analisis akurasi model grover dan model ohlson...

ANALISIS AKURASI MODEL GROVER DAN MODEL OHLSON

DALAM MEMPREDIKSI FINANCIAL DISTRESS PADA

PERUSAHAAN PERTAMBANGAN YANG TERDAFTAR DI

BURSA EFEK INDONESIA (BEI) PERIODE 2010-2014

SYAFITRIANI

130462201152

PROGRAM STUDI AKUNTANSI, FAKULTAS EKONOMI,

UNIVERSITAS MARITIM RAJA ALI HAJI

2017

ABSTRACT

The purpose of this research is to know whether Grover model and Ohlson

model capable to predict the financial distress condition toward mining company

listed on Indonesia Stock Exchange and to know which is the most accurate models in

predict financial distress toward mining company.

The objects of this research are entire mining company listed on Indonesia

Stock Exchange year 2010-2014 whit total population 27 mining company. The

method of sample election using purposive sampling. The type of data used is

secondary data and using literature review method and documentation to collect the

data. The sample of 55 company is taken every year. This research method using

quantitative method. The analysis used is logistic regression which is processed by

using SPSS version 21.0 on computer to test the hypotesis and strengthen the

calculation results.

The results of this research show that Grover model (Sig Value 0,009<0,05

Sig Level) affected by the condition of financial distress ini mining company listed

on Indonesia Stock Exchange meanwhile Ohlson model (Sig Value 0,106>0,05)Sig

Level) can’t predict the condition of financial distress in mining company listed on

Indonesia Stock Exchange year 2010-2014 is Grover model.

Keywords : Grover Model, Ohlson Model, Financial Distress.

PENDAHULUAN

Indonesia merupakan salah satu Negara di dunia yang kaya akan sumber daya

alam. Sejak lama Indonesia terkenal dengan penghasil sumber daya alam terbesar,

diantaranya bahan tambang seperti minyak bumi, batu bara dan kekayaan alam

lainnya. Seiring dengan persaingan dunia usaha yang semakin kompetitif ditengah

kondisi perekonomian yang selalu mengalami perubahan, perusahaan diharapkan

mampu bersaing dalam mempertahankan kelangsungan hidup usahanya dalam jangka

panjang (going concern). Namun dalam kenyataanya tidak semua perusahaan yang

mengalami kesulitan dalam perjalannya yang berujung pada kebangkrutan. Maka dari

itu diperlukan alat untuk memprediksi financial distress sebagai informasi awal

sebelum terjadi kebangkrutan suatu perusahaan (Vitarianjani, 2015).

Seiring dengan persaingan dunia usaha yang semakin kompetitif ditengah

kondisi perekonomian yang selalu mengalami perubahan, perusahaan diharapkan

mampu bersaing dalam mempertahankan kelangsungan hidup usahanya dalam jangka

panjang (going concern). Namun dalam kenyataanya tidak semua perusahaan yang

mengalami kesulitan dalam perjalannya yang berujung pada kebangkrutan. Maka dari

itu diperlukan alat untuk memprediksi financial distress sebagai informasi awal

sebelum terjadi kebangkrutan suatu perusahaan (Vitarianjani, 2015).

Prediksi financial distress (kesulitan keuangan) yang akurat menjadi hal yang

sangat krusial bagi setiap perusahaan. Hal ini dikarenakan financial distress

umumnya dapat mengarah pada kebangkrutan atau kegagalan sebuah perusahaan.

Oleh karena itu, dengan mengetahui tingkat prediksi financial distress, perusahaan

dapat segera melakukan tindakan proteksi bisnis lebih baik atau bertindak untuk

mengurangi resiko kerugian bisnis atau bahkan menghindarinya (Christianti, 2013).

Kebangkrutan suatu usaha merupakan akhir dari kesulitan keuangan yang

dialami oleh perusahaan. Kesulitan keuangan dapat diartikan sebagai

ketidakmampuan perusahaan untuk membayar kewajiban keuangannya pada saat

jatuh tempo. Kebangkrutan suatu usaha disebabkan oleh dua faktor yaitu faktor

internal dan eksternal. Faktor internal yang berasal dari bagian dalam manajemen

perusahaan itu sendiri, misalnya manajemen yang tidak efisien, ketidakseimbangan

dalam modal yang dimiliki dengan jumlah hutang piutang yang dimiliki perusahaan

dan lain sebagainya. Sedangkan faktor eksternal berasal dari luar perusahaan,

misalnya kondisi perokonomian (Rompon, 2012).

Analisis laporan keuangan juga bisa digunakan untuk mengamati kondisi

kebangkrutan perusahaan yaitu dengan menggunakan model prediksi kebangkrutan

(Marcelinda et al, 2014). Beberapa model prediksi yang telah dikembangkan untuk

menjadi alat prediksi kondisi financial distress diantaranya adalah yang telah

dikemukan oleh Grover (1968) dan Ohlson (1980). Menurut Grover (1968) dalam

Prihantini (2013), model Grover merupakan model yang diciptakan dengan

melakukan pendesainan dan penilaian ulang terhadap model Altman Z-Score dengan

menambah 13 rasio keuangan. Sedangkan Menurut Ohlson (1980) dalam Christianti

(2013), model Ohlson terinspirasi dari penelitian-penelitian sebelumnya, juga

melakukan studi mengenai financial distress dengan memliki 9 variabel yang terdiri

dari beberapa rasio keuangan.

