Periode data yang estimasi
2005
2006 2007 2008
Realize information periode estimasi expected information
Berdasarkan pada gambar di atas, penelitian ini menggunakan data perubahan delta selama 2 tahun untuk masing-masing variabel yang diestimasi. Pengukuran
leverage dalam penelitian ini menggunakan data perubahan leverage LT dan ST dari
tahun 2006-2007 sebagai periode yang diestimasi. Hal yang sama juga berlaku untuk perhitungan atribut tangibility dan flexibility. Atribut size dan profitability menggunakan
data perubahan untuk tahun 2005-2006 sebagai realize information. Selanjutnya, atribut growth
diukur dengan menghitung perubahan growth untuk tahun 2007-2008 sebagai expected information
. Atribut earning volatility diukur dengan menggunakan data untuk semua tahun yakni tahun ke-1, 2, 3, dan, 4 dengan tujuan agar didapat estimasi yang
lebih baik.
C. Metode Pengumpulan Data
Data yang digunakan dalam penelitian ini adalah data sekunder bersifat kuantitatif, berupa rasio-rasio laporan keuangan dari laporan keuangan yang terbit setiap
akhir periode laporan keuangan. Seluruh data diperoleh dari Pusat Referensi Pasar Modal PRPM di Bursa Efek Indonesia BEI dapat dilihat dengan menggunakan
Capital Electronic Document Service , Indonesian Capital Market Directory, Prospektus
serta Fact Book Acrually dari seluruh perusahaan yang go public selama periode tahun penelitian.
Selain itu, sebagai acuan teori yang berhubungan dengan variabel yang akan diteliti, sumber data juga diperoleh dari penelusuran pustaka Library Research dengan
membaca dan mempelajari serta menganalisis literatur yang bersumber dari buku, artikel dan jurnal-jurnal penelitian-penelitian sebelumnya yang relevan dengan
penelitian ini.
D. Metode Analisis
Metode analisis yang digunakan untuk menguji pengaruh perubahan berbagai faktor penentu perilaku struktur modal perusahaan terhadap leverage adalah model
persamaan struktural dengan program LISREL 8.54. Penelitian ini menggunakan lebih dari satu indikator untuk mewakili satu variabel dan memiliki hubungan yang kompleks
antara variabel-variabelnya sehingga peneliti menggunakan model persamaan struktural. Tahapan peneliti dalam menganalisis pengaruh faktor-faktor penentu kebijakan
struktur modal terhadap kebijakan leverage adalah sebagai berikut: 1. Identifikasi Variabel
Penelitian ini menggunakan tiga variabel diantaranya adalah sebagai berikut: a. Variabel Eksogen
Variabel eksogen exogenous variable adalah variabel yang secara bebas berpengaruh terhadap variabel endogen dalam suatu model. Adapun variabel yang
menjadi variabel eksogen adalah asset tangibility dFATA, size
dLnSAL,dLnMV, growth dTA,dSAL,dLnMBR, profitability dEBITS,dROE dan earning volatility LnSdNI,LnSdEBIT.
b. Variabel Endogen Variabel endogen endogenous variable yaitu variabel yang dipengaruhi oleh
variabel eksogen dan merupakan variabel antara artinya variabel endogen juga dapat mempengaruhi variabel endogen lain dalam suatu model. Adapun variabel endogen
dalam penelitian ini adalah leverageDLT-CAB, DSTCAB. 2. Model persamaan struktural
Model persamaan struktural Structural Equation Modelling adalah generasi kedua teknik analisis multivariate Bagozzi dan Fornell, 1982 dalam Malla Bahagia,
2007 yang memungkinkan peneliti untuk menguji hubungan antara variabel yang kompleks untuk memperoleh gambaran menyeluruh mengenai keseluruhan model.
