prediksi rasio keuangan terhadap...
TRANSCRIPT
1
PREDIKSI RASIO KEUANGAN TERHADAP KONDISI
FINANCIAL DISTRESS PERUSAHAAN MANUFAKTUR
YANG TERDAFTAR DI BEI PERIODE 2005-2009
Feri Dwi Ardiyanto
Drs. H. Prasetiono, M.Si
Universitas Diponegoro
Abtract
This research aims to test the effect of financial ratios which are CACL,
CATA, WCTA, NITA, RETA, SETA, TLTA, STA, and ITO to predict the probability
of financial distress in the manufacturing companies listed in Indonesia Stock
Exchange for the period of 2005-2009.
Data used in this research are secondary ones which obtained from
Indonesian Capital Market Directory (ICMD). Financial data from 2005 to 2007
are processed ones used to independent variabels and data in 2008-2009 are used
as guidance to determine financial distress status using a negative EPS of 2 (two)
consecutive years. This study used 102 manufacturing company as samples which
consist of 89 non-financial distress and 13 financial distress.
Hypothesis of this research are tested by analysis model of 1 year, 2 years
and 3 years before financial distress. Result of data analysis using logistic
regression method shows that the analysis model of 1 year before financial
distress produces the highest prediction accuracy overall that is 94,1%. The test
results with 3 analysis models also shows that the variable of CACL, WCTA and
NITA significantly influence probability of financial distress with 5% level of
signficancy.
Keyword : financial distress, financial ratios, earning per share, logistic
regression.
2
PENDAHULUAN
1. Latar Belakang Masalah
Krisis finansial global yang terjadi pada tahun 2008 telah menimbulkan
berbagai kesulitan terutama dalam perkembangan dunia usaha. Indonesia juga
termasuk negara yang merasakan dampak dari krisis tersebut. Beberapa
perusahaan manufaktur di Indonesia merasakan dampak dari krisis finansial
global tersebut, diantaranya mengalami penurunan dalam berproduksi karena
permintaan yang menurun sehingga hal tersebut juga mempengaruhi dalam
penjualannya. Bahkan, penurunan penjualan ini juga membuat beberapa
perusahaan mengalami net income dan EPS yang negatif, seperti yang terlihat
pada tabel 1.1 berikut :
Tabel 1.1
Tren Penjualan (Million Rp), Net Income (Million Rp), dan Earning Per
Share (EPS) Pada Beberapa Perusahaan Manufaktur yang terdaftar di
Bursa Efek Indonesia Periode 2005-2009
Perusahaan Ukuran Tahun
2005 2006 2007 2008 2009
PT. Aneka
Kemasindo
Utama Tbk
Sales 25,514 22,354 23,062 8,070 2,562
Net
Income 1,485 120 -38 -8,121 -5,664
EPS 6 1 0 -35 -25
PT. Siwani
Makmur
Tbk
Sales 89,371 91,097 80,823 20,152 1,715
Net
Income 2,204 1,090 4,436 -8,973 -10,004
EPS 24 12 48 -97 -108
PT. Prima
Alloy Steel
Tbk
Sales 688,563 746,121 658,094 410,673 161,201
Net
Income 4,600 -2,761 2,774 -14,813 -36,216
EPS 8 -5 5 -25 -62
PT. Eratex
Djaja Tbk
Sales 528,108 580,863 631,987 334,280 247,105
Net
Income -16,412 -6,049 -2,512 -110,336 -25,372
EPS -167 -62 -26 -1,123 -258
PT.