Dari beberapa penelitian tentang perbandingan model prediksi kondisi

financial distress yang telah dilakukan sebelumnya, terdapat beberapa perbedaan

hasil prediksi. Dari penelitian yang dilakukan oleh Prihanthin (2013) dan Christianti

(2013) terdapat perbedaan hasil penelitian. Prihanthini (2013) menyatakan bahwa

model Grover merupakan model prediksi yang paling sesuai diterapkan pada

perusahaan Food and Beverage di Indonesia. sedangkan Christianti (2013)

menyatakan bahwa model Ohlson yang paling efektif dan akurat dalam memprediksi

kondisi financial distress perusahaan Manufaktur di Indonesia.

Penelitian ini bertujuan untuk mengetahui Apakah model Grover dan Ohlson

dapat memprediksi kondisi financial distress pada perusahaan Pertambangan yang

terdaftar di Bursa Efek Indonesia serta model manakah yang paling akurat dalam

memprediksi financial distress di perusahaan Pertambangan yang terdaftar di Bursa

Efek Indonesia. Dengan diketahuinya model dengan akurasi tertinggi, maka

perusahaan atau investor dapat mengaplikasikan model tersebut untuk memprediksi

kondisi financial distress pada perusahaan Pertambangan di Bursa Efek Indonesia.

TINJAUAN PUSTAKA, KERANGKA PEMIKIRAN DAN HIPOTESIS

Pengertian Kesulitan Keuangan dan Kebangkrutan

Financial distresss atau kesulitan keuangan terjadi sebelum kebangkrutan

benar-benar dialami oleh perusahaan. Plat dan Plat (2002) mendefinisikan financial

distress sebagai tahap penurunan kondisi keuangan yang terjadi sebelum terjadinya

kebangkrutan ataupun likuidasi. Kesulitan keuangan adalah suatu situasi dimana arus

kas operasi perusahaan tidak memadai untuk melunasi kewajiban-kewajiban lancar

(seperti hutang dagang atau beban bunga) dan perusahaan terpaksa melakukan

tindakan perbaikan (Ramadhani, 2009).

Ramadhani (2009) menyatakan Kebangkrutan sebagai kegagalan keuangan

atau kegagalan dalam arti ekonomi merupakan keadaan dimana perusahaan

kehilangan uang atau pendapatan perusahaan tidak bisa menutupi biayanya sendiri.

Ini berarti bahwa nilai sekarang dari arus kas sebenarnya lebih kecil dari kewajiban

atau laba lebih kecil dari modal kerja. Kegagalan terjadi bila arus kas yang

sebenarnya dari perusahaan tersebut jauh dibawah arus kas yang diharapkan.

Kebangkrutan suatu perusahaan ditandai dengan financial distress, yaitu keadaan

dimana perusahaan lemah dalam menghasilkan laba atau perusahaan cenderung

mengalami defisit. Berdasarkan beberapa pendapat diatas dapat disimpulkan bahwa

bahwa kebangkrutan terjadi setelah perusahaan mengalami financial distress atau

kesulitan kuangan sehingga keadaan atau situasi dalam hal ini perusahaan gagal atau

tidak mampu lagi memenuhi kewajiban-kewajiban kepada debitur.

Model Prediksi Kebangkrutan

Model Grover

Grover (1968) dalam Prihantini (2013) mengungkapkan bahwa model ini

merupakan salah satu alat untuk memprediksi financial distress. Model Grover ini

merupakan model yang diciptakan dengan melakukan pendesainan dan penilaian

ulang terhadap model Altman Z-Score. Jeffrey S. Grover menggunakan sampel sesuai

dengan model Altman Z-score pada tahun 1968, dengan menambahkan tiga belas

rasio keuangan baru. Sampel yang digunakan sebanyak 70 perusahaan dengan 35

perusahaan yang bangkrut dan 35 perusahaan yang tidak bangkrut pada tahun 1982

sampai 1996. Hasil penelitiannya dirumuskan sebagai berikut:

G-Score = 1,650 WCTA+ 3,404 EBITTA - 0,016 NITA + 0,057

Menurut Grover (1968) dalam Prihantini (2013), model dikategorikan

sebagai berikut:

(a) perusahaan dalam keadaan bangkrut dengan skor kurang atau sama dengan -

0,02 (Z ≤ -0,02).

(b) perusahaan yang dikategorikan dalam keadaan tidak bangkrut adalah lebih

atau sama dengan 0,01 (Z ≥ 0,01).

Model Ohlson

Menurut Ohlson (1980) dalam Christianti (2013), model ini menggunakan

analisis logistik untuk menggembangkan model prediksi kebangkrutan dengan

sembilam variabel yang terdiri dari beberapa rasio keuangan. Rasio yang digunakan

adalah rasio leverage, likuiditas dan probabilitas. Berdasarkan sampel 105

perusahaan bangkrut dan 2058 perusahaan tidak bangkrut dalam penelitian yang

dilakukan James A. Ohlson. Ohlson menggunakan analisis logistik untuk

menghindari masalah tentang asumsi-asumsi pada model Multiple Discriminant

Analysis (MDA) yang dilakukan Altman, yaitu data yang diuji memerlukan

persyaratan normalitas data (Hidayat,2015). Persamaan model Ohlson (1980) dalam

Christianti (2013) adalah sebagai berikut:

O = -1,32 - 0,407 LTAGNP + 6,03 TLTA – 1,43 WCTA + 0,0757 CACL

– 2,37 D - 1,83 NITA + 0,285 CFFOTL - 1,72 F - 0,521 NI

Ohlson (1980) dalam Putra (2016) menyatakan bahwa model ini memiliki cutoff

point optimal pada nilai 0,38 sebagai berikut :

(a) perusahaan yang memiliki nilai O di atas 0,38 berarti perusahaan tersebut

diprediksi mengalami kebangkrutan (O > 0,38)

(b) Sebaliknya, jika nilai O skor perusahaan kurang dari 0,38, maka perusahaan

diprediksi tidak mengalami kebangkrutan (O <0,38).

