Lanjutan Tabel 4.3 Penentuan Kondisi Model Altman.
No Emiten Tahun WCTA
RETA EBITTA
MVETL STA
KONDISI 70 MAYA 2007
0,000000 0,000000 0,000000 0,000000 0,000000
71 BBNP 2007
0,121601 -0,000414 -0,000406 0,000000 0,114000
72 ANKB 2007
0,080266 0,000000 0,000000 0,000000 0,093000
73 BEKS 2007 -0,067821 0,000000 0,000000 0,000000
0,135000 74 BVIC
2007 0,065989 0,000188 0,000188 0,000000
0,078000 75
BAAO 2007 0,116812 0,000000 0,000000 0,000000 0,117000
76 BBIA 2007
0,181979 -0,000199 -0,000199 4,000,000 0,109000 2
Sumber: Data diolah
C. Hasil dan Pembahasan
Sesuai dengan langkah-langkah dalam analisis diskriminan, maka hal yang pertama dilakukan adalah:
1. Merumuskan masalah
Tabel 4.4 Tests of Equality of Group Means
Wilks Lambda
F df1
df2 Sig.
WCTA
,967 1,253 2
73 ,292
RETA
,990 ,383
2 73
,683
EBITTA
,807 8,752 2
73 ,000
MVETL
,943 2,194 2
73 ,119
STA
,982 ,678
2 73
,511
Sumber: Data diolah Dalam tabel ini menguji apakah ada perbedaan yang signifikan
antara kondisi untuk setiap variabel bebas yang ada.
Pedoman dengan Wilks’ Lambda
Angka wilks’ lambda berkisar 0-1, jika mendekati 0: data tiap kondisi semakin berbeda, semakin mendekati 1 data tiap kondisi
mendekati sama.
86
Jika F
hitung
F
tabel
= tidak ada perbedaan antar kondisi Jika F
hitung
F
tabel
= ada perbedaan antar kondisi. Dengan sig.tes
Jika sig 0,05 = Tidak ada perbedaan antar kondisi ekonomi sebelum dan selama pemerintahan Susilo Bambang
Yudhoyono. Jika sig 0,05 = Ada perbedaan antar kondisi ekonomi sebelum dan
selama pemerintahan Susilo Bambang Yudhoyono. Dari hasil perhitungan atribut yang dapat membedakan antara
bangkrut dan tidak bangkrut suatu bank adalah EBITTA sig.=0,000.
2. Estimasi koefisien funsi diskriminan
Tabel 4.5 Variables
EnteredRemoveda,b,c,d
Step Entered
Min. D Squared Statistic
Between Groups Exact F
Statistic df1 df2
Sig. 1
EBITTA ,018
5T2004 and 5T2005-2007
,175 1
73,000 ,677
Sumber: Data Diolah Dalam tabel ini hanya menyajikan variabel bebas yang dianalisis,
yaitu variabel yang dapat digunakan untuk membedakan dua kategori yang ada, yaitu bangkrut dan tidak bangkrut yang dipengaruhi oleh ebitta atau
laba sebelum bunga dan pajak dibagi dengan total asset.
87
Variabel yang dimasukan dalam analisis ini adalah adalah variabel ebitta karena variabel ini memiliki angka F hitung statistic yang tertinggi
yaitu 0,175. Tabel : 4.6
Eigenvalues
Function Eigenvalue
of Variance Cumulative
Canonical Correlation
1 ,240a
100,0 100,0
,440
a First 1 canonical discriminant functions were used in the analysis. Sumber: Data Diolah.
Tabel eigenvalues menunjukkan besarnya canonical coleration,
yaitu 0,440 setara dengan multiple correlation “R” dalam regresi sehingga besarnya square canonical correlation setara dengan koefisisn determinasi
“R
2
” dalam regresi adalah menjadi 0,193 diperoleh dari 0,440 x 0,440. Hal ini berarti 19,3 varian dari variabel sikap dapat dijelaskan oleh diskriminan
yang terbentuk dari ebitta laba sebelum bunga dan pajak dibagi total asset.
