94
Asia Infrastructure, Tbk yaitu sebesar 108. Tingkat return on equity pada tahun 2006 yang mencatat nilai terendah adalah PT. Sara Lee Body Care
Indonesia, Tbk yaitu sebesar -372,9. Tingkat return on equity pada PT. Indorama Syentetic, Tbk mencatat nilai terendah pada tahun 2007 yaitu sebesar -
230,8. Pada tahun 2008 tingkat return on equity yang paling rendah dimiliki oleh PT. Mustika Ratu, Tbk yaitu sebesar -90,5, sedangkan pada tahun 2009
tingkat return on equity yang paling rendah dimiliki oleh PT. Mustika Ratu, Tbk yaitu sebesar -90,5.
4.3 Analisa Dan Pengujian Hipotesis 4.3.1 Evaluasi Outlier
Outlier adalah observasi atau data yang memiliki karakteristik unik yang terlihat sangat berbeda jauh dari observasi-observasi lainnya dan muncul dalam
bentuk nilai ekstrim untuk sebuah variabel Outlier adalah observasi atau data yang memiliki karakteristik unik yang terlihat sangat berbeda jauh dari
observasi-observasi lainnya dan muncul dalam bentuk nilai ekstrim untuk sebuah variabel tunggal atau variabel kombinasi atau mutivariat Hair, 1998.
Evaluasi terhadap outlier multivariate antar variabel perlu dilakukan sebab walaupun data yang dianalisis menunjukkan tidak ada outliers pada tingkat
univariate, tetapi observasi itu dapat menjadi outliers bila sudah saling dikombinasikan. Jarak antara Mahalanobis untuk tiap-tiap observasi dapat
95
dihitung dan akan menunjukkan sebuah observasi dari rata-rata semua variabel dalam sebuah ruang multidimensional Hair.dkk, 1998; Tabachnick Fidel,
1996. Uji terhadap outliers multivariate dilakukan dengan menggunakan jarak Mahalanobis pada tingkat p 1. Jarak Mahalanobis itu dievaluasi dengan
menggunakan χ² chi kuadrat pada derajat bebas sebesar jumlah variabel yang
digunakan dalam penelitian ini. Hasil uji outlier tampak pada tabel berikut :
Tabel 4.11 Data Outlier
Residuals St at ist ics a Minim um
Maxim um Mean
St d. Dev iat ion
N Predict ed Value
17.680 98.749 50.500 15.934
100 St d. Predict ed Value
- 2.060 3.028 0.000 1.000
100 St andard Error of Predict ed Value
4.930 25.870 8.699 4.388 100
Adj ust ed Pr edict ed Value 14.796 224.989 54.277 26.495
100 Residual
- 54.683 52.275 0.000 24.244 100
St d. Residual - 2.102 2.010
0.000 0.932 100
St ud. Residual - 2.514 2.109
- 0.027 1.018 100
Delet ed Residual - 219.989 57.582
- 3.777 38.157 100
St ud. Delet ed Residual - 2.597 2.153
- 0.029 1.027 100
Mahalanobis Dist ance [ MD] 2.566
9 6 .9 2 7 12.870 17.478
100 Cooks Dist ance
0.000 4.657 0.080 0.518
100 Cent ered Leverage Value
0.026 0.979 0.130 0.177
100 a Dependent Variable : NO. RESP
Terdapat Out lier Apabila Mahalanobis Dist ance :
3 4 .5 2 8 = CHI I NV 0,001.13
Hasil evaluasi :
Tida k t e r da p a t ou t lie r m u lt iv a r ia t [ ant ar variabel] , karena MD Mak sim um 17,374 29,588
Deteksi terhadap multivariat outliers dilakukan dengan menggunakan kriteria Jarak Mahalanobis pada tingkat p 0,001. Jarak Mahalanobis itu
dievaluasi dengan menggunakan
2
pada derajat bebas sebesar jumlah variabel yang digunakan dalam penelitian. Bila kasus yang mempunyai Jarak
96
Mahalanobis lebih besar dari nilai chi-square pada tingkat signifikansi 0,001 maka terjadi multivariate outliers. Nilai
2 0.001
dengan jumlah indikator 100 adalah sebesar 29,588. Hasil analisis Mahalanobis diperoleh nilai 17,374 yang
kurang dari
2
tabel 29,588 tersebut. Dengan demikian, tidak terjadi multivariate outliers.