Kerangka Pemikiran

Dari semua yang telah disampaikan maka dapat disusun sebuah sekema yang

mendasari penelitian ini, sebagaimana tampak pada gambar berikut:

Gambar 1

Model Kerangka Pemikiran

METODE PENELITIAN

Populasi, Sampel dan Teknik Pengambilan Sampel

Penelitian ini dilakukan pada perusahaan Pertambangan yang terdaftar di

Bursa Efek Indonesia (BEI) pada tahun 2010-2014 yang berjumlah 27 perusahan

Pertambangan. Sampel yang digunakan dalam penelitian ini adalah perusahan

Pertambangan yang memiliki kriteria tertentu. Pengambilan sampel dalam penelitian

ini menggunakan teknik purposive sampling. Adapun kriteria sampel yang digunakan

dalam penelitian sebagai berikut (1) Perusahaan Pertambangan yang terdaftar di

Bursa Efek Indonesia (BEI) secara berturut-turut periode 2010-2014, (2) Perusahaan

Pertambangan yang menerbitkan laporan keuangan secara lengkap selama tahun

2010-2014, dan (3) Perusahaaan Pertambangan yang menyajikan laporan keuangan

dalam mata uang rupiah periode 2010-2014. Jadi total sampel yang digunakan

sebanyak 11 perusahaan Pertambangan dikalikan 5 tahun, yaitu 55 perusahaan

Pertambangan. Jenis data yang digunakan adalah data sekunder dengan teknik

pengumpulan data dalam penelitian ini menggunakan metode studi kepustakaan dan

dokumentasi. Untuk memperoleh data sekunder yang digunakan dari penelitian ini

maka peneliti mencari dan mengumpulkan data yang di butuhkan adalah laporan

keuangan tahunan perusahaan yang telah diaudit, perusahaan Pertambangan yang

terdaftar di Bursa Efek Indonesia tahun tutup buku 31 Desember. Data dalam

penelitian ini diperoleh dari website Bursa Efek Indonesia www.idx.co.id.

Variabel Penelitian

Variabel Dependen

Variabel Dependen dalam penelitian ini adalah financial distress. Menurut

Plat dan Plat (2002) dalam Ramadhani (2011), mendefinisikan financial distress

sebagai tahap penurunan kondisi keuangan yang terjadi sebelum terjadinya

kebangkrutan ataupun likuidasi. Perusahaan yang mengalami financial distress

dengan indikasi, yaitu selama dua tahun mengalami laba bersih (net income) negatif

dan lebih dari satu tahun tidak melakukan pembayaran dividen (Wulandari, 2014).

Dalam penelitian ini financial distress diukur dengan menggunakan variabel dummy

yaitu:

Score 0 : jika perusahaaan yang tidak mengalami financial distress.

Score 1 : jika perusahaan yang mengalami financial distress.

Score 1 menjelaskan untuk perusahaan yang mengalami financial distress

dengan indikasi: selama 2 tahun mengalami laba bersih negatif dan lebih dari satu

tahun tidak melakukan pembayaraan dividen. Sedangkan Score 0 sebaliknya yaitu

untuk perusahaan yang tidak mengalami financial distress dengan indikasi: selama 2

tahun mengalami laba bersih positif dan lebih dari satu tahun melakukan pembayaran

dividen.

Variabel Independen

http://www.idx.co.id/

Variabel Independen dalam penelitian ini adalah model Grover dan model

Ohlson.Variabel-variabel yang digunakan oleh kedua model tersebut adalah sebagai

berikut:

Model Grover

G-Score = 1,650 WCTA +3,404 EBITTA - 0,016 NITA + 0,057

(Sumber: Grover, 1968 dalam Prihantini, 2013)

1. WCTA (Working Capital / Total Asset)

Rasio ini dapat dikategorikan dalam rasio likuiditas. Mengukur kemampuan

perusahaan dalam memenuhi kewajiban jangka pendek. Dimana semakin baik

kemampuan perusahaan maka semakin besar nilai WCTA tersebut. Rasio ini

memiliki koefisien negatif, yang dapat memperbesar nilai G skor. Dalam

model ini G skor yang semakin besar menunjukkan kinerja perusahaan yang

semakin baik (Hidayat, 2015). Perhitungan rasio ini dengan cara:

Aset Lancar − Kewajiban Lancar

Total Aset

2. EBITTA (Earning Before Interest and Taxes / Total Assest)

Rasio ini mengukur kemampuan perusahaan dalam menghasilkan laba dari

aktiva yang digunakan. Rasio ini merupakan kontributor terbesar dari model

tersebut. Beberapa indikator yang dapat digunakan dalam mendeteksi adanya

masalah pada kemampuan profitabilitas perusahaan diantaranya adalah

piutang dagang meningkat, penjualan menurun, terlambatnya hasil penagihan

piutang, kredibilitas perusahaan berkurang serta kesediaan memberi kredit

pada konsumen yang tidak membayar pada waktu yang ditetapkan (Hidayat,

2015). Perhitungan rasio ini dengan cara:

Laba Sebelum Bunga dan Pajak

Total Aset

3. NITA (Net Income/Total Assets)

Rasio ini mengukur probabilitas perusahaan (Hidayat, 2015). Rasio ini juga

disebut sebagai Return On Assets (ROA). Dimana hasil pengembalian atas

aset merupakan rasio yang menunjukkan seberapa besar kontribusi aset dalam

menciptakan laba bersih. Dengan kata lain, rasio ini digunakan untuk

mengukur seberapa besar jumlah laba bersih yang akan dihasilkan dari setiap

rupiah dana yang tertanam dalam total aset. Rasio ini dihitung dengan

membagi laba bersih terhadap total aset (Hery, 2016:193). Perhitungan rasio

ini dengan cara:

Laba Bersih

Total Asset

Model Ohlson

O = -1,32 - 0,407 LTAGNP + 6,03 TLTA – 1,43 WCTA + 0,0757 CACL

– 2,37 D - 1,83 NITA + 0,285 CFFOTL - 1,72 F - 0,521 NI

(Sumber: Ohlson, 1980 dalam Christiani, 2014)

1. LTAGNP (Log (Total Assets/GNP Price-Level Index)

Rasio untuk mengukur ukuran perusahaan (firm size). Dimana rasio ini

lebih fokus pada eksternal perusahaan, seperti ketidakpastian kondisi

ekonomi makro (GNP price-level index). Semakin besar nilai rasio ini,

maka semakin baik kinerja perusahaan. Ketidakpastian kondisi ekonomi

makro (GNP price-level index) merupakan salah satu faktor ekternal

penyebab terjadinya kebangkrutan (Hidayat, 2015). Perhitungan rasio ini

dengan cara:

log (Total Aktiva

GNP Indeks Tingkat Harga)

2. TLTA (Total Liabilities/Total Assets)

Rasio ini disebut juga sebagai rasio yang melihat perbandingan utang

perusahaan, yaitu diperoleh dari perbandingan total utang dibagi dengan

total aset. Rasio ini merupakan salah satu rasio leverage. Rasio leverage

adalah mengukur seberapa besar perusahaan dibiayai dengan utang.

Penggunaan utang yang terlalu tinggi akan membahayakan perusahaan

karena perusahaan akan masuk dalam kategori extreme leverage (utang

ekstrem) yaitu perusahaan terjebak dalam tingkat utang yang tinggi dan

sulit untuk melepaskan beban utang tersebut (Fahmi, 2012: 127).

Perhitungan rasio ini dengan cara:

Total Hutang

Total Aktiva

3. WCTA (Working Capital / Total Asset)

Rasio ini dapat dikategorikan dalam rasio likuiditas. Mengukur

kemampuan perusahaan dalam memenuhi kewajiban jangka pendek.

Dimana semakin baik kemampuan perusahaan maka semakin besar nilai

WCTA tersebut. Rasio ini memiliki koefisien negatif, yang dapat

memperkecil nilai O skor. Dalam model ini O skor yang semakin kecil

menunjukkan kinerja perusahaan yang semakin baik (Hidayat, 2015).

Perhitungan rasio ini dihitung dengan rumus:

Aset Lancar − Kewajiban Lancar

Total Aset

4. CACL (Current Asset/Current Liabilities)

Rasio ini adalah salah satu rasio likuiditas. Rasio lancar merupakan rasio

yang digunakan untuk mengukur kemampuan perusahaan dalam

memenuhi kewajiban jangka pendeknya yang segera jatuh tempo dengan

menggunakan total aset lancar yang tersedia. Dengan kata lain, rasio

lancar ini menggambarkan seberapa besar jumlah ketersediaan aset lancar

yang dimiliki perusahaan dibandingkan dengan total kewajiban lancar.

Oleh sebab itu, rasio lancar dihitung sebagai hasil bagi antara total aset

lancar dengan total kewajiban lancar (Hery, 2016: 152). Rasio ini

digunakan dalam model Ohlson. Perhitungan rasio ini dengan cara:

Aktiva Lancar

Hutang Lancar

5. D (jika Total Liabilities>Total Assets maka diberi nilai 1 ; jika Total

Liabilities<Total Assets maka diberi nilai 0)

Rasio ini mengukur likuiditas perusahaan. Cara menghitungnya adalah

dengan memberikan nilai 1 jika total utang perusahaan melebihi total

asetnya dan sebaliknya (Hidayat, 2015). Jika bernilai (1) berarti sering

terjadi exess total utang atas total aset, maka perusahaan rawan atas

adanya financial distress (Ismail, Syafudin dan Nugraha, 2012). Karena

penggunaan utang yang terlalu tinggi akan membahayakan perusahaan

karena perusahaan akan masuk dalam kategori extreme leverage (utang

ekstrem) yaitu perusahaan terjebak dalam tingkat utang yang tinggi dan

sulit untuk melepaskan beban utang tersebut (Fahmi, 2012: 127).

6. NITA (Net Income/Total Assets)

Rasio ini mengukur probabilitas perusahaan (Hidayat, 2015). Rasio ini

juga disebut sebagai Return On Assets (ROA). Dimana hasil

pengembalian atas aset merupakan rasio yang menunjukkan seberapa

besar kontribusi aset dalam menciptakan laba bersih. Dengan kata lain,

rasio ini digunakan untuk mengukur seberapa besar jumlah laba bersih

yang akan dihasilkan dari setiap rupiah dana yang tertanam dalam total

aset. Rasio ini dihitung dengan membagi laba bersih terhadap total aset

(Hery, 2016:193). Perhitungan rasio ini dengan cara:

Laba Bersih

Total Asset

7. CFFOTL (Cash Flow From Operations/Total Liabilities)

Rasio ini mengukur solvabilitas perusahaan, dimana dana yang digunakan

untuk kegiatan utama perusahaan, yaitu: dana yang tersedia dari kegiatan

operasi yang dibiayai dengan kewajiban perusahaan atau dengan hutang.

