“KETEPATAN PREDIKSI FINANCIAL DISTRESS DENGAN MODEL ALTMAN, GROVER, DAN ZMIJEWSKI PADA PERUSAHAAN MANUFAKTUR YANG TERDAFTAR DI BEI”

MANUFAKTUR YANG TERDAFTAR DI BEI

THE ACCURACY OF FINANCIAL DISTRESS PREDICTION USING MODEL OF ALTMAN, GROVER, AND ZMIJEWSKI ON MANUFACTURING COMPANIES LISTED IN INDONESIA STOCK

EXCHANGE

Oleh

Rahadien Pamungkas 20120420466

FAKULTAS EKONOMI

UNIVERSITAS MUHAMMADIYAH YOGYAKARTA 2016

THE ACCURACY OF FINANCIAL DISTRESS PREDICTION USING MODEL OF ALTMAN, GROVER, AND ZMIJEWSKI ON

MANUFACTURING COMPANIES LISTED IN INDONESIA STOCK EXCHANGE

SKRIPSI

Diajukan Guna Memenuhi Persyaratan untuk Memperoleh Gelar Sarjana pada Fakultas Ekonomi Program Studi Akuntansi

Universitas Muhammadiyah Yogyakarta

Oleh

Rahadien Pamungkas 20120420466

FAKULTAS EKONOMI

UNIVERSITAS MUHAMMADIYAH YOGYAKARTA 2016

xi

HALAMAN JUDUL ...i

HALAMAN PENGESAHAN DOSEN PEMBIMBING ...ii

HALAMAN PENGESAHAN DOSEN PENGUJI ...iii

HALAMAN PERNYATAAN ...iv

HALAMAN MOTTO ...v

HALAMAN PERSEMBAHAN...vi

INTISARI ...vii

ABSTRACT ...viii

KATA PENGANTAR ...ix

DAFTAR ISI ...xi

DAFTAR TABEL ...xiii

DAFTAR GAMBAR ...xiv

BAB I PENDAHULUAN ...1

A. Latar Belakang Penelitian ...1

B. Rumusan Masalah Penelitian ...5

C. Tujuan Penelitian ...5

D. Manfaat Penelitian ...5

BAB II TINJAUAN PUSTAKA ...7

A. Landasan Teori ...7

B. Hipotesis ...12

C. Model Penelitian ...17

BAB III METODE PENELITIAN ...18

A. Obyek Penelitian ...18

B. Jenis Data ...18

C. Teknik Pengambilan Sampel ...18

D. Teknik Pengumpulan Data ...19

E. Definisi Operasional Variabel Penelitian ...20

F. Uji Kualitas dan Instrumen Data ...24

xii

2. Menilai Model Fit dan Keseluruhan Model ...31

3. Menilai Kelayakan Data dan Model regresi ...31

4. Uji Koefisien Determinasi ...32

5. Uji Hipotesis (Uji Wald) ...33

C. Pembahasan ...36

BAB V SIMPULAN, IMPLIKASI, KETERBATASAN DAN SARAN PENELITIAN LANJUTAN ...41

A. Simpulan ...41

B. Implikasi ...41

C. Keterbatasan dan Saran Penelitian Lanjutan ...42 DAFTAR PUSTAKA

xiii

4.1 Prosedur Pemilihan Sampel ... 29

4.2 Hasil Statistik Deskriptif ... 30

4.3 Perbandingan Nilai -2logLikelihood ... 31

4.4 Hasil Uji Kelayakan Data ... 31

4.5 Hasil Uji kelayakan Model ... 32

4.6 Hasil Uji Koefisien Determinasi ... 32

4.7 Hasil Uji Hipotesis ... 33

4.8 Hasil Uji Koefisien Determinasi Model Altman ... 33

4.9 Hasil Uji Koefisien Determinasi Model Grover ... 33

4.10 Hasil Uji Koefisien Determinasi Model Zmijewski ... 34

4.11 Hasil Uji Tingkat Akurasi ... 35

viii ABSTRACT

This research aims to find predictors model of Financial Distresswhich are the most accurate in predicting the condition of Financial Distress at manufacturing companies. The populations/objects in this research are all of the manufacturing companies that listed on the Indonesia Stock Exchange (known as BEI) in 2014. In this research, the technique of sampling used is Purposive Sampling. The sample of this research totaled 110 manufacturing company. Total data in the research is 110 annual reports. Methods of analysis used were multiple linear regressions using SPSS program 15.00.

The results showed that the Model Model Altman, Grover, and Model Zmijewski can be used to predict the condition of Financial Distress. Between these three models, model Zmijewski is the most accurate model to predict the condition of Financial Distress at manufacturing companies.

Keywords: “Financial Distress”, Altman Model, Grover Model, and Zmijewsk Model.

Keywords: Financial Distress, Altman Model, Grover Model, and Zmijewski Model.

vii

yang terdaftar di Bursa Efek Indonesia (BEI) pada tahun 2014. Teknik pengambilan sampel menggunakan yaitu purposive sampling. Sampel penelitian ini berjumlah 110 perusahaan manufaktur. Total data dalam penelitian adalah 110 laporan tahunan. Metode analisis yang digunakan adalah regresi linier berganda dengan menggunakan program SPSS 15.00.

Hasil penelitian menunjukkan bahwa model Altman, model Grover, Model Zmijewski dapat digunakan untuk memprediksi kondisi financial distress. Diantara ketiga model, model Zmijewski adalah model yang paling akurat dalam memprediksi kondisi financial distress pada perusahaan manufaktur.

1

PENDAHULUAN

A. Latar Belakang Penelitian

Secara umum perusahaan didirikan dengan tujuan untuk memperoleh profit yang akan digunakan untuk kelangsungan hidup perusahaan. Perusahaan diharapkan mampu berkembang dan bertahan untuk jangka waktu yang panjang sehingga dapat terhindar dari likuidasi. Namun pada kenyataannya harapan perusahaan tidak selalu dapat berjalan seperti yang diinginkan. Seringkali perusahaan yang telah beroperasi dalam waktu tertentu harus mengalami kebangkrutan. Indikator kebangkrutan perusahaan salah satunya yaitu perusahaan dikeluarkan (delisting) dari BEI. Perusahaan yang sudah delisted identik dengan bangkrut karena investor sudah tidak dapat melakukan investasi pada perusahaan tersebut (Fatmawati, 2012).

Pada awal tahun 2015 Bursa Efek Indonesia mengumumkan saham-saham delisting di BEI. Perusahaan yang sahamnya dikeluarkan dari BEI yaitu Davomas Abadi Tbk. Perusahaan tersebut dicatat sebagai emiten di Bursa Efek Indonesia pada tanggal 22 desember 1994 dan dikeluarkan (delisting) BEI pada tanggal 21 januari 2015. Hal tersebut memperlihatkan bahwa perusahaan yang sudah lama beroperasipun beresiko mengalami kebangkrutan. Melihat kondisi tersebut, analisis gejala-gejala kebangkrutan seperti financial distress (kesulitan keuangan) sangat penting dilakukan. Menurut Widarjo dan Setiawan (2009) financial distress merupakan kondisi

yang terjadi sebelum kebangkrutan atau likuidasi, yaitu tahap dimana perusahaan mengalami penurunan kondisi keuangan.

Allah SWT berfirman dalam qur’an surat Al-Hasyr ayat 18



















































































































































































































Artinya:

Hai orang-orang yang beriman, bertakwalah kepada Allah dan hendaklah Setiap diri memperhatikan apa yang telah diperbuatnya untuk hari esok (akhirat); dan bertakwalah kepada Allah, Sesungguhnya Allah Maha mengetahui apa yang kamu kerjakan. Surat tersebut dapat diartikan bahwa manusia diperintahkan untuk selalu melakukan introspeksi dan perbaikan guna mencapai masa depan yang lebih baik (Haryanto, 2013). Analsis financial distress sangat penting dilakukan oleh perusahaan. Analisis ini merupakan bentuk instropeksi perusahaan guna memperbaiki perusahaan dimasa mendatang. Akan sangat penting jika kondisi financial distress diketahui sejak dini, sehingga perusahaan dapat melakukan berbagai alternatif kebijakan untuk memperbaiki kondisi keuanganya sehingga perusahaan dapat terhindar dari kondisi kebangkrutan.

Selain perusahaan, analisis financial distress juga penting dilakukan oleh investor. Investor membutuhkan informasi keuangan dalam memutuskan apakah akan melakukan investasi atau tidak. Investor membutuhkan informasi yang dapat menggambarkan kinerja keuangan perusahaan. Investor hanya akan menginvestasikan dananya pada perusahaan yang kinerja keuanganya baik. Salah satu indikator kinerja keuangan yang baik adalah

perusahaan tidak mengalami kesulitan keuangan (financial distress). Analisis financial distress akan membantu investor untuk mengetahui kondisi keuangan suatu perusahaan sehingga investor dapat mengambil keputusan dengan lebih baik.

Berbagai model analisis telah dikembangkan untuk memprediksi financial distress sebagai tanda awal kebangkrutan suatu perusahaan. Model analisis tersebut diantaranya adalah model Altman, model Grover, dan model Zmijewski. Model-model tersebut menggunakan beberapa rasio keuangan dalam memprediksi financial distress untuk mendapatkan score akhir. Berdasarkan score yang dihasilkan, akan diidentifikasi apakah suatu perusahaan diprediksi mengalami financial distress atau perusahaan tersebut diprediksi sebagai perusahaan yang sehat. Penentuan kategori perusahaan diprediksi mengalami financial distress atau sehat dapat dilihat berdasarkan nilai cutoff. Setiap model memiliki standar nilai cutoff yang berbeda-beda. Terdapat beberapa penelitian mengenai ketepatan prediksi financial distress yang telah dilakukan sebelumnya, di antaranya yaitu Wulandari dkk. (2014), Pambekti (2014), Hadi dan Anggraeni (2011), Rifqi (2009), Prihanthini dan Sari (2013), Wulandari dkk (2014).

Penelitian Hadi dan Anggraeni (2011) membuktikan bahwa model prediksi Altman merupakan prediktor terbaik di antara ketiga prediktor yang dianalisa yaitu Altman model, Zmijewski model dan Springate model. Kemudian penelitian Prihanthini dan Sari (2013) membuktikan bahwa model Grover merupakan model prediksi yang paling sesuai diterapkan pada

perusahaan Food and Beverage yang terdaftar di Bursa Efek Indonesia (BEI). Penelitian Pambekti (2013) menyimpulkan bahwa model Zmijewski adalah model prediksi financial distress yang paling tepat digunakan untuk memprediksi financial distress perusahaan di masa yang akan datang.

Hasil penelitian sebelumnya masih menunjukkan adanya inkonsistensi hasil. Perbedaan tersebut disebabkan karena pada dasarnya setiap model memiliki kelebihan dan kekurangan masing-masing. Suatu model mungkin tepat untuk jenis perusahaan tertentu namun bisa saja tidak tepat untuk jenis perusahaan lainnya. Pada penelitian-penelitian terdahulu objek penelitian hanya terbatas pada satu sub sektor perusahaan yang terdaftar di BEI. Contohnya seperti pada penelitian Wulandari dkk (2014) dan penelitian Prihantini dan Sari (2013), yang mana objek penelitian hanya terbatas pada perusahaan food and beverage. Untuk mendapatkan hasil penelitian yang bersifat general maka dibutuhkan penelitian yang lebih luas cakupannya, yaitu dengan memperluas sampel penelitian. Berdasarkan latar belakang diatas, maka peneliti tertarik untuk melakukan penelitian yang berjudul “ Ketepatan Prediksi Financial Distress dengan Model Altman, Grover, dan Zmijewski pada Perusahaan Manufaktur yang Terdaftar di Bursa

B. Rumusan Masalah Penelitian

Dari ketiga model (Altman, Grover dan Zmijewski), model prediksi mana yang memiliki tingkat akurasi tertinggi dalam memprediksi financial distress?