4.3.2. Evaluasi Normalitas
Uji normalitas sebaran dilakukan dengan Kurtosis Value dari data yang digunakan yang biasanya disajikan dalam statistik deskriptif. Nilai statistik untuk
menguji normalitas itu disebut z-value. Bila nilai-z lebih besar dari nilai kritis maka dapat diduga bahwa distribusi data adalah tidak normal. Nilai kritis dapat
ditentukan berdasarkan tingkat signifikansi 0,01 1 yaitu sebesar 2,58. Hasil
uji menunjukkan bahwa nilai c.r. multivariate berada diantara
2,58 dan itu
berarti asumsi normalitas terpenuhi dan data layak untuk digunakan dalam
estimasi selanjutnya. Hasil analisis tampak pada tabel berikut :
Tabel 4.12 Normalitas Data
Assessm ent of norm alit y Variable m in
m ax kurt osis
c.r. X11
- 2.351 2.375 0.068
0.134 X12
- 0.891 2.862 0.166
0.329 X21
- 3.099 2.04 1.574
3.115
97
X22 - 2.013 3.739
4.123 8.159
X31 - 3.713 1.615
4.198 8.309
X32 - 0.504 3.255
3.831 7.582
X33 - 0.147 0.988 27.618
54.658 X41
- 1.179 3.17 2.959
5.855 X42
- 1.591 2.094 0.714
1.413 X43
- 1.823 1.233 - 0.275 - 0.544
Y1 - 0.459 0.884 - 1.145
- 2.265 Y2
- 0.546 4.833 25.999 51.453
Y3 - 1.068 4.831
6.668 13.196
M u lt iva r ia t e
90.042
2 2 .1 0 3 Ba t a s N or m a l
± 2 ,5 8
Hasil uji menunjukkan bahwa nilai c.r. mutivariate berada di luar ± 2,58 itu berarti asumsi normalitas tidak terpenuhi. Fenomena ini tidak menjadi masalah
serius seperti dikatakan oleh Bentler Chou 1987 bahwa jika teknik estimasi dalam model SEM menggunakan maximum likehood estimation MLE walau
distribusi datanya tidak normal masih dapat menghasilkan good estimate, sehingga data layak untuk digunakan dalam estimasi selanjutnya.
4.3.3. Analisis Model One – Step Approach to SEM
Dalam model SEM, model pengukuran dan model struktural parameter- parameternya diestimasi secara bersama-sama. Cara ini agak mengalami
kesulitan dalam memenuhi tuntutan fit model. Kemungkinan terbesar disebabkan oleh terjadinya interaksi antara measurement model dan
98
structural model yang diestimasi secara bersama-sama one-step approach to
SEM .
One-step approach to SEM digunakan apabila model diyakini bahwa dilandasi teori yang kuat serta validitas dan reliabilitas data sangat baik.
Hair.et.al, 1998. Hasil estimasi dan fit model one-step approach to SEM dengan
menggunakan program aplikasi AMOS 4.01 terlihat pada gambar dan tabel Goodness of Fit
dibawah ini.
Gambar 4.1
MODEL PENGUKURAN STRUKTURAL Assets Tangibility, Size, Growth, Profitability, Leverage
Model Specification : One Step Approach - Base Model
1
Assets Tangibility
1
Growth X31
0,005 er_3
1 X11
0,005 er_1
1
X32 er_4
1 X33
er_5 1
Leverage
Y3 er_8
Y2 er_7
1 1
0,005 d_lv
1
Y1 er_6
1 1
X12 er_2
1
1
Size X21
0,00 er_13
X22 er_12
1 1
1
Profitability X41
er_11 X42
0,00 er_10
X43 er_9
1 1
1
99
Tabel 4.13
Dari hasil evaluasi terhadap model one step approach base model ternyata dari semua kriteria goodness of fit yang digunakan, belum seluruhnya menunjukkan
hasil evaluasi model yang baik, berarti model belum sesuai dengan data. Artinya, model konseptual yang dikembangkan dan dilandasi oleh teori belum sepenuhnya
didukung oleh fakta. Dengan demikian model ini masih perlu dimodifikasi sebagaimana terdapat di bawah ini.
