ANALISIS RASIO KEUANGAN MODEL ALTMAN DAN MODEL SPRINGATE SEBAGAI EARLY WARNING SYSTEM TERHADAP PREDIKSI KONDISI BERMASALAH PADA BANK GO PUBLIC

ANALISIS RASIO KEUANGAN MODEL ALTMAN DAN MODEL SPRINGATE SEBAGAI EARLY WARNING SYSTEM TERHADAP PREDIKSI KONDISI BERMASALAH PADA BANK GO PUBLIC

Disusun Oleh :

Nur Hasanah 106081002473

FAKULTAS EKONOMI DAN ILMU SOSIAL UNIVERSITAS ISLAM NEGERI SYARIF HIDAYATULLAH JAKARTA 1431H/2010M

i

ii

iii

iv

ABSTRAK Penelitian ini bertujuan untuk memberikan bukti empiris tentang faktorfaktor yang mempengaruhi kondisi kesulitan keuangan bank. Faktor-faktor yang diuji dalam penentuan kondisi keuangan bank adalah rasio keuangan model Altman dan model Springate. Sampel penelitian terdiri dari 5 bank sehat dan 2 bank yang mengalami kondisi kesulitan keuangan. Metode statistik yang digunakan untuk menguji hipotesis penelitian adalah analisis diskriminan. Hasil penelitian ini menunjukkan bahwa rasio keuangan model Altman dan model Springate memiliki daya klasifikasi atau daya prediksi untuk kondisi bank yang mengalami kesulitan keuangan. Dalam penelitian ini juga memberikan bukti bahwa rasio WCTA, RETA dan MVEBVD pada model Altman serta rasio WCTA pada model Springate secara statistik berbeda untuk kondisi bank yang mengalami kesulitan keuangan dengan bank yang tidak mengalami kesulitan keuangan. Penelitian ini juga memberikan bukti empiris bahwa hanya rasio keuangan WCTA dan MVEBVD pada model Altman serta rasio keuangan WCTA pada model Springate yang secara statistik signifikan untuk memprediksi kondisi kesulitan keuangan pada sektor perbankan.

Kata Kunci : Kesulitan Keuangan, Analisis Diskriminan, Model Altman dan Model Springate.

i

ABSTRACT This study aimed to provide empirical evidence about the factors that affect bank financial distress. The tested factors in determining the financial condition of banks is a financial ratio model of Altman and Springate models. The sample consisted of five healthy banks and two banks experiencing financial distress. The statistical methods used to test the research hypothesis is discriminant analysis. The results of this study show that financial ratios Altman model and Springate models have classification power to predict that banks experiencing financial difficulties. In this study also provides evidence that the ratio WCTA, RETA and MVEBVD Altman model and the ratio WCTA of Springate model is statistically different for the condition of the bank with the financially troubled bank is not experiencing financial difficulties. This study also provides empirical evidence that only the financial ratios and WCTA, MVEBVD of the Altman model financial ratios and only WCTA for Springate models that statistically significant for predicting financial distress in the banking sector.

Keywords : Financial distress, Discriminant Analysis, Altman and SpringateModel.

ii

KATA PENGANTAR

Alhamdulillah puji syukur penulis panjatkan kehadirat Allah SWT yang telah memberikan begitu banyak curahan rahmat dan kasih sayangnya serta nikmatnya yang tidak dapat dihitung dan dinilai selain dengan sebuah kesyukuran, sehingga penulis dapat menyelesaikan skripsi yang berjudul “Analisis Rasio Keuangan Model Altman dan Model Springate Sebagai Early Warning System Terhadap Prediksi Kondisi Bermasalah Pada Bank Go Public” ini sesuai dengan waktu yang telah ditentukan. Shalawat serta salam tak lupa penulis sanjungkan kepada junjungan Nabi besar Muhammad SAW yang telah membawa kita ummatnya sekalian dari zaman kegelapan hingga kepada zaman yang terang benderang pada saat ini, yang penuh dengan ilmu pengetahuan dan penerangan cahaya dikala kegelapan. Skripsi ini disusun sebagai salah satu syarat dalam menyelesaikan program studi Ekonomi Strata Satu (S1), Jurusan Manajemen, Fakultas Ekonomi dan Ilmu Sosial (FEIS), Universitas Islam Negeri (UIN) Syarif Hidayatullah, Jakarta. Penulis mengucapkan banyak terima kasih kepada pihak-pihak yang telah berkenan memberikan bantuan dan bimbingan dalam menyelesaikan skripsi ini, antara lain kepada:

1. Prof. Dr. Abdul Hamid, MS, selaku Dekan Fakultas Ekonomi dan Ilmu Sosial Universitas Islam Negeri Jakarta yang telah menyetujui dan memberikan izin kepada penulis dalam penyusunan skripsi ini. 2. Indo Yama Nasarudin, SE, MAB, Ketua Jurusan Manajemen yang telah memberikan persetujuan dalam penyusunan skripsi ini. 3. Prof. Dr. Ahmad Rodoni, Pembimbing I yang telah memberikan bimbingan, pengarahan, masukan, dan motivasi sehingga penulis dapat menyelesaikan skripsi ini.

iii

4. Ela Patriana, MM, AAAIJ, Pembimbing II yang telah memberikan bimbingan, pengarahan, motivasi, serta bantuan dalam menyelesaikan kesulitan selama penyusunan skripsi ini. 5. My Luvly Mom, yang terus memberikan doa restu, kasih sayang, kerja keras dan perjuangannya untuk membiayai kuliah, semoga kelulusan ini menjadi kado termahal dan terindah yang pernah aku berikan. 6. Kakak-kakak dan Adikku tersayang Ahmad Ma’mun, Huria, Muhammad Rafi, Ahmad Zarkasi, Ka Fitri, Ka Diana, dan keluarga besar yang selalu memberi masukan, dukungan, semangat, dan doanya. 7. Teman-teman D’TROC Masay (Muhammad Suyuthi), Arifin (Muhammad Arifin), Bunda Ila (Rihlah), Vitri (Nurfitri Bisyria), Nha (Nresna Iqlima), Nun (Nurul Janah), Nury (Nuryana Sari), Ryo (Roswan Ryo), Ijank (Muhammad Miftahurrohman), dan semua teman-teman D’Troc lain yang tidak dapat saya sebutkan satu persatu, tapi sukses selalu buat semuanya… 8. Manajemen Perbankan ’06 B buat Kasna (Kasnawati), Maya (Maya Fitriani), Irna (Irna Astriana), Ilman (Ilman Radhiyat), Milah (Milah Mailani), dan semua teman-teman Perbankan B yang telah mendukung, memberi semangat serta doanya, dan membantu menyelesaikan kesulitan dalam penyusunan skripsi ini. 9. Teman-teman Manjemen Keuangan, Perbankan dan Pemasaran 2006, yang selalu memberikan dukungan dalam menyelesaikan skripsi ini. 10. Teman-teman MVSC 25 buat Indah Wahdaniah, Rahmaningsih Fenny, Nurul Wulandari, Ita Lestari, Mey Minarti, yang selalu memberikan semangat serta doa dalam menyelesaikan skripsi ini. Penulis menyadari sepenuhnya skripsi ini masih kurang sempurna, sehingga penulis mengaharapkan kritik dan saran yang membangun demi kesempurnaan skripsi ini. Akhirnya penulis berharap semoga skripsi ini dapat bermanfaat bagi pembaca dan pihak-pihak lain yang membutuhkan.

Jakarta, 15 Mei 2010

iv

NUR HASANAH DAFTAR RIWAYAT HIDUP I. IDENTITAS PRIBADI Nama

: Nur Hasanah

Tempat / Tanggal Lahir

: Jakarta, 28 Maret 1989

Usia

: 21 Tahun

Jenis Kelamin

: Perempuan

Alamat

: Jl. Kalibata Tengah Rt. 009/07 No. 53 Jakarta Selatan 12740

Nomor Telepon

: 021 95653774 / 0857 113 00 424

II. PENDIDIKAN 1. UIN Syarif Hidayatullah Jakarta, September 2006 – Juni 2010. 2. SMKN 25 Jakarta, Lulus tahun 2006. 3. SLTPN 1 Jakarta, Lulus tahun 2003. 4. SDI Bait Al Rahman, Lulus tahun 2000.

III. PENGALAMAN KERJA 1. 01 Juli – 31 Juli 2009, Kuliah Kerja Sosial (KKS) di KJKS BMT Ta’awun. 2. 02 Januari – 28 Februari 2005, Pendidikan Sistem Ganda (PSG) di PT Jasaraharja Putera Graha Mampang Sebagai Staf Administrasi.

v

DAFTAR ISI LEMBAR PENGESAHAN ....................................................................... i LEMBAR SKRIPSI ................................................................................. ii LEMBAR KOMPREHENSIF ................................................................. iii SURAT PERNYATAAN .......................................................................... iv ABSTRAK ............................................................................................... v ABSTRACT ................................................................................................vi KATA PENGANTAR ...............................................................................vii DAFTAR RIWAYAT HIDUP ............................................................... ix DAFTAR ISI ............................................................................................ x DAFTAR TABEL .................................................................................. xiii DAFTAR GAMBAR .............................................................................. xv DAFTAR LAMPIRAN ........................................................................... xvi BAB I

PENDAHULUAN A. Latar Belakang Penelitian ......................................................... 1 B. Perumusan masalah .................................................................. 6 C. Tujuan Penelitian ..................................................................... 7 D. Manfaat Penelitian ………………………………................... 7 vi

BAB II

TINJAUAN PUSTAKA A. Landasan Teori

....................................................................... 9

1. Definisi Financial Distress ...................................................... 9 2. Penyebab Financial Distress .................................................... 12 5. Prediksi Financial Distress ....................................................... 14 6. Definisi Kebangkrutan ............................................................. 14 7. Penyebab Kebangkrutan ........................................................... 15 8. Tahap dan Berbagai Indikator Kebangkrutan .......................... 17 9. Rasio Keuangan Model Altman ............................................... 18 10. Rasio Keuangan Model Springate .......................................... 21 11. Manfat Rasio Keuangan ......................................................... 22 B. Penelitian Terdahulu …………………………………............ 23 C. Kerangka Pemikiran …………………………………............ 27 D. Hipotesis …………………………………………….............. 30

BAB III

METODOLOGI PENELITIAN A. Ruang Lingkup Penelitian ....................................................... 31 B. Metode Penentuan Sampel ………………………….............. 31 C. Metode Pengumpulan Data ...................................................... 34 D. Operasional Variabel Penelitian .............................................. 34 E. Metode Analisis ....................................................................... 38

vii

1. Discriminant Analysis .............................................................. 38 2. Metode Estimasi Discriminant Analysis .................................. 41 3. Tahap Penghitungan Akurasi ................................................... 43

BAB IV

HASIL DAN PEMBAHASAN A. Gambaran Umum Objek Penelitian ......................................... 45 B. Hasil dan Pembahasan .............................................................. 49 1. Uraian Data ............................................................................... 49 2. Penentuan Kategori Sampel Bank ............................................ 51 3. Pengujian Hipotesis 1 .............................................................. 52 4. Pengujian Hipotesis 2 ...........................................................

56

5. Pengujian Hipotesis 3 .............................................................. 61 C. Interpretasi Hasil Penelitian ................................................... 69

BAB V

KESIMPULAN DAN IMPLIKASI A. Kesimpulan ............................................................................. 73 B. Implikasi ................................................................................. 73

DAFTAR PUSTAKA ......................................................................................... 75

viii

DAFTAR TABEL No.

Keterangan

Halaman

2.1

Penelitian terdahulu untuk kondisi bermasalah

27

4.1

Descriptive Statistics model Altman

49

4.2

Descriptive Statistics model Springate

50

4.3

Net operating income masing-masing Bank

52

4.4

Analysis Case Processing Summary model Altman

53

4.5

Analysis Case Processing Summary model Springate

53

4.6

Test of Equality of Group Means model Altman

54

4.7

Test of Equality of Group Means model Springate

55

4.8

Variable Entered/Removed Model Altman

56

4.9

Wilk’s Lambda Model Altman

57

4.10

Variable in The Analysis Model Altman

58

4.11

Eigenvalues Model Altman

58

4.12

Variable Entered/Removed Model Springate

59

4.13

Wilk’s Lambda Model Springate

59

ix

4.14

Variable in The Analysis Model Springate

60

4.15

Eigenvalues Model Springate

60

4.16

Canonical Discriminant Function Coefficient Model Altman 62

4.17

Functions at Group Centroids

62

4.18

Classification Result Model Altman

65

4.19

Canonical Discriminant Function Coefficient Model Springte 65

4.20

Functions at Group Centroids

66

4.21

Classification Result Model Springate

68

x

DAFTAR GAMBAR No.

Keterangan

2.1

Skema kerangka pemikiran

Halaman 29

xi

DAFTAR LAMPIRAN No.

Keterangan

1

Output SPSS Model Altman

2

Output SPSS Model Springate

3

Variabel X1 Model Altman dan Model Springate

4

Variabel X2 Model Altman

5

Variabel X3 Model Altman dan Model Springate

6

Variabel X4 Model Altman

7

Variabel X5 Model Altman dan Model Springate

8

Variabel X6 Model Springate

xii

BAB I PENDAHULUAN

A. Latar Belakang Penelitian Di Amerika Serikat, fenomena kepailitan perusahaan telah menjadi obyek penelitian yang intensif. Salah satu area penelitian yang terkait yang telah berkembang selama ini telah menghasilkan kajian atas asosiasi informasi laporan keuangan

terhadap

kemungkinan

perusahaan

mampu

dengan

sukses

mempertahankan bisnisnya atau harus dinyatakan bermasalah karena gagal secara ekonomi dan keuangan. Penelitian mengenai kepailitan diawali oleh Beaver (1966), kemudian diteruskan oleh Altman (1968), Springate (1978), Ohlson (1980) dan Gilber, et al. (1990). Upaya penelitian ini bahkan telah menjadi landasan bagi Zeta Inc. (USA) untuk menghasilkan informasi tentang indeks “Zeta” bagi perusahaan-perusahaan di AS, sehingga dapat dievaluasi probabilitas tingkat keberhasilan masing-masing perusahaan di masa datang. Penerapan riset semacam ini di indonesia tampaknya baru mulai dirasakan, terutama setelah munculnya perusahaan-perusahaan bermasalah akibat krisis ekonomi. (Liza Angelina, 2004:462). Krisis moneter dan perbankan yang melanda Indonesia pada pertengahan tahun 1997 telah menumbuhkan kesadaran tentang pentingnya stabilitas pasar keuangan dan kesehatan lembaga-lembaga keuangan yang membentuk sistem keuangan. Stabilitas pasar keuangan dan kesehatan lembaga-lembaga keuangan

1

yang selanjutnya mampu meredam krisis merupakan interaksi dari beberapa resiko yang harus selalu dikelola dengan baik (Haddad, et all. 2003:2). Salah satu risiko yang harus dikelola dengan baik adalah kegagalan perusahaan di sektor riil untuk mengembalikan pinjaman yang dapat menyebabkan ketidakstabilan pasar keuangan yang mengakibatkan kesehatan lembaga keuangan terganggu dan pada akhirnya menyebabkan krisis. Kegagalan perusahaan dalam mengembalikan pinjaman dapat dikategorikan bahwa perusahaan mengalami corporate failure. (Haddad, et all. 2003:2) Kesan yang muncul dalam krisis ekonomi adalah krisis moneter dapat terjadi mendadak yang kemudian dengan cepat menjalar menjadi krisis ekonomi, padahal sebenarnya tidak demikian. Peristiwa buruk perekonomian yang tidak disebabkan oleh terjadinya bencana alam tidaklah pernah terjadi secara mendadak. Kebanyakan masalah ekonomi yang akhirnya menjadi krisis adalah masalahmasalah yang pada awalnya tidak ditangani secara serius. Padahal gejala-gejala umumnya sudah dapat diketahui beberapa tahun bahkan lebih dari sepuluh tahun sebelumnya. (Mandala Manurung dan Prathama Rahardja, 2004:355). Krisis

ini

menarik

para

pelaku

ekonomi

untuk

meneliti

dan

menekankannya pada psikologi pasar. Hal inilah yang mendorong timbulnya berbagai macam penelitian mengenai model kebangkrutan sebagai early warning system (EWS) bagi para regulator, legislator, pembuat kebijakan, auditor, pemilik perusahaan, pemegang obligasi atau investasi, dan bahkan masyarakat umum (Endri, 2009:35).

