. Non-Normed Fit Index NNFI Non-Normed Fit Index NNFI digunakan untuk mengatasi permasalahan yang timbul akibat kompleksitas model. Menurut Kelloway 1998 dalam Didi Achjari 2003 dalam Malla Bahagia 2008 menyatakan bahwa model dikatakan fit jika nilai NNFI 0.90. c. Relative Fit Index RFI 57 Relative Fit Index RFI digunakan untuk mengukur fit dimana nilainya 0 sampai 1, nilai yang lebih besar menunjukkan adanya superior fit. Menurut Kelloway 1998 menyatakan bahwa model dikatakan fit jika nilai NNFI 0.90. d. Comparative Fit Index CFI Comparative Fit Index CFI suatu model dikatakan fit apabila memiliki Comparative Fit Index CFI lebih besar dari 0.90. Bentler, 1992 dalam Imam Ghozali,205. Parsimonius Fit Measures a. Parsimony Goodness of Fit Index PGFI Parsimony Goodness of Fit Index PGFI yang diperkenalkan oleh Mulaik et.al. 1998 dalam Imam Ghozali 2005. PGFI telah menyesuaikan adanya dampak dari degree of freedom dan kompleksitas model. Model yang baik apabila memiliki nilai PGFI jauh lebih besar daripada 0.6. Byrne,1998 dalam Imam Ghozali, 2005. Lain halnya menurut Kelloway 1998 nilai PGFI berkisar antara 0-1, dimana lebih besar nilai tersebut lebih baik. b. Parsimony Normed Fit Index PNFI Menurut Kelloway 1998 nilai PNFI berkisar antara 0-1, dimana lebih besar nilai tersebut lebih baik. 58 Laporan Statistik Absolut Fit Tabel 3.1 Standar Penilaian Kesesuaian Fit Nilai Yang Direkomendasikan Holmes- Smith 2002 Kelloway 1998 ?² p 0.05 Tidak Signifikan Normed Chi-Square ?²df 1?²df2 2?²df5 Nilai 2-3 ?reasonable good fit 2 ? over fitting Nilai 1 ?overfit RMR 0.05 0.05 RMSEA 0.05 0.10 ? good fit 0.05-0.08?reasonable fit 0.05 ? very good fit 0.01 ?outstanding fit GFI 0.95 0.90? good fit 0.90 ?reasonable fit AGFI 0.95 0.90? good fit 0.90 ?reasonable fit Comparative Fit NFI - 0.9 ? good fit NNFI 0.95 0.9 ? good fit 0.90 ?reasonable fit 1 ? lack of parsimony CFI 0.95 0.9 ? good fit 0.90 ?reasonable fit RFI - 0.9 ? good fit Parsimonious Fit PNFI - 0-1 lebih besar lebih baik PGFI - 0-1 lebih besar lebih baik AIC Nilai sekecil mungkin 0-1 lebih besar lebih baik CAIC Nilai sekecil mungkin 0-1 lebih besar lebih baik Uji Individual Measurement Model Bila Kecocokan model secara keseluruhan telah terpenuhi, selanjutnya adalah memperhatikan kecocokan measurement model untuk setiap model. Bila model telah memenuhi criteria yang ditetapkan pada uji keseluruhan, maka langkah selanjutnya menguji 59 setiap construct secara terpisah , dengan Uji signifiakansi setiap indikator dengan uji – t, variabel indikator diaktakan signifikan apabila nilai t yang diperoleh minimal sebesar 1.96 untuk taraf a = 5, dan 2.58 untuk taraf a = 1 . Uji Individual Struktural Model Langkah selanjutnya adalah menguji structural model. Pada pengujian ini terdapat dual hal yang harus dilakukan , yaitu : a. Uji koefisien gamma dan beta Seperti halnya uji signifikansi untuk indikator, parameter Gamma atau Beta dikatakan diaktakan signifikan apabila nilai t yang diperoleh minimal sebesar 1.96 untuk taraf a = 5, dan 2.58 untuk taraf a = 1 . b. Uji keseluruhan structural model Untuk menilai kebaikan dari keseluruhan structural model, perhatikanlah nilai Squared Multiple Correlation R². Semakin besar nilai tersebut semakin baik model yang dihasilkan. 