C. Tujuan Penelitian

Untuk menguji model prediksi mana yang memiliki tingkat akurasi tertinggi dalam memprediksi financial distress.

D. Manfaat Penelitian

1. Manfaat di Bidang Teoritis

Penelitian ini akan memperkaya wawasan di bidang pendidikan mengenai model-model prediksi financial distress yang dapat digunakan sebagai alat analsis untuk memprediksi financial distress.

2. Manfaat di Bidang Praktik a. Bagi investor

Hasil penelitian ini dapat direkomendasikan kepada investor mengenai model prediktor financial distress yang paling sesuai untuk digunakan. Dengan model prediktor tersebut, investor dapat memprediksi perusahaan apa saja akan mengalami financial distress sehingga investor tidak salah dalam mengambil keputusan investasi.

b. Bagi Perusahaan

Dengan diketahui model prediksi financial distress yang paling akurat, perusahaan dapat menggunakanya untuk menganalisis apakah perusahaan tersebut diprediksi akan mengalami financial distress. Perusahaan lebih baik mengetahui financial distress sejak dini sehingga dapat melakukan tindakan-tindakan agar perusahaan dapat memperbaiki kondisi keuangannya sehingga dapat kembali berjaya (corporate turnaround) agar tidak berujung pada kebangkrutan.

c. Bagi Kreditur

Kreditur dapat menggunakan model prediktor financial distress yang paling tepat untuk diterapkan sehingga dapat membantu dalam mengambil keputusan kredit. Pengambilan keputusan kredit yang tepat dapat menghindarkan kreditur dari berbagai kerugian yang mungkin akan terjadi.

7

TINJAUAN PUSTAKA

A. Landasan Teori 1. Financial Distress.

Financial distress merupakan tahap penurunan kondisi keuangan perusahaan. Financial distress terjadi sebelum terjadinya kebangkrutan atau likuidasi (Widarjo dan Setiawan, 2009). Menurut Adnan dan Kurnasih (2000), financial distress merupakan keadaan perusahaan yang mengalami kesulitan dalam menghasilkan laba atau perusahaan tersebut mengalami defisit. Selain itu kondisi perusahaan yang mengalami financial distress disampaikan oleh Anggarini dan Ardiyanto (2010), yang menyatakan bahwa perusahaan yang mengalami financial distress akan menghadapi beberapa kondisi. Kondisi yang pertama yaitu perusahaan mengalami kegagalan pembayaran kembali hutang yang sudah jatuh tempo kepada kreditur. Kondisi yang kedua yaitu perusahaan tersebut berada dalam kondisi yang tidak solvable (insolvable).

Untuk mengidentifikasi apakah suatu perusahaan berada dalam kondisi financial distress juga dapat dilihat dari ketidakmampuan perusahaan dalam memenuhi kewajibanya. Hal tersebut sesuai dengan pernyataan Wulandari dkk. (2014), yang menyatakan bahwa suatu perusahaan diidentifikasi berada dalam kondisi financial distress jika perusahaan tidak mampu memenuhi kewajibannya. Sementara itu

Purnajaya dan Merkusiwati berpendapat bahwa perusahaan dikatakan mengalami kegagalan keuangan (financial distress) apabila perusahaan mengalami kesulitan dana. Dalam hal ini dana dapat diartikan sebagai dana dalam pengertian kas maupun dana dalam pengertian modal kerja.

Menurut Pambekti (2013) pemicu terjadinya financial distress suatu perusahaan disebabkan karena terganggunya modal kerja yang akan mengganggu operasional perusahaan sehingga profitabilitas perusahaan menurun. Selain itu terjadinya financial distress banyak dipengaruhi oleh faktor kebijakan internal yang pada akhirnya membawa perusahaan pada kebangkrutan. Menurut penelitian Gamayuni (2011), penyebab kebangkrutan dapat berasal dari faktor internal dan eksternal perusahaan. Faktor internal antara lain kurangnya pengalaman manajemen dan kurangnya pengetahuan dalam mempergunakan asset dan liabilities secara efektif. Faktor eksternal yaitu inflasi, sistem pajak dan hukum, depresiasi mata uang asing, dan alasan lainnya.

2. Model Altman.

Wulandari dkk (2014) menjelaskan bahwa dalam model Altman dikembangkan menggunakan model step-wise Multivariate Discriminant Analysis (MDA). MDA merupakan teknik statistika yang yang biasa digunakan untuk membuat model yang mana variabel dependennya merupakan variabel kualitatif. Output dari teknik MDA yaitu persamaan linear yang bisa membedakan antara dua keadaan variabel dependen. Penelitian Adnan dan Arisudhana (2010), menjelaskan bahwa Altman

mengembangkan model kebangkrutan dengan menggunakan 22 rasio keuangan yang diklasifikasikan kedalam lima kategori yaitu likuiditas, profitabilitas, leverage, rasio uji pasar dan aktivitas.

Penelitian Adnan dan Arisudhana (2010) menjelaskan bahwa model refisi Altman merupakan model yang memperbaiki model Altman sebelumnya. Model Altman sebelumnya hanya dapat digunakan pada perusahaan manufaktur, sedangkan model yang telah direvisi dapat digunakan pada perusahaan manufaktur maupun jenis perusahaan lainya. Hal tersebut didukung oleh pernyataan Fatmawati (2012) yang menyatakan bahwa revisi yang dilakukan oleh Altman merupakan penyesuaian yang dilakukan agar model prediksi kebangkrutan tersebut tidak hanya untuk perusahaan manufaktur yang go public melainkan juga dapat diaplikasikan untuk perusahaan-perusahaan di sektor swasta. Model refisi Altman (1993) juga telah digunakan dalam penelitian Hadi dan Anggraeni (2011) yang juga digunakan dalam penelitian ini.

Berikut ini merupakan persamaan model Altman yang digunakan untuk memprediksi financial distress:

Z’= 0,717X1 + 0,847X2 + 3,107X3 + 0,420X4 + 0,988X5 Keterangan:

X1 :Working capital to total asset (WCTA) X2 : Retained earning to total asset (RETA)

X3 : Earning before interest and taxes to total asset (EBITTA) X4 : Market value of equity / book value of debt (MVEBVD)

X5 : Sales / total asset (SATA)

Setelah diketahui hasil skor berdasarkan perhitungan, selanjutnya Altman menggunakan nilai cutoff 2,675 dan 1,81 dengan kriteria sebagai berikut:

a. Perusahaan yang mempunyai skor Z>2,675 diklasifikasikan sebagai perusahaan sehat.

b. Perusahaan yang mempunyai skor Z<1,81 diklasifikasikan sebagai perusahaan potensial bangkrut.

c. Perusahaan yang mempunyai skor 1,81≤ Z ≤ 2,675 diklasifikasikan sebagai perusahaan pada grey area atau daerah kelabu.

3. Model Grover.

Dalam penelitian Prihanthini dan Sari (2013) dijelaskan bahwa model grover merupakan model yang ciptakan oleh Jeffrey S. Grover dengan melakukan pendesainan dan penilaian ulang terhadap model Altman Z-score. Grover menggunakan sampel sesuai dengan model Altman Z-score dengan menambah 13 rasio keuangan baru. Berdasarkan penelitianya tersebut maka diperoleh sebuah persamaan sebagai :

Score = 1,650X1 + 3,404X3 – 0,016ROA + 0,057 Keterangan :

X1 : Working capital/ total asset (WCTA)

X3 : Earning before interest and taxes / total asset (EBITTA) ROA = net income/total assets

Model Grover mengkategorikan perusahaan dalam keadaan bangkrut apabila skor yang dihasilkan berdasarkan perhitungan persamaan kurang dari atau sama dengan -0,02 (Z ≤ -0,02). Sedangkan nilai untuk perusahaan yang dikategorikan dalam keadaan tidak bangkrut atau sehat

adalah lebih dari atau sama dengan 0,01 (Z ≥ 0,01).

4. Model Zmijewski.

Dalam penelitian Fatmawati (2012) dijelaskan bahwa model Zmijewski menggunakan analisis rasio yang digunakan untuk mengukur kinerja, leverage, dan likuiditas suatu perusahaan. Berikut ini merupakan persamaan model Zmijewski:

Z = -4,3 –4,5XΌ+ 5,7X΍- 0,004XΎ Keterangan:

XΌ= Return On Asset (ROA) X΍= Debt Ratio (TLTA) XΎ= Current Ratio (CACL)

Cutoff yang berlaku pada model zmijewski adalah 0. Artinya, jika perusahaan memiliki skor lebih besar dari atau sama dengan 0, maka perusahaan tersebut diprediksi akan mengalami financial distress dimasa depan. Namun jika nilai skor perusahaan kurang dari 0 maka perusahaan tersebut diprediksi tidak akan mengalami finnancial distress (Wulandari, 2014).

B. Hipotesis

1. Model Altman terhadap Financial Distress.

Model Altman menggunakan lima rasio keuangan dalam memprediksi kondisi financial distress. Kelima rasio yang digunakan model Altman yaitu Working Capital to Total Asset (WCTA), Retained Earning to Total Assets (RETA), Earning before interest and taxes to total asset (EBITTA), Market Value Equity to Book Value of Total Debt (MVEBTB), dan sales to total asset (SATA). Semakin tinggi skor Altman yang di hasilkan maka Kemungkinan perusahaan mengalami kondisi Financial distress akan semakin kecil.

Rasio yang pertama yaitu Working Capital to Total Asset. Rasio ini mengukur likuiditas suatu perusahaan. Semakin tinggi modal kerja (Working Capital) maka kondisi keuangan perusahaan semakin baik. Semakin baik kondisi keuangan perusahaan maka perusahaan akan semakin terhindar dari financial distress. Menurut penelitian Takarini dan Ekawati (2003), semakin tinggi Working Capital To Total Asset (WCTA) memperlihatkan semakin besar pula modal kerja yang diperoleh perusahaan. Semakin besar modal kerja, maka semakin lancar operasional perusahaan yang berdampak pada peningkatan pendapatan yang disertai dengan peningkatan laba.

Rasio kedua yang digunakan dalam model Altman yaitu Retained Earning to Total Assets (RETA). Menurut Kartikawati (2012) rasio laba ditahan terhadap total aset (Retained Earning to Total Assets) merupakan

rasio yang menggambarkan efisiensi usaha. Selain itu, rasio tersebut juga memperlihatkan kemampuan perusahaan dalam memperoleh keuntungan.

Rasio yang ketiga yaitu rasio Earning before interest and taxes to total asset (EBITTA). Menurut Kartika (2012) rasio EBIT terhadap total aktiva (Earning before interest and taxes to total asset) merupakan rasio yang digunakan untuk mengukur produktivitas aktiva perusahaan dalam menghasilkan laba sebelum bunga dan pajak.

Rasio yang kempat yaitu Market Value Equity to Book Value of Total Debt (MVEBVD) atau Rasio modal sendiri terhadap total utang. Rasio ini merupakan rasio yang digunakan untuk mengukur kemampuan perusahaan dalam memberikan jaminan kepada setiap hutangnya melalui modal sendiri (Kartika, 2012).

Rasio yang terakhir yaitu Sales to Total Assets (SATA). Rasio penjualan terhadap total aktiva merupakan rasio yang menggambarkan kemapuan perusahaan untuk meningkatkan penjualan dari aktiva perusahaan. Rasio ini juga memperlihatkan kemampuan manajemen dalam menghadapi kondisi yang kompetitif (Kartika 2012).