3. Signifikasi fungsi diskriminan.
Tabel : 4.7 Wilks Lambda
Test of Functions Wilks
Lambda Chi-square
Df Sig.
1 ,807
15,690 2
,000
Sumber: Data Diolah Terlihat nilai dari wilks’ lambda sebesar 0,807 atau sama dengan chi-
square 15,690 dengan angka signifikan 0,000. Hal ini menunjukkan adanya perbedaan yang signifikan nyata, antara nilai rata-rata skor diskriminan
pada dua kondisi kesulitan keuangan dan tidak kesulitan keuangan atau asset kurang dari 5 Trilyun dengan aset lebih dari 5 Trilyun. Jadi dapat
88
disimpulkan bahwa memang terdapat perbedaan kondisi bangkrut dan tidak bangkrut terhadap model Altman.
4. Interpretasi hasil
Tabel : 4.8 Functions at Group Centroids
Function KONDISI
1 5T2004-2007
-,703 5T2004
,425 5T2005-2007
,291
Sumber: Data Diolah. Tabel Function at Group Centroid digunakan untuk menentukan
nilai cutoff yang merupakan nilai batas, dimana nilai prediksi harus dimasukan dalam kategori bangkrut dan tidak bangkrut.
Karena jumlah bank untuk setiap kategori sama, maka besar nilai cutoff dapat dicari dengan persamaan berikut.
Nilai cut off = Z
1
+ Z
2
2 Akan tetapi, jika jumlah bank untuk setiap kategori tidak sama, maka
besarnya nilai cutoff dapat dicari dengan persamaan berikut:
Nilai cut off = n
1
.Z
1
+ n
2
.Z
2 +
n
3.
Z
3
n
1 +
n
2 +
n
3
Berdasrkan pada nilai Function at Group Centroid Karena jumlah kondisi asset yang kurang dari 5 Triliyun selama tahun 2004 sampai
dengan tahun 2007 sebanyak 24 bank, dan kondisi asset yang lebih dari 5Triliyun selma tahun 2004 sebanyak 13 bank, serta kondisi asset yang
89
lebih dari 5 Triliyun selama tahun 2005 sampai dengan tahun 2007 sebanyak 39 bank, maka untuk mementukan nilai cut off digunakan rumus
yang kedua, yaitu sebagai berikut: Zcu = 24x-0,703+ 19x 0,425 +39 x 0,291 = 0,0311
24 + 19 +39 Jika nilai prediksi kasus dibawah Zcu 0,0311, kasus tersebut
dimasukkan pada kondisi “ bangkrut” kode 0, namun sebaliknya jika, nilai prediksi kasus diatas Zcu 0,0311, kasus tersebut dimasukan pada
kondisi “tidak bangkrut” kode 12. Tabel 4.9
Pengelompokan bank yang mengalami kesulitan keuangan dan bank yang tidak mengalami kesulitan keuangan.