Rasio tersebut menunjukkan kemampuan perusahaan memberikan

jaminan kepada debitur (Hidayat, 2015). Perhitungan rasio ini dengan

cara:

Dana Yang Tersedia Dari Kegiatan Operasi

Total Hutang

8. F (jika Net Income Negatif maka diberi nilai 1 ; jika Net Income Positif

maka diberi nilai 0)

Rasio ini mengukur profitabilitas perusahaan. Cara menghitungnya adalah

dengan memberikan nilai 1 jika laba bersih perusahaan negatif (Hidayat,

2015). Jika kondisi laba bersih perusahaan sering negatif atau rugi, maka

besar resiko akan terjadi financial distress (Ismail, Syafudin dan Nugraha,

2012).

9. NI (Nit – Nit- 1) / (NIt + Nit-1)

Rasio ini mengukur perubahan profitabilitas perusahaan. NI merupakan

laba bersih untuk periode t dan sebelumnya. Nilai positif rasio ini

menunjukkan kondisi yang baik (Hidayat, 2015).

Hasil dan Pembahasan

Distribusi perusahaan Pertambangan yang terdaftar di Bursa Efek Indonesia

berdasarkan kondisi financial distress akan ditampilkan pada tabel berikut:

Tabel 1

Distribusi Perusahaan Pertambangan Berdasarkan Kondisi Financial Distress

Financial Distress

Frequency Percent Valid Percent Cumulative Percent

Valid

0

1

Total

45

10

55

70,3

15,6

85,9

81,8

18,2

100,0

81,8

100,0

Sumber : Data sekunder yang diolah SPSS versi 21.0 (2017)

Bedasarkan tabel 4.2 diatas menunjukkan bahwa sampel penelitian adalah

sebanyak 55 perusahaan dari lima tahun penelitian berturut-turut yaitu tahun 2010-

2014. Dari tabel tersebut dapat dilihat bahwa dari 55 pengamatan, 45 perusahaan

(70,3 persen) tidak mengalami kondisi financial distress. Dan sisanya sebanyak 10

perusahaan (15,6) mengalami kondisi financial distress.

Statistik Deskriptif

Statistik deskriptif bertujuan untuk memberikan deskripsi atau gambaran dari

kesimpulan data yang dilihat dari jumlah sampel, nilai minimum, nilai maximum, nilai

mean dan standar deviasi dari masing-masing variabel. Berikut adalah tabel statistik

deskriptif yang dimaksud.

Tabel 2

Statistik Dekriptif

Descriptive Statistics

N Minimum Maximum Mean Std. Deviation

Grover 55 -,22 2,25 ,7331 ,67883

Ohlson 55 -1,92 4,21 1,0596 1,53463

Valid N

(listwise)

55


Dari penguji deskriptif statistik yang tersaji pada tabel 4.3 dapat diketahui

bahwa jumlah sampel adalah 55. Selain itu dapat diketahui bahwa Grover merupakan

variabel independen (X1) memiliki nilai minimum atau nilai terkecil sebesar -0.22

yaitu oleh perusahaan Central Omega Resaurces Tbk pada tahun 2010, dan nilai

maximum atau nilai terbesar sebesar 2,25 oleh perusahaan Tambang Batubara Bukit

Asam Tbk pada tahun 2011. sedangkan nilai rata-rata yang dimiliki Grover sebesar

0.7331 atau 73,31% dengan nilai standar deviasi adalah sebesar 0.67883.

Selanjutnya Ohlson merupakan variabel independen (X2) memiliki nilai minimum

sebesar -1.92 yaitu oleh perusahaan Aneka Tambang (persero) Tbk pada tahun 2014.

Sedangkan nilai maximum sebesar 4.21 oleh perusahaan Bara Jaya Internasional Tbk

pada tahun 2013. Kemudian nilai rata-rata yang dimiliki Ohlson sebesar 1.0596 atau

105.96% dengan nilai standar deviasi adalah sebesar 1.53463.

Uji Hosmer and Lemeshow Test (Goodness-of-Fit-Test)

Uji Hosmer and Lemeshow Test (Goodness-of-Fit-Test) atau sering disebut

juga uji kesesuaian model. Pengujian ini digunakan untuk menguji ketepatan atau

kesesuaian data pada model regresi logistik atau untuk mengetahui apakah ada

perbedaan antara hasil observasi dengan kemungkinan hasil prediksi. Data dapat

dikatakan adanya kesesusaian data pada model jika memiliki nilai signifikan lebih

besar dari 0,05 (5%).

Tabel 3

Uji Hosmer and Lemeshow Test (Goodness-of-Fit-Test)

Hosmer and Lemeshow Test

Step Chi-square Df Sig.

1 3,300 7 ,856


Dari tabel diatas dapat dilihat bahwa besarnya nilai statistik Hosmer and

Lemeshow Goodness of Fit sebesar 3,300 dan degree of feedom adalah 7 dengan

probabilitas signifikansi 0,856 yang mana lebih besar dari nilai signifikansi 0,05

(0,856 > 0,05). Dengan demikian Ho diterima, sehingga dapat disimpulkan bahwa

pada model regresi logistik yang digunakan telah memenuhi kecukupan data (fit) dan

dapat digunakan dalam pengujian selanjutnya.