7. Modifikai Model Modifikasi model dilakukan jika hasil yang diperoleh tidak fit. Model yang tidak fit dapat dilihat dari beberapa indikator goodness of fit yang tidak menunjukan batas dan syarat tertentu misalkan nilai p yang lebih kecil dari 0.05 sehingga menunjukkan model tidak fit padahal model dikatakan fit apabila memiliki p yang tidak signifikan lebih besar dari 0.05. dalam Lisrel, terdapat modification index yang merupakan 60 salah satu alternatif terbaik untuk memodifikasi model. Namun harus diperhatikan juga bahwa segala modifikasi walaupun sangat sedikit, harus berdasarkan teori yang mendukung. Beberapa modifikasi model dapat dilakukan dengan cara : 1. Mengkorelasikan antara dua indikator. 2. Menambah hubungan path antara indikator dan variabel laten. 3. Merubah indikator dari suatu variabel. Setelah melakukan modifikasi tersebut, maka yang seharusnya kita lakukan adalah mempertimbangkan dan mencari justifikasi teori yang kuat terhadap dilakukannya modifikasi tersebut. 8. Validasi Silang Model Validasi silang model merupakan tahap terakhir dari analisis SEM yaitu menguji fit tidaknya model terhadap suatu data baru validasi sub- sampel yang diperoleh melalui pemecahan sampel. Validasi silang ini penting apabila terdapat modifikasi yang substansial yang dilakukan terhadap model asli yang dilakukan pada tahap sebelumnya. Uji Hipotesis Pengujian hipotesis pada SEM dimulai dengan penyusunan hipotesa berdasarkan kajian pustaka dan hasil penelitian terdahulu, sehingga dapat ditarik inferensi terhadap masalah penelitian dalam bentuk hipotesis alternatif sebgai jawaban sementara penelitian sebagai berikut : 61 H 1 = Struktur kepemilikan saham berpengaruh signifikan terhadap leverage H 2 = Faktor ekstern berpengaruh signifikan terhadap leverage H 3 = Faktor intern berpengaruh signifikan terhadap leverage H 4 =Struktur kepemilikan saham berpengaruh signifikan terhadap nilai perusahaan H 5 = Faktor ekstern berpengaruh signifikan terhadap nilai perusahaan H 6 = Faktor intern berpengaruh signifikan terhadap nilai perusahaan H 7 = Leverage berpengaruh signifikan terhadap nilai perusahaan. Uji Signifikan Uji signifikan dapat dilakukan dengan cara melihat jalur-jalur pada model pengukuran dan model struktural yamg signifikan. Pada model pengukuran, jalur–jalur pengaruh yang dapat dilihat adalah pengaruh yang menghubungkan antara variabel laten dan indikatornya, apakah mempunyai tingkat signifikan terhadap variabel latennya atau tidak. Uji signifikan pada model pengukuran bertujuan untuk menentukan kemampuan suatu indikator dalam mengukur variabel latennya. Pada model struktural pengaruh dapat dilihat dari pengaruh yang menghubungkan antara variabel eksogen dengan variabel endogen dan antara variabel endogen dengan variabel endogen. Untuk mengetahui jalur-jalur hubungan dapat dilihat uji koefisien secara parsial. Uji secara parsial terhadap koefisien path pada setiap jalur model pengukuran maupun struktural dapat ditunjukkan dari t-value nilai t sebagai berikut : 62 Jika t-hitung t-tabel, maka terdapat koefisien jalur yang signifikan. Jika t-hitung t-tabel, maka tidak terdapat koefisien jalur yang tidak signifikan.

E. Definisi Operasional Variabel