III. METODE PENELITIAN

17

III. METODE PENELITIAN

3.1

Kerangka Pemikiran Penelitian Analisis kinerja keuangan BRI ini didasarkan pada laporan keuangan yang sudah dipublikasikan dan telah diaudit oleh auditor independen. Metode pengukuran menggunakan alat analisis EVA memberikan hasil perhitungan apakah BRI telah berhasil memberikan nilai tambah ekonomi bagi bank itu sendiri dan pemegang sahamnya. Investor yang potensial akan memperkirakan MVA yang tinggi apabila perusahaan dengan konsisten memperoleh pemasukan lebih besar daripada biaya total modal. MVA bernilai negatif jika pemasukan yang diperkirakan berada dibawah atau lebih kecil dari biaya total modal para investor. Secara lengkap, kerangka berfikir dalam penelitian ini dapat dilihat dalam Gambar 1.

PT Bank Rakyat Indonesia (Persero) Tbk.

Pasar Modal (BEI)

Kinerja Pasar (Nilai pasar /ekuitas) Rugi Laba

Neraca

Peramalan

Struktur Modal

EVA

Regresi sederhana

MVA

Investor Kebijakan Keuangan Perusahaan terkait pospos keuangan

Gambar 1. Kerangka Pemikiran Penelitian Keterangan :

= Komponen pembentuk = Komponen yang mempengaruhi

18 3.2

Metode Penelitian 3.2.1 Lokasi dan Waktu Penelitian Penelitian dilakukan pada BRI, kantor pusat BRI berlokasi di Gedung BRI I, Jln. Jenderal Sudirman Kav. 44-46, Jakarta. Penelitian ini dilaksanakan selama tiga bulan (April 2011-Juni 2011) dan dimulai dengan pengumpulan data sekunder mengenai BRI dari internet. 3.2.2 Jenis dan Sumber Data Data yang digunakan meliputi data kuantitatif dan data kualitatif yang terdiri dari data sekunder seperti laporan keuangan konsolidasi BRI berupa Laporan Neraca dan Laporan Rugi Laba selama lima periode (2006-2010), profil BRI dan data historis harga saham serta studi kepustakaan dengan mempelajari buku-buku yang terkait dengan penelitian, internet, jurnal dan artikel-artikel lain yang berhubungan dengan penelitian ini. 3.2.3 Teknik Pengumpulan Data Teknik pengumpulan data yang dilakukan adalah dengan teknik pengumpulan data skunder yang dilakukan dengan pencarian literatur-literatur dan pencarian data mengenai BRI melalui internet. Pencarian data dimulai dengan pencarian laporan keuangan BRI, profil perusahaan (sejarah pendirian BRI, tujuan pendirian, visi misi, dan perkembangan BRI) serta perkembangan harga saham BRI tahun 2006-2010.

3.3

Pengolahan dan Analisis Data Pengolahan data dilakukan dengan cara manual dan menggunakan Microsoft Office Excel 2007, SPSS 11.5, dan Minitab 15, kemudian dianalisis secara kualitatif dan kuantitatif berdasarkan kerangka pemikiran yang telah disusun. Pengolahan data secara kualitatif menggunakan metode deskriptif meliputi penguraian aspek profil dan sistem manajemen BRI. Metode analisis data kuantitatif dilakukan untuk mengkaji kinerja keuangan BRI dengan menggunakan perhitungan nilai EVA, MVA, analisis pengaruh EVA terhadap MVA serta analisis peramalan kinerja keuangan BRI dimasa yang akan datang.

19 3.3.1 Metode Perhitungan EVA Berikut ini adalah tabel tahapan perhitungan yang dilakukan : Tabel 3. Tahapan Perhitungan EVA Tahapan

Perhitungan

1. NOPAT

NOPAT = Laba Bersih – Biaya Bunga Kd =

2. Kd*

𝐵𝐵𝐵𝐵𝐵𝐵𝐵𝐵𝐵𝐵 𝐵𝐵𝐵𝐵𝐵𝐵𝐵𝐵𝐵𝐵 𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷

4. Struktur Modal

Ke =𝐻𝐻𝐻𝐻𝐻𝐻𝐻𝐻𝐻𝐻 Wd = We =

𝑆𝑆𝑆𝑆ℎ𝑎𝑎𝑎𝑎

𝐻𝐻𝐻𝐻𝐻𝐻𝐻𝐻𝐻𝐻𝐻𝐻

𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴 𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸

Laba Rugi Laba Rugi Neraca

𝐻𝐻𝐻𝐻𝐻𝐻𝐻𝐻𝐻𝐻𝐻𝐻

Kd* =Kd (1 – T) 3. Ke

Sumber

+ 𝐺𝐺𝐺𝐺𝐺𝐺𝐺𝐺𝐺𝐺ℎ

𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴

Diketahui Neraca Neraca Data historis saham

6. IC

WACC =[(𝐾𝐾𝐾𝐾 ∗ x 𝑊𝑊𝑊𝑊) + (𝐾𝐾𝐾𝐾 x 𝑊𝑊𝑊𝑊)]

7. COC

COC= WACC x IC

8. EVA

EVA = NOPAT – COC

Neraca Neraca, Laba Rugi, Data Historis Saham

5. WACC

IC = Asset- Non Intresting Bearing Liabilities

Neraca

Untuk menghitung Ke (biaya ekuitas) digunakan pendekatan CAPM. Menurut O’Byrne dan Young (2001), CAMP dikembangkan secara independen oleh Profesor William Sharpe dari Universitas Stanford dan Jhon Lintner dari Universitas Harvard. E. Pendekatan dengan konsep tersebut menghasilkan hasil yang lebih akurat dan lebih banyak dipakai dengan penenentuan biaya ekuitas dalam menilai EVA. Berikut ini merupakan langkah-langkah Metode CAMP : 𝟏𝟏. 𝑹𝑹𝒊𝒊𝒊𝒊=

𝐏𝐏𝐭𝐭 −𝐏𝐏𝐢𝐢𝐢𝐢−𝟏𝟏 +𝐃𝐃𝐃𝐃

...............................................................................................(7)

𝐏𝐏𝐭𝐭−𝟏𝟏

Keterangan: 𝑅𝑅𝑖𝑖𝑖𝑖

= tingkat pengembalian saham perusahaan bulan ke-t

𝑃𝑃_𝑖𝑖𝑖𝑖

= harga saham per lembar bulan t

𝐷𝐷𝑡𝑡

= dividen pada bulan ke t

𝑃𝑃_(𝑖𝑖𝑖𝑖 − 1) = harga saham per lembar bulan sebelumnya 𝑰𝑰𝑰𝑰𝑰𝑰𝑰𝑰𝒕𝒕 −𝑰𝑰𝑰𝑰𝑰𝑰𝑰𝑰𝒕𝒕−𝟏𝟏

𝟐𝟐. 𝑹𝑹𝒎𝒎𝒎𝒎 =

𝑰𝑰𝑰𝑰𝑰𝑰𝑰𝑰𝒕𝒕−𝟏𝟏

𝑬𝑬 (𝑹𝑹𝑹𝑹) =

∑ 𝑹𝑹𝒎𝒎𝒎𝒎 𝑵𝑵

..........................................................................................(8)

..........................................................................................(9)

20 Keterangan :

3.

Rmt

= Tingkat pengembalian pasar pada bulan ke-t

IHSGt

= Indeks Harga Saham Gabungan bulan ke-t

IHSGt−1

= Indeks Harga Saham Gabungan bulan ke t-1

N

= Jumlah data

E (Rm)

= Tingkat pengembalian pasar yang diharapkan

𝛔𝛔𝐢𝐢𝐢𝐢

𝛃𝛃_𝒊𝒊= 𝛔𝛔𝟐𝟐 ......................................................................................................(10) 𝛔𝛔𝐢𝐢𝐢𝐢 =

𝐦𝐦

∑𝒏𝒏 𝒕𝒕=𝟏𝟏(𝑹𝑹𝑹𝑹𝑹𝑹−𝑹𝑹𝑹𝑹)(𝑹𝑹𝑹𝑹𝑹𝑹−𝑹𝑹𝑹𝑹)

𝛔𝛔𝟐𝟐 𝒎𝒎 =

𝒏𝒏

𝟐𝟐 ∑𝒏𝒏 𝒕𝒕=𝟏𝟏(𝑹𝑹𝑹𝑹𝑹𝑹−𝑹𝑹𝑹𝑹)

Keterangan :

𝒏𝒏−𝟏𝟏

.......................................................................(11)

...............................................................................(12)

β𝑖𝑖

= Koefisien beta

σim

= Kovarian tingkat pengembalian saham i dengan tingkat pengembalian pasar

4.

σ2 𝑚𝑚

= varian tingkat pengembalian pasar

Rm

= Tingkat pengembalian atas resiko pasar

Rmt

= Tingkat pengembalian pasar pada periode t

Rf = Tingkat pengembalian bebas risiko = Tingkat suku bunga SBI

5.

Ke = Rf + 𝛃𝛃i E(Rm – Rf)...........................................................................(13) MRP = Rm – Rf........................................................................................(14)

Ke = Rf +( 𝛃𝛃i x MRP)................................................................................(15) Keterangan : Rm

= tingkat pengembalian atas resiko pasar

β

= Faktor resiko (beta) yang berlaku untuk perusahaan

MRP

= Market Premium Risk (Premi Resiko Pasar)

Struktur modal suatu bank yang optimal akan menghasilkan keseimbangan antara resiko dan tingkat pengembalian sehingga akan memaksimalkan harga saham. Struktur modal bank yang optimal adalah persentase yang seimbang antara komponen hutang dan modal yang dimiliki bank. Nilai persentase komponen hutang diberi lambang Wd, dan untuk persentase komponen modal diberi lambang We. WACC (rata-rata tertimbang biaya modal) diperoleh dari pengalian bobot tertimbang atas hutang dan modal ekuitas bank dari keseluruhan

21 struktur modal perusahaan. Untuk menghitung WACC harus diketahui jumlah hutang dan jumlah ekuitas dalam struktur modal berdasarkan nilai pasar, biaya hutang, tingkat pajak, dan biaya ekuitas. Selanjutnya dilakukan penghitungan IC yang merupakan aset dikurangi dengan non interest bearing liabilitis. COC (biaya modal) dihitung dengan cara mengalikan WACC dengan modal yang diinvestasikan (IC). Dari penghitungan tahap-tahap tersebut akan diperoleh nilai EVA dengan memasukkan rumus perhitungan EVA, dimana NOPAT dikurangi dengan COC, seperti pada persamaan satu. 3.3.2 Metode Perhitungan MVA Nilai MVA diperoleh dari nilai pasar dikurangi dengan modal yang diinvestasikan investor. Dalam perhitungan MVA terdapat empat komponen tahapan yang perlu dilakukan, yaitu : Tabel 4. Tahapan Perhitungan MVA Tahapan 1. Market Value 2. Shares Outstanding 3. Book Value 4. MVA

Perhitungan Harga penutupan saham Jumlah saham yang beredar Ekuitas (Harga pasar saham x Shares Ourstanding) – Book Value

Sumber Data historis harga saham Data historis harga saham Neraca Data historis harga saham, neraca

Nilai pasar suatu bank maupun perusahaan merupakan penjumlahan antara saham biasa, bunga minoritas, dan total hutang. Dengan kata lain, nilai pasar suatu bank dapat diperoleh dari harga saham yang tercantum pada akhir periode penutupan. Shares Out standing adalah jumlah lembar saham yang beredar yang dimiliki oleh suatu bank. Sedangkan bookvalue (nilai buku) merupakan total ekuitas yang tercatat pada laporan neraca bank. Selanjutnya, apabila semua komponen tahapan telah diketahui maka MVA dapat dihitung dengan mengalikan harga saham dan shares outstanding, kemudian dikurangi dengan book value, secara singkat dapat dilihat pada persamaan dua. 3.4

Analisis Pengaruh EVA terhadap MVA Analisis regresi sederhana adalah analisis yang digunakan untuk menganalisis satu variabel terikat (Y) dengan menggunakan satu variabel bebas (X). Oleh karena itu,

22 analisis pengaruh EVA terhadap MVA dilakukan dengan menggunakan metode analisis regresi sederhana, karena hanya menganalisis satu variabel bebas yaitu EVA. Selain itu, dilakukan analisis korelasi (correlation analysis), yaitu analisis yang digunakan untuk mengetahui hubungan sebab akibat antara variabel. Menurut Nafarin (2007), hubungan saling ketergantungan antara dua variabel harus diuji dengan koefisien korelasi. Koefisien korelasi menunjukkan angka paling kecil -1 dan paling besar +1. Bila koefisien korelasi mendekati satu berarti pengaruh X terhadap Y adalah besar, tidak peduli apakah koefisien korelasi tersebut positif atau negatif. Apabila korelasi tersebut positif berarti semakin besar X dan semakin besar Y. Sebaliknya, bila korelasi tersebut negatif berarti semakin besar X dan semakin kecil Y atau semakin kecil X dan semakin besar Y. Jika koefisien korelasi mendekati nol berarti pengaruh dari variabel tersebut kecil sekali (tidak berpengaruh). Dalam penelitian ini, uji korelasi dan regresi dilakukan dengan menggunakan SPSS 11.5. Jika dalam pengujian hasil R2 (koefisien determinan) positif (mendekati satu), berarti pengaruh variabel X sangat besar terhadap variabel Y. Sebelum melakukan uji korelasi dan regresi, dilakukan uji normalitas data dengan menggunakan uji Kolmogorov Smirnov. Kolmogorov Smirnov adalah uji beda antara data yang diuji normalitasnya dengan data normal baku. Penerapan pada uji Kolmogorov Smirnov adalah bahwa jika signifikansi<0,05 berarti data yang diuji mempunyai perbedaan yang signifikan dengan data normal baku, berarti data tersebut tidak normal. Jika signifikansi>0,05 maka berarti tidak terdapat perbedaan yang signifikan antara data yang diuji dengan data normal baku, artinya data yang kita uji normal. Penelitian ini menggunakan data time series dari hasil analisis laporan keuangan BRI selama periode tertentu sebagai sumber data. Periode waktu laporan keuangan yang digunakan sebagai sumber data adalah laporan keuangan selama lima tahun terakhir (2006-2010). 3.4.1 Perumusan dan Pengujian Hipotesis Menurut Kountur (2005), hipotesis merupakan jawaban sementara atau dugaan jawaban dari suatu masalah. Pengujian hipotesis perlu dilakukan untuk melihat kelayakan model yang dirancang serta untuk mengetahui apakah variabel independennya memiliki pengaruh yang signifikan atau tidak terhadap variabel dependen. Hipotesis yang dirumuskan dalam penelitian ini adalah variabel EVA yang telah didefenisikan memiliki pengaruh yang signifikan terhadap MVA. Perumusan hipotesisnya adalah sebagai berikut :

23 Ho

= Dinyatakan bahwa tidak ada pengaruh yang signifikan antara variabel independen dalam hal ini adalah EVA terhadap variabel dependen MVA.

Ha

= Dinyatakan bahwa ada variabel lebih besar atau lebih kecil dari nol dan ini menunjukkan bahwa terdapat pengaruh signifikan antara variabel independen yakni EVA terhadap variabel dependen yaitu MVA. Besarnya nilai kesalahan α yang diasumsikan dalam pengujian hipotesis ini

yaitu besarnya kesalahan jika menolak Ho padahal Ho itu benar adalah sebesar 5 persen. Penolakan dan uji signifikasi terhadap kontribusi masing-masing variabel independen ditunjukkan oleh besarnya nilai p (p-value) yang diperoleh dari program statistik SPSS 11.5. 3.5

Peramalan (Forecasting) Kinerja Keuangan Pada penelitian ini, komponen yang diramalkan adalah komponen laporan keuangan rugi laba dan neraca. Maksud dari peramalan ini adalah untuk mengetahui bagaimana keadaan atau perkembangan keuangan BRI di tahun 2011. Model peramalan yang dipakai adalah model peramalan Double Exponential Smoothing menggunakan data historis dalam bentuk time series tahunan dengan menggunakan Software Minitab 15. Metode ini menyesuaikan faktor trend yang ada pada pola data. Dipopulerkan oleh C.C. Holt (1957), model ini menambahkan faktor pertumbuhan (growth factor) atau faktor trend (trend factor) pada persamaan dasar dari smoothing. Rumus Holt’s Linear Smoothing : Untuk komponen level estimate : 𝑳𝑳𝒕𝒕 = 𝜶𝜶𝒀𝒀𝒕𝒕 + (𝟏𝟏 − 𝜶𝜶)(𝑳𝑳𝒕𝒕−𝟏𝟏 + 𝑻𝑻𝒕𝒕−𝟏𝟏 ).............................................................................(16) Untuk komponen trend estimate :

𝑻𝑻𝒕𝒕 = β(𝑳𝑳𝒕𝒕 − 𝑳𝑳𝒕𝒕−𝟏𝟏 ) + (𝟏𝟏 − 𝜷𝜷)𝑻𝑻𝒕𝒕−𝟏𝟏...............................................................................(17) Untuk forecast periode ke p dari data tertentu :

(berdasar angka di kolom FITS 1 pada MINITAB) Ý𝒕𝒕+𝒑𝒑 = 𝑳𝑳𝒕𝒕 + 𝒑𝒑𝑻𝑻𝒕𝒕 ..........................................................................................................(18) Di mana :

L = level estimate (dipengaruhi oleh besaran) T = trend estimate (dipengaruhi oleh besaran) Ý = nilai forecast untuk periode mendatang

24 3.5.1 Pengujian Error (Residu) Pengujian untuk mengetahui dapat atau tidaknya metode Holt dengan α = 0,2 dan β=0,2 dalam forecasting komponen neraca dan rugi laba, t tabel dihitung dari tingkat signifikansi 5% yang dibagi dua, serta df adalah jumlah data dikurang 1 (jumlah data-1), atau dalam penelitian ini adalah 4 (5-1), t (0,025;4) adalah ± 2,776. Jika t hitung < dari t tabel maka pengamatan dari correlogram tidak error dan bersifat random. Demikian juga dengan angka LJUNG-BOX Q, jika pada lag 10 (LBQ per komponen yang di forecast) < 𝑋𝑋 2 tabel (0,025;4) = 11,143, maka keduanya menunjukkan forecasting dengan metode Holt dengan kriteria α= 0,2 dan β=0,2 dapat digunakan untuk memprediksi rata-rata komponen yang di forecasting di masa mendatang. 3.5.2 Mengukur Ketepatan Forecasting Menurut S. Santoso (2009), menghitung kesalahan (akurasi perhitungan) forecasting sering pula disebut dengan menghitung ketepatan pengukuran (accurancy measures). Dalam praktek ada beberapa alat ukur yang sering digunakan untuk menghitung kesalahan prediksi : 1.

MAPE (Mean Absolute Percentage Error) 𝟏𝟏𝟏𝟏𝟏𝟏

MAPE =

𝒏𝒏

𝑨𝑨𝒕𝒕 −𝑭𝑭𝒕𝒕

∑𝒏𝒏𝒕𝒕=𝟏𝟏 �

𝑨𝑨𝒕𝒕

�................................................................................(19)

2. MAD (Mean Absolute Deviation) 𝟏𝟏

MAD =𝒏𝒏 ∑𝒏𝒏𝒕𝒕−𝟏𝟏|𝑨𝑨𝒕𝒕 − 𝑭𝑭𝒕𝒕 |.................................................................................(20)

3. MSD/MSE (Mean Squared Deviation/Mean Squared Error) 𝟏𝟏

𝟐𝟐 MSE = 𝒏𝒏 ∑𝒏𝒏𝒕𝒕=𝟏𝟏(𝑨𝑨𝒕𝒕 − 𝑭𝑭𝒕𝒕 ) ...............................................................................(21)

Di mana :

At = Data aktual pada waktu t Ft = Data forecasting pada waktu t n = Jumlah data Pada dasarnya ketiga rumus di atas mengukur seberapa jauh data hasil forecast berbeda dengan data asli (aktual)-nya. Karena ada kemungkinan selisih dua data tersebut negatif, karena data aktual lebih besar dari data forecast-nya, maka selisih tersebut kemudian dimutlakkan. Sedangkan untuk rumus MSD (MSE) hal itu tidak perlu dilakukan karena dengan mengkuadratkan selisih keduanya, otomatis tidak akan ada data bernilai negatif.

25 Pada pengukuran MAD, hanya dilakukan selisih data aktual dengan data forecast, yang kemudian dirata-rata sesuai jumlah data yang ada. Sedangakan pengukuran MSD/MSE, selisih tersebut dikuadratkan, kemudian dijumlahkan. Untuk MAPE, selisih kedua data tersebut dijadikan dalam dalam bentuk persentase. Minitab dan sejumlah besar software menggunakan ketiga ukuran kesalahan prediksi yang populer ini. Semakin kecil nilai dari ketiganya maka semakin akurat hasil forecasting yang diperoleh. 3.6

Hasil yang Diharapkan (Expected Results) Hasil yang diharapkan dari penelitian ini diantaranya : 1. Nilai EVA dan MVA yang diperoleh dari hasil penelitian ini positif 2. Adanya hubungan antara EVA dengan MVA (nilai EVA mempengaruhi nilai MVA) 3. BRI memiliki struktur modal yang optimal selama periode penelitian (2006-2010) 4. Prediksi keadaan keuangan BRI masa yang akan datang menunjukkan peningkatan kinerja