Uji Omnibus Test of Model Coefficient (Overall Model Fit)

Uji Omnibus Test of Model Coefficient (Overall Model Fit) dilakukan untuk

menguji apakah variabel-variabel independen secara serentak berpengaruh terhadap

variabel dependen yaitu financial distress. Dengan nilai signifikan < 0,05 maka

variabel independen secara serentak mempengaruhi variabel dependen. Namun jika

nilai signifikan > 0,05 maka variabel independen secara serentak tidak

mempengaruhi variabel dependen.

Jika pengujian Omnibus Test of Model Coefficient menunjukkan hasil yang

signifikansi maka secara keseluruhan variabel independen dimasukkan dalam model

atau dengan kata lain tidak ada variabel yang dikeluarkan dalam model. Hasil

Omnibus Test of Model Coefficient dapat dilihat pada tabel sebagai berikut:

Tabel 4

Uji Omnibus Test of Model Coefficient (Overall Model Fit)


Dari pengujian regresi logistik dengan melihat tabel 4.5 diketahui nilai Chi-

Square sebesar 15,544 dengan degree of freedom adalah 3. Adapun tingkat

signifikansi sebesar 0,000 yang mana lebih kecil dari nilai signifkasi 0,05. Maka HO

ditolak dan Ha diterima, sehingga hasil uji Omnibus Test of Model Coefficient dapat

disimpulkan bahwa dengan signifikansi 5% variabel model Grover dan Ohlson secara

bersama-sama berpengaruh terhadap financial distress.

Selain itu, menilai keseluruhan model dilakukan dengan cara memperhatikan

angka pada -2 Log Likelihood (-2LL) Block Number = 0 dan -2 Log Likelihood (-

2LL) Block Number = 1.

Tabel 5

Overall Model Fit

Interation -2 Log Likelihood

Omnibus Tests of Model Coefficients

Chi-square Df Sig.

Step 1

Step 15,544 2 ,000

Block 15,544 2 ,000

Model 15,544 2 ,000

Step 0 52,155

Step 1 36,611

Sumber : Data Skunder yang diolah SPSS versi 21.0 (2017)

Pada tabel diatas terlihat bahwa angka awal -2LL Block Number = 0 adalah

52,155 sedangkan -2LL Block Number = 1 adalah 36,611. Dari model tersebut

ternyata overall model fit pada -2LL Block Number = 0 menunjukkan adanya

penurunan pada -2LL Block Number = 1 sebesar 15,544. Penurunan likelihood ini

menunjukkan bahwa keseluruhan model regresi logistik yang digunakan merupakan

model yang baik.

Selain itu nilai overall percentage correct di block 1 senilai 83,6 lebih tinggi

dibandingkan nilai overall percentage correct di block 0 senilai 81,8. Hal ini juga

mengartikan bahwa model regresi dengan estimator pada variabel independen tepat

dalam mengestimasi pengaruh variabel independen terhadap financial distress. Hal

ini terlihat pada tabel berikut ini :

Tabel 6

Overall Percetage

Interation Nilai Overall Percetage

Step 0 81,8

Step 1 83,6


Model Summary (R²)

Model summary dalam regresi logistik memiliki interprestasi yang mirip

dengan koefisien determinasi pada persamaan regresi linear. Cox dan Snell’s R

Square merupakan ukuran R2 pada persamaan regresi linear yang didasarkan pada

teknik estimasi likelihood dengan nilai maksimum kurang dari satu sehingga sulit

diinterpretasikan. Negelkerke R Square merupakan modifikasi dari koefisien Cox dan

Snell’s untuk memastikan bahwa nilainya bervariasi dari 0 sampai 1. Hal ini

dilakukan dengan cara membagi nilai nilai Cox dan Snell’s R Square dengan nilai

maksimumnya. Nilai Negelkerke R Square dapat diinterprestasikan seperti nilai R2

pada persamaan regresi linear. Uji Model Summary dilakukan untuk melihat seberapa

besar model yang digunakan dalam variabel independen yang terdiri dari model

Grover dan model Ohlson mampu menjelaskan variabel dependen yaitu financial

distress. Hasil model summary dapat dilihat pada tabel sebagai berikut:

Tabel 7

Model Summary

Step -2 Log likelihood Cox & Snell R

Square

Nagelkerke R Square

1 36,611a ,246 ,402

a. Estimation terminated at iteration number 7 because parameter estimates

changed by less than ,001.


Dari hasil pengolahan data dengan metode regresi logistik diketahui bahwa uji

model -2Log Likelihood menghasilkan sebesar 36,611 dari koefisien determinasi

yang dilihat dari Nagelkerke R Square adalah 0,402. Artinya adalah variabel

independen yaitu Model Grover dan Ohlson mampu menjelaskan variasi dari

variabel dependen yaitu financial distress 40,2%, sedangkan sisanya yaitu sebesar

59,8% dijelaskan oleh faktor-faktor lain yang tidak diikutsertakan dalam model.

Uji Signifikasi Variabel Independen secara Parsial

Uji Signifikasi Variabel Independen secara Parsial dilakukan untuk menguji

apakah variabel independen secara terpisah atau parsial dapat mempengaruhi

variabel dependen. Pengujian ini dilakukan untuk melihat tiap-tiap variabel

independen dalam mempengaruhi variabel dependen. Uji ini dilakukan dengan

membandingkan t-hitung dengan t-tabel, dimana jika t-hitung >t-tabel maka

hipotesis variabel independen secara parsial mempengaruhi variabel dependen. Jika

nilai t-hitung <t-tabel maka variabel independen secara parsial tidak

mempengaruhi variabel dependen. Jika menggunakan nilai signifikan < 0,05

maka variabel independen secara parsial dikatakan berpengaruh terhadap variabel

dependen. Hasil uji Signifikasi Variabel Independen secara Parsial dapat dilihat

pada tabel sebagai berikut:

Tabel 8

Variables in the Equation

B S.E. Wald Df Sig. Exp(B) 95% C.I.for

EXP(B)

Lower Upper

Step

1a

Grover -4,222 1,623 6,765 1 ,009 ,015 ,001 ,353

Ohlson -,491 ,303 2,617 1 ,106 ,612 ,338 1,109

Constant ,953 ,883 1,164 1 ,281 2,593

a. Variable(s) entered on step 1: Grover, Ohlson.


