BAB IV

HASIL PENELITIAN DAN PEMBAHASAN

4.1 Deskripsi Data

Objek yang digunakan dalam penelitian ini adalah perusahaan yang

terdaftar di Bursa Efek Indonesia tahun 2017-2022. Metode pengambilan

sampel pada penelitian ini menggunakan metode purposive sampling yaitu

metode pengambilan sampel berdasarkan kriteria tertentu. Tabel berikut

menunjukkan sampel untuk penelitian ini:

Tabel 4.1 Sampel Penelitian

No Kriteria Jumlah
.
1. Perusahaan Sektor Teknologi yang terdaftar di Bursa Efek 15
Indonesia (BEI) periode 2017-2022 secara berturut-turut
2. Perusahaan yang tidak menerbitkan laporan keuangan secara (3)
lengkap dan memiliki data yang digunakan dalam analisis
lanjutan
3. Perusahaan yang tidak menyajikan laporan keuangan (2)
periode 2017-2022 dengan mata uang rupiah
Jumlah perusahaan sampel 10
Jumlah data yang diolah periode pengamatan 6 tahun (2017- 60
2022)
Sumber: Data Sekunder diolah tahun 2023

Berdasarkan tabel 4.1 diatas, dapat diperoleh jumlah sampel penelitian

dengan kriteria-kriteria yang telah ditentukan diperoleh sebanyak 10

perusahaan sektor teknologi yang terdaftar di Bursa Efek Indonesia selama

2017-2022. Pengumpulan data untuk penelitian ini dilakukan dengan

mengunduh laporan tahuan BEI dan website masing-masing perusahaan. Data

 tersebut meliputi informasi mengenai indikator dalam EVAIC, Return On

Asset (ROA), Return On Equity (ROE), Asset Turn Over (ATO), jumlah

saham yang beredar dan harga per lembar saham. Adapun daftar perusahaan

yang menjadi sampel dalam penelitian ini dapat dilihat pada lampiran.

4.2 Statistik Deskriptif Variabel Penelitian

Statistik deskriptif ialah metode yang berkaitan dengan pengumpulan dan

penyajian suatu data sehingga memberikan informasi yang berguna

(Sholikhah, 2016). Statistik deskriptif yang digunakan dalam penelitian ini

nilai maksimum, minimum, mean, dan standar deviasi. Statistik deskriptif

akan digunakan untuk melihat informasi mengenai nilai variabel yang

digunakan dalam penelitian ini.

Variabel dalam penelitian ini terdiri dari EVAIC, kinerja keuangan

memediasi, dan nilai perusahaan. Setiap variabel menggunakan beberapa

indikator, pada variabel EVAIC, kinerja keuangan memediasi terdiri dari

ROA, ROE, dan ATO, serta variabel nilai perusahaan. Adapun statistik

deskriptif akan disajikan dalam tabel berikut ini:

Tabel 4.2 Statistik Deskriptif

N Minimum Maximum Mean Std.

Deviation
EVAIC 60 3,415 22,914 11,18087 4,784356
ROA 60 -2,230 5,740 1,17650 1,617693
ROE 60 -2,760 11,400 2,87733 3,446134
ATO 60 0,001 6,440 1,94535 1,743593
Tobin’s Q 60 0,010 4,690 1,25883 1,315005
60
Valid N
(listwise)
Sumber: SPSS 22 (Data diolah tahun 2023)

Berdasarkan tabel 4.2 diketahui variabel Extended VAIC (EVAIC)

memiliki nilai minimum 3,415; nilai maksimum 22,914; nilai rata-rata

11,18087 dan standar deviasi 4,784356. Nilai rata-rata menunjukkan seberapa

besar Intellectual Capital perusahaan sektor teknologi secara keseluruhan.

Perusahaan yang memiliki Intellectual Capital minimum 3,415 adalah PT.

Kioson Komersial Indonesia Tbk tahun 2020. Perusahaan yang memiliki

Intellectual Capital Maksimum 22,914 adalah PT. Anabatic Technologies

Tbk tahun 2018.

Variabel kinerja keuangan (ROA) memiliki nilai minimum -2,230%; nilai

maksimum 5,740%; nilai rata-rata 1,17650% dan standar deviasi 1,617693%.

Nilai rata-rata menunjukkan seberapa besar profitabilitas terutama ROA

perusahaan sektor teknologi secara keseluruhan. Perusahaan yang memiliki

profitabilitas (ROA) minimum -2,230% adalah PT. Kioson Komersial

Indonesia Tbk tahun 2020. Perusahaan yang memiliki profitabilitas (ROA)

maksimum 5,740% adalah PT. Kioson Komersial Indonesia Tbk tahun 2022.

Variabel kinerja keuangan (ROE) memiliki nilai minimum -2,760%; nilai

maksimum 11,400%; nilai rata-rata 2,87733% dan standar deviasi

3,446134%. Nilai rata-rata menunjukkan seberapa besar profitabilitas

terutama ROE perusahaan sektor teknologi secara keseluruhan. Perusahaan

yang memiliki profitabilitas (ROE) minimum -2,760% adalah PT. Kresna

 Graha Investama Tbk tahun 2022. Perusahaan yang memiliki profitabilitas

(ROE) maksimum 11,400% adalah PT. Multipolar Technology Tbk tahun

2017.

Variabel kinerja keuangan (ATO) memiliki nilai minimum 0,001; nilai

maksimum 6,440; nilai rata-rata 1,94535 dan standar deviasi 1,743593. Nilai

rata-rata menunjukkan seberapa besar profitabilitas terutama ATO perusahaan

sektor teknologi secara keseluruhan. Perusahaan yang memiliki profitabilitas

(ATO) minimum 0,001 adalah PT. Anabatic Technologies Tbk tahun 2018.

Perusahaan yang memiliki profitabilitas (ATO) maksimum 6,440 adalah PT.

M Cash Integrasi Tbk tahun 2022.

Variabel nilai perusahaan (Tobin’s Q) memiliki nilai minimum 0,010; nilai

maksimum 4,690; nilai rata-rata 1,25883 dan standar deviasi 1,315005. Nilai

rata-rata menunjukkan seberapa besar nilai perusahaan perusahaan sektor

teknologi secara keseluruhan. Perusahaan yang memiliki nilai perusahaan

minimum 0,010 adalah PT. Hansel Devest Indonesia Tbk tahun 2020 dan PT.

NFC Indonesia Tbk tahun 2019. Perusahaan yang memiliki nilai perusahaan

maksimum 4,690 adalah PT. Kresna Graha Investama Tbk tahun 2017.

4.3 Hasil Analisis

4.3.1 Uji Asumsi Klasik

4.3.1.1 Uji Normalitas Data

 Normalitas data dapat diketahui dengan cara uji kolmogorov-smirnov.

Berdasarkan data pengujian yang diperoleh, maka hasil menunjukkan sebagai

berikut:

Tabel 4.3 Uji Normalitas Data

Model Sig Keterangan

EVAIC → ROA 0,200 Normalitas terpenuhi
EVAIC → ROE 0,002 Normalitas tidak terpenuhi
EVAIC → ATO 0,000 Normalitas tidak terpenuhi
ROA → Tobin’s Q 0,000 Normalitas tidak terpenuhi
ROE → Tobin’s Q 0,000 Normalitas tidak terpenuhi
ATO → Tobin’s Q 0,000 Normalitas tidak terpenuhi
EVAIC → Tobi’s Q 0,000 Normalitas tidak terpenuhi
EVAIC → Kinerja Keuangan → Tobin’s 0,000 Normalitas tidak terpenuhi
Q
Sumber: SPSS 22 (Data diolah 2023)

Berdasarkan hasil analisis diatas menunjukkan bahwa Asymp Sig (2-tailed)

model EVAIC→ROA adalah 0,200 > 0,05, maka hasil analisis menunjukkan

residual terdistribusi secara normal. Namun, pada model lainnya Asymp Sig

(2-tailed) adalah 0,000 lebih kecil dari 0,05, maka hasil analisis menunjukkan

residual terdistribusi secara tidak normal.

Oleh kerena itu, untuk memenuhi kriteria uji normalitas maka dapat

dilakukan suatu transformasi data yaitu dengan cara mentransformasikan

variabel dalam bentuk Log10 dan SQRT. Berikut hasil uji normalitas setelah

dilakukan transformasi data variabel dalam bentuk Log10 dan SQRT:

 Tabel 4.4 Uji Normalitas Data setelah Transformasi Data

Model Sig Keterangan

EVAIC → TRFM ROE 0,079 Normalitas terpenuhi
EVAIC → TRFM ATO 0,200 Normalitas terpenuhi
EVAIC → TRFM Tobin’s Q 0,200 Normalitas terpenuhi
ROA → TRFM Tobin’s Q 0,200 Normalitas terpenuhi
ROE → TRFM Tobin’s Q 0,200 Normalitas terpenuhi
ATO → TRFM Tobin’s Q 0,200 Normalitas terpenuhi
EVAIC → Kinerja Keuangan → TRFM 0,200 Normalitas terpenuhi
Tobin’s Q
Sumber: SPSS 22 (Data diolah 2023)

Berdasarkan hasil uji normalitas setelah dilakukaan transformasi pada

tabel 4.4 menunjukkan bahwa Asymp Sig (2-tailed) > 0,05, maka dapat

disimpulkan data berdistribusi secara normal dan kriteria asumsi normalitas

terpenuhi.

4.3.1.2 Uji Heteroskedastisitas

Pengujian ini bertujuan untuk mengetahui apakah pada sebuah model

regresi terjadi tidak sama (konstan). Dimana menguji apakah dalam model

regresi terjadi ketidaksamaan variance dari residual satu pengamatan ke

pengamatan lain. Berdasarkan data pengujian yang diperoleh, maka hasil

menunjukkan sebagai berikut:

Tabel 4.5 Uji Heteroskedastisitas

Model Sig. Keterangan

EVAIC → ROA 0,843 Terbebas dari Heteroskedastisitas
EVAIC → ROE 0,740 Terbebas dari Heteroskedastisitas
EVAIC → ATO 0,391 Terbebas dari Heteroskedastisitas
ROA → Tobin’s Q 0,060 Terbebas dari Heteroskedastisitas
ROE → Tobin’s Q 0,084 Terbebas dari Heteroskedastisitas
ATO → Tobin’s Q 0,099 Terbebas dari Heteroskedastisitas
 EVAIC → Tobin’s Q 0,126 Terbebas dari Heteroskedastisitas
EVAIC → Kinerja Keuangan → 0,063 Terbebas dari Heteroskedastisitas
Tobin’s Q
Sumber: SPSS 22 (Data diolah 2023)

Berdasarkan hasil pengujian (sig.) adalah lebih besar dari 0,05, maka dapat

disimpulkan bahwa data pada penelitian ini terbebas dari heteroskedastisitas.

4.3.1.3 Uji Autokorelasi

Uji autokorelasi dilakukan bertujuan untuk mengetahui apakah dalam

sebuah model regresi ada korelasi antara kesalahan pengganggu pada periode

t dengan kesalahan pada periode t-1 (sebelumnya). Untuk mendeteksi data

autokorelasi dapat menggunakan uji Durbin-Wasten (D-W).

Tabel 4.6 Uji Autokorelasi

Model Durbin- Keterangan

Watson
EVAIC → ROA 1,428 Tidak Terjadi Autokorelasi
EVAIC → ROE 0,902 Tidak Terjadi Autokorelasi
EVAIC → ATO 1,243 Tidak Terjadi Autokorelasi
Kinerja Keuangan → Tobin’s Q 1,377 Tidak Terjadi Autokorelasi
EVAIC → Tobin’s Q 1,427 Tidak Terjadi Autokorelasi
EVAIC → Kinerja Keuangan → 1,413 Tidak Terjadi Autokorelasi
Tobin’s Q
Sumber: SPSS 22 (Data diolah 2023)

Berdasarkan hasil analisis menunjukkan bahwa nilai Durbin-Watson

semua model berada di antara du dan 4-du (du < DW < 4-du). Dengan

demikian, hasil analisis ketujuh model tersebut menunjukkan tidak terjadi

autokorelasi.
4.3.1.4 Uji Multikolinearitas

Uji multikolinearitas digunakan untuk mengetahui apakah model regresi

ditemukan adanya korelasi antara variabel bebas atau independen. Uji

multikolinearitas dilakukan dengan menggunakan Varian Inflatin Factor

(VIF) dengan kriteria pengambilan keputusan nilai VIF < 10.

Tabel 4.7 Uji Multikolinearitas

MODEL Tolerance VIF Keterangan

EVAIC → ROA 1,000 1,000 Tidak Terjadi
Multikolinearitas
EVAIC → ROE 1,000 1,000 Tidak Terjadi
Multikolienaritas
EVAIC → ATO 1,000 1,000 Tidak Terjadi
Multikolinearitas
ROA → Tobin’s Q 0,477 2,098 Tidak Terjadi
Multikolinearitas
ROE → Tobin’s Q 0,542 1,844 Tidak Terjadi
Multikolinearitas
ATO → Tobin’s Q 0,778 1,285 Tidak Terjadi
Multikolinearitas
EVAIC → Tobin’s Q 1,000 1,000 Tidak Terjadi
Multikolinearitas
EVAIC → Kinerja Keuangan → 0,981 1,019 Tidak Terjadi
Tobin’s Q Multikolinearitas
Sumber: SPSS 22 (Data diolah 2023)

Berdasarkan hasil uji multikolinearitas pada tabel 4.6 bahwa nilai tolerance

pada ketujuh model lebih besar dari 0,1000 dan nilai VIF lebih kecil dari 10.

Maka dapat disimpulkan bahwa tidak terjadi multikolinearitas dalam model

regresi penelitian ini.

4.3.2 Analisis Regresi Berganda

Analisis regresi pada dasarnya adalah studi mengenai ketergantungan

variabel dependen (terikat) dengan satu atau lebih variabel independen

dengan tujuan untuk mengetimasi rata-rata populasi atau rata-rata variabel

dependen berdasarkan nilai variabel independen yang diketahui

(Ghozali,2018).

4.3.2.1 Analisis Regresi Model 1

Penelitian ini meregresikan variabel independen yaitu Intellectual Capital

(EVAIC) pada variabel dependen yaitu kinerja keuangan (ROA, ROE, dan

ATO). Hasil output uji hipotesis antara EVAIC terhadap kinerja keuangan

pada perusahaan sektor teknologi sebagai berikut:

ROA= 1,078 + 0,009 EVAIC

ROE= 2,525 + 0,032 EVAIC

ATO= 1,486 + 0,041 EVAIC

Tabel 4.8 Hasil Analisis Regresi Model 1

Unstandardized
Coefficients
Standardized
Std.
Model B Coefficients t Sig.
Error
Beta
(Constant) 1,078 0,539 2,000 0,050
EVAIC 0,009 0,044 0,026 0,199 0,843
Dependent Variable: ROA
Sumber: SPSS 22 (Data diolah 2023)
 Unstandardized
Coefficients
Standardized
Std.
Model B Coefficients t Sig.
Error
Beta
(Constant) 2,525 1,148 2,200 0,032
EVAIC 0,032 0,094 0,044 0,334 0,740
Dependent Variable: ROE
Sumber: SPSS 22 (Data diolah 2023)
Unstandardized
Coefficients
Standardized
Std.
Model B Coefficients t Sig.
Error
Beta
(Constant) 1,486 0,577 2,573 0,013
EVAIC 0,041 0,048 0,113 0,865 0,391
Dependent Variable: ATO
Sumber: SPSS 22 (Data diolah 2023)
Berikut adalah interpretasi dari nilai koefisien regresi di atas:

a. Konstanta sebesar 1,078;2,525;1,486 menyatakan bahwa tanpa

ada pengaruh dari Intellectual Capital serta faktor lain, maka

variabel kinerja keuangan perusahaan yang diukur melalui ROA,

ROE, dan ATO pada perusahaan sektor teknologi yang terdaftar

di BEI sebesar 1,078;2,525;1,486 satuan.

b. Koefisien regresi variabel Intellectual Capital bernilai

0,009;0,032;0,041 (positif). Arah positif pada hubungan

Intellectual Capital terhadap kinerja keuangan perusahaan

menunjukkan bahwa setiap terjadi peningkatan Intellectual

Capital sebesar satu satuan, maka akan meningkatkan kinerja

perusahaan tanpa dipengaruhi faktor lainnya.

4.3.2.2 Analisis Regresi Model 2

 Penelitian ini meregresikan variabel independen kinerja keuangan (ROA,

ROE, ATO) pada variabel dependen nilai perusahaan (Tobin’s Q). Hasil

ouput uji hipotesis pada Kinerja Keuangan terhadap Tobin’s Q sebagai

berikut:

Tobin’s Q=0,918 + 0,272 ROA – 0,110 ROE + 0,173 ATO

Tabel 4.9 Hasil Analisis Regresi Model 2

Unstandardized
Coefficients
Standardized
Std.
Model B Coefficients t Sig.
Error
Beta
(Constant) 0,918 0,278 3,301 0,002
ROA 0,272 0,142 0,335 1,918 0,060
ATO 0,173 0,103 0,230 1,680 0,099
ROE -0,110 0,062 -0,289 -1,762 0,084
Dependent Variable: Tobin’s Q
Sumber: SPSS 22 (Data diolah 2023)
Berikut adalah interpretasi dari nilai koefisien regresi di atas:

a. Konstanta sebesar 0,918 menyatakan bahwa tanpa ada pengaruh

dari kinerja keuangan serta faktor lain, maka variabel nilai

perusahaan yang diukur melalui Tobin’s Q pada perusahaan

sektor teknologi yang terdaftar di BEI sebesar 0,918 satuan.

 b. Koefisien regresi variabel ROA dan ATO bernilai 0,272;0,173

(positif). Arah positif ini menunjukkan bahwa setiap terjadi

peningkatan kinerja keuangan terutama ROA dan ATO sebesar

satuan, maka akan meningkatkan nilai perusahaan. Sedangkan

koefisien regresi variabel ROE bernilai -0,110 (negatif). Arah

negatif ini menunjukkan bahwa setiap peningkatan kinerja

keuangan yaitu ROE sebesar satuan akan menurunkan nilai

perusahaan.

4.3.2.3 Analisis Regresi Model 3

Penelitian ini meregresikan variabel independen Intellectual Capital

(EVAIC) pada variabel dependen nilai perusahaan (Tobin’s Q). Hasil ouput

uji hipotesis pada EVAIC terhadap Tobin’s Q dan Kinerja Keuangan terhadap

Tobin’s Q sebagai berikut:

Tobin’s Q= 1,872 – 0,055 EVAIC

Tabel 4.10 Hasil Analisis Regresi Model 2

Unstandardized
Coefficients
Standardize
Std. d
Model B T Sig.
Error Coefficients
Beta
(Constant) 1,872 0,430 4,359 0,000
EVAIC -0,055 0,035 -0,200 -1,552 0,126
Dependent Variable: Tobin’s Q
Sumber: SPSS 22 (Data Diolah 2023)
Berikut adalah interpretasi dari nilai koefisien regresi di atas:

a. Konstanta sebesar 1,872 menyatakan bahwa tanpa ada pengaruh

dari Intellectual Capital serta faktor lain, maka variabel nilai

perusahaan yang diukur melalui Tobin’s Q pada perusahaan

sektor teknologi yang terdaftar di BEI sebesar 1,872 satuan.

b. Koefisien regresi variabel Intellectual Capital bernilai -0,055

(negatif). Arah negatif pada hubungan antara Intellectual Capital

terhadap nilai perusahaan menunjukkan bahwa setiap terjadi

peningkatan Intellectual Capital sebesar satuan, maka akan

terjadi penurunan nilai perusahaan tanpa dipengaruhi faktor

lainnya.

4.3.2.4 Analisis Regresi Model 4

Penelitian ini meregresikan variabel independen Intellectual Capital

(EVAIC) pada variabel dependen nilai perusahaan (Tobin’s Q) melalui

kinerja keuangan (ROA, ROE, ATO). Hasil ouput uji hipotesis pada EVAIC

terhadap Tobin’s Q melalui ROE, ROE, dan ATO sebagai berikut:

Tobin’s Q= 1,557 – 0,062 EVAIC + 0,256 ROA – 0,101 ROE + 0,198

ATO

Tabel 4.11 Hasil Uji Regresi Model 3

Unstandardized
Coefficients
Model B Std. Standardize t Sig.
Error d
Coefficients
 Beta
(Constant) 1,557 0,433 3,599 0,001
EVAIC -0,062 0,033 -0,226 -1,898 0,063
ROA 0,256 0,139 0,315 1,839 0,071
ATO 0,198 0,102 0,263 1,951 0,056
ROE -0,101 0,061 -0,265 -1,650 0,105
Dependent Variable: Tobin’s Q
Sumber: SPSS 22 (Data diolah 2023)
Berikut adalah interpretasi nilai koefisien regresi di atas:

a. Nilai konstanta Tobin’s Q akan mencapai 1,557 jika EVAIC dan

kinerja keuangan (ROA, ROE, ATO) konstan atau nol.

b. Koefisien variabel EVAIC sebesar -0,062 (negatif). Arah negatif

menunjukkan bahwa setiap peningkatan EVAIC akan

menurunkan nilai perusahaan sebesar 0,062 dengan ketentuan

variabel konstan.

c. Koefisien variabel ROA sebesar 0,256. Koefisien variabel ROA

terhadap Tobin’s Q bernilai positif. Hal ini menunjukkan bahwa

setiap peningkatan ROA akan meningkatkan nilai perusahaan

sebesar 0,256 dengan ketentuan variabel lain konstan.

d. Koefisien variabel ROE sebesar -0,101. Koefisien variabel ROE

terhadap Tobin’s Q bernilai negatif. Hal ini menunjukkan bahwa

setiap peningkatan ROE akan menurunkan nilai perusahaan

sebesar 0,101 dengan ketentuan variabel lain konstan.

e. Koefisien variabel ATO sebesar 0,198. Koefisien variabel ATO

terhadap Tobin’s Q bernilai positif. Hal ini menunjukkan bahwa

 setiap peningkatan ATO akan meningkatkan nilai perusahaan

sebesar 0,198 dengan ketentuan variabel lain konstan.

4.3.3 Uji Kelayakan Model (Uji F)

Uji ini dilakukan untuk mengukur ketepatan fungsi regresi sampel dalam

menaksir nilai aktual secara statistik. Model ini dapat menunjukkan apakah

semua variabel independen yang dimasukkan dalam model akan berpengaruh

terhadap variabel dependen. Hasil uji F adalah sebagai berikut:

Tabel 4.11 Uji Kelayakan Model (Uji F)

Model F Sig. Keterangan

EVAIC → ROA 0,039 0,843 Tidak Berpengaruh
Secara Simultan
EVAIC → ROE 0,111 0,740 Tidak Berpengaruh
Secara Simultan
EVAIC → ATO 0,748 0,391 Tidak Berpengaruh
Secara Simultan
Kinerja Keuangan → Tobin’s Q 4,249 0,009 Berpengaruh Secara
Simultan
EVAIC → Tobin’s Q 2,408 0,126 Tidak Berpengaruh
Secara Simultan
EVAIC → Kinerja Keuangan → 4,235 0,005 Berpengaruh Secara
Tobin’s Q Simultan
Sumber: SPSS 22 (Data diolah 2023)

Berdasarkan hasil pada tabel 4.10 menunjukkan bahwa pada model 1,

yaitu pengaruh Intellectual Capital terhadap kinerja keuangan (ROA, ROE,

ATO) diperoleh F statistik sebesar 0,039;0,111;0,748 dengan signifikansi

sebesar 0,843;0,740;0,391. Hasil pengujian menunjukkan bahwa nilai

signifikansi > 0,05 Hasil pengujian tersebut dapat disimpulkan bahwa

Intellectual Capital tidak memiliki pengaruh signifikan secara simultan

terhadap kinerja keuangan baik ROA, ROE, ataupun ATO.

 Model ke-2, yaitu kinerja keuangan terhadap nilai perusahaan diperoleh F

statistik sebesar 4,294 dengan signifikansi 0,009. Hasil signifikansi

menunjukkan lebih kecil dari 0,05, maka hasil tersebut menunjukkan bahwa

kinerja keuangan memiliki pengaruh signifikan secara simultan terhadap nilai

perusahaan. Model ke-3, yaitu pengaruh Intellectual Capital terhadap nilai

perusahaan diperoleh F statistik sebesar 2,408 dengan signifikansi 0,126.

Hasil signifikansi menunjukkan lebih besar dari 0,05. Maka hasil pengujian

menunjukkan bahwa Intellectual Capital tidak memiliki pengaruh signifikan

secara simultan terhadap nilai perusahaan.

Selanjutnya untuk model 4, yaitu pengaruh Intellectual Capital terhadap

nilai perusahaan melalui kinerja keuangan sebagai variabel intervening

memperoleh F statistik 4,235 dengan signifikansi 0,005. Hasil signifikansi

menunjukkan lebih kecil dari 0,05. Oleh karena itu, dapat disimpulkan bahwa

Intellectual Capital memiliki pengaruh signifikan secara simultan terhadap

nilai perusahaan melalui kinerja keuangan sebagai variabel intervening.

4.3.4 Uji Koefisien Determinasi (R2)

Uji ini dilakukan untuk mengetahui seberapa jauh kemampuan model

dalam menerangkan variasi dependen (Ghozali, 2018). Koefisien

penentuannya adalah nilai R-Squared (Ghozali, 2016). Adapun hasil uji

koefisien determinasi adalah sebagai berikut:

Tabel 4.12 Uji Koefisien Determinasi

Model R Square
EVAIC → ROA 0,001
 EVAIC → ROE 0,002
EVAIC → ATO 0,013
Kinerja Keuangan → Tobin’s Q 0,185
EVAIC → Tobin’s Q 0,040
EVAIC → Kinerja Keuangan → Tobin’s Q 0,235
Sumber: SPSS 22 (Data diolah 2023)

Berdasarkan tabel 4.11 menyatakan bahwa nilai R-Squared pada model 1

adalah EVAIC terhadap ROA sebesar 0,001 atau 0,1%, EVAIC terhadap

ROE sebesar 0,002 atau 0,2% dan EVAIC terhadap ATO sebesar 0,013 atau

1,3%. Hal ini menunjukkan bahwa kinerja keuangan dipengaruhi oleh

Intellectual Capital sebesar 1,6%, sedangkan sisanya 98,4% dijelaskan oleh

faktor lain yang tidak terdapat dalam penelitian.

Pada model ke 2 menyatakan bahwa nilai R-Squared kinerja keuangan

terhadap nilai perusahaan (Tobin’s Q) adalah sebesar 0,185 atau 18,5%. Hal

ini mengidentifikasi bahwa nilai perusahaan (Tobin’s Q) dipengaruhi oleh

kinerja keuangan sebesar 18,5%, sedangkan 81,5% dipengaruhi oleh faktor

lain yang tidak terdapat dalam penelitian. Pada model 3 menyatakan bahwa

nilai R-Squared EVAIC terhadap nilai perusahaan (Tobin’s Q) adalah sebesar

0,040 atau 4%. Hal ini mengidentifikasi bahwa nilai perusahaan (Tobin’s Q)

dipengaruhi oleh Intellectual Capital 4%, sedangkan untuk 96% dipengaruhi

faktor lain yang tidak terdapat dalam penelitian.

Selanjutnya nilai R-Squared model 4 adalah EVAIC terhadap Tobin’s Q

melalui kinerja keuangan sebagai variabel intervening sebesar 0,235 atau

23,5%. Hal ini menunjukkan bahwa nilai perusahaan dipengaruhi oleh

Intellectual Capital melalui kinerja keuangan sebesar 23,5%. Sedangkan

 untuk 76,5% dipengaruhi oleh faktor lain yang tidak terdapat dalam penelitian

ini.

4.4 Hasil Uji Hipotesis

Penelitian ini menggunakan 2 metode dalam pengujian hipotesis, yaitu

pada hipotesis 1, 2, dan 3 menggunakan t-test atau Uji t dan untuk hipotesis 4

menggunakan metode Product of Coefficient (Uji Sobel).

4.4.1 Uji t

Uji t pada dasarnya menunjukkan seberapa jauh pengaruh variabel

independen secara individual dalam menerangkan variabel dependen

(Ghozali, 2011). Penelitian ini menghasilkan informasi dua arah (two tailed)

dengan tingkat kepercayaan 95% (value of significant), maka menghasilkan ρ

value menjadi 0,05/2= 0,025. Adapun hasil uji t adalah sebagai berikut:

Tabel 4.12 Uji t

Model t Sig.
EVAIC → ROA 0,199 0,843
EVAIC → ROE 0,334 0,740
EVAIC → ATO 0,865 0,391
ROA → Tobin’s Q 1,918 0,060
ROE → Tobin’s Q -1,762 0,084
ATO → Tobin’s Q 1,680 0,099
EVAIC → Tobin’s Q -1,552 0,126
Sumber: SPSS 22 (Data diolah 2023)

Pada hipotesis 1, Intellectual Capital terhadap kinerja keuangan

menghasilkan nilai T statistik 0,199;0,334;0,865 dengan signifikansi > 0,025.

 Hasil pengujian tersebut menunjukkan bahwa Intellectual Capital tidak

berpengaruh signifikan secara langsung terhadap kinerja keuangan walaupun

dengan komponen yang berbeda-beda. Oleh karena itu, hipoteis 1 ditolak.

Hipotesis 2, kinerja keuangan terhadap nilai perusahaan menghasilkan T

statistik 1,918;-1,762;1,680 dengan signifikansi 0,060;0,084;0,099. Hasil ini

menunjukkan bahwa kinerja keuangan tidak berpengaruh secara signifikan

secara langsung terhadap nilai perusahaan walaupun dengan indikator kinerja

keuangan yang berbeda-beda. Oleh karena itu, hipotesis 2 ditolak.

Hipotesis 3, Intellectual Capital terhadap nilai perusahaan menghasilkan

nilai T statistik -1,552 dengan signifikansi 0,126. Hasil pengujian tersebut

menunjukkan bahwa signifikansi > 0,025. Hal ini menunjukkan bahwa

Intellectual Capital tidak berpengaruh signifikan secara langsung terhadap

nilai perusahaan. Oleh karena itu, hipoteis 2 ditolak.

4.4.2 Uji Sobel

Pengujian ini digunakan untuk mengetahui apakah variabel intervening

kinerja keuangan (ROA, ROE, ATO) dapat memediasi antara Intellectual

Capital dan nilai perusahaan (Tobin’s Q). Adapun hasil uji sobel adalah

sebagai berikut:

Tabel 4.13 Uji Sobel

Model T-Statistik Std.Error ρ value

EVAIC → ROA → 0,2032955 0,01133326 0,83890407
Tobin’s Q
EVAIC → ROE → -0,33345054 0,00969259 0,73879422
 Tobin’s Q
EVAIC → ATO → 0,4411335 0,00948012 0,65911635
Tobin’s Q
Sumber: Calculation For The Sobel Test (Data diolah 2023)

Berdasarkan hasil pengujian pada tabel 2.13, menunjukkan bahwa nilai t

hitung 0,203;(-0,333);0,441 yang artinya lebih kecil dari t tabel < 2,001 dan ρ

value > 0,025 sehingga Ho diterima dan Ha ditolak yang artinya tidak

terdapat pengaruh Intellectual Capital terhadap nilai perusahaan melalui

kinerja keuangan sebagai variabel intervening baik dengan ROA, ROE,

ataupun ATO.

4.5 Analisis Faktor

Berdasarkan hasil penelitian diatas menunjukkan bahwa hasil uji hipotesis

ditolak. Maka dari itu peneliti melakukan pembaharuan terhadap variabel

dalam penelitian dengan membuat variabel baru. Dalam pembetukan variabel

baru peneliti melakukan analisis faktor konfirmatori. Analisis faktor

konfirmatori untuk ketiga atribut kinerja keuangan dilakukan dengan tujuan

untuk menyeleksi seperangkat variabel, sehingga dapat membentuk variabel

representatif baru, yaitu kinerja keuangan.

Menurut Fanani (2009), analisis faktor konfirmatori memiliki kriteria

sebagai berikut:

a) Nilai Kaiser-Meyer-Olkin (KMO) harus lebih besar dari 0,5 atau nilai

probabilitas Batlett’s Test lebih kecil dari 0,05.

 b) Nilai Measure of Sampling Adequacy (MSA) harus lebih besar dari 0,5.

c) Nilai Communalities lebih besar dari 0,5.

d) Hanya satu faktor atau komponen saja yang mempunyai nilai

eigenvalues diatas nilai satu.

e) Melihat nilai loading factor atau lambda value (λ). Loading factor ini

menunjukkan kecocokan dari indikator-indikator pembentuk variabel.

Indikator loading factor ≥ maka disertakan dalam model karena mampu

membentuk variabel dan jika nilai loading factor ≤ 0,4 atribut tersebut

tidak disertakan dalam model.

Langkah selanjutnya melakukan analisis faktor yang akan mengetahui bahwa

apakah dapat membentuk variabel representatif baru.

a. Kaiser Meyer Olkin (KMO) dan Bartlett’s Test

Tabel 4.14 KMO and Bartlett's Test

Kaiser-Meyer-Olkin Measure of Sampling

.392
Adequacy.
Bartlett's Test of Approx. Chi-Square 42.411
Sphericity Df 3
Sig. .000

Berdasarkan hasil uji KMO dan Bartlett’s Test menunjukkan bahwa

nilai KMO belum mencukupi karena nilainya kurang dari 0,5. Namun hasil

perhitungan Bartlett’s Test dianggap sudah memenuhi persyaratan karena

signifikansi lebih kecil dari 0,005 yaitu 0,000. Untuk mengetahui lebih

lanjut apakah variabel-variabel tersebut layak untuk dianalisis, maka

melakukan langkah selanjutnya yaitu melihat nilai Measure of Sampling

Adequacy (MSA).

b. Measure of Sampling Adequacy (MSA)

Langkah selanjutnya yaitu melihat nilai MSA yang bertujuan untuk

mengetahui apakah variabel-variabel tersebut secara parsial layak atau

tidak untuk dianalisis dan tidak dikeluarkan dalam pengujian. Adapun nilai

MSA pada anti image correlation dapat dilihat pada tabel 4.15.

Tabel 4.15 Anti-image Matrices

ROA ROE ATO

Anti-image ROA .477 -.344 -.286
Covariance ROE -.344 .542 .219
ATO -.286 .219 .778
a
Anti-image ROA .429 -.676 -.470
Correlation ROE -.676 .405a .337
ATO -.470 .337 .269a
a. Measures of Sampling Adequacy (MSA)

Berdasarkan tabel 4.15 menunjukkan bahwa nilai MSA lebih kecil

dari 0,5. Hal ini menunjukkan variabel tidak dapat diprediksi. Namun,

dapat diuji ulang dengan mengeluarkan variabel dengan nilai MSA terkecil

yaitu pada variabel ATO.

Tabel 4.16 KMO and Bartlett's Test

Kaiser-Meyer-Olkin Measure of Sampling

.500
Adequacy.
Bartlett's Test of Approx. Chi-Square 28.253
 Sphericity df 1
Sig. .000

Setelah mengeluarkan variabel ATO, nilai KMO memenuhi syarat

yaitu 0,500 dan tingkat signifikansi 0,000. Maka dapat disimpulkan syarat

KMO dan Bartlett’s Test sudah terpenuhi. Selanjutnya, melihat nilai MSA.

Tabel 4.17 Anti-image Matrices

ROA ROE
Anti-image ROA .612 -.381
Covariance ROE -.381 .612
a
Anti-image ROA .500 -.623
Correlation ROE -.623 .500a
a. Measures of Sampling Adequacy (MSA)

Berdasarkan tabel 4.17, hasil MSA menunjukkan 0,500. Dengan

demikian varaibel diatas dapat dilakukan analisis lebih lanjut. Setelah

semua variabel memiliki nilai yang cukup, langkah selanjutnya harus

dilakukan adalah melihat nilai communalities.

c. Communalities

Setelah dilakukan uji asumsi pada analisis faktor dan diperoleh

variabel mana yang memiliki MSA > 0,5 sehingga dapat dilakukan

penelitian lebih lanjut, maka langkah selanjutnya adalah melihat nilai

communalities yang dapat dilihat pada tabel dibawah ini:

Tabel 4.18 Communalities

Initial Extraction
ROA 1.000 .812
ROE 1.000 .812
Extraction Method: Principal Component
Analysis.
 Pada tabel diatas menunjukkan dua variabel yang diuji sudah

memenuhi syarat communalities karena memiliki nilai lebih besar dari 0,5.

Tabel diatas menunjukkan seberapa besar sebuah variabel dapat

menjelaskan faktor. Seperti pada variabel ROA menjelaskan faktor sebesar

81,2% dan ROE menjelaskan faktor sebesar 81,2%. Dikarenakan seluruh

variabel memiliki nilai lebih dari 50%, maka dapat disimpulkan bahwa

semua variabel dapat menjelaskan faktor.

d. Eigenvalue

Pada tabel Total Variance Explained menggambarkan jumlah faktor

yang terbentuk, yakni dapat dilihat dari nilai eigenvalue. Untuk memenuhi

syarat, hanya satu faktor atau komponen saja yang mempunyai nilai

eigenvalue diatas satu.

Tabel 4.19 Total Variance Explained

Initial Eigenvalues Extraction Sums of Squared Loadings
% of Cumulative % of Cumulative
Component Total Variance % Total Variance %
1 1.623 81.153 81.153 1.623 81.153 81.153
2 .377 18.847 100.000
Extraction Method: Principal Component Analysis.
Berdasarkan tabel 4.19 ada 1 komponen yang memiliki nilai

eigenvalue nya lebih dari 1. Maka nilai total yang akan diambil adalah

yang memiliki nilai lebih dari 1, yakni component 1. Setalah mengetahui

 faktor maksimal yang dapat terbentuk adalah 1 faktor. Component Matrix

menunjukkan besarnya korelasi antar variabel dalam faktor yang sudah

terbentuk.

e. Nilai Loading Factor atau Lambda value (λ)

Tabel 4.20 Component

Matrixa
Component
1
ROA .901
ROE .901

Berdasarkan tabel 4.20 menunjukkan bahwa loading factor komponen

tersebut ≥ 0,4 yaitu 0,901, maka dapat disertakan dalam model sebagai 1

faktor. Dengan demikian, variabel ROA dan ROE menjadi 1 faktor yang

memiliki korelasi yang kuat serta dapat membentuk variabel representatif

baru.

Setelah melakukan analisis faktor, untuk analisis lebih lanjut apakah

faktor tersebut berpengaruh atau tidak dengan melakukan analisis regresi

berganda. Dalam penelitian ini menggabungkan 2 variabel dalam 1 faktor

tersebut yaitu ROA dan ROE menjadi variabel profitability.

4.6 Statistik Deskriptif Variabel Penelitian

Tabel 4.21 Statistik Deskriptif

N Minimum Maximum Mean Std.

Deviation
EVAIC 60 3,415 22,914 11,18087 4,784356
Profitability 60 -4,92 13,36 4,0538 4,63030
ATO 60 0,001 6,440 1,94535 1,743593
Tobin’s Q 60 0,010 4,690 1,25883 1,315005
60
Valid N
(listwise)
Sumber: SPSS 22 (Data Diolah 2023)

Berdasarkan tabel 4.21 diketahui variabel Extended VAIC (EVAIC)

memiliki nilai minimum 3,415; nilai maksimum 22,914; nilai rata-rata

11,18087 dan standar deviasi 4,784356. Nilai rata-rata menunjukkan seberapa

besar Intellectual Capital perusahaan sektor teknologi secara keseluruhan.

Perusahaan yang memiliki Intellectual Capital minimum 3,415 adalah PT.

Kioson Komersial Indonesia Tbk tahun 2020. Perusahaan yang memiliki

Intellectual Capital Maksimum 22,914 adalah PT. Anabatic Technologies

Tbk tahun 2018.

Variabel kinerja keuangan (Profitability) memiliki nilai minimum -4,92%;

nilai maksimum 13,36%; nilai rata-rata 4,0538% dan standar deviasi

4,63030%. Nilai rata-rata menunjukkan seberapa besar profitabilitas terutama

perusahaan sektor teknologi secara keseluruhan. Perusahaan yang memiliki

profitability minimum -4,92% adalah PT. Kresna Graha Investama Tbk tahun

2022. Perusahaan yang memiliki profitability maksimum 13,36% adalah PT.

Multipolar Technology Tbk tahun 2018.

Variabel kinerja keuangan (ATO) memiliki nilai minimum 0,001; nilai

maksimum 6,440; nilai rata-rata 1,94535 dan standar deviasi 1,743593. Nilai

rata-rata menunjukkan seberapa besar profitabilitas terutama ATO perusahaan

sektor teknologi secara keseluruhan. Perusahaan yang memiliki profitabilitas

 (ATO) minimum 0,001 adalah PT. Anabatic Technologies Tbk tahun 2018.

Perusahaan yang memiliki profitabilitas (ATO) maksimum 6,440 adalah PT.

M Cash Integrasi Tbk tahun 2022.

Variabel nilai perusahaan (Tobin’s Q) memiliki nilai minimum 0,010; nilai

maksimum 4,690; nilai rata-rata 1,25883 dan standar deviasi 1,315005. Nilai

rata-rata menunjukkan seberapa besar nilai perusahaan perusahaan sektor

teknologi secara keseluruhan. Perusahaan yang memiliki nilai perusahaan

minimum 0,010 adalah PT. Hansel Devest Indonesia Tbk tahun 2020 dan PT.

NFC Indonesia Tbk tahun 2019. Perusahaan yang memiliki nilai perusahaan

maksimum 4,690 adalah PT. Kresna Graha Investama Tbk tahun 2017.

4.7 Hasil Analisis

4.7.1 Uji Asumsi Klasik

4.7.1.1 Uji Normalitas Data

Normalitas data dapat diketahui dengan cara uji kolmogorov-smirnov.

Berdasarkan data pengujian yang diperoleh, maka hasil menunjukkan sebagai

berikut:

Tabel 4.22 Uji Normalitas Data

Model Sig Keterangan

EVAIC → Profitability 0,036 Normalitas tidak terpenuhi
EVAIC → ATO 0,000 Normalitas tidak terpenuhi
 Kinerja Keuangan → Tobin’s Q 0,000 Normalitas tidak terpenuhi
EVAIC → Tobin’s Q 0,000 Normalitas tidak terpenuhi
EVAIC → Kinerja Keuangan → Tobin’s Q 0,000 Normalitas tidak terpenuhi
Sumber: SPSS 22 (Data Diolah 2023)

Berdasarkan hasil analisis diatas menunjukkan bahwa Asymp Sig (2-tailed)

model analisis menunjukkan residual terdistribusi secara tidak normal. Oleh

karena itu, untuk memenuhi kriteria uji normalitas maka dapat dilakukan

suatu transformasi variabel dalam bentuk SQRT. Berikut hasil uji normalitas

setelah dilakukan transformasi data variabel dalam bentuk SQRT.

Tabel 4.23 Uji Normalitas Data setelah Transformasi Data

Model Sig Keterangan

EVAIC → TRFM Profitability 0,093 Normalitas terpenuhi
EVAIC → TRFM ATO 0,200 Normalitas terpenuhi
Kinerja Keuangan → TRFM Tobin’s Q 0,200 Normalitas terpenuhi
EVAIC → TRFM Tobin’s Q 0,200 Normalitas terpenuhi
EVAIC → Kinerja Keuangan → TRFM 0,200 Normalitas terpenuhi
Tobin’s Q
Sumber: SPSS 22 (Data diolah 2023)

Berdasarkan hasil uji normalitas setelah dilakukan transformasi pada tabel

4.23 menunjukkan bahwa Asymp Sig (2-tailed) > 0,05, maka dapat

disimpulkan data berdistribusi secara normal dan kriteria asumsi normalitas

terpenuhi.

4.7.1.2 Uji Heterokedastisitas

Pengujian ini bertujuan untuk mengetahui apakah pada sebuah model

regresi terjadi tidak sama (konstan). Dimana menguji apakah dalam model

regresi terjadi ketidaksamaan variance dari residual satu pengamatan ke

 pengamatan lain. Berdasarkan data pengujian yang diperoleh, maka hasil

menunjukkan sebagai berikut:

Tabel 4.24 Uji Heterokedastisitas

Model Sig. Keterangan

EVAIC → ROA 0,752 Terbebas dari
Heteroskedastisitas
EVAIC → ATO 0,391 Terbebas dari
Heteroskedastisitas
Kinerja Keuangan → ATO 0,886 Terbebas dari
Heteroskedastisitas
EVAIC → Tobi’s Q 0,126 Terbebas dari
Heteroskedastisitas
EVAIC → Kinerja Keuangan → Tobin’s Q 0,051 Terbebas dari
Heteroskedastisitas
Sumber: SPSS 22 (Data Diolah 2023)

Berdasarkan hasil pengujian adalah lebih besar dari 0,05, maka dapat

disimpulkan bahwa data pada penelitian ini terbebas dari heterokedastisitas.

4.7.1.3 Uji Autokorelasi

Uji autokorelasi dilakukan bertujuan untuk mengetahui apakah dalam

sebuah model regresi ada korelasi anatara kesalahan pengganggu pada

periode t dengan kesalahan pada periode t-1 (sebelumnya). Untuk mendeteksi

data autokorelasi dapat menggunakan uji Durbin-Watsen (D-W).

Tabel 4.25 Uji Autokorelasi

Model Durbin- Keterangan

Watson
 EVAIC → Profitability 0,907 Tidak Terjadi Autokorelasi
EVAIC → ATO 1,243 Tidak Terjadi Autokorelasi
Kinerja Keuangan → Tobin’s Q 1,243 Tidak Terjadi Autokorelasi
EVAIC → Tobin’s Q 1,427 Tidak Terjadi Autokorelasi
EVAIC → Kinerja Keuangan → Tobin’s Q 1,287 Tidak Terjadi Autokorelasi
Sumber: SPSS 22 (Data Diolah 2023)

Berdasarkan hasil analisis menunjukkan bahwa nilai Durbin-Watson

semua model berada di antara du dan 4-du (du < DW < 4-du). Dengan

demikian, hasil analisis ketujuh model tersebut menunjukkan tidak terjadi

autokorelasi.

4.7.1.4 Uji Multikolinearitas

Uji multikolinearitas digunakan untuk mengetahui apakah model regresi

ditemukan adanya korelasi antara variabel bebas atau independen. Uji

multikolinearitas dilakukan dengan menggunakan Varian Inflatin Factor

(VIF) dengan kriteria pengambilan keputusan nilai VIF < 10.

Tabel 4.26 Uji Multikolienaritas

MODEL Tolerance VIF Keterangan

EVAIC → Profitability 1,000 1,000 Tidak Terjadi Multikolinearitas
EVAIC → ATO 1,000 1,000 Tidak Terjadi Multikolinearitas
Kinerja Keuangan → Tobin’s Q 0,990 1,010 Tidak Terjadi Multikolinearitas
EVAIC → Tobin’s Q 1,000 1,000 Tidak Terjadi Multikolinearitas
EVAIC → Kinerja Keuangan → Tobin’s Q 0,986 1,014 Tidak Terjadi Multikolinearitas
Sumber: SPSS 22 (Data Diolah 2023)
 Berdasarkan hasil uji multikolinearitas pada tabel 4.6 bahwa nilai tolerance

pada ketujuh model lebih besar dari 0,1000 dan nilai VIF lebih kecil dari 10.

Maka dapat disimpulkan bahwa tidak terjadi multikolinearitas dalam model

regresi penelitian ini.

4.7.2 Analisis Regresi Berganda

Analisis regresi pada dasarnya adalah studi mengenai ketergantungan

variabel dependen (terikat) dengan satu atau lebih variabel independen

dengan tujuan untuk mengetimasi rata-rata populasi atau rata-rata variabel

dependen berdasarkan nilai variabel independen yang diketahui

(Ghozali,2018).

4.7.2.1 Analisis Regresi Model 1

Penelitian ini meregresikan variabel independen yaitu Intellectual Capital

(EVAIC) pada variabel dependen yaitu kinerja keuangan (ROA, ROE, dan

ATO). Hasil output uji hipotesis antara EVAIC terhadap kinerja keuangan

pada perusahaan sektor teknologi sebagai berikut:

Profitability= 3,603 + 0,040 EVAIC

ATO= 1,486 + 0,041 EVAIC

Unstandardized Standardized
Coefficients Coefficients

Model B Std. Error Beta t Sig.

1 (Constant) 3.603 1.542 2.336 .023
 EVAIC .040 .127 .042 .318 .752
a. Dependent Variable: Profitability
Tabel 4.27 Analisis Regresi Model 1

Unstandardized Standardized
Coefficients Coefficients

Model B Std. Error Beta t Sig.

1 (Constant) 1.486 .577 2.573 .013
EVAIC .041 .048 .113 .865 .391
a. Dependent Variable: ATO
Sumber: SPSS 22 (Data Diolah 2023)

Berikut adalah interpretasi dari nilai koefisien regresi di atas:

a. Konstanta sebesar 3,603;1,486 menyatakan bahwa tanpa ada

pengaruh dari Intellectual Capital serta faktor lain, maka variabel

kinerja keuangan perusahaan yang diukur melalui Profitability

dan ATO pada perusahaan sektor teknologi yang terdaftar di BEI

sebesar 3,603;1,486 satuan.

b. Koefisien regresi variabel Intellectual Capital bernilai

0,040;0,041 (positif). Arah positif pada hubungan Intellectual

Capital terhadap kinerja keuangan perusahaan menunjukkan

bahwa setiap terjadi peningkatan Intellectual Capital sebesar satu

satuan, maka akan meningkatkan kinerja perusahaan tanpa

dipengaruhi faktor lainnya.

4.7.2.2 Analisis Regresi Model 2

 Penelitian ini meregresikan variabel independen kinerja keuangan

(Profitability dan ATO) pada variabel dependen nilai perusahaan (Tobin’s Q).

Hasil ouput uji hipotesis pada Kinerja Keuangan terhadap Tobin’s Q sebagai

berikut:

Tobin’s Q=0,756 – 0,005 Profitability + 0, 269 ATO

Tabel 2.28 Hasil Analisis Regresi Model 2

Unstandardized
Coefficients
Standardize
Std. d
Model B t Sig.
Error Coefficients
Beta
(Constant) 0,756 0,273 2,766 0,008
Profitability -0,005 0,035 -0,018 -0,144 0,886
ATO 0,269 0,094 0,357 2,868 0,006
a. Dependent Variable: Tobin’s Q
Sumber: SPSS 22 (Data Diolah 2023)

Berikut adalah interpretasi dari nilai koefisien regresi di atas:

a. Konstanta sebesar 0,756 menyatakan bahwa tanpa ada pengaruh

dari kinerja keuangan serta faktor lain, maka variabel nilai

perusahaan yang diukur melalui Tobin’s Q pada perusahaan

sektor teknologi yang terdaftar di BEI sebesar 0,756 satuan.

b. Koefisien regresi variabel ATO bernilai 0,269 (positif). Arah

positif ini menunjukkan bahwa setiap terjadi peningkatan kinerja

keuangan terutama ATO sebesar satuan, maka akan

meningkatkan nilai perusahaan. Sedangkan koefisien regresi

variabel Profitability bernilai -0,005 (negatif). Arah negatif ini

 menunjukkan bahwa setiap peningkatan kinerja keuangan yaitu

profitability sebesar satuan akan menurunkan nilai perusahaan.

4.7.2.3 Analisis Regresi Model 3

Penelitian ini meregresikan variabel independen Intellectual Capital

(EVAIC) pada variabel dependen nilai perusahaan (Tobin’s Q). Hasil ouput

uji hipotesis pada EVAIC terhadap Tobin’s Q dan Kinerja Keuangan terhadap

Tobin’s Q sebagai berikut:

Tobin’s Q= 1,872 – 0,055 EVAIC

Tabel 4.29 Hasil Analisis Regresi Model 2

Unstandardized
Coefficients
Standardize
Std. d
Model B T Sig.
Error Coefficients
Beta
(Constant) 1,872 0,430 4,359 0,000
EVAIC -0,055 0,035 -0,200 -1,552 0,126
Dependent Variable: Tobin’s Q
Sumber: SPSS 22 (Data Diolah 2023)
Berikut adalah interpretasi dari nilai koefisien regresi di atas:

a. Konstanta sebesar 1,872 menyatakan bahwa tanpa ada pengaruh

dari Intellectual Capital serta faktor lain, maka variabel nilai

perusahaan yang diukur melalui Tobin’s Q pada perusahaan

sektor teknologi yang terdaftar di BEI sebesar 1,872 satuan.

b. Koefisien regresi variabel Intellectual Capital bernilai -0,055

(negatif). Arah negatif pada hubungan antara Intellectual Capital

 terhadap nilai perusahaan menunjukkan bahwa setiap terjadi

peningkatan Intellectual Capital sebesar satuan, maka akan

terjadi penurunan nilai perusahaan tanpa dipengaruhi faktor

lainnya.

4.7.2.4 Analisis Regresi Model 4

Penelitian ini meregresikan variabel independen Intellectual Capital

(EVAIC) pada variabel dependen nilai perusahaan (Tobin’s Q) melalui

kinerja keuangan (Profitability dan ATO). Hasil ouput uji hipotesis pada

EVAIC terhadap Tobin’s Q melalui Profitability dan ATO sebagai berikut:

Tobin’s Q= 1,557 – 0,062 EVAIC + 0,256 ROA – 0,101 ROE + 0,198

ATO

Unstandardized Standardized
Coefficients Coefficients

Model B Std. Error Beta t Sig.

1 (Constant) 1.453 .439 3.307 .002
Profitability -.003 .034 -.010 -.086 .932
ATO .289 .092 .384 3.143 .003
EVAIC -.067 .033 -.242 -1.996 .051
a. Dependent Variable: TOBIN'S Q
Tabel 4.30 Hasil Analisis Regresi Model 4

Sumber: SPSS 22 (Data Diolah 2023)

Berikut adalah interpretasi nilai koefisien regresi di atas:

 a. Nilai konstanta Tobin’s Q akan mencapai 1,453 jika EVAIC dan

kinerja keuangan (Profitability dan ATO) konstan atau nol.

b. Koefisien variabel EVAIC sebesar -0,067 (negatif). Arah negatif

menunjukkan bahwa setiap peningkatan EVAIC akan

menurunkan nilai perusahaan sebesar 0,067 dengan ketentuan

variabel konstan.

c. Koefisien variabel Profitability sebesar -0,003. Koefisien

variabel Profitability terhadap Tobin’s Q bernilai negatif. Hal ini

menunjukkan bahwa setiap peningkatan Profitability akan

menurunkan nilai perusahaan sebesar 0,003 dengan ketentuan

variabel lain konstan.

d. Koefisien variabel ATO sebesar 0,289. Koefisien variabel ATO

terhadap Tobin’s Q bernilai positif. Hal ini menunjukkan bahwa

setiap peningkatan ATO akan meningkatkan nilai perusahaan

sebesar 0,289 dengan ketentuan variabel lain konstan.

4.7.3 Uji Kelayakan Model (Uji F)

Uji ini dilakukan untuk megukur ketepatan fungsi regresi sampel dalam

menaksir nilai aktual secara statistik. Model ini dapat menunjukkan apakah

semua variabel independen yang dimasukkan dalam model akan berpengaruh

terhadap variabel dependen. Hasil uji F adalah sebagai berikut:

Tabel 4.31 Uji Kelayakan Model (Uji F)

 Sumber: SPSS 22 (Data Diolah 2023)
Model F Sig. Keterangan
EVAIC → Profitability 0,101 0,752 Tidak Berpengaruh
Secara Simultan
EVAIC → ATO 0,748 0,391 Tidak Berpengaruh
Secara Simultan
Kinerja Keuangan → Tobin’s Q 4,124 0,021 Berpengaruh Secara
Simultan
EVAIC → Tobin’s Q 2,408 0,126 Tidak Berpengaruh
Secara Simultan
EVAIC → Kinerja Keuangan → 4,221 0,009 Berpengaruh Secara
Tobin’s Q Simultan

Berdasarkan hasil pada tabel 4.31 menunjukkan bahwa pada model 1, yaitu

pengaruh Intellectual Capital terhadap kinerja keuangan (Profitability dan ATO)

diperoleh F statistik sebesar 0,101;0,748 dengan signifikansi sebesar 0,752;0,391.

Hasil pengujian menunjukkan bahwa nilai signifikansi > 0,05 Hasil pengujian

tersebut dapat disimpulkan bahwa Intellectual Capital tidak memiliki pengaruh

signifikan secara simultan terhadap kinerja keuangan baik Profitability ataupun

ATO.

Model ke-2, yaitu kinerja keuangan terhadap nilai perusahaan diperoleh F

statistik sebesar 4,124 dengan signifikansi 0,021. Hasil signifikansi

menunjukkan lebih kecil dari 0,05, maka hasil tersebut menunjukkan bahwa

kinerja keuangan memiliki pengaruh signifikan secara simultan terhadap nilai

perusahaan. Model ke-3, yaitu pengaruh Intellectual Capital terhadap nilai

perusahaan diperoleh F statistik sebesar 2,408 dengan signifikansi 0,126.

Hasil signifikansi menunjukkan lebih besar dari 0,05. Maka hasil pengujian

menunjukkan bahwa Intellectual Capital tidak memiliki pengaruh signifikan

secara simultan terhadap nilai perusahaan.

 Selanjutnya untuk model 4, yaitu pengaruh Intellectual Capital terhadap

nilai perusahaan melalui kinerja keuangan sebagai variabel intervening

memperoleh F statistik 4,221 dengan signifikansi 0,009. Hasil signifikansi

menunjukkan lebih kecil dari 0,05. Oleh karena itu, dapat disimpulkan bahwa

Intellectual Capital memiliki pengaruh signifikan secara simultan terhadap

nilai perusahaan melalui kinerja keuangan sebagai variabel intervening.

4.7.4 Uji Koefisien Determinasi (R2)

Uji ini dilakukan untuk mengetahui seberapa jauh kemampuan model

dalam menerangkan variasi dependen (Ghozali, 2018). Koefisien

penentuannya adalah nilai R-Squared (Ghozali, 2016). Adapun hasil uji

koefisien determinasi adalah sebagai berikut:

Tabel 4.32 Koefisien Determinasi

Model R Square
EVAIC → Profitability 0,002
EVAIC → ATO 0,013
Kinerja Keuangan → Tobin’s Q 0,126
EVAIC → Tobin’s Q 0,040
EVAIC → Kinerja Keuangan → Tobin’s Q 0,184
Sumber: SPSS 22 (Data Diolah 2023)

Berdasarkan tabel 4.32 menyatakan bahwa nilai R-Squared pada model 1

adalah EVAIC terhadap Profitability sebesar 0,002 atau 0,2%, EVAIC dan

EVAIC terhadap ATO sebesar 0,013 atau 1,3%. Hal ini menunjukkan bahwa

kinerja keuangan dipengaruhi oleh Intellectual Capital sebesar 1,5%,

sedangkan sisanya 98,5% dijelaskan oleh faktor lain yang tidak terdapat

dalam penelitian.
 Pada model ke 2 menyatakan bahwa nilai R-Squared kinerja keuangan

terhadap nilai perusahaan (Tobin’s Q) adalah sebesar 0,126 atau 12,6%. Hal

ini mengidentifikasi bahwa nilai perusahaan (Tobin’s Q) dipengaruhi oleh

kinerja keuangan sebesar 12,6%, sedangkan 87,4% dipengaruhi oleh faktor

lain yang tidak terdapat dalam penelitian. Pada model 3 menyatakan bahwa

nilai R-Squared EVAIC terhadap nilai perusahaan (Tobin’s Q) adalah sebesar

0,040 atau 4%. Hal ini mengidentifikasi bahwa nilai perusahaan (Tobin’s Q)

dipengaruhi oleh Intellectual Capital 4%, sedangkan untuk 96% dipengaruhi

faktor lain yang tidak terdapat dalam penelitian.

Selanjutnya nilai R-Squared model 4 adalah EVAIC terhadap Tobin’s Q

melalui kinerja keuangan sebagai variabel intervening sebesar 0,184 atau

18,4%. Hal ini menunjukkan bahwa nilai perusahaan dipengaruhi oleh

Intellectual Capital melalui kinerja keuangan sebesar 18,4%. Sedangkan

untuk 81,6% dipengaruhi oleh faktor lain yang tidak terdapat dalam penelitian

ini.

4.8 Hasil Uji Hipotesis

Penelitian ini menggunakan 2 metode dalam pengujian hipotesis, yaitu

pada hipotesis 1,2, dan 3 menggunakan t-test atau Uji t, sedangkan hipotesis 4

menggunakan metode Product of Coefficient (Uji Sobel).

4.8.1 Uji t
 Uji t pada dasarnya menunjukkan seberapa jauh pengaruh variabel

independen secara inidividual menerangkan variabel dependen (Ghozali,

2011). Adapun hasil Uji t dalam penelitian ini sebagai berikut:

Tabel 4.33 Hasil Uji t

Model t Sig. Keterangan

EVAIC → Profitability 0,318 0,752 Ditolak
EVAIC → ATO 0,865 0,391 Ditolak
Profitability → Tobin’s Q -0,144 0,886 Ditolak
ATO → Tobin’s Q 2,868 0,006 Diterima
EVAIC → Tobin’s Q -1,552 0,126 Ditolak
Sumber: SPSS 22 (Data Diolah 2023)

Pada hipotesis 1, Intellectual Capital terhadap kinerja keuangan

menghasilkan nilai T statistik 0,318;0,865 dengan signifikansi > 0,025. Hasil

pengujian tersebut menunjukkan bahwa Intellectual Capital tidak

berpengaruh signifikan secara langsung terhadap kinerja keuangan walaupun

dengan komponen yang berbeda-beda. Oleh karena itu, hipoteis 1 ditolak.

Hipotesis 2, kinerja keuangan terhadap nilai perusahaan menghasilkan T

statistik -0,144;2,868 dengan signifikansi 0,886;0,006. Hasil ini menunjukkan

bahwa kinerja keuangan yang diukur dengan Profitability tidak berpengaruh

secara signifikan secara langsung terhadap nilai perusahaan. Sedangkan

kinerja keuangan yang diukur dengan ATO berpengaruh secara positif dan

signifikan terhadap nilai perusahaan.

Hipotesis 3, Intellectual Capital terhadap nilai perusahaan menghasilkan

nilai T statistik -1,552 dengan signifikansi 0,126. Hasil pengujian tersebut

menunjukkan bahwa signifikansi > 0,025. Hal ini menunjukkan bahwa

 Intellectual Capital tidak berpengaruh signifikan secara langsung terhadap

nilai perusahaan. Oleh karena itu, hipoteis 2 ditolak.

4.8.2 Uji Sobel

Pengujian ini digunakan untuk mengetahui apakah variabel intervening

yaitu kinerja keuangan dapat memediasi antara Intellectual Capital terhadap

nilai perusahaan. Adapun hasil uji seobel sebagai berikut:

Tabel 4.34 Hasil Uji Sobel

Model T-Statistik Std.Error ρ value

EVAIC → Profitability → -0,13010005 0,00153728 0,89648727
Tobin’s Q
EVAIC → ATO → 0,81848445 0,0134749 0,41308062
Tobin’s Q
Sumber: Calculation For The Sobel Test (Data diolah 2023)

Berdasarkan hasil uji sobel pada tabel 4.34 menunjukkan bahwa nilai T-

statistik lebih kecil dari T-tabel yaitu 2,001 dan ρ value lebih besar dari 0,025.

Sehingga Ho diterima dan Ha ditolak artinya kinerja keuangan baik dengan

pengukuran Profitability ataupun ATO tidak dapat memediasi hubungan

antara Intellectual Capital terhadap nilai perusahaan.

4.9 Pembahasan Hasil Hipotesis

4.9.1 Pengaruh Intellectual Capital terhadap Kinerja Keuangan

 Berdasarkan hasil uji hipotesis, pengungkapan Intellectual Capital secara

signifikan tidak berpengaruh terhadap kinerja keuangan baik dengan

Profitability dan ATO. Intellectual Capital yang diproksikan dengan hasil

penilaian yang dilakukan tidak mampu memberikan pengaruh dan

peningkatan terhadap kinerja keuangan. Hasil ini didukung oleh data hasil

penilaian pada nilai koefisien dan nilai t-statistik yang menunjukkan nilai

yang lebih rendah dibandingkan t-tabel.

Hal ini dapat menunjukkan bahwa Intellectual Capital tidak berpengaruh

pada kinerja keuangan dalam menghasilkan laba. Naiknya beban karyawan

tanpa diiringi peningkatan kinerja menyebabkan beban karyawan bertambah

tetapi laba bersih tidak menunjukkan perubahan yang berarti. Hasil penelitian

ini tidak sejalan dengan penelitian yang dilakukan oleh Sahru I S (2019) yang

menyatakan bahwa Intellectual Capital berpengaruh terhadap kinerja

keuangan. Namun hasil penelitian ini sesuai dengan penelitian yang

dilakukan Putri (2019) yang menunjukkan hasil bahwa Intellectual Capital

tidak berpengaruh terhadap kinerja keuangan.

4.9.2 Pengaruh Kinerja Keuangan terhadap Nilai Perusahaan

Berdasarkan hasil uji hipotesis, kinerja keuangan dengan pengukuran

Profitability secara signifikan tidak berpengaruh terhadap nilai perusahaan.

Sedangkan kinerja keuangan dengan pengukuran ATO secara positif dan

signifikan berpengaruh terhadap nilai perusahaan. Kinerja keuangan yang

diproksikan dengan pengukuran yang berbeda-beda menghasilkan ada yang

 mampu dan tidak mampu membetikan pengaruh dan peningkatan terhadap

nilai perusahaan.

Dikarenakan ATO yang mampu memberikan pengaruh terhadap nilai

perusahaan, dimana ATO merupakan rasio produktivitas yang artinya

perusahaan tersebut lebih meningkat pada produktivitas dibandingkan

Profitabilitas. Hal ini dapat menjadi catatan bagi perusahaan untuk selalu

memperhatikan performa kinerja keuangan khususnya kesehatan profitabilitas

Hasil penelitian ini tidak sejalan penelitian yang dilakukan oleh Putri

(2019) bahwa kinerja keuangan tidak berpengaruh secara signifikan terhadap

nilai perusahaan. Namun penelitian ini didukung dengan penelitian yang

dilakukan oleh Arindha (2018) yang menyatkan bahwa kinerja keuangan

berpengaruh terhadap nilai perusahaan.

4.9.3 Pengaruh Intellectual Capital terhadap Nilai Perusahaan

Berdasarkan hasil uji hipotesis, pengungkapan Intellectual Capital secara

signifikan tidak berpengaruh terhadap nilai perusahaan dengan menggunakan

pengukuran Tobin’s Q. Intellectual Capital yang diproksikan dengan hasil

penelitian yang dilakukan tidak mampu memberikan pengaruh dan

peningkatan terhadap nilai perusahaan. Hasil ini didukung oleh data hasil

penelitian pada nilai koefisien dan nilai t-statistik yang menunjukkan lebih

rendah dari t-tabel.

Hal ini mengidentifikasi bahwa investor belum memberikan penilaian

tinggi terhadap perusahaan yang memiliki Intellectual Capital yang lebih

 tinggi dikarenakan dalam kegiatan operasional perusahaan tampaknya masih

didominasi oleh penggunaan aset fisik untuk meningkatkan nilai perusahaan.

Hasil penelitian ini berbeda dengan penelitian yang dilakukan oleh Putri

(2019) yang mneyatakan bahwa Intellectual Capital berpengaruh terhadap

nilai perusahaan. Namun, penelitian ini sesuai dengan penelitian yang

dilakukan oleh Septiana (2018) yang menyatakan bahwa Intellectual Capital

tidak berpengaruh signifikan terhadap nilai perusahaan.

4.9.4 Pengaruh Intellectual Capital terhadap Nilai Perusahaan Melalui

Kinerja Keuangan Sebagai Variabel Intervening

Berdasarkan hasil uji sobel menunjukkan nilai signifikansi atau ρ value

yang diperoleh lebih besar dari 0,025. Hal ini menyatakan bahwa Intellectual

Capital tidak dapat berpengaruh signifikan terhadap nilai perusahaan melalui

kinerja keuangan yang diukur dengan Profitability ataupun ATO. Hasil

penelitian ini tidak sejalan dengan penelitian yang dilakukan oleh Fitria Sari

(2019) yang menyatakan bahwa kinerja keuangan merupakan variabel

intervening antara Intellecctual Capital dan nilai perusahaan. Namun, haisl ini

konsisten dengan penelitian Atikah Juliani (2019) yang membuktikan bahwa

kinerja keuangan yang diukur dengan profitabilitas bukan merupakan variabel

intervening antara Intellectual Capital dan nilai perusahaan.

Kinerja keuangan bukan merupakan variabel intervening pada hubungan

antara Intellectual Capital dan Nilai Perusahaan. Hal ini terjadi karena pasar

atau investor belum dapat memberikan penilaian yang lebih terhadap

 perusahaan yang telah mengelola Intellectual Capital secara efisien untuk

menggerakkan kinerja keuangan dalam menghasilkan laba. Kontribusi kinerja

keuangan tidak mampu memberikan sinyal posiitf sehingga nilai perusahaan

tidak mengalami perubahan yang signifikan.

BAB V

PENUTUP

5.1 Kesimpulan

Penelitian ini dilakukan untuk menguji dan membuktikan pengaruh

Intellectual Capital terhadap nilai perusahaan dengan kinerja perusahaan

sebagai variabel intervening pada perusahaan sektor teknologi yang terdaftar

di Bursa Efek Indonesia tahun 2017-2022. Dari data dan analisis yang telah

dilakukan dapat disimpulkan:

1. Intellectual Capital tidak memberikan pengaruh yang signifikan

terhadap kinerja keuangan dengan arah positif artinya apabila

Intellectual Capital mengalami kenaikan maka kinerja keuangan

juga akan mengalami kenaikan. Investor tidak memperhatikan

Intellectual Capital dalam memperkirakan kinerja keuangan karena

Intellectual Capital yang dikelola belum efisien untuk memperoleh

laba bersih yang lebih besar daripada biaya usaha yang harus

dikeluarkan perusahaan.
2. Kinerja keuangan yang diukur dengan Profitability tidak

berpengaruh signifikan terhadap nilai perusahaan, sedangkan

kinerja keuangan yang diukur dengan ATO positif dan signifikan

berpengaruh terhadap nilai perusahaan. Artinya perusahaan

tersebut lebih unggul dalam produktivitas yang dapat

meningkatkan nilai perusahaan. Maka dari itu catatan bagi

perusahaan untuk dapat menjaga profitabilitas untuk lebih

meningkatkan performa kinerja perusahaan.

3. Intellectual Capital tidak berpengaruh signifikan terhadap nilai

perusahaan. Hal ini mengidentifikasi bahwa investor belum

memberikan penilaian tinggi dikarenakan dalam kegiatan

operasional perusahaan tampaknya masih didominasi oleh

penggunaan aset fisik untuk meningkatkan nilai perusahaan.

4. Berdasarkan uji sobel bahwa Intellectual Capital terhadap nilai

perusahaan dengan kinerja keuangan sebagai variabel intervening

tidak berpengaruh signifikan. Hal ini menandakan bahwa

kontribusi kinerja keuangan tidak dapat memberikan sinyal positif

terhadap peningkatan nilai perusahaan dikarenakan pasar belum

dapat memberikan penilaian yang lebih terhadap perusahaan yang

telah mengelola Intellectual Capital secara efisien.

5. Kinerja keuangan secara simultan berpengaruh terhadap nilai

perusahaan. Dari variabel independen yang ada, variabel kinerja

keuangan memiliki pengaruh dominan terhadap nilai perusahaan.

 Hal tersebut menandakan bahwa investor pada perusahaan sektor

teknologi memperhatikan performa kinerja keuangan baik

profitabilitas maupun produktivitas.

6. Intellectual Capital dan kinerja keuangan secara simultan

berpengaruh terhadap nilai perusahaan. Dari variabel independen

yang ada, variabel Intellectual Capital memiliki pengaruh dominan

terhadap nilai perusahaan. Hal tersebut menandakan bahwa

investor pada perusahaan sektor teknologi tidak memperhatikan

variabel kinerja keuangan.

5.2 Implikasi Penelitian

Penelitian ini akan memberikan implikasi jika hasil analisis dalam

penelitian ini dapat digunakan sebagai suatu pertimbangan untuk:

1. Aspek Teoritis

Hasil penelitian ini akan memberikan informasi mengenai teori yang

digunakan dalam penelitian yaitu teori Resource Based View (RBV).

Teori ini mendukung bahwa Intellectual Capital memenuhi kriteria

sebagai sumber daya unik yang mampu menciptakan keunggulan

kompetitif sehingga dapat menciptakan nilai bagi perusahaan dan

mampu meningkatkan kinerja perusahaan menjadi semakin baik.

Dengan adanya teori ini dapat memberikan gambaran penyelesaian

dari suatu permasalahan yang terjadi di perusahaan.

2. Aspek Praktis
 Intellectual Capital yang terdapat di dalam perusahaan harus dapat

dikelola dengan baik oleh perusahaan, karena dapat mempengaruhi

kinerja keuangan dan nilai perusahaan. investasi yang utama adalah

investasi dalam pengembangan sistem perusahaan dan pengendalian

internal. Sehingga penelitian ini dapat dijadikan bahan pertimbangan

dalam pengambilan keputusan dan acuan dalam menjalankan kinerja

dalam perusahaan lebih baik bagi manajemen, investor ataupun pihak

berkepentingan lainnya. Selain itu, perusahaan untuk selalu

memperhatikan performa kinerja keuangan khususnya kesehatan

profitabilitas perusahaan.

5.3 Keterbatasan Penelitian

Walaupun peneliti telah merancang dan mengembangkan penelitian ini

sedemikian rupa, akan tetapi masih terdapat keterbatasan dalam penelitian ini

yaitu, sumber data yang digunakan merupakan data sekunder yang pengisian

data tergantung pada kelengkapan laporan keuangan perusahaan.

5.4 Saran

Berdasarkan hasil penelitian yang telah dilakukan, maka saran yang dapat

diberikan bagi peneliti selanjutnya, diharapkan dapat memperluas penelitian

menggunakan proksi lain dari variabel penelitian serta memperluas ruang

lingkup penelitian pada sektor lain untuk pengembangan penelitian yang lebih

baik.
PENGARUH INTELLECTUAL CAPITAL TERHADAP NILAI PERUSAHAAN

DENGAN KINERJA KEUANGAN SEBAGAI VARIABEL

INTERVENING

(Studi Empiris pada Perusahaan Sektor Teknologi yang Terdaftar di

Bursa Efek Indonesia Periode 2017-2022)

By:

Tania Maharani Oktavianingrum 1

Rini Indriani 2

ABSTRAK

Perkembangan sains, teknologi, dan informasi mendorong perusahaan

untuk beralih dari bisnis berbasis tenaga kerja ke bisnis pengetahuan. Oleh karena

itu, Perusahaan mengoptimalkan Intellectual Capital untuk menciptakan nilai

tambah perusahaan agar dapat bersaing dalam bisnis yang kompetitif. Penelitian

ini bertujuan untuk menguji pengaruh Intellectual Capital terhadap nilai

perusahaan melalui kinerja keuangan sebagai variabel intervening pada

perusahaan sektor teknologi yang terdaftar di Bursa Efek Indonesia periode 2017-

2022. Data yang digunakan adalah data sekunder yang berasal dari publikasi

laporan keuangan oleh BEI dan web perusahaan. metode analasis yang digunakan

adalah analisis regresi dan uji sobel. Hasil penelitian menunjukkan secara

simultan Intellectual Capital dan kinerja keuangan (ATO) berpengaruh signifikan

terhadap nilai perusahaan. Secara parsial, Intellectual Capital tidak berpengaruh

secara signifikasn terhadap kinerja keuangan, Intellectual Capital tidak

berpengaruh secara signifikan terhadap nilai perusahaan, serta Intellectual Capital

tidak berpengaruh secara signifikan terhadap nilai perusahaan dengan kinerja

keuangan sebagai variabel intervening. Disarankan bagi perusahaan terknologi

agar lebih mengoptimalkan Intellectual Capital dan kinerja keuangannya sehingga

meningkatkan nilai perusahaan yang akan meyakinkan para investor.

Kata Kunci: Intellectual Capital; Kinerja Keuangan; Nilai Perusahaan

PENGARUH INTELLECTUAL CAPITAL TERHADAP NILAI PERUSAHAAN

DENGAN KINERJA KEUANGAN SEBAGAI VARIABEL

INTERVENING

(Studi Empiris pada Perusahaan Sektor Teknologi yang Terdaftar di

Bursa Efek Indonesia Periode 2017-2022)

By:

Tania Maharani Oktavianingrum 1

Rini Indriani 2

ABSTRACT

Developments in science, technology and information encourage

companies to shift from workforce-based businesses to knowledge businesses.

Therefore, the Company optimizes Intellectual Capital to create added value

for the company so that it can compete in a competitive business. This study
aims to examine the effect of Intellectual Capital on firm value through

financial performance as an intervening variable in technology sector

companies listed on the Indonesia Stock Exchange for the 2017-2022 period.

The data used is secondary data derived from the publication of financial

reports by the IDX and the company's website. The analytical method used is

regression analysis and Sobel test. The results of the study show that

Intellectual Capital and financial performance simultaneously have a

significant effect on firm value (ATO). Partially, Intellectual Capital has no

significant effect on financial performance, Intellectual Capital has no

significant effect on firm value, and Intellectual Capital has no significant

effect on firm value with financial performance as an intervening variable. It is

recommended for technology companies to further optimize their Intellectual

Capital and financial performance so as to increase the value of the company

which will convince investors.

Keywords: Intellectual Capital; Financial Performance; Firm Value