Gambar 4.2
MODEL PENGUKURAN STRUKTURAL Assets Tangibility, Size, Growth, Profitability, Leverage
Model Specification : One Step Approach - Modifikasi
1
Growth X31
0,005 er_5
1
1
Size X21
0,005 er_3
1
1
Assets Tangibility
X11 er_1
1
X32 er_6
1 X22
er_4 1
X12 0,005
er_2 1
1
Profitability X41
er_8 X42
er_9 X43
0,005 er_10
1 1
1 X33
er_7 1
Leverage 0,005
d_le Y1
er_11 Y2
er_12 1
1 1
1 Y3
er_13 1
Evaluasi Krit er ia Goodness of Fit I ndices Kr it eria Hasil
Nilai Kr it is
Evaluasi Model
Cm in DF 3,392 ≤ 2,00
kurang baik Pr obabilit y 0,000
≥ 0,05 kurang baik
RMSEA 0,413 ≤ 0,08
kurang baik GFI 0,417
≥ 0,90 kurang baik
AGFI 0,115 ≥ 0,90
kurang baik TLI 0,274
≥ 0,95 kurang baik
CFI 0,441 ≥ 0,94
kurang baik
100
Tabel 4.14. Evaluasi Kriteria Goodness of Fit Indices
Model One- Step Approach – Modifikasi
Dari hasil evaluasi terhadap model one step modifikasi ternyata dari semua kriteria goodness of fit yang digunakan, seluruhnya menunjukkan hasil evaluasi
model yang baik, berarti model telah sesuai dengan data. Artinya, model konseptual yang dikembangkan dan dilandasi oleh teori telah sepenuhnya didukung oleh fakta.
Dengan demikian model ini adalah model yang terbaik untuk menjelaskan keterkaitan antar variabel dalam model.
4.3.4. Uji Kausalitas
Dilihat dari angka determinant of sample covariance matrix : 18,41 0 mengindikasikan tidak terjadi multicolinierity atau singularity dalam data ini
sehingga asumsi terpenuhi. Dengan demikian besaran koefisien regresi masing- masing faktor dapat dipercaya sebagaimana terlihat pada uji kausalitas di bawah
ini
. Evaluasi Krit er ia Goodness of Fit I ndices
Kr it eria Hasil Nilai
Kr it is Evaluasi
Model Cm in DF 1,895
≤ 2,00 baik
Pr obabilit y 0,088 ≥ 0,05
baik RMSEA 0,053
≤ 0,08 baik
GFI 0,900 ≥ 0,90
baik AGFI 0,900
≥ 0,90 baik
TLI 0,950 ≥ 0,95
baik CFI 0,960
≥ 0,94 baik
101
Tabel 4.15. Hasil Uji Kausalitas
Uj i Hipot esis Kausalit as Regr ession Weight s
Ust d St d
Fakt or Faktor Est im at e
Est im at e Prob.
Leverage Assets_Tangibility 0.027
0.208 0.102
Leverage Growth
0.057 0.438 0.059 Leverage
Size 0.046 0.357 0.092
Leverage Profitability
0.004 0.029 0.808 Bat as Signifikansi
≤ 0,10
Dilihat dari tingkat Prob. arah hubungan kausal, maka hipotesis yang menyatakan bahwa
a. Faktor Assets Tangibility berpengaruh positif terhadap Faktor
Leverage, tidak dapat diterima [Prob. kausalnya 0,102 0,10 [tidak signifikan [positif].
b. Faktor Growth berpengaruh positif terhadap Faktor Leverage, dapat
diterima [Prob. kausalnya 0,059 ≤ 0,10 [signifikan [positif].
c. Faktor Size berpengaruh positif terhadap Faktor Leverage, dapat
diterima [Prob. kausalnya 0,092 ≤ 0,10 [signifikan [positif].
d. Faktor Profitability berpengaruh positif terhadap Faktor Leverage,
tidak dapat diterima [Prob. kausalnya 0,808 0,10 [tidak
signifikan [positif].
102
4.4 Pembahasan 4.4.1. Pengaruh Assets Tangibility Terhadap Leverage