Davomas
Abadi Tbk
Sales 1,120,893 1,656,584 2,800,084 3,392,847 406,063
Net
Income 90,069 196,277 208,456 -510,652 -226,749
EPS 15 16 17 -41 -18
Sumber : ICMD yang diolah
3
Apabila hal ini dibiarkan saja, maka perusahaan bisa kesulitan dalam
menjaga likuiditasnya yang dapat memicu terjadinya financial distress dan pada
akhirnya terjadi kebangkrutan. Secara umum kinerja perusahaan ditunjukkan dari
laporan keuangan perusahaan yang dipublikasikan. Laporan keuangan keuangan bisa
dipakai untuk memprediksi kesulitan keuangan (Hanafi dan Halim, 2005). Prediksi
tersebut dapat diukur dengan melakukan analisis dari laporan keuangan, yaitu
menggunakan rasio-rasio keuangan. Penelitian tentang financial distress terkait dengan
penggunaan rasio-rasio keuangan sudah dilakukan oleh beberapa peneliti dan hasilnya
menunjukkan adanya perbedaan rasio yang berpengaruh terhadap financial distress yaitu
rasio current assets to current liabilities (CACL) dari hasil penelitian Platt dan Platt
(2002) menunjukkan bahwa rasio CACL berpengaruh negatif dan signifikan terhadap
financial distress, sedangkan Pranowo (2010) menemukan bahwa rasio CACL
berpengaruh positif dan signifikan. Rasio current assets to total assets (CATA) dalam
penelitian Almilia (2006) ditunjukkan berpengaruh positif, sebaliknya Almilia dan
Kristijadi (2003) menunjukkan bahwa rasio CATA berpengaruh negatif. Pasaribu (2008)
dalam penelitiannya menyimpulkan rasio working capital to total assets (WCTA) positif
dan signifikan terhadap financial distress. Akan tetapi, Salehi (2009) berpendapat WCTA
berpengaruh negatif dan signifikan terhadap financial distress.
Net income to total assets (NITA) menurut Almilia dan Silvy (2003)
dalam penelitiannya berpengaruh positif signifikan terhadap perusahaan yang
mengalami kesulitan keuangan, sedangkan menurut Almilia (2004) rasio NITA
berpengaruh negatif dan signifikan terhadap kondisi financial distress suatu
perusahaan. Rasio retained earnings to total assets (RETA) menurut Almilia dan
Silvy (2003) berpengaruh positif signifikan, akan tetapi penelitian yang dilakukan
oleh Subagyo (2007) mengatakan yang sebaliknya, yaitu rasio RETA berpengaruh
negatif dan signifikan terhadap financial distress. Shareholder’s equity to total
assets (SETA) menurut Pranowo (2010) berpengaruh positif dan signifikan,
berbeda dengan hasil penelitian Almilia (2004) yang menunjukkan rasio SETA
berpengaruh negatif dan signifikan terhadap financial distress. Hasil penelitian
Jiming dan Weiwei (2011) menunjukkan bahwa total liabilities to total assets
(TLTA) berpengaruh positif dan signifikan, sedangkan menurut Almilia (2006)
rasio TLTA berpengaruh negatif dan signifikan terhadap financial distress. Rasio
4
sales to total assets (STA) berdasarkan penelitian Salehi (2009) berpengaruh
positif dan signifikan terhadap terjadinya financial distress, sedangkan menurut
Jiming dan Weiwei (2011) rasio STA berpengaruh negatif dan signifikan. Rasio
inventory turnover (ITO) dalam hasil penelitian Pasaribu (2008) menunjukkan
berpengaruh positif dan signifikan, sedangkan hasil yang berbeda ditunjukkan
oleh penelitian Jiming dan Weiwei (2011) bahwa rasio ITO berpengaruh negatif
dan signifikan terhadap terjadinya financial distress.
2. Rumusan Masalah
Rumusan masalah terkait dengan penurunan penjualan sampai net income
dan EPS negatif yang berpengaruh pada probabilitas financial distress perusahaan
manufaktur, dan terdapat perbedaan hasil rasio yang berpengaruh terhadap
financial distress sehingga diperlukan penelitian lebih lanjut untuk prediksi rasio
keuangan terhadap kondisi financial ditress perusahaan manufaktur yang terdaftar
di BEI periode 2005-2009. Berdasarkan research problem yang telah dipaparkan
dapat dirumuskan pertanyaan penelitian sebagai berikut:
1. Bagaimanakah pengaruh variabel Current assets to current liabilities
(CACL) terhadap financial distress?
2. Bagaimanakah pengaruh variabel Current assets to total assets
(CATA) terhadap financial distress?
3. Bagaimanakah pengaruh variabel Working capital to total assets
(WCTA) terhadap financial distress?
4. Bagaimanakah pengaruh variabel Net Income to total assets (NITA)
terhadap financial distress?
5. Bagaimanakah pengaruh variabel Retained Earnings to total assets
(RETA) terhadap financial distress?