No Emiten Tahun WCTA RETA EBITTA MVETL
STA TOTAL Zcu
Kondisi 1 BBNI
2004 -0.0340 0.0010
0.0750 0.0000
0.1060 0.1480
0.031 1
2 AGIB 2004 -0.0212 -0.0010
0.0350 0.0000
0.1080 0.1208
0.031 1
3 BBCA 2004
0.0952 0.0004
0.1000 4.2000
0.0880 4.4836
0.031 1
4 BCIC 2004 -0.1598 -0.0134
-0.2910 -1.2000
0.0780 -1.5862 0.031
5 BDMN 2004
0.1780 0.0194
0.1810 0.6000
0.1160 1.0944
0.031 1
6 BNII 2004
0.1261 -0.0001 0.0760
0.0000 0.1110
0.3130 0.031
1 7 LPBN
2004 0.0125 -0.0006
0.1070 53.4000
0.1000 53.6190 0.031
1 8 MEGA
2004 0.0509
0.0000 0.0800
1.2000 0.0940
1.4249 0.031
1 9 BNGA
2004 -0.9756 -0.0022 0.0810
0.6000 0.1020 -0.1949
0.031 10 NISP
2004 0.1107
0.0000 0.0720
0.6000 0.0930
0.8757 0.031
1 11 PNBN
2004 0.2087
0.0033 0.1700
2.4000 0.1180
2.9000 0.031
1 12 BBBA
2004 0.0458
0.0000 0.0720
9.6000 0.1070
9.8248 0.031
1 13 MAYA
2004 0.0844
0.0000 0.0020
0.0000 0.0940
0.1804 0.031
1 14 BBNP
2004 -0.3512 0.0003
0.0000 0.0000
0.0620 -0.2889 0.031
15 ANKB 2004
0.0866 0.0000
0.0000 0.0000
0.0860 0.1726
0.031 1
16 BEKS 2004
0.0179 0.0000
0.0030 0.0000
0.1950 0.2159
0.031 1
90
Lanjutan Tabel 4.9 Pengelompokan bank yang mengalami kesulitan keuangan dan bank yang tidak
mengalami kesulitan keuangan.
No Emiten Tahun WCTA RETA EBITTA
MVETL STA TOTAL Zcu
Kondisi 17 BVIC
2004 0.1236
0.0009 0.135 0.2595
0.031 1
18 BAAO 2004 0.031
19 BBIA 2004
0.031 20 BBNI
2005 0.0472
-0.0036 0.112
0.099 0.2546 0.031
21 AGIB 2005
-0.0274 -0.0008
0.006 0.095 0.0729
0.031 2
22 BBCA 2005
0.1133 -0.0001
0.132 4.8
0.102 5.1472 0.031
2 23 BCIC
2005 -0.142
-0.0001 0.051
0.074 -0.0171 0.031
2 24 BDMN 2005
0.1349 -0.0038
0.059 0.6
0.121 0.9111 0.031
25 BNII 2005
0.0972 -0.0022
0.035 0.099
0.229 0.031
2 26 LPBN
2005 -0.1023
-0.0058 0.059
24 0.092 24.043
0.031 2
27 MEGA 2005 0.0344
0.048 1.2
0.094 1.3764 0.031
2 28 BNGA 2005
0.1202 -0.004
0.062 1.8
0.098 2.0761 0.031
2 29 NISP
2005 0.099
-0.015 0.037
1.2 0.108 1.4291
0.031 2
30 PNBN 2005
0.1284 -0.0049
0.6 0.087 0.8105
0.031 2
31 BBBA 2005
0.0534 -0.002
4.2 0.106 4.3574
0.031 2
32 MAYA 2005 0.083
0.105 0.188
0.031 2
33 BBNP 2005
1.054 -0.0008
0.103 1.1562 0.031
2 34 ANKB 2005
0.0689 -0.054
0.092 0.1069 0.031
2 35 BEKS
2005 -0.0634
0.057 0.141 0.1346
0.031 2
36 BVIC 2005
0.1177 -0.023
0.013 0.116 0.2238
0.031 2
37 BAAO 2005 0.031
2 38 BBIA
2005 0.031
Sumber : Data Diolah Keterangan: Untuk kondisi bangkrut
Tahun 2004 untuk Kondisi 0 atau bank yang mgelami financial distress antara lain: Century,Tbk, Niaga, Tbk, Agro Niaga, Tbk, dan UOB Buana, Tbk.
Tahun 2005 untuk Kondisi 0 atau bank yang mengalami kondisi financial distress antar lain: Century,Tbk, Agro Niaga, Tbk, dan UOB Buana, Tbk.