2

Dalam lingkungan yang semakin turbulen, sistem dan sub-sistem organisasi menjadi makin terbuka dan tingkat persaingan semakin ketat dan tajam, bahkan semakin tidak menentu arah perubahannya. Secara eksplisit turbulensi dalam sistem keuangan dapat menciptakan berbagai ancaman yang dapat melemahkan daya saing perusahaan maupun perbankan. Kondisi ini semakin parah dengan kerapuhan sektor keuangan khususnya perbankan, seperti adanya kecenderungan keuntungan yang semakin menurun dan semakin meningkatnya risiko usaha yang melanda bank disebabkan banyak perusahaan yang mengalami kesulitan keuangan (financial distress) yang bahkan cenderung mengarah pada kebangkrutan, sehingga tidak dapat membayar kewajiban yang sudah jatuh tempo kepada bank (Endri, 2009:35) Untuk mempertahankan kelangsungan hidup dalam sistem keuangan yang turbulen, suatu bank harus dapat berkompetisi dengan bank lainnya sebagai kompetitor dan sebagai mitra unit lainnya yang juga memberikan produk atau layanan yang sama. Suatu bank berhasil memenangkan kompetisi bisnisnya jika ia mampu memberikan produk atau jasa layanan lebih baik daripada kompetitornya, sekaligus mampu beradaptasi dengan setiap perubahan lingkungan. Dengan kemampuan manajerial yang dimiliki, para manajer perusahaan diharapkan mampu mengubah ancaman lingkungan yang turbulen menjadi berbagai peluang usaha yang menguntungkan. Manajemen bank yang kreatif dan inovatif selalu berusaha menciptakan berbagai produk atau layanan yang prospektif dan menguntungkan tanpa mengabaikan prinsip asset liability management (ALMA), yaitu menyelaraskan antara profitabilitas dan risiko (Endri, 2009:35).

3

Bank-bank yang mengalami kesulitan keuangan (financial distress) akan lebih tertekan jika sudah mengarah pada kebangkrutan karena adanya biaya-biaya tambahan. Dalam upaya menekan biaya yang berkaitan dengan kebangkrutan, para regulator dan para manajer perusahaan berupaya bertindak cepat mencegah kebangkrutan atau menurunkan biaya kegagalan tersebut, yaitu dengan mengembangkan metode early warning system (EWS) untuk memprediksi permasalahan potensial yang terjadi pada perusahaan. Namun, teknik statistik yang paling sering digunakan untuk menganalisis kebangkrutan adalah analisis parametrik, yaitu model logit dan MDA (Multivariate discriminant analysis), sedangkan model non parametrik baru sering digunakan akhir-akhir ini seperti model trait recognition dan artificial neural network (ANN) (Endri, 2009). Munculnya berbagai model prediksi kebangkrutan merupakan antisipasi dan sistem peringatan dini terhadap financial distress karena model tersebut dapat digunakan sebagai sarana untuk mengidentifikasikan bahkan memperbaiki kondisi sebelum sampai pada kondisi krisis atau kebangkrutan. Hal lain yang mendorong perlunya peringatan dini adalah munculnya problematika keuangan yang mengancam operasional perusahaan. Faktor modal dan risiko keuangan ditengarai mempunyai peran penting dalam menjelaskan fenomena kepailitan atau tekanan keuangan perusahaan tersebut. Dengan terdeteksinya lebih awal kondisi perusahaan, sangat memungkinkan bagi perusahaan, investor dan para kreditur (lembaga keuangan) serta pemerintah melakukan langkah-langkah antisipatif untuk mencegah agar krisis keuangan segera tertangani. (Endri, 2009:36).

4

Penelitian mengenai kebangkrutan bank di Indonesia, antara lain dilakukan oleh : Wilopo (2001), Rahmat (2002), Muliaman dkk (2004), Luciana dan Winny (2005). Wilopo (2001) meneliti tentang prediksi kebangkrutan bank dengan menggunakan metode CAMEL. Rahmat (2002) mengenai penerapan Z-Score untuk memprediksi kesulitan dan kebangkrutan pada perbankan Indonesia. Muliaman dkk (2004) mengenai prediksi kepailitan bank umum di Indonesia, sementara itu Penelitian lainnya dilakukan oleh Luciana dan Winny (2005) yaitu analisis rasio CAMEL terhadap prediksi kondisi bermasalah pada lembaga perbankan periode 200-2002 dan Sarwanih (2007) meneliti tentang perbandingan model Altman dan Shumway dalam memprediksi kondisi financial distress perusahaan. Perbedaan antara penelitian penulis dengan penelitian terdahulu adalah penelitian ini menggunakan dua model prediksi kondisi bermasalah yakni model Altman dan model Springate. Berdasarkan pemaparan tersebut, penulis ingin mengetahui bagaimana peran rasio keuangan Altman dan Springate dalam memprediksi kondisi bermasalah pada lembaga perbankan periode Maret 2007-September 2009. Penelitian ini terfokus untuk memprediksi kondisi bermasalah pada lembaga perbankan. Maksud dari kondisi bermasalah tersebut adalah bank-bank yang mengalami laba bersih operasi (net operating income) negatif selama dua tahun berturut-turut. (Whitaker, 1999 dalam Luciana & Kristijadi, 2003, tentang kriteria perusahaan yang distress), bank-bank yang mengalami kerugian lebih dari 75% modal disetor (KUHD pasal 47 ayat 2 tentang kriteria perusahaan yang dinyatakan bubar), sehingga penulis tertarik untuk melakukan penelitian yang

5

berjudul “Analisis

Rasio Keuangan Model Altman dan Model Springate

Sebagai Early Warning System Terhadap Prediksi Kondisi Bermasalah Pada Bank Go Public.”

B. Perumusan Masalah Berdasarkan latar belakang dan penelitian terdahulu yang dikemukakan sebelumnya terlihat sangat banyak rasio-rasio keuangan yang dapat digunakan untuk memprediksi kondisi financial distress suatu bank. Dalam penelitian ini penulis ingin menemukan bukti empiris bahwa rasio-rasio keuangan model Altman (1968) dan Springate (1978) dapat digunakan untuk memprediksi kondisi bermasalah pada bank yang terdapat di BEI periode Maret 2007-September 2009. Maka dirumuskan permasalah dalam penelitian ini adalah sebagai berikut : 1. Apakah terdapat perbedaan yang signifikan antara bank yang bermasalah dengan bank yang tidak bermasalah pada model Altman dan model Springate ? 2. Variabel prediktor mana yang mempunyai discriminating power dengan metode stepwise untuk membedakan kedua kelompok bank tersebut pada model Altman dan model Springate ? 3. Apakah model Altman dan model Springate memiliki ketepatan dalam memprediksi kondisi bermasalah suatu bank berdasarkan classification result?

6

C. Tujuan Penelitian Adapun tujuan penelitian yang ingin dicapai dalam penelitian ini adalah : 1. Untuk

memberikan

bukti

empiris

tentang

faktor-faktor

yang

mempengaruhi kondisi kesulitan keuangan bank. 2. Untuk melakukan prediksi kondisi bermasalah pada bank go public dengan menggunakan pendekatan Discriminant Analysis (DA) dengan model Altman dan model Springate. 3. Mendapatkan bukti empiris dari kedua model tersebut model manakah yang lebih cocok untuk digunakan dalam memprediksi kondisi bermasalah bank go public.

D. Manfaat Penelitian Adapun manfaat dari penelitian ini adalah sebagai berikut : 1. Bagi penulis Untuk mengetahui secara jelas mengenai hal-hal apa saja yang mempengaruhi kondisi bermasalah bank dan dapat membandingkan antara teori-teori yang diperoleh pada waktu perkuliahan dengan praktek langsung dalam perusahaan. 2. Bagi dunia ilmu pengetahuan Penelitian ini diharapkan dapat memberikan sumbangan pikiran sebagai bahan pertimbangan bagi pihak lain yang membutuhkan informasi terutama yang berkaitan dengan kondisi bermasalah pada bank.

7

3. Bagi perbankan Untuk memberikan sumbangan pikiran berupa bahasan dan saran-saran dari penulis kepada bank-bank mengenai prediksi kondisi bermasalah pada bank.

8

BAB II TINJAUAN PUSTAKA

A. Landasan Teori 1. Definisi Financial Distress financial distress adalah tahap kondisi keuangan yang terjadi sebelum kebangkrutan

ataupun

likuidasi

(Luciana,

2006:1).

Endri

(2009:37)

mengumpamakan kondisi financial distress sebagai suatu kondisi dari perusahaan yang mengalami laba bersih (net profit) negatif selama beberapa tahun. Sayangnya tidak dijelaskan secara detail berapa tahun yang dimaksud dalam penelitian tersebut. Sementara itu, penelitian yang dilakukan oleh Luciana (2004) mendefinisikan kondisi financial distress sebagai suatu kondisi di mana perusahaan mengalami delisted akibat laba bersih dan nilai buku ekuitas negatif berturut-turut serta perusahaan tersebut telah di merger. Sementara penelitian Endri (2009:37), mengkategorikan kondisi financial distress berdasarkan kriteria debt default, yaitu terjadinya kegagalan membayar utang atau terdapat indikasi kegagalan membayar utang (debt default) dengan melakukan negosiasi ulang dengan kreditur atau institusi keuangan lainnya, dimana informasi mengenai debt default dan indikasi debt default diambil dari informasi Wall Street Journal Index (WSJI). Ross dan Westerfield (2007) dalam Andree Boy (2008:30) mendefinisikan “financial distress is a situation where a firm's operating cash flow are not sufficient to satisfy current obligation (such a trade credit or interest expenses)

9

and the firm is forced to take corrective action. Financial distress may lead a firm to default on a contract, and it may involve financial restructuring between a firm, its creditors and its equity investors. Usually the firm is forced to take actions that it would not have taken if it had sufficient cash flow. Kondisi financial distress adalah suatu situasi dimana cash flow operasi perusahaan tidak mampu menutupi atau mencukupi kewajiban perusahaan saat ini, seperti Letter of Credit (L/C) atau biaya bunga, sehingga perusahaan dipaksa untuk melakukan suatu tindakan korektif. Financial distress dapat membawa suatu perusahaan mengalami default pada kontraknya, yang akhirnya harus dilakukan restrukturisasi financial pada perusahaan, kreditur-kreditur dan investor-investor modal (equity investors) perusahaan tersebut. Kesulitan keuangan dimulai ketika perusahaan tidak dapat memenuhi jadwal pembayaran atau ketika proyeksi arus kas mengindikasikan bahwa perusahaan tersebut akan segera tidak dapat memenuhi kewajibannya. Ada beberapa definisi kesulitan keuangan sesuai tipenya yaitu economic failure, business failure, technical insolvency, insolvency in bankruptcy dan legal bankruptcy (Khaira Amalia Fachrudin, 2008:2) Berikut adalah penjelasannya : a. Economic Failure Economic failure atau kegagalan ekonomi adalah keadaan dimana pendapatan perusahaan tidak dapat menutupi total biaya, termasuk cost of capitalnya. Bisnis ini dapat melanjutkan operasinya sepanjang kreditur mau menyediakan modal dan pemiliknya mau menerima tingkat pengembalian (rate of return) di bawah pasar. Meskipun tidak ada

10

suntikan modal baru saat asset tua sudah harus diganti, perusahaan dapat juga menjadi sehat secara ekonomi. b. Business Failure Kegagalan bisnis didefinisikan sebagai bisnis yang menghentikan operasi dengan akibat kerugian kepada kreditur. c. Technical Insolvency Sebuah perusahaan dikatakan dalam keadaan technical insolvency jika tidak

dapat

memenuhi

Ketidakmampuan

kewajiban

membayar

hutang

lancar secara

ketika teknis

jatuh

tempo.

menunjukkan

kekurangan likuiditas yang sifatnya sementara, yang jika diberi waktu, perusahaan mungkin dapat membayar hutangnya dan survive. Di sisi lain, jika technical insolvency adalah gejala awal kegagalan ekonomi, ini mungkin menjadi perhentian pertama menuju bencana keuangan (financial disaster). d. Insolvency in bankruptcy Sebuah perusahaan dikatakan dalam keadaan insolvent in bankruptcy jika nilai buku hutang melebihi nilai pasar asset. Kondisi ini lebih serius daripada technical insolvency karena, umumnya ini adalah tanda economic failure, dan bahkan mengarah kepada likuidasi bisnis. Perusahaan yang dalam keadaan insolvent in bankruptcy tidak perlu terlibat dalam tuntutan kebangkrutan secara hukum.

11

e. Legal Bankruptcy Perusahaan dikatakan bangkrut secara hukum jika telah diajukan secara resmi dengan undang-undang.

2. Penyebab Financial Distress Lizal (2002) dalam Khaira Amalia Fachrudin (2008:6) mengelompokkan penyebab-penyebab kesulitan keuangan dan menamainya dengan Model Dasar Kebangkrutan atau Trinitas Penyebab Kesulitan Keuangan. Ada tiga alasan yang menyebabkan perusahaan menjadi bangkrut, yaitu : a. Neoclassical Model Pada kasus ini kebangkrutan terjadi jika alokasi sumber daya tidak tepat. Kasus restrukturisasi ini terjadi ketika kebangkrutan mempunyai campuran asset yang salah. Mengestimasi kesulitan dilakukan dengan data neraca dan laporan laba rugi. Misalnya profit/assets (untuk mengukur profitabilitas) dan liabilities/assets. b. Financial Model Campuran asset benar tapi struktur keuangan salah dengan liquidity constraints (batasan likuiditas). Hal ini berarti bahwa walaupun perusahaan dapat bertahan hidup dalam jangka panjang tapi ia harus bangkrut juga dalam jangka pendek. Hubungan dengan pasar modal yang tidak sempurna dan struktur modal yang inherited menjadi pemicu utama kasus ini. Tidak dapat secara terang-terangan ditentukan apakah dalam kasus ini kebangkrutan baik atau buruk untuk direstrukturisasi. Model ini

12

mengestimasi kesulitan dengan indicator keuangan atau indicator kinerja seperti turnover/total assets, revenues/turnover, ROA, ROE, profit margin, stock turnover, receivables turnover, cash flow/total equity, debt ratio, cash flow (liabilities-reserves), current ratio, acid test, current liquidity, short term assets/daily operating expenses, gearing ratio, turnover per employee, coverage of fixed assets, working capital, total equity per share, EPS ratio dan sebagainya. c. Corporate Governance Model Kebangkrutan mempunyai campuran asset dan struktur keuangan yang benar tapi dikelola dengan buruk. Ketidakefisienan ini mendorong perusahaan menjadi out of the market sebagai konsekuensi dari masalah dalam tata kelola perusahaan yang tak terpecahkan. Terdapat

beberapa

indikator

atau

sumber

informasi

mengenai

kemungkinan dari kesulitan keuangan yakni (Luciana & Kristijadi, 2003:189) : a. Analisis arus kas untuk periode sekarang dan yang akan datang. b. Analisis strategi perusahaan yang mempertimbangkan pesaing potensial, struktur biaya relatif, perluasan rencana dalam industri, kemampuan perusahaan untuk meneruskan kenaikan biaya kualitas manajemen dan lain sebagainya. c. Analisis laporan keuangan dari perusahaan serta perbandingannya dengan perusahaan lain. Analsisis ini dapat berfokus pada suatu variabel keuangan tunggal atau suatu kombinasi dari variabelkeuangan. d. Variabel eksternal seperti return sekuritas dan penilaian obligasi.

13

3. Prediksi Financial Distress Kegunaan informasi jika suatu perusahaan mengalami financial distress adalah (Rasenda K. Brahmana, 2005:3): a. Dapat mempercepat tindakan manajemen untuk mencegah masalah sebelum terjadinya kebangkrutan. b. Pihak manajemen dapat mengambil tindakan merger/take over agar perusahaan lebih mampu untuk membayar hutang dan mengelola perusahaan dengan lebih baik. c. Memberikan tanda peringatan dini/awal adanya kebangkrutan pada masa yang akan datang.

4. Definisi Kebangkrutan Kebangkrutan biasanya diartikan sebagai kegagalan perusahaan dalam menjalankan operasi perusahaan untuk menghasilkan laba. Kebangkrutan juga sering disebut likuidasi perusahaan atau penutupan perusahaan atau insolvabilitas. Kebangkrutan sebagai kegagalan didefinisikan dalam beberapa arti, yaitu kegagalan ekonomi dan kegagalan keuangan. Kegagalan dalam arti ekonomi (economic failure) biasanya berarti bahwa perusahaan kehilangan uang atau pendapatan perusahaan tidak menutup biayanya sendiri, ini berarti tingkat labanya lebih kecil dari biaya modal atau nilai sekarang dari arus kas perusahaan lebih kecil dari kewajiban. Kegagalan terjadi bila arus kas sebenarnya dari perusahaan tersebut jatuh di bawah arus kas yang diharapkan. Bahkan kegagalan dapat juga

14

berarti bahwa tingkat pendapatan atau biaya historis dari investasinya lebih kecil daripada biaya modal perusahaan. (Adnan & Kurniasih, 2000:137).

5. Penyebab Kebangkrutan Factor-faktor

penyebab

kebangkrutan

dapat

dibagi

menjadi

tiga

(Agung Gemah Permana, 2009:42) yaitu : a. Faktor Umum 1) Sektor ekonomi, dimana berasal dari gejala inflasi dan deflasi dalam harga barang dan jasa, kebijakan keuangan, suku bunga dan devaluasi atau revaluasi dengan mata uang asing. 2) Sektor Sosial, dimana yang sangat berpengaruh adalah adanya perubahan gaya hidup masyarakat yang mempengaruhi permintaan terhadap produk dan jasa ataupun yang berhubungan dengan karyawan. 3) Sektor Teknologi, dimana penggunaan teknologi memerlukan biaya yang ditanggung perusahaan terutama untuk pemeliharaan dan implementasi. 4) Sektor Pemerintah, dimana kebijakan pemerintah terhadap pencabutan subsidi pada perusahaan dan industri, pengenaan tariff ekspor dan impor bisa berubah, kebijakan undang-undang baru bagi perbankan atau tenaga kerja dan lain lain.

15

b. Faktor Eksternal Perusahaan 1) Sektor pelanggan/nasabah, dimana untuk menghindari kehilangan nasabah bank harus melakukan identifikasi terhadap sifat nasabah atau konsumen juga menciptakan peluang untuk mendapatkan nasabah baru. 2) Sektor Kreditur, dimana kekuatannya terletak pada pemberian pinjaman dan menetapkan jangka waktu pengembalian hutang piutang yang tergantung pada kepercayaan kreditor terhadap kelikuditan suatu bank. 3) Sektor pesaing/bank lain, dimana merupakan hal yang harus diperhatikan karena menyangkut perbedaan pemberian pinjaman kepada nasabah. c. Faktor Internal Perusahaan 1) Terlalu besarnya kredit yang diberikan kepada nasabah sehingga menyebabkan adanya penunggakan dalam pembayaran sampai akhirnya tidak dapat membayar. 2) Manajemen yang tidak efisien yang disebabkan karena kurang adanya kemampuan, pengalaman, keterampilan, sikap adaptif dan inisiatif dari manajemen. 3) Penyalahgunaan wewenang dan kecurangan-kecurangan, dimana sering dilakukan oleh karyawan, bahkan manajer puncak sekalipun yang sangat merugikan apalagi yang berhubungan dengan keuangan perusahaan.

16

6. Tahap-tahap dan Berbagai Indikator Kebangkrutan Dalam kaitannya dengan faktor-faktor internal, kebangkrutan yang menimpa suatu perusahaan tidak terjadi secara tiba-tiba tanpa dapat diramalkan sebelumnya. Kebangkrutan merupakan klimaks dari perbagai tahap atau proses dari situasi kesulitan keuangan yang dihadapi perusahaan. Sebelum suatu perusahaan dinyatakan bangkrut, biasanya ditandai oleh berbagai situasi atau keadaan khususnya berhubungan dengan efektivitas dan efisiensi operasinya. Kesulitan-kesulitan keuangan yang menuju kearah terjadinya kebangkrutan dapat dianalisa dan dapat diidentifikasikan melalui tahap-tahap yang tercakup dalam proses perjalanan yang berakhir ada keadaan kebangkrutan tersebut. Adapun tahap-tahap itu adalah (Hernanto, 1984:426) : a. Tahap permulaan atau tahap awal b. Tahap dimana perusahaan mengalami kekurangan kas dan alat-alat likuid lainnya/tahap kesulitan likuiditas. c. Tahap dimana perusahaan tidak solvabel dalam kegiatan komersial dan keuangan. d. Bangkrut secara total. Dalam industri perbankan, setiap badan usaha bank wajib menyampaikan kepada Bank Sentral Indonesia segala keterangan dan penjelasan mengenai usahanya menurut tata cara yang ditetapkan oleh Bank Sentral Indonesia. Dalam hal ini apabila suatu bank mengalami kesulitan yang membahayakan kelangsungan usahanya, maka Bank Indonesia dapat melakukan tindakan agar (Herman Darmawi, 2006:41) :

17

a. Pemegang saham menambah modal b. Pemegang saham mengganti dewan komisaris dan atau direksi bank. c. Bank menghapus buku kan kredit atau pembiayaan berdasarkan prinsip syariah yang macet dan memperhitungkan kerugian bank dengan modalnya. d. Bank melakukan merger/konsolidasi dengan bank lain. e. Bank dijual kepada pembeli yang bersedia mengambil alih seluruh kewajiban. f. Bank menyerahkan pengelolaan seluruh atau sebagian kegiatan bank kepada pihak lain. g. Bank menjual sebagian atau seluruh harta dan atau kewajiban bank kepada pihak lain. Apabila berbagai tindakan yang dilakukan BI tersebut belum dapat mengatasi kesulitan yang dihadapi atau bahkan keadaan bank tersebut menjadi lebih buruk dan dapat membahayakan sistem perbankan secara keseluruhan, maka BI dapat mencabut izin usaha bank dan meminta kepada direksi untuk menyelenggarakan RUPS dengan tujuan membubarkan badan hukum bank dimaksud dan membentuk tim likuidasi (Herman Darmawi, 2006:41).

7. Rasio Keuangan Model Altman (1968) Penelitian

ini

menggunakan

metode

analisis

multivariate

dalam

pengolahan datanya. Sampel yang digunakan dalam penelitian ini mencakup 66 perusahaan yang sehat dan tidak sehat dalam kurun waktu 1954 sampai 1964. Perusahaan-perusahaan tersebut dibagi menjadi dua kelompok yang masing-

18

masing terdiri dari 33 perusahaan. Kelompok pertama merupakan kelompok perusahaan yang telah dinyatakan bangkrut oleh Chapter X of National Bankruptcy Act pada periode 1949 sampai dengan 1965. pengolahan data penelitian ini dilakukan dengan menggunakan multivariate discriminant analysis (MDA). Dari penelitian ini didapat suatu persamaan yang dapat digunakan untuk mengukur kemungkinan kegagalan suatu perusahaan. Angka index ini dikenal dengan istilah Altman Z-Score, formulanya dapat dituliskan sebagai berikut : Z = 1, 2 X 1 + 1, 4 X 2 + 3,3 X 3 + 0 , 6 X 4 + 0 ,999 X 5 Dimana : 1. Z

= Overall Index

2. X1 = Net Working Capital to Total Assets (WC/TA) 3. X2 = Retained Earnings to Total Assets (RE/TA) 4. X3 = Earnings Before Interest and Tax to Total Assets (EBIT/TA) 5. X4 = Market Value of Equity to Book Value of Debt (MVE/BVD) 6. X5 = Sales to Total Assets (S/TA) Altman membagi perusahaan berdasarkan nilai dari Z-Score masingmasing perusahaan menjadi 3 kategori yakni : a. Jika Z > 2,67 maka perusahaan dikategorikan sebagai perusahaan yang sehat dan memiliki kemungkinan bangkrut yang rendah. b. Jika 1,81 < Z < 2,67 maka perusahaan memiliki kemungkinan bangkrut yang cukup besar.

19

c. Jika Z < 1,81 maka dikategorikan sebagai perusahaan yang tidak sehat dan mengalami masalah keuangan yang besar dan resiko bangkrut dari perusahaan sangat besar. Pada tahun 1984, Altman kembali melakukan penelitian di berbagai Negara. Penelitian ini memasukkan dimensi internasional, sehingga Z-Scorenya diubah menjadi formula : Z = 0 , 717 X 1 + 0 ,847 X 2 + 3 . 107 X 3 + 0 . 420 X 4 + 0 ,998 X 5 Altman membagi perusahaan berdasarkan nilai dari Z-Score masingmasing perusahaan menjadi 3 kategori yakni : a. Jika Z > 2,99 maka perusahaan dikategorikan sebagai perusahaan yang sehat dan memiliki kemungkinan bangkrut yang rendah. b. Jika 1,81 < Z < 2,99 maka perusahaan memiliki kemungkinan bangkrut yang cukup besar. c. Jika Z < 1,81 maka dikategorikan sebagai perusahaan yang tidak sehat dan mengalami masalah keuangan yang besar dan resiko bangkrut dari perusahaan sangat besar. Tingkat akurasi dari model Altman Z-Score ini mencapai 90% dari kejadian yang sebenarnya, dari penelitian ini juga dapat disimpulkan bahwa semakin dekat dengan saat terjadinya kebangkrutan, maka semakin besar tingkat validitas hasil dari prediksi yang dilakukan dengan model.

20

8. Rasio Keuangan Model Springate (1978) Springate membuat model prediksi financial distress pada tahun 1978. dalam pembuatannya Springate menggunakan metode yang sama dengan Altman (1968) yaitu MDA. Seperti Beaver (1966) dan Altman (1968), pada awalnya Springate mengumpulkan rasio-rasio keuangan popular yang bias dipakai untuk memprediksi financial distress. Jumlah rasio awalnya yaitu 19 rasio, setelah melalui uji yang sama dengan yang dilakukan Altman, Springate memilih 4 rasio yang dipercaya bisa membedakan antara perusahaan yang mengalami distress dan tidak distress. Sampel yang digunakan berjumlah 40 perusahaan yang berlokasi di Kanada. Model yang dihasilkan Springate adalah sebagai berikut : S = 1, 03 X 1 + 3 . 07 X 3 + 0 . 66 X 6 + 0 . 4 X 5 Dimana : 1. X1 = Working Capital / Total Assets 2. X3 = Net Profit Before Interest Taxes / Total Assets 3. X6 = Net Profit Before Taxes / Current Liability 4. X5 = Sales / Total Assets Springate mengemukakan nilai cut-off yang berlaku untuk model ini adalah 0.862 menunjukkan bahwa perusahaan tersebut diprediksi akan mengalami financial distress. Model ini memiliki akurasi 92.5% dalam tes yang dilakukan Springate. Beberapa orang juga telah menguji model ini dan menemukan tingkat akurasi yang berbeda-beda. Penelitian yang telah dilakukan menggunakan sampel perusahaan yang berbeda-beda pula nilai asset nya. Botheras (1979) menguji model ini atas 50 perusahaan yang nilai asset nya rata-rata US$ 2.5 Juta dan

21

menemukan tingkat akurasi 88%. Sands (1980) menguji model ini pada 24 perusahaan yang rata-rata asset nya US$ 63.4 Juta dan menemukan tingkat akurasi 83.3%.

9. Manfaat Rasio Keuangan Untuk Memprediksi Kebangkrutan Berbagai penelitian telah dilakukan untuk mengkaji manfat yang bisa dipetik dari rasio keuangan seperti Altman (1968) dalam Luciana dan Kristijadi (2003), merupakan penelitian awal yang mengkaji pemanfaatan analisis rasio keuangan sebagai alat untuk memprediksi kebangkrutan perusahaan. Dengan menggunakan analisis diskriminan, fungsi diskriminan akhir yang digunakan untuk mempediksi kebangkrutan perusahaan memasukkan rasio keuangan berikut: Working Capital / Total Assets, Retained Earnings / Total Assets, Earnings Before Interest and Taxes / Total Assets, Market Value Equity / Book Value of total debt, Sales / Total Assets. Secara umum disimpulkan bahwa rasio-rasio keuangan tersebut bisa digunakan untuk memprediksi kebangkrutan perusahaan dengan pendekatan multivariat. Dengan kata lain, pendekatan multivariat rasio keuangan bisa memberikan hasil yang lebih memuaskan. Thomson (1991) dalam Luciana dan Winny (2005) yang menguji manfaat rasio CAMEL dalam memprediksi kegagalan bank di USA pada tahun 1980an dengan menggunakan alat statistik regresi logit, Whalen dan Thomson (1988) dalam Luciana dan Winny (2005) menemukan bahwa rasio keuangan CAMEL cukup akurat dalam menyusun rating bank.

22

Penelitian yang dilakukan oleh Sri Haryati (2002) dalam Luciana (2006) berusaha untuk menganalisis apakah terdapat perbedaan bermakna kinerja keuangan yang diukur dari rasio cadangan penghapusan kredit terhadap kredit, ROA, efisiensi dan LDR antar bank kelompok kategori A, B, dan C. Hasil dari penelitian ini adalah empat rasio keuangan yang digunakan ternyata rasio ROA, efisiensi, dan LDR mempunyai perbedaan yang signifikan diantara bank-bank dalam kategori A, B dan C Luciana (2006) meneliti rasio keuangan yang berasal dari laporan laba rugi, neraca dan laporan arus kas untuk memprediksi kondisi financial distress pada perusahaan, adapun rasio keuangan yang berasal dari laporan laba rugi dan neraca yang digunakan adalah : profit margin, likuiditas, efisiensi, profitabilitas, financial leverage, posisi kas dan pertumbuhan. Sedangkan rasio keuangan yang berasal dari laporan arus kas adalah yang berasal dari aktivitas operasi, aktivitas investasi dan aktivitas pendanaan.

B. Penelitian Terdahulu Penelitian sebelumnya yang berhubungan dengan kebangkrutan bank di Indonesia dilakukan oleh Etty M. Nasser dan Titik Aryati (2000) menyimpulkan bahwa dengan uji univariat ada dua jenis rasio yang signifikan yang membedakan bank sehat dan bank gagal yaitu rasio EATAR dan OPM. Untuk rasio keuangan yang dominan mempengaruhi kegagalan dan keberhasilan bank adalah EATAR dan PBTA melalui analisis Stepwise Statistic, dan dengan analisis Casewise Statistic dapat diketahui tingkat keberhasilan keseluruhan dari fungsi diskriminan dan untuk peramalan empat tahun sebelum bangkrut adalah 67,6%. Penelitian ini

23

menggunakan bank go public sebagai sampel. Variabel bebas yang digunakan adalah beberapa rasio-rasio keuangan model CAMEL yaitu CAR1, CAR2, ETA, RORA, ALR, NPM, OPM, ROA, ROE, BOPO, PBTA, EATAR, dan LDR. Sedangkan yang menjadi variabel terikat adalah financial distress dengan dua alternatif yaitu bank sehat dan bank gagal. Adnan dan Taufiq (2001), menguji model Altman dengan menggunakan sampel sebanyak 50 bank di Indonesia yang terdiri atas 25 bank yang terlikuidasi dan 25 bank yang tidak terlikuidasi. Dan disimpulkan bahwa model Altman dapat digunakan dalam memprediksi kebangkrutan dunia perbankan di Indonesia. Hadad, dkk (2004) melakukan penelitian untuk membentuk model prediksi kepailitan bank umum di Indonesia baik secara umum maupun untuk masing-masing kelompok bank umum di Indonesia berdasarkan laporan keuangan bank yang bersangkutan. Metode yang digunakan adalah analisis faktor dan regresi logistik. Data yang digunakan merupakan data bulanan periode Januari 1995 sampa dengan Desember 2000 sebagai populasi desain dan periode Januari 2001 sampai dengan Desember 2003 sebagai populasi validasi. Karena kepailitan bank tidak terjadi secara tiba-tiba, model prediksi yang dibangun meliputi model prediksi 3 bulan (MP3), 6 bulan (MP6), dan 12 bulan (MP12) sebelum pailit. Uji goodness of fit dilakukan berdasarkan Chi-square Hosmer and Lemeshow test sedangkan uji signifikansi koefisien regresi tidak dilakukan mengingat penelitian ini menggunakan data populasi bukan sampel. Hasil penelitian menunjukkan bahwa dari ketiga model prediksi yang berhasil dibangun ternyata hanya MP3 yang layak dipergunakan sebagai model prediksi kepailitan bank umum di

