BAB 4 PEMECAHAN MASALAH

BAB 4 PEMECAHAN MASALAH

4.1. Metodologi Pemecahan Masalah Metodologi pemecahan masalah dari penelitian ini terangkum dalam gambar flowchart dibawah ini.

Gambar 4.1 Flowchart Metodologi Pemecahan Masalah

19

Tahap pertama adalah melihat distribusi data yang ada, normal atau tidak. Pengujian normalitas data menggunakan Tests of Normality dengan uji Kolmogorov-Smirnov dan Shapiro-wilk pada program SPSS. Normal atau tidaknya distribusi data dilihat dari tingkat signifikansi data sebagai penjabaran dari kemiringan (skewness) dan kelancipan (kurtosis) data. Tingkat signifikansi uji Kolmogorov-Smirnov dan Shapiro-wilk > 0,05 berarti distribusi data normal atau mendekati normal. Tahap kedua adalah mengolah data dengan menggunakan six-Group of Stepwise Discriminant Analysis. Proses analisis diskriminan dalam penelitian ini sebagai berikut: 1. Memisahkan variabel-variabel yang menjadi variabel dependen dan variabel independen. 2. Membuat kategori untuk data yang akan digunakan pada variabel dependen. Dalam penelitian ini variabel dependen terdiri dari 6 (enam) grup yaitu kinerja keuangan pada industri Makanan dan Minuman (group 1), Tekstil dan Garmen (group 2), Plastik dan Kemasan (group 3), Logam dan Sejenisnya (group 4), Otomotif dan Komponennya (group 5), dan Properti dan Real Estat(group 6). 3. Menentukan metode untuk membuat fungsi diskriminan. Pada prinsipnya ada dua metode dasar yang digunakan, yaitu: a. Simultaneous Estimation, dimana semua variabel dimasukkan secara bersamasama kemudian dilakukan proses diskriminasi. b. Stepwise Estimation, dimana variabel dimasukkan satu per satu kedalam model diskriminan. Pada proses ini ada kemungkinan satu atau lebih variabel independen yang dibuang dari model. 4. Menguji signifikansi dari fungsi diskriminan yang telah terbentuk, dengan menggunakan Wilk's Lamda, dan F test. 5. Melakukan pengklasifikasian data dari fungsi diskriminan dan group centroids yang terbentuk. 6. Menguji ketepatan klasifikasi secara individual dan keseluruhan berdasarkan fungsi diskriminan dan group centroids.

20

Penelitian ini menggunakan paket program komputer SPSS versi 13.0 dan Microsoft Excel for Windows untuk mempercepat dan menjamin ketelitian dalam pengolahan data serta pengujian.

4.2. Pengolahan Data dan Interpretasi Hasil Perhitungan 4.2.1. Klasifikasi Industri dan Anggotanya Sampel dipilih dari enam industri yang terdaftar di Bursa Efek Jakarta (BEJ). Kemudian dari masing-masing industri dipilih perusahaan-perusahaan yang akan diambil sebagai sampel, yaitu perusahaan yang telah terdaftar di lantai bursa sejak tahun 1991 dan masih terdaftar hingga 2007.

Tabel 4.1 Klasifikasi Sampel pada Industri Makanan dan Minuman

21

Tabel 4.2 Klasifikasi Sampel pada Industri Tekstil dan Garmen

Tabel 4.3 Klasifikasi Sampel pada Industri Plastik dan Kemasan

Tabel 4.4 Klasifikasi Sampel pada Industri Logam dan Sejenisnya

22

Tabel 4.5 Klasifikasi Sampel pada Industri Otomotif dan Komponennya

Tabel 4.6 Klasifikasi Sampel pada Industri Properti dan Real Estat

4.2.2. Pengumpulan Data Keuangan dari Sampel Pada tahap ini, dikumpulkan data rasio keuangan yang diambil dari sumber data Indonesian Capital Market Directory (ICMD) dari tahun 1991 sampai dengan ICMD tahun 2006 dengan beberapa perhitungan rasio keuangan lainnya yang tidak terdapat pada ICMD tersebut.

23

4.2.3. Pengolahan Data dan Interpretasi Hasil Perhitungan Periode 1991 – 1996 4.2.3.1. Proses Normalisasi dan Seleksi Data Hasil pengujian data-data yang telah ditransformasi dapat dilihat pada tabel 4.7.

Tabel 4.7 Uji Normalitas Jenis Industri CR

CASH

ITO

TATO

FATO

Kolmogorov-Smirnov(a) Statistic

df

Shapiro-Wilk

Sig.

Statistic

df

Sig.

Makanan dan minuman

.430

7

.000

.590

7

.000

Tekstil dan garmen

.243

11

.068

.877

11

.095

Plastik dan Kemasan

.272

4

.

.875

4

.319

Logam dan sejenisnya

.342

5

.056

.822

5

.120

Otomotif dan komponennya

.182

5

.200(*)

.954

5

.763

Properti dan Real Estate

.178

3

.

1.000

3

.960

Makanan dan minuman

.440

7

.000

.565

7

.000

Tekstil dan garmen

.238

11

.083

.894

11

.155

Plastik dan Kemasan

.282

4

.

.867

4

.288


.343

5

.054

.764

5

.040


.214

5

.200(*)

.923

5

.547


.254

3

.

.964

3

.634

Makanan dan minuman

.294

7

.068

.727

7

.007

Tekstil dan garmen

.173

11

.200(*)

.967

11

.852

Plastik dan Kemasan

.240

4

.

.891

4

.389


.175

5

.200(*)

.971

5

.882


.324

5

.093

.884

5

.329


.329

3

.

.868

3

.291

Makanan dan minuman

.307

7

.044

.711

7

.005

Tekstil dan garmen

.184

11

.200(*)

.890

11

.140

Plastik dan Kemasan

.379

4

.

.770

4

.059


.225

5

.200(*)

.925

5

.560


.300

5

.161

.857

5

.219


.280

3

.

.938

3

.520

Makanan dan minuman

.256

7

.184

.869

7

.181

24

DSO

DR

DER

MARGIN

BEP

Tekstil dan garmen

.327

11

.002

.586

11

.000

Plastik dan Kemasan

.235

4

.

.943

4

.671


.279

5

.200(*)

.876

5

.291


.255

5

.200(*)

.912

5

.477


.383

3

.

.756

3

.013

Makanan dan minuman

.222

7

.200(*)

.863

7

.162

Tekstil dan garmen

.243

11

.070

.804

11

.011

Plastik dan Kemasan

.350

4

.

.830

4

.169


.193

5

.200(*)

.948

5

.723


.255

5

.200(*)

.897

5

.391


.256

3

.

.962

3

.626

Makanan dan minuman

.293

7

.069

.748

7

.012

Tekstil dan garmen

.114

11

.200(*)

.954

11

.695

Plastik dan Kemasan

.286

4

.

.829

4

.165


.339

5

.061

.811

5

.099


.203

5

.200(*)

.908

5

.458


.338

3

.

.852

3

.247

Makanan dan minuman

.474

7

.000

.495

7

.000

Tekstil dan garmen

.124

11

.200(*)

.957

11

.734

Plastik dan Kemasan

.267

4

.

.904

4

.451


.303

5

.150

.802

5

.085


.284

5

.200(*)

.770

5

.045


.366

3

.

.796

3

.105

Makanan dan minuman

.303

7

.052

.791

7

.034

Tekstil dan garmen

.143

11

.200(*)

.967

11

.854

Plastik dan Kemasan

.274

4

.

.939

4

.650


.211

5

.200(*)

.935

5

.633


.229

5

.200(*)

.907

5

.449


.204

3

.

.993

3

.843

Makanan dan minuman

.317

7

.032

.787

7

.030

Tekstil dan garmen

.255

11

.044

.854

11

.048

Plastik dan Kemasan

.283

4

.

.863

4

.272


.301

5

.158

.795

5

.074

25

ROA

ROE

EPS

PER

BVPS


.220

5

.200(*)

.896

5

.390


.253

3

.

.964

3

.637

Makanan dan minuman

.329

7

.021

.764

7

.018

Tekstil dan garmen

.168

11

.200(*)

.955

11

.710

Plastik dan Kemasan

.192

4

.

.978

4

.889


.209

5

.200(*)

.913

5

.483


.141

5

.200(*)

.994

5

.991


.311

3

.

.898

3

.378

Makanan dan minuman

.317

7

.032

.755

7

.014

Tekstil dan garmen

.160

11

.200(*)

.970

11

.882

Plastik dan Kemasan

.374

4

.

.749

4

.038


.204

5

.200(*)

.902

5

.422


.265

5

.200(*)

.883

5

.321


.271

3

.

.948

3

.560

Makanan dan minuman

.339

7

.015

.710

7

.005

Tekstil dan garmen

.309

11

.004

.798

11

.009

Plastik dan Kemasan

.202

4

.

.972

4

.855


.312

5

.124

.819

5

.115


.235

5

.200(*)

.899

5

.405


.374

3

.

.778

3

.062

Makanan dan minuman

.304

7

.049

.814

7

.056

Tekstil dan garmen

.283

11

.014

.672

11

.000

Plastik dan Kemasan

.264

4

.

.893

4

.398


.373

5

.022

.752

5

.031


.448

5

.001

.631

5

.002


.290

3

.

.925

3

.472

Makanan dan minuman

.307

7

.046

.829

7

.079

Tekstil dan garmen

.224

11

.128

.897

11

.172

Plastik dan Kemasan

.313

4

.

.908

4

.469


.216

5

.200(*)

.913

5

.486


.128

5

.200(*)

.996

5

.995


.379

3

.

.766

3

.035

26

PBV

Makanan dan minuman

.153

7

.200(*)

.944

7

.673

Tekstil dan garmen

.265

11

.030

.830

11

.023

Plastik dan Kemasan

.252

4

.

.898

4

.423


.277

5

.200(*)

.835

5

.150


.222

5

.200(*)

.934

5

.626


.197

3

.

.996

3

.873

Berdasarkan Tabel 4.7 dapat dilihat bahwa data-data mempunyai distribusi normal atau mendekati normal. Hal ini dapat diketahui dengan membandingkan tingkat signifikansi data yang lebih besar dari 0,05. Jika tingkat signifikansi semakin mendekati 0,200 pada uji Kolmogorov-Smirnov dan mendekati 0,990 pada uji Shapiro-Wilk berarti distribusi data sangat normal.

4.2.3.2. Metoda Six-Group of Stepwise Discriminant Analysis Analisis diskriminan secara luas dipergunakan untuk mencapai dua tujuan: diskriminan dan klasifikasi. Pembedaan grup dicapai dengan fungsi diskriminan, sementara prediksi individu dilakukan dengan pedoman klasifikasi. Dengan kata lain, analisis diskriminan merupakan teknik statistik untuk mengklasifikasikan obyek ke dalam grup terpisah berdasarkan sejumlah variabel bebas. Tujuan utamanya adalah menemukan kombinasi linier dari sejumlah variabel bebas yang meminimalkan probabilitas kesalahan klasifikasi obyek ke dalam masing-masing grup. Analisis diskriminan dilakukan dalam penelitian ini, untuk memprediksi kinerja keuangan antar industri yaitu Makanan dan minuman, Tekstil dan garmen, Plastik dan Kemasan, Logam dan sejenisnya, Otomotif dan komponennya, Properti dan Real Estate. Selanjutnya akan dibahas mengenai hasil Six-Group of Stepwise Discriminant Analysis pada penelitian ini. Dari data-data yang dimasukkan kedalam perhitungan analisis diskriminan empat grup, dihasilkan output seperti pada tabel berikut ini.

27

Tabel 4.8 Analysis Case Processing Summary Unweighted Cases

N

Valid

35

100.0

Missing or out-of-range group codes

0

.0

At least one missing discriminating variable

0

.0

0

.0

0

.0

35

100.0

Excluded

Both missing or out-of-range group codes and at least one missing discriminating variable Total Total

Percent

Tabel diatas menjelaskan bahwa, dari 35 perusahaan semua data tidak terdapat data yang hilang atau tidak lengkap maka dapat dianalisis secara keseluruhan.

4.2.3.3. Penentuan variabel-variabel independen yang signifikan

Tabel 4.9 Tests of Equality of Group Means Wilks' Lambda

F

df1

df2

Sig.

CR

.652

3.094

5

29

.023

CASH

.699

2.499

5

29

.053

ITO

.525

5.245

5

29

.002

TATO

.699

2.503

5

29

.053

FATO

.789

1.555

5

29

.204

DSO

.946

.333

5

29

.889

DR

.816

1.311

5

29

.287

DER

.844

1.076

5

29

.394

MARGIN

.762

1.809

5

29

.142

BEP

.750

1.937

5

29

.119

ROA

.638

3.297

5

29

.018

ROE

.702

2.464

5

29

.056

EPS

.552

4.711

5

29

.003

PER

.866

.899

5

29

.495

BVPS

.818

1.290

5

29

.295

PBV

.829

1.198

5

29

.335

28

Tabel diatas merupakan hasil pengujian untuk setiap variabel bebas yang ada. Dalam penelitian ini, keputusan untuk menentukan apakah sebuah variabel independen dapat atau tidak dapat digunakan sebagai model dalam memprediksi kinerja keuangan industri adalah dengan menggunakan F test atau uji F. Dalam uji F, angka hasil perhitungan yang diperhatikan adalah tingkat signifikansi. Jika tingkat signifikansi > 0,05, berarti variabel tersebut tidak mampu melakukan perbedaan kinerja keuangan antar industri dan jika tingkat signifikansi < 0,05, berarti variabel tersebut mampu melakukan perbedaan kinerja keuangan antar industri. Hasil yang didapat pada tabel 3 adalah uji F dari CR,ITO,ROA,EPS memiliki tingkat signifikansi < 0,05 berarti empat variabel independen tersebut dapat membedakan kinerja keuangan antar industri. Variabel-variabel yang tidak lolos tahap ini berjumlah 12 variabel yaitu CASH, TATO, DSO,DR, DER, BEP, MARGIN, ROE, PER, BVPS dan PBV.

Pada bagian selanjutnya akan disajikan, variabel-variabel mana saja dari enam belas variabel yang dihasilkan dari perhitungan sebelumnya, yang bisa dimasukkan (entered) kedalam fungsi diskriminan. Tabel 4.10 Variables Entered/Removeda,b,c,d Wilks' Lambda Step

Entered

df1

df2

Exact F

df3

Statistic

Statistic

df1

Approximate F

df2

Sig.

Statistic

df1

df2

Sig.

1

ITO

.525

1

5

29

5.245

5

29.000

.002

2

CR

.340

2

5

29

4.003

10

56.000

.000

3

MARGIN

.172

3

5

29

4.447

15

74.937

.000

4

EPS

.086

4

5

29

4.759

20

87.182

.000

At each step, the variable that minimizes the overall Wilks' Lambda is entered. a Maximum number of steps is 32. b Minimum partial F to enter is .01 c Maximum partial F to remove is .05. d F level, tolerance, or VIN insufficient for further computation.

29

Tahap-tahap pemasukan variabel bebas adalah sebagai berikut: 1. Pada tahap pertama, angka lamda variabel ITO adalah yang terbesar, mencapai 0.525, maka pada tahap pertama ini, variabel ITO terpilih. 2. Pada tahap kedua, angka lamda variabel CR adalah kedua terbesar, mencapai 0.340, maka pada tahap kedua ini, variabel CR terpilih. 3. Pada tahap ketiga, angka lamda variabel MARGIN adalah ketiga terbesar, mencapai 0.172, maka pada tahap ketiga ini, variabel MARGIN terpilih. 4. Pada tahap keempat, angka lamda variabel EPS adalah keempat terbesar, mencapai 0.086, maka pada tahap keempat ini, variabel EPS terpilih. Jika kita perhatikan dari empat variabel di atas, keempatnya mempunyai tingkat signifikansi dibawah 0,05. Dengan demikian, hanya ada empat variabel yang signifikan. Dengan kata lain, bahwa ITO, CR, Margin dan EPS dapat mempengaruhi kinerja keuangan keenam industri yaitu Makanan dan minuman, Tekstil dan garmen, Plastik dan Kemasan, Logam dan sejenisnya, Otomotif dan komponennya, Properti dan Real Estate secara signifikan.

4.2.3.4 Penentuan fungsi diskriminan Canonical Correlation merupakan alat ukur untuk mengukur keeratan hubungan antara discriminant score dengan grup yang diteliti.

Tabel 4.11 Eigenvalues Function

Eigenvalue % of Variance Cumulative % Canonical Correlation

1

4.070(a)

78.8

78.8

.896

2

.886(a)

17.2

96.0

.685

3

.192(a)

3.7

99.7

.401

4

.015(a)

.3

100.0

.121

a) First 4 canonical discriminant functions were used in the analysis.

Berdasarkan Tabel 4.11 ini menjelaskan ke 16 variabel bebas terlebih dahulu dikelompokkan ke dalam 4 faktor yang diinterpretasikan pada tabel 4.11 di atas. Korelasi

30

89.6% pada fungsi 1 menunjukkan keeratan hubungan yang cukup tinggi antara variabel-variabel independen yang dihasilkan fungsi/ faktor tersebut dengan kinerja keuangan keenam industri yang diteliti. Korelasi tersebut semakin mengecil pada fungsi 2,3 dan 4 yaitu sebesar 68.5% ,40.1% dan 12.1%. Namun, secara kumulatif, jika keempat fungsi/ faktor tersebut dimasukkan, maka kesemuanya akan mewakili varians yang terjadi hingga mencapai level 100%. Jika satu faktor yag digunakan, maka 78.8% varians dari variabel tak bebas (jenis industri) dapat dijelaskan oleh model diskriman yang terbetuk. Jika dua faktor yang digunakan, maka 96% varians dari variabel tak bebas (jenis industri) dapat dijelaskan oleh model diskriman yang terbetuk. Jika tiga faktor yang digunakan, maka 99.7% varians dari variabel tak bebas (jenis industri) dapat dijelaskan oleh model diskriman yang terbetuk, dan jika semua faktor yang digunakan, maka 100% varians dari variabel tak bebas (jenis industri) dapat dijelaskan oleh model diskriman yang terbetuk. Dengan demikian, maka akan digunakan 4 faktor untuk analisis selanjutnya. Tingkat signifikansi yang menunjukkan perbedaan yang jelas dan nyata kinerja keuangan antar empat industri yang diteliti, dapat dilihat berikut ini:

Tabel 4.12. Wilks' Lambda Test of Function(s)

Wilks'

Chi-

Lambda

square

df

Sig.

1 through 4

.086

70.983

20

.000

2 through 4

.438

23.909

12

.021

3 through 4

.827

5.510

6

.480

4

.985

.425

2

.809

Tabel di atas menyatakan nilai Chi-Square untuk baris 1 (fungsi 1 sampai 4) yaitu sebesar 70.983, baris 2 (fugsi 2 sampai 4) sebesar 23.909, baris 3 (fungsi 3 dan 40 sebesar 5.10 dan baris 4 (hanya fungsi 4) sebesar 0.425. Hipotesis penelitian yaitu: H0: Tidak ada perbedaan yang signifikan kinerja keuangan antar enam industri yaitu Makanan dan minuman, Tekstil dan garmen, Plastik dan Kemasan, Logam dan sejenisnya, Otomotif dan komponennya, Properti dan Real Estate.

31

H1: Ada perbedaan yang signifikan kinerja keuangan antar enam industri yaitu industri Makanan dan minuman, Tekstil dan garmen, Plastik dan Kemasan, Logam dan sejenisnya, Otomotif dan komponennya, Properti dan Real Estate. Dimana H0 diterima jika tingkat signifikansi > 0,05 atau H1 diterima jika tingkat signifikansi < 0,05. Ternyata dari tabel 4.8, hanya fungsi 1 dan 2 memiliki tingkat signifikansi < 0,05, hal ini berarti hanya baris 1 dan 2 yang mampu membedakan kinerja keuangan keempat industri sedangkan 3 dan 4 memiliki nilai signifikansi > 0.05. Untuk memberikan arti yang lebih mendalam tentang korelasi, digunakan structure matrix. Tabel 4.13 Structure Matrix Function 1

2

3

4

TATO(a)

.474(*)

.206

-.286

-.046

PBV(a)

.183(*)

.038

-.122

-.047

-.025

.708(*)

.672

.218

FATO(a)

.188

.523(*)

-.051

.146

MARGIN

.208

-.161

.752(*)

-.605

CASH(a)

-.070

.649

.662(*)

.167

DR(a)

.049

-.390

-.559(*)

-.154

DER(a)

.015

-.207

-.392(*)

.003

DSO(a)

-.328

-.130

-.330(*)

-.023

PER(a)

-.267

.212

-.322(*)

.136

EPS

.442

.071

.056

-.892(*)

ITO

.468

-.022

-.117

.876(*)

BEP(a)

.184

-.061

.478

-.791(*)

ROA(a)

.394

.102

.402

-.672(*)

ROE(a)

.327

.122

.088

-.511(*)

BVPS(a)

.207

.380

-.133

-.415(*)

CR

Pooled within-groups correlations between discriminating variables and standardized canonical discriminant functions Variables ordered by absolute size of correlation within function. * Largest absolute correlation between each variable and any discriminant function a This variable not used in the analysis.

32

Dari analisis sebelumnya, diperoleh hanya 4 variabel yang membedakan perilaku yaitu ITO, CR, Margin dan EPS. Sedangkan dari analisis Wilks Lambda, diperoleh perlunya 4 faktor untuk merigkas ke enam variabel tak bebas (jenis industri). Dari kedua hal tersebut, analisis selanjutnya akan menentuka variabel mana yang akan masuk ke faktor mana. Dasar pemasukan variabel dilihat pada besar korelasi kanonikal, dengan korelasi terbesar masuk ke faktor yang bersangkutan. Variabel yang memiliki korelasi terbesar pada fungsi/faktor 1 dan termasuk dalam model adalah ITO sebesar 47.4%, dan variabel yang memiliki korelasi cukup penting pada fungsi/ faktor 2 dan termasuk dalam model adalah CR sebesar 70.8% .Sedangkan variabel yang memiliki korelasi terbesar pada fungsi/ faktor 3 dan termasuk dalam model adalah MARGIN sebesar 75.2% dan yang termasuk dalam model memiliki nilai korelasi terbesar pada fungsi/ faktor 4 adalah EPS sebesar 89.2%. Dengan demikian, faktor 1 berisi ITO, faktor 2 berisi CR, faktor 3 berisi MARGIN, sedangkan faktor 4 berisi EPS. Variabel-variabel lain tidak termasuk dalam model diskriminan (tanda a).

Tabel 4.14 Canonical Discriminant Function Coefficients Function 1

2

CR

-.044

1.357

.391

.110

ITO

.462

-.085

.035

.224

2.121

-17.012

17.733

.814

.003

.002

-.002

-.002

-3.290

-1.001

-2.142

-.658

MARGIN EPS (Constant)

3

4

Unstandardized coefficients

Tabel 4.14 di atas meghasilkan kesimpulan yang sama dengan analisis pada tabel 4.14, terdapat 4 variabel yang membedakan perilaku yaitu CR, ITO, MARGIN, dan EPS

33

dengan variabel ito dimasukkan pada fungsi 1, variabel CR dimasukkan pada fungsi 2, variabel MARGIN pada fungsi 3 dan variabel EPS pada fungsi 4. Tabel di atas mempunyai fungsi yang sama persis dengan persamaan regresi berganda, yang dalam analisis diskriminan disebut sebagai fungsi diskriminan. Fungsi diskriminan atau persamaan Z Score yang diperoleh berdasarkan tabel di atas adalah:

Z Score 1 = – 3,290 - 0.044 CR + 0.462 ITO + 2,121 MARGIN + 0,003 EPS ..................(1) Z Score 2 = – 1,001 + 1,357 CR – 0,085 ITO – 17,012 MARGIN + 0,002 EPS ..................(2) Z Score 3 = – 2,142 + 0,391 CR + 0,035 ITO - 17,733 MARGIN - 0,002 EPS ..................(3) Z Score 4 = – 0,658 + 0,110 CR + 0,224 ITO + 0,814 MARGIN - 0,002 EPS ..................(4)

Kegunaan dari fungsi ini adalah untuk mengetahui atau menggolongkan apakah sejumlah data (4 variabel independen) yang akan diteliti mampu memprediksi kinerja keuangan industri Makanan dan Minuman (grup 1), Tekstil dan Garmen (grup 2), Plastik dan Kemasan (grup 3), Logam dan sejenisnya (grup 4), Otomotif dan Komponennya (grup 5) dan Properti dan Real Estate(group 6).

4.2.3.5. Klasifikasi data berdasarkan hasil model diskriminan Data atau perusahaan yang diobservasi termasuk kedalam salah satu industri jika jarak Squared Mahalanobis Distance to Centroid (D2) industri tersebut paling kecil dibandingkan jarak D2 kelima industri lainnya. Kemudian data hasil model diskriminan tersebut akan dibandingkan dengan data aktualnya. Untuk dapat menentukan Squared Mahalanobis Distance to Centroid (D2), dibutuhkan data dari Functions at Group Centroids (tabel 4.11) dan Z Score dari ketiga fungsi.

34

Berikut adalah Tabel 4.15 Functions at Group Centroids.

Tabel 4.15 Functions at Group Centroids Function Industri

2

1

Makanan dan minuman

3

4

3.639

.026

.090

-.014

-1.012

-.218

-.136

-.142

Plastik dan Kemasan

-.768

-1.270

-.045

.171


-1.076

-.566

.598

.056

-.396

.699

-.720

.114

-1.305

2.211

.549

.044

Tekstil dan garmen

Otomotif dan komponennya Properti dan Real Estate

Unstandardized canonical discriminant functions evaluated at group means

Formula Squared Mahalanobis Distance to Centroid (D2) untuk tiga fungsi diskriminan adalah: D2 = (Z1 – C1)2 + (Z2 – C2)2 + (Z3 – C3)2 + (Z4 – C4)2 Dimana:

Zi = nilai Z score pada fungsi i; i = 1, 2, 3,4 Ci = nilai group centroids pada fungsi i; i = 1, 2, 3,4

Contoh perhitungan D2 sebagai berikut: 4 rasio dari data aktual 1 Makanana & minuman (data 1 dari 35 data) adalah: Rasio Data 1

CR 1.58

ITO 0.95

MARGIN 15.43

EPS 0.75

Maka; Z 1 = – 3,290 - 0.044 CR + 0.462 ITO + 2,121 MARGIN + 0,003 EPS = 14.37 Z 2 = – 1,001 + 1,357 CR – 0,085 ITO – 17,012 MARGIN + 0,002 EPS = -261,431

35

Z 3 = – 2,142 + 0,391 CR + 0,035 ITO - 17,733 MARGIN - 0,002 EPS = -275,112 Z 4 = – 0,658 + 0,110 CR + 0,224 ITO + 0,814 MARGIN - 0,002 EPS = 12,287

dan, Nilai Group Centroids untuk industri Makanan dan minuman adalah: Function INDUSTRI Makanan dan minuman

1

2

3

4

3.639

.026

.090

-.014

Maka; C1

= 3.639

C2

= 0.026

C3

= 0.090

C4

= -0.014

Sehingga nilai: D2

= (Z1 – C1)2 + (Z2 – C2)2 + (Z3 – C3)2+ (Z4 – C5)2

D2

= 144362.4 Makanan dan minuman

Dengan cara yang sama, diperoleh: D2

= 144235.1 pada industri tekstile dan garmen

D2

= 143721.6 pada industri Plastik dan kemasan

D2

= 144454.7 pada industri logam dan sejenisnya

D2

= 144369.3 pada industri Otomotif dan komponennya

D2

= 145891.7 pada industri Properti dan real estate

Karena nilai D2 terkecil (jarak terpendek antara Z score dan group centroids) adalah 143721.6 pada industri plastik dan kemasan, maka grup prediksi berdasarkan model diskriminan adalah grup 3 (industri Plastik dan kemasan).

36

Tabel 4.15 Functions at Group Centroids di atas juga menjelaskan mengeai pengelompokkan ke enam grup industri dalam fungsi 1, 2, 3 atau 4. Dasar pengelompokkan berdasarkan angak pada tabel ( tanda (-) dan (+) diabaikan. 1. Untuk kelompok jenis industri Makanan dan Minuman, angka terbesar ada di fungsi/ faktor 1 (3.639), maka jenis industri makanan dan minuman dimasukkan ke faktor 1. 2. Untuk kelompok jenis industri Tekstil dan Garment, angka terbesar ada di fungsi/ faktor 1 (-1.012), maka jenis industri tekstil dan garment dimasukkan ke faktor 1. 3. Untuk kelompok jenis industri Plastik dan Kemasan, angka terbesar ada di fungsi/ faktor 2 (-1.270), maka jenis industri Plastik dan Kemasan dimasukkan ke faktor 2. 4. Untuk kelompok jenis industri Logam dan sejenisnya, angka terbesar ada di fungsi/ faktor 1 (-1.076), maka jenis industri Logam dan sejenisnya dimasukkan ke faktor 1. 5. Untuk kelompok jenis industri Otomotif dan komponennya, angka terbesar ada di fungsi/ faktor 3 (-0.720), maka jenis industri Otomotif dan komponennya dimasukkan ke faktor 3. 6. Untuk kelompok jenis industri Properti dan Real Estate, angka terbesar ada di fungsi/ faktor 1 (2.221), maka jenis industri Properti dan Real Estate dimasukkan ke faktor 2.

Dengan demikian, jenis industri makanan minuman, tekstil dan garment, logam dan sejenisnya, terdapat pada faktor 1 (ITO). Jenis industri plastik dan kemasan serta properti dan real estate, terdapat pada faktor 2 (CR). Jenis industri otomotif dan komponennya terdapat pada faktor 3 (MARGIN) dan tidak ada satu jenis industri pun yang terdapat pada faktor 4 (EPS).

37

Interpretasi selengkapnya mengenai tanda negatif dan positif adalah sebagai berikut: 1. Jenis usaha makanan dan minuman mempunyai tanda + pada fungsi 1, hal ini menandakan bahwa jika ingin berinvestasi pada jenis industri makanan dan minuman, perlu memperhatikan faktor ITO yang positif 2. Jenis usaha tekstil dan garment mempunyai tanda - pada fungsi 1, hal ini menandakan bahwa jika ingin berinvestasi pada jenis industri tekstil dan garment, perlu memperhatikan faktor ITO yang negatif. 3. Jenis usaha logam dan sejenisnya mempunyai tanda - pada fungsi 1, hal ini menandakan bahwa jika ingin berinvestasi pada jenis industri logam dan sejenisnya, perlu memperhatikan faktor ITO yang negatif 4. Jenis usaha plastik dan kemasan mempunyai tanda - pada fungsi 2, hal ini menandakan bahwa jika ingin berinvestasi pada jenis industri plastik dan kemasan, perlu memperhatikan faktor CR yang negatif 5. Jenis usaha properti dan real estate mempunyai tanda + pada fungsi 2, hal ini menandakan bahwa jika ingin berinvestasi pada jenis industri otomotif properti dan real estate, perlu memperhatikan faktor CR yang positif 6. Jenis usaha otomotif dan komponennya mempunyai tanda - pada fungsi 3, hal ini menandakan bahwa jika ingin berinvestasi pada jenis industri otomotif dan komponennya, perlu memperhatikan faktor MARGIN yang negatif.

4.2.3.6 Ketepatan Klasifikasi Hasil Model Diskriminan dengan Data Aktual Setelah model diskriminan (fungsi diskriminan dan group centroids) diperoleh, dan proses klasifikasi dilakukan, maka selanjutnya menentukan seberapa jauh ketepatan klasifikasi model diskriminan terhadap data aktual industri. Atau dengan kata lain, berapa persenkah tingkat kemungkinan terjadi misklasifikasi pada proses pengklasifikasian antara data aktual dengan hasil model diskriminan di atas. Berdasarkan Tabel 4.16, hasil ketepatan klasifikasi yang diperoleh akan dijelaskan di bawah ini.

38

Tabel 4.16 Classification Resultsa Predicted Group Membership Makanan dan Industri

Count

minuman

Tekstil dan

Plastik dan

Logam dan

Otomotif dan

garmen

Kemasan

sejenisnya

komponennya

Properti dan Real

Total

Estate

Makanan dan minuman

6

0

0

0

0

1

7

Tekstil dan garmen

0

5

2

2

2

0

11

Plastik dan Kemasan

0

2

2

0

0

0

4


0

3

0

2

0

0

5

0

1

0

0

4

0

5

Otomotif dan komponennya Properti dan Real Estate

0

1

0

0

0

2

3

Makanan dan minuman

85.7143

0

0

0

0

14.2857

100

Tekstil dan garmen

0

45.4545

18.1818

18.1818

18.1818

0

100

Plastik dan Kemasan

0

50

50

0

0

0

100


0

60

0

40

0

0

100

Original %


0

20

0

0

80

0

100


0

33.3333

0

0

0

66.6667

100

a 60.0% of original grouped cases correctly classified.

Pada bagian Count, terlihat bahwa jumlah data awal yang tergolong kedalam industri Makanan dan Minuman (grup 1) adalah 7 data, kemudian setelah dilakukan perhitungan menjadi 6 data. Dengan kata lain, ketepatan klasifikasi kinerja keuangan industri Makanan dan minuman adalah 85.71% (bagian %). Data yang pada awalnya tergolong kedalam industri Tekstil dan Garmen (grup 2) sebanyak 11 data, setelah dilakukan perhitungan berubah menjadi 5 data. Dengan kata lain, ketepatan klasifikasi kinerja keuangan industri tekstil dan garmen adalah 45.45%. Sedangkan jumlah data awal yang tergolong kedalam industri Pelastik dan kemasan (grup 3) adalah 4 data, setelah dilakukan perhitungan berubah menjadi 2 data. Dengan kata lain, ketepatan klasifikasi kinerja keuangan industri pelastik dan kemasan adalah 50%. Kemudian untuk industri logam dan sejenisnya(grup 4), data awalnya sebanyak 5 data, tetapi setelah dilakukan perhitungan berubah menjadi 2 data. Dengan kata lain, ketepatan klasifikasi kinerja keuangan industri logam dan sejenisnya adalah 40%.

39

Sedangkan jumlah data awal untuk industri otomotif dan komponennya (grup 5) sebanyak 5 data, setelah dilakukan perhitungan berubah menjadi 4 data,dengan kata lain ketepatan klasifikasi kinerja keuangan industri otomotif dan komponennya adalah 80%. Dan untuk data awal industri properti dan real estate (grup 6) adalah 3 data, tetapi setelah dilakukan perhitungan berubah menjadi 2 data, dengan katalain ketepatan klasifikasi kinerja keuangan untuk industri real estate adalah 66.66%. Dari data tersebut diatas dapat diperoleh informasi bahwa prosentase ketepatan klasifikasi secara keseluruhan dari model yang dihasilkan adalah: ⎛ 6+5+ 2+ 2+ 4+ 2⎞ ⎜ ⎟ × 100% = 60% 35 ⎝ ⎠

Prosentase ketepatan klasifikasi kinerja keuangan sebesar 60.0% adalah cukup tinggi karena diatas 50%, maka model diskriminasi tersebut cukup valid untuk digunakan dalam penelitian ini.

4.2.3.7. Penggunaan model diskriminan untuk kasus lain Setelah terbukti bahwa model diskriminan yang telah dibuat dalam penelitian ini mempunyai ketepatan prediksi yang tinggi, maka model diskriminan tersebut bisa digunakan untuk memprediksi sebuah kasus, cukup dari empat (4) rasio saja yaitu CR, ITO, MARGIN dan EPS. Kemudian dari empat rasio tersebut dilakukan klasifikasi grup, apakah tergolong kedalam klasifikasi kinerja keuangan grup tertentu, yaitu industri Makanan dan minuman, tekstil dan garmen, pelastik dan kemasan, logam dan sejenisnya, automotiv dan komponennya atau properti dan real estate.

4.2.3.8. Analisis Deskriptif dari empat Variabel Independen Signifikan Pada bagian ini ditampilkan empat (4) rasio keuangan yang signifikan yaitu CR, ITO, MARGIN dan EPS. Keempat rasio di atas mampu membedakan kinerja keuangan antar enam industri yaitu industri makanan dan minuman, tekstil dan garmen, plastik dan kemasan, logam dan sejenisnya, automotiv dan komponennya dan properti dan real estate.

40

Tabel 4.17 Group Statistics Group Statistics Industri

Mean

Makanan dan minuman CR

7.000

8.5800

4.76271

7

7.000

.1600

.08103

7

7.000

991.3571

693.11126

7

7.000

CR

1.5682

.45064

11

11.000

ITO

3.0818

.92075

11

11.000

.0964

.05372

11

11.000

263.5445

271.54202

11

11.000

CR

1.0700

.38944

4

4.000

ITO

4.0600

1.15300

4

4.000

.1025

.04193

4

4.000

174.5000

240.17128

4

4.000

CR

1.8020

.86543

5

5.000

ITO

3.2400

1.17852

5

5.000

.1260

.09182

5

5.000

193.8340

111.18926

5

5.000

1.8060

.54811

5

5.000

4.4500

1.97430

5

5.000

.0580

.02950

5

5.000

291.4320

126.93849

5

5.000

3.3533

1.80539

3

3.000

2.8167

1.15362

3

3.000

.0933

.03512

3

3.000

231.7800

148.93961

3

3.000

CR

1.7691

.91686

35

35.000

ITO

4.4886

3.10713

35

35.000

.1083

.06609

35

35.000

390.2331

458.90681

35

35.000

MARGIN EPS

MARGIN EPS

MARGIN EPS Otomotif dan

CR

komponennya ITO MARGIN EPS Properti dan Real Estate CR ITO MARGIN EPS Total

Unweighted Weighted 7

EPS


Deviation .95194

MARGIN

Plastik dan Kemasan

Valid N (listwise)

1.7557

ITO

Tekstil dan garmen

Std.

MARGIN EPS

41

4.2.4. Pengolahan Data dan Interpretasi Hasil Perhitungan Periode 2000 – 2005 4.2.4.1. Proses Normalisasi dan Seleksi Data Hasil pengujian data-data yang telah ditransformasi dapat dilihat pada tabel 4.18. Tabel 4.18 Uji Normalitas Industri

CR

Kolmogorov-Smirnov(a) Shapiro-Wilk Statistic

df

Sig.

Statistic

df

Sig.

Makanan dan minuman

.259

7

.172

.834

7

.087

Tekstil dan garmen

.145

11

.200

.966

11

.842

Plastik dan Kemasan

.320

4

.

.870

4

.298


.309

5

.135

.786

5

.062

Otomotif dan

.306

5

.143

.839

5

.163


.352

3

.

.826

3

.177

Makanan dan minuman

.333

7

.018

.667

7

.002

Tekstil dan garmen

.204

11

.200

.936

11

.477

Plastik dan Kemasan

.331

4

.

.820

4

.142


.298

5

.168

.863

5

.240

Otomotif dan

.220

5

.200

.893

5

.370


.264

3

.

.955

3

.589

Makanan dan minuman

.229

7

.200

.785

7

.029

Tekstil dan garmen

.122

11

.200

.960

11

.768

Plastik dan Kemasan

.330

4

.

.883

4

.350


.239

5

.200

.957

5

.789

Otomotif dan

.244

5

.200

.889

5

.350


.385

3

.

.751

3

.001

Makanan dan minuman

.223

7

.200

.933

7

.580

Tekstil dan garmen

.175

11

.200

.905

11

.211

Plastik dan Kemasan

.176

4

.

.995

4

.980


.226

5

.200

.961

5

.812

Otomotif dan

.153

5

.200

.988

5

.973

.298

3

.

.916

3

.439

komponennya

CASH

komponennya

ITO

komponennya

TATO

komponennya Properti dan Real Estate

42

FATO

Makanan dan minuman

.163

7

.200

.944

7

.677

Tekstil dan garmen

.440

11

.000

.477

11

.000

Plastik dan Kemasan

.224

4

.

.953

4

.737


.300

5

.162

.854

5

.209

Otomotif dan

.344

5

.053

.737

5

.022


.328

3

.

.871

3

.298

Makanan dan minuman

.201

7

.200

.955

7

.779

Tekstil dan garmen

.225

11

.124

.822

11

.018

Plastik dan Kemasan

.226

4

.

.975

4

.873


.266

5

.200

.829

5

.137

Otomotif dan

.179

5

.200

.947

5

.719


.365

3

.

.797

3

.107

Makanan dan minuman

.269

7

.135

.820

7

.064

Tekstil dan garmen

.120

11

.200

.963

11

.811

Plastik dan Kemasan

.292

4

.

.891

4

.387


.209

5

.200

.976

5

.912

Otomotif dan

.196

5

.200

.930

5

.598


.292

3

.

.923

3

.463

Makanan dan minuman

.237

7

.200

.779

7

.025

Tekstil dan garmen

.184

11

.200

.902

11

.195

Plastik dan Kemasan

.168

4

.

.997

4

.989


.180

5

.200

.984

5

.954

Otomotif dan

.282

5

.200

.767

5

.042


.314

3

.

.893

3

.363

Makanan dan minuman

.214

7

.200

.948

7

.713

Tekstil dan garmen

.206

11

.200

.931

11

.424

Plastik dan Kemasan

.194

4

.

.965

4

.808


.237

5

.200

.950

5

.740

Otomotif dan

.183

5

.200

.985

5

.961

komponennya

DSO

komponennya

DR

komponennya

DER

komponennya

MARGI N

komponennya

43

BEP


.175

3

.

1.000

3

1.000

Makanan dan minuman

.158

7

.200

.926

7

.519

Tekstil dan garmen

.173

11

.200

.926

11

.371

Plastik dan Kemasan

.226

4

.

.936

4

.630


.216

5

.200

.956

5

.783

Otomotif dan

.213

5

.200

.963

5

.826


.351

3

.

.828

3

.183

Makanan dan minuman

.229

7

.200

.838

7

.095

Tekstil dan garmen

.131

11

.200

.961

11

.787

Plastik dan Kemasan

.255

4

.

.934

4

.616


.261

5

.200

.940

5

.668

Otomotif dan

.193

5

.200

.959

5

.804


.235

3

.

.978

3

.716

Makanan dan minuman

.306

7

.047

.835

7

.090

Tekstil dan garmen

.335

11

.001

.624

11

.000

Plastik dan Kemasan

.309

4

.

.863

4

.272


.381

5

.017

.756

5

.034

Otomotif dan

.294

5

.182

.849

5

.192


.299

3

.

.915

3

.434

Makanan dan minuman

.327

7

.023

.773

7

.022

Tekstil dan garmen

.201

11

.200

.937

11

.484

Plastik dan Kemasan

.402

4

.

.689

4

.009


.256

5

.200

.946

5

.706

Otomotif dan

.336

5

.067

.778

5

.053


.178

3

.

.999

3

.956

Makanan dan minuman

.148

7

.200

.955

7

.777

Tekstil dan garmen

.293

11

.009

.708

11

.001

Plastik dan Kemasan

.323

4

.

.870

4

.299


.234

5

.200

.900

5

.411

Otomotif dan

.369

5

.025

.813

5

.103

komponennya

ROA

komponennya

ROE

komponennya

EPS

komponennya

PER

komponennya

44

BVPS


.338

3

.

.853

3

.247

Makanan dan minuman

.202

7

.200

.907

7

.374

Tekstil dan garmen

.208

11

.199

.879

11

.101

Plastik dan Kemasan

.136

4

.

1.000

4

.999


.206

5

.200

.967

5

.855

Otomotif dan

.302

5

.152

.807

5

.093


.258

3

.

.960

3

.615

Makanan dan minuman

.263

7

.153

.812

7

.054

Tekstil dan garmen

.488

11

.000

.401

11

.000

Plastik dan Kemasan

.298

4

.

.926

4

.572


.443

5

.002

.633

5

.002

Otomotif dan

.305

5

.145

.851

5

.197

.376

3

.

.773

3

.051

komponennya

PBV

komponennya Properti dan Real Estate

Berdasarkan Tabel 4.18 dapat dilihat bahwa data-data mempunyai distribusi normal atau mendekati normal. Hal ini dapat diketahui dengan membandingkan tingkat signifikansi data yang lebih besar dari 0,05. Jika tingkat signifikansi semakin mendekati 0,200 pada uji Kolmogorov-Smirnov dan mendekati 0,990 pada uji Shapiro-Wilk berarti distribusi data sangat normal.

4.2.4.2. Metoda Six-Group of Stepwise Discriminant Analysis Analisis diskriminan secara luas dipergunakan untuk mencapai dua tujuan: diskriminan dan klasifikasi. Pembedaan grup dicapai dengan fungsi diskriminan, sementara prediksi individu dilakukan dengan pedoman klasifikasi. Dengan kata lain, analisis diskriminan merupakan teknik statistik untuk mengklasifikasikan obyek ke dalam grup terpisah berdasarkan sejumlah variabel bebas. Tujuan utamanya adalah menemukan kombinasi linier dari sejumlah variabel bebas yang meminimalkan probabilitas kesalahan klasifikasi obyek ke dalam masing-masing grup. Analisis diskriminan dilakukan dalam penelitian ini, untuk memprediksi kinerja keuangan antar industri yaitu Makanan dan minuman, Tekstil

45

dan garmen, Plastik dan Kemasan, Logam dan sejenisnya, Otomotif dan komponennya, Properti dan Real Estate. Selanjutnya akan dibahas mengenai hasil Six-Group of Stepwise Discriminant Analysis pada penelitian ini. Dari data-data yang dimasukkan kedalam perhitungan analisis diskriminan empat grup, dihasilkan output seperti pada tabel berikut ini.

Tabel 4.19 Analysis Case Processing Summary Unweighted Cases

N

Valid

35

Excluded Missing or out-of-range group codes

0

.0

0

.0

0

.0

0

.0

At least one missing discriminating variable Both missing or out-of-range group codes and at least one missing discriminating variable Total Total

35

Percent 100.0

100.0

Tabel diatas menjelaskan bahwa, dari 35 perusahaan semua data tidak terdapat data yang hilang atau tidak lengkap maka dapat dianalisis secara keseluruhan

4.2.4.3. Penentuan variabel-variabel independen yang signifikan

Tabel 4.20 Tests of Equality of Group Means Wilks' Lambda

F

df1

df2

Sig.

CR

.606

3.765

5

29

.009

CASH

.713

2.338

5

29

.067

ITO

.761

1.826

5

29

.139

TATO

.619

3.564

5

29

.012

FATO

.847

1.045

5

29

.410

DSO

.918

.516

5

29

.762

46

DR

.784

1.595

5

29

.193

DER

.855

.985

5

29

.444

MARGIN .513

5.513

5

29

.001

BEP

.493

5.960

5

29

.001

ROA

.660

2.982

5

29

.027

ROE

.856

.972

5

29

.451

EPS

.682

2.707

5

29

.040

PER

.811

1.348

5

29

.273

BVPS

.867

.887

5

29

.502

PBV

.846

1.053

5

29

.406

Tabel diatas merupakan hasil pengujian untuk setiap variabel bebas yang ada. Dalam penelitian ini, keputusan untuk menentukan apakah sebuah variabel independen dapat atau tidak dapat digunakan sebagai model dalam memprediksi kinerja keuangan industri adalah dengan menggunakan F test atau uji F. Dalam uji F, angka hasil perhitungan yang diperhatikan adalah tingkat signifikansi. Jika tingkat signifikansi > 0,05, berarti variabel tersebut tidak mampu melakukan perbedaan kinerja keuangan antar industri dan jika tingkat signifikansi < 0,05, berarti variabel tersebut mampu melakukan perbedaan kinerja keuangan antar industri. Hasil yang didapat pada tabel 3 adalah uji F dari CR, TATO, MARGIN, BEP, ROA, EPS memiliki tingkat signifikansi < 0,05 berarti enam variabel independen tersebut dapat membedakan kinerja keuangan antar industri. Variabel-variabel yang tidak lolos tahap ini berjumlah 10 variabel yaitu CASH, ITO, FATO, DSO, DR, DER, ROE, PER, BVPS dan PBV. Pada bagian selanjutnya akan disajikan, variabel-variabel mana saja dari enam belas variabel yang dihasilkan dari perhitungan sebelumnya, yang bisa dimasukkan (entered) kedalam fungsi diskriminan.

47

Tabel 4.21 Variables Entered/Removeda,b,c,d Wilks' Lambda Step

Entered

df1

df2

Exact F

df3

Statistic

Approximate F

Statistic

df1

df2

Sig.

1 CR

.606

1

5

29

3.765

5

29.000

.009

2 MARGIN

.396

2

5

29

3.300

10

56.000

.002

3 ROA

.251

3

5

29

4 MARGIN

.346

2

5

29

5 ROA

.185

3

5

29

3.918

10

56.000

Statistic

df1

df2

Sig.

3.249

15

74.937

.000

4.210

15

74.937

.000

.000

At each step, the variable that minimizes the overall Wilks' Lambda is entered. a Maximum number of steps is 32. b Minimum partial F to enter is .01 c Maximum partial F to remove is .05. d F level, tolerance, or VIN insufficient for further computation.

Tahap-tahap pemasukan variabel bebas adalah sebagai berikut: 1. Pada tahap pertama, angka lamda variabel CR adalah yang terbesar, mencapai 0.606, maka pada tahap pertama ini, variabel CR terpilih. 2. Pada tahap kedua, angka lamda variabel MARGIN adalah kedua terbesar, mencapai 0.396, maka pada tahap kedua ini, variabel MARGIN terpilih. 3. Pada tahap ketiga, angka lamda variabel ROA adalah ketiga terbesar, mencapai 0.251, maka pada tahap ketiga ini, variabel ROA terpilih. 4. Pada tahap keempat, angka lamda variabel MARGIN adalah terbesar, mencapai 0.346, maka pada tahap keempat ini, variabel MARGIN terpilih kembali. 5. Pada tahap lima, angka lamda variabel ROA adalah terbesar, mencapai 0.185, maka pada tahap lima ini, variabel ROA terpilih kembali. Jika kita perhatikan dari tiga variabel di atas, ketiganya mempunyai tingkat signifikansi dibawah 0,05. Dengan demikian, hanya ada tiga variabel yang signifikan. Dengan kata lain, bahwa CR, MARGIN dan ROA dapat mempengaruhi kinerja keuangan keenam industri yaitu Makanan dan minuman, Tekstil dan garmen, Plastik dan Kemasan, Logam dan sejenisnya, Otomotif dan komponennya, Properti dan Real Estate secara signifikan.

48

4.2.4.4. Penentuan fungsi diskriminan Canonical Correlation merupakan alat ukur untuk mengukur keeratan hubungan antara discriminant score dengan grup yang diteliti.

Tabel 4.22 Eigenvalues Canonical Function Eigenvalue % of Variance

Cumulative %

Correlation

1

1.411(a)

58.4

58.4

.765

2

.614(a)

25.4

83.9

.617

3

.389(a)

16.1

100.0

.529

a First 3 canonical discriminant functions were used in the analysis.

Berdasarkan Tabel 4.11 ini menjelaskan ke 16 variabel bebas terlebih dahulu dikelompokkan ke dalam 3 faktor yang diinterpretasikan pada tabel 4.22 di atas. Korelasi 76.5% pada fungsi 1 menunjukkan keeratan hubungan yang cukup tinggi antara variabel-variabel independen yang dihasilkan fungsi tersebut dengan kinerja keuangan keenam industri yang diteliti. Korelasi tersebut semakin mengecil pada fungsi 2 dan3 yaitu sebesar 61.7% dan 52.9%. Namun, secara kumulatif, jika keempat fungsi/ faktor tersebut dimasukkan, maka kesemuanya akan mewakili varians yang terjadi hingga mencapai level 100%. Jika satu faktor yag digunakan, maka 58.4% varians dari variabel tak bebas (jenis industri) dapat dijelaskan oleh model diskriman yang terbetuk. Jika dua faktor yang digunakan, maka 83.9% varians dari variabel tak bebas (jenis industri) dapat dijelaskan oleh model diskriman yang terbetuk. Jika tiga faktor yang digunakan, maka 100% varians dari variabel tak bebas (jenis industri) dapat dijelaskan oleh model diskriman yang terbetuk. Dengan demikian, maka akan digunakan 3 faktor untuk analisis selanjutnya. Tingkat signifikansi yang menunjukkan perbedaan yang jelas dan nyata kinerja keuangan antar enam industri yang diteliti, dapat dilihat berikut ini:

49

Tabel 4.23 Wilks' Lambda Test of

Wilks'

Chi-

Function(s)

Lambda

square

df

Sig.

1 through 3

.185

49.777

15

.000

2 through 3

.446

23.821

8

.002

3

.720

9.699

3

.021

Tabel di atas menyatakan nilai Chi-Square untuk baris 1 (fungsi 1 sampai 3) yaitu sebesar 49.777, baris 2 (fugsi 2 sampai 3) sebesar 23.821, dan baris 3 (hanya fungsi 3) sebesar 9.699. Hipotesis penelitian yaitu: H0: Tidak ada perbedaan yang signifikan kinerja keuangan antar enam industri yaitu Makanan dan minuman, Tekstil dan garmen, Plastik dan Kemasan, Logam dan sejenisnya, Otomotif dan komponennya, Properti dan Real Estate. H1: Ada perbedaan yang signifikan kinerja keuangan antar enam industri yaitu industri Makanan dan minuman, Tekstil dan garmen, Plastik dan Kemasan, Logam dan sejenisnya, Otomotif dan komponennya, Properti dan Real Estate. Dimana H0 diterima jika tingkat signifikansi > 0,05 atau H1 diterima jika tingkat signifikansi < 0,05. Ternyata dari tabel 4.8, fungsi 1,2 dan 3 memiliki tingkat signifikansi < 0,05, hal ini berarti fungsi 1,2 dan 3 yang mampu membedakan kinerja keuangan keenam industri. Untuk memberikan arti yang lebih mendalam tentang korelasi, digunakan structure matrix. Tabel 4.24 Structure Matrix Function 1

2

3

MARGIN

.703(*)

.503

.503

TATO(a)

-.488(*)

.031

.124

ITO(a)

.488(*)

.046

-.048

.342

.791(*)

-.507

CR

50

DR(a)

-.115

-.693(*)

.234

CASH(a)

.491

.677(*)

-.435

DER(a)

.011

-.654(*)

.028

DSO(a)

-.007

-.312(*)

-.078

BVPS(a)

-.033

.183(*)

-.008

EPS(a)

-.087

.322

.748(*)

ROA

-.149

.674

.723(*)

BEP(a)

.485

.432

.600(*)

ROE(a)

-.389

.499

.503(*)

FATO(a)

-.199

.269

-.390(*)

PER(a)

-.042

-.072

-.360(*)

PBV(a)

.077

-.043

.157(*)

Pooled within-groups correlations between discriminating variables and standardized canonical discriminant functions. Variables ordered by absolute size of correlation within function. * Largest absolute correlation between each variable and any discriminant function a This variable not used in the analysis.

Dari analisis sebelumnya, diperoleh hanya 3 variabel yang membedakan perilaku yaitu CR, ROA, dan MARGIN. Sedangkan dari analisis Wilks Lambda, diperoleh perlunya 3 faktor untuk merigkas ke enam variabel tak bebas (jenis industri). Dari kedua hal tersebut, analisis selanjutnya akan menentuka variabel mana yang akan masuk ke faktor mana. Dasar pemasukan variabel dilihat pada besar korelasi kanonikal, dengan korelasi terbesar masuk ke faktor yang bersangkutan.

51

Variabel yang memiliki korelasi terbesar pada fungsi 1 dan termasuk dalam model adalah MARGIN sebesar 70.3%, dan variabel yang memiliki korelasi cukup penting pada fungsi 2 dan termasuk dalam model adalah CR sebesar 79.1% .Sedangkan variabel yang memiliki korelasi terbesar pada fungsi 3 dan termasuk dalam model adalah ROA sebesar 72.3%. Variabel-variabel lain tidak termasuk dalam model diskriminan (tanda a).

Tabel 4.25 Canonical Discriminant Function Coefficients Function 1

2

3

-.039

.898

-.845

19.649

-3.690

7.485

ROA

-.215

.174

.126

(Constant)

-1.029

-2.288

.032

CR MARGIN

Unstandardized coefficients

Tabel 4.25 di atas meghasilkan kesimpulan yang sama dengan analisis pada tabel 4.25, terdapat 3 variabel yang membedakan perilaku yaitu CR, MARGIN, dan ROA dengan variabel MARGIN dimasukkan pada fungsi 1, variabel CR dimasukkan pada fungsi 2 dan variabel ROA pada fungsi 3. Tabel di atas mempunyai fungsi yang sama persis dengan persamaan regresi berganda, yang dalam analisis diskriminan disebut sebagai fungsi diskriminan. Fungsi diskriminan atau persamaan Z Score yang diperoleh berdasarkan tabel di atas adalah:

Z Score 1 = – 1.029 - 0.039 CR + 19.649 MARGIN – 0.215 ROA ..................(1) Z Score 2 = – 2.288 + 0.898 CR – 3.690 MARGIN + 0.174 ROA..................(2) Z Score 3 =

0.032 – 0.845 CR + 7.485 MARGIN + 0.126 ROA..................(3)

Kegunaan dari fungsi ini adalah untuk mengetahui atau menggolongkan apakah sejumlah data (3 variabel independen) yang akan diteliti mampu memprediksi kinerja keuangan industri makanan & minuman (grup 1), Tekstil dan garmen (grup 2), Plastik dan Kemasan

52

(grup 3), Logam dan sejenisnya (grup 4), Otomotif dan komponennya (grup 5) dan Properti dan Real Estate (group 6).

4.2.4.5. Klasifikasi data berdasarkan hasil model diskriminan Data atau perusahaan yang diobservasi termasuk kedalam salah satu industri jika jarak Squared Mahalanobis Distance to Centroid (D2) industri tersebut paling kecil dibandingkan jarak D2 kelima industri lainnya. Kemudian data hasil model diskriminan tersebut akan dibandingkan dengan data aktualnya. Untuk dapat menentukan Squared Mahalanobis Distance to Centroid (D2), dibutuhkan data dari Functions at Group Centroids (tabel 4.26) dan Z Score dari ketiga fungsi. Tabel 4.26 Functions at Group Centroids Function Industri Makanan

dan

minuman Tekstil dan garmen

dan

sejenisnya Otomotif

dan

komponennya Properti Estate

dan

Real

3

-.666

.894

.714

-.007

-.878

.119

.085

.359

-.700

-.358

-.360

-.505

.700

-1.129

3.365

.451

-.100

Plastik dan Kemasan .168 Logam

2

1

Unstandardized canonical discriminant functions evaluated at group means

Formula Squared Mahalanobis Distance to Centroid (D2) untuk tiga fungsi diskriminan adalah: D2 = (Z1 – C1)2 + (Z2 – C2)2 + (Z3 – C3)2

53

Dimana: Zi = nilai Z score pada fungsi i; i = 1, 2, 3 Ci = nilai group centroids pada fungsi i; i = 1, 2, 3 Contoh perhitungan D2 sebagai berikut: 3 rasio dari data aktual 1 Makanana & minuman (data 1 dari 35 data) adalah:

Rasio

CR

MARGIN ROA

Data 1

3.19

0.06

11.22

Maka; Z 1 = – 1.029 - 0.039 CR + 19.649 MARGIN – 0.215 ROA = -2.38 Z 2 = – 2.288 + 0.898 CR – 3.690 MARGIN + 0.174 ROA = 2.30 Z 3 = 0.032 – 0.845 CR + 7.485 MARGIN + 0.126 ROA = -0.80 dan, Nilai Group Centroids untuk industri Makanan dan minuman adalah: Function INDUSTRI

1

Makanan dan minuman -.666

2

3

.894

.714

Maka; C1

= -0.666

C2

= 0.894

C3

= 0.714

Sehingga nilai: D2

= (Z1 – C1)2 + (Z2 – C2)2 + (Z3 – C3)2

D2

= 7.21 Makanan dan minuman

Dengan cara yang sama, diperoleh: D2

= 16.58 pada industri tekstile dan garmen

D2

= 12.74 pada industri Plastik dan kemasan

54

D2 2

= 10.08 pada industri logam dan sejenisnya

D

= 6.18 pada industri Otomotif dan komponennya

D2

= 36.91 pada industri Properti dan real estate

Karena nilai D2 terkecil (jarak terpendek antara Z score dan group centroids) adalah 6.18 pada pada industri Otomotif dan komponennya, maka grup prediksi berdasarkan model diskriminan adalah grup 5 (otomotif dan komponennya). Tabel 4.26 Functions at Group Centroids di atas juga menjelaskan mengeai pengelompokkan ke enam grup industri dalam fungsi 1, 2, atau 3. Dasar pengelompokkan berdasarkan angak pada tabel ( tanda (-) dan (+) diabaikan. 1.

Untuk kelompok jenis industri makanan dan minuman, angka terbesar ada di fungsi/ faktor 2 (0.894), maka jenis industri makanan dan minuman dimasukkan ke faktor 2.

2.

Untuk kelompok jenis industri tekstil dan garment, angka terbesar ada di fungsi/ faktor 2 (-0.878), maka jenis industri tekstil dan garment dimasukkan ke faktor 1.

3.

Untuk kelompok jenis industri Plastik dan Kemasan, angka terbesar ada di fungsi/ faktor 3 (0.359), maka jenis industri Plastik dan Kemasan dimasukkan ke faktor 3.

4.

Untuk kelompok jenis industri Logam dan sejenisnya, angka terbesar ada di fungsi/ faktor 1 (-0.700), maka jenis industri Logam dan sejenisnya dimasukkan ke faktor 1.

5.

Untuk kelompok jenis industri Otomotif dan komponennya, angka terbesar ada di fungsi/ faktor 3 (-1.129), maka jenis industri Otomotif dan komponennya dimasukkan ke faktor 3.

6.

Untuk kelompok jenis industri Properti dan Real Estate, angka terbesar ada di fungsi/ faktor 1 (3.365), maka jenis industri Properti dan Real Estate dimasukkan ke faktor 1.

55

Dengan demikian, jenis industri logam dan sejenisnya serta properti dan real estate terdapat pada faktor 1 (MARGIN). Jenis industri makanan dan minuman serta tekstil dan garment terdapat pada faktor 2 (CR). Jenis industri plastik dan kemasan serta otomotif dan komponennya terdapat pada faktor 3 (ROA). Interpretasi selengkapnya mengenai tanda negatif dan positif adalah sebagai berikut: 1. Jenis usaha makanan dan minuman mempunyai tanda + pada fungsi 2, hal ini menandakan bahwa jika ingin berinvestasi pada jenis industri makanan dan minuman, perlu memperhatikan faktor MARGIN yang positif 2. Jenis usaha tekstil dan garment mempunyai tanda - pada fungsi 2, hal ini menandakan bahwa jika ingin berinvestasi pada jenis industri tekstil dan garment, perlu memperhatikan faktor CR yang negatif. 3. Jenis usaha logam dan sejenisnya mempunyai tanda - pada fungsi 1, hal ini menandakan bahwa jika ingin berinvestasi pada jenis industri logam dan sejenisnya, perlu memperhatikan faktor MARGIN yang negatif. 4. Jenis usaha plastik dan kemasan mempunyai tanda + pada fungsi 3, hal ini menandakan bahwa jika ingin berinvestasi pada jenis industri plastik dan kemasan, perlu memperhatikan faktor ROA yang positif. 5. Jenis usaha properti dan real estate mempunyai tanda + pada fungsi 1, hal ini menandakan bahwa jika ingin berinvestasi pada jenis industri otomotif properti dan real estate, perlu memperhatikan faktor MARGIN yang positif 6. Jenis usaha otomotif dan komponennya mempunyai tanda - pada fungsi 3, hal ini menandakan bahwa jika ingin berinvestasi pada jenis industri otomotif dan komponennya, perlu memperhatikan faktor ROA yang negatif.

4.2.4.6 Ketepatan klasifikasi hasil model diskriminan dengan data aktual Setelah model diskriminan (fungsi diskriminan dan group centroids) diperoleh, dan proses klasifikasi dilakukan, maka selanjutnya menentukan seberapa jauh ketepatan klasifikasi model diskriminan terhadap data aktual industri. Atau dengan kata lain, berapa persenkah tingkat

56

kemungkinan terjadi misklasifikasi pada proses pengklasifikasian antara data aktual dengan hasil model diskriminan di atas.

Berdasarkan Tabel 4.27, hasil ketepatan klasifikasi yang diperoleh akan dijelaskan di bawah ini. Tabel 4.27 Classification Resultsa Predicted Group Membership Makanan dan minuman

Industri Makanan

Tekstil

Plastik

Logam

Otomotif dan

dan

dan

dan

komponenny

garmen

Kemasan

sejenisnya

a

Properti dan

Total

Real Estate

dan

3

0

1

1

2

0

7

dan

2

5

1

3

0

0

11

dan

1

0

1

2

0

0

4

dan

0

1

0

3

1

0

5

dan

0

0

0

3

2

0

5

dan

0

0

1

0

0

2

3

dan

42.9

.0

14.3

14.3

28.6

.0

100.0

dan

18.2

45.5

9.1

27.3

.0

.0

100.0

dan

25.0

.0

25.0

50.0

.0

.0

100.0

dan

.0

20.0

.0

60.0

20.0

.0

100.0

dan

.0

.0

.0

60.0

40.0

.0

100.0

.0

.0

33.3

.0

.0

66.7

100.0

minuman Tekstil garmen Plastik

Count

Kemasan Logam sejenisnya Otomotif

komponennya Properti Real Estate

Original %

Makanan minuman Tekstil garmen Plastik Kemasan Logam sejenisnya Otomotif

komponennya Properti

dan

Real Estate

a 45,7 % of original grouped cases correctly classified.

57

Pada bagian Count, terlihat bahwa jumlah data awal yang tergolong kedalam industri Makanan dan minuman (grup 1) adalah 7 data, kemudian setelah dilakukan perhitungan menjadi 3 data. Dengan kata lain, ketepatan klasifikasi kinerja keuangan industri Makanan dan minuman adalah 42,9% (bagian %). Data yang pada awalnya tergolong kedalam industri Tekstil dan garmen (grup 2) sebanyak 11 data, setelah dilakukan perhitungan berubah menjadi 5 data. Dengan kata lain, ketepatan klasifikasi kinerja keuangan industri tekstil dan garmen adalah 45.5%. Sedangkan jumlah data awal yang tergolong kedalam industri Pelastik dan kemasan (grup 3) adalah 5 data, setelah dilakukan perhitungan berubah menjadi 1 data. Dengan kata lain, ketepatan klasifikasi kinerja keuangan industri pelastik dan kemasan adalah 25%. Kemudian untuk industri logam dan sejenisnya(grup 4), data awalnya sebanyak 4 data, tetapi setelah dilakukan perhitungan berubah menjadi 3 data. Dengan kata lain, ketepatan klasifikasi kinerja keuangan industri logam dan sejenisnya adalah 60%. Sedangkan jumlah data awal untuk industri Automotiv dan komponennya (grup 5) sebanyak 5 data, setelah dilakukan perhitungan berubah menjadi 2 data, dengan kata lain ketepatan klasifikasi kinerja keuangan industri otomotif dan komponennya adalah 40%. Dan untuk data awal industri properti dan real estate (grup 6) adalah 3 data, tetapi setelah dilakukan perhitungan berubah menjadi 2 data, dengan katalain ketepatan klasifikasi kinerja keuangan untuk industri real estate adalah 66.7%. Dari data tersebut diatas dapat diperoleh informasi bahwa prosentase ketepatan klasifikasi secara keseluruhan dari model yang dihasilkan adalah: ⎛ 7 + 5 +1+ 3 + 2 + 2 ⎞ ⎜ ⎟ × 100% = 45.7% 35 ⎝ ⎠

Prosentase ketepatan klasifikasi kinerja keuangan sebesar 45.7% adalah cukup karena mendekati 50%, maka model diskriminasi tersebut cukup valid untuk digunakan dalam penelitian ini.

4.2.4.7. Penggunaan model diskriminan untuk kasus lain Setelah terbukti bahwa model diskriminan yang telah dibuat dalam penelitian ini mempunyai ketepatan prediksi yang tinggi, maka model diskriminan tersebut bisa

58

digunakan untuk memprediksi sebuah kasus, cukup dari tigs (3) rasio saja yaitu CR, MARGIN dan ROA. Kemudian dari tiga rasio tersebut dilakukan klasifikasi grup, apakah tergolong kedalam klasifikasi kinerja keuangan grup tertentu, yaitu industri Makanan dan minuman, tekstil dan garmen, pelastik dan kemasan, logam dan sejenisnya, otomotif dan komponennya atau properti dan real estate.

4.2.4.8. Analisis Deskriptif dari empat Variabel Independen Signifikan Pada bagian ini ditampilkan tiga (3) rasio keuangan yang signifikan yaitu CR, MARGIN dan ROA. Ketiga rasio di atas mampu membedakan kinerja keuangan antar enam industri yaitu industri makanan dan minuman, tekstil dan garmen, plastik dan kemasan, logam dan sejenisnya, otomotif dan komponennya, dan properti dan real estate.

Tabel 4.28 Group Statistics Group Statistics Industri

Mean

Std. Deviation

Valid N (listwise) Unweighted Weighted

Makanan dan

CR

2.0371

.93690

7

7.000

MARGIN

.1400

.06218

7

7.000

ROA

10.7643

5.51734

7

7.000

CR

1.2609

.34128

11

11.000

MARGIN

.0936

.05697

11

11.000

ROA

3.5873

5.07034

11

11.000

CR

1.8825

.97123

4

4.000

MARGIN

.1400

.09866

4

4.000

ROA

6.9050

3.78823

4

4.000

CR

1.6320

.56167

5

5.000

MARGIN

.0640

.02510

5

5.000

ROA

4.0360

1.04412

5

5.000

2.7800

1.49910

5

5.000

minuman

Tekstil dan garmen

Plastik dan Kemasan



CR

59

Properti dan Real

MARGIN

.0820

.03834

5

5.000

ROA

4.5700

1.83441

5

5.000

3.3167

1.29307

3

3.000

MARGIN

.2800

.11000

3

3.000

ROA

4.5700

1.05162

3

3.000

CR

1.9334

1.05294

35

35.000

MARGIN

.1183

.08209

35

35.000

ROA

5.6906

4.73195

35

35.000

CR

Estate

Total

60

BAB 4 PEMECAHAN MASALAH

Recommend Documents