Berdasarkan penjelasan diatas dapat ditarik kesimpulan sementara bahwa model Altman dapat digunakan untu memprediksi financial distress.Hal tersebut didukung oleh beberapa penelitian yang telah dilakukan sebelumnya. Penelitian Pambekti (2014) yang membuktikan bahwa model Altman dapaat digunakan untuk memprediksi financial distress. Penelitian Wulandari dkk (2014) membuktikan bahwa model

Altman dapat digunakan untuk memprediksi kesulitan keuangan perusahaan. Penelitian Hadi dan Anggraeni (2011) membuktikan bahwa model prediksi Altman merupakan prediktor terbaik di antara ketiga prediktor yang dianalisa dalam penelitianya yaitu Altman model, Zmijewski model dan Springate model. Berdasarkan uraian diatas peneliti mengajukan hipotesis satu, yaitu :

H1: Model Altman dapat digunakan untuk memprediksi kondisi financial

distress.

2. Model Grover terhadap Financial distress.

Model grover menggunakan tiga rasio keuangan untuk memprediksi kondisi financial distress. rasio pertama yaitu rasio working capital to total assets (WCTA). Rasio ini akan memperlihatkan likuiditas perusahaan. Semakin tinggi rasio ini maka perusahaan akan terhindar dari financial distress. Rasio selanjutnya yaitu EBIT to Total Assets (EBITTA). Rasio ini akan memperlihatkan tingkat produktivitas aktiva dalam menghasilkan laba sebelum pajak dan bunga. Semakin tinggi rasio ini maka perusahaan akan semakin terhindar dari financial distress. rasio yang terakhir yaitu ROA. Menurut Herdiningtyas (2006) ROA merupakan rasio yang digunakan untuk mengukur kemampuan manajemen dalam memperoleh laba yang dihasilkan dari rata-rata aset. Semakin besar ROA, maka semakin kecil kemungkinan perusahaan dalam kondisi bermasalah.

Berdasarkan penjelasan diatas maka dapat diatrik kesimpulan sementara bahwa model Grover dapat digunakan untuk memprediksi

financial distress. Hal tersebut didukung penelitian yang telah dilakukan sebelumnya. Penelitian Pambekti (2014) membuktikan bahwa model Grover dapat digunakan untuk memprediksi Financial Distress. Penelitian Prihanthini dan Sari (2013) membuktikan bahwa model Grover merupakan model prediksi yang paling sesuai diterapkan pada perusahaan Food and Beverage yang terdaftar di Bursa Efek Indonesia (BEI). Berdasarkan uraian diatas maka peneliti mengajukan hipotesis dua, yaitu:

H2: Model Grover dapat digunakan untuk memprediksi kondisi financial

distress.

3. Model Zmijewski terhadap Financial Distress

Model Zmijewski menggunakan tiga rasio keuangan. Rasio yang pertama yaitu ROA. Rasio ini akan menunjukkan tingkat kemampuan perusahaan dalam menghasilkan laba dari rata-rata asetnya. Semakin tinggi ROA maka kondisi kesehatan perusahaan semakin baik. Rasio selanjutnya yaitu Debt Ratio. Rasio ini akan mengukur tingkat persentase aktiva yang di biayai oleh hutang. Rasio yang terakhir yaitu Current Ratio. Rasio ini digunakan untuk mengukur likuiditas perusahaan. likuiditas merupakan kempuan perusahaan dalam memenuhi kewajiban jangka pendeknya. Semakin tinggi kemampuan perusahaan dalam memenuhi kewajibanya, maka perusahaan tersebut dikatakan sebagai perusahaan yang sehat.

Penelitian Pambekti (2014), Wulandari (2014), Prihantini dan sari (2013), dan Fatmawati (2012) membuktikan bahwa model Zmijewski

dapat digunakan untuk memprediksi Financial Distress. Hasil penelitian Fatmawati (2012) memperlihatkan bahwa model Zmijewski merupakan prediktor delisting terakurat. Penelitian Pambekti (2014) menyimpulkan bahwa model Zmijewski adalah model prediksi financial distress yang paling tepat digunakan untuk memprediksi financial distress perusahaan di masa yang akan datang. Berdasarkan uraian diatas peneliti mengajukan hipotesis tiga, yaitu :

H3: Model Zmijewski dapat digunakan untuk memprediksi kondisi

financial distress.

4. Model Altman Memiliki Tingkat Akurasi Tertinggi dalam Memprediksi Kondisi Financial Distress

Model Altman merupakan model kebangkrutan yang dikembangkan menggunakan 22 rasio keuangan yang kemuadian diklasifikasikan kedalam lima kategori yaitu likuiditas, profitabilitas, leverage, rasio uji pasar dan aktivitas (Adnan dan Arisudhana, 2010). Model Altman menggunakan rasio keuangan lebih banyak dibandinngkan dengan kedua model lainnya (model Grover dan Zmijewski). Model Altman menguji kondisi keuangan perusahaan berdasarkan lima aspek (likuiditas, profitabilitas, leverage, rasio uji pasar dan aktivitas), sedangkan Model Zmijewski dan Grover hanya melihat dari tiga aspek.

Penelitian Hadi dan Anggraeni (2011) membuktikan bahwa model prediksi Altman merupakan prediktor terbaik di antara ketiga prediktor

yang dianalisa yaitu Altman model, Zmijewski model dan Springate model.Berdasarkan hal tersebut peneliti mengajukan hipotesis yang empat yaitu :

H4: Model Altman Memiliki tingkat akurasi tertinggi dalam memprediiksi

kondisi financial distress.

C. Model Penelitian

Gambar 2.1 Model Penelitian Model Altman (X1)

Model Grover (X2) Financial Distress (Y)

18 A. Obyek Penelitian

Obyek dalam penelitian ini adalah perusahaan manufaktur yang terdaftar di Bursa Efek Indonesia (BEI). Perusahaan yang terdaftar di BEI merupakan perusahaan yang go public. Setiap perusahaan yang go public diwajibkan untuk mempublikasikan laporan keuangan tahunan sehingga data tersebut memungkinkan diperoleh dalam penelitian ini.

B. Jenis Data

Data yang digunakan dalam penelitian ini merupakan data sekunder. Data sekunder merupakan data yang diperoleh peneliti secara tidak langsung melalui media perantara. Data yang diperoleh peneliti berupa laporan keuangan perusahaan yang terdaftar di BEI tahun 2014.

C. Teknik Pengambilan Sampel

Populasi dalam penelitian ini yaitu seluruh perusahaan manufaktur yang terdaftar di BEI tahun 2014. Pemilihan sampel dalam penelitian ini ditentukan berdasarkan teknik pusposive sampling. Teknik penyampelan ini merupakan teknik pemilihan sampel yang ditentukan berdasarkan kriteria-kriteria tertentu sesuai dengan tujuan penelitian. Kriteria yang ditentukan

berupa kriteria umum dan kriteria khusus. Kriteria umum merupakan kriteria yang harus dipenuhi oleh seluruh sampel, yaitu :

a. Perusahaan harus memiliki data keuangan tahun 2014 (laporan laba rugi, laporan posisi keuangan, dan arus kas) dengan lengkap.

b. Perusahaan menyajikan data keuangan lengkap yang berkaitan dengan variabel penelitian.

Kriteria khusus digunakan untuk menentukan apakah perusahaan mengalami financial distress atau tidak. Perusahaan dikatakan mengalami financial distress apabila:

a. Perusahaan tersebut memiliki ekuitas negatif. Ekuitas negatif berarti total utang perusahaan melebihi total asetnya (TL>TA). (Luciana, 2006); atau

b. Perusahaan tersebut memiliki net income negatif selama 2 tahun berturut-turut. (Luciana, 2006).

D. Teknik Pengumpulan Data

Teknik pengumpulan data dilakukan dengan metode arsip. Artinya data yang diperoleh dalam penelitian ini berupa data yang dicatat oleh pihak lain. Data tersebut berupa laporan keuangan perusahaan tahun 2014. Dimana sumber data tersebut diperoleh dari Pusat Inforrmasi Pasar modal (PIPM), Indonesian Capital Market Directory (ICMD) dan juga mengakses www.idx.co.id.

E. Definisi Operasional Variabel Penelitian 1. Variabel Dependen

Variabel dependen dalam penelitian ini adalah financial distress. variabel financial distress disajikan dalam bentuk variabel dummy, 1 untuk perusahaan yang mengalami financial distress dan 0 untuk perusahaan yang tidak mengalami financial distress.

2. Variabel Independen

Variabel independen dalam penelitian ini yaitu model Altman, model Grover, dan model Zmijewski yang dijelaskan sebagai berikut:

a. Model Altman

Z = 0,717 WCTA + 0,847 RETA + 3,107 EBITTA + 0,420 MVEBVD + 0.998 SATA

b. Model Grover

Score = 1,650 WCTA + 3,404 EBITTA - 0,016 ROA + 0,057 c. Model Zmijewski

X = -4,3 - 4,5 ROA + 5,7 TLTA - 0,004 CACL

Berikut ini akan diuraikan cara pengukuran atau operasionalisasi untuk seluruh variabel yang terdapat dalam keempat model penelitian di atas.

1) Working capital/total asset (WCTA)

Variabel ini merupakan variabel untuk mengukur likuiditas perusahaan. Variabel ini digunakan dalam 2 model, yaitu Altman, dan Grover. Rumus WCTA dalam penelitian ini sesuai dengan

yang digunakan dalam penelitian Cahyaningrum dan Haryanto (2012).

WCTA = (Aset Lancar – Hutang Lancar)/Total Aset Semua data diperoleh dari laporan posisi keuangan perusahaan.

2) Retained Earnings/Total asset (RETA)

Variabel ini menunjukkan kemampuan perusahaan untuk menghasilkan laba ditahan dari total aset perusahaan (Ardiyanto dan Prasetiono, 2011). Variabel ini hanya digunakan pada model Altman saja. Variabel ini dihitung dengan cara sebagai berikut:

RETA = Laba ditahan/Total Aset

Rumus tersebut sesuai dengan rumus yang digunakan dalam penelitian Ardiyanto dan Prasetiono (2011). Semua data diperoleh dari lapoaran posisi keuangan perusahaan.

3) Earnings before interest and taxes/total asset (EBITTA) Variabel ini merupakan variabel yang mengukur profitabilitas perusahaan. Rasio ini menunjukkan kemampuan perusahaan untuk menghasilkan laba dari aktifitas perusahaan sebelum bunga dan pajak (Maryati dan Zulkarnain, 2014). Variabel ini digunakan dalam 2 model yaitu Altman dan Grover. Rumus EBITTA dalam penelitian ini sesuai dengan yang digunakan dalam penelitian Maryati dan Zulkarnain (2014).

EBITTA = Pendapatan Sebelum Bunga dan Pajak/Total Aset

Pendapatan sebelum bunga dan pajak diperoleh dari laporan laba rugi, sedangkan total aset diperoleh dari neraca perusahaan. 4) Market value of equity/book value of total debt (MVEBVD)

Variabel ini merupakan variabel yang menunjukkan nilai sebuah perusahaan di mata investor dalam pasar aktif (pasar modal). Variabel ini digunakan dalam model Altman saja. Rumus MVBEVD dalam penelitian ini sesuai dengan yang digunakan dalam penelitian Rismawati (2008).

MVEBVD = (harga saham x jumlah saham beredar)/Total Hutang

Harga saham diperoleh dari laporan tahunan. Sedangkan jumlah saham beredar serta total liabilities diperoleh dari laporan posisi keuangan perusahaan.

5) Sales/Total asset (SATA)

Variabel ini merupakan variabel yang mengukur kemampuan perusahaan dalam menciptakan penjualan dengan aset yang ada. Variabel ini digunakan dalam model Altman. Cara menghitung SATA dalam penelitian Ardiyanto dan Prasetiono (2011) adalah sebagai berikut:

SATA = Penjualan/Total Aset

Nilai penjualan diperoleh dari laporan laba rugi, sedangkan nilai total aset didapat dari neraca perusahaan.