24

Indonesia. Pada tataran permodelan, MP3 memiliki akurasi klasifikasi 94,9 persen (default cut-off = 0,5) atau 94,2 persen (spesifikasi cut-off = 0,939), sedangkan pada tataran validasi model memiliki akurasi klasifikasi 82,6% (default cut-off = 0,5) atau 89,8 persen (spesifikasi cut – off = 0,939). Model prediksi kepailitan untuk masing-masing kelompok bank juga dibangun dengan formula MP3 melalui substitusi dummy kelompok bank. Studi Luciana dan Winny (2005) dengan sampel penelitian yang terdiri atas 16 bank sehat, 2 bank yang mengalami kebangkrutan dan 6 bank yang mengalami kondisi kesulitan keuangan. Model statistik yang digunakan untuk menguji hipotesis penelitian adalah regresi logistik. Hasil penelitian ini menunjukkan bahwa rasio keuangan CAMEL memiliki daya klasifikasi atau daa prediksi untuk kondisi bank yang mengalami kesulitan keuangan dan bank yang mengalami kebangkrutan. Penelitian ini juga membuktikan bahwa rasio CAR, APB, NPL, PPAPAP, ROA, NIM dan BOPO secara statistik berbeda untuk kondisi bank bangkrut dan mengalami kesulitan keuangan. Penelitian ini juga memberikan bukti empiris bahwa hanya rasio keuangan CAR dan BOPO secara statistik berbeda untuk kondisi bank bangkrut dan mengalami kesulitan keuangan dengan bank yang tidak bangkrut dan tidak mengalami kondisi kesulitan keuangan. Penelitian ini juga memberikan bukti empiris bahwa hanya rasio keuangan CAR dan BOPO yang secara statistik signifikan memprediksi kondisi kebangkrutan dan kesulitan keuangan pada sektor perbankan. Robert Cristhian Santoso (2006), melakukan penelitian yang bertujuan untuk mengetahui seberapa besar ketepatan antara metode prediksi kebangkrutan

25

model Altman, model Springate, model Internal Growth Rate, model Grover terhadap kebijakan Bank Indonesia, studi kasus pada bank-bank yang dilikuidasi tahun 1999. Penelitian tersebut membuktikan bahwa keempat model tersebut dapat digunakan untuk menganalisa keadaan bank-bank di Indonesia. Ryan Ariafinanda (2006), melakukan penelitian kebangkrutan terhadap sektor perbankan tahun 1998 dan yang terdaftar di Bursa Efek Indonesia dengan menggunakan model Altman, hasilnya membuktikan bahwa model Altman tepat dalam memprediksi kondisi kebangkrutan bank di Indonesia. Siti Eros Rosidah (2009), melakukan penelitian yang bertujuan untuk mengetahui seberapa besar pengaruh perubahan kondisi ekonomi terhadap kinerja keuangan dalam bentuk integrasi rasio keuangan model Altman. Sampel penelitian yang digunakan adalah sebanyak 19 bank yang terdaftar di Bursa Efek Indonesia, dan hasilnya membuktikan bahwa model Altman tepat digunakan dalam memprediksi kebangkrutan bank di Indonesia dengan tingkat ketepatan sebesar 84,6%. Endri (2009), melakukan penelitian tentang prediksi kebangkrutan bankbank syariah di Indonesia yakni Bank Muamalat Indonesia, Bank Syariah Mandiri, dan Bank Mega Syariah Indonesia periode 2005-2007 dengan menggunakan model Altman Z-Score. Hasil penelitian membuktikan bahwa semua sampel bank syariah tersebut diprediksi akan bangkrut. Untuk lebih jelas, penelitian-penelitian terdahulu tentang kebangkrutan dapat dilihat pada tabel sebagai berikut :

26

Tabel 2.1 Daftar Penelitan Terdahulu Untuk Kondisi Bermasalah Tahun 1966

Nama Peneliti Beaver

1968

Altman

1980

Ohlson

1984

Altman

2001 2003

Adnan dan Taufiq Haddad, dkk.

2004

Liza Angelina

2004

Margaretta Fanny & Sylvia Saputra Arga Fajar Santosa & Linda Kususmaning Wedari J. Efrim Boritz, dkk.

2007

2007

2009

Endri

Masalah yang Diteliti Prediksi kebangkrutan dengan menggunakan enam kelompok rasio keuangan yang dianalisis dengan menggunakan metode univariat Prediksi kebangkrutan dengan menggunakan metode MDA (Z-Score). Prediksi kebangkrutan menggunakan model analisa logit kondisional untuk menghilangkan masalah MDA Meneliti ulang prediksi kebangkrutan dengan menggunakan metode MDA dengan memasukkan dimensi internasional, yang mengubah formula Z-Score. Prediksi kebangkrutan bank dengan menggunakan model Altman Z-Score. Meneliti indicator kepailitan di Indonesia sebagai EWS pada stabilitas system keuangan dengan menggunakan teknik penelitian logit dan diskriminan analisis. Perbandingan EWS untuk memprediksi kebangkrutan bank umum di Indonesia dengan membandingkan model logit, MDA, dan trait recognition. Meneliti tentang opini audit going concern, kajian berdasarkan model prediksi kebangkrutan Altman, Springate, Zmijewski. Meneliti tentang factor-faktor yang mempengaruhi kecendrungan opini audit going concern dengan model prediksi kebangkrutan Zmijewski, Altman, Revisi Altman, dan Springate. Penelitian tentang prediksi kegagalan bisnis di Kanada dengan menggunakan model Altman, Ohlson, Springate, Legault & Veronneau. Meneliti tentang prediksi kebangkrutan bank-bank syariah di Indonesia dengan menggunakan model Altman Z-Score.

Sumber : Diolah dari berbagai jurnal dan hasil penelitian.

C. Kerangka Pemikiran Untuk dapat mengetahui terjadinya kondisi bermasalah pada bank dapat menggunakan metode Altman dengan menggunakan DA, yang terdiri atas lima

27

variabel yakni Working Capital to Total Assets, Retained Earnings to Total Assets, Earnings Before Interest Tax to Total Assets, Market Value of Equity to Book Value of Debt, dan Sales to Total Assets. Kemudian analisa metode Altman dilakukan dengan menggunakan data kelima variable tersebut, hasil analisa dari metode Altman dapat dibagi dalam beberapa kategori yakni bank yang dikategorikan bermasalah dan bank yang sehat. Sehingga dengan menggunakan analisis terhadap bank dengan menggunakan metode Altman Z-Score dapat diketahui apakah bank tersebut bermasalah atau tidak. Selanjutnya menggunakan metode Springate dengan DA yang terdiri atas empat variabel yakni, Working Capital to Total Assets, Net Profit Before Interest and Taxes to Total Assets, Net Profit Before Taxes to Current Liability dan Sales To Total Assets. Kemudian analisa metode Springate dilakukan dengan menggunakan data keempat variabel tersebut, hasil analisa dari metode Springate dapat dibagi dalam beberapa kategori yakni bank yang dikategorikan bermasalah dan bank yang sehat. Sehingga dengan menggunakan analisis terhadap bank dengan menggunakan metode Springate dapat diketahui apakah bank tersebut bermasalah atau tidak. Langkah berikutnya adalah menguji hasil metode Altman dan Springate yang telah dilakukan dengan menggunakan uji DA dapat diketahui variabel apa saja pada metode Altman dan Springate yang memiliki pengaruh cukup besar terhadap kebangkrutan perusahaan, sehingga perusahaan lebih memperhatikan variabel-variabel tersebut dalam laporan keuangannya. Serta dapat diketahui pula

28

dari hasil pengujian kedua model tersebut model manakah yang memberikan prediksi yang lebih tepat untuk kondisi bermasalah bank.

Laporan Keuangan Bank Go Public yang Mengalami Kondisi Bermasalah dan Bank yang Sehat

Rasio Keuangan Model Altman : • WCTA • RETA • EBITTA • MVE/BVD • STA

Rasio Keuangan Model Springate : • WCTA • EBITTA • EBT/CL • STA

Penelitian Model Springate Penelitian Model Altman

Bank Bermasalah

Bank Sehat

Bank Bermasalah

Bank Sehat

Uji Discriminant Analysis

Uji Discriminant Analysis

Hasil Model Springate

Hasil Model Altman

Interpretasi

Gambar 2.1 Skema Kerangka Pemikiran

29

D. Hipotesis Penelitian ini berusaha menguji apakah terdapat perbedaan rasio keuangan antara bank yang mengalami kodisi bermasalah dan bank yang tidak mengalami kondisi bermasalah pada model Altman dan model Springate. Penelitian ini juga bertujuan untuk menguji kembali rasio keuangan Altman dan rasio keuangan Springate dapat digunakan untuk menilai kinerja bank yang mengalami kondisi bermasalah dan bank yang sehat. Berdasarkan kerangka pemikiran penelitian dan tujuan penelitian maka hipotesis penelitian dinyatakan sebagai berikut : 1. Hipotesis I

: Terdapat perbedaan yang signifikan antara bank yang

bermasalah dengan bank yang tidak bermasalah pada model Altman dan model Springate. 2. Hipotesis II : Terdapat variabel prediktor yang mempunyai discriminating power untuk membedakan kedua kelompok bank tersebut pada model Altman dan model Springate dengan menggunakan metode stepwise. 3. Hipotesis III : Model Altman dan Model Springate memiliki tingkat ketepatan dalam memprediksi kondisi bermasalah pada bank.

30

BAB III METODOLOGI PENELITIAN

A. Ruang Lingkup Penelitian Penelitian ini dilakukan berdasarkan laporan keuangan triwulanan bank yang go public selama periode Maret 2007- September 2009 yang dipublikasikan di Bursa Efek Indonesia dan telah diaudit oleh auditor independen. Adapun laporan-laporan keuangan pada penelitian ini diambil dari neraca dan laporan laba rugi yang akan diubah menjadi rasio-rasio keuangan untuk memprediksi potensi kondisi bermasalah yakni financial distress dan kebangkrutan pada bank go public.

B. Metode Penentuan Sampel Populasi penelitian ini yaitu bank-bank umum swasta nasional yang terdaftar dalam direktori Bank Indonesia. Dari populasi yang ada akan diambil sejumlah tertentu sebagai anggota sampelnya yaitu bank umum swasta nasional periode triwulanan Maret 2007- September 2009, total aktiva yang dimiliki sebesar 1 Trilyun – 30 Trilyun Rupiah per September 2009, bank yang dijadikan sampel terbagi menjadi dua kelompok yaitu bank bermasalah dan tidak bermasalah. Teknik sampel yang digunakan dalam penelitian adalah metode purpossive sampling. Yaitu sampel ditarik sejumlah tertentu dari populasi emiten dengan menggunakan pertimbangan atau kriteria tertentu (Sugiyono, 1999 dalam Luciana

31

& Winny Herdyningtyas, 2003). Kriteria pemilihan sampel yang akan diteliti sebagai berikut : 1. Bank-bank umum swasta nasional yang mempublikasikan laporan keuangan triwulanan periode Maret 2007- September 2009. 2. Total aktiva yang dimiliki bank-bank tersebut sebesar 1 Trilyun – 64 Trilyun periode tahun 2009. 3. Bank yang dijadikan sampel terbagi menjadi dua kategori yaitu : a. Bank tidak bermasalah, yaitu : (i)

Bank-bank yang tidak masuk program penyehatan perbankan dan tidak dalam pengawasan khusus. Bankbank tersebut masih beroperasi sampai tahun 2009.

(ii)

Bank-bank tersebut tidak mengalami kerugian pada tahun 2007-2009.

b. Bank bermasalah, yaitu : (i)

Bank-bank yang mengalami laba bersih operasi (net operating income) negatif selama dua tahun berturutturut. (Whitaker, 1999 dalam Luciana & Kristijadi, 2003, tentang kriteria perusahaan yang distress).

(ii)

Bank-bank yang mengalami kerugian lebih dari 75% modal disetor selama dua tahun berturut-turut. (KUHD pasal 47 ayat 2).

32

Data laporan keuangan triwulanan periode Maret 2007- September 2009 digunakan sebagai pedoman penentuan apakah suatu perusahaan mengalami kondisi bermasalah atau tidak. Jumlah sampel akhir yang terpilih sebanyak 7 bank umum swasta nasional yang terdaftar di direktori Bank Indonesia dalam kurun waktu Maret 2007- September 2009 yang terdiri dari 5 bank tidak bermasalah dan 2 bank bermasalah. Tabel 3.1 Daftar Bank-bank yang Dijadikan Sampel No

Kode Bank

Nama Bank

Kategori

1.

BCIC

PT. Bank Mutiara, Tbk.

1

2.

BEKS

PT. Bank Eksekutif Internasional, Tbk.

1

3.

MAYA

PT. Bank Mayapada Internasional, Tbk.

0

4.

BABP

PT. Bank Bumiputera Indonesia, Tbk.

0

5.

PNBN

PT. Bank PAN Indonesia, Tbk.

0

6.

MEGA

PT. Bank Mega, Tbk

0

7.

NISP

PT. Bank OCBC NISP, Tbk.

0

Keterangan : 0 = Bank Tidak Bermasalah 1 = Bank Bermasalah

33

C. Metode Pengumpulan Data Data yang digunakan dalam penelitian ini adalah data kuantitatif, yaitu data yang diukur dalam suatu skala numerik (angka). Dalam penelitian ini menggunakan data sekunder yaitu data yang telah dikumpulkan oleh lembaga pengumpul data dan dipublikasikan kepada masyarakat pengguna data. Data sekunder berupa laporan keuangan triwulanan dari bank-bank umum swasta nasional periode Maret 2007- September 2009 yang terdaftar di Bursa Efek Indonesia.

D. Operasional Variabel Penelitian 1. Variabel dependen yang digunakan dalam penelitian ini adalah kondisi bermasalah suatu bank yang merupakan variabel kategori, 0 untuk bank tidak bermasalah dan 1 untuk bank bermasalah. 2. Variabel independen yang digunakan dalam penelitian ini adalah rasio keuangan Altman yaitu : a. Variabel Working Capital to Total Assets (WC/TA) Variabel ini merupakan rasio keuangan yang merupakan ukuran relatif nilai bersih dari asset lancar terhadap jumlah capital perusahaan keseluruhan. Rasio ini menggambarkan tingkat likuiditas suatu perusahaan. Secara sederhana dapat diartikan sebagai ukuran kuantitatif dari seberapa cepat perusahaan dapat mengkonversikan asset yang dimilikinya dan proporsinya terhadap total asset perusahaan yang terdiri dari asset lancar dan tetap. Working capital yang merupakan numerator dari rasio adalah hasil

34

dari selisih asset lancar perusahaan dengan kewajiban lancar perusahaan.

Dengan

demikian

working

capital

dapat

diinterpretasikan sebagai kemampuan perusahaan untuk dapat memenuhi kewajiban jangka pendek dari perusahaan pada saat jatuh tempo. WCTA = Aktiva Lancar – Kewajiban Lancar Total Asset b. Variable Retained Earnings to Total Assets (RE/TA) Variabel retained earnings yang menjadi salah satu komponen penting dalam rasio keuangan diatas merupakan suatu akun yang menggambarkan jumlah keseluruhan dari pendapatan perusahaan yang diinvestasikan ke dalam perusahaan. Akun ini juga merepresentasikan besarnya surplus yang dihasilkan perusahaan dari

kegiatan

operasionalnya

serta

peluang

pertumbuhan

perusahaan kedepannya. Dengan demikian, secara sederhana dapat diartikan bahwa rasio RE/TA ini merupakan ukuran kumulatif keuntungan yang dihasilkan perusahaan. Rasio ini juga memberikan informasi mengenai usia perusahaan secara implisit. Pada umumnya perusahaan baru memiliki nilai rasio RE/TA yang relatif lebih rendah karena waktu yang digunakannya dalam mengumpulkan laba masih belum terlalu lama. Selain itu, rasio ini juga mengukur leverage perusahaan karena dari nilai rasio dapat pula diketahui

35

proporsi asset dari perusahaan yang dibiayai dengan menggunakan laba yang dihasilkannya sendiri tanpa menggunakan hutang. RETA = Laba Ditahan Total Asset c. Variabel Earning Before Interest and Tax to Total Assets(EBIT/TA) Rasio EBIT/TA yang menjadi variabel independen berikutnya merupakan rasio keuangan yang mengukur produktivitas dari asset perusahaan. EBIT yang menjadi numerator dari rasio adalah keuntungan yang dihasilkan perusahaan dengan mengeluarkan faktor bunga pinjaman dan pajak dari perhitungan. EBIT merupakan ukuran dari pendapatan perusahaan yang dihasilkan dari kegiatan operasional inti perusahaan. Sehingga, nilai dari rasio akan menggambarkan besarnya keuntungan yang asset perusahaan secara keseluruhan. Semakin besar nilai rasio maka tingkat produktivitas

asset

dalam

menghasilkan

pendapatan

bagi

perusahaan semakin meningkat. EBITTA = EBIT Total Asset d. Variabel Market Value of Equity to Book Value of Debt (MVE/BVD) Rasio keuangan MVE/BVD menunjukkan besarnya penurunan nilai dari asset perusahaan yang masih dapat terjadi pada perusahaan sebelum kewajiban perusahaan melebihi nilai asset dari

36

perusahaan baik berupa common stock maupun preferred stock. Sedangkan liabilities merupakan kumulatif dari kewajiban jangka panjang dan kewajiban jangka pendek perusahaan. Semakin besar nilai dari rasio MVE/BVD menggambarkan semakin besar batas toleransi penurunan nilai dari asset perusahaan. Artinya perusahaan yang memiliki nilai rasio yang besar relatif lebih aman dibandingkan dengan nilai rasio yang lebih kecil. Hal ini dikarenakan penurunan nilai asset yang sedikit saja pada perusahaan

dengan

rasio

MVE/BVD

yang

rendah

akan

mengakibatkan nilai wajar asset perusahaan menjadi lebih kecil dari nilai kewajiban perusahaan dan mengakibatkan perusahaan mengalami kebangkrutan. MVEBVD = EPS x Jumlah Saham yang Beredar Total Liabilities e. Variabel Sales to Total Assets Variabel bebas berikut dikenal dengan sebutan capital turnover rasio dan merupakan rasio keuangan standar yang sering dilakukan untuk menggambarkan kemampuan dari asset perusahaan dalam menciptakan penjualan. Dari rasio ini dapat diketahui kapasitas manajemen

dalam

mengelola

asset

yang

dimiliki

dalam

menghadapi kompetisi yang ada. Semakin besar nilai dari rasio S/TA menggambarkan efektifitas manajemen dalam pengelolaan asset yang berarti menurunkan probabilitas default perusahaan.