Berdasarkan tabel diatas maka model regresi logistik yang diperoleh adalah

sebagai berikut:

Y= Ln =p

1−p=b0+ b1X1+ b2X2 + e

Financial distress = 0,953 – 4,222b1 - 0,491b2

Keterangan:

Y= Ln =p(Tepat)

1−p(Tidak Tepat)= financial distress

b0 = Konstanta

X1 = Model Grover

X2 = Model Ohlson

e = Standar Error

Pernyataan diatas mempunyai makna sebagai berikut:

1. Variabel konstan dalam model regresi logistik mempunyai koefisien

positir sebesar 0,953 yang berati jika variabel lain dianggap tetap maka

kondisi financial distress perusahaan mengalami peningkatan sebesar

0,953 satuan.

2. Variabel model Grover mempunyai koefisien negatif sebesar 4,222 yang

berarti setiap penuruanan satu (1) satuan pada model Grover akan

mengalami penurunan kondisi financial distress sebesar 4,222 satuan.

3. Variabel Model Ohlson mempunyai koefisien negatif sebesar 0,491 yang

berarti setiap penurunan satu (1) satuanpada model Ohlson akan

mengalami penurunan kondisi financial distress sbesar 0.491 satuan.

H1: Model Grover dapat Memprediksi Kondisi Financial Distress pada

Perusahaan Pertambangan yang terdaftar di Bursa Efek Indonesia

HO1 = Model Grover tidak mempunyai pengaruh terhadap financial distress

Ha1 = Model Grover mempunyai pengaruh terhadap financial distress

Dari hasil pengujian tepisah yang dlakukan dalam penelitian dapat dilihat

dalam tabel 4.8 diatas bahwa variabel Grover mempunyai nilai wald sebesar 6,765

dari koefisien regresi logistik untuk variabel model Grover negatif yaitu 4,222.

Adapun nilai signifikansi sebesar 0,009 lebih kecil 0,05 (0,009 < 0,05) sehingga HO1

dinyatakan bahwa model Grover tidak berpengaruh signifikan terhadap financial

distress ditolak atau gagal diterima. Sedangkan Ha1 yang menyatakan bahwa model

Grover berpengaruh signifikan terhadap financial distress dapat diterima. Dengan

demikian dapat ditarik kesimpulan bahwa model Grover mempunyai pengaruh

signifikan terhadap financial distress.

H2: Model Ohlson dapat Memprediksi Kondisi Financial Distress pada

perusahaan Pertambangan yang terdaftar di Bursa Efek Indonesia

HO2 = Model Ohlson tidak mempunyai pengaruh terhadap financial distress

Ha2 = Model Ohlson mempunyai pengaruh terhadap financial distress

Dari hasil pengujian tepisah yang dlakukan dalam penelitian dapat dilihat

dalam tabel 4.8 diatas bahwa variabel Grover mempunyai nilai wald sebesar 2,617

dari koefisien regresi logistik untuk variabel model Grover negatif yaitu 0,419.

Adapun nilai signifikansi sebesar 0,106 lebih kecil 0,05 (0,106 < 0,05) sehingga HO1

dinyatakan bahwa model Grover tidak berpengaruh signifikan terhadap financial

distress diterima atau gagal ditolak. Sedangkan Ha1 yang menyatakan bahwa model

Grover berpengaruh signifikan terhadap financial distress dapat diterima. Dengan

demikian dapat ditarik kesimpulan bahwa model Grover mempunyai pengaruh

signifikan terhadap financial distress.

Kesimpulan Dan Saran

Berdasarkan hasil yang diperoleh dari analisis di atas, maka dapat ditarik

kesimpulan bahwa:

1. Model Grover dapat memprediksi financial distress perusahaan

Pertambangan yang terdaftar di Bursa Efek Indonesia pada periode 2010-

2014.

2. Model Ohlson tidak dapat memprediksi financial distress perusahaan

Pertambangan yang terdaftar di Bursa Efek Indonesia pada periode 2010-

2014.

3. Perbandingan model analisis yang paling akurat dalam memprediksi

kondisi financial distress perusahaan Pertambangan di Bursa Efek

Indonesia pada periode 2010-2014 adalah model Grover. Tingkat akurasi

prediksi yang dihasilkan model Grover berdasarkan hasil uji hipotesis

dimana nilai koefesien determinasi yang dilihat dari Nagelkerke R Square

model Grover menghasilkan nilai tertinggi yaitu sebesar 0,333 (3,33%)

dibandingkan model Ohlson yang menghasilkan nilai terendah yaitu

sebesar 0,002 (0,2%) yang digunakan dalam penelitian ini untuk

memprediksi kondisi financial distress pada perusahaan Pertambangan di

Bursa Efek Indonesia.