6) Total liabilities/total asset (TLTA)

Variabel ini merupakan variabel yang mengukur likuiditas perusahaan secara total. Variabel ini digunakan dalam model Zmijewski. Perhitungan TLTA dalam penelitian ini menggunakan rumus yang digunakan dalam penelitian Ardiyanto dan Prasetiono (2011) yaitu:

TLTA = Total Hutang/Total Aset

Semua data diperoleh dari laporan posisi keuangan perusahaan. 7) Return On Asset (ROA)

Variabel ini merupakan variabel yang mengukur profitabilitas perusahaan. Variabel ini digunakan pada model Grover dan Zmijewski. Rumus ROA dalam penelitian ini sesuai dengan yang digunakan dalam penelitian Dewi (2013).

ROA = Laba setelah pajak / total aset

Laba bersih diperoleh dari laporan laba rugi, sedangkan total aset diperoleh dari laporan posisi keuangan.

8) Current asset/current liabilities (CACL)

Variabel ini hanya digunakan di model Zmijewski. Perhitungan TLTA dalam penelitian ini menggunakan rumus yang digunakan dalam penelitian Ardiyanto dan Prasetiono (2011) yaitu:

CACL = current asset/current liabilities

F. Uji Kualitas dan Instrumen Data 1. Analisis Statistik Deskriptif

Analisis statistik deskriptif merupakan suatu teknik analisis yang menggambarkan data-data yang telah terkumpul secara deskriptif sehingga tercipta sebuah kesimpulan yang bersifat umum. Analisis statistika deskriptif ini memiliki tujuan untuk memberikan gambaran (deskripsi) mengenai suatu data agar data yang tersaji menjadi mudah dipahami dan informatif bagi pembaca. Statistik deskriptif yang digunakan dalam penelitian ini yaitu rata – rata (mean), standart deviasi (standard deviation), dan maksimum-minimum.

Mean digunakan untuk memperkirakan besar rata – rata populasi yang diperkirakan dari sampel. Standar deviasi untuk menilai dispersi rata – rata dari smpel. Maksimum-minimum digunakan untuk melihat nilai minimum dan maksimum dari populasi. Hal ini perlu dilakukan untuk melihat gambaran keseluruhan dari smpel yang berhasil dikumpulkan dan memenuhi syarat untuk dijadikan sampel penelitian.

2. Menilai Model Fit dan keseluruhan model (Overall Model Fit) Penilaian model fit dilakukan melalui pengujian berdasarkan fungsi LikelihoodL. LikelihoodL dari model adalah probabilitas bahwa model yang dihipotesiskan menggambarkan data input. Pengujian dilakukan berdasarkan fungsi LikelihoodL, dengan

cara membandingkan antara nilai -2Log Likelihood awal dengan nilai -2Log Likelihood akhir. Output pada SPSS memberikan dua nilai -2Log Likelihood. Nilai -2Log Likelihood awal menunjukkan model yang hanya memasukkan konstantanya saja. -2Log Likelihood akhir menunjukkan model dengan konstanta ditambah variable bebas. Apabila nilai -2LL awal atau pada saat blocknumber = 0 lebih besar daripada nilai -2LL akhir atau pada saat blocknumber = 1, maka dapat disimpulkan bahwa model regresi menjadi lebih baik atau dengan kata lain model yang dihipotesiskan fit dengan data (Yuanita, 2010).

3. Menilai Kelayakan Data dan Model regresi

Kelayakan data diuji menggunakan Omnibus Test of Model. Data dikatakan layak apabila hasil pengujian menunjukkan nilai sig < alpha (0,05). Kelayakan model regresi dinilai menggunakan Hosmer and Lemeshow’s Goodnes of Fit Test (Noverio, 2011). Berikut merupakan hipotesis yang digunakan untuk menilai kelayakan model regresi:

H0: Tidak ada perbedaan antara model dengan data.

Ha: Ada perbedaan antara model dengan data.

H0 diterima apabila nilai Hosmer and Lemeshow’s

Goodnes of Fit > 0,05, yang artinya data empiris cocok atau sesuai dengan model. Hal tersebut menunjukkan bahwa tidak ada

perbedaan antara model dengan data sehingga model data dikatakan fit (Ghozali, 2011).

4. Koefisien Determinasi

Koefisien determinasi (Nagelkerke’s R square) digunakan untuk mengetahui sejauh mana kemampuan model dalam menjelaskan variasi variabel dependen. Hal ini sesuai dengaan pernyataan Ghozali (2011) yang menyatakan bahwa nilai Nagelkerke’s R2 _{menjelaskan besarnya variabilitas variabel}

dependen yang dapat dijelaskan oleh variabilitas variabel independen. Nilai koefisien determinasi adalah antara nol sampai dengan satu. Apabila nilai Nagelkerke’s R2 semakin kecil, maka kemampuan variabel independen dalam menjelaskan variasi variabel dependen rendah. Apabila nilai Nagelkerke’s R2 mendekati satu, maka variabel independen memberikan hampir semua informasi yang dibutuhkan untuk memprediksi variasi variabel dependen.

G. Uji Hipotesis dan Analisis Data

Pengujian hipotesis dalam penelitian ini menggunakan analisis regresi logistik biner (Regresi Binary Logistic). Analisis ini dipilih agar dapat melihat pengaruh masing-masing variabel independen terhadap variabel dependen yang berbentuk variabel biner (Wiyono, 2011). Regresi logistik umumnya digunakan jika asumsi multivariate normal ditribution

tidak terpenuhi. Hal tersebut dikarenakan variabel bebas merupakan campuran antara variabel kontinyu (metrik) dan kategorial (non-metrik) (Ghozali, 2011). Sehingga dapat disimpulkan bahwa penggunaan regresi logistik tidak perlu asumsi normalitas data pada variabel bebasnya.

Model regresi dalam penelitian ini adalah sebagai berikut:

= + � + � � + � + �

Dimana:

Zi : Financial distress (1 = finacial distress dan 0 = non

financial distress)

α : Konstanta

�1, … , �3 : Koefisien

Altman :Model Altman Grover :Model Grover Zmijewski : Model Zmijewski

e : Error

Berikut merupakan kriteria penerimaan hipotesis a. Hipotesis 1 sampai 3

Tingkat kepercayaan yang digunakan dalam pengujian hipotesis

adalah 95% atau taraf signifikasi 5% (α = 0,05). Jika nilai sig Wald test < alpha (0,05) maka H1 sampai H3 diterima, yang artinya terdapat

pengaruh yang signifikan atau model dapat digunakan sebagai prediktor financial distress.

b. Hipotesis 4

Hipotesis 4 di uji dengan cara membandingkan nilai Nagelkerke R2_{. Model prediktor financial distress} dengan Nagelkerke’s R2 _tertinggi

menggambarkan bahwa model tersebut memiliki tingkat akurasi tertinggi dibandingkan dengan model-model lainnya yang diteliti dalam penelitian ini. Hal tersebut didasarkan pada pernyataan Ghozali (2011) yang menyatakan bahwa nilai Nagelkerke’s R2 menjelaskan besarnya variabilitas variabel dependen yang dapat dijelaskan oleh variabilitas variabel independen.

Nilai Nagelkerke’s R2 _{setiap model didapat dengan cara melakukan}

pengujian ulang masing-masing model prediktor financial distress. pada proses ini terdapat tiga pengujian, yang meliputi:

1) Model Altman terhadap Financial distress 2) Model Grover terhadap Financial distress 3) Model Zmijewski terhadap Financial distress

Pengujian kali ini hanya berfokus pada nilai Nagelkerke’s R2 dan mengabaikan yang lainnya.

29

HASIL PENELITIAN DAN PEMBAHASAN

A. Gambaran Umum Obyek Penelitian

Obyek dalam penelitian ini adalah perusahaan yang termasuk dalam kelompok industri manufaktur di Bursa Efek Indonesi (BEI) tahun 2014. Berdasarkan metode purposive sampling, diperoleh sampel perusahaan yang disajikan dalam tabel 4.1

Tabel 4.1

Prosedur Pemilihan Sampel

Uraian Jumlah

Perusahaan manufaktur yang listing di BEI pada tahun 2014 151 Perusahaan manufaktur yang tidak mengungkapkan laporan

tahunan atau annual report dan financial report selama tahun 2014

12 Data-data mengenai variabel penelitian tidak tersedia lengkap

dalam laporan keuangan tahunan perusahaan yang diterbitkan pada tahun 2014

29

Total Sampel 110

Total Data 110

Tabel 4.1 memberikan gambaran bahwa perusahaan manufaktur yang terdaftar di BEI pada tahun 2014 berjumlah 151 perusahaan. Seluruh perusahaan tersebut selanjutnya melalui tahap pemilihan sampel, sehingga diperoleh 110 perusahaan yang sesuai dengan kriteria pemilihan sampel penelitian. Kemudian jumlah sampel tersebut dikalikan dengan lamanya tahun penelitian (1 tahun) sehingga diperoleh total data yang diteliti dalam

penelitian ini yaitu sebanyak 110 data laporan tahunan perusahaan manufaktur.

B. Hasil Penelitian

1. Analisis Statistik Deskriptif

Hasil pengujian statistik deskriptif dijelaskan dalam tabel 4.2 Tabel 4.2

Hasil Statistik Deskriptif

Sumber : Output SPSS

Tabel 4.2 memperlihatkan bahwa jumlah data yang digunakan sebanyak 110. Variabel Financial distress memiliki rata-rata sebesar 0,14 dengan nilai standar deviasi sebesar 0,345. Nilai rata-rata tersebut hampir mendekati 0,00 yang artinya mayoritas sampel penelitian merupakan perusahaan non financial distress. Model Altman memiliki nilai rata-rata sebesar 3,108648 dengan standar deviasi 3,6661916. Model Grover memiliki nilai rata-rata sebesar 0,509181 dengan standar deviasi 1,1828695. Model Zmijewski memiliki nilai rata-rata sebesar -1,346023 dengan standar deviasi 3,5275980.

Descriptive Statistics

110 0 1 ,14 ,345

110 -6,7061 16,9153 3,108648 3,6661916

110 -5,1268 6,4167 ,509181 1,1828695

110 -21,5187 17,2824 -1,346023 3,5275980 110

Financial distress Model Altman Model Grov er Model Zmijewski Valid N (listwise)

2. Menilai Model Fit dan Keseluruhan Model Tabel 4.3

Perbandingan Nilai -2LogLikelihood -2 Log likelihood Nilai Awal (Block Number = 0) 87,628 Akhir (Block Number = 1) 39,052

Tabel 4.3 memperlihatkan nilai -2LogLikelihood awal sebesar 87,628 dan nilai -2LogLikelihood akhir sebesar 39,052, yang berarti terjadi penurunan nilai sebesar 42,576. Penurunan nilai tersebut membuktikan bahwa model yang dihipotesiskan fit dengan data.

3. Menilai Kelayakan Data dan Model Regresi

Tabel 4.4 menjelaskan hasil uji kelayakan data. Hasil pengujian pada Tabel 4.4 memperlihatkan bahwa nilai Sig (0,00) < alpha (0,05). Hal tersebut dapat diartikan bahwa data penelitian layak digunkan.

Tabel 4.4

Hasil Uji Kelayakan Data

Sumber: Output SPSS

Tabel 4.5 merupakan hasil pengujian kelayakan model regresi. Omnib us Tests o f Model Coefficien ts

48,576 3 ,000

48,576 3 ,000

48,576 3 ,000

St ep Block Model St ep 1

Tabel 4.5

Hasil Kelayakan Model

Sumber: Output SPSS

Hasil pengujian pada Tabel 4.5 memperlihatkan nilai sig sebesar 0,993 > alpha (0,05) sehingga dapat disimpulkan bahwa model regresi layak digunakan untuk melanjutkan pengujian dalam penelitian ini.