37

STA = Sales Total Asset f. Variabel Net Profit Before Taxes to Current Liablility (EBT/CL) Variabel bebas ini merupakan pembagian antara laba sebelum pajak dengan hutang lancar. EBTCL = EBT Current Liabilities

E. Metode Analisis 1. Discriminant Analysis Pada penelitian ini menggunakan alat analisis diskriminan sebagai teknik statistik untuk pengolahan datanya, analisis diskriminan dipilih dan digunakan dalam penelitian ini karena variabel dependen yang digunakan dalam penelitian ini adalah variabel kategori dan variabel independennya merupakan bentuk multivariate normal distribution sehingga cocok untuk menggunakan analisis diskriminan. Serta Altman dan Springate pada penelitian terdahulu juga menggunakan analisis diskriminan untuk pengolahan datanya sehingga penulis tertarik untuk menggunakan analisis diskriminan. Black Hair Anderson (1995) dalam Sofyan Yamin dan Heri Kurniawan (2009:221) mendefinisikan “Discriminant analysis is useful in situation where the total sample can be divided into group based on a dependent variable characterizing several known cases. The primary objectives of multiple discriminant analysis are to understand group differences and to predict the

38

likelihood that an entity (individual or object) will belong to a particular class or group based on several metric independent variable.” Analisis diskriminan berguna pada situasi dimana sampel total dapat dibagi menjadi kelompokkelompok berdasarkan karakteristik variabel yang diketahui dari beberapa kasus. Tujuan utama dari analisis diskriminan adalah untuk mengklasifikasikan suatu individu atau objek kedalam satu dari beberapa kelompok yang telah diketahui sebelumnya

dengan

cara

menemukan

suatu

pembatas

yang

mampu

memaksimalkan rasio perbedaan (variability) antar kelompok dan di dalam kelompok itu sendiri. Wawan Hermawan dan Tari Lestari (2007) mengemukakan bahwa dalam analisis diskriminan, sebelum melakukan pengklasifikasian peneliti harus mengetahui terlebih dahulu objek-objek mana yang masuk ke dalam kelompok 1, kelompok 2 dan seterusnya bergantung pada banyaknya kelompok. Tujuan lain analisis diskriminan yaitu : 1. Menentukan apakah ada perbedaan yang signifikan antara rata-rata skore dari dua atau lebih kelompok. 2. Menentukan prosedur-prosedur untuk mengelompokkan individu-individu atau objek-objek ke dalam kelompok-kelompok berdasarkan skore-skore variabel. 3. Menentukan variabel prediktor mana yang mempunyai discriminating power atau daya beda yang besar untuk membedakan dua atau lebih kelompok.

39

Penelitian ini mengadopsikan model Altman dan model Springate dalam pengukuran probabilitas default bank sebagai berikut : Teknik statistik yang digunakan Altman dan Springate dalam pengolahan adalah Discriminant Analysis (DA). Analisis diskriminan ini tidak jauh berbeda dengan analisis regresi. Ciri khusus yang membedakan keduanya adalah pada variabel dependennya, variabel dependen pada analisis regresi harus merupakan data rasio, sebaliknya pada analisis diskriminan variabel dependen yang digunakan merupakan data kategori dengan variabel independen yang berupa data non kategori. Pengolahan data yang dilakukan bertujuan untuk mendapatkan nilai koefisien dari tiap variabel independen yang sesuai dengan data yang digunakan di Indonesia. Pengolahan data dengan model ini akan dilakukan dengan memanfaatkan program software SPSS, hasil pengolahan digunakan untuk menyusun persamaan diskriminan seperti pada persamaan Altman. Persamaan Model Altman Z = 1, 2 X 1 + 1, 4 X 2 + 3,3 X 3 + 0 , 6 X 4 + 0 ,999 X 5 Dimana : Z = Overall Index X1 = Net Working Capital to Total Assets (WC/TA) X2 = Retained Earnings to Total Assets (RE/TA) X3 = Earnings Before Interest and Tax to Total Assets (EBIT/TA) X4 = Market Value of Equity to Book Value of Debt (MVE/BVD) X5 = Sales to Total Assets (S/TA)

40

Persamaan Model Springate S = 1, 03 X 1 + 3 . 07 X 3 + 0 . 66 X 6 + 0 . 4 X 5 Dimana : X1 = Working Capital / Total Assets (WC/TA) X3 = Earnings Before Interest and Tax to Total Assets (EBIT/TA) X6 = Earnings Before Taxes / Current Liability (EBT/CL) X5 = Sales / Total Assets (S/TA)

2. Metode Estimasi Discriminant Analysis Metode yang sering digunakan untuk menyelesaikan persamaan diskriminan adalah metode simultan dan metode stepwise. Metode simultan menyelesaikan persamaan persamaan dengan cara memasukkan seluruh variabel secara bersama-sama ke dalam fungsi diskriminan tanpa melihat terlebih dahulu kemampuan diskriminat masing-masing variabel tersebut. Metode ini kemudian memilih variabel-variabel yang memiliki kemampuan diskriminat terbaik. Sedangkan proses metode stepwise dimulai dengan memilih variabel independen yang memiliki kemampuan diskriminat terbaik. Kemudian persamaan tersebut disandingkan dengan variabel independen lain yang memiliki kemampuan diskriminat terbaik sampai kemudian kombinasi variabel tersebut menunjukkan peningkatan kemampuan diskriminat. Langkah-langkah analisis dalam diskriminan adalah sebagai berikut : a. Memisahkan variabel ke dalam variabel dependent dan variabel independent.

41

b. Analysis Case Processing Summary, tabel yang menyatakan bahwa semua responden (jumlah kasus atau baris SPSS) semuanya valid (sah) untuk di proses dan dapat mengetahui data yang hilang (missing). c. Group Statistics, tabel yang menunjukkan jumlah bank yang masuk dalam kategori bank tidak bermasalah dan bank bermasalah. d. Test of Equality of Group Means, tabel yang menunjukkan apakah terdapat perbedaan signifikan pada dua kelompok bank tersebut berdasarkan uji F. e. Variabel Entered/Removed, tabel yang menyajikan dari kelima variabel yang dianalisis untuk model Altman serta keempat variabel untuk model Springate, variabel mana yang dapat dimasukkan (entered) dalam persamaan diskriminan. f. Variable in The Analysis, tabel yang berisi rangkaian proses tahap sebelumnya, mengenai pemilihan variabel satu per satu yang dimasukkan ke dalam model. g. Variable not In The Analysis, tabel ini berisi kebalikan dari tabel variable ini the analysis, yang memuat variabel yang akan dikeluarkan satu per satu dari model. h. Eigenvalues, interpretasi dari pengelompokkan variabel ke dalam satu atau lebih faktor. i. Wilk’s Lambda, mengindikasikan perbedaan yang signifikan antara kedua kelompok dalam model diskriminan berdasarkan angka chi-square. j. Structure Matrix, menunjukkan variabel yang paling membedakan kelompok bank bermasalah dengan bank yang sehat.

42

k. Casewise Statistic, tabel yang menunjukkan rincian tiap kasus, penempatannya dalam model diskriminan serta perbandingan apakah penempatan (predicted) telah sesuai dengan kenyataan atau tidak. l. Classification Result, menujukkan angka ketepatan prediksi dari model diskriminan. Pada umumnya ketepatan diatas 50% dianggap memadai atau valid.

3. Tahap Penghitungan Akurasi Penghitungan akurasi dilakukan dengan menggunakan data-data keuangan sampel. Informasi tersebut akan menghasilkan rasio-rasio yang menjadi variabel dalam model prediksi, variabel kemudian dihitung berdasarkan model yang ada. Setelah dihitung, skor yang didapat kemudian dibandingkan dengan nilai cut-off yang dimiliki setiap model. Dari hasil perbandingan tersebut dapat diketahui apakah sampel diprediksi mengalami distress atau tidak. Hasil prediksi kemudian dibandingkan dengan kategori sampel pada awalnya, sebagai contoh jika sebuah sampel dari kategori 1 diprediksi mengalami distress oleh Altman, maka prediksi tersebut benar. Dan sebaliknya jika sampel tersebut diprediksi tidak mengalami distress oleh Model Altman maka prediksi tersebut salah. Perbandingan antara prediksi dan kategori sampel dilakukan pada seluruh sampel yang ada. Setelah semua sampel selesai dihitung, maka diperoleh haril rekapitulasi prediksi yang benar dan yang salah. Dari rekapitulasi prediksi tersebut dapat diketahui akurasi tiap model. Tingkat akurasi menunjukkan berapa

43

persen model memprediksi dengan benar dari keseluruhan sampel yang ada. Tingkat akurasi tiap model dihitung dengan cara sebagai berikut : Tingkat Akurasi = Jumlah Prediksi Benar x 100% Jumlah Sampel Selain akurasi tiap model, yang juga menjadi pertimbangan adalah tingkat errornya. Error dibagi dua jenis yaitu type 1 dan type 2. type 1 error adalah kesalahan yang terjadi jika model memprediksi sampel tidak akan mengalami distress padahal kenyataan mengalami distress. Type 2 error adalah kesalahan yang terjadi jika model memprediksi sampel mengalami distress padahal kenyataannya tidak distress. Tingkat error tersebut dihitung dengan cara sebagai berikut :

a. Type 1 Error = Jumlah Kesalahan Type 1 x 100% Jumlah Sampel b. Type 2 Error = Jumlah Kesalahan Type 2 x 100% Jumlah Sampel

44

BAB IV HASIL DAN PEMBAHASAN

A. Gambaran Umum Objek Penelitian Dalam penelitian ini penulis mengambil sampel sebanyak 5 bank yang sehat dan 2 bank yang mengalami kondisi kesulitan keuangan. Sejarah singkat masing-masing bank adalah sebagai berikut : a. PT. Bank Mutiara, Tbk (BCIC) Perusahaan ini sebelumnya dikenal sebagai PT Bank Century Tbk dan berubah nama menjadi PT Bank Mutiara Tbk pada tanggal 2 Oktober 2009. PT Bank Mutiara Tbk didirikan pada tahun 1989 dan berkantor pusat di Jakarta, Indonesia. Pada tanggal, 31 Desember 2007, beroperasi 27 kantor cabang utama, 30 kantor cabang pembantu, dan 8 kantor kas. PT Bank Mutiara Tbk menyediakan berbagai produk perbankan dan jasa di Indonesia, menawarkan berbagai produk simpanan, termasuk giro, tabungan, deposito berjangka, dan sertifikat deposito. Pinjaman portofolio perusahaan terutama modal kerja terdiri, cerukan, eksporimpor, investasi, kendaraan, perumahan, karyawan, dan pinjaman warisan. b. PT. Bank Eksekutif Internasional, Tbk (BEKS) PT. Bank Eksekutif Internasional, Tbk (Bank) didirikan pada tanggal 11 September 1992 dan terjadi perubahan nama pada tanggal 16 Januari 1996 PT.Executive International Bank menjadi perseroan PT. Bank Eksekutif Internasional. Akta pendirian tersebut disahkan oleh Menteri Kehakiman dalam Surat Keputusan nomor C2-9246-HT.01.01.TH.92 tanggal 10 Nopember 1992

45

serta diumumkan dalam Berita Negara nomor 103 tanggal 26 Desember 1992, Tambahan nomor 6651/1992, sedangkan akta perubahannya telah disahkan oleh Menteri Kehakiman dalam Surat Keputusan No. C2-4376.HT.01.04.TH.96 tanggal 6 Maret 1996 serta diumumkan dalam Berita Negara Republik Indonesia No. 78 tanggal 27 September 1996, Tambahan No. 8331/1996. Bank mulai beroperasi secara komersial pada tanggal 9 Agustus 1993, sesuai dengan ijin usaha yang diberikan oleh Menteri Keuangan Republik Indonesia dalam Surat Keputusan nomor 673/KMK.017/1993 tanggal 23 Juni 1993. Saat ini Bank Eksekutif yang mempunyai 19 kantor, yang terdiri dari 1 Kantor Pusat Operasional di Jl. MH Thamrin Kav. 9, Jakarta Pusat, 13 Kantor Cabang dan 5 Kantor Cabang Pembantu lebih memprioritaskan dalam penyaluran kredit retail, khususnya otomotif. c. PT. Bank Mega, Tbk. (MEGA) Berawal dari sebuah usaha milik keluarga bernama PT. Bank Karman yang didirikan pada tahun 1969 dan berkedudukan di Surabaya, selanjutnya pada tahun 1992 berubah nama menjadi PT. Mega Bank dan melakukan relokasi Kantor Pusat ke Jakarta. Seiring dengan perkembangannya PT. Mega Bank pada tahun 1996 diambil alih oleh Para Group (PT. Para Global Investindo dan PT. Para Rekan Investama). Pada tahun 2000 dilakukan perubahan nama dari PT. Mega Bank menjadi PT. Bank Mega. Dalam rangka memperkuat struktur permodalan maka pada tahun yang sama PT. Bank Mega melaksanakan Initial Public Offering dan listed di BEJ maupun BES. Dengan demikian sebagian saham PT. Bank Mega dimiliki oleh publik dan berubah namanya menjadi PT. Bank

46

Mega Tbk. PT. Bank Mega Tbk. berpegang pada azas profesionalisme, keterbukaan dan kehati-hatian dengan struktur permodalan yang kuat serta produk dan fasilitas perbankan terkini. Hingga tahun 2007 PT. Bank Mega Tbk. memiliki 152 jaringan kerja yang terdiri kantor cabang, kantor cabang pembantu dan kantor kas yang tersebar hampir di seluruh kota besar di Indonesia, serta Priority Banking. d. PT. Bank OCBC NISP, Tbk. (NISP) PT. Bank NISP Tbk, yang kini menjadi PT. Bank OCBC NISP Tbk., merupakan bank keempat tertua di Indonesia, didirikan di Bandung pada tanggal 4 April 1941 dengan nama NV. Nederlandsch Indische Spaar En Deposito Bank. Sejak awal berdirinya, Bank OCBC NISP terus berkembang menjadi bank yang solid dan handal dengan fokus pelayanan kepada segmen usaha kecil dan menengah (UKM). Bank OCBC NISP mendapatkan statusnya sebagai bank umum pada tahun 1964, kemudian menjadi bank devisa pada tahun 1990 dan mencatatkan sahamnya di Bursa Efek Indonesia pada tahun 1994. Pada akhir 1998, Bank OCBC NISP berhasil keluar dari krisis finansial yang melanda Asia dan juga krisis perbankan Indonesia tanpa memerlukan program rerekapitalisasi Pemerintah. e. PT. Bank PAN Indonesia, Tbk. (PNBN) PT. Bank Pan Indonesia Tbk menyediakan produk dan jasa perbankan di Indonesia dan internasional, bergerak di bidang perbankan, pembiayaan, asuransi, dan sekuritas. Perusahaan ini menyediakan permintaan, tabungan, waktu, dan bentuk-bentuk deposito, termasuk simpanan dari bank lain dan sertifikat deposito,

47

dan sindikasi, konsumen, permintaan, investasi, modal kerja, dan pinjaman karyawan. Ia juga menawarkan sewa pembiayaan, selisih kurs, transfer uang, pembiayaan konsumen, manajemen investasi, perdagangan dan perantara efek, dan jasa penasihat keuangan, serta kartu kredit dan produk asuransi. Pada tanggal 31 Desember 2008, ia memiliki 43 kantor cabang di Indonesia, 1 kantor perwakilan di Singapura, dan 1 kantor cabang di Kepulauan Cayman. PT. Bank Pan Indonesia Tbk didirikan pada tahun 1971 dan berkantor pusat di Jakarta, Indonesia. f. PT. Bank Bumiputera Indonesia, Tbk. (BABP) PT Bank Bumiputera tbk sebelumnya dikenal sebagai PT Bank Bumiputera Indonesia Tbk. Kegiatan utama Perusahaan adalah menyediakan jasa perbankan dan melakukan kegiatan keuangan yang terkait. Perusahaan ini menawarkan berbagai jenis produk tabungan, fasilitas kredit, produk treasury dan pembiayaan perdagangan. Pelayanan termasuk pembayaran tagihan, pengiriman uang dan safe deposit box. Perusahaan beroperasi di Indonesia. g. PT. Bank Mayapada Internasional, Tbk. (MAYA) Bank ini didirikan pada tahun 1989 dengan nama PT. Bank Mayapada International, kemudian pada tahun 1990 Bank Mayapada mulai beroperasi secara komersial sebagai bank umum swasta nasional, status perseroan Bank Mayapada ditingkatkan menjadi Bank Devisa pada tahun 1993 serta berubah namanya menjadi PT. Bank Mayapada Internasional pada tahun 1995.

