Hasil Pencarian  ::  Simpan CSV :: Kembali

"Beberapa peneliti di beberapa negara yang meliputi Amerika, Eropa, Australia dan Asia telah menggunakan Model Lintner untuk mengestimasi Target Dividend Payout Ratio (TDPR) dan Speed of Adjustment (SOA). Sehubungan dengan hal di atas, penulis mencoba menerapkan Model Lininer di Indonesia untuk mengestimasi TDPR dan SOA dalam kurun waktu penelitian tahun 1986 sampai dengan 1993. Dari data yang diperoleh penulis mencoba mengelompokan kedalam 1) Periode, 2) Tingkat DER, 3) Tingkat Resiko dan 4) Jenis Industri. * Hasil penelitian di Indonesia dibandingkan dengan hasil penelitian beberapa peneliti di luar negeri menunjukkan : - Rata-rata SOA di Indonesia lebih besar dari rata-rata SOA hasil penelitian beberapa peneliti di luar negeri kecuali hasil penelitian Shelvin di Australia. - Rata-rata TDPR di Indonesia lebih besar dari rata-rata TDPR hasil penelitian beberapa peneliti di luar negeri kecuali penelitian Roy dan Cheung di Amerika dan Ryan di Inggris. * Hasil penelitian pada kurun waktu 1986 s/d 1989 dibandingkan kurun waktu 1990 s/d 1993 menunjukkan : - Rata-rata SOA kurun waktu 1986 s/d 1999 lebih besar dari rata-rata SOA kurun waktu 1990 s/d 1993. - Rata-rata TDPR kurun waktu 1986 s/d 1989 lebih besar dari rata-rata TDPR kurun waktu 1990 s/d 1993. Berdasarkan pengamatan penulis hasil tersebut disebabkan faktor dari dalam perusahaan : Rata-rata DER kurun waktu 1986 s/d 1989 lebih rendah dari kurun waktu 1990 s/d 1993. Rata-rata ROE kurun waktu 1986 s/d 1989 lebih tinggi dari kurun waktu 1990 s/d 1993. Faktor dari luar perusahaan : - Pada kurun waktu 1986 s/d 1989 investor masih dividend oriented dan pendapatan bebas resiko relatif tinggi. - Pada kurun waktu 1990 s/d 1993 investor telah capital gain oriented. Hasil ini sekaligus MENERIMA HIPOTESA yang menyatakan bahwa TDPR perusahaan secara umum pada kurun waktu 1990 s/d 1993 lebih kecil dari TDPR kurun waktu 1986 s/d 1989. * Hasil penelitian Kelompok DER Rendah dibandingkan Kelompok DER Tinggi menunjukkan : Rata-rata SOA Kelompok DER Rendah lebih rendah dari rata-rata SOA Kelompok DER Tinggi. Rata-rata TDPR Kelompok DER Rendah lebih tinggi dari rata-rata TDPR Kelompok DER Tinggi. Berdasarkan pengamatan penulis hasil ini disebabkan : - Kelompok DER Rendah mempunyai kernampuan lebih tinggi dibandingkan Kelompok DER Tinggi dalam menjamin hutangnya dari laba yang diperoleh. Kemarnpuan menaamin hutang dari laba yang diperoleh dicerminkan oleh besarnya Ratio ROE Terhadap DER. Hasil ini sekaligus MENERIMA HIPOTESA yang menyatakan bahwa TDPR Kelompok DER-Rendah lebih tinggi dari TDPR Kelompok DER Tinggi. Hasil penelitian Kelompok Resiko Rendah dibandingkan Kelompok Resiko Tinggi. Rata-rata SOA Kelompok DER Rendah lebih rendah dari Kelompok DER Tinggi. Rata-rata TDPR Kelompok DER Rendah lebih rendah dari Kelompok DER Tinggi. Hasil ini bertentangan dengan pernyataan beberapa penulis yang menyatakan perusahaan yang mempunyai resiko (standard deviasi ROE) tinggi cenderung membagikan dividen yang rendah. Dari pengamatan penulis hasil tersebut disebabkan pertimbangan tingkat DER dan tingkat ROE dalam menetapkan kebijaksanaan dividen di Indonesia lebih dominan dari pada pertimbangan tingkat resiko. Hasil ini sekaligus MENOLAK HIPOTESA yang menyatakan bahwa TDPR Kelompok Resiko Rendah lebih besar dari TDPR Kelompok Resiko Tinggi. Perbandingan hasil penelitian antar Kelompok Industri. - Rata-rata BOA tertinggi adalah Kelompok Industri Lain-lain, disusul Kelompok Industri Manufaktur dan terendah adalah Kelompok Industri Keuangan. - Rata-rata TDPR tertinggi adalah Kelompok Manufaktur, disusul Kelompok Industri Lain-lain dan terkecil adalah Kelompok Industri Keuangan. Hasil ini disebabkan Kelompok Industri Manufaktur mempunyai Ratio ROE Terhadap DER terbesar disusul Kelompok Industri Lain-lain dan terkecil Kelompok Industri Keuangan."

"Regresi linier merupakan suatu metode yang dapat digunakan untuk memodelkan hubungan antara suatu variabel terikat terhadap satu atau lebih variabel penjelas. Terdapat beberapa asumsi yang harus dipenuhi pada model regresi linier, yaitu komponen error berdistribusi normal dengan mean nol, variansi error konstan (homoskedastis), dan error antar observasi saling bebas. Pada saat menganalisis data spasial dengan menggunakan model regresi linier, asumsi homoskedastis terkadang tidak dapat terpenuhi karena kondisi data pada satu lokasi berbeda dengan kondisi data pada lokasi lainnya. Model Geographically Weighted Regression (GWR) dapat digunakan untuk mengatasi masalah heterogenitas spasial. Parameter model GWR dapat ditaksir dengan menggunakan dasar metode Weighted Least Squares (WLS) dimana bobotnya merupakan fungsi pembobot kernel. Fungsi pembobot kernel yang digunakan pada penelitian ini adalah fungsi pembobot kernel Gaussian. Pada bagian akhir penulisan, diberikan contoh aplikasi model GWR dengan menggunakan data klaim rawat inap peserta asuransi kesehatan PT. XYZ untuk melihat hubungan antara total biaya rawat inap terhadap lamanya pasien dirawat inap dan kelas kamar rumah sakit yang ditempati pasien selama menjalani rawat inap untuk diagnosa tipes, DBD, dan diare. Dari hasil penelitian, hanya diagnosa tipes dan DBD yang dapat dianalisis dengan GWR. Berdasarkan peta penyebaran hasil taksiran parameter model GWR dan taksiran rata-rata total biaya rawat inap pasien dengan diagnosa tipes dan DBD, terlihat adanya variasi biaya di rumah sakit yang satu dengan rumah sakit lainnya.

---

Linear regression is a method that can be used to model the relationship between a dependent variable to one or more explanatory variables. There are some assumptions that must be fulfilled in the linear regression model, such as the error term is normally distributed with mean zero, a constant variance (homoscedastic), and independent among observations. When analyzing spatial data using a linear regression model, sometimes the homoscedastic assumption cannot be fulfilled because data condition on one location differ compared to others.

Geographically Weighted Regression (GWR) model is used to overcome the spatial heterogeneity problem. Parameters of GWR model can be estimated using Weighted Least Squares (WLS) method as the basic of estimating parameters using kernel weighting function. The kernel weighting function used here is Gaussian kernel weighting function. At the last chapter, there is an example of the GWR model application by using inpatient claims data of PT. XYZ members to see the relationship between the total inpatient cost to length of stay and hospital’s room rate for typhoid, DBD, and diarrhea.

From the result, only typhoid and DBD that can be analyzed with GWR model. Based on the map of parameter estimates on GWR model and average of total inpatient cost for typhoid and DBD, it shows that there is a variation of inpatient cost between one hospital and the others."