45
24. PT. Siantar Top, Tbk 25. PT. Ultra Jaya Milk, Tbk
3.3 Tehnik Pengumpulan Data 3.3.1 Jenis Data
Jenis data yang digunakan dalam penelitian ini adalah data sekunder yang berupa ringkasan laporan keuangan summary financial of statement perusahaan
Consumer Good, perusahaan Apparel and Other Textile Product, dan perusahaan
Food and Beverages yang terdaftar di Bursa Efek Indonesia periode hingga tahun
2009. Data sekunder merupakan data primer yang telah diolah lebih lanjut dan disajikan pihak lain.
3.3.2 Sumber Data
Data tentang ringkasan laporan keuangan summary financial of statement perusahaan Consumer Good, perusahaan Apparel and Other Textile
Product, dan perusahaan Food and Beverages yang terdaftar di Bursa Efek
Indonesia.
3.3.3 Pengumpulan Data
Pengumpulan data yang digunakan adalah : a.
Dokumenter :
46
Pengumpulan data dengan cara menggunakan pengutipan atau pencatatan atas dokumen dari data yang disediakan perusahaan yang
erat hubungannya dengan penelitian. b.
Studi Kepustakaan : Yaitu pengumpulan data dengan membaca dan mempelajari hasil
penelitian serta literatur yang tersedia di perpustakaan.
3.4 Teknik Analisis Dan Uji Hipotesis
3.4.1 Analisis Struktural Equation Model SEM
Penelitian ini menggunakan pendekatan Structural Equation Model SEM dengan menggunakan path diagram yang memungkinkan untuk
memasukkan semua variabel observed sesuai dengan model teori yang dibangunnya. Adapun variabel endogen yang digunakan dalam penelitian ini
terdiri dari 10 variabel eksogen independent yang terdiri dari, assets tangibility
dFATA, size dLnSAL, dLnMV, growth dTA, dSAL, dLnMBR, dan profitability dEBITS, dROE, dan 2 variabel endogen
dependent yaitu, leverage dLTCAB, dSTCAB.
47
3.4.2 Asumsi Model Structur Equation Modelling
Pengujian model pengukuran dilakukan untuk mengetahui apakah model tersebut Compatible
atau tidak untuk digunakan. Untuk itu dalam pengujian digunakan metode Confirmatory Faktor Analysis CFA yang terdiri dari :
3.4.2.1 Uji Normalitas
1. Normalitas dapat diuji dengan melihat gambar histogram data atau dapat diuji dengan metode-metode statistic.
2. Menggunakan Critical Ratio yang diperoleh dengan membagi koefisien sampel dengan standart errornya dan Swekness value yang
biasanya disajikan dalam statistik deskriptif dimana nilai tatistik untuk menguji normalitas itu disebut sebagai Z-value. Pada tingkat
signifikan 10, jika Z lebih besar dari nilai kritis, maka dapat diduga bahwa distribusi data adalah tidak normal.
3. Normal Probability Plot SPSS 10.1 .
4. Linieritas dengan mengamati scatterplots dari data yaitu dengan
memilih pasangan data dan dilihat pola penyebarannya untuk menduga ada tidaknya linieritas.
3.4.2.2 Evaluasi Atas Outliers
1. Mengamati nilai Z-score : ketentuannya diantara ± 3.0 non outlier.
2. Multivariate outlier
diuji dengan kriteria jarak Mahalanobis pada tingkat p 0.001. Jarak diuji dengan Chi-Square
χ pada df sebesar
48
jumlah variabel bebasnya. Ketentuan : bila Mahalanobis dari nilai Chi-Square
χ adalah multivariate putlier. 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 Hair, 1998.
3.4.2.3 Deteksi Multicollinierity dan Singulary
Dengan mengamati Determinant matriks covarians. Dengan ketentuan apabila Determinant sample matriks mendekati angka 0 kecil, maka terjadi
multicolinieritas dan singularitas Tabachnick Fidell, 1998.