48

B. Hasil dan Pembahasan 1. Uraian Data Statistic deskriptif untuk model Altman dan model Springate adalah sebagai berikut : Tabel 4.1 Descriptive Statistics Model Altman

WCTA RETA EBITTA MVEBVD STA Valid N (listwise)

N 77 77 77 77 77 77

Minimum -.2190 -1.5930 -1.2440 -6.4470 .0260

Maximum .3000 .0630 3.0020 7.7870 .3500

Mean .040792 -.057870 .032974 1.172948 .077104

Std. Deviation .0767663 .3152219 .3731420 1.9668035 .0511256

Sumber : Data Diolah

Dari tabel statistik deskriptif model Altman tersebut dapat disimpulkan bahwa rata-rata nilai variabel WCTA untuk memprediksi kondisi bank adalah 0.041 per triwulannya dengan standar deviasi 0,077 dan minimum nilai variabel WCTA untuk memprediksi kondisi bank adalah sebesar -0,219 serta maksimum nilai variabel WCTA untuk memprediksi kondisi bank adalah sebesar 0,3. Untuk rata-rata nilai variabel RETA dalam memprediksi kondisi bank adalah -0,077 per triwulannya dengan standar deviasi 0,315 dan minimum nilai variabel RETA untuk memprediksi kondisi bank adalah sebesar -1,593 serta maksimum nilai variabel RETA untuk memprediksi kondisi bank adalah sebesar 0,063. Rata-rata nilai variabel EBITTA dalam memprediksi kondisi bank adalah 0.033 per triwulannya dengan standar deviasi 0,037 dan minimum nilai variabel

49

EBITTA untuk memprediksi kondisi bank adalah sebesar -1,244 serta maksimum nilai variabel EBITTA untuk memprediksi kondisi bank adalah sebesar 3,002. Untuk rata-rata nilai variabel MVEBVD dalam memprediksi kondisi bank adalah 1,173 per triwulannya dengan standar deviasi 1,967 dan minimum nilai variabel MVEBVD untuk memprediksi kondisi bank adalah sebesar -6,447 serta maksimum nilai variabel MVEBVD untuk memprediksi kondisi bank adalah sebesar 7,787. Rata-rata nilai variabel STA dalam memprediksi kondisi bank adalah 0.077 per triwulannya dengan standar deviasi 0,051 dan minimum nilai variabel STA untuk memprediksi kondisi bank adalah sebesar 0,026 serta maksimum nilai variabel STA untuk memprediksi kondisi bank adalah sebesar 0,350. Tabel 4.2 Descriptive Statistics Model Springate

WCTA

N 77

Minimum -.2190

Maximum .3000

Mean .040792

Std. Deviation .0767663

EBITTA

77

-1.2440

3.0020

.032974

.3731420

EBTCL

77

-1.1060

.0380

-.007494

.1272694

STA

77

.0260

.3500

.077104

.0511256

Valid N (listwise)

77

Sumber : Data Diolah

Dari tabel statistik deskriptif model Springate tersebut dapat disimpulkan bahwa rata-rata nilai variabel WCTA untuk memprediksi kondisi bank adalah 0.041 per triwulannya dengan standar deviasi 0,077 dan minimum nilai variabel WCTA untuk memprediksi kondisi bank adalah sebesar -0,219 serta maksimum nilai variabel WCTA untuk memprediksi kondisi bank adalah sebesar 0,3.

50

Rata-rata nilai variabel EBITTA dalam memprediksi kondisi bank adalah 0.033 per triwulannya dengan standar deviasi 0,037 dan minimum nilai variabel EBITTA untuk memprediksi kondisi bank adalah sebesar -1,244 serta maksimum nilai variabel EBITTA untuk memprediksi kondisi bank adalah sebesar 3,002. Untuk rata-rata nilai variabel EBTCL dalam memprediksi kondisi bank adalah -0,077 per triwulannya dengan standar deviasi 0,127 dan minimum nilai variabel EBTCL untuk memprediksi kondisi bank adalah sebesar -1,106 serta maksimum nilai variabel EBTCL untuk memprediksi kondisi bank adalah sebesar 0,038. Rata-rata nilai variabel STA dalam memprediksi kondisi bank adalah 0.077 per triwulannya dengan standar deviasi 0,051 dan minimum nilai variabel STA untuk memprediksi kondisi bank adalah sebesar 0,026 serta maksimum nilai variabel STA untuk memprediksi kondisi bank adalah sebesar 0,350.

2. Penentuan Kategori Kriteria Sampel Bank Untuk mengetahui bank tersebut termasuk kategori sampel bank bermasalah atau bank sehat maka dapat dilihat dari net operating income masingmasing bank, apabila bank tersebut net operating income nya negatif selama dua tahun berturut-turut maka bank tersebut dikategorikan sebagai bank bermasalah. Tabel 4.3 berikut merupakan hasil dari net operating income masing-masing bank.

51

Tabel 4.3 Net Operating Income Sampel Bank (Dalam Jutaan Rupiah) Periode Tw I 2007 Tw II 2007 Tw III 2007 Tw IV 2007 Tw I 2008 Tw II 2008 Tw III 2008 Tw IV 2008 Tw I 2009 Tw II 2009 Tw III 2009 Kondisi

BCIC 34612 49006 81536 -166056 13771 43973 49084 -6949961 247584 74855 115825 1

BEKS MAYA -10562 17537 -6142 31495 -1153 46014 -26084 58705 -1042 22285 -4250 40054 -4361 40573 -34202 59996 -26307 10829 -27237 27864 -56428 47358 1 0

BABP 16645 22062 24878 34399 6982 9546 7002 24090 -11257 2402 6770 0

PNBN 285385 663585 1020575 1358399 326003 745286 985782 1121626 203529 528474 955908 0

MEGA 168896 389595 580300 746116 202563 374092 529886 673437 165370 374229 428515 0

NISP 114979 194875 287542 349347 76278 208512 322433 452092 103657 233466 439644 0

Sumber : Laporan Keuangan Bursa Efek Indonesia Dari data net operating income tersebut maka diperoleh kategori bahwa bank-bank yang memenuhi kriteria masuk dalam kategori 1 (bank bermasalah) terdapat 2 bank yakni Bank Mutiara, Tbk dan Bank Eksekutif Internasional, Tbk. Sisanya masuk kedalam kategori 0 atau bank tidak bermasalah. 3. Pengujian Hipotesis 1 Hipotesis 1 diuji dengan menggunakan alat uji statistik analisis diskriminan dua faktor. Uji ini dipilih karena pengujian dilakukan dengan variabel dependen yang terdiri dari dua kategori yaitu : kategori 0 untuk kondisi bank tidak bermasalah dan 1 untuk kondisi bank bermasalah. Langkah pertama dalam analisis diskriminan terlihat pada tabel Analysis Case Processing Summary untuk model Altman dan model Springate menunjukkan bahwa ada tidaknya data yang hilang. Berdasarkan hasil tabel

52

tersebut untuk kedua model Altman dan Springate dengan jumlah sampel sebesar 77 menunjukkan bahwa data lengkap dan tidak ada satupun data yang hilang. Tabel 4.4 Analysis Case Processing Summary Model Altman Unweighted Cases Valid Excluded

N 77

Percent 100.0

Missing or out-of-range group codes

0

.0

At least one missing discriminating variable

0

.0

Both missing or out-ofrange group codes and at least one missing discriminating variable

0

.0

Total

0

.0

77

100.0

Total

Tabel 4.5 Analysis Case Processing Summary Model Springate Unweighted Cases Valid Excluded

Total

N 77

Percent 100.0

Missing or out-of-range group codes

0

.0

At least one missing discriminating variable

0

.0

Both missing or out-ofrange group codes and at least one missing discriminating variable

0

.0

Total

0

.0

77

100.0

Langkah selanjutnya adalah mengidentifikasikan faktor-faktor apa yang signifikan membedakan antara dua kelompok tersebut. Dalam hal ini digunakan dua statistik uji, yaitu Wilk’s Lambda dan F test. Nilai Wilk’s Lambda berkisar antara 0 hingga 1. Nilai Wilk’s Lambda mendekati nol menunjukkan arti semakin

53

signifikan karakteristik tersebut membedakan antara dua variasi kelompok. Sebaliknya, nilai Wilk’s Lambda semakin mendekati angka 1, maka variasi data untuk karakteristik tersebut cenderung sama untuk dua kelompok tersebut. Untuk F test dapat digunakan nilai p-value pada kolom signifikannya dimana : •

Sig. > 0,05, maka tidak ada perbedaan antar group.

•

Sig. < 0,05, maka terdapat perbedaan atar group Tabel 4.6 Tests of Equality of Group Means Model Altman

WCTA

Wilks' Lambda .489

F 78.375

df1 1

df2 75

Sig. .000

RETA

.794

19.464

1

75

.000

EBITTA

.975

1.889

1

75

.173

MVEBVD

.809

17.729

1

75

.000

STA

.999

.112

1

75

.739

Dari tabel 4.6 Test of Equality of Group Means untuk Model Altman terdapat tiga variabel rasio keuangan yakni WCTA, RETA dan MVEBVD yang mempunyai angka signifikansi dibawah 0,05 sehingga terdapat perbedaan antar group. Artinya bahwa variabel rasio keuangan WCTA, RETA, dan MVEBVD mempengaruhi bermasalah atau tidaknya suatu bank. Untuk variabel rasio keuangan EBITTA dan STA mempunyai angka signifikansi diatas 0,05 sehingga tidak ada perbedaan antar group. Artinya bahwa variabel rasio keuangan EBITTA dan STA menghasilkan nilai yang relatif sama terhadap bermasalah atau tidaknya suatu bank.

54

Tabel 4.7 Tests of Equality of Group Means Model Springate

WCTA

Wilks' Lambda .489

F 78.375

df1 1

df2 75

Sig. .000

EBITTA

.975

1.889

1

75

.173

EBTCL

.951

3.852

1

75

.053

STA

.999

.112

1

75

.739

Dari tabel 4.7 Test of Equality of Group Means untuk Model Springate terdapat satu variabel rasio keuangan yakni WCTA yang mempunyai angka signifikansi dibawah 0,05 sehingga terdapat perbedaan antar group. Artinya bahwa variabel rasio keuangan WCTA mempengaruhi bermasalah atau tidaknya suatu bank. Untuk variabel rasio keuangan EBITTA, EBTCL dan STA mempunyai angka signifikansi diatas 0,05 sehingga tidak ada perbedaan antar group. Artinya bahwa variabel rasio keuangan EBITTA, EBTCL dan STA menghasilkan nilai yang relatif sama terhadap bermasalah atau tidaknya suatu bank. Penelitian ini menjelaskan variabel-variabel rasio keuangan mana saja dari kedua model Altman dan Springate yang memiliki perbedaan yang signifikan antara bank yang tidak bermasalah dengan bank yang bermasalah sehingga mendukung hipotesis I yang diajukan oleh peneliti bahwa rasio keuangan Model Altman dan Model Springate memiliki perbedaan yang signifikan antara bank yang tidak bermasalah dengan bank yang bermasalah.

55

4. Pengujian Hipotesis II Dengan menggunakan metode stepwise maka dapat ditentukan variabelvariabel mana yang paling efisien didalam membedakan antar bank yang bermasalah dan bank yang tidak bermasalah. Mahalanobis distance akan digunakan untuk prosedur stepwise guna menentukan variabel yang memiliki kekuatan terbesar mendiskriminasi. Prosedur stepwise dimulai memasukkan variabel yang akan memaksimumkan Mahalanobis distance antar group. Dalam hal ini minimum significant value 0.05 digunakan sebagai syarat entry variabel dan Mahalanobis D2 digunakan untuk memilih variabel. Hasil dari pengujian hipotesis II ditunjukkan pada tabel 4.8 untuk model Altman. Tabel 4.8 Variables Entered/Removed(a,b,c,d) Model Altman Step

Entered

Min. D Squared

Statistic

Exact F

Statistic

df2

Sig.

Statistic

df1

Statistic

Between Groups

df2

Sig.

1

WCTA

4.988

Bank Tidak Bermasalah and Bank Bermasalah

MVEBVD

5.721

Bank Tidak Bermasalah and Bank Bermasalah

78.375

1

75.000

2.83E-013

44.355

2

74.000

2.18E-013

2

At each step, the variable that minimizes the overall Wilks' Lambda is entered. a Maximum number of steps is 10. b Maximum significance of F to enter is .05. c Minimum significance of F to remove is .10. d F level, tolerance, or VIN insufficient for further computation.

56

Tabel 4.9 Wilks' Lambda Model Altman

Step

Number of Variables

Lambda

df1

Statistic

df1

df2

df2

df3

Sig.

Exact F

Statistic

df1

df2

Sig.

Statistic

1

1

.489

1

1

75

78.375

1

75.000

.000

2

2

.455

2

1

75

44.355

2

74.000

.000

Tabel 4.8 menyajikan variabel mana saja dari lima variabel pada model Altman yang bisa dimasukkan (entered) dalam persamaan diskriminan dimulai dari variabel yang memiliki angka F statistik terbesar. Pada tahap pertama angka F hitung variabel WCTA adalah yang terbesar, mencapai 78.375. Sehingga pada tahap pertama ini variabel WCTA terpilih. Selanjutnya pada tahap kedua diikuti oleh variabel MVEBVD. Kedua variabel ini memiliki angka signifikan lebih kecil dari 0.05. Dengan demikian, dari lima variabel yang dimasukkan untuk rasio keuangan model Altman hanya ada dua variabel yang signifikan. Sehingga, variabel WCTA dan MVEBVD secara signifikan mempengaruhi bermasalah atau tidaknya suatu bank, serta hasil stepwise ini mampu membedakan metode kondisi bank berdasarkan pada nilai Wilk’s Lambda dan nilai minimum Mahalanobis distance.

57

Tabel 4.10 Variables in the Analysis Model Altman Step 1 2

WCTA WCTA

Tolerance 1.000

Sig. of F to Remove .000

Min. D Squared

.991

.000

1.128

.991

.021

4.988

MVEBVD

Between Groups Bank Tidak Bermasalah and Bank Bermasalah Bank Tidak Bermasalah and Bank Bermasalah

Untuk tabel 4.10 menunjukkan perincian dari proses stepwise pada tabel sebelumnya. Pada step 1, variabel WCTA adalah variabel pertama yang masuk ke dalam model diskriminan. Hal ini disebabkan variabel tersebut mempunyai angka Sig. of F to Remove yang paling sedikit, yakni 0,000 (jauh dibawah 0,05). Kemudian pada step 2, dimasukkan variabel kedua yakni MVEBVD yang mempunyai angka Sig. of F to Remove dibawah 0,05 yakni 0,021. Tabel 4.11 Eigenvalues Model Altman

Function 1

Eigenvalue 1.199(a)

% of Variance 100.0

Cumulative % 100.0

Canonical Correlation .738

a First 1 canonical discriminant functions were used in the analysis.