91
Berdasarkan data diatas maka dapat disimpulkan bahwa financial distress tahun 2004 lebih besar dari tahun 2005. hal ini, menunjukkan bahwa kinerja tahun
2005 lebih bagus dibandingkan tahun 2004. Tabel : 4.10
Classification Function Coefficients KONDISI
5T2004-2007 5T2004 5T2005-2007
EBITTA -2,204
67,555 59,264
Constant -1,099
-1,695 -1,558
Sumber: Data Diola Tabel ini menunjukkan persamaan diskriminan yang terbentuk
pada kondisi bank yang bangkrut dan tidak bangkrut terhadap model Altman. Tiga persamaan tersebut adalah:
5 T 2004-2007 : Y= -1,099 + -2,204ebitta
5 T 2004 : Y= -1,695 + 67,555 ebitta
5 T 2005-2007 : Y= -1,558 + 59,264 ebitta
Keterangan; 1
Asset kurang dari 5 Triliyun selama tahun 2004 sampai dengan tahun 2007 memiliki persamaan sebagai berikut: Y= -1,099 + -2,204ebitta
2 Asset lebih dari 5Triliyun pada tahun 2004 memiliki persamaan
sebagai berikut: Y= -1,695 + 67,555 ebitta 3
Asset lebih dari 5Triliyun pada tahun 2005 sampai dengan tahuin 2007 memiliki persamaan sebagai berikut: Y= -1,558 + 59,264 ebitta.
Hal ini dapat diartikan sebagai berikut : Pada kondisi asset kurang
dari 5 Triliyun atau kondisi bangkrut: nilai negatif 1,099 artinya tanpa
92
ada ebitta, kondisi bank yang bangkrut terhadap model Altman akan negatif sebesar 1,099 sedangkan nilai negatif 2,204 artinya tanpa ada
ebitta, kondisi bank yang bangkrut terhadap model Altman akan negatif sebesar 2,204.
Pada kondisi asset lebih dari 5 Triliyun atau kondisi tidak bangkrut ini terbagi menjadi dua yaitu: pertama, tahun 2004 dengan nilai negatif
1,695 artinya tanpa ada ebitta, kondisi bank yang bangkrut terhadap model Altman akan negatif sebesar 1,695 sedangkan nilai positif 67,555
artinya dengan adanya kenaikan ebitta, kondisi bank yang bangkrut terhadap model Altman akan naik sebesar 67,555 kedua, yaitu tahun 2005-
2007 nilai negatif 1,558 artinya tanpa ada ebitta, kondisi bank yang bangkrut terhadap model Altman akan negatif sebesar 1,558 sedangkan
nilai positif 59,264 artinya dengan adanya kenaikan ebitta, kondisi bank yang bangkrut terhadap model Altman akan naik sebesar 59,264. Ebitta
dalam analisis diskriminan ini mencerminkan keseluruhan kekuatan perusahaan dalam mendatangkan pendapatan, melemahnya faktor ini
merupakan indikator terbaik akan hadirnya kebangkrutan, karena berjalannya suatu perusahaan bergantung juga pada laba yang diperoleh
perusahaan.