Adapun saran yang mungkin bisa digunakan untuk menyempurnakan penelitian,

antara lain:

1. Pada penelitian selanjutnya, dapat menggunakan sektor perusahaan yang

berbeda serta jumlah sampel dan periode penelitain sebaiknya ada

penambahan lagi. Penelitian selanjutnya juga dapat menggunakan model-

model prediksi yang lain yang ada seperti, model Altman, Springate,

Zmijewski, Fulmer, CA-Score dan model lainnya

2. Bagi investor dan manajemen perusahaan dapat menggunakan model Grover

untuk memprediksi perusahaan yang financial distress pada perusahaan

Pertambangan di Bursa Efek Indonesia.

DAFTAR PUSAKA

Andrianti. 2016. Analsisi Ketepatan Model Altman, Springate. Zmijweski.Ohlson,

dan Grover Sebagai Detector Kebangkrutan (Studi Kasus Pada Perusahaan

yang Delisting di Bursa Efek Indonesia (BEI) Pada 2010-2014).Malang : UIN

Maulana Malik Ibrahim

Christiani, Ari. 2013. Analisis Prediksi Financial Distress: Perbandingan Model

Altman Dan Ohlson. Jurnal Ekonomi dan Bisnis , vol. 7 no.2, p. 77-89. ISSN:

1978-3116

Gunawan, Barbara, Rahadien Pamungkas, dan Desi Susilawati. 2017. Perbandingan

Prediksi Financial Distress dengan Model Altman, Grover dan Zmijewski.

Jurnal Akuntansi dan Investasi, Vol. 18 No. 1, Hlm: 119-127.

Ghozali, Imam. 2013. Analisis Multivariate Program Dengan Program IBM SPSS

21. Edisi Ke 7. Badan Penerbit Universitas Diponegoro : Semarang.

Ghozali, Imam. 2011. Aplikasi Analisis Multrivariate Dengan Program IBM SPSS

19. Edisi Ke 5. Badan Penerbit Universitas Diponegoro: Semarang

Ghozali, Imam. 2008. Metode Penelitian Bisnis. Bandung: Alfabeta.

Hartono. 2011. Metodologi Penelitia. Pekanbaru: Zanafa

Herry. 2016. Analisis Laporan Keuangan. Jakarta: PT. Grasindo

Hidayat, Gustina. 2015. Analisis Dalam Memprediksi Kebangkrutan dengan

Menggunakan Multiple Discriminant Analysis dan Logit pada Industri Farmasi

yang terdaftar di Bursa Efek Indonesia Periode 2009-2014. Bandung :

Universitas Telkom Bandung

Ikatan Akuntansi Indonesia. 2009. Persyaratan Standar Akuntansi Keuangan.

Jakarta: Salemba

Jogiyanto. 2008. Metodologi Penelitian Sistem Informasi: Pedoman dan Contoh

Melalkukan Penelitian di Bidang Sistem Teknologi Informasi. Yogyakarta:

Andi

Listyarini, Fitri. 2016. Analisis Perbandingan Prediksi Kondisi Financial Distress

Dengan Menggunakan Model Altman, Springate Dan Zmijewski Pada

Perusahaan Manufaktur Yang Terdaftar Di Bursa Efek Indonesia 2011-

2014.Jurnal akuntansi: UMRAH. Tanjungpinang

Marcelinda, Sheilly Olivia, Hadi Paramu dan Novi Puspitasari. 2014. Analisis

Akurasi Prediksi Kebangkrutan Model Altman Z-Score pada Perusahaan

Manufaktur yang Terdaftar di Bursa Efek Indonesia. e-Jurnal Ekonomi Bisnis

dan Akuntansi. Volume 1 (1) : 1-3

Prihanthini, Ni Made Evi Dwi 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. E-Jurnal Akuntansi

Universitas Udayana. ISSN: 2302-8556

Putra, Ivan Gumilar Sambas dan Rahma Septiani. Analisis Perbandingan Model

Zmijewski Dang Rover Pada Perusahaan Semen Di BEI 2008-2014. Jurnal

Riset Akuntansi Dan Keuangan. JRAK Vol 4, No3, 2016.Pp49-62.

Rismawaty. 2012. Analisis Perbandingan Model Prediksi Financaial Distrees

Altman, Springate, Ohlson dan Zmijewski (Studi empiris pada Perusahaan

Manufaktur yang Terdaftar di Bursa Efek Indonesia). Makassar : Universitas

Hasanuddin

Ramadhani, A. S., dan Lukviarman, N.2009. Perbandingan Analisis Prediksi

Kebangkrutan Menggunakan Model Altman Pertama, Altman Revisi, Dan

Altman Modifikasi Dengan Ukuran Dan Umur Perusahaan Sebagai Variabel

Penjelas (Studi Pada Perusahaan Manufaktur Yang Terdaftar Dibursa Efek

Indonseia). Jurnal Siasat Bisnis Vol. 13 No.1, P.15-28

Sangadji, Etta Mamang dan Sopiah.2010.Metodologi Penelitian Pendekatan Praktis

dalam Penelitian.Yogyakarta : C.V ANDI

Sugiyono, 2014. Metodologi Penelitian Kuantitatif, Kaulitataif dan R&D. Bandung:

Alfabeta

Sujarweni, V. W. 2015. Metodologi Penelitian Bisnis dan Ekonomi. Yogyakarta:

Pustaka Baru Press.

Wulandari, Veronita, Emrinaldi Nur DP dan Julita. 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). JOM

FEKON Vol. 1 No. 2

Vitarianjani, Novadea. 2015. Prediksi Kondisi Financial Distress dan Faktor yang

Mempengaruhi Studi Empiris pada Perusahaan Batubara yang Terdaftar di

Bursa Efek Indonesia Tahun 2011-2014. Artikel Ilmiah Mahasiswa 2015

analisis akurasi model grover dan model ohlson...

Documents