4. Uji Koefisien Determinasi

Tabel 4.6 merupakan hasil pengukuran koefisien determinasi. Tabel 4.6

Hasil Uji Koefisien Determinasi

Sumber: Output SPSS

Tabel 4.6 memperlihatkan nilai Nagelkerke R Square sebesar 0,650, yang artinya variabel independen (model Altman, Model Grover dan Model Zmijewski) mampu menjelaskan variabel dependen (financial distress) sebesar 65% dan sisanya di jelaskan variabel lain yang tidak diteliti.

Hosmer and Lemeshow Test

1,456 8 ,993

Step 1

Chi-square df Sig.

Model Summary

39,052a ,357 ,650

St ep 1

-2 Log likelihood

Cox & Snell R Square

Nagelkerke R Square

Estimation terminat ed at iteration number 7 because parameter est imat es changed by less than ,001. a.

5. Uji Hipotesis (Uji Wald)

Hasil pengujian hipotesis satu sampai hipotesis tiga dapat dilihat dalam Tabel 4.7. Hasil pengujian hipotesis empat dapat dilihat dalam Tabel 4.8 sampai Tabel 4.10

Tabel 4.7 Hasil Uji Hipotesis

Sumber: Output SPSS

Tabel 4.8

Hasil Uji Koefisien Determinasi Model Altman

Sumber: Output SPSS

Tabel 4.9

Uji koefisien Determinasi Model Grover

Sumber: Output SPSS

Variables in the Equation

-,448 ,221 4,105 1 ,043 ,639

-1,839 ,810 5,157 1 ,023 ,159

,534 ,162 10,843 1 ,001 1,706

-,999 ,503 3,949 1 ,047 ,368

Altman Grov er Zmijewski Constant Step 1a

B S.E. Wald df Sig. Exp(B)

Variable(s) entered on step 1: Altman, Grov er, Zmijewski. a.

Model Summary

62,339a ,205 ,374

St ep 1

-2 Log likelihood

Cox & Snell R Square

Nagelkerke R Square

Estimation terminat ed at iteration number 7 because parameter est imat es changed by less than ,001. a.

Model Summary

57,018a ,243 ,442

St ep 1

-2 Log likelihood

Cox & Snell R Square

Nagelkerke R Square

Estimation terminat ed at iteration number 7 because parameter est imat es changed by less than ,001. a.

Tabel 4.10

Uji Koefisien Determinasi Model Zmijewski

Sumber: Output SPSS

Berdasarkan tabel 4.7 dapat diketahui persamaan regresi logistik adalah sebagai berikut:

a. Model Altman dapat digunakan untuk memprediksi kondisi financial distress

Tabel 4.7 memperlihatkan bahwa nilai sig untuk model Altman sebesar 0,043 < alpha 0,05, dengan nilai koefisien regresi sebesar -0,488, sehingga hipotesis H1 diterima. Hal tersebut berarti

komponen-komponen dalam model Altman berpengaruh signifikan terhadap financial distress, sehingga dapat disimpulkan model Altman dapat digunakan untuk memprediksi kondisi financial distress.

b. Model Grover dapat digunakan untuk memprediksi kondisi financial distress

Tabel 4.7 memperlihatkan bahwa nilai sig untuk model Grover sebesar 0,023 < alpha 0,05, dengan nilai koefisien regresi sebesar -1,839 sehingga hipotesis H2 diterima. Hal tersebut berarti

komponen-Model Summary

55,580a ,253 ,460

St ep 1

-2 Log likelihood

Cox & Snell R Square

Nagelkerke R Square

Estimation terminat ed at iteration number 6 because parameter est imat es changed by less than ,001. a.

komponen dalam model Grover berpengaruh signifikan terhadap financial distress, sehingga dapat disimpulkan model Grover dapat digunakan untuk memprediksi kondisi financial distress.

c. Model Zmijewski dapat digunakan untuk memprediksi kondisi financial distres

Tabel 4.7 memperlihatkan bahwa nilai sig untuk model Zmijewski sebesar 0,001 < alpha 0,05, dengan nilai koefisien regresi sebesar 0,354 H3 diterima. Hal tersebut berarti komponen-komponen

dalam model Zmijewski berpengaruh signifikan terhadap financial distress, sehingga dapat disimpulkan model Zmijewski dapat digunakan untuk memprediksi kondisi financial distress.

d. Model Altman Memiliki tingkat akurasi tertinggi dalam memprediiksi kondisi financial distress

Tabel 4.11

Hasil Uji Tingkat Akurasi No Model prediktor Nagelkerke R2

1 _{Model Zmijewski 0,460}

2 Model Grover 0,442

3 Model Altman 0,374

Tabel 4.11 menggambarkan urutan tingkat Akurasi di mulai dari yang paling tinggi hingga yang paling rendah. Model dengan tingkat akurasi tertinggi yaitu Model Zmijewski (0,460) kemudian model Grover (0,442) dan yang paling rendah adalah model Altman (0,374). Hal tersebut memperlihatkan bahwa H4 ditolak, yang artinya

model Altman bukan merupakan prediktor financial distress yang memiliki tingkat akurasi tertinggi diantara tiga variabel independen yang diteliti. Model yang paling akurat dalam memprediksi financial distress pada perusahaan manufaktur adalah model Zmijewski.

Secara keseluruhan, hasil pengujian hipotesis disajikan pada tabel 4.12 Tabel 4.12

Ringkasan Hasil Pengujian Hipotesis

Kode Hipotesis Hasil

H1 Model Altman dapat digunakan untuk memprediksi kondisi financial distress.

Diterima

H Model Grover dapat digunakan untuk memprediksi kondisi financial distress.

Diterima

H3 Model Zmijewski dapat digunakan untuk memprediksi kondisi financial distress.

Diterima

H Model Altman Memiliki tingkat akurasi tertinggi dalam memprediiksi kondisi financial distress

Ditolak

C. Pembahasan

1. Model Altman dapat digunakan untuk memprediksi kondisi financial distress

Hasil pengujian menunjukkan bahwa model Altman mampu memprediksi kondisi financial distress. Hal ini menunjunjukkan bahwa rasio-rasio keuangan yang digunakan pada model Altman mampu menggambarkan kondisi financial distress suatu perusahaan. Model Atman mampu memprediksi kondisi financial distress karena kelima rasio keuangan yang digunakan mampu menjelaskan kondisi financial distress.

Rasio keuangan yang digunakan adalah WCTA, RETA, EBITTA MVEBVD, dan SATA. Kelima rasio keuangan tersebut menggambarkan kondisi keuangan perusahaan, dimana kondisi keuangan sangat erat kaitanya dengan kondisi financial distress.

Menurut Hapsari (2007) Working Capital to Total Asset merupakan rasio yang mengukur likuiditas suatu perusahaan. likuiditas tentu tentu berkaitan erat dengan kondisi financial distress. Semakin tinggi modal kerja (Working Capital) maka kondisi keuangan perusahaan semakin baik dan kemungkinan mengalami kondisi financial distress akan semakin kecil. Retained Earning to Total Assets memperlihatkan kemampuan perusahaan dalam memperoleh keuntungan (Kartika, 2012). rasio Earning before interest and taxes to total asset mengukur produktivitas aktiva perusahaan dalam menghasilkan laba sebelum bunga dan pajak. Market Value Equity to Book Value of Total Debt (Rasio modal sendiri terhadap total utang). Rasio ini merupakan rasio yang digunakan untuk mengukur kemampuan perusahaan dalam memberikan jaminan kepada setiap hutangnya melalui modal sendiri (Kartika, 2012).

Hasil penelitian ini sesuai dengan Penelitian Pambekti (2014) yang membuktikan bahwa model Altman dapat digunakan untuk memprediksi financial distress. selain itu penelitian penelitian Wulandari dkk. (2014) juga membuktikan bahwa model Altman dapat digunakan untuk memprediksi kesulitan keuangan perusahaan.

2. Model Grover dapat digunakan untuk memprediksi kondisi financial distress

Hasil pengujian menunjukkan bahwa model Grover mampu memprediksi kondisi financial distress. Hal ini menunjunjukkan bahwa rasio-rasio keuangan yang digunakan pada model Grover mampu menggambarkan kondisi financial distress suatu perusahaan. Model grover menggunakan tiga rasio keuangan untuk memprediksi financial distress. rasio pertama yaitu rasio working capital to total assets. Rasio ini akan memperlihatkan likuiditas perusahaan. Semakin tinggi rasio ini maka perusahaan akan terhindar dari financial distress. Rasio selanjutnya yaitu EBIT to Total assets. Rasio ini akan memperlihatkan tingkat produktivitas aktiva dalam menghasilkan laba sebelum pajak dan bunga. Semakin tinggi rasio ini maka perusahaan akan semakin terhindar dari financial distress. Rasio yang terakhir yaitu ROA. Menurut Herdiningtyas (2006) ROA merupakan rasio yang digunakan untuk mengukur kemampuan manajemen dalam memperoleh laba yang dihasilkan dari rata-rata aset. Semakin besar ROA, maka semakin kecil kemungkinan perusahaan dalam kondisi bermasalah.

Hasil ini konsisten dengan dengan penelitian Pambekti (2014) membuktikan bahwa model Grover dapat digunakan untuk memprediksi Financial Distress. Penelitian Prihanthini dan Sari (2013) membuktikan bahwa model Grover merupakan model prediksi yang paling sesuai

diterapkan pada perusahaan Food and Beverage yang terdaftar di Bursa Efek Indonesia (BEI).

3. Model Zmijewski dapat digunakan untuk memprediksi kondisi financial distress

Hasil pengujian menunjukkan bahwa model Zmijewski mampu memprediksi kondisi financial distress. Hal ini menunjunjukkan bahwa rasio-rasio keuangan yang digunakan pada model Zmijewski mampu menggambarkan kondisi financial distress suatu perusahaan. Model Zmijewski menggunakan tiga rasio keuangan. Rasio yang pertama yaitu ROA. ROA yaitu perbandingan antara laba setelah pajak denganjumlah aktiva (Cahyaningrum dan Haryanto, 2012). Rasio ini akan menunjukkan tingkat kemampuan perusahaan dalam menghasilkan laba dari rata-rata asetnya. Semakin tinggi ROA maka kondisi kesehatan perusahaan semakin baik, dan kemungkinan mengalami kondisi financial distress akan semakin kecil.

Rasio kedua yaitu Debt Ratio. Rasio ini akan mengukur tingkat persentase aktiva yang di biayai oleh hutang. Rasio yang terakhir yaitu Current Ratio. Rasio ini digunakan untuk mengukur likuiditas perusahaan. likuiditas merupakan kempuan perusahaan dalam memenuhi kewajiban jangka pendeknya. Semakin tinggi kemampuan perusahaan dalam memenuhi kewajibanya, maka perusahaan tersebut dikatakan sebagai perusahaan yang sehat.

Hasil penelitian ini sesuai dengan penelitian Pambekti (2014), Wulandari (2014), Prihantini dan sari (2013), dan Vatmawati (2012) membuktikan bahwa model Zmijewski dapat digunakan untuk memprediksi Financial Distress. Hasil penelitian Vatmawati (2012) memperlihatkan bahwa model Zmijewski merupakan prediktor delisting terakurat. Penelitian Pambekti (2014) menyimpulkan bahwa model Zmijewski adalah model prediksi financial distress yang paling tepat digunakan untuk memprediksi financial distress perusahaan di masa yang akan datang.

4. Model Altman Memiliki tingkat akurasi tertinggi dalam memprediiksi kondisi financial distress

Hasil pengujian menunjukkan bahwa model yang memiliki tingkat akurasi paling tinggi dalam memprediksi financial distress adalah Model Zmijewski. Hasil ini tidak sesuai dengan hipotesis yang diajukan. Berdasarkan hasil penelitian ini dapat disimpulkan bahwa prediktor financial distress yang paling sesuai untuk di terapkan pada perusahaan manufaktur adalah model Zmijewski. Hasil pengujian ini sesuai dengan hasil penelitian Fatmawati (2012) yang memperlihatkan bahwa model Zmijewski merupakan prediktor delisting terakurat. Selain itu, penelitian Pambekti (2014) juga menyimpulkan bahwa model Zmijewski adalah model prediksi financial distress yang paling tepat digunakan untuk memprediksi financial distress perusahaan di masa yang akan datang.