93
5. Mengukur validitas
Table: 4.11 Classification Resultsb,c
KONDISI Predicted Group Membership
Total 5T2004-2007 5T2004
5T2005-2007 Original
Count 5T2004-2007 24 24
5T2004 2
10 1
13 5T2005-2007 10
18 11
39 5T2004-2007 100,0
,0 ,0
100,0 5T2004
15,4 76,9
7,7 100,0
5T2005-2007 25,6 46,2
28,2 100,0
Cross- validateda
Count 5T2004-2007 24
24 5T2004
2 8
3 13
5T2005-2007 10 18
11 39
5T2004-2007 100,0 ,0
,0 100,0
5T2004 15,4
61,5 23,1
100,0 5T2005-2007 25,6
46,2 28,2
100,0
Sumber: Data Diaolah. Tabel ini digunakan untuk mengtahui tingkat ketepatan dan stabiits
model diskriminan yang terbentuk godness of fit. Untuk mengetahui tingkat keakuratan pengelompokan dari hasil perhitungan perdiction dengan
mengelompkan hasil dari observasi actual dari nilai persentase antar jumlah pengelompokan yang benar dengan total sampel ukuran ini disebut dengan hit
ratio Untuk menemukan baik tidaknya tentang Hit ratio, maka nilai ini
dibandingkan dengan perubahan proporsional C pro dan perubahan maksimum C max, untuk lebih jelasnya dapat dilihat pada gambar berikut:
94
Jika hit ratio di daerah ini, maka
sangat tidak akurat
Jika hit ratio di daerah ini, maka
kurang akurat Jika hit ratio
di daerah ini, maka akurat
0 C pro C max
100 Hit ratio
= n
benar
: N x 100 C
pro =
p
2
+ 1+p
2
C
max =
n
max
: N x 100 dimana:
n
benar
= jumlah sampel dengan alokasi prediksi yang benar p = proporsi jumlah sampel dikelompok 1
1-p = proporsi jumlah sampel dikelompok 2 n
max
= jumlah sampel terbesar pada salah satu kelompok N = jmlah sampel secara keseluruhan
Jumlah sampel dengan alokasi yang benar adalah yang pada data awal tergolong kondisi “bangkrut” dan dari model diskriminan dapat diprediksi
tetap pada golongan ‘bangkrut” atau diakatakan ada kesesuian antar prediksi dengan realita adalah sebanyak 24 bank demikian juga dengan kondisi“tidak
bangkrut” yang pada data awal pada kodisi “tidak bangkrut” dan dari model diskriminan diprediksikan ke kondisi “tidak bangkrut” atau dikatakan ada
kesesuian antara prediksi dengan realita sejumlah 40 bank. Dengan demikian toal sampel yang diprediksi dengan benar adalah 64 bank
Sedangkan yang melesat adalah bank realitanya “bangkrut” diprediksi “tidak nbangkrut” dan tidak ada realitanya “tidak bangkrut” diprediksi
95
“bangkrut”. Dengan demikin total sampel yang melesat adalah 12 bank berdarakan data ini dapat kita uji nilai ketepatan modelnya sebagi berikut:
Hit ratio= n
benar
: N x 100 Hit ratio
= 24 + 40 = 6476 x 100 = 84,2
C
pro =
p
2
+ 1+p
2
p
2
= 2476 =0,316 C
pro
= 0,316 + 1-0,316
2
= 0,368 x 100 = 36,8 C
max =
n
max
: N x 100 C
max =
5276 = 0,684 x100 =68,4 Karena nilai Hit ratio lebih besar dari niai C max maka dapat dikatakan
bahwa tingkat kondisi dari hasil perhitungan analisis diskriminan adalah akurat
Untuk menguji stabilitas model diskriminan, yaitu apakah ada kemungkinan pengalokasian dari tiap sample dalam kelompok stabil atau tidak
sebagi akibat adanya peurbahan jumlah sampel yang diteliti, maka digunakn nilai pressQ.
Press
Q = [N-n-k]2 Nk-1
dimana: n
= Jumlah sampel n
= Jumlah sampel yng bebs pengalokaiannya k
= Jumlah kondisi
96
Kemudian kita bandingkan niali
press
Q dengan nilai tabel chi square pada tingkat keyakinan tertentu dengan pada degree of freedom sebesar 1.dengan
kriteria keputusan sebagai berikut: jika pressQZ
2
, maka hasil analisis diskriminan dinyatakan tidak stabil
dari output diatas dapat dihitung besarnya niai pessQ adalah sebagi berikut.
Press
Q = [ 76-64x2]
2
762-1 = 35,57
Nilai chi square 15,69 karena nila Z
2
sebesar 6,63 maka pressQZ
2
karena nilai pressQ lebih besar dari niaali tabel chi square, sehinggga dapat dinyatakan bahwa
model diskriminan yang terbentuk dinyatakan stabi
D. Interpretasi