Pada tabel eigenvalues model Altman merupakan rasio antara jumlah kuadrat dalam kelompok dengan jumlah kuadrat antar kelompok. Persamaan diskriminan yang dihasilkan tersebut mempunyai nilai eigenvalues sebesar 1.199 yang mampu menjelaskan 100% nilai koreksi antara persamaan diskriminan dengan kelompok yang telah didefinisikan diukur dengan nilai canonical

58

correlation sebesar 0,738 yang berarti bahwa hubungan antara persamaan diskriminan dengan kelompok yang telah didefinisikan sebesar 73,8%. Sementara kemampuan persamaan diskriminan mampu menjelaskan varians dari variabel dependen yang diperoleh dari nilai canonical correlation yang dikuadratkan sehingga diperoleh nilai 0,5446 atau 54,46% varians dari variabel dependen yang hendak dibedakan oleh variabel independen dapat dijelaskan melalui persamaan diskriminan yang telah dihasilkan. Hasil pengujian hipotesis II untuk model Springate adalah sebagai berikut : Tabel 4.12 Variables Entered/Removed(a,b,c,d) Model Springate Step

Entered

Min. D Squared

Statistic

Exact F

Statistic

df2

Sig.

Statistic

df1

Statistic

Between Groups

df2

Sig.

1 WCTA

4.988

Bank Tidak Bermasalah and Bank Bermasalah

78.375

1

75.000

2.83E-013

At each step, the variable that maximizes the Mahalanobis distance between the two closest groups is entered. a Maximum number of steps is 8. b Maximum significance of F to enter is .05. c Minimum significance of F to remove is .10. d F level, tolerance, or VIN insufficient for further computation.

Tabel 4.13 Wilks' Lambda Model Springate Step

Number of Variables Statistic

1

1

Lambda

df1

df1

df2 .489

df2

df3

Sig. 1

Exact F

Statistic 1

75

df1

df2 78.375

Sig. 1

Statistic

75.000

.000

59

Tabel 4.12 menyajikan variabel mana saja dari empat variabel pada model Springate yang bisa dimasukkan (entered) dalam persamaan diskriminan dimulai dari variabel yang memiliki angka F statistik terbesar. Pada tahap pertama angka F hitung variabel WCTA adalah yang terbesar, mencapai 78.375. Sehingga pada metode stepwise ini hanya variabel WCTA yang terpilih. Variabel WCTA ini memiliki angka signifikan lebih kecil dari 0.05, dengan demikian, dari empat variabel yang dimasukkan untuk rasio keuangan model Springate hanya ada satu variabel

yang

signifikan.

Sehingga,

variabel

WCTA

secara

signifikan

mempengaruhi bermasalah atau tidaknya suatu bank, serta hasil stepwise ini mampu membedakan metode kondisi bank berdasarkan pada nilai Wilk’s Lambda dan nilai minimum Mahalanobis distance. Tabel 4.14 Variables in the Analysis Model Springate Step 1

WCTA

Tolerance 1.000

Sig. of F to Remove .000

Untuk tabel 4.14 menunjukkan perincian dari proses stepwise pada tabel sebelumnya. Pada metode stepwise ini hanya variabel WCTA yang masuk ke dalam model diskriminan. Hal ini disebabkan variabel tersebut mempunyai angka Sig. of F to Remove yang paling sedikit, yakni 0,000 (jauh dibawah 0,05). Tabel 4.15 Eigenvalues Model Springate Canonical Correlation Eigenvalue % of Variance Cumulative % 1.045(a) 100.0 100.0 .715 a First 1 canonical discriminant functions were used in the analysis.

Function 1

60

Pada tabel eigenvalues model Springate merupakan rasio antara jumlah kuadrat dalam kelompok dengan jumlah kuadrat antar kelompok. Persamaan diskriminan yang dihasilkan tersebut mempunyai nilai eigenvalues sebesar 1.045 yang mampu menjelaskan 100% nilai koreksi antara persamaan diskriminan dengan kelompok yang telah didefinisikan diukur dengan nilai canonical correlation sebesar 0,715 yang berarti bahwa hubungan antara persamaan diskriminan dengan kelompok yang telah didefinisikan sebesar 71,5%. Sementara kemampuan persamaan diskriminan mampu menjelaskan varians dari variabel dependen yang diperoleh dari nilai canonical correlation yang dikuadratkan sehingga diperoleh nilai 0,5112 atau 51,12% varians dari variabel dependen yang hendak dibedakan oleh variabel independen dapat dijelaskan melalui persamaan diskriminan yang telah dihasilkan. Penelitian ini menjelaskan variabel prediktor mana yang mempunyai discriminating power dalam memprediksi kondisi bermasalah bank pada model Altman maupun model Springate sehingga mendukung hipotesis II yang diajukan oleh peneliti bahwa Model Altman dan Model Springate memiliki variabel prediktor yang mempunyai discriminating power dalam memprediksi kondisi bermasalah bank.

5. Pengujian Hipotesis III Pengujian hipotesis III dengan metode stepwise ditunjukkan pada tabel 4.16 dan 4.17 memperlihatkan hasil perhitungan koefisien fungsi diskriminan masing-masing model prediksi.

61

Tabel 4.6 Canonical Discriminant Function Coefficients Model Altman Function WCTA

1 16.654

MVEBVD

.202

(Constant)

-.916

Unstandardized coefficients

Berdasarkan tabel 4.16 tersebut diatas diperoleh fungsi diskriminan sebagai berikut: Z Score = - 0,916 + 16,654 WCTA + 0,202 MVEBVD Persamaan model diskriminan Altman ini digunakan untuk menghasilkan diskriminan score yang berfungsi untuk memprediksi pengklasifikasian suatu objek (kelompok bermasalah atau tidak bermasalah). Tabel 4.17 Functions at Group Centroids Function Kondisi Bank Bank Tidak Bermasalah

1 .683

Bank Bermasalah

-1.709

Unstandardized canonical discriminant functions evaluated at group means

Dari hasil tabel Function of Group Centroids, kita akan menentukan critical cutting score untuk pengklasifikasian tiap bank dengan formula sebagai berikut : ZCU = NAZB + NBZA NA + NB

62

Dimana : ZCU

= Critical Cutting Score, angka kritis yang berfungsi sebagai cut off.

NA

= Jumlah sampel dalam grup A (tidak bermasalah)

NB

= Jumlah sampel dalam grup B (bermasalah)

ZA

= Nilai centroid untuk grup A

ZB

= Nilai centroid untuk grup B

ZCU = 55* (-1,709)+ 22* 0,683 55+22 ZCU = -1,026 Sehingga untuk model Altman penentuan nilai batas didasarkan pada nilai rata-rata dari jumlah Z total score dari masing-masing bank yang diperoleh nilai 1,026. Standar yang digunakan untuk menilai bahwa bank tersebut dikategorikan bermasalah atau tidak bermasalah adalah : a. Bila Z score hitung < -1,026 maka bank dikategorikan bermasalah. b. Bila Z score hitung > -1,026 maka bank dikategorikan tidak bermasalah. Contoh untuk sampel pertama Bank Mutiara triwulan I tahun 2007 Z1 = - 0,916 + 16,654 (-0,035) + 0,202 (0,021) Z1 = -1,49. Oleh karena nilai Z1 < -1,026 maka sampel pertama Bank Mutiara triwulan I tahun 2007 diklasifikasikan dalam kategori bank bermasalah. Hasil lengkap perhitungan diskriminan skor untuk bank-bank lainnya dapat dilihat pada tabel casewise di output diskriminan model Altman. Tabel casewise statistic berisi rincian tiap objek dan pengklasifikasiannya berdasarkan model diskriminan Altman yang terbentuk (predicted group) dan dibandingkan dengan kondisi

63

sebenarnya (actual group). Contoh untuk sampel pertama Bank Mutiara triwulan I tahun 2007 pada data aktualnya dikategorikan dalam kelompok kondisi bank bermasalah dan hasil predicted group-nya juga dikelompokkan dalam kondisi bank bermasalah. Pada sampel ketiga untuk Bank Mayapada triwulan I tahun 2007 data aktualnya adalah tidak bermasalah kemudian oleh model diskriminan Altman dikelompokkan menjadi bank bermasalah (terjadi salah klasifikasi). Ada 4 bank yang diberi tanda ** yang terjadi salah klasifikasi menurut model Altman yaitu bank dengan nomor urut sampel 3, 29, 30 dan 71. Dari

tabel

menggambarkan

4.18

merupakan

crosstabulasi

antara

tabel model

Classification awal

Result

(original)

yang dengan

pengklasifikasian hasil model diskriminan (predictif group membership). Untuk tes keakuratan pengelompokkan bank bermasalah dan tidak bermasalah dalam tabel ini menyatakan pada kolom merupakan dua nilai prediksi dari variabel terikat yaitu kondisi bank, dalam hal ini bank bermasalah (1) dan bank tidak bermasalah (0). Pada model yang sempurna, maka semua kasus akan berada pada diagonal dengan tingkat ketepatan peramalan 100%. Hasilnya menunjukkan pada kolom, prediksi bank yang bermasalah ada 19 bank-bank bermasalah, sedangkan pada baris hasil observasi sesungguhnya yang bermasalah terdapat 22 bank. Jadi ketepatan model Altman ini untuk bank yang bermasalah adalah 19/22 atau 86,4%. Prediksi bank yang tidak bermasalah ada 55 bank-bank tidak bermasalah sedangkan pada baris, hasil observasi sesungguhnya yang tidak bermasalah 54 bank dan 1 sisanya bermasalah. Jadi ketepatan model Altman ini untuk bank yang

64

tidak bermasalah adalah 54/55 atau 98,2%. Untuk tingkat akurasi keseluruhan sebesar 94,8% sebagaimana dapat dilihat pada tabel 4.18 (Lampiran Halaman 15). Tabel 4.18 Classification Result Model Altman Prediksi Kondisi

Bank

Bank

Tidak

Bermasalah

Bermasalah

Tingkat Akurasi (%)

Bank Tidak Bermasalah

54

1

98,2%

Bank Bermasalah

3

19

86,4%

Tingkat Akurasi

94,8%

Keseluruhan

3,90%

Type 1 Error

1,30%

Type 2 Error Sumber Data : Output SPSS, diolah Hasil pengujian untuk model Springate dengan metode stepwise adalah sebagai berikut :

Tabel 4.19 Canonical Discriminant Function Coefficients Model Springate Function WCTA

1 18.505

(Constant)

-.755

Unstandardized coefficients

Berdasarkan tabel 4.19 tersebut diatas diperoleh fungsi diskriminan sebagai berikut: Z Score = - 0,755 + 18,505 WCTA

65

Persamaan menghasilkan

model

diskriminan

diskriminan

score

Springate

yang

berfungsi

ini

digunakan untuk

untuk

memprediksi

pengklasifikasian suatu objek (kelompok bermasalah atau tidak bermasalah). Tabel 4.20 Functions at Group Centroids Model Springate Function Kondisi Bank Bank Tidak Bermasalah

1 .638

Bank Bermasalah

-1.595

Unstandardized canonical discriminant functions evaluated at group means

Dari hasil tabel Function of Group Centroids, kita akan menentukan critical cutting score untuk pengklasifikasian tiap bank dengan formula sebagai berikut : SCU = 55* (-1,595)+ 22* 0,638 55+22 SCU = -0,957 Sehingga untuk model Springate penentuan nilai batas didasarkan pada nilai rata-rata dari jumlah S total score dari masing-masing bank yang diperoleh nilai

-0,957. Standar yang digunakan untuk menilai bahwa bank tersebut

dikategorikan bermasalah atau tidak bermasalah adalah : c. Bila S score hitung < -0,957 maka bank dikategorikan bermasalah. d. Bila S score hitung > -0,957 maka bank dikategorikan tidak bermasalah. Contoh untuk sampel pertama Bank Mutiara triwulan I tahun 2007 S1 = - 0,755 + 18,505 (-0,035) S1 = -1,40.

66

Oleh karena nilai S1 < -0,957 maka sampel pertama Bank Mutiara triwulan I tahun 2007 diklasifikasikan dalam kategori bank bermasalah. Hasil lengkap perhitungan diskriminan skor untuk bank-bank lainnya dapat dilihat pada tabel casewise di output diskriminan model Springate. Tabel casewise statistic berisi rincian tiap objek dan pengklasifikasiannya berdasarkan model diskriminan Springate yang terbentuk (predicted group) dan dibandingkan dengan kondisi sebenarnya (actual group). Contoh untuk sampel pertama Bank Mutiara triwulan I tahun 2007 pada data aktualnya dikategorikan dalam kelompok kondisi bank bermasalah dan hasil predicted group-nya juga dikelompokkan dalam kondisi bank bermasalah. Pada sampel ketiga untuk Bank Mayapada triwulan I tahun 2007 data aktualnya adalah tidak bermasalah kemudian oleh model diskriminan Springate dikelompokkan menjadi bank bermasalah (terjadi salah klasifikasi). Ada 4 bank yang diberi tanda ** yang terjadi salah klasifikasi menurut model Springate yaitu bank dengan nomor urut sampel 3, 29, 30 dan 71. Dari

tabel

menggambarkan

4.21

merupakan

crosstabulasi

antara

tabel model

Classification awal

Result

(original)

yang dengan

pengklasifikasian hasil model diskriminan (predictif group membership). Untuk tes keakuratan pengelompokkan bank bermasalah dan tidak bermasalah dalam tabel ini menyatakan pada kolom merupakan dua nilai prediksi dari variabel terikat yaitu kondisi bank, dalam hal ini bank bermasalah (1) dan bank tidak bermasalah (0). Pada model yang sempurna, maka semua kasus akan berada pada diagonal dengan tingkat ketepatan peramalan 100%. Hasilnya menunjukkan pada kolom, prediksi bank yang bermasalah ada 19 bank-bank bermasalah, sedangkan

67

pada baris hasil observasi sesungguhnya yang bermasalah terdapat 22 bank. Jadi ketepatan model Springate ini untuk bank yang bermasalah adalah 19/22 atau 86,4%. Prediksi bank yang tidak bermasalah ada 55 bank-bank tidak bermasalah sedangkan pada baris, hasil observasi sesungguhnya yang tidak bermasalah 54 bank dan 1 sisanya bermasalah. Jadi ketepatan model Springate ini untuk bank yang tidak bermasalah adalah 54/55 atau 98,2%. Untuk tingkat akurasi keseluruhan sebesar 94,8% sebagaimana dapat dilihat pada tabel 4.21 (Lampiran Halaman 29). Tabel 4.21 Classification Result Model Springate Prediksi Kondisi

Bank

Bank

Tidak

Bermasalah

Bermasalah

Tingkat Akurasi (%)

Bank Tidak Bermasalah

54

1

98,2%

Bank Bermasalah

3

19

86,4%

Tingkat Akurasi

94,8%

Keseluruhan

3,90%

Type 1 Error

1,30%

Type 2 Error Sumber Data : Output SPSS, diolah

Penelitian ini menjelaskan ketepatan prediksi kondisi bermasalah yang menghasilkan tingkat akurasi keseluruhan yang sama yakni sebesar 94,8% sehingga mendukung hipotesis III yang diajukan oleh peneliti bahwa Model

68

Altman dan Model Springate memiliki ketepatan untuk memprediksi kondisi bermasalah.