41

BAB V

SIMPULAN, IMPLIKASI, KETERBATASAN DAN SARAN

PENELITIAN LANJUTAN

A. Simpulan

Penelitian ini bertujuan untuk menguji tingkat ketepatan model Altman, model Grover dan model Zmijewski dalam memprediksi kondisi financial distress pada perusahaan manufaktur. Hasil perbandingan ketiga model prediksi funancial distress menunjukkan bahwa tingkat akurasi prediksi financial distress tertinggi hingga terendah berturut-turut yaitu model Zmijewski, model Grover dan Model Altman.

Model Zmijewski memiliki tingkat akurasi tertinggi dalam memprediksi kondisi financial distress didasarkan pada hasil uji koefisien detertminasi. Model Zmijewski memiliki nilai nagelkerke R square paling tinggi diantara tiga model yang diuji. Jika dibandingkan dengan dua model lainya, persamaan model Zmijewski memiliki karakteristik yang berbeda. Model Zmijewski lebih menekankan pada ukuran utang, sedangkan dua model lainya lebih menekankan pada ukuran profitabilitas.

B. Implikasi

Hasil penelitian ini dapat dimanfaatkan oleh stakeholder yang membutuhkan informasi mengenai kondisi keuangan perusahaan.

Stakeholder membutuhkan informasi mengenai kondisi kesehatan keuangan perusahaan agar dapat mengambil berbagai keputusan yang tepat.

Salah satu stakeholder adalah investor. Untuk mengambil keputusan mengenai investasinya di suatu perusahaan, investor membutuhkan informasi kesehatan keuangan perusahaan tersebut. Kesehatan keuangan perusahaan dapat diketahui dengan melihat kemungkinan perusahaan mengalami financial distress. Untuk memprediksi kondisi financial distress diperlukan sebuah alat yang tepat dan sesuai. Dengan menggunakan alat yang tepat, investor dapat memperoleh hasil yang akurat mengenai kondisi kesehatan keuangan perusahaan sehingga dapat mengambil keputusan yang tepat mengenai investasi yang dilakukanya.

C. Keterbatasan dan Saran Penelitian Lanjutan

1. Model prediksi financial distress sudah banyak dikembangkan, namun penelitian ini hanya membandingkan tiga model prediktor fianancial distress saja. Penelitian selanjutnya sebaiknya membandingkan lebih banyak model prediksi financial distress, seperti Ohlson, Springate, Fulmer, Ca-Score dll, Sehingga hasil penelitian benar-benar mampu menjawab prediktor financial distress mana yang terbaik.

2. Sampel penelitian yang digunakan dalam penelitian ini hanya terbatas pada perusahaan manufaktur saja. Penelitian selanjutnya sebaiknya memperluas sampel penelitian untuk mendapatkan hasil penelitian yang bersifat general.

Daftar Pustaka

Al-Quran dan Terjemahannya. 2014. Solo: Kementerian Agama RI.

Adnan, H., dan Arisudhana, D., 2010, “Analisis Kebangkrutan Model Altman

Z-Score dan Springate pada Perusahaan Industri Property”,PhD Thesis, Universitas Budi Luhur.

Adnan, M., A., dan Kurniasih, E., 2000, "Analisis Tingkat Kesehatan Perusahaan Untuk Memprediksi Potensi Kebangkrutan Dengan

Pendekatan Altman (The Analysis of Corporates’ Health to Predict

Their Bankruptcy Potentials Using The Altman Model)." Jurnal Akuntansi dan Auditing Indonesia (JAAI,)Vol. 7, No. 2.

Anggarini, T., V., dan Ardiyanto, M., D., 2010, “Pengaruh karakteristik komite audit terhadap financial distress”, PhD Thesis, Universitas Dipponegoro.

Ardiyanto, F., D., dan Prasetiono, P., 2011, “Prediksi Rasio Keuangan Terhadap Kondisi Financial Distress Perusahaan Manufaktur Yang

Terdaftar Di Bei”,Jurnal Dinamika Ekonomi & Bisnis, Vol. 8, No. 1, hal. 1-14.

Cahyaningrum, N., H., dan Haryanto, A., M., 2012 “Analisis Manfaat Rasio Keuangan dalam Memprediksi Pertumbuhan Laba (Studi Kasus: Perusahaan Manufaktur yang terdaftar di Bursa Efek Indonesia

periode 2005 sampai dengan 2010)”, PhD Thesis. Fakultas

Ekonomika dan Bisnis.

Dewi, S., S., 2013. “Pengaruh Karakteristik Perusahaan Terhadap Corporate

Social Responsibilitydisclosure pada Perusahaan Manufaktur yang

Terdaftar di BEI”.Jurnal Ilmu & Riset Akuntansi, Vol. 2, No 3, hal 9-11

Fatmawati, M., 2012, “Penggunaan The Zmijewski Model, The Altman Model, dan The Springate Model Sebagai Prediktor Delisting”.Jurnal Keuangan dan Perbankan, Vol. 16, No.1, hal. 56-65.

Gamayuni, R., R.,. 2011, "Analisis Ketepatan Model Altman Sebagai Alat Untuk Memprediksi Kebangkrutan." Jurnal Akuntansi dan Keuangan Vol. 16, hal. 158-176.

Ghozali, I., 2011. Aplikasi Multivariate dengan Program IBM SPSS 19

Hadi, S., dan Anggraeni, A., 2011, “Pemilihan Prediktor Delisting Terbaik

(Perbandingan Antara The Zmijewski Model, The Altman Model, dan

The Springate Model)”,Jurnal Akuntansi & Auditing Indonesia, Vol, 12, No. 2, hal, 1-9.

Hapsari, E., A., 2007, “Analisis Rasio Keuangan untuk Memprediksi Pertumbuhan Laba (Studi Kasus: Perusahaan Manufaktur yang terdaftar di Bursa Efek Jakarta periode 2001 sampai dengan

2005)”,PhD Thesis, Program Pascasarjana Universitas Diponegoro.

Herdinigtyas, W., dan Almilia, L., S., 2006, “Analisis Rasio CAMEL

Terhadap Prediksi Kondisi Bermasalah Pada Lembaga Perbankan Perioda 2000-2002”,Jurnal Akuntansi dan keuangan, Vol. 7, No.2, hal. 131-147.

Kartika, A., 2012, “Pengaruh Kondisi Keuangan dan Non Keuangan

Terhadap Penerimaan Opini Going Concern Pada Perusahaan

Manufaktur di BEI”. Dinamika Akuntansi Keuangan dan

Perbankan, Vol. 1, No. 1, hal. 1-11.

Kartikawati, S., 2012, “Analisis Z-Score Dalam Mengukur Kinerja Keuangan Untuk Memprediksi Kebangkrutan Pada Tujuh Perusahaan

Manufaktur Di Bursa Efek Jakarta”.

Luciana, 2006, “Prediksi Kondisi Financial Distress Perusahaan Go Public

Dengan Menggunakan Analisis Multinomial Logit”, Jurnal Ekonomi

dan Bisnis Vol. 7, No.2, hal. 183-210.

Maryati, H., dan Zulkarnain, I., 2014, “Analis Prediksi Financial Distress Dengan Menggunakan Model Z-Score (Altman)(Studi Kasus Pt. Indocement Tunggal Prakarsa, Tbk Yang Terdaftar Di Bursa Efek Indonesia Periode 2007-2012)”Doctoral dissertation, Universitas Bengkulu.

Noverio, R., dan Dewayanto, T., 2011, “Analisis Pengaruh Kualitas Auditor, Likuiditas, Profitabilitas dan Solvabilitas Terhadap Opini Audit Going Concern pada Perusahaan Manufaktur yang Terdaftar di Bursa

Efek Indonesia”, Doctoral Dissertation, Universitas Diponegoro.

Pambekti, G., T., dkk. 2014, “Analisis Ketepatan Model Altman, Springate, Zmijewski, Dan Grover Untuk Prediksi Financial Distress (Studi Pada Perusahaan Yang Masuk Dalam Daftar Efek Syariah Tahun 2009-2012)”, Phd Thesis, Uin Sunan Kalijaga.

Prihanthini, N., M., dan Sari, M., M., 2013, “Prediksi Kebangkrutan Dengan

Perusahaan Food And Beverage Di Bursa Efek Indonesia”.E-Jurnal Akuntansi Universitas Udayana, Vol. 5(2), hal. 417-435.

Purnajaya, K., D., dan Merkusiwati, N., K., 2014, “Analisis Komparasi

Potensi Kebangkrutan Dengan Metode Z-Score Altman, Springate, Dan Zmijewski Pada Industri Kosmetik Yang Terdaftar Di Bursa Efek Indonesia”,E-Jurnal Akuntansi Universitas Udayana, Vol. 7, No. 1, hal. 48-63.

Rifqi, M., 2009, “Analisis Perbandingan Model Prediksi Financial Distress

Altman, Ohlson, Zmijewski, dan Springate dalam Penerapannya di

Indonesia”, Skripsi. Universitas Indonesia. [Online] Available http://lontar.ui.ac.id/opac/themes/libri2/detail.jsp. Diakses pada 30 oktober 2015.

Rismawaty, 2008, “Analisis Perbandingan Model Prediksi Financial Distress

Altman, Springate, Ohlson, Dan Zmijewski (Studi Empiris Pada

Perusahaan Manufaktur Yang Terdaftar Di Bursa Efek Indonesia)”.

Phd Thesis, Universitas Hasanuddin Makkasar.

Takarini, N., dan Erni E., 2003, “Analisis Rasio Keuangan dalam Memprediksi Perubahan Laba Pada Perusahaan Manufaktur di Pasar

Modal Indonesia”, Ventura, Vol. 6, No. 3, hal. 253-270.

Widarjo, W.,danSetiawan, D., 2009, “Pengaruh Rasio Keuangan Terhadap Kondisi Financial Distress Perusahaan Otomotif”,Jurnal Bisnis Dan Akuntansi, Vol. 11, No. 2, hal. 107-119.

Wiyono, G. 2011. Merancang Penelitian Bisnis dengan Alat Analisis SPSS & Smart PLS. Yogyakarta: UPP STIM YKPN.

Wulandari, V., dkk, 2014, “Analisis Perbandingan Model Altman, Springate, Ohlson, Fulmer, CA-Score dan Zmijewski Dalam Memprediksi Financial Distress (studi empiris pada Perusahaan Food and Beverages yang Terdaftar di Bursa Efek Indonesia Periode

2010-2012)”Jurnal Online Mahasiswa (JOM) Bidang Ilmu Ekonomi, Vol.

1, No.2, hal. 1-18.

Yuanita, I., 2010, “Prediksi Finacial Distress Dalam Industri Textile Dam Garment (Bukti Empiris Di Bursa Efek Indonesia)”.Jurnal Akuntansi & Manajemen, Vol. 6, No. 2, hal. 101-120.

Saham Delisting di Bursa Efek Indonesia,

http://www.sahamok.com/emiten/saham-delisting/, diakses pada 10 juni 2015.