3.4.2.4 Uji Validitas dan Reliabilitas
Validitas menyangkut tingkat akurasi yang dicapai oleh sebuah indikator dalam menilai sesuatu atau akuratnya pengukuran atas apa yang seharusnya diukur.
Sedangkan Reliabilitas adalah ukuran mengenai konsistensi internal dari indikator- indikator sebuah konstruk yang menunjukkan derajat sampai dimana masing-masing
indikator itu mengindikasikan sebuah konstruk yang umum. Karena indikator multidimensi, maka uji validitas dari setiap latent
variable construct akan diuji dengan melihat loading faktor dari hubungan antara
setiap observed variable dan latent variable. Sedangkan reliabilitas diuji dengan construct reliability
dan variance extracted. Yang dihitung dengan rumus sebagai berikut :
49
Construct Reliability = [
Σ Standardize Loading ]² [{
Σ Standardize Loading }² + Σ εj ] Variance Extracted =
Σ [ Standardize Loading ² ] [
Σ { Standardize Loading ² } + Σ εj]
Sementara εj dapat dihitung dengan formula εj = 1 – [Standardize Loading] secara
umum, nilai construct reliability yang dapat diterima adalah ≥ 0.7 dan variance
extrated ≥ 0.5 Hair et al, 1998. Standardize Loading dapat diperoleh dari output
AMOS 4.01, dengan melihat nilai estimasi setiap Construct standardize regression weights
terhadap setiap butir sebagai indikatornya.
3.4.3 Pengujian Hipotesis dan Hubungan Kausal
Pengaruh langsung koefisien jalur diamati dari bobot regresi terstandard, dengan pengujian signifikansi pembanding nilai CR Critical
Ratio atau p Probability yang sama dengan nilai t hitung. Apabila t hitung
lebih besar dari t tabel berarti signifikan.
3.4.4 Pengujian Model dengan One-Step Approach
Dalam model SEM model pengukuran dan model structural parameternya diestimasi secara bersama-sama. Cara ini agak mengalami
kesulitan dalam memenuhi tuntutan fit model. Kemungkinan terbesar disebabkan oleh terjadinya interaksi antara meansurement model dan
50
structural model yang diestimasi bersama-sama One Step Approach to SEM yang digunakan apabila model diyakini bahwa dilandasi teori yang kuat serta
validitas dan realibilitas yang sangat baik Hair et al, 1998.
3.4.5 Pengujian Model dengan Two-Step Approach
Two-Step Approach digunakan untuk mengatasi masalah sampel data
yang relatif kecil bila dibandingkan dengan jumlah butir instrumentasi yang digunakan Heartline dan Farrell, 1996, dan kekuatan reabilitas indikatior-
indikator terbaik dapat dicapai dalam Two-Step Approach ini. Two-Step Approach
bertujuan untuk menghindari interaksi antara model pengukuran dan model struktural pada One-Step Approach Hair et al, 1998. Yang
dilakukan dalam Two-Step Approach to SEM adalah estimasi terhadap measurement model dan estimasi terhadap structural model Anderson dan
Gerbing, 1998. Cara yang dilakukan dalam menganalisis SEM dengan Two- Step Approach
adalah sebagai berikut : a. Menjumlahkan skala butir-butir setiap konstruk menjadi sebuah
indicator summed-scale bagi setiap konstruk. Jika terdapat skala yang berbeda setiap indikator tersebut distandardisasi Z-score dengan
mean = 0, deviasi standard = 1, yang tujuannya adalah untuk mengeliminasi pengaruh-pengaruh skala yang berbeda-beda tersebut
Hair et al, 1998.
51
b. Menetapkan error ε dan lamda λ terms, error terms dapat
dihitung dengan rumus 0.1 kali σ² dan lamda terms dengan rumus
0.95 kali σ Andeson dan Gerbing, 1998. Perhitungan contruct
reliability α telah dijelaskan pada bagian sebelumnya dan deviasi
standard σ dapat dihitung dengan bantuan program aplikasi statistic
SPSS. Setelah error ε dan lamda λ terms diketahui, skor-skor
tersebut dimasukkan sebagai parameter fix pada analisis model pengukuran SEM.
3.4.6 Uji Goodnes of Fit
Hair et al, 1998 menjelaskan bahwa pola “corfirmatory” menunjukkan prosedur yang dirancang untuk mengevaluasi utilitas hipotesis-
hipotesis dengan pengujian fit antara model teoritis dan data empiris. Jika model teoritis menggambarkan “good fit” dengan data, maka model dianggap
sebagai yang diperkuat. Sebaliknya, model teoritis tidak diperkuat jika mempunyai suatu “poor fit” dengan data. Amos dapat menguji apakah model
“good fit” atau “poor fit”. Jadi, “good fit” model yang diuji sangat penting dalam penggunaan structural equation modeling. Pengujian terhadap model
yang dikembangkan dengan berbagai kriteria Goodness of fit, yakni Chi- Square, Probability, RMSEA, GFI, TLI, AGFI, CMIN df. Apabila model
52
awal tidak Good fit dengan data maka model dikembangkan dengan pendekatan Two-Step Approach to SEM.
Dalam analisis SEM tidak ada alat uji statistik tunggal untuk mengukur atau menguji hipotesis mengenai model. Beberapa indek
kesesuaian dan cut off value untuk digunakan dalam menguji apakah sebuah model dapat diterima atau ditolak adalah :
a X² CHI - SQUARE STATISTIC
Merupakan alat paling fundamental untuk mengukur overall fit adalah Likehood Ratio Chisquare Statistic
. Chi-Square Statistic ini bersifat sangat sensitif terhadap besarnya sampel yang digunakan. Model yang diuji akan
dipandang baik atau memuaskan bila nilai Chi-Squarenya rendah. Semakin kecil nilai X² semakin baik model itu X² = 0 , berarti tidak ada perbedaan.
Karena tujuan analisis adalah mengembangkan dan menguji sebuah model yang sesuai atau fit dengan data, maka yang dibutuhkan justru sebuah nilai
X² yang tidak signifikan. Penggunaan Chi-Square hanya sesuai bila ukuran sampel antara 100 dan 200, bila ukuran sampel diluar rentang itu uji
signifikan akan menjadi kurang reliable. Oleh karena itu pengujian ini dilengkapi dengan alat pengujian lain.
b RMSEA - The Rood Mean Square Error of Approach
RMSEA adalah sebuah indeks yang dapat digunakan untuk mengkompensasi goodness of fit yang data diharapkan bila model estimasi
53
dalam model. Nilai RMSEA yang lebih kecil atau sama dengan 0.08 merupaka indeks untuk dapat diterimanya model yang menunjukkan
sebuah closed fit dari model berdasarkan degress of freedom.
c GFI - Goodness of Fit Index
GFI adalah analog dari R2 dalam regresi berganda. Indeks kesesuaian ini akan menghitung proporsi tertimbang dari varians dalam matriks covarians
populasi yang diestimasikan. GFI adalah ukuran non-statistikal yang mempunyai rentang nilai antara 0 poor fit sampai dengan 1,0 perfect fit
nilai yang sangat tinggi dalam indeks ini menunjukkan sebuah “better fit”.
d AGFI - Adjusted Goodness of Fit Index
AGFI = GFI df tingkat penerimaan yang direkomendasikan adalah bila AGFI mempunyai nilai sama dengan atau lebih besar dari 0.90. GFI
maupun AGFI adalah kriteria yang memperhitungkan proporsi tertimbang dari varian dalam sebuah matriks kovarians sampel. Nilai sebesar 0.95
dapat diinterpretasikan sebagai tingkatan yang baik good overall model fit sedangkan besaran antara nilai 0.90 - 0.95 menunjukkan tingkatan cukup
adequate fit Hulland, et, al, 1996.
e CMIN - DF
The Minimum Sample Discrepancy function CMIN dibagi dengan degree
of freedom nya akan menghasilkan indeks CMIN df. Pada umumnya
diartikan sebagai salah satu indikator untuk mengukur tingkat fitnya sebuah
54
model. Dalam hal ini CMIN df tidak lain adalah statistik chi-square, X² dibagi df-nya sehingga disebut X² relatif. Nilai X² relatif kurang dari 2.0
atau bahkan kurang dari 3.0 adalah indikasi dari acceptable fit antara model dan data. Nilai X² relatif yang tinggi menandakan adanya perbedaan yang
signifikan antara matriks kovarians yang diobservasi dan diestimasi.
f TLI - Tucker Lewis Index
TLI adalah alternative incremental fit index yang membandingkan sebuah model yang diuji terhadap sebuah baseline model. Nilai yang
direkomendasikan sebagai acuan untuk diterimanya sebuah model adalah penerimaan 0.95 dan nilai yang sangat mendekati 1 menunjukkan a very
good fit.
g CFI - Comparative Fit Index
Besaran index ini adalah pada rentang nilai sebesar 0 – 1, dimana semakin mendekati 1, mengidentifikasikan tingkat fit yang paling tinggi a very
good fit. Nilai yang direkomendasikan adalah CFI 0.95. Keunggulan dari
index ini besarannya tidak dipengaruhi oleh ukuran sampel karena itu sangat baik untuk mengukur tingkat penerimaan sebuah model. Indeks CFI
adalah identik dengan Relative Noncentrality Index RNI. Dimana demikian indeks-indeks yang dapat digunakan untuk menguji
kelayakan sebuah model adalah seperti yang diringkas dalam tabel berikut ini:
55
Goodness of Fit Indices Goodness of Fit Index
Keterangan Out-Off Value
2
chi-square Menguji apakah covariance
populasi yang diestimasi sama dengan covariance sample apakah
model sesuai dengan data Diharapkan kecil,
1sd 5 atau paling baik diantara 1
dan 2 Probability
Uji signifikan terhadap perbedaan matrix covariance data dan matrix
covariance yang diestimasi Minimum 0,1 atau
0,2 atau 0,05
RMSEA Mengkompensasi kelemahan chi-
square pada sampel besar 0,08
GFI Menghitung proporsi
tertimbang varian dalam matrix sampel yang
dijelaskan oleh matrix covariance populasi yang diestimasi analog
dengan R
2
dalam regresi berganda 0,90
AGFI GFI yang disesuaikan terhadap df
0,90 CMINdf
Kesesuaian antara data dan model 2,00
TLI Perbandingan antara model yang
diuji terhadap baseline model 0,95
CFI Uji kelayakan model yang tidak
sensitive terhadap besarnya sample dan kerumitan model
0,94
Sumber : Hair, et, al, 1998
56
BAB IV HASIL PENELITIAN DAN PEMBAHASAN
4.1 Deskripsi Objek Penelitian 4.1.1 Gambaran Umum Mengenai Perusahaan Good Consumer
1. PT. Mustika Ratu, Tbk
PT. Mustika Ratu, Tbk didirikan pada tanggal 14 Maret 1978
dengan berdasarkan akta notaris No. 35 yang dibuat dihadapan G.H.S.
Loemban Tobing, S.H. Ruang lingkup kegiatan perusahaan meliputi pabrikasi,
perdagangan, dan distribusi jamu dan kosmetik tradisional serta minutan sehat, dan kegiatan usaha lain yang berkaitan. Perusahaan berdomisili di
Jl. Gatot Subroto, Jakarta, sedangkan lokasi pabrik berada di Jl. Raya Bogor KM. 26,4 Ciracas, Jakarta Timur. Perusahaan ini memulai
kegiatan komersialnya pada tahun 1978.
2. PT. Sara Lee Body Care Indonesia, Tbk
PT. Sara Lee Body Care Indonesia, Tbk didirikan pada tanggal 11 Agustus 1962 dengan berdasarkan akta notaris No. 51 yang dibuat
dihadapan Rd. Hadiwido. Perusahaan ini bergerak di bidang pembuatan produk perawatan
kulit dan badan untuk orang dewasa, anak-anak, dan bayi, produk-produk