C. Interpretasi Hasil Penelitian Pada Test of Equality of Group Means untuk model Altman didapatkan hasil bahwa variabel rasio keuangan WCTA, RETA, dan MVEBVD memiliki perbedaan yang signifikan antara kondisi bank yang tidak bermasalah dengan bank yang bermasalah. Hasil penelitian ini mendukung penelitian sebelumnya yang telah dilakukan oleh Siti Rodliyah (2005), Ryan Aryafinanda (2006), Muhammad Rifqi (2009) yang menunjukkan bahwa rasio keuangan model Altman memiliki perbedaan yang signifikan untuk memprediksi kondisi bermasalah. Untuk Test of Equality of Group Means pada model Springate didapatkan hasil bahwa variabel rasio keuangan WCTA memiliki perbedaan yang signifikan antara kondisi bank yang tidak bermasalah dengan bank yang bermasalah. Hasil penelitian ini mendukung penelitian sebelumnya yang telah dilakukan oleh Muhammad Rifqi (2009) yang menunjukkan bahwa rasio keuangan model Springate memiliki perbedaan yang signifikan untuk memprediksi kondisi bermasalah. Untuk variabel WCTA pada Model Altman dan Model Springate memiliki perbedaan yang signifikan antara kondisi bank yang tidak bermasalah dengan bank yang bermasalah disebabkan karena WCTA merupakan rasio likuiditas yang berarti menunjukkan bahwa seberapa besar kemampuan bank dalam melunasi

69

kewajiban-kewajiban keuangan yang segera dapat dicairkan pada saat jatuh tempo. Jika deposan akan menarik atau menguangkan kembali titipannya dan bank tidak mampu membayar maka akan timbul keresahan nasabah. Sehingga mendorong masyarakat untuk berbondong-bondong dating ke bank dan jika bank tidak mampu melunasi kewajibannya dengan sendirinya bank tidak lagi dipercaya masyarakat, sehingga variabel WCTA mampu membedakan kondisi bank yang bermasalah dan bank yang sehat serta mampu mempengaruhi kondisi bermasalah bank. Hasil penelitian ini juga mendukung teori yang dikemukakan oleh Agus Daryanto (1991) yakni tidak ada bank yang bangkrut karena rentabilitas, tapi suatu bank akan bangkrut karena likuiditas. Untuk variabel RETA pada model Altman memiliki perbedaan yang signifikan antara bank yang tidak bermasalah dan bank yang bermasalah disebabkan karena variabel RETA merupakan rasio profitabilitas yang menunjukkan bahwa apabila bank memiliki tingkat laba yang cukup maka keuntungan bank tersebut dapat dibagi kepada pemegang saham dan atas persetujuan pemegang saham sebagian dari laba dapat disisihkan sebagai cadangan. Sehingga dengan bertambahnya cadangan akan menaikkan kredibilitas bank tersebut dimata masyarakat. Profitabilitas dari bank dengan modal bank kuat maka membuat deposan tidak perlu merasa bimbang terhadap risiko seandainya simpanannya tidak dapat dilunasi oleh bank. Modal besar akan menutupinya jika terjadi kerugian atau risiko bank. Sebaliknya jika profitabilitas bank kecil maka bank akan mempunyai

70

sedikit cadangan yang apabila bank tersebut mengalami financial distress maka bank akan sulit untuk menutupi kerugian-kerugian dan risiko bank. Sehingga variabel RETA memiliki perbedaan yang signifikan antara kondisi bank yang tidak bermasalah dengan bank yang bermasalah. Untuk variabel MVEBVD pada model Altman memiliki perbedaan yang signifikan antara bank yang tidak bermasalah dan bank yang bermasalah disebabkan karena variabel MVEBVD merupakan rasio leverage yang menunjukkan

seberapa

besar

kemampuan

perusahaan

untuk

memenuhi

kewajiban-kewajiban dari nilai pasar modal sendiri (saham biasa). Dalam rasio leverage juga menunjukkan proporsi hutang perusahaan, apabila hutang perusahaan semakin besar maka semakin besar pula risiko perusahaan mengalami kebangkrutan. Sehingga variabel MVEBVD mampu membedakan kondisi bank yang bermasalah dan bank yang sehat serta mampu mempengaruhi kondisi bermasalah bank. Berdasarkan classification result model Altman diperoleh hasil bahwa model Altman memiliki tingkat ketepatan untuk memprediksi kondisi bermasalah suatu bank sebesar 94,8%, begitu pula dengan classification result yang diperoleh dari model Springate yakni sebesar 94,8%. Hal ini menunjukkan bahwa menurut peneliti tidak terdapat klasifikasi yang berbeda yang ditunjukkan oleh model Altman maupun model Springate karena hasil prosentase ketepatan klasifikasi yang sama nilainya. Untuk model Altman terdapat 3 variabel rasio keuangan yang berbeda signifikan untuk kondisi bank, sementara model Springate hanya terdapat 1 variabel rasio keuangan yang berbeda signifikan. Selain itu model Altman dari

71

segi variabel prediktor yang mempunyai discriminating power memiliki 2 variabel rasio keuangan yang menjadi prediktor yakni WCTA dan MVEBVD, sementara untuk model Springate hanya terdapat satu variabel yang memiliki discriminating power. Hasil penelitian ini mendukung penelitian sebelumnya yang dilakukan oleh Siti Rodliyah (2005), Robert Cristian Santoso (2006), Ryan Aryafinanda (2006) yang menyatakan bahwa model Altman memiliki tingkat ketepatan dalam memprediksi kondisi bermasalah bank / perusahan. Untuk ketepatan model Springate maka hasil penelitian ini mendukung penelitian sebelumnya yang dilakukan oleh Robert Cristian Santoso (2006) dan Muhammad Rifqi (2009) yang menyatakan bahwa model Springate memiliki tingkat ketepatan dalam memprediksi kondisi bermasalah bank / perusahan.

72

BAB V KESIMPULAN DAN IMPLIKASI

A. Kesimpulan Berdasarkan pembahasan yang dilakukan dalam penelitian ini yang menggunakan dua model rasio keuangan yakni model Altman dan model Springate maka diperoleh beberapa kesimpulan antara lain : 1. Rasio keuangan model Altman memiliki perbedaan yang signifikan antara bank yang bermasalah dengan bank tidak bermasalah yang ditunjukkan oleh variabel WCTA, RETA dan MVEBVD. Untuk rasio keuangan model Springate juga memiliki perbedaan yang signifikan antara bank yang bermasalah dengan bank tidak bermasalah yang ditunjukkan oleh variabel WCTA. 2. Pada model Altman variabel predictor yang mempunyai discriminating power adalah WCTA dan MVEBVD. Untuk model Springate variabel predictor yang mempunyai discriminating power adalah adalah WCTA. 3. Berdasarkan classification result model Altman dan model Springate memiliki ketepatan dalam memprediksi kondisi bermasalah bank dengan tingkat akurasi yang sama yakni sebesar 94.8%.

C.

Implikasi Hasil penelitian ini dapat dijadikan bahan pertimbangan bagi penelitian-

penelitian di bidang keuangan yang menggunakan model Altman dan Model

73

Springate dan mendorong arah riset di bidang keuangan untuk menggunakan kedua model tersebut. Bagi dunia perbankan, khususnya Bank Indonesia sebagai bank sentral di Indonesia, hasil penelitian ini dapat menjadi bahan masukan dan acuan untuk memprediksi kondisi bermasalah bank. Kemudian model prediksi kondisi bermasalah bank ini dapat juga digunakan sebagai early warning system oleh pihak pengelola bank. Yaitu sebagai alat untuk mengetahui sedini mungkin apakah bank memiliki sinyal bermasalah atau tidak, sehingga pengelola bank dapat segera melakukan pembenahan apabila bank tersebut diprediksi bermasalah agar bank yang bersangkutan tidak mengalami kondisi keuangan yang lebih buruk. Hendaknya bagi manajemen bank minimal satu tahun sekali melakukan evaluasi terhadap kinerja keuangannya dengan menggunakan analisis diskriminan model Altman dan model Springate karena bisa saja faktor-faktor yang mempengaruhi kinerja keuangan berubah seiring perkembangan bank dan ekonomi pada umumnya. Bagi bank yang mengalami kondisi bermasalah rata-rata disebabkan kecilnya rasio likuiditas (WCTA), sehingga untuk memperbaiki kinerja bank, maka manajemen harus meningkatkan working capital dengan cara meningkatkan asset lancar.

74

DAFTAR PUSTAKA

Afif, Faisal, dkk. “Strategi dan operasional bank”, Penerbit PT. Eresco Bandung, 1996. Altman, E, I. “Financial ratios, Discriminant analysis and the prediction of corporate bankruptcy”, Journal of Finance, Vol. XXIII No. 4, PP-589609, September 1968. Altman, E, I. “Predicting financial distress of companies: revisiting the Z-Score and zeta models”, Journal of Banking and Finance, 2000. Angelina, Liza. “Perbandingan early warning system (EWS) untuk memprediksi kebangkrutan bank umum di Indonesia”, Buletin ekonomi moneter dan perbankan, Desember 2004. Aryati, Titik dan Hekinus Manao. “Rasio keuangan sebagai prediktor bank bermasalah di Indonesia”, Simposium Nasional Akuntansi III, IAI, halaman 27-44, September 2000. Bank Indonesia : Bank Sentral Republik Indonesia, “Tinjauan kelembagaan kebijakan dan organisasi”, Pusat Pendidikan dan Studi Kebanksentralan Bank Indonesia, 2003. Beaver, William, H. “Financial ratios as predictors of failure”, empirical research in accounting, selected studies and discussions by Preston K Mears and by John Netor, PP 71-127, 1966. Boritz, J., Efrim, et all. “Predicting business failure in Canada”, January 15, 2007. Boy, Andree. “Analisis rasio keuangan untuk memprediksi financial distress perusahaan properti dan real estate yang terdaftar di Bursa Efek Indonesia”, Skripsi, UIN Syarif Hidayatullah Jakarta, 2009. Brahmana, Rayenda, K. “Identifying financial distress condition in Indonesia manufacture industry”, 2005. Darmawi, Hermawan. “Pasar financial dan lembaga-lembaga financial”, Penerbit Bumi Aksara, April 2006. Dykman, Dukes, Davis. “Akuntansi intermediate”, Penerbit Erlangga, 1996.

75

Endri. “Prediksi kebangkrutan bank untuk menghadapi dan mengelola perubahan lingkungan bisnis:Analisis model Altman Z-Score”, Jurnal Ekonomi dan Bisnis, ISSN. 1078-9017, 2009. Etty M. Nasser, Titik Aryati. “Model analisis CAMEL untuk memprediksi financial distress pada sektor perbankan yang go public”, Jurnal auditing dan akuntan Indonesia, Volume 4, No. 2, Jakarta, Desember 2000. Faguet, Dmitri. “Practical Financial Management”, John Wiley & Sons, Inc. 2003. Fanny, Margareta dan Sylvia Saputra. “Opini audit going concern: Kajian berdasarkan model prediksi kebangkrutan, pertumbuhan perusahaan, dan reputasi kantor akuntan publik (studi pada emiten Bursa Efek Jakarta)”, SNA VIII, Solo, September 2004. Foster, George. “Financial statement analysis”, Prentice Hall, Englewood Cliffs, New Jersey, 1986. Ghazali, Imam. “Analisis Multivariate Lanjutan dengan Program SPSS”, Badan Penerbit Universitas Diponegoro, Semarang, 2006. Hadad, M.D., W. Santoso dan Ita Rulina. “Indikator kepailitan di Indonesia; an additional early warning tools pada stabilitas keuangan”, Direktorat Penelitian dan Pengaturan Perbankan Bank Indonesia, 2003. Hadad, M.D., W. Santoso, Sarwedi. “Model prediksi kepailitan Bank Umum di Indonesia”, Direktorat Penelitian dan Pengaturan Perbankan Bank di Indonesia, 2004. Haryati, Sri. “Analisis kebangkrutan bank”, Jurnal Ekonomi dan Bisnis Indonesia, Volume 16, No. 4, Halaman 336-345, 2001. Jordan, Ross, Westerfield, Jalfe. “Corporate finance core principles in applications”, Mc Graw Hill-Irwin, 2007. Jordan, Ross, Westerfield. “Fundamentals of corporate finance”, Mc Graw-Hill Irwin, 2002. Kahya E. dan P. Theodossiou. “Predicting corporate financial distress: A timeseries cusum methodology, review of quantitative finance and accounting”, 13, 4:ABI/INFORM Global PG. 323, 1999. Kariawan, Hendi. “Perekonomian Indonesia dari bangkrut menuju makmur”, Teplok Press, Januari 2003.

76

Lalumaerissa, Julius, R. “Mengenal aspek-aspek operasi bank umum”, Penerbit Bumi Aksara, 1999. Latief, Dochak. “Pembangunan ekonomi dan kebijakan ekonomi global”, Muhammadiyah University Press, 2002. Luciana, S.A. “Analisis faktor-faktor yang mempengaruhi kondisi financial distress suatu perusahaan yang terdaftar di Bursa Efek Jakarta”, Jurnal Riset Akuntansi Indonesia (JRAI), Vol 7 No.1, 2004. Luciana, S.A. “Prediksi kondisi financial distress perusahaan go public dengan menggunakan analisis multinomial logit”, Jurnal Ekonomi dan Bisnis, Vol XII No. 1, ISSN:0854-9087, Maret 2006. Luciana, S.A. dan Kristijadi. “Analisis rasio keuangan untuk memprediksi kondisi financial distress perusahaan manufaktur yang terdaftar di Bursa Efek Jakarta”, Jurnal Akuntansi dan Auditing Indonesia (JAAI). Vol.7 No.2. ISSN, 1410-2420, 2003. Manurung, Mandala dan Prathama, Rahardja. “Uang, perbankan dan ekonomi moneter (kajian kontekstual Indonesia), Penerbitan fakultas ekonomi Universitas Indonesia, 2004. Mishkin, Frederic, S. “Ekonomi uang, perbankan, dan pasar keuangan”, Penerbit Salemba, Buku 1 Edisi 8, 2008. Muslim, Rahman. “Prediksi kondisi financial distress perusahaan go public dengan menggunakan analisis multinomial logit”, Skripsi, UIN Syarif Hidayatullah Jakarta, 2008. Myers, Brealey. “Principles of corporate finance”, Mc Graw-Hill, 2003. Ohlson, James A. “Financial ratios and the probability prediction of bankruptcy”, Journal of Accounting Research, Vol. 18 No.1 Spring PP. 109-131, 1980. Platt, H. dan M. B. Platt. “Development of a class of stable predictive variables: The case of bankruptcy predictions”, Jurnal of Business Finance and Accounting 17: 31-51, 1990. Prasetiantono, A. “Bencana financial”, Penerbit Buku Kompas, 2008. Prasetiantono, Tony, A. “Rambu-rambu yang diabaikan”, Penerbit Buku Kompas, September 2005.

77

Prihadi, Toto. “Deteksi cepat kondisi keuangan : 7 analisis rasio keuangan studi kasus perusahaan Indonesia”, Pengembangan Eksekutif, 2008. Putranto, Hartri. “Kompilasi manajemen keuangan”, Fakultas Ekonomi Universitas Mercubuana, 2009. Rahmat, T. “Penerapan Z-Score untuk memprediksi kesulitan keuangan dan kebangkrutan perbankan indonesia (studi kasus kebijaksanaan Bank Indonesia tanggal 13 Maret 1999 terhadap 18 bank publik)”, Jakarta, 2002. Rodliyah, Siti. “Penerapan analisis diskriminan Altman untuk memprediksi tingkat kebangkrutan (studi kasus pada perusahaan tekstil dan produk tekstil yang tercatat di Bursa Efek Jakarta), 2004. Ross M. Miller. “Experimental economics”, Willey, 2002. Rudyawan, Arry, Pratama dan I Nyoman Dewa Badera. “Opini audit going concern kajian berdasarkan model prediksi kebangkrutan, pertumbuhan perusahaan, dan reputasi auditor”, 2008. Samaroni, Umaris. “Penentuan indikator kebangkrutan perusahaan properti pada Bursa Efek Jakarta periode tahun 1999-2003”, Skripsi, UIN Syarif Hidayatullah Jakarta, 2005. Santosa, Arga, Fajar dan Linda Kusumaning Wedasi. “Analisis faktor-faktor yang mempengaruhi kecendrungan penerimaan opini audit going concern”, JAAI Volume II No. 2, Desember 2007. Sarwanih. “Perbandingan antara Model Altman dan Model Shumway terhadap prediksi kondisi financial distress perusahaan manufaktur”, Skripsi, UIN Syarif Hidayatullah Jakarta, 2007. Siamat, Dahlan. “Manajemen Lembaga Keuangan”, Edisi Keempat, Fakultas Ekonomi Universitas Indonesia, Jakarta, 2004. Simorangkir, O.P. “Pengantar lembaga keuangan bank dan non bank”, Ghalia Indonesia, 2004. Sugiarto, Agus, Eko. “Aplikasi statistik dengan SPSS 16.0”, Prestasi Pustakaraya, Jakarta, 2009. Suharyadi dan Purwanto. “Statistika untuk ekonomi dan keuangan modern”, Penerbit Salemba 4, 2004.

78

Suranto dan Anand Miftachur Riza. “Penentuan strategi pemasaran berdasarkan perilaku konsumen dengan metode diskriminan (kasus di PT. Gudang Rabat Alfa Retailindo Solo)”, Jurnal Ilmiah Teknik Industri Volume 04 No. 01, Agustus 2005. Umar, Husein. “Research methods in finance and banking”, PT. Gramedia Pustaka Utama, Jakarta, 2002. Wawan, Hermawan dan Tari, Lestari. “Analisis Multivariat dan Aplikasi SPSS”, Fakultas Ekonomi Universitas Padjajaran, 2007. Whitaker, R. B. “The early stages of financial distress”, Journal of Economics and Finance, 23:123-133. Wilopo. “Prediksi kebangkrutan bank”, Jurnal Riset Akuntansi Indonesia, Volume 4 No. 2, Mei 2001. Yamin, Sofyan dan Heri Kurniawan. “SPSS Complete teknik analisis statistik terlengkap dengan software SPSS”, Salemba Infotek, 2009.

79