DAFTAR SAMPEL PERUSAHAAN

No KODE NAMA PERUSAHAAN

1 AALI Astra Agro Lestari Tbk.

2 ADES Akhasa Wira International Tbk. 3 AKKU Alam Karya Unggul Tbk. 4 AKRA AKR Corporindo Tbk.

5 ALMI Alumindo Light Metal Industry Tbk. 6 ALTO Tri Bayan Tirta Tbk.

7 BAJA _{Saranacentral Bajatama Tbk.} 8 BATA _{Sepatu Bata Tbk.}

9 BIMA Primarindo Asia Infrastructure Tbk. 10 BISI BISI International Tbk.

11 BTON _{Betonjaya Manunggal Tbk.} 12 CPIN _{Charoen Pokpand Indonesia Tbk.} 13 CPRO Central Proteina Prima Tbk.

14 DSFI Dharma Samudera Fishing Industries Tbk. 15 DVLA _{Darya-Varia Laboratoria Tbk}

16 ETWA Eterindo Wahanatama Tbk. 17 FAST Fast Food Indonesia Tbk. 18 FASW Fajar Surya Wisesa Tbk. 19 GDST _{Gunawan Dianjaya Steel Tbk.} 20 _{GGRM Gudang Garam Tbk.}

21 GJTL _{Gajah Tunggal Tbk.} 22 GZCO Growing afor The Future 23 HMSP _{HM Sampoerna Tbk.}

24 ICBP _{Indofood CBP Sukses Makmur Tbk.} 25 IGAR _{Champion Pacific Indonesia Tbk.} 26 IIKP Inti Agri resources Tbk.

27 IKAI _{Intikeramik Alamsari Industri Tbk.} 28 IMAS _{Indomobil Sukses Internasional Tbk.} 29 INAF _{Indofarma (Persero) Tbk.}

30 INAI _{Indal Aluminium Industry Tbk.} 31 INDF Indofood Tbk

32 INTA Intraco Penta Tbk. 33 JAWA J.A. Wattie Tbk

34 JECC _{Jembo Cable Company Tbk.} 35 JPFA _{JAPFA Comfeed Indonesia Tbk.}

39 KBRI Kabelindo Murni Tbk.

40 KIAS Keramika Indonesia Assosiasi Tbk. 41 KLBF Kalbe Farma Tbk.

42 LION Lion Metal Works Tbk. 43 LMSH Lionmesh Prima Tbk.

44 LSIP London Sumatra Indonesia Tbk. 45 LTLS Lautan Luas Tbk.

46 MAGP Multi Agro Gemilang Plantation Tbk. 47 MBTO Martina Berto Tbk.

48 MLBI Multi Bintang Indonesia Tbk. 49 MLIA Mulia Industrindo Tbk. 50 MLPL Multipolar Tbk.

51 MTDL Metrodata Elektronic Tbk. 52 _{MYOR Mayora Indah Tbk.}

53 MYTX Apac Citra Centertex Tbk. 54 NIPS Nipress Tbk.

55 PALM Provident Agro Tbk.

56 PRAS Prima Alloy Steel Universal Tbk. 57 PSDN Prasidha Aneka Niaga Tbk. 58 PYFA Pyridam Farma Tbk. 59 RDTX Roda Vivatex Tbk.

60 RICY Ricky Putra Globalindo Tbk.

61 _{RMBA Bentoel Internasional Investama Tbk.} 62 ROTI Nippon Indosari Corpindo Tbk. 63 SCPI Merck Sharp Dohme Pharma Tbk. 64 SGRO Sampoerna Agro Tbk.

65 SIMP Salim Ivomas Pratama Tbk. 66 SKBM Sekar Bumi Tbk

67 SMAR Sinar Mas Agro Resources and Tecnology Tbk. 68 SMBR Semen Baturaja (Persero) Tbk.

69 SMCB Holcim Indonesi Tbk. 70 SPMA Suparma Tbk.

71 SQBB Taisho Pharmaceutical Indonesia Tbk. 72 SRSN Indo Acidatama Tbk.

74 STAR Star Petrochem Tbk. 75 SULI SLJ Global tbk.

76 TBLA Tunas Baru Lampung Tbk. 77 TCID Mandom Indonesia Tbk. 78 TIRT Tirta Mahakam Resources Tbk. 79 TOTO Surya Toto Indonesia Tbk. 80 TRIS Trisula Internasional Tbk. 81 TSPC Tempo Scan Pacific Tbk. 82 TURI Tunas ridean Tbk.

83 ULTJ Ultrajaya Milk Industry & Trading Co. Tbk. 84 UNSP United Sumatra Plantation tbk.

85 UNTR United Tractors tbk. 86 UNVR Unilever Indonesia Tbk. 87 WAPO Wahana Pronatural Tbk. 88 WIIM Wismilak Inti Makmur Tbk. 89 YPAS Yanaprima Hastapersada Tbk. 90 ANJT Austindo Nusantara Jaya Tbk. 91 ARGO Agro Pantes Tbk.

92 BRNA Berlina Tbk. 93 BRPT Barito Pacific Tbk.

94 CNTX Century Textile Industry Tbk. 95 ERTX Eratex Djaja tbk.

96 ESTI Ever Shine Tex Tbk. 97 FPNI Lotte Chemical Titan Tbk. 98 GDYR Goodyear Indonesia Tbk. 99 INDR Indo-Rama Synthetics Tbk. 100 KOBX Kobexindi tractors Tbk. 101 KRAS Krakatau Steel Tbk.

102 MASA Multistrada arah sarana Tbk. 103 NIKL Latinusa Tbk.

104 PBRX Pan Brother Tbk. 105 POLY Asia Pacific Fibers Tbk. 106 PTSN Sat Nusapersada Tbk.

107 TKIM Pabrik Kertas Djiwi Kimia Tbk. 108 TPIA Chandra Asri Petrochemical Tbk. 109 UNIC Ungguh Indah Cahaya Tbk. 110 UNTX United Tbk.

1 AALI 0 4,3019 0,5857 -2,8735

2 ADES 0 2,6869 0,6548 -2,2158

3 AKKU 1 2,9474 -1,4295 1,3729

4 AKRA 0 2,7523 0,3606 -1,1490

5 ALMI 0 1,1986 0,1653 0,2270

6 ALTO 0 1,0985 0,8070 -1,0986

7 BAJA 0 1,5581 0,0050 0,2323

8 BATA 0 1,9778 0,1381 -4,4569

9 BIMA 1 7,3022 0,6379 11,5839

10 BISI 0 4,1337 1,5885 -3,9236

11 BTON 0 3,2066 1,1575 -5,6167

12 CPIN 0 4,9941 0,8804 -1,9589

13 CPRO 0 1,4813 0,2714 0,9048

14 DSFI 0 3,54 0,6441 -1,3226

15 DVLA 0 4,885 1,3127 -3,3507

16 ETWA 0 2,3789 -0,6075 0,5843

17 FAST 0 4,9255 0,7070 -2,0673

18 FASW 0 1,6321 0,2417 -0,3557

19 GDST 0 0,7143 0,2753 -2,3142

20 GGRM 0 4,1597 0,9750 -2,2768

21 GJTL 0 1,3602 0,0795 -0,8036

22 GZCO 0 5,59 0,1076 -2,4175

23 HMSP 0 12,39 2,1244 -2,9312

24 ICBP 0 5,3098 0,9711 -2,5452

25 IGAR 0 5,0332 1,8861 -3,3277

26 IIKP 1 -6,7061 -5,1268 17,2824

27 IKAI 1 -4,1922 -0,0755 -0,3372

28 IMAS 0 1,3203 0,2297 -0,2130

29 INAF 0 2,0309 0,4149 -3,9631

30 INAI 0 2,2533 0,2627 -3,3612

31 INDF 0 3,8685 0,6932 -1,6253

32 INTA 1 -3,1997 -2,0978 0,4313

33 JAWA 0 6,9504 0,0538 -4,0516

34 JECC 0 1,9186 0,3908 0,3776

35 JPFA 0 2,513 0,7306 -0,6184

36 JPRS 0 6,8088 0,9658 -6,0080

37 KAEF 0 5,4553 1,1076 -2,4431

38 KBLM 0 2,3137 0,3525 -2,1852

39 KBRI 1 -5,3023 0,0732 1,5211

42 LION 0 3,1767 1,3313 -3,2005

43 LMSH 0 4,1494 1,3089 -3,5841

44 LSIP 0 5,3885 0,7558 -3,8591

45 LTLS 0 2,0815 0,5089 -0,6635

46 MAGP 0 0,6137 -0,1069 -2,7132

47 MBTO 0 2,2259 0,9795 -2,8140

48 MLBI 0 16,9153 1,2293 -1,5919

49 MLIA 0 1,3766 0,3225 0,0365

50 MLPL 0 1,2762 0,1814 -1,5532

51 MTDL 0 4,2474 1,0706 -1,3305

52 MYOR 0 2,1742 0,8954 -1,0596

53 MYTX 1 0,7569 -0,8162 2,4976

54 NIPS 0 1,3354 0,5562 -1,5119

55 PALM 0 0,9164 0,2188 4,9829

56 PRAS 0 0,5908 0,1871 -2,0311

57 PSDN 0 1,9772 0,2579 -1,8561

58 PYFA 0 1,9414 0,4923 -1,8621

59 RDTX 0 2,5996 -1,2694 -3,9278

60 RICY 0 1,4981 0,7491 -0,5815

61 RMBA 1 1,0485 -0,2808 1,1724

62 ROTI 0 4,1069 0,6167 -1,5553

63 SCPI 1 0,9041 0,6980 1,8050

64 SGRO 0 1,19 0,3525 -2,4036

65 SIMP 0 1,2738 0,2772 -1,8652

66 SKBM 0 4,3175 0,9933 -2,0122

67 SMAR 0 2,7743 0,4521 -1,0420

68 SMBR 0 8,9313 1,5537 -4,4397

69 SMCB 0 1,814 0,1666 -1,6857

70 SPMA 0 1,1988 0,4436 -0,8950

71 SQBB 0 9,5434 2,6081 -4,8148

72 SRSN 0 2,5605 1,1286 -2,7972

73 SSTM 1 0,6168 0,0798 -0,4372

74 STAR 0 0,8365 0,6267 -2,3878

75 SULI 0 -1,5294 -0,2318 3,6714

76 TBLA 0 1,722 0,4863 -0,7912

77 TCID 0 4,8707 0,8684 -2,9779

78 TIRT 0 1,3626 0,4682 0,5937

79 TOTO 0 4,3711 1,1826 -2,7331

80 TRIS 0 9,9387 0,1512 -4,3763

81 TSPC 0 6,2568 1,1990 -3,2898

82 TURI 0 4,1429 0,3406 -2,0087

88 WIIM 0 3,2913 1,1636 -2,6576

89 YPAS 0 2,5036 0,2971 -1,2362

90 ANJT 0 3,6331 0,5734 -3,6092

91 ARGO 1 -1,2932 -0,8627 3,1826

92 BRNA 0 5,9219 0,6091 -2,9776

93 BRPT 1 1,1921 0,2461 -1,1887

94 CNTX 0 0,5121 -0,6072 0,9034

95 ERTX 0 1,6324 0,3123 -0,3885

96 ESTI 1 -0,209 -0,5490 -0,1129

97 FPNI 1 1,9929 -0,2027 -0,5558

98 GDYR 0 1,0431 0,0281 -1,3453

99 INDR 0 1,3295 0,2375 -0,9624

100 KOBX 0 1,0506 0,4750 -0,4596

101 KRAS 0 2,5996 -0,3089 -0,2831

102 MASA 0 1,2504 0,3014 -2,0292

103 NIKL 0 1,3705 0,0635 -0,0151

104 PBRX 0 2,2373 1,1298 -1,9217

105 POLY 0 8,2404 6,4167 -21,5187

106 PTSN 0 2,0245 0,4168 -2,9137

107 TKIM 0 3,7256 0,3920 -0,6558

108 TPIA 0 1,9363 0,3072 -1,2264

109 UNIC 0 2,5048 0,7319 -2,1237

HASIL REGRESI LOGISTIK 1. Statistik Deskriptif

2. Menilai Model Fit

Descriptive Statistics

110 0 1 ,14 ,345

110 -6,7061 16,9153 3,108648 3,6661916

110 -5,1268 6,4167 ,509181 1,1828695

110 -21,5187 17,2824 -1,346023 3,5275980

110 Financial distress

Model Altman Model Grov er Model Zmijewski Valid N (listwise)

N Minimum Maximum Mean St d. Dev iation

Iteration Historya,b,c

89,806 -1,455 87,656 -1,800 87,628 -1,845 87,628 -1,846 Iterat ion 1 2 3 4 St ep 0 -2 Log likelihood Constant Coef f icients

Constant is included in the model. a.

