64 public utilities
dan bank akan mempunyai debt equity ratio yang tinggi yang seekuivalen dengan tingginya risiko yang melekat pada industri yang
bersangkutan daripada non-regulated firms. 3.
Perusahaan yang membagikan dividen tunai selama 3 tahun berturut-turut pada periode observasi tahun 2005, 2006, dan 2007.
4. Perusahaan yang memiliki data kepemilikan saham manajerial dan
institusional selama 3 tahun berturut-turut pada periode observasi tahun 2005, 2006, dan 2007.
5. Laporan keuangan perusahaan tidak menunjukkan adanya saldo total
ekuitas yang negatif dan atau mengalami kerugian selama periode tahun penelitian 2005, 2006, dan 2007. Hal ini dikarenakan saldo ekuitas dan
laba yang negatif sebagai penyebut menjadi tidak bermakna. Imam Subekti, 2000 dalam Untung W. dan Hartini, 2006.
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.
65 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 struktur kepemilikan, keputusan investasi, keputusan pendanaan, dan kebijakan dividen
terhadap nilai perusahaan adalah model persamaan structural 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. Selain
itu, alasan peneliti menggunakan program LISREL 8.54 adalah untuk menguji konsistensi hasil penelitian Untung W. Hartini 2006 yang menggunakan
program SPSS. Tahapan peneliti dalam menganalisis pengaruh struktur kepemilikan,
keputusan investasi, keputusan pendanaan, dan kebijakan dividen terhadap nilai perusahaan adalah sebagai berikut:
66 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 struktur kepemilikan X
1
. 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
keputusan investasi Y
1
, keputusan pendanaan Y
2
, kebijakan dividen Y
3
, dan nilai perusahaan Y
4
. c. Variabel Manifest
Variabel manifestindikator variable observed adalah variabel yang dapat diukur secara langsung. Variabel manifest dalam penelitian ini
adalah struktur kepemilikan manajerial X
1
, kepemilikan institusional X
2
, PPEBVA X
3
, MVEBVE X
4
, MVABVA X
5
, BDE X
6
, BDA X
7
, LDE X
8
, DPR X
9
, DYR X
10
, PBV X
11
, dan PER X
12
.
67 2.
Struktural Equation Modelling 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
68 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
69 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.
70 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:
71 • 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
72 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
73 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.
74 • 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.
75 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.
76 • 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
77 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.
E. Uji Kesesuaian Model
