ANALISIS PERBANDINGAN TINGKAT AKURASI MODEL PREDIKSI FINANCIAL DISTRESS (Studi kasus Pada Sektor Pertambangan yang Terdaftar di BEI Periode 2012- 2016) SKRIPSI Oleh: Sena Sabrina 11140810000021 JURUSAN MANAJEMEN FAKULTAS EKONOMI DAN BISNIS UNIVERSITAS ISLAM NEGERI SYARIF HIDAYATULLAH JAKARTA 1439 H/2018 M
159
Embed
ANALISIS PERBANDINGAN TINGKAT AKURASI MODEL PREDIKSI …repository.uinjkt.ac.id/dspace/bitstream/123456789/39853... · 2018-06-29 · ANALISIS PERBANDINGAN TINGKAT AKURASI MODEL PREDIKSI
This document is posted to help you gain knowledge. Please leave a comment to let me know what you think about it! Share it to your friends and learn new things together.
Transcript
ANALISIS PERBANDINGAN TINGKAT AKURASI MODEL PREDIKSI
FINANCIAL DISTRESS
(Studi kasus Pada Sektor Pertambangan yang Terdaftar di BEI Periode 2012-
2016)
SKRIPSI
Oleh:
Sena Sabrina
11140810000021
JURUSAN MANAJEMEN
FAKULTAS EKONOMI DAN BISNIS
UNIVERSITAS ISLAM NEGERI SYARIF HIDAYATULLAH
JAKARTA
1439 H/2018 M
2
ii
iii
iv
DAFTAR RIWAYAT HIDUP
I. IDENTITAS PRIBADI
1. Nama : Sena Sabrina
2. Tempat Tanggal lahir : Jakarta, 23 Mei 1996
3. Usia : 21 Tahun
4. Jenis Kelamin : Perempuan
5. Alamat : Komp. Karang Tengah Permai, Jl. Rinjai
4. Mentor OPAK Jurusan Manajemen periode 2016 (2015-2017)
5. Bendahara “KERAMIK” Jurusan Manajemen FEB Universitas Islam
Negeri Syarif Hidayatullah Jakarta periode (2017)
6. Bendahara Kuliah Kerja Nyata (KKN) GRENADE universitas Islam
Negeri Syarif Hidayatullah Jakarta periode (2017).
vi
ABSTRACT
This study aims to determine the difference between the Modified Altman model, the Zmijewski model, the Grover model, the Springate model, to predict financial distress, and to find out which Financial Distress prediction model is best for mining companies in Indonesia. Complementary models are created by analyzing each model, using the real state of the company's net profit. The population is a mining companies listed on the Indonesia Stock Exchange period 2012-2016. This research using purposive sampling method with the number of samples obtained as many as 60 samples which 30 samples is financial distress and the rest is non financial distress. In this research using logistic regression test, regression feasibility model test, fit model fit test, and regression coefficient test. The results indicates that all the prediction models this research can be used to predict the financial distress, which the Grover model has the best accuration with 85%, the second Springate models has 81,67%, the tirth Modified Altman model has 75%, and the last Zmijewski model with 56,67%. Keywords: financial distress, Modified Altman Model, Zmijewski Model, Grover
Model, Springate Model, Logistic Regression
vii
ABSTRAK
Penelitian ini bertujuan untuk mengetahui perbedaan antara model Altman Modifikasi, model Zmijewski, model Grover, model Springate, untuk memprediksi financial distress, dan untuk mengetahui model prediksi Financial Distress mana yang memiliki implementasi paling baik pada perusahaan pertambangan di Indonesia. Perbandingan keempat model tersebut dibuat dengan menganalisis akurasi masing-masing model, dengan menggunakan kondisi riil laba bersih perusahaan. Populasi yang digunakan adalah perusahaan pertambangan yang terdaftar di Bursa Efek Indonesia periode 2012-2016. Teknik pengambilan sampel adalah purposive sampling dengan total sampel yang diperoleh 60 sampel dimana 30 sampel financial distress dan sisanya non financial distress. Dalam penelitian ini akan digunakan uji regresi logistik, meliputi uji kelayakan model regresi, uji overall model fit, dan uji koefisien regresi. Hasil dari penelitian ini menunjukkan bahwa model prediksi yang digunakan dalam penelitian ini dapat digunakan untuk memprediksi Financial Distress. Model Grover memiliki tingkat akurasi terbaik dengan 85%, kedua adalah model Springate dengan 81,67%, ketiga adalah model Altman Modifikasi dengan 75%, dan terakhir adalah model Zmijewski dengan 56.67%.
Kata kunci: financial distress, Model Altman Modifikasi, Model Zmijewski,
Model Grover, Model Springate, Regresi logistik
viii
KATA PENGANTAR
Assalamu’alaikum wr.wb
Puji dan syukur penulis panjatkan atas kehadirat Allah SWT yang telah
melimpahkan rahmat dan karunianya. Tidak lupa shalawat serta salam senantiasa
tercurah kepada junjungan Nabi besar Muhammad SAW, berserta keluarga dan
para sahabatnya. Sehingga penulis dapat menyelesaikan skripsi yang berjudul
“Analisis Perbandingan Tingkat Akurasi Model Prediksi Financial Distress”
(Studi Kasus Pada sektor pertambangan yang Terdaftar di Bursa Efek Indonesia
Tahun 2012-2016).
Penyusunan skripsi ini ditunjukan untuk memenuhi persyaratan memperoleh
gelar Sarjana Ekonomi pada Fakultas Ekonomi dan Bisnis Jurusan Manajemen di
Universitas Islam Negeri Syarif Hidayatullah Jakarta.
Penulis juga menyadari bahwa tanpa bantuan dari berbagai pihak, penulisan
skripsi ini tidak akan terwujud dengan baik. Oleh karena itu, dalam kesempatan
ini penulis juga ingin menyampaikan banyak ucapan terimakasih kepada:
1. Kedua orang tua tercinta, ayah H. Nahwin dan mamah Titin yang telah
memberikan doa, dukungan moril maupun materil kepada penulis. Segala
sesuatu yang kalian berikan tidak akan tergantikan oleh apapun.
2. Bapak Dr. M. Arief Mufraini, Lc, M.Si., Selaku Dekan Fakultas Ekonomi dan
Bisnis UIN Syarif Hidayatullah Jakarta.
3. Ibu Titi Dewi Warninda , SE, M.Si., Selaku Kepala Jurusan Manajemen
Fakultas Ekonomi dan Bisnis UIN Syarif Hidayatullah Jakarta.
4. Ibu Ela Patriana, ST, MM., Selaku Sekretaris Jurusan Manajemen Fakultas
Ekonomi dan Bisnis UIN Syrarif Hidayatullah Jakarta.
5. Bapak Dr. Taridi Kasbi Ridho, SE, MBA., selaku dosen pembimbing skripsi I
yang telah berkenan memberikan waktu, ilmu dan pengetahuan serta
bimbingan dan arahan kepada penulis selama penulis menyusun skripsi.
ix
6. Bapak Deni Pandu Nugraha, SE, M.Sc., selaku dosen pembimbing II yang
telah berkenan memberikan waktu, ilmu dan pengetahuan serta bimbingan
dan arahan kepada penulis selama penulis menyusun skripsi.
7. Bapak Hemmy Fauzan, SE, MM., selaku dosen pembimbing akademik.
8. Seluruh Staf Tata Usaha dan Karyawan Fakultas Ekonomi dan Bisnis
Universitas Islam Negeri Syarif Hidayatullah Jakarta yang telah membantu
penulis dalam mengurus segala kebutuhan terkait administrasi dan lain-lain.
9. Bapak dan Ibu Dosen Fakultas Ekonomi dan Bisnis UIN Syarif Hidayatullah
Jakarta yang telah memberikan ilmu dan pengetahuan kepada penulis selama
penulis dalam masa perkuliahan.
10. Seluruh keluarga Besar H. Asnawi (emak, baba, ibu, ncing, om, uwa, sepupu-
sepupu ku) yang telah memberikan semangat serta doa yang tiada henti
kepada penulis. Terutama untuk adikku Raisa, Adelia, dan Rama. Tidak lupa
kepada om Zaenal yang telah sangat membantu penulis dalam melakukan
penulisan ini.
11. Sahabat-sahabat terkasih “4shbt” Vivi, Adisty, dan Hanni, yang telah
memotivasi dan menghadirkan suasana penuh canda tawa.
12. Sahabat-sabahat terkasih “DKK” Laras, Nabila, Yule, Virdya, dan Annisa
yang selalu memberikan semangat dan motivasi kepada penulis.
13. Kawan-kawan terkasih semasa kuliah Delfi, Annisa, Emil, Racil, Ningrum,
Sarah, Vivin, Mariah, dan Desi, yang telah membuat masa perkuliahan
penulis menjadi berwarna dan berkesan. Terimakasih untuk selalu ada dalam
berbagai kesempatan selama masa perkuliahan. Berharap akan terus terjalin
Klasifikasi perusahaan yang distress dan non distress pada nilai
Z-score model Altman revisi (1983), yaitu:
a) Jika nilai Z’ < 1,23 maka termasuk perusahaan distress
b) Jika nilai Z’ 1,23 < Z < 2,9 maka termasuk grey area (tidak
dapat ditentukan apakah perusahaan distress atau non
distress)
c) Jika nilai Z’ > 2,9 maka termasuk perusahaan non distress
3) Model Altman Modifikasi
Penyesuian terhadap berbagai jenis perusahaan Altman
kemudian memodifikasi modelnya agar dapat digunakan oleh
semua perusahaan, seperti manukfatur dan non manufaktur. Ini
adalah persamaan untuk model Altman modifikasi:
Keterangan:
Z’’ = Altman Score
X1 = Working capital/total assets
X2 = Retained earnings/total assets
X3 = Earnings before interest and taxes/total assets
X4 = Book value of equity/book value of total debt
Klasifikasi perusahaan yang distress dan non distress pada
nilai Z-score model Altman Modifikasi (1995), yaitu:
a) Jika nilai Z ≤ 2,6 maka termasuk perusahaan distress;
Z’’ = 6,56 X1 + 3,26 X2 + 6,72 X3 + 1,05 X4
35
b) Jika nilai Z > 2,6 maka termasuk perusahaan non distress
b. Model Zmijewski
Menurut Prihanthini (2013), model prediksi yang dihasilkan oleh
Zmijewski pada tahun 1983 merupakan hasil riset kurang lebih
selama 20 tahun yang telah diulang. Model ini menghasilkan rumus
sebagai berikut:
Keterangan:
X = Zmijewski Score
X1 = ROA (return on assets)
X2 = Total Debt/total assets
X3 = Current assets/current liabilities
Klasifikasi perusahaan yang distress dan non distress pada nilai X-
score model Zmijewski (1983), yaitu:
1) Jika nilai X > 0 maka termasuk perusahaan distress
2) Jika nilai X < 0 maka termasuk perusahaan non distress
c. Model Grover
Model Grover merupakan model yang diciptakan dengan
melakukan penilaian ulang terhadap model Altman Z-score. Jeffrey S.
Grover menggunakan sampel sesuai dengan model Altman Z-score
pada tahun 1968, dengan menambahkan 13 rasio keuangan yang baru
(Ni Made, 2013). Jeffrey S. Grover (2001) menghasilkan rumus
sebagai berikut:
X = -4,3 – 4,5 X1 + 5,7 X2 – 0,004 X3
36
Keterangan:
G = Grover Score
X1 = Working capital/total assets
X2 = Earnings before interest and taxes/total assets
X3 = ROA (return on assets)
Klasifikasi perusahaan yang distress dan non distress pada nilai X-
score model Grover (1983), yaitu:
1) Jika nilai X > 0,02 maka termasuk perusahaan distress
2) Jika nilai X ≤ 0,02 maka termasuk perusahaan non distres
d. Model Springate
Menurut Wulandari (2014), model Springate dikembangkan pada
tahun 1978 oleh Gorgon L. V. Springate. Model Springate adalah
model rasio yang menggunakan multiple discriminant analysis atau
MDA untuk memilih 4 rasio dari 19 rasio keuangan yang popular
dalam literature, yang mampu membedakan secara terbaik antara
perusahaan yang distress dan non distress. Rumus model Springate
adalah:
Keterangan:
S = Springate score
X1 = Working capital/total assets
X2 = Earnings before interest and taxes/total assets
G = 1,650 X1 + 3,404 X2 – 0,016 X3 + 0,057
S = 1,03 X1 + 3,07 X2 + 0,66 X3 + 0,4 X4
37
X3 = Earnings before taxes/current liabilities
X4 = Total sales/total assets
Klasifikasi perusahaan yang distress dan non distress pada nilai S-
score model Springate (1978), yaitu:
1) Jika nilai S < 0,862 maka termasuk perusahaan distress
2) Jika nilai S > 0,862 maka termasuk perusahaan non distress
B. Penelitian Terdahulu
Berbagai penelitian telah dilakukan oleh beberapa peneliti terhadap kajian
financial distress, dengan memakai alat ukur yang berbagai jenis dan juga
sektor yang beragam. Berikut ini adalah beberapa penelitian terdahulu yang
mengkaji model dari financial distress:
Tabel 2.1
Penelitian Terdahulu
No.
Nama Peneliti
Judul Peneliti
Variable Independen
Model Analisis
Hasil
1 Abolfazl Aminian, Hedayat Mousazade, dan Omid Imani Khoshkho (2016)
Investigate the Ability of Bankruptcy Prediction Models of Altman and Springate and Zmijewski and Grover in Tehran Stock Exchange
Model Altman, Model Springate, Model Zmijewski, dan Model Grover
Analisis regresi
Model prediksi financial distress yang lebih baik adalah model Grover dibanding dengan model lainnya yaitu Zmijewski, Altman, dan Springate.
38
2 Barbara Gunawan, Rahadien Pamungkas, Desi Susilawati (2017)
Perbandingan Prediksi Financial Distress Dengan Model Altman, Grover, dan Zmijewski
Model Altman, Grover, dan Zmijewski
Analisis regresi
Hasil perbandingan ketiga model prediksi financial distress menunjukkan bahwa tingkat akurasi prediksi financial distress tertinggi hingga terendah berturut-turut yaitu model Zmijewski, model Grover dan Model Altman.
3 Ni Made Evi Dwi Prihanthini dan Maria M. Ratna Sari (2013)
Prediksi Kebangkrutan Dengan Model Grover, Altman Z-score, Springate, dan Zmijewski Pada Perusahaan Food and Beverage di Bursa Efek Indonesia.
Model Grover, model Altman Z-score, model Springate, dan model Zmijewski
uji paired samplet-test
Model Grover merupakan model prediksi yang paling sesuai diterapkan pada perusahaan Food and Beverage yang terdaftar di Bursa Efek Indonesia (BEI) karena model ini memiliki tingkat keakuratan yang paling tinggi dibandingkan dengan
39
model prediksi lainnya yaitu sebesar 100%. Sedangkan model Altman Z-Score memiliki tingkat akurasi sebesar 80%, model Springate 90% dan model Zmijewski sebesar 90%.
4. M. Fakhri Husein dan Galuh Tri Pambekti (2014)
Precision of the models of Altman, Springate,Zmijewski, and Grover for predicting the financial distress
Model Altman, Model Springate, Zmijewski, and Model Grover
Binary Logistic Regression
Model Zmijewski adalah model yang paling tepat digunakan untuk memprediksi kesulitan keuangan karena memiliki tingkat tertinggi signifikansi dibandingkan dengan model lainnya.
5. Rizky Teguh Wibisono, Emrinaldi Nur DP, dan Julita
Analisis Tingkat Kebangkrutan Model Altman,
Model Altman, Model Foster, dan Model Springate
Paired Sample t-test
Perbandingan metode analisis yang lebih baik digunakan dalam
40
(2014) Foster, Springate Pada Perusahaan Property and Real Estate Go Public di Bursa Efek Indonesia
memprediksi tingkat kebangkrutan pada perusahaan property and real estate go public periode 2008-2011 adalah metode Springate.
6. Anggi Meiliawati (2016)
Analisis Perbandingan Model Springate dan Altman Z-score Terhadap Potensi Financial Distress (Studi Kasus Pada Perusahaan Sektor Kosmetik yang Terdaftar di Bursa Efek Indonesia)
Model Springate dan Altman Z-score
Paired Sample t-test
Model Springate merupakan model terakurat dalam memprediksi potensi Financial Distress perusahaan sektor kosmetik yang terdaftar di Bursa Efek Indonesia.
7. Randy Kurnia Permana, Nurmala Ahmar, Syahril Djaddang (2017)
Prediksi Financial Distress pada Perusahaan Manufaktur di Bursa Efek Indonesia
Model Grover, model Springate, dan model Zmijewski
Uji chi-square
Model Springate merupakan model yang memprediksi status financial distress terbanyak dibandingkan dengan
41
kedua model lainnya dan memiliki persentase status non distress terkecil diantara model lainnya
8. Liza Novietta dan Kersna Minan (2017)
Komparasi Model Kebangkrutan Pada Perusahaan Tekstil dan Garmen Yang Terdaftar di Bursa Efek Indonesia.
Model Altman Modifikasi, Model Ohlson, dan Model Zmijewski
Uji Paired sample t-test
hasil penelitian model Altman Modifikasi memiliki tingkat akurasi yang lebih baik dibandingkan dengan model Ohlson dan Zmijewski
9. Sahala Manalu, Rony Jojo Negoro, Octavianus dan Galuh Safarina Sari Kalmadara (2017)
Financial Distress Analysis With Altman Z-Score Approach and Zmijewski X-Score on Shipping Service Company
Model Altman dan Zmijewski
Deskriptive Research
Hasil penelitian menyatakan bahwa kedua model memiliki hasil yang sama, tetapi perbedaannya hanya kondisi keuangan saja.
10. Imad Kutum (2015)
Predicting the Financial Distress of Non-Banking
Model Altman
Descriptive Statistic
Model altman mengklasifikasi tingkatan posisi keuangan,
42
Companies Listed on the Palestine Exchange (PEX)
aman, grey area, dan distress. 52% mengalami financial distress, 24% grey area, dan 24% di zona aman.
Perbedaan penelitian yang penulis buat dengan penelitian sebelumnya
adalah Peneliti menggunakan empat model yang dibandingkan yaitu model
Altman Modifikasi, model Zmijewski, model Grover, dan Model Springate.
Penulis juga menggunakan sektor yang berbeda dengan penelitian terdahulu
yaitu sektor pertambangan. Serta periode tahun yang digunakan 2012-2016
43
C. Kerangka Pemikiran
Berikut adalah gambar kerangka pemikiran dari penelitian ini:
Analisis Perbandingan Model Prediksi Financial Distress (Studi Kasus Pada Sektor Pertambangan yang Terdaftar di Bursa Efek
Uji Overall Model Fit (Beginning Block dan Model Summary α =
5%)
Uji Koefisien Regresi
(Variable in the Equation α = 5%)
Model Altman:
WCTA
EBITTA
RETA
BVEBVD
44
D. Keterkaitan Antar Variabel
1. Rasio Working Capital To Total Assets dan Kondisi Financial Distress
Rasio working capital to total assets merupakan rasio yang
menunjukkan perbandingan modal kerja (aktiva lancar - hutang lancar)
dengan total aktiva. Setiap perusahaan dalam menajalankan aktivitas dan
operasinya selalu membutuhkan modal kerja (working capital). Semakin
besar aktiva lancar terhadap kewajiban lancar artinya perusahaan
mempunyai modal kerja positif yang menunjukan semakin besar
kemampuan perusahaan untuk membayar kewajibannya (Widiyawati dkk,
2015).
Munawir (2002) mengatakan bahwa adanya modal kerja yang cukup
sangat penting bagi suatu perusahaan karena dengan modal kerja yang
cukup memungkinkan bagi perusahaan untuk beroperasi dengan
seekonomis mungkin dan perusahaan tidak mengalami kesulitan atau
menghadapi bahaya-bahaya yang mungkin timbul karena adanya krisis
keuangan. Jika, modal kerja bersih memiliki nilai negatif, maka berarti
perusahaan tersebut mengalami kesulitan likuiditas. Hal itu membuat
probabilitas terjadinya financial distress pada perusahaan semakin besar.
2. Rasio Retained Earning To Total Assets dan Kondisi Financial distress
Rasio retained earning to total assets menunjukan kemampuan
perusahaan untuk menghasilkan laba ditahan dari total aktiva perusahaan.
Laba ditahan merupakan laba yang tidak dibagikan kepada para
pemegang saham (Sunyoto, 2013:33). laba ditahan nantinya akan menjadi 45
sumber internal perusahaan untuk digunakan sebagai sumber pendanaan
perusahaan dalam melakukan pengeluaran modal atau investasi.
Rasio ini juga berpengaruh terhadap umur perusahaan karena
semakin lama perusahaan beroperasi memungkinkan untuk memperlancar
akumulasi laba ditahan. Adanya keuntungan akan memperbesar retained
earnings yang ini berarti akan memperbesar modal sendiri. Sebaliknya
adanya kerugian yang diderita akan memperkecil retained earnings yang
berarti akan memperkecil modal sendiri. Dengan kata lain rasio RETA
rendah menunjukan kemampuan aktiva perusahaan tidak produktif dan
semakin mempersulit keuangan perusahaan dalam pendanaan ataupun
investasi sehingga dapat menyebabkan terjadinya financial distress.
3. Rasio Earning Before Interest and Tax To Total Assets dan Kondisi
Financial Distress
Rasio Earning Before Interest and Tax To Total Assets merupakan
laba yang diperoleh perusahaan sebelum dikurangi dengan pajak dan
bunga. Rasio ini merupakan pengukuran produktivitas dari aktiva
perusahaan yang sesungguhnya terlepas dari pajak. Keadaan bangkrut
terjadi jika total kewajiban melebihi penilaian wajar perusahaan terhadap
aset perusahaan dengan nilai ditentukan oleh kemampuan aset
menghasilkan laba (Gamayuni, 2011). Semakin tinggi rasio ini berarti
semakin efektif dan efisiensi pengelolaan seluruh aktiva yang dimiliki
perusahaan untuk menghasilkan laba sebelum pajak dan bunga. Apabila
perusahaan memiliki nilai rasio yang rendah maka dapat memicu 46
terjadinya financial distress, karena perusahaan tidak mampu mengelola
seluruh aktivanya dalam menghasilkan laba sebelum pajak dan bunga.
4. Rasio Book Value Of Equity To Book Value Of Debt dan Kondisi
Financial Distress.
Rasio ini menggambarkan kemampuan perusahaan dalam memenuhi
kewajiban dengan nilai buku ekuitas yang dimiliki oleh perusahaan. Nilai
buku ekuitas memberikan informasi mengenai besarnya nilai dari sumber
daya atau modal yang dimiliki oleh perusahaan. Nilai buku ekuitas dapat
dihitung dengan mengurangi jumlah total aset dengan jumlah total
kewajiban. Sedangkan nilai buku kewajiban memberikan informasi
mengenai besarnya jumlah hutang yang dimiliki oleh perusahaan. Nilai
buku kewajiban dapat dihitung dengan menjumlahkan total kewajiban
jangka pendek dan total kewajiban jangka panjang.
Jika nilai rasio ini bersifat negatif (semakin kecil), hal tersebut
menandakan semakin kecil pula kemampuan perusahaan dalam
memenuhi kewajibannya dari ekuitas, sehingga probabilitas financial
distress bagi perusahaan adalah semakin tinggi (Mochamad dan Tri,
2014).
5. Rasio Return On Assets (ROA) dan Kondisi Financial Distress
Rasio Return On Assets merupakan rasio yang digunakan untuk
mengukur efektivitas perusahaan dalam menghasilkan keuntungan dengan
memanfaatkan aktiva yang dimilikinya (Kasmir, 2009:57). ROA yang
positif menunjukan keseluruhan aktiva yang dipergunakan untuk operasi 47
perusahaan mampu memberikan laba bagi perusahaan. Begitupun
sebaliknya, ROA negatif menunjukan aktiva yang digunakan untuk
operasi perusahaan tidak mampu memberikan laba bagi perusahaan.
Semakin besar ROA menunjukan kinerja keuangan yang semakin baik,
karena tingkat pengembalian (return) semakin besar. Apabila ROA
meningkat, berarti profitabilitas perusahaan meningkat. Dengan demikian
semakin tinggi nilai rasio ROA maka semkain rendah kemungkinan
terjadinya financial distress. Sebaliknya, semakin rendah nilai rasio ROA
menunjukan kinerja keuangan perusahaan tidak baik dimana perusahaan
tidak mampu mengoptimalkan aktiva yang dimiliki untuk menghasilkan
keuntungan sehingga profitabilitas menurun dan memungkinkan
terjadinya financial distress semakin besar.
6. Rasio Total Debt to Total Assets dan Kondisi Financial Distress.
Rasio total hutang terhadap total aset, pada umumnya disebut rasio
hutang (debt ratio), mengukur persentase dana yang disediakan oleh
kreditur (Brigham dan Houston, 2001). Rasio ini menunjukkan proporsi
seluruh aktiva yang didanai oleh hutang. Dengan kata lain, menunjukan
seberapa besar aktiva perusahaan dibiayai oleh hutang atau seberapa besar
hutang perusahaan berpengaruh terhadap pengelola aktiva. Semakin
banyak hutang perusahaan maka semakin tinggi kemungkinan perusahaan
tidak dapat memenuhi kewajibannya kepada kreditur.
Semakin tinggi rasio hutang maka semakin besar risiko keuangannya,
yang dimaksudkan dengan terjadinya peningkatan risiko adalah 48
kemungkinan terjadinya default karena perusahaan terlalu banyak
melakukan pendanaan aktiva dari hutang, jadi apabila rasio TDTA
semakin besar dapat membahayakan perusahaan karena dengan hutang
yang semakin besar akan menyulitkan perusahaan untuk memperoleh
tambahan dana. Brigham dan Houston (2001) menjelaskan bahwa
kreditur akan enggan meminjamkan tambahan dana kepada perusahaan,
dan manajemen mungkin menghadapi risiko kebangkrutan jika
perusahaan meningkatkan rasio hutang dengan meminjam tambahan dana.
7. Rasio Lancar (Current Ratio) dan Kondisi Financial Distress
Rasio lancar (current ratio), merupakan rasio untuk mengukur
kemampuan perusahaan membayar kewajiban jangka pendek dengan
aktiva lancarnya. Perusahaan yang mempunyai aktiva lancar lebih besar
dari kewajiban lancar dengan perbandingan 2:1 atau setidaknya rasio
lancar lebih dari 1 (satu), maka bisa dikatakan perusahaan dalam kondisi
yang likuid untuk menutup kewajiban lancarnya sehingga kecil
kemungkinan terjadi financial distress. Namun, apabila jumlah aktiva
lancar yang dimiliki perusahaan lebih rendah dari jumlah kewajiban
lancarnya, maka tidak akan cukup untuk menutup kewajiban lancar
perusahaa. Akibatnya perusahaan dapat mengalami kesulitan keuangan
dimana pembayaran kewajiban menajadi lambat dan dapat memicu untuk
melakukan pinjaman yang lebih banyak lagi. Brigham dan Houston
(2001) mengatakan apabila kewajiban lancar meningkat lebih cepat
49
dibandingkan aktiva lancar, maka rasio lancar akan turun dan hal ini bisa
menimbulkan permasalahaan.
8. Rasio Net Profit Before Taxes to Current Liability dan Kondisi
Financial Distress
Perusahaan dengan rasio Net Profit Before Taxes to current liability
yang rendah menunjukan bahwa pihak manajemen tidak dapat mengelola
aktiva secara efektif. Rasio Net Profit Before Taxes to current liability
yang benilai sangat rendah disebabkan karena profitabilitas perusahaan
pada tahun ini mengalami kerugian yang mana bahwa biaya operasi selalu
lebih besar dari laba kotornya.
9. Rasio Sales To Total Assets dan Kondisi Financial distress
Rasio Sales To Total Assets atau disebut juga perputaran total aktiva
(total assets turnover ratio), yang dihitung dengan membagi penjualan
dengan total aktiva. Harahap (2002) mengatakan bahwa rasio ini
menunjukan perputaran total aktiva diukur dari volume penjualan dengan
kata lain seberapa jauh kemampuan perusahaan dalam menggunakan
seluruh aktiva yang dimiliki untuk menciptakan penjualan, semakin besar
rasio ini semakin baik
Rasio perputaran total aktiva yang tinggi akan menunjukan semakin
efektif perusahaan dalam penggunaan aktivanya untuk menghasilkan
penjualan. Semakin efektif perusahaan menggunakan aktivanya untuk
menghasilkan penjualan diharapkan dapat memberikan keuntungan yang
semakin besar bagi perusahaan. Hal itu akan menunjukan semakin baik 50
kinerja keuangan yang dicapai oleh perusahaan sehingga kemungkinan
terjadinya financial distress semakin kecil. Hanafi dan Halim (2005)
menjelaskan rasio yang tinggi biasanya menunjukan manajemen yang
baik, sebaliknya rasio yang rendah harus membuat manajemen
mengevaluasi strategi, pemasaran, dan pengeluaran modalnya. Apabila
rasio ini rendah maka perusahaan tidak menghasilkan volume penjualan
yang cukup dibanding dengan investasi dalam aktivanya, hal ini
menunjukan kinerja yang tidak baik sehingga dapat mempengaruhi
keuangan perusahaan dan memicu terjadinya financial distress.
E. Hipotesis
Hipotesis adalah suatu anggapan yang masih harus di uji kebenarannya,
digunakan sebagai dasar pembuatan keputusan atau pemecahan persoalan
ataupun dasar untuk penelitian lebih lanjut. Hipotesis dapat diartikan sebagai
suatu jawaban yang bersifat sementara terhadap permasalahan penelitian ini
sampai terbukti melalui data yang terkumpul (Arikunto, 2002: 64).
Berdasarkan landasan teori dan kerangka pemikiran diatas, diajukan
hipotesis penelitian sebagai berikut:
1. H01: Model Altman, Zmijewski, Grover dan Springate tidak layak
digunakan dalam prediksi kondisi financial distress pada sektor
pertambangan yang terdaftar di Bursa Efek Indonesia.
Ha1: Model Altman, Zmijewski, Grover dan Springate layak digunakan
dalam prediksi kondisi financial distress pada sektor pertambangan
yang terdaftar di Bursa Efek Indonesia. 51
2. H02: Tidak terdapat perbedaan tingkat akurasi dan kesalahan dari Model
Altman Modifikasi, Zmijewski, Grover dan Springate dalam
memprediksi kondisi financial distress pada sektor pertambangan
yang terdaftar di Bursa Efek Indonesia.
Ha2: Terdapat perbedaan tingkat akurasi dan kesalahan dari Model
Altman Modifikasi, Zmijewski, Grover dan Springate dalam
memprediksi kondisi financial distress pada sektor pertambangan
yang terdaftar di Bursa Efek Indonesia.
52
BAB III
METODOLOGI PENELITIAN
A. Ruang Lingkup Penelitian
Penelitian ini dilakukan berdasarkan laporan keuangan tahunan periode
2012-2016 yang di publikasi di Bursa Efek Indonesia dan telah di audit oleh
auditor independen. Adapun laporan keuangan yang digunakan dalam
penelitian ini adalah neraca dan laporan laba (rugi) yang akan diubah menjadi
rasio-rasio keuangan untuk memprediksi financial distress pada perusahaan
sektor pertambangan. Data yang digunakan dalam penelitian ini bersifat
kuantitatif, yaitu data yang berupa angka dan numeric.
Model prediksi financial distress yang akan dibandingkan dalam
penelitian ini adalah model Altman, model Zmijewski, model Grover, dan
model Springate. Adapun variabel-variabel yang dibahas dalam penelitian ini
meliputi variabel dependen dan independen. Variabel dependen dalam
penelitian ini adalah dummy yang berupa kategori 0 (distress) dan kategori 1
(non distress). Sedangkan variabel independennya adalah rasio keuangan
yang dugunakan untuk memprediksi kebangkrutan yaitu: WCTA, RETA,
EBITTA, BVEBVD, ROA, TDTA, CACL, EBTCL, TSTA.
B. Metode Penentuan Sampel
Populasi adalah kumpulan dari seluruh elemen sejenis tetapi dapat
dibedakan satu sama lain karena karakteristiknya (J. Supranto, 2008.)
Populasi yang digunakan pada penelitian ini adalah seluruh perusahaan sektor 53
pertambangan yang terdaftar di Bursa Efek Indonesia (BEI). Terdapat 43
populasi sektor pertambangan yang terdaftar di BEI (dilihat
www.sahamok.com). Sampel yang digunakan dalam penelitian ini adalah
perusahaan-perusahaan yang tergabung dalam seluruh sektor pertambangan.
Teknik pengambilan sampel yang digunakan dalam penelitian adalah
metode purposive sampling, yaitu penentuan sampel berdasarkan kriteria
tertentu sesuai dengan yang dikehendaki oleh peneliti. Adapun kriteria-
kriteria yang dipilih dalam penentuan sampel adalah :
1. Perusahaan sektor pertambangan yang memiliki laporan keuangan yang
dipublikasikan di Bursa Efek Indonesia (BEI) sejak tahun 2012-2016
secara terus-menerus.
2. Perusahaan menyampaikan laporan keuangan 31 Desember secara rutin
selama 5 tahun sesuai dengan periode penelitian yang diperlukan untuk
periode 2012-2016 (laporan keuangan per 31 Desember merupakan
laporan keuangan yang telah diaudit).
3. Perusahaan tidak melakukan merger dan akuisisi.
Kemudian kriteria khusus dalam penelitian ini digunakan untuk
menentukan apakah sebuah perusahaan mengalami kebangkrutan atau tidak.
Dalam kriteria ini sampel dibagi menjadi 2 kategori yaitu kategori 0 (distress)
dan kategori 1 (non distress). Kriteria khusus untuk sampel yang termasuk
dalam kategori 0 (distress) yaitu memiliki net operating income negatif
(Wibisono dkk, 2015).
54
Kriteria khusus untuk sampel yang termasuk dalam kategori 1 (non
distress), sebagai berikut:
1. Tidak memiliki net income negatif
2. Berasal dari tahun yang sama dengan sampel kategori 0 (distress)
3. Berasal dari sektor yang sama dengan sampel kategori 0 (distress)
Hasil pertimbngan dari kriteria sampel yang ditemukan diatas, didapatkan
sampel dengan kategori 0 (distress) dan sampel dengan kategori 1 (non
distress) sebagai berikut:
55
Tabel 3.1
Daftar Sampel Kategori 0 (Distress)
No. Nama Perusahaan Kode Tahun 1 Atlas Resources Tbk ARII 2012 2 Bara Jaya International Tbk ATPK 2012 3 Darma Henwa Tbk DEWA 2012 4 Atlas Resources Tbk ARII 2013 5 Bumi Resources Tbk BUMI 2013 6 Darma Henwa Tbk DEWA 2013 7 J Resources Asia Pasific Tbk PSAB 2013 8 Atlas Resources Tbk ARII 2014 9 Bayam Resources Tbk BYAN 2014 10 Cita Mineral Investindo Tbk CITA 2014 11 Perdana Karya Perkasa Tbk PKPK 2014 12 Atlas Resources Tbk ARII 2015 13 Bara Jaya International Tbk ATPK 2015 14 Benakat Integra Tbk BIPI 2015 15 Bumi Resources Tbk BUMI 2015 16 Cita Mineral Investindo Tbk CITA 2015 17 Cakra Mineral Tbk CKRA 2015 18 Mitra Investindo Tbk MITI 2015 19 Perdana Karya Perkasa Tbk PKPK 2015 20 Golden Eagle Energy Tbk SMMT 2015 21 SMR Utama Tbk SMRU 2015 22 Atlas Resources Tbk ARII 2016 23 Bara Jaya International Tbk ATPK 2016 24 Bumi Resources Tbk BUMI 2016 25 Perdana Karya Perkasa Tbk PKPK 2016 26 Golden Eagle Energy Tbk SMMT 2016 27 Cita Mineral Investindo Tbk CITA 2016 28 Central Omega Resources Tbk DKFT 2016 29 SMR Utama Tbk SMRU 2016 30 Mitra Investindo Tbk MITI 2016
Pada tabel 4.30 dan 4.31, dapat dilihat bahwa pada nilai S-score
pada kategori 0 (distress) semua sampel memiliki nilai cutoff ≤ 0,862.
Pada kategori 1 (non distress) yang memiliki nilai cutoff ≤ 0,862 yaitu
ada 11 sampel, dan sisanya sebanyak 19 sampel memiliki nilai cutoff ≥
0,862.
Dari hasil perhitungan tersebut, berikut ini adalah tabel yang
menunjukan hasil dari perhitungan tingkat akurasi dan tingkat
kesalahan model Springate:
Tabel 4.32
Tingkat Akurasi dan Kesalahan Model Springate
Rekap Prediksi Distress Non Distress Total
Kenyataan Distress 30 0 30
Non Distress 11 19 30 Total Tingkat Akurasi 81,67% Type I 0% Type II 18,30%
Sumber: Data Diolah, Microsoft Excel
Dari tabel diatas dapat terlihat bahwa dari 30 sampel yang masuk
kategori 0 (distress), model Springate memprediksi bahwa semua
perusahaan akan mengalami financial distress sesuai dengan
kategorinya. Sedangkan, dari kategori 1 (non distress), model
Springate memprediksi 11 diantaranya akan mengalami financial
distress dan 19 sampel lainnya tidak akan mengalami financial
108
distress. Ini berarti bahwa ada kesalahan dari model Springate yang
memprediksi 11 sampel akan mengalami financial distress, padahal
kenyataannya sampel tersebut masuk dalam kategori 1 (non distress).
Secara menyeluruh, dapat disimpulkan bahwa dari 60 sampel
model Springate memiliki jumlah prediksi benar sebanyak 49 sampel,
sedangkan tingkat kesalahannya berjumlah 11 sampel. Maka dari itu
tingkat akurasi model Zmijewski adalah 81,67%. Dan tingkat
kesalahan untuk type I error adalah sebesar 0% dan tingkat kesalahan
untuk type II error adalah sebesar 18,30%. Dari analisis yang telah
dilakukan, berikut adalah tabel yang merangkum hasil dari tingkat
akurasi dan kesalahan model financial distress:
Tabel 4.33
Rangkuman Hasil Tingkat Akurasi dan Kesalahan
Hasil Model Altman Zmijewski Grover Springate
Tingkat Akurasi 75% 56,67% 85% 81,67% Type I Error 8,33% 35% 15% 0% Type II Error 16,67% 8,33% 0% 18,30%
Sumber: Data Diolah, Microsoft Excel
F. Pembahasan
Berdasarkan hasil uji regresi logistik dari masing-masing model prediksi
yang telah dilakukan, untuk menjawab permasalahan hipotesis pertama dari
keseluruhan hasilnya menyatakan bahwa H01 ditolak, dan Ha1 diterima.
Artinya adalah model Altman Modifikasi, Zmijewski, Grover, dan Springate 109
layak digunakan dalam prediksi kondisi financial distress pada perusahaan
sektor pertambangan yang terdaftar di Bursa Efek Indonesia. Dengan melihat
nilai sig dari Hosmer and Lemeshow (sig > 0,05), seluruh model memiliki
nilai sig lebih dari nilai α = 0,05.
Setelah seluruh model dinyatakan layak memprediksi kondisi financial
distress, selanjutnya adalah mengetahui tingkat akurasi dan kesalahan dari
masing-masing model prediksi. Berdasarkan hasil perhitungan tingkat akurasi
dan kesalahan pada tabel 4.33 menyatakan bahwa Ha2 diterima dan H02
ditolak, artinya bahwa terdapat perbedaan tingkat akurasi dan kesalahan dari
Model Altman Modifikasi, Zmijewski, Grover dan Springate dalam
memprediksi kondisi financial distress pada sektor pertambangan yang
terdaftar di Bursa Efek Indonesia. Adanya perbedaan tingkat akurasi dan
kesalahan model dikarenakan setiap model memiliki nilai cutoff point yang
berbeda-beda dengan menggunakan rasio yang berbeda beda pula.
Tingkat akurasi tertinggi diperoleh oleh model Grover dengan nilai sebesar
85%, dan tingkat kesalahan masing-masing sebesar 15% dan 0% untuk type I
error dan type II error. Hasil penelitian ini sesuai dengan hasil penelitian
sebelumnya yang dilakukan oleh Aminian, dkk (2016), bahwa dilihat dari
tingkat akurasi dan kesalahannya, model Grover adalah model prediksi
terbaik untuk memprediksi financial distress dibandingkan dengan model
Altman, Zmijewski dan Springate. Dengan melihat nilai Nagelkerke R Square
dari Model Grover yaitu sebesar 83,4% yang menunjukan bahwa kemampuan
ketiga variabel model Grover dalam menjelaskan varians financial distress 110
adalah sebesar 83,4% dan sisanya sebesar 16,6% dijelaskan oleh faktor lain.
Ketepatan tingkat akurasi ini juga didukung oleh banyak variabel yang
signifikan terhadap kondisi financial distress, dari tiga variabel yang ada
seluruhnya memiliki pengaruh signifikan terhadap kondisi financial distress
yaitu pertama variabel WCTA artinya perusahaan pada sampel kategori 0
(distress) memiliki modal kerja yang negatif maka akan menghambat
perusahaan dalam menghasilkan output yang maksimalkan sehingga input
yang didapat akan rendah yang akan menyebabkan perusahaan memiliki laba
negatif yang artinya perusahaan memiliki probabilitas mengalama financial
distress. Sedangkan perusahaan dengan kategori 1 (non distress) memiliki
modal kerja yang positif maka nantinya akan mampu menjalankan kegiatan
operasional sehingga output yang dihasilkan perusahaan akan maksimal dan
input yang didapat juga akan tinggi. Input yang tinggi membuat laba
perusahan juga positif sehingga perusahaan akan terhindar dari kesulitan
keuangan atau financial distress.
Variabel kedua yaitu EBITTA artinya perusahaan dengan sampel kategori
0 (distress) memiliki aktiva yang tidak mampu menghasilkan pendapatan
sebelum pajak dan bunga. Perusahaan tidak efektif dan efisiensi dalam
pengelolaan seluruh aktiva yang dimiliki perusahaan untuk menghasilkan laba
sebelum pajak dan bunga. Yang nantinya perusahaan akan melakukan
pinjaman hutang untuk menutupi seluruh aktiva yang telah digunakan untuk
kegiatan operasional untuk digunakan dalam masa periode berikutnya.
Apabila nanti hutang tersebut terus membesar daan akan menyebabkan 111
financial distress. Sedangkan perusahaan dengan kategori 1 (non distress)
memiliki aktiva yang mampu meghasilkan pendapatan sebelum pajak. Artinya
perusahaan semakin efektif dan efisien dalam melakukan pengelolaan seluruh
aktiva yang dimiliki perusahaan untuk menghasilkan laba sebelum pajak.
Maka perusahaan akan terhindar dari kondisi financial distress.
Variabel terakhir dalam model Grover yaitu variabel ROA pengukuran
perolehan laba bergantung pada aktiva perusahaan yang dimiliki. Pada sampel
perusahaan kategori 0 (distress) perusahaan tidak mampu mengelola aktiva
untuk menghasilkan laba. Aktiva yang banyak dan tidak mampu dikelola
salah satunya adalah perusahaan memiliki aktiva tetap dalam jumlah yang
banyak, namun sedikit memiliki aktiva lancar. Hal yang seharusnya dilakukan
perusahaan mengelola aktiva tetap dengan cara melakukan investasi. Dimana
nilai rasio akan rendah menunjukan profitabilitas yang rendah juga, nantinya
akan memicu terjadinya financial distress. Sedangkan perusahaan kategori 1
(non distress) memiliki rasio yang tinggi itu artinya seluruh aktiva yang
dipergunakan untuk operasi mampu memberikan laba bagi perusahaan.
Apabila nilai ROA meningkat, berarti profitabilitas perusahaan akan
meningkat pula. Dengan meningkatnya profitabilitas maka akan
meningkatkan pula laba perusahaan sehingga perusahaan tidak akan
mengalami kesulitan keuangan.
Lalu, setelah model Grover, tingkat akurasi kedua diperoleh oleh model
Springate dengan nilai sebesar 81,67%, tingkat kesalahan model Springate
type I error sebesar 0% dan type II error sebesar 18,30%. Dengan melihat 112
nilai Nagelkerke R Square dari Model Springate yaitu sebesar 64,6% yang
menunjukan bahwa kemampuan keempat variabel model Springate dalam
menjelaskan varians financial distress adalah sebesar 64,6% dan sisanya
sebesar 35,4% dijelaskan oleh faktor lain. Ketepatan tingkat akurasi ini juga
didukung oleh banyak variabel yang signifikan terhadap kondisi financial
distress, dari empat variabel yang ada satu variabel memiliki pengaruh
terhadap kondisi financial distress yaitu variabel TSTA, yaitu apabila rasio ini
meningkat maka semakin kecil kemungkinan terjadinya financial distress,
karena apabila penjualan yang dihasilkan dari total aktiva banyak maka
keuntungan yang dihasilkan perusahaan juga akan meningkat, artinya
perusahaan mampu mengelola aset dengan baik dan benar untuk
meningkatkan penjualan, sehingga probabilitas untuk mengalami financial
distress juga akan sedikit.
Tingkat akurasi ketiga diperoleh oleh model Altman Modifikasi dengan
nilai sebesar 75% dengan tingakt kesalahan type I error sebesar 8,33% dan
type II error sebesar 16,67%. Dengan melihat nilai Nagelkerke R Square dari
Model Altman Modifikasi yaitu sebesar 60,2% yang menunjukan bahwa
kemampuan ketiga variabel model Altman Modifikasi dalam menjelaskan
varians financial distress adalah sebesar 60,2% dan sisanya sebesar 39,8%
dijelaskan oleh faktor lain. Ketepatan tingkat akurasi ini juga didukung oleh
banyak variabel yang signifikan terhadap kondisi financial distress, dari
empat variabel yang ada dua diantaranya memiliki pengaruh terhadap kondisi
113
financial distress, yaitu variabel WCTA dan BVEBVD. Variabel BVEBVD
rasio yang digunakan untuk mengukur kemampuan perusahaan dalam
melakukan pembayaran hutang dengan menggunakan nilai buku ekuitas atau
modal. Apabila perusahaan sedang mengalami financial distress dikarena kan
salah satu faktornya adalah perusahaan tidak mampu membayar hutang yang
dimilikinya, sehingga perusahaan akan kesulitan mendapatkan dana kembali
dari pihak eksternal.
Tingkat akurasi terrendah adalah model Zmijewski, dengan nilai akurasi
hanya sebesar 56,67%, tingkat kesalahan type I error sebesar 35% dan type II
error sebesar 8,33%. Bertolak belakang dari penilitian yang dilakukan oleh
Khusein dan Galuh (2014), menyatakan bahwa tingkat akurasi model
Zmijewski memiliki tingkat akurasi tertinggi. Dengan melihat nilai
Nagelkerke R Square dari Model Zmijewski yaitu sebesar 51,1% yang
menunjukan bahwa kemampuan ketiga variabel model Zmijewski dalam
menjelaskan varians financial distress adalah sebesar 51,1% dan sisanya
sebesar 48,9% dijelaskan oleh faktor lain. Ketepatan tingkat akurasi ini juga
didukung oleh banyak variabel yang signifikan terhadap kondisi financial
distress, dari tiga variabel yang ada dua yang memiliki pengaruh terhadap
kondisi financial distress, yaitu variabel ROA dan CACL. Semakin besar
rasio ROA dan CACL maka probabilitas perusahaan mengalami financial
distress akan menurun. Rasio CACL adalah kemampuan perusahaan dalam
melakukan pembayaran kewajiban lancar dengan menggunakan aset lancar.
114
Kewajiban lancar yang seharusnya dibayar namun perusahaan tidak mampu
untuk melakukan pembayaran dengan menggunakan aktiva lancar makan
kewajiban tersebut akan menumpuk dan lama kelamaan akan menjadi besar
sehingga membuat perusahaan akan kesulitan dalam mendapatkan dana lebih
dari pihak eksternal, dan nantinya akan terganggu kegiatan operasional
perusahaan. Sehingga akan menyebabkan timbulnya kondisi financial
distress.
Maka dapat dikatakan dengan tingkat akurasi sebesar 85% model Grover
adalah model prediksi yang terbaik diantara ketiga model lainnya yang dapat
diterapkan di perusahaan sektor pertambangan yang terdaftar di Bursa Efek
Indonesia.
115
BAB V
PENUTUP
A. Kesimpulan
Berdasarkan analisis dan pembahasan hasil penelitian dengan
menggunakan uji regresi binari logistik mengenai perbandingan tingkat
akurasi model prediksi financial distress pada perusahaan pertambangan
adalah sebagai berikut:
1. Hasil penelitian menyatakan bahwa model Altman, Zmijewski, Grover dan
Springate layak digunakan untuk memprediksi kondisi financial distress
pada perusahaan pertambangan yang terdaftar di BEI. Dan melihat nilai
Nagelkerke R Square dari nilai tertinggi hingga terendah yaitu model
Grover, Springate, Altman, dan Zmijewski.
2. Hasil penelitian menyatakan bahwa dari keempat model prediksi yang
diuji, model prediksi terbaik yang memiliki tingkat akurasi tertinggi
dengan tingkat kesalahan yang terendah adalah model Grover pada
peringkat pertama. Di peringkat kedua ada model Springate. Di peringkat
ketiga ada model Altman, dan di peringkat terakhir ada model Zmijewski.
B. Saran
Berdasarkan hasil penelitian, penulis mengemukakan saran untuk menjadi
bahan pertimbangan di penelitian selanjutnya, diantaranya:
1. Penelitian ini hanya menggunakan model prediksi Altman Modifikasi,
Zmijewski, Grover, dan Springate Diharapkan untuk penelitian 116
selanjutnya menambahkan atau menguji model prediksi lain seperti
Ohlson atau Foster dan model prediksi lainnya untuk mendapatkan hasil
yang lebih baik.
2. Terdapat beberapa variabel dari masing-masing model prediksi yang tidak
memiliki pengaruh terhadap kondisi financial distress. Maka sebaiknya
bagi penelitian selanjutnya diperlukan referensi dan pemahaman yang
lebih dalam menerapkan model prediksi.
3. Model prediksi yang terbaik hanya dapat diterapkan pada perusahaan
sektor pertambangan saja. Diharapkan penelitian selanjutnya dapat
mampu mencari model prediksi terbaik di berbagai sektor yang terdaftar
di Bursa Efek Indonesia.
4. Memperluas periode waktu sampel agar dapat melihat kondisi financial
distress pada perusahaan pertambangan lebih lengkap.
117
DAFTAR PUSTAKA
Altman, Edward I. “Financial Ratios, Discriminant Analysis and The Prediction of Corporate Bankrupty”. The Journal of Finance. vol. 23 No. 4. 1968. pp. 589-609.
Amanah, Lailatul. 2014. “Hubungan Antara Financial Distress Terhadap Earning
Management”. Vol. 3, No. 4. Jurnal Ilmu & Riset Akuntansi. Sekolah Tinggi Ilmu Ekonomi Indonesia (STIESIA). Vol. 3, No. 4. 2014.
Aminian, Abolfazl dkk. “Investigate the Ability of Bankruptcy Prediction Models
of Altman and Springate and Zmijewski and Grover in Tehran Stock Exchange”. Payame Noor University. Vol. 7 No.4. 2016.
Ardiyanto, Feri Dwi dan Prasetiono. “Prediksi Rasio Keuangan Terhadap Kondisi Financial Distress Perusahaan Manufaktur Yang Terdaftar Di BEI”. Jurnal Dinamika Ekonomi & Bisnis. Vol. 8 No. 1. 2011.
Arikunto, S. “Metodologi Penelitian Suatu Pendekatan Proposal”. Jakarta: PT.
Rineka Cipta. 2002. Brigham, Eugene F. dan Houston, Joel F. “Dasar-dasar Manajemen Keuangan”.
Jakarta: Salemba Empat, 2001. Baridwan, Zaki. “Sistem Informasi Akuntansi”. Yogyakarta: YKPN. 1995. Brahmana, Rayenda K. “Identifying Financial Distress Condition in Indonesia
Manufacture Industry”. Birmingham Business School. University of Birmingham, United Kingdom. 2007.
Fitriyah, Ida dan Hariyati. “Pengaruh Rasio Keuangan Terhadap Financial
Distress Pada Perusahaan Properti dan Real Estate”. Jurnal Ilmu Manajemen. Vol. 1, No. 3. 2013.
Gamayuni, Rindu Rika. “Analisis Ketepatan Model Altman Sebagai Alat untuk Memprediksi Kebangkrutan (Studi Empiris pada Perusahaan Manufaktur di BEI)”. Jurnal Akuntansi dan Keuangan. Vol. 16 No. 2. 2011.
Gunawan, Barbara dkk. “Perbandingan Prediksi Financial Distress Dengan
Model Altman, Grover, dan Zmijewski”. Jurnal Akuntansi dan Investasi Vol. 18 No. 1. Januari 2017. hlm 119-127.
118
Hanafi, Mamduh M dan Abdul Halim. “Analisis Laporan Keuangan”. Edisi Kedua, Yogyakarta: STIE YKPN. 2005.
Harahap, Sofyan Safri. “Teori akuntasi Laporan Keuangan”. Jakarta: Bumi
Media Group. 2010. Khusein, M. Fakhri. “Precision of the models of Altman, Springate,Zmijewski, and
Grover for predicting the financial distress”. UIN Sunan Kalijaga Yogyakarta. Vol. 17 No. 3. 2014.
Kodrat, David Sukardi dan Christian Herdinata, “Manajemen Keuangan Bases on
Empirical Research”. Surabaya: Graha Ilmu. 2009. Kutum, Imad. “Predicting the Financial Distress of Non-Banking Companies
Listed on the Palestine Exchange (PEX)”. Vol. 10 No. 2. 2015. Manalu, Sahala dkk, “Financial Distress Analysis With Altman Z-score Approach
and Zmijewski X-score on Shipping Service Company”. Journal of Applied Management. Vol. 15 No. 4. Desember 2017.
Meiliawati, Anggi. “Analisis Perbandingan Model Springate dan Altman Z-score
Terhadap Potensi Financial Distress (Studi Kasus Pada Perusahaan Sektor Kosmetik yang Terdaftar di Bursa Efek Indonesia)”. Jurnal Akuntansi dan Pendidikan. Vol. 5 No. 1. April 2016.
Mochamad, Irfan dan Tri Yuniati, “Analisis Financial Distress Dengan
Pendekatan Altman Z-score Untuk memprediksi Kebangkrutan Perusahaan Telekomunikasi”. Jurnal Ilmu dan Riset Manajemen. Vol. 3 No. 1. 2014.
Munawir, S. “Analisis Laporan Keuangan”. Yogyakarta: Liberty. 2002. Novietta, Liza, dan Kersna Minan. “Komparasi Model Kebangkrutan Pada
Perusahaan Tekstil dan Garmen yang Terdaftar di Bursa Efek Inonesia”. Jurnal Akuntansi dan Bisnis. Vol. 3 No. 1. 2017.
119
Permana, Randy Kurnia dkk. “Prediksi Financial Distress Pada Perusahaan Manufaktur di Bursa Efek Indonesia”. Jurnal Bisnis dan Manajemen. Vol. 7 No. 2 Oktober 2017. hlm 149-166.
Prihanthini, Ni Made Evi Dwi dan Maria M. Ratna Sari. “Prediksi Kebangkrutan
Dengan Model Grover, Altman Z-score, Springate, dan Zmijewski Pada Perusahaan Food and Beverage di Bursa Efek Indonesia”. E-Jurnal Akunransi Universitas Udayana. Vol. 5 No. 2. 2013. hlm. 417-435.
Primasari, Niken Savitri. “Analisis Altman Z-score, Grover Score, Springate dan
Zmijewski Sebagai Signaling Financial Distress”. Accounting and Management Journal. Vol. 1 No. 1. Juli 2017.
Ramadhani, Ayu Suci dan Niki Lukviarman, “Perbandingan Analisis Prediksi Kebangkrutan Menggunakan Model Altman Pertama, Altman Revisi daan Altman Modifikasi Dengan Ukuran Umur Perusahaan Sebagai Variabel Penjelas”, Jurnal Siasat Bisnis, Vol. 13 No. 1 April 2009. hlm. 15-28.
Saleh, Amir dan Bambang Sudiyatno. “Pengaruh Rasio Keuangan Untuk
Memprediksi Profitabilitas Kebangkrutan Pada Perusahaan Manufaktur”. Jurnal Dinamika Akuntasi, keuangan, dan Perbankan. Vol. 2, No. 1. 2013.
Sarwono, Jonathan. “Statistika Multivariat Aplikasi Untuk Riset Penelitian”.
Yogyakarta: ANDI. 2013.
Sekaran, Umar.. “Research Methods For Business”. Jakarta: Salemba Empat. 2015.
Springate, Gord L.V. “Predicting The Possibility of Failure in a Canadian Firm”. Simoon Fraser University. 1978.
Sunyoto, D. “Analisis Laporan Keuangan Untuk Bisnis (Teori dan Kasus)”. Yogyakarta: CAPS. 2013.
Supranto, J. “Statistika Teori dan Aplikasi”. (Edisi Ketujuh, Jakarta: Erlangga. 2008.
Wibisono, Rizky Teguh, dkk. “Analisis Tingkat Kebangkrutan Model Altman,
Foster, dan Springate Pada Perusahaan Property and Real Estate Go Public di Bursa Efek Indonesia”. JOM FEKON. Vol. 1 No. 2 Oktober 2014.
Widarjono, Agus. “Analisis Statistika Multivariat Terapan”. Yogyakarta: Unit Penerbit. 2010.
120
Widhiari, Ni Luh Made Ayu dan Ni K. Lely Aryani Merkusiwati.. “Pengaruh Rasio Likuiditas, Laverage, Operating Capacity, dan Sales Growth terhadap Financial Distress”, Jurnal Akuntansi. Universitas Udayana. 2015.
Widiyawati, Anita Tri, dkk. “analisis Rasio Keuangan Altman Modifikasi pada Prediksi Kebangkrutan Perusahaan Property dan Real Estate yang Terdaftar di BEI”. Jurnal Akuntansi dan Pendidikan. Vol. 4 No. 3. Oktober 2015.
Wulandari, Veronita dkk. “Analisis Perbandingan Model Altman, Springate, Ohlson, Fulmer, CA-Score dan Zmijewski Dalam Memprediksi Financial Distress”. JOM FEKON. Vol. 1 No. 2 Oktober 2014.
Zmijewski, M.E. “Methodological Issues Relate to the Estimation of Financial of
https://www.sahamok.com/emiten/sektor-pertambangan/ diakses tanggal 8
Februari 2018
https://www.bi.go.id/id/publikasi/kebijakanmoneter/outlookekonomi/Documents KrisisEkonomiGlobaldanampaknyaterhadapPerekon.pdf. Diakses tanggal 16 Januari 2018.
www.setneg.go.id diakses tanggal 16 Januari 2018 www.bps.go.id diakses 30 Maret 2018 https://databoks.katadata.co.id/datapublish/2017/04/12/2018pertumbuhanekonom
-ditargetkan54-61-persen diakses 30 Maret 2018.
www.dpr.go.id/.../apbn__Pertumbuhan_Ekonomi_Indonesia_Tahun_2015_Dan Kinerja_Tahun_201420150129111043 diakses tanggal 19 Januari 2018
Lampiran 6: Uji Regresi Logistik Model Altman Modifikasi
Logistic Regression
Case Processing Summary
Unweighted Casesa N Percent
Selected Cases Included in Analysis 60 100.0
Missing Cases 0 .0
Total 60 100.0 Unselected Cases 0 .0 Total 60 100.0 a. If weight is in effect, see classification table for the total number of cases.
Dependent Variable Encoding
Original Value Internal Value
D 0 ND 1
Block 0: Beginning Block
Iteration Historya,b,c
Iteration -2 Log likelihood
Coefficients
Constant
Step 0 1 83.111 .067
2 83.111 .067 a. Constant is included in the model. b. Initial -2 Log Likelihood: 83.111 c. Estimation terminated at iteration number 2 because parameter estimates changed by less than .001.
Classification Tablea,b
Observed
Predicted
Y Percentage
Correct D ND
Step 0 Y D 0 29 .0
ND 0 31 100.0
Overall Percentage 51.7
130
Classification Tablea,b
Observed
Predicted
Y Percentage
Correct D ND
Step 0 Y D 0 29 .0
ND 0 31 100.0
Overall Percentage 51.7
a. Constant is included in the model. b. The cut value is .500
Variables in the Equation
B S.E. Wald df Sig. Exp(B)
Step 0 Constant .067 .258 .067 1 .796 1.069
Variables not in the Equation
Score Df Sig.
Step 0 Variables WCTA 16.594 1 .000
RETA 7.066 1 .008
EBITTA 4.867 1 .027
BVEBVD .384 1 .535
Overall Statistics 22.937 4 .000
Block 1: Method = Enter
Iteration Historya,b,c,d
Iteration -2 Log likelihood
Coefficients
Constant WCTA RETA EBITTA BVEBVD
Step 1 1 55.795 .100 3.839 1.011 -.058 .237
2 48.595 -.232 7.385 1.302 -.072 .342
3 47.197 -.594 9.801 1.432 -.071 .420
4 47.093 -.732 10.677 1.465 -.072 .447
5 47.092 -.746 10.763 1.468 -.072 .450
6 47.092 -.746 10.764 1.468 -.072 .450 a. Method: Enter b. Constant is included in the model. c. Initial -2 Log Likelihood: 83.111 d. Estimation terminated at iteration number 6 because parameter estimates changed by less than .001.
131
Omnibus Tests of Model Coefficients
Chi-square df Sig.
Step 1 Step 36.019 4 .000
Block 36.019 4 .000
Model 36.019 4 .000
Model Summary
Step -2 Log likelihood Cox & Snell R
Square Nagelkerke R
Square
1 47.092a .451 .602 a. Estimation terminated at iteration number 6 because parameter estimates changed by less than .001.
Hosmer and Lemeshow Test Step Chi-square df Sig.
1 7.984 8 .435
Classification Tablea
Observed
Predicted
Y Percentage
Correct D ND
Step 1 Y D 24 5 82.8
ND 3 28 90.3
Overall Percentage 86.7
a. The cut value is .500
Variables in the Equation
B S.E. Wald df Sig. Exp(B)
Step 1a WCTA 10.764 3.182 11.443 1 .001 4.729E4
RETA 1.468 .795 3.411 1 .065 4.342
EBITTA -.072 .186 .150 1 .699 .931
BVEBVD .450 .195 5.307 1 .021 1.568
Constant -.746 1.230 .368 1 .544 .474 a. Variable(s) entered on step 1: WCTA, RETA, EBITTA, BVEBVD.
132
Lampiran 7: Uji Regresi Logistik Model Zmijewski Logistic Regression
Case Processing Summary
Unweighted Casesa N Percent
Selected Cases Included in Analysis 60 100.0
Missing Cases 0 .0
Total 60 100.0 Unselected Cases 0 .0 Total 60 100.0 a. If weight is in effect, see classification table for the total number of cases.
Dependent Variable Encoding
Original Value Internal Value
D 0 ND 1
Block 0: Beginning Block
Classification Tablea,b
Observed
Predicted
Y Percentage
Correct D ND
Step 0 Y D 0 29 .0
ND 0 31 100.0
Overall Percentage 51.7
a. Constant is included in the model. b. The cut value is .500
Variables in the Equation
B S.E. Wald df Sig. Exp(B)
Step 0 Constant .067 .258 .067 1 .796 1.069
133
Variables not in the Equation
Score df Sig.
Step 0 Variables ROA 8.156 1 .004
TDTA 4.343 1 .037
CACL 16.266 1 .000
Overall Statistics 21.405 3 .000
Block 1: Method = Enter
Omnibus Tests of Model Coefficients
Chi-square df Sig.
Step 1 Step 28.989 3 .000
Block 28.989 3 .000
Model 28.989 3 .000
Model Summary
Step -2 Log likelihood Cox & Snell R
Square Nagelkerke R
Square
1 54.122a .383 .511 a. Estimation terminated at iteration number 5 because parameter estimates changed by less than .001.
Classification Tablea
Observed
Predicted
Y Percentage
Correct D ND
Step 1 Y D 25 4 86.2
ND 3 28 90.3
Overall Percentage 88.3
a. The cut value is .500
134
Variables in the Equation
B S.E. Wald df Sig. Exp(B)
Step 1a ROA .453 .192 5.549 1 .018 1.573
TDTA -.824 1.587 .269 1 .604 .439
CACL -.924 .317 8.507 1 .004 .397
Constant -2.519 1.262 3.986 1 .046 .081 a. Variable(s) entered on step 1: ROA, TDTA, CACL.
135
Lampiran 8: Uji Regresi Logistik Model Grover Logistic Regression
Case Processing Summary
Unweighted Casesa N Percent
Selected Cases Included in Analysis 60 100.0
Missing Cases 0 .0
Total 60 100.0 Unselected Cases 0 .0 Total 60 100.0 a. If weight is in effect, see classification table for the total number of cases.
Dependent Variable Encoding
Original Value Internal Value
D 0 ND 1
Block 0: Beginning Block
Classification Tablea,b
Observed
Predicted
Y Percentage
Correct D ND
Step 0 Y D 0 29 .0
ND 0 31 100.0
Overall Percentage 51.7
a. Constant is included in the model. b. The cut value is .500
Variables in the Equation
B S.E. Wald df Sig. Exp(B)
Step 0 Constant .067 .258 .067 1 .796 1.069
136
Variables not in the Equation
Score df Sig.
Step 0 Variables WCTA 16.594 1 .000
EBITTA 4.867 1 .027
ROA 8.760 1 .003
Overall Statistics 24.749 3 .000
Block 1: Method = Enter
Omnibus Tests of Model Coefficients
Chi-square df Sig.
Step 1 Step 58.887 3 .000
Block 58.887 3 .000
Model 58.887 3 .000
Model Summary
Step -2 Log likelihood Cox & Snell R
Square Nagelkerke R
Square
1 24.224a .625 .834 a. Estimation terminated at iteration number 9 because parameter estimates changed by less than .001.
Classification Tablea
Observed
Predicted
Y Percentage
Correct D ND
Step 1 Y D 26 3 89.7
ND 2 29 93.5
Overall Percentage 91.7
a. The cut value is .500
Variables in the Equation
B S.E. Wald df Sig. Exp(B)
Step 1a WCTA 12.043 4.181 8.299 1 .004 1.699E5
EBITTA -2.729 1.102 6.137 1 .013 .065
ROA 3.344 1.283 6.798 1 .009 28.330
Constant -4.995 2.473 4.079 1 .043 .007 a. Variable(s) entered on step 1: WCTA, EBITTA, ROA.
137
Lampiran 9: Uji Regresi Logistik Model Springate
Logistic Regression
Case Processing Summary
Unweighted Casesa N Percent
Selected Cases Included in Analysis 60 100.0
Missing Cases 0 .0
Total 60 100.0 Unselected Cases 0 .0 Total 60 100.0 a. If weight is in effect, see classification table for the total number of cases.
Dependent Variable Encoding
Original Value Internal Value
D 0 ND 1
Block 0: Beginning Block
Classification Tablea,b
Observed
Predicted
Y Percentage
Correct D ND
Step 0 Y D 0 29 .0
ND 0 31 100.0
Overall Percentage 51.7
a. Constant is included in the model. b. The cut value is .500
Variables in the Equation
B S.E. Wald df Sig. Exp(B)
Step 0 Constant .067 .258 .067 1 .796 1.069
138
Variables not in the Equation
Score df Sig.
Step 0 Variables WCTA .345 1 .557
EBITTA 4.867 1 .027
EBTCL .562 1 .454
TSTA 22.703 1 .000
Overall Statistics 25.172 4 .000
Block 1: Method = Enter
Omnibus Tests of Model Coefficients
Chi-square df Sig.
Step 1 Step 39.708 4 .000
Block 39.708 4 .000
Model 39.708 4 .000
Model Summary
Step -2 Log likelihood Cox & Snell R
Square Nagelkerke R
Square
1 43.403a .484 .646 a. Estimation terminated at iteration number 6 because parameter estimates changed by less than .001.
Classification Tablea
Observed
Predicted
Y Percentage
Correct D ND
Step 1 Y D 23 6 79.3
ND 3 28 90.3
Overall Percentage 85.0
a. The cut value is .500
Variables in the Equation
B S.E. Wald df Sig. Exp(B)
Step 1a WCTA .211 .297 .506 1 .477 1.235
EBITTA -.308 .249 1.528 1 .216 .735
EBTCL .330 .199 2.759 1 .097 1.392
TSTA -.922 .264 12.222 1 .000 .398
Constant 2.325 1.424 2.669 1 .102 10.232 a. Variable(s) entered on step 1: WCTA, EBITTA, EBTCL, TSTA.