BAB IV METODE PENELITIAN

BAB IV METODE PENELITIAN

4.1. Desain Penelitian Metode penelitian bisnis merupakan cara ilmiah untuk mendapatkan data yang sahih dengan tujuan dapat ditemukan, dikembangkan, dan dibuktikan, suatu pengetahuan tertentu sehingga pada gilirannya dapat digunakan untuk memahami, memecahkan, dan mengantisipasi masalah dalam bidang bisnis (Sugiyono, 2010:5). Berdasarkan tujuannya penelitian ini termasuk penelitian terapan yang dilakukan dengan tujuan menerapkan, menguji, dan mengevaluasi kemampuan suatu teori yang diterapkan dalam memecahkan masalah-masalah praktis. Penelitian ini secara spesifik menguji pengaruh return on equity (ROE), return on assets (ROA), earnings per share (EPS), kualitas laba, struktur modal, likuiditas saham dan beta terhadap harga saham. Berdasarkan rumusan masalah penelitiannya, penelitian ini termasuk ke dalam penelitian kausal asosiatif yang merupakan penelitian untuk menguji hubungan kausal yang bersifat sebab akibat. Menurut metodenya, penelitian ini diklasifikasikan ke dalam penelitian kuantitatif yang ingin mengetahui pengaruh perlakuan tertentu terhadap yang lain, menguji hipotesis penelitian, mendapatkan data yang akurat berdasarkan fenomena

51

http://digilib.mercubuana.ac.id/

52

yang empiris dan dapat diukur, serta menguji terhadap adanya keragu-raguan tentang validitas pengetahuan dan teori tertentu.

4.2. Variabel Penelitian 4.2.1. Definisi Konsep Berikut ini merupakan definisi konsep dari variabel-variabel yang digunakan: 1)

Return on Equity (ROE) ROE merupakan rasio antara laba bersih dengan modal yang digunakan. Rasio ini menunjukkan tingkat efisiensi penggunaan modal dalam menghasilkan laba.

2)

Return on Assets (ROA) ROA merupakan rasio antara laba bersih dengan total aset. Rasio ini menunjukkan

seberapa

besar

kemampuan

perusahaan

dalam

menghasilkan laba dengan menggunakan total aset yang dimilikinya. 3)

Earnings per Share (EPS) EPS merupakan rasio antara laba bersih dengan jumlah lembar saham yang beredar.

4)

Kualitas Laba Manajemen laba model spesifik akrual modal kerja sebagai proksi dari kualitas laba merupakan rasio antara aliran kas dari aktivitas operasional dengan total penjualan.


53

5)

Struktur Modal Long-term debt ratio sebagai proksi dari struktur modal merupakan rasio antara total utang jangka panjang dengan total utang jangka panjang plus total ekuitas.

6)

Likuiditas Saham Trading turnover sebagai proksi dari likuiditas saham merupakan rasio antara volume transaksi selama suatu periode dibandingkan dengan jumlah saham perusahaan yang beredar pada suatu periode.

7)

Beta Beta mengukur sensitivitas return saham terhadap return pasar. Semakin besar fluktuasi return saham terhadap return pasar maka semakin besar pula nilai beta suatu saham. Demikian pula sebaliknya.

8)

Harga Saham Harga saham yang digunakan dalam penelitian ini merupakan harga penutupan pada hari kerja ke-7 setelah tanggal 31 Maret.

4.2.2. Definisi Operasional Definisi operasional merupakan suatu upaya untuk menjabarkan konsep variabel ke dalam instrumen pengukuran. Definisi operasional dari variabel-variabel yang digunakan oleh penulis dapat dilihat pada tabel 4.1 berikut:


54

Tabel 4.1 Definisi Operasional Variabel Variabel Return on equity (ROE)

Konsep Rasio antara laba bersih dengan modal yang digunakan

Pengukuran Net income Total equity

Return on assets (ROA)

Rasio antara laba bersih dengan total aset

Net income Total assets

Earnings per Share (EPS)

Rasio antara laba bersih dengan jumlah lembar saham yang beredar

Net income Shares outstanding

Manajemen laba (ML) rasio akrual modal kerja dengan penjualan

Rasio antara arus kas dari aktivitas operasional dengan total penjualan

Arus kas aktivitas operasional Penjualan

Long-term debt ratio (LTDR)

Rasio antara utang jangka panjang dengan total kapitalisasi

long-term debt long-term debt + total equity

Trading Turnover (TT)

Rasio antara jumlah saham yang ditransaksikan dengan jumlah saham yang beredar

Number of Shares Traded during the Year Average Number of Shares Outstanding during the Year

Beta Saham (Beta)

Rasio yang mengukur sensitivitas return saham terhadap return pasar

Ri = ai + biRm + ei

Harga saham penutupan (STOKP)

Harga yang diminta oleh penjual atau pembeli saat akhir buka

Harga penutupan pada hari kerja ke-7 setelah tanggal 31 Maret

Sumber: Olahan Penulis (2015)

4.3. Populasi dan Sampel Penelitian Populasi dalam penelitian ini adalah saham-saham perusahaan terbuka yang terdaftar di Bursa Efek Indonesia (BEI) dan masuk ke dalam indeks LQ45 pada


55

periode 2010-2014. Pemilihan sampel menggunakan metode purposive judgment sampling, dengan kriteria sampel sebagai berikut: 1)

Perusahaan yang masuk ke dalam 9 dari 10 periode pemilihan indeks LQ45 selama periode 2010-2014.

2)

Bukan merupakan perusahaan yang bergerak di sektor keuangan.

4.4. Jenis dan Sumber Data Dalam penelitian ini jenis data yang digunakan berupa rasio-rasio keuangan, antara lain return on equity (ROE), return on assets (ROA), earnings per share (EPS), manajemen laba rasio akrual modal kerja, long-term debt ratio, trading turnover dan beta perusahaan non keuangan yang masuk dalam indeks LQ45 periode 2010-2014. Sumber data yang digunakan oleh penulis dalam penelitian ini merupakan data sekunder yang diperoleh dari situs Bursa Efek Indonesia (BEI), Otoritas Jasa Keuangan (OJK), Reuters, Bloomberg dan Stockbit. Data-data yang diperoleh tersebut diolah untuk kemudian dianalisis.

4.5. Teknik Pengumpulan Data Berdasarkan teknik pengumpulan data, penelitian ini menggunakan strategi arsip (archival) untuk mendapatkan data sekunder, dengan mengumpulkan data dari basis data, yaitu laporan keuangan perusahaan (Hartono, 2013:143-144). Selain itu, penelitian ini menggunakan dua studi dalam pengumpulan data, yaitu melalui studi kepustakaan dan studi lapangan.


56

1)

Studi Kepustakaan Dalam melakukan studi kepustakaan, peneliti membaca literatur/ jurnal yang ada hubungannya dengan return on equity (ROE), return on assets (ROA), earnings per share (EPS), manajemen laba, long-term debt ratio, trading turnover dan beta, serta pengaruhnya terhadap harga saham. Dari literatur ini, peneliti dapat menggunakan metode atau konsep yang digunakan untuk membantu penulis dalam mengolah data. Selain itu peneliti juga memperoleh data yang mendukung penelitian melalui buku, majalah, surat kabar dan situs internet.

2)

Studi Lapangan Dalam studi lapangan, penulis mengadakan penelitian dengan menggunakan data sekunder. Data sekunder yang digunakan dalam penelitian ini adalah laporan keuangan perusahaan non keuangan yang sudah diaudit. Data tersebut diperoleh dari situs Bursa Efek Indonesia (BEI).

4.6. Teknik Analisis Data 4.6.1. Pemodelan Data Panel Analisis data digunakan untuk mengetahui sejauh mana pengaruh return on equity (ROE), return on assets (ROA), earnings per share (EPS), manajemen laba rasio akrual modal kerja, long-term debt ratio, trading turnover dan beta terhadap harga saham. Model yang digunakan dalam penelitian ini adalah model regresi data panel dengan menggunakan bantuan perangkat lunak stata 12.0. Menurut


57

Nachrowi dan Usman (2006:309) data panel merupakan gabungan antara data individual (cross section) dan data berkala (time series). Data cross section merupakan data yang dikumpulkan dalam satu waktu terhadap banyak individu, sedangkan data time series adalah data yang dikumpulkan dari waktu ke waktu terhadap suatu individu. Sedangkan Model data panel dituliskan sebagai berikut (Nachrowi dan Usman, 2006:310): Yit =

α + βXit + εit.

Yit

= variabel dependen

Xit

= variabel independen

α

= koefisien intersep

β

= koefisien slope

N

= banyaknya observasi

T

= banyaknya waktu

NxT

= banyaknya data panel

i = 1,2,…..,N;

t = 1,2,…..,T

Di mana:

4.6.2. Model Estimasi Regresi Data Panel 4.6.2.1. Ordinary Least Square (OLS) Teknik ini tidak ubahnya dengan membuat regresi dengan data cross section atau time series. Akan tetapi, untuk data panel, sebelum membuat regresi, data cross section dan data time series harus


58

digabungkan terlebih dahulu (pool data). Kemudian data gabungan ini diperlakukan sebagai suatu kesatuan pengamatan untuk mengestimasi model dengan metode OLS. Bila asumsi bahwa α dan β akan sama (konstan) untuk setiap data time series dan cross section, maka α dan β dapat diestimasi menggunakan OLS dengan menggunakan NxT pengamatan, sebagai berikut: Yit = α + βXit + εit.

i = 1,2,…..,N;

t = 1,2,…..,T

Pemodelan OLS dapat menjadi tidak realistis, karena dengan menggabungkan data, maka perbedaan antar individu maupun antar waktu tidak dapat terlihat. Atau dengan kata lain, dalam pendekatan ini tidak memperhatikan dimensi individu maupun waktu.

4.6.2.2. Fixed Effect Model (FEM) Fixed effect model (FEM) digunakan untuk mengatasi masalah asumsi intersep atau slope dari persamaan regresi yang dianggap konstan pada model ordinary least square (OSL). Dalam model ini variabel dummy digunakan untuk menghasilkan nilai parameter yang berbeda-beda baik cross section maupun time series, kemudian model tersebut diestimasi dengan model OLS sebagai berikut: Yit

=

α+βX1t+γ2W2t+ γ3W3+ … + γNWNt+δ2Zi2+δ3Zi3+… +δtZit+εit


59

Di mana: Yit = Variabel terikat untuk individu ke-i dan waktu ke-t. Xit = Variabel bebas untuk individu ke-i dan waktu ke-t. Wit dan Zit variabel dummy didefinisikan sebagai berikut: Wit = 1; untuk individu i; i = 1,2,…,N = 0; lainnya Zit = 1; untuk periode t; t = 1,2,…,T = 0; lainnya Dari persamaan di atas, terlihat model tersebut mempunyai banyak koefisien. Bila terdapat N individu dan T waktu, maka akan terdapat parameter sebanyak (N-1) buah parameter γ, (T-1) buah parameter δ, sebuah parameter α dan sebuah parameter β. Keputusan untuk memasukkan variabel boneka dalam model fixed effect akan menimbulkan konsekuensi tersendiri, yaitu dapat mengurangi banyaknya derajat kebebasan (degree of freedom) yang pada akhirnya akan mengurangi efisiensi dari parameter yang diestimasi.

4.6.2.3. Random Effect Model (REM) Pada model efek tetap, perbedaan karakteristik individu dan waktu diakomodasikan pada intercept sehingga interceptnya berubah antar individu dan antar waktu. Sementara pada model efek random perbedaan karakteristik individu dan waktu diakomodasikan pada error dari model.


60

Mengingat ada dua komponen yang mempunyai kontribusi pada pembentukan error, yaitu individu dan waktu, maka random error pada model efek random juga perlu diurai menjadi error untuk komponen individu, error komponen waktu dan error gabungan. Bentuk model random effect dapat dijelaskan dengan persamaan berikut: Yit= α + βXit + εit

;

εit= ui +vt + wit

Di mana: ui = Komponen error cross section. vt = Komponen error time series wit = Komponen error gabungan Asumsi yang digunakan untuk komponen error tersebut adalah: ui ~ N (0, σu 2) vt ~ N (0, σv2) wit ~ N (0, σw2) Berdasarkan persamaan model REM, maka dapat dinyatakan bahwa REM menganggap efek rata-rata dari data cross section dan time series direpresentasikan dalam intercept. Sedangkan deviasi efek secara random untuk data time series direpresentasikan dalam vt dan deviasi untuk data cross section dinyatakan dalam ui.


61

Dengan demikian varian error dari model REM dapat dituliskan dengan: Var (εit) =

σu 2 + σv2 + σw2

Sedangkan pada model OLS yang diterapkan pada data panel, mempunyai varian sebesar: Var (εit) =

σw2

4.6.3. Pemilihan Model Estimasi Regresi Data Panel 4.6.3.1. Uji Chow Uji Chow digunakan untuk memilih antara model ordinary least square (OLS) dengan model fixed effect (FEM). Hipotesis dalam uji Chow adalah: H0 = model ordinary least square H1 = model fixed effect Dasar penolakan terhadap hipotesis di atas adalah dengan membandingkan perhitungan F-statistik dengan F-tabel. Jika F hitung lebih besar (>) dari F tabel maka H0 ditolak yang berarti model yang paling tepat digunakan adalah fixed effect model (FEM). Begitupun sebaliknya, jika F hitung lebih kecil (<) dari F tabel maka H0 diterima dan model yang digunakan adalah ordinary least square (OLS).


62

Perhitungan F-statistik Uji Chow adalah sebagai berikut (Baltagi, 2005:13): F =

(RRSS-URSS) / (N-1) (URSS) / (NT – N –K)

Di mana: RRSS : Restricted Residual Sum Square (OLS) URSS : Unrestricted Residual Sum Square (FEM) N

: jumlah data cross section

T

: jumlah data time series

K

: jumlah variabel independen

F tabel didapat dari: F tabel

= {α:df (n -1, nt – n – k) }

Di mana: α : tingkat signifikasi yang dipakai (alfa) n : jumlah data cross section nt : jumlah data cross section x jumlah time series k : jumlah variabel independen

4.6.3.2. Uji Lagrange Multiplier (LM) Uji Lagrange Multiplier digunakan untuk memilih antara model ordinary least square (OLS) dengan model random effect (REM). Hipotesis dalam uji LM adalah sebagai berikut:


63

H0 = model ordinary least square H1 = model random effect Dasar penolakan terhadap hipotesis di atas adalah dengan membandingkan X2hitung dengan X2tabel. Jika X2hitung > X2tabel dan p-value signifikan, maka H0 ditolak, artinya model random effect lebih tepat digunakan. Begitupun sebaliknya, jika X2hitung < X2tabel dan p-value signifikan maka H0 diterima, artinya model ordinary least square lebih tepat digunakan. Rumus untuk melakukan nilai uji Lagrange Multiplier adalah sebagai berikut:

Di mana: n

:

jumlah individu

T

:

jumlah periode waktu

eit

:

estimasi residual

4.6.3.3. Uji Hausman Uji Haussman digunakan untuk memilih antara model fixed effect (FEM) dengan model random effect (REM). Hipotesis dari uji Haussman adalah sebagai berikut: H0 = Model random effect


64

H1 = Model fixed effect Dasar penolakan terhadap hipotesis di atas adalah dengan membandingkan X2hitung dengan X2tabel. Jika X2hitung > X2tabel dan p-value signifikan, maka H0 ditolak, artinya model fixed effect lebih tepat untuk digunakan. Begitupun sebaliknya, jika X2hitung < X2tabel dan p-value signifikan maka H0 diterima, artinya model random effect lebih tepat untuk digunakan. Rumus untuk mendapatkan nilai uji Hausman adalah sebagai berikut: m = (β – b)(M0 – M1)-1 (β – b) ≈ X2 (K) Di mana: Β

: vektor untuk statistik variabel fixed effect

b

: vektor untuk statistik variabel random effect

M0 : matrik kovarian untuk dugaan fixed effect model M1 : matrik kovarian untuk dugaan random effect model

4.6.4. Uji Asumsi Klasik 4.6.4.1. Uji Normalitas Uji normalitas digunakan untuk mengetahui apakah model regresi yang diteliti memiliki distribusi normal atau tidak. Model regresi yang baik adalah yang terdistribusi normal. Untuk menentukan apakah data penelitian memiliki distribusi normal atau tidak, penelitian ini menggunakan uji Kolmogorov-Smirnov


65

satu sampel dengan bantuan perangkat lunak stata. Apabila nilai combined K-S pada uji Kolmogorov-Smirnov satu sampel lebih besar dari nilai signifikansi 0.05 maka data pada model estimasi dinyatakan terdistribusi normal, begitu juga sebaliknya apabila nilai combined K-S pada uji Kolmogorov-Smirnov satu sampel lebih kecil dari nilai signifikansi 0,05 maka data pada model estimasi dinyatakan tidak terdistribusi normal.

4.6.4.2. Uji Multikolinieritas Multikolinieritas berarti adanya korelasi antara beberapa variabel bebas dalam model regresi. Dampak dari adanya multikolinieritas adalah varian koefisien regresi menjadi besar sehingga menyebabkan lebarnya interval kepercayaan, selain itu besarnya varian juga menyebabkan standard error menjadi besar, sehingga menyebabkan uji-t menjadi tidak signifikan meskipun R2 tinggi dan uji F signifikan (Nachrowi dan Usman, 2006:97). Untuk menentukan ada tidaknya masalah multikolinieritas pada model estimasi dapat dideteksi dengan correlation matrix. Apabila nilai korelasi antara variabel bebas tidak lebih dari 0.75 maka model estimasi dinyatakan tidak ada masalah multikolinieritas, begitu juga sebaliknya apabila nilai korelasi antara variabel bebas ada yang lebih dari 0.75 maka model estimasi dinyatakan ada masalah multikolinieritas.


66

4.6.4.3. Uji Heteroskedastisitas Heteroskedastisitas adalah suatu gejala dalam model regresi linier berganda dimana varian tidak konstan atau berubah-ubah. Dampak dari adanya heteroskedastisitas yaitu interval kepercayaan semakin lebar, uji hipotesis baik uji-t atau uji-f akan terpengaruh, yang berakibat uji hipotesis tidak akurat dan pada akhirnya akan membawa dampak pada keakuratan kesimpulan (Nachrowi dan Usman, 2006:109). Untuk menentukan ada tidaknya masalah heteroskedastisitas pada model estimasi, dapat dilakukan dengan uji Breusch-Pagan / CookWeisberg dengan menggunakan perangkat lunak stata. Apabila nilai Prob>Chi2 pada uji Breusch-Pagan / Cook-Weisberg lebih besar dari tingkat signifikansi 0.05 maka model estimasi dinyatakan tidak ada masalah heteroskedastisitas, begitu juga sebaliknya apabila nilai Prob>Chi2 pada uji Breusch-Pagan / Cook-Weisberg lebih kecil dari tingkat signifikansi 0.05 maka model estimasi dinyatakan ada masalah heteroskedastisitas.

4.6.4.4. Uji Otokorelasi Otokorelasi terjadi ketika observasi yang berturut-turut sepanjang waktu mempunyai korelasi antara yang satu dengan yang lainnya. Dampak dari adanya otokorelasi yaitu estimasi standard error dan varian koefisien regresi yang didapat akan underestimate. Dengan


67

demikian, koefisien determinasi akan besar, dan uji-t, uji-f dan interval kepercayaan menjadi tidak sahih untuk digunakan (Nachrowi dan Usman, 2006:186). Untuk menentukan ada tidaknya masalah otokorelasi pada model estimasi, dapat dilakukan dengan uji Wooldridge dengan menggunakan perangkat lunak stata. Apabila nilai Prob>F pada uji Wooldridge lebih besar dari tingkat signifikansi 0.05 maka model estimasi dinyatakan tidak ada masalah otokorelasi, begitu juga sebaliknya apabila nilai Prob>F pada uji Wooldridge lebih kecil dari tingkat signifikansi 0.05 maka model estimasi dinyatakan ada masalah otokorelasi.

4.6.5. Uji Kriteria Statistik Model 4.6.5.1. Koefisien Determinasi (R2) Uji koefisien determinasi (R2) digunakan untuk mengetahui seberapa besar hubungan dari beberapa variabel. Koefisien determinasi akan menjelaskan seberapa besar perubahan atau variasi suatu variabel bisa dijelaskan oleh perubahan atau variasi pada variabel yang lain. Hal ini dapat diartikan kemampuan variabel-variabel bebas untuk berkontribusi terhadap variabel terikatnya dalam satuan persentase. Nilai koefisien determinasi antara nol dan satu. Nilai

koefisien

determinasi

yang

kecil

menunjukkan

kemampuan variabel-variabel bebas dalam menjelaskan variabel terikat


68

amat terbatas, sedangkan nilai yang mendekati satu berarti variabelvariabel bebas memberikan hampir semua informasi yang dibutuhkan untuk memprediksi variasi-variabel terikat.

4.6.5.2. Uji Simultan (Uji F) Uji F digunakan untuk mengetahui ada atau tidaknya pengaruh secara bersama-sama (simultan) antara variabel bebas dan variabel terikat. Prosedur yang digunakan untuk melakukan uji F adalah: 1)

Merumuskan hipotesis H1: β1 = β2 = β3 = β4 = β5 = β6 = β7 ≥ 0, artinya terdapat pengaruh yang signifikan dari variabel bebas terhadap variabel terikat secara simultan.

2)

Menentukan tingkat signifikasi Hipotesis ini diuji dengan tingkat signifikansi sebesar α: 5%

3)

Menentukan kriteria pengujian hipotesis penelitian: 1)

Berdasarkan perbandingan F hitung dengan F tabel dengan pedoman: 1)

Jika hasil nilai Fhitung < Ftabel berarti semua variabel bebas secara simultan tidak mempunyai pengaruh yang signifikan terhadap variabel terikat.


69

2)

Jika Fhitung ≥ Ftabel berarti semua variabel bebas secara simultan mempunyai pengaruh yang signifikan terhadap variabel terikat.

2)

Berdasarkan nilai signifikansi (p-value) dengan pedoman: 1) Apabila nilai signifikansi (p-value) > α: 5% berarti semua variabel bebas secara simultan tidak mempunyai pengaruh yang signifikan terhadap variabel terikat. 2) Apabila nilai signifikansi (p-value) ≤ α: 5% berarti semua variabel bebas secara simultan mempunyai pengaruh yang signifikan terhadap variabel terikat.

4.6.5.3. Uji Parsial (Uji T) Uji t pada model digunakan untuk melihat tingkat signifikansi masing-masing variabel bebas terhadap variabel terikat dengan mengasumsikan variabel bebas lainnya konstan. Prosedur yang digunakan untuk melakukan uji t adalah: 1)

Merumuskan hipotesis H1: βk ≠ 0, artinya terdapat pengaruh yang signifikan dari variabel bebas terhadap variabel terikat secara parsial.

2)

Menentukan tingkat signifikasi Hipotesis ini diuji dengan tingkat signifikansi sebesar α: 5%

3)

Menentukan kriteria pengujian hipotesis penelitian:


70

1) Berdasarkan perbandingan thitung dengan ttabel dengan pedoman: 1)

Jika hasil nilai thitung < ttabel berarti semua variabel bebas secara parsial tidak mempunyai pengaruh yang signifikan terhadap variabel terikat.

2)

Jika thitung ≥ ttabel berarti semua variabel bebas secara simultan mempunyai pengaruh yang signifikan terhadap variabel terikat.

2)

Berdasarkan nilai signifikansi (t-value), pedomannya adalah: 1)

Apabila nilai signifikansi (t-value) > α: 5% berarti variabel bebas secara parsial tidak mempunyai pengaruh yang signifikan terhadap variabel terikat.

2)

Apabila nilai signifikansi (t-value) ≤ α: 5% berarti variabel bebas secara parsial mempunyai pengaruh yang signifikan terhadap variabel terikat.


BAB IV METODE PENELITIAN

Recommend Documents