6. Bagaimanakah pengaruh variabel Shareholder’s equity to total assets
(SETA) terhadap financial distress?
7. Bagaimanakah pengaruh variabel Total liabilities to total assets
(TLTA) terhadap financial distress?
8. Bagaimanakah pengaruh variabel Sales to total assets (STA) terhadap
financial distress?
5
9. Bagaimanakah pengaruh variabel Inventory turnover (ITO) terhadap
financial distress?
3. Tujuan Penelitian
Tujuan dari penelitian ini adalah menganalisis pengaruh variabel (CACL,
CATA, WCTA, NITA, SETA, RETA, TLTA, STA, dan ITO) terhadap financial
distress.
TELAAH PUSTAKA
1. Financial Distress dan Penelitian Terdahulu
Platt dan Platt (2002) mendefinisikan financial distress sebagai tahap
penurunan kondisi keuangan perusahaan yang terjadi sebelum terjadi
kebangkrutan ataupun likuidasi. Platt dan Platt (2002) juga menyoroti kurangnya
definisi yang konsisten ketika perusahaan memasuki kesulitan keuangan dan
mencoba untuk meringkas definisi operasional yang berbeda dari financial
distress dalam satu mekanisme seleksi. Sebuah perusahaan dianggap mengalami
financial distress jika salah satu kejadian berikut ini terjadi: mengalami laba
operasi bersih negatif selama beberapa tahun atau penghentian pembayaran
dividen, restrukturisasi keuangan atau PHK massal. Model Prediksi financial
distress sangat penting bagi beberapa pihak dan menurut Foster (1986) beberapa
pihak yang berkepentingan terhadap informasi tentang prediksi financial distress
perusahaan, yaitu pemberi pinjaman, investor, pembuat peraturan, pemerintah, auditor,
dan manajemen.
Dalam beberapa penelitian terdahulu terdapat berbagai ukuran untuk
menentukan kondisi financial distress perusahaan, diantaranya yaitu Denis dan
Denis (1990) mengidentifikasi kesulitan keuangan ketika perusahaan mengalami
kerugian (laba operasi sebelum pajak atau laba bersih negatif) setidaknya selama
tiga tahun berturut-turut. Whitaker (1999) mengukur financial distress dengan
adanya arus kas yang lebih kecil dari utang jangka panjang saat ini. Perusahaan
yang mempunyai Earning Per Share (EPS) negatif (Elloumi dan Gueyie, 2001).
Almilia (2004) menggunakan perusahaan yang delisted, dan Koes Pranowo, dkk
(2010) yang menggunakan DSC (Debt Service Coverage) untuk perusahaan yang
6
mengalami financial distress. Almilia dan Kristijadi (2003) dengan indikasi
beberapa tahun mengalami laba bersih operasi (net operating income) negatif dan
selama lebih dari satu tahun tidak melakukan pembayaran deviden. Penggunaan
rasio-rasio keuangan juga telah dilakukan oleh beberapa peneliti tersebut.
2. Pengaruh Rasio Keuangan Terhadap Financial Distress
Semakin tinggi rasio keuangan yang menunjukkan semakin baik likuiditas
memperlihatkan semakin baik kemampuan perusahaan dalam membayar
kewajiban-kewajiban jangka pendeknya sehingga terhindar dari kemungkinan
terjadinya financial distress. Diantaranya adalah rasio CACL, CATA, WCTA,
NITA, RETA, SETA, STA, dan ITO, dengan demikian dapat dimungkinkan
bahwa pola hubungan antara rasio-rasio tersebut dengan financial distress adalah
negatif. Sedangkan untuk rasio TLTA yang semakin tinggi berarti penggunaan
leverage keuangan juga semakin tinggi dan menunjukkan tingkat resiko yang
semakin tinggi pula sehingga dapat memicu terjadinya financial distress. Hal ini
menunjukkan pola hubungan rasio total liabilities to total assets terhadap
financial distress adalah positif.
3. Kerangka Pemikiran
Berdasarkan tujuan penelitian, landasan teori, dan perbedaan hasil
penelitian sebelumnya serta permasalahan yang telah dikemukakan, maka berikut
adalah kerangka pemikiran yang dituangkan dalam model penelitian pada gambar
2.1.
7
Gambar 2.1
Kerangka Pemikiran Teoritis
4. Hipotesis
Berdasarkan telaah pustaka dan uraian diatas, maka dapat dirumuskan
hipotesis sebagai berikut :
1. H1: Rasio Current assets to current liabilities (CACL) berpengaruh
negatif terhadap financial distress.
2. H2: Rasio Current assets to total assets (CATA) berpengaruh negatif
terhadap financial distress.
3. H3: Rasio Working capital to total assets (WCTA) berpengaruh negatif
terhadap financial distress.
4. H4: Rasio Net Income to total assets (NITA) berpengaruh negatif
terhadap financial distress.
Variabel Independen Variabel Dependen
Financial
Distress
CACL
TLTA
RETA
SETA
NITA
WCTA
CATA
STA
ITO
(-)
(-)
(-)
(-)
(-)
(-)
(-)
(+)
(-)
8
5. H5: Rasio Retained Earnings to total assets (RETA) berpengaruh
negatif terhadap financial distress.
6. H6: Rasio Shareholder’s equity to total assets (SETA)berpengaruh
negatif terhadap financial distress.
7. H7: Rasio Total liabilities to total assets (TLTA) berpengaruh positif
terhadap financial distress.
8. H8: Rasio Sales to total assets (STA) berpengaruh negatif terhadap
financial distress.
9. H9: Inventory turnover (ITO) berpengaruh negatif terhadap financial
distress.
METODE PENELITIAN
1. Variabel Penelitian
Variabel dependen yang digunakan dalam penelitian ini adalah kondisi
financial distress perusahaan yang dikelompokkan dengan ukuran, 0 untuk
perusahaan non-financial distress, 1 untuk perusahaan financial distress.
Perusahaan yang mengalami financial distress yaitu perusahaan yang memiliki
Earning Per Share (EPS) negatif 2 (dua) tahun berturut-turut, di mana hal tersebut
menandakan kinerja keuangan yang kurang baik dan apabila hal ini tidak menjadi
perhatian perusahaan maka bisa terjadi kondisi yang lebih buruk lagi yaitu
kebangkrutan. Hal ini sesuai dengan penjelasan diawal bahwa kondisi financial
distress terjadi sebelum kebangkrutan.
Variabel independen dalam penelitian ini berdasarkan research gap adalah
Current assets to current liabilities (CACL), Current assets to total assets
(CATA), Working capital to total assets (WCTA), Net Income to total assets
(NITA), Retained Earnings to total assets (RETA), Shareholder’s equity to total
assets (SETA), Total liabilities to total assets (TLTA), Sales to total assets
(STA), Inventory turnover (ITO).
2. Populasi dan Sampel
Populasi dalam penelitian ini adalah seluruh perusahaan manufaktur yang
laporan keuangannya terdaftar di Bursa Efek Indonesia (BEI) pada periode 2005-
9
2009. Sedangkan pemilihan sampel dilakukan berdasarkan metode purposive
sampling, yaitu pemilihan sampel perusahaan manufaktur selama periode
penelitian berdasarkan kriteria tertentu. Adapun tujuan dari metode ini untuk
mendapatkan sampel yang sesuai dengan kriteria yang telah ditentukan. Kriteria
penentuan sampel dari penelitian ini sebagai berikut :
1. Perusahaan manufaktur yang terdaftar di BEI dan menerbitkan laporan
keuangan selama periode 2005-2009.
2. Perusahaan memiliki data laporan keuangan lengkap pada periode 2005-
2009 (terutama untuk item-item laporan keuangan yang digunakan untuk
menghitung rasio-rasio keuangan pada penelitian ini).
Jumlah perusahaan manufaktur yang terdaftar di Bursa Efek Indonesia
(BEI) periode 2005-2009 adalah sebanyak 168 perusahaan. Selama periode
penelitian, perusahaan yang memenuhi kriteria penentuan sampel berjumlah 102
perusahaan. Selanjutnya dari sampel tersebut diklasifikasikan menjadi 2 yaitu
perusahaan yang mengalami financial distress sebanyak 13 perusahaan dan yang
tidak mengalami financial distress sebanyak 89 perusahaan.
3. Jenis dan Sumber Data
Jenis data yang digunakan dalam penelitian ini yaitu data sekunder. Data
sekunder tersebut berupa laporan keuangan dari perusahaan manufaktur yang
terdaftar pada Bursa Efek Indonesia (BEI) periode 2005-2009 yang diperoleh dari
ICMD (Indonesian Capital Market Directory).
4. Metode Analisis
Metode yang digunakan pada penelitian ini yaitu statistik deskriptif dan
analisis regresi logistik (Uji hipotesis). Statistik deskriptif digunakan untuk
menganalisis dan menyajikan data kuantitatif dengan tujuan untuk
menggambarkan data tersebut. Data yang akan dianalisis adalah gambaran
perusahaan yang dijadikan sampel dalam penelitian ini. Dengan statistik deskriptif
ini akan diketahui nilai rata-rata (mean), distribusi frekuensi, nilai minimum dan
maksimum serta deviasi standar. Data yang diteliti akan dikelompokkan ke dalam
dua kategori, yaitu perusahaan non-financial distress dan untuk perusahaan
financial distress.
10
Pengujian hipotesis dilakukan dengan menggunakan metode analisis
regresi logistik (logistic regression) karena memiliki satu variabel dependen
(terikat) yang non metrik (nominal) serta memiliki variabel independen (bebas)
lebih dari satu. Model yang digunakan yaitu :
Ln = β0 + β1 X1 + β2 X2 + …… + βn Xn
Keterangan:
p/ 1-p = Probabilitas perusahaan mengalami financial distress
β0 = Konstanta
βn = Koefisien regresi variabel independent
Xn = Variabel Independen
Dalam proses pengujian hipotesis dengan menguji rasio per tahun sebelum
financial distress, yaitu :
1) Pengujian pada 1 (satu) tahun sebelum financial distress.
2) Pengujian pada 2 (dua) tahun sebelum financial distress.
3) Pengujian pada 3 (tiga) tahun sebelum financial distress.
HASIL DAN ANALISIS
1. Analisis Statistik Deskriptif
Data yang dianalisis adalah data variabel tahun 2005-2007. Analisis ini
meliputi nilai minimum, maksimum, mean dan standar deviasi pada tahun 2005-
2007 dengan menggunakan program SPSS 17.00. Hasil dari statistik deskriptif ini
dapat disimpulkan bahwa nilai mean variabel CACL, CATA, WCTA, NITA,
RETA, SETA, STA, dan ITO perusahaan NFD lebih besar dibandingkan
perusahaan FD. Sedangkan nilai mean variabel TLTA perusahaan FD lebih besar
dibandingkan perusahaan NFD. Hasil analisis statistik deskriptif dapat dilihat
pada tabel 4.1 berikut:
p
1-p
11
Tabel 4.1
Statistik Deskriptif Tahun 2005-2007
Variabel FD NFD
Min. Max. Mean St. Dev. Min. Max. Mean St. Dev.
CACL 0,29 24,40 1,9067 4,03980 0,53 34,35 2,3079 2,66475
CATA 0,18 0,77 0,4746 0,16818 0,11 0,92 0,5467 0,19039
WCTA -1,34 0,41 -0,1403 0,40473 -0,32 0,86 0,2153 0,22047
NITA -0,23 0,07 -0,0279 0,06721 -0,14 0,97 0,0666 0,09190
RETA -2,07 0,38 -0,3864 0,56557 -3,51 0,72 0,0888 0,57424
SETA -1,38 0,84 0,1359 0,46857 0,00 0,95 0,4894 0,20629
TLTA 0,16 2,38 0,8603 0,46915 0,05 1,01 0,4951 0,20390
STA 0,43 3,35 1,0813 0,68740 0,22 3,24 1,2433 0,56449
ITO 2,03 16,18 5,3231 3,20569 1,28 689,22 10,0193 44,43227
Sumber : Hasil pengolahan data
2. Pengujian Hipotesis
Rasio 1 tahun sebelum financial distress
Data yang digunakan untuk menganalisis rasio 1 tahun sebelum financial
distress yaitu rasio tahun 2007. Pada uji Hosmer and Lemeshow dan diperoleh
angka sebesar 3,046. Probabilitas signifikansi menunjukkan angka 0,931 yang
jauh lebih besar dari 0.05 maka Ho tidak dapat ditolak (diterima). Hal ini berarti
model regresi layak dipakai untuk analisis selanjutnya, karena tidak ada perbedaan
yang nyata antara klasifikasi yang diprediksi dengan klasifikasi yang diamati
seperti terlihat pada tabel 4.2 berikut :
Tabel 4.2
Hasil Uji Hosmer and Lemeshow Model Analisis 1
Sumber : Hasil pengolahan data SPSS 17.00
Langkah selanjutnya yaitu menilai keseluruhan model (overall model fit)
yang dapat dilihat dari nilai -2 Log Likelihood (- 2 LL) pada tabel 4.3 berikut :
Hosmer and Lemeshow Test
Step Chi-square df Sig.
1 3.046 8 .931
12
Tabel 4.3
Hasil Uji Overall Model Fit Model Analisis 1
Sumber : Hasil pengolahan data SPSS 17.00
Tabel 4.3 menunjukkan bahwa nilai -2 LL pada awal (Block Number = 0),
dimana model hanya memasukkan konstanta sebesar 77,828, sedangkan nilai -2
LL pada saat Block Number = 1, dimana model memasukkan konstanta dan
variabel bebas turun menjadi 26,866. Hal ini berarti -2 LL Block Number = 0
lebih besar dibandingkan dengan nilai -2 LL Block Number = 1 atau model
regresi dikatakan layak atau lebih baik. Tabel 4.4 juga menunjukkan nilai Cox &
Snell R Square sebesar 0,393 dan nilai Nagelkerke R Square sebesar 0,737 yang
berarti variabilitas variabel dependen yang dapat dijelaskan oleh variabilitas
variabel independen sebesar 73,7%.
Iteration Historya,b,c
Iteration -2 Log likelihood
Coefficients
Constant
Step 0 1 80.200 -1.490
2 77.866 -1.866
3 77.829 -1.922
4 77.828 -1.924
5 77.828 -1.924
a. Constant is included in the model.
b. Initial -2 Log Likelihood: 77.828
c. Estimation terminated at iteration number 5 because
parameter estimates changed by less than .001.
Model Summary
Step -2 Log likelihood
Cox & Snell R
Square
Nagelkerke R
Square
1 26.866a .393 .737
a. Estimation terminated at iteration number 9 because parameter
estimates changed by less than .001.
13
Tabel klasifikasi model analisis 1 menunjukkan bahwa ketepatan model
ini secara keseluruhan sebesar 94,1%, seperti terlihat pada tabel 4.4 berikut:
Tabel 4.4
Tabel Klasifikasi Model Analisis 1
Sumber : Hasil pengolahan data SPSS 17.00
Pengujian koefisien regresi untuk menguji seberapa jauh semua variabel
bebas yang dimasukkan dalam model mempunyai pengaruh terhadap variabel
terikat. Koefisien regresi dapat ditentukan dengan menggunakan Wald statistic
dan nilai probabilitas (Sig.) seperti terlihat pada tabel 4.5 berikut:
Classification Tablea
Observed
Predicted
Status
Percentage
Correct
0 1
Step 1 Status 0 88 1 98.9
1 5 8 61.5
Overall Percentage 94.1
a. The cut value is .500
14
Tabel 4.5
Hasil Uji Koefisien Regresi Logistik Model Analisis 1
Sumber : Hasil pengolahan data SPSS 17.00
Berdasarkan tabel 4.5 diatas, hasilnya sebagai berikut :
Variabel CACL signifikan pada tingkat 5% dan nilai Wald statistic sebesar
6,001 yang lebih besar dibandingkan Chi-Square tabel sebesar 3,841.
Koefisien regresi untuk variabel CACL sebesar 0,897 dan bertanda positif,
yang menunjukkan bahwa variabel CACL berpengaruh positif terhadap
probabilitas financial distress suatu perusahaan.
Variabel WCTA signifikan pada tingkat 5% dan nilai Wald statistic
sebesar 3,880 yang lebih besar dibandingkan Chi-Square tabel sebesar
3,841. Koefisien regresi untuk variabel WCTA sebesar -12,353 dan
bertanda negatif, yang menunjukkan bahwa variabel WCTA berpengaruh
negatif terhadap probabilitas financial distress suatu perusahaan.
Sedangkan variabel yang lain yaitu: CATA, NITA, SETA, RETA, TLTA,
STA, dan ITO tidak signifikan pada tingkat 5% