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