Selain itu menurut Bollen 1989 dalam Malla Bahagia 2007 SEM juga dapat menguji secara bersama-sama:
a. Model struktural, yaitu hubungan nilai loading antara variabel laten, baik variabel laten endogen maupun variabel eksogen.
b. Model measurement, yaitu hubungan nilai loading antara indikator dengan variabel latennya.
Adanya pengujian model struktural dan pengukuran memungkinkan peneliti untuk menguji kesalahan pengukuran measurement error sebagai bagian yang
tidak terpisahkan dari SEM dan melakukan analisis faktor bersamaan dengan
pengujian hipotesis. Proses Struktural Equation Modelling mencakup beberapa langkah yang harus dilakukan diantaranya adalah:
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 dari pengalaman dan praktek yang diperoleh dari para praktisi. Selain itu konseptualisasi model juga
harus merefleksikan pengukuran variabel laten melalui beberapa 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. Untuk menentukan apakah model kita mengandungtidak masalah identifikasi,
maka harus dipenuhi keadaan berikut: t
≤ s2 dimana:
t = jumlah parameter yang diestimasi s = jumlah varians dan kovarians antara variabel manifest observedmanifest; yang
merupakan p+qp+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 unidentified 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 memiliki nilai yang sama.
• Jika t = s2, maka model disebut just-identified, sehingga solusi yang unik tunggal dapat diestimasi untuk mengestimasi parameter. Model yang just-
identified , seluruh informasi yang tersedia telah digunakan untuk mengestimasi
parameter, sehingga tidak ada 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 parameter dapat diperoleh karena jumlah
persamaan yang tersedia melebihi parameter yang diestimasi. 5. Estimasi Parameter
Pada 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 digunakan untuk mengukur ketepatan dari
setiap estimasi parameter. Untuk mengetahui signifikan tidaknya hubungan antar 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 Salah satu tujuan SEM adalah menentukan apakah model plausible masuk akal
atau fit. Suatu model penelitian dikatakan baik, apabila memiliki model fit yang baik pula.
Tingkat kesesuaian model secara keseluruhan terdiri dari: a.
Absolute Fit Measures
Absolute Fit Measures digunakan untuk menilai kesesuaian model secara
keseluruhan baik model pengukuran maupun model struktural, tanpa menyesuaikan kepada degree of freedomnya. Indikator-indikator dalam absolute fit
diantaranya adalah sebagai berikut: • 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 SEM. Sedangkan probabilitas adalah untuk memperoleh penyimpangan
deviasi besar yang ditunjukkan oleh nilai 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 model teori 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 yang mendasarinya. Sedangkan jika ukuran sampel besar, maka uji chi-square
akan menunjukkan bahwa data secara signifikan berbeda dengan teori meskipun perbedaan tersebut adalah sangat kecil.
• Goodness of Fit Indices GFI
GFI merupakan suatu ukuran mengenai ketepatan model dalam menghasilkan observed matriks kovarians. Nilai GFI ini harus berkisar antara 0 sampai 1. menurut
Diamantopaulus dan Sigauw 2000 dalam Imam Ghozali 2005, nilai GFI yang lebih besar dari 0.9 menunjukkan suatu model fit yang baik.
• Adjusted Goodness of Fit Index AGFI AGFI adalah sama seperti GFI, tetapi telah menyesuaikan pengaruh degree of
freedom pada suatu model. Model yang fit adalah memiliki nilai AGFI 0.9
Diamantopaulus dan Sigaw, 2000 dalam Imam Ghozali, 2005. Ukuran yang hampir sama dengan GFI dan AGFI adalah parsimony goodness of fit 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.
• Root Mean Square Errors of Approximation RMSEA Ukuran model fit telah lama diperkenalkan oleh Steiger dan Lind tahun 1980.
nilai RMSEA yang kurang dari 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 antara 0.08 sampai dengan 0.1 dan jika RMSEA lebih besar dari 0.1
mengindikasikan model memiliki nilai fit yang buruk.
P-value test of close juga merupakan indikator yang menilai fit atau 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 0.05 sehingga mengindikasikan bahwa model adalah fit.
• Normed Chi-Square X²df Normed Chi-Square
X²df 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 dari pada yang dianjurkan oleh Carmines dan Melver 1981 dalam Imam
Ghozali 2005 yaitu sebesar 2.
b 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 diantaranya adalah : • Normed Fit Index NFI
NFI yang ditemukan oleh Bentler dan Bonets 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 sampai 1. Tetapi
suatu model dikatakan fit apabila memiliki nilai NFI dan CFI lebih besar dari 0,9 Bentler, 1992.
• Non- Normed Fit Indeks NNFI NNFI digunakan untuk mengatasi permasalahan yang timbul akibat
kompleksitas model. Menurut Kelloway 1998dalam Didi Achjari 2003 menyatakan bahwa model fit jika nilai NNFI 0.90.
• Relative Fit Index RFI RFI digunakan untuk mengukur fit dimana nilainya 0 sampai 1, nilai yang lebih
besar menunjukkan adanya superior fit. Menurut Kelloway 1998 dalam Didi Achjari 2003 menyatakan bahwa model fit jika nilai RFI 0.90.
• Comparative Fit Index CFI Suatu model dikatakan fit apabila memiliki nilai CFI lebih besar dari 0.90
Bentler, 1992 dalam Imam Ghozali, 2005. c Parsimonious Fit Measures
• Parsimony Goodness of Fit Index PGFI 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 dalam Didi Achjari 2003 nilai PGFI berkisar antara 0 sampai 1, dimana lebih besar
nilai tersebut lebih baik. • Parsimony Normed Fit Index PNFI
Menurut Kelloway 1998 dalam Didi Achjari 2003 nilai PNFI berkisar antara 0 sampai 1, dimana lebih besar nilai tersebut lebih baik.
7. Respesifikasi Peneliti seringkali dihadapkan pada hasil uji kesesuaian yang kurang
memuaskan, maka dalam kasus ini SEM memberikan alternatif solusi yang dinamakan respesifikasi yang diharapkan mampu meningkatkan kesesuaian model
yang sedang di uji. Ada dua pendekatan dalam respesifikasi model, yaitu pertama theory trimming
Pedhazur, 1982 dalam untung W. dan Hartini, 2006 yang berusaha menjawab pertanyaan tentang parameter mana yang bisa dihilangkan agar meningkatkan
kesesuaian model. Kedua, theory building Kelloway, 1998 dalam Malla Bahagia, 2007 yang digunakan untuk menjawab pertanyaan mengenai parameter mana yang
bisa ditambahkan dalam model untuk meningkatkan kesesuaian. Cara-cara diatas disebut sebagai Lagrange Multiplier Test yang di LISREL dikenal sebagai
modification indices . Dengan kemampuan respesifikasi, maka SEM berbasis
kovarians ini memerlukan landasan teori yang kuat confirmatory sehingga ketika harus menambah atau mengurangi parameter akan bisa dijelaskan secara masuk akal
dan bisa ditopang dengan teori yang memadai. Holmes-Smith 2000 menjelaskan beberapa alternatif untuk melakukan respesifikasi:
• Critical Ratio nilai t
Semua parameter dalam suatu model diharapkan agar signifikan. Parameter yang tidak signifikan bisa dihapus secara teknis dilakukan dengan menetapkan parameter
tersebut menjadi nol tidak diestimasi lagi. • Standardized Residuals
Adanya nilai standardized residual yang besar menandakan adanya mis- spesifikasi dan tingkat kesesuaian yang belum baik. Dengan memperhatikan sumber
standardized residual , maka untuk memperbaiki kesesuaian model variabel yang
menyebabkannya bisa dihapus atau juga dengan mengestimasi parameter tambahan, perlu didukung oleh teori dan harus masuk akal. Holmes-Smith, 2000 dalam Malla
Bahagia, 2007. • Modification Indices
Salah satu cara untuk mengetahui adanya mis-spesifikasi adalah melihat besaran modification indices
. Menurut Holmes-Smith 2000 dalam Imam Ghozali 2005, nilai modifikasi index yang lebih besar dari 3.84 menunjukkan bahwa chi-square
model tersebut akan berkurang drastis semakin kecil kalau parameter yang bersangkutan diestimasi.
Modification indices dalam LISREL merupakan salah satu alternatif terbaik
untuk memodifikasi model dan meningkatkan kesesuaian model. Namun harus diperhatikan juga bahwa segala modifikasi walaupun sangat sedikit, harus
berdasarkan teori yang mendukung. Beberapa modifikasi model dapat dilakukan dengan cara:
a. Mengkorelasikan antara dua indikator
b. Menambah hubungan path antara indikator dan variabel laten c. Mengubah indikator dari suatu variabel
Setelah melakukan modifikasi tersebut, maka seharusnya kita lakukan adalah mempertimbangkan dan mencari justifikasi teori yang kuat terhadap dilakukannya
modifikasi tersebut. 8. Validasi Silang Model
Validasi silang model merupakan tahap akhir dari analisis SEM, yaitu menguji fit atau tidaknya model terhadap suatu data baru atau validasi sub-sampel yang
diperoleh melalui pemecahan sampel. Validasi silang ini penting apabila modifikasi yang substansial yang dilakukan terhadap model asli yang dilakukan pada tahap
sebelumnya.
1. Uji Kesesuaian Model Uji kesesuaian model bertujuan untuk mengukur dan mengetahui derajat
kesesuaian antara model yang dihipotesiskan dengan data yang disajikan berdasarkan kriteria seperti pada tabel berikut:
Tabel 3.1 Kriteria Uji Kesesuaian Model
Indikator Fit Nilai yang
Direkomendasikan Evaluasi Model
Absolute Fit
Probabilitas P 0.05
Tidak Signifikan
Normed chi-square X²df
2 2 X²df 5
Over Fitting Good Fit
RMSEA 0.10
0.05 0.01
Good Fit Very Good Fit
Outstanding Fit P-value for test of
close fit 0.05
Good Fit
GFI 0.90
Good Fit AGFI
0.90 Good Fit
Comparative Fit
NFI 0.9 Good
Fit NNFI or Tucker
Lewis Index TLI 0.9 Good
Fit
CFI 0.9 Good
Fit RFI 0.9
Good Fit
Parsimonius Fit
PNFI 0-1
Lebih besar lebih baik PGFI
0-1 Lebih besar lebih baik
Sumber: Imam Ghozali Fuad 2005
2. Uji Signifikan Uji signifikan dapat dilakukan dengan cara melihat jalur-jalur pada model
pengukuran dan model struktural yang signifikan. Pada model pengukuran, jalur- jalur pengaruh yang dapat dilihat adalah jalur-jalur pengaruh yang
menghubungkan antara variabel laten dengan indikatornya variabel manifest, apakah mempunyai tingkat yang signifikan terhadap variabel latennya atau tidak.
Uji signifikan pada model pengukuran bertujuan untuk menentukan kemampuan suatu indikator dalam mengukur variabel latennya. Pada model struktural jalur-jalur
pengaruh dapat dilihat dari jalur-jalur pengaruh yang menghubungkan antara variabel eksogen dengan variabel endogen dan antara variabel endogen dengan
variabel endogen. Untuk mengetahui jalur-jalur hubungan pengaruh dapat dilihat uji koefisien secara parsial. Uji secara parsial terhadap koefisien path pada setiap
jalur model pengukuran maupun model struktural dapat ditunjukkan dari t-values nilai t sebagai berikut:
a. H : Koefisien jalur tidak signifikan
b. H
1
: Koefisien jalur signifikan • Jika t hitung t tabel atau t hitung t tabel, maka H
ditolak dan H
1
diterima. • Jika t hitung t tabel atau t hitung t tabel, maka H
diterima dan H
1
ditolak.
E. Operasional Variabel