Initial -2 Log Likelihood: 87,628 b.

Estimation terminat ed at iteration number 4 because parameter est imat es changed by less than ,001. c.

3. Uji Kelayakan Data

4. Uji Kelayakan Model Regresi

5. Uji Koefisien determinasi

51,081 -1,093 -,127 -,492 ,291

42,040 -1,021 -,253 -1,085 ,400

39,381 -,997 -,379 -1,565 ,481

39,058 -,998 -,438 -1,801 ,526

39,052 -,999 -,447 -1,838 ,534

39,052 -,999 -,448 -1,839 ,534

2 3 4 5 6 7 1 Method: Enter a.

Constant is included in the model. b.

Initial -2 Log Likelihood: 87,628 c.

Estimation terminat ed at iteration number 7 because parameter estimates changed by less than ,001.

d.

Omnib us Tests o f Model Coefficien ts

48,576 3 ,000

48,576 3 ,000

48,576 3 ,000

St ep Block Model St ep 1

Chi-square df Sig.

Hosmer and Lemeshow Test

1,456 8 ,993

Step 1

Chi-square df Sig.

Model Summary

39,052a ,357 ,650

St ep 1

-2 Log likelihood

Cox & Snell R Square

Nagelkerke R Square

Estimation terminat ed at iteration number 7 because parameter est imat es changed by less than ,001. a.

Lampiran 2.

DATA PENGUJIAN REGRESI

NO KODE FIN_DIST ALTMAN GROVER ZMIJEWSKI

1 AALI 0 4,3019 0,5857 -2,8735

2 ADES 0 2,6869 0,6548 -2,2158

3 AKKU 1 2,9474 -1,4295 1,3729

4 AKRA 0 2,7523 0,3606 -1,1490

5 ALMI 0 1,1986 0,1653 0,2270

6 ALTO 0 1,0985 0,8070 -1,0986

7 BAJA 0 1,5581 0,0050 0,2323

8 BATA 0 1,9778 0,1381 -4,4569

9 BIMA 1 7,3022 0,6379 11,5839

10 BISI 0 4,1337 1,5885 -3,9236

11 BTON 0 3,2066 1,1575 -5,6167

12 CPIN 0 4,9941 0,8804 -1,9589

13 CPRO 0 1,4813 0,2714 0,9048

14 DSFI 0 3,54 0,6441 -1,3226

15 DVLA 0 4,885 1,3127 -3,3507

16 ETWA 0 2,3789 -0,6075 0,5843

17 FAST 0 4,9255 0,7070 -2,0673

18 FASW 0 1,6321 0,2417 -0,3557

19 GDST 0 0,7143 0,2753 -2,3142

20 GGRM 0 4,1597 0,9750 -2,2768

21 GJTL 0 1,3602 0,0795 -0,8036

22 GZCO 0 5,59 0,1076 -2,4175

23 HMSP 0 12,39 2,1244 -2,9312

24 ICBP 0 5,3098 0,9711 -2,5452

25 IGAR 0 5,0332 1,8861 -3,3277

26 IIKP 1 -6,7061 -5,1268 17,2824

27 IKAI 1 -4,1922 -0,0755 -0,3372

28 IMAS 0 1,3203 0,2297 -0,2130

29 INAF 0 2,0309 0,4149 -3,9631

30 INAI 0 2,2533 0,2627 -3,3612

31 INDF 0 3,8685 0,6932 -1,6253

32 INTA 1 -3,1997 -2,0978 0,4313

33 JAWA 0 6,9504 0,0538 -4,0516

34 JECC 0 1,9186 0,3908 0,3776

35 JPFA 0 2,513 0,7306 -0,6184

36 JPRS 0 6,8088 0,9658 -6,0080

37 KAEF 0 5,4553 1,1076 -2,4431

38 KBLM 0 2,3137 0,3525 -2,1852

39 KBRI 1 -5,3023 0,0732 1,5211

NO KODE FIN_DIST ALTMAN GROVER ZMIJEWSKI

41 KLBF 0 16,8759 1,6116 -3,8653

42 LION 0 3,1767 1,3313 -3,2005

43 LMSH 0 4,1494 1,3089 -3,5841

44 LSIP 0 5,3885 0,7558 -3,8591

45 LTLS 0 2,0815 0,5089 -0,6635

46 MAGP 0 0,6137 -0,1069 -2,7132

47 MBTO 0 2,2259 0,9795 -2,8140

48 MLBI 0 16,9153 1,2293 -1,5919

49 MLIA 0 1,3766 0,3225 0,0365

50 MLPL 0 1,2762 0,1814 -1,5532

51 MTDL 0 4,2474 1,0706 -1,3305

52 MYOR 0 2,1742 0,8954 -1,0596

53 MYTX 1 0,7569 -0,8162 2,4976

54 NIPS 0 1,3354 0,5562 -1,5119

55 PALM 0 0,9164 0,2188 4,9829

56 PRAS 0 0,5908 0,1871 -2,0311

57 PSDN 0 1,9772 0,2579 -1,8561

58 PYFA 0 1,9414 0,4923 -1,8621

59 RDTX 0 2,5996 -1,2694 -3,9278

60 RICY 0 1,4981 0,7491 -0,5815

61 RMBA 1 1,0485 -0,2808 1,1724

62 ROTI 0 4,1069 0,6167 -1,5553

63 SCPI 1 0,9041 0,6980 1,8050

64 SGRO 0 1,19 0,3525 -2,4036

65 SIMP 0 1,2738 0,2772 -1,8652

66 SKBM 0 4,3175 0,9933 -2,0122

67 SMAR 0 2,7743 0,4521 -1,0420

68 SMBR 0 8,9313 1,5537 -4,4397

69 SMCB 0 1,814 0,1666 -1,6857

70 SPMA 0 1,1988 0,4436 -0,8950

71 SQBB 0 9,5434 2,6081 -4,8148

72 SRSN 0 2,5605 1,1286 -2,7972

73 SSTM 1 0,6168 0,0798 -0,4372

74 STAR 0 0,8365 0,6267 -2,3878

75 SULI 0 -1,5294 -0,2318 3,6714

76 TBLA 0 1,722 0,4863 -0,7912

77 TCID 0 4,8707 0,8684 -2,9779

78 TIRT 0 1,3626 0,4682 0,5937

79 TOTO 0 4,3711 1,1826 -2,7331

80 TRIS 0 9,9387 0,1512 -4,3763

81 TSPC 0 6,2568 1,1990 -3,2898

82 TURI 0 4,1429 0,3406 -2,0087

NO KODE FIN_DIST ALTMAN GROVER ZMIJEWSKI

83 UNSP 0 2,0934 -0,3654 -0,1354

85 UNTR 0 3,1368 1,0291 -2,6648

86 UNVR 0 14,9272 1,6088 -2,2474

87 WAPO 0 1,1507 0,1954 0,4337

88 WIIM 0 3,2913 1,1636 -2,6576

89 YPAS 0 2,5036 0,2971 -1,2362

90 ANJT 0 3,6331 0,5734 -3,6092

91 ARGO 1 -1,2932 -0,8627 3,1826

92 BRNA 0 5,9219 0,6091 -2,9776

93 BRPT 1 1,1921 0,2461 -1,1887

94 CNTX 0 0,5121 -0,6072 0,9034

95 ERTX 0 1,6324 0,3123 -0,3885

96 ESTI 1 -0,209 -0,5490 -0,1129

97 FPNI 1 1,9929 -0,2027 -0,5558

98 GDYR 0 1,0431 0,0281 -1,3453

99 INDR 0 1,3295 0,2375 -0,9624

100 KOBX 0 1,0506 0,4750 -0,4596

101 KRAS 0 2,5996 -0,3089 -0,2831

102 MASA 0 1,2504 0,3014 -2,0292

103 NIKL 0 1,3705 0,0635 -0,0151

104 PBRX 0 2,2373 1,1298 -1,9217

105 POLY 0 8,2404 6,4167 -21,5187

106 PTSN 0 2,0245 0,4168 -2,9137

107 TKIM 0 3,7256 0,3920 -0,6558

108 TPIA 0 1,9363 0,3072 -1,2264

109 UNIC 0 2,5048 0,7319 -2,1237

Lampiran 3.

HASIL REGRESI LOGISTIK

1. Statistik Deskriptif

2. Menilai Model Fit

Descriptive Statistics

110 0 1 ,14 ,345

110 -6,7061 16,9153 3,108648 3,6661916 110 -5,1268 6,4167 ,509181 1,1828695 110 -21,5187 17,2824 -1,346023 3,5275980 110

Financial distress Model Altman Model Grov er Model Zmijewski Valid N (listwise)

N Minimum Maximum Mean St d. Dev iation

Iteration Historya,b,c

89,806 -1,455 87,656 -1,800 87,628 -1,845 87,628 -1,846 Iterat ion

1 2 3 4 St ep 0

-2 Log

likelihood Constant Coef f icients

Constant is included in the model. a.

Initial -2 Log Likelihood: 87,628 b.

Estimation terminat ed at iteration number 4 because parameter est imat es changed by less than ,001. c.

3. Uji Kelayakan Data

4. Uji Kelayakan Model Regresi

5. Uji Koefisien determinasi

Iteration Historya,b,c,d

69,827 -1,018 -,063 -,113 ,137 51,081 -1,093 -,127 -,492 ,291 42,040 -1,021 -,253 -1,085 ,400 39,381 -,997 -,379 -1,565 ,481 39,058 -,998 -,438 -1,801 ,526 39,052 -,999 -,447 -1,838 ,534 39,052 -,999 -,448 -1,839 ,534 Iterat ion

1 2 3 4 5 6 7 St ep 1

-2 Log

likelihood Constant Altman Grov er Zmijewski Coef f icients

Method: Enter a.

Constant is included in the model. b.

Initial -2 Log Likelihood: 87,628 c.

Estimation terminat ed at iteration number 7 because parameter estimates changed by less than ,001.

d.

Omnib us Tests o f Model Coefficien ts

48,576 3 ,000

48,576 3 ,000

48,576 3 ,000

St ep Block Model St ep 1

Chi-square df Sig.

Hosmer and Lemeshow Test

1,456 8 ,993

Step 1

Chi-square df Sig.

Model Summary

39,052a ,357 ,650 St ep

1

-2 Log likelihood

Cox & Snell R Square

Nagelkerke R Square

Estimation terminat ed at iteration number 7 because parameter est imat es changed by less than ,001. a.

6. Uji Hipotesis

Variables in the Equation

-,448 ,221 4,105 1 ,043 ,639

-1,839 ,810 5,157 1 ,023 ,159

,534 ,162 10,843 1 ,001 1,706

-,999 ,503 3,949 1 ,047 ,368

Altman Grov er Zmijewski Constant Step

1a

B S.E. Wald df Sig. Exp(B)

Variable(s) entered on step 1: Altman, Grov er, Zmijewski. a.

Model Summary

62,339a ,205 ,374

St ep 1

-2 Log likelihood

Cox & Snell R Square

Nagelkerke R Square

Estimation terminat ed at iteration number 7 because parameter est imat es changed by less than ,001. a.

Model Summary

57,018a ,243 ,442

St ep 1

-2 Log likelihood

Cox & Snell R Square

Nagelkerke R Square

Estimation terminat ed at iteration number 7 because parameter est imat es changed by less than ,001. a.

Model Summary

55,580a ,253 ,460

St ep 1

-2 Log likelihood

Cox & Snell R Square

Nagelkerke R Square

Estimation terminat ed at iteration number 6 because parameter est imat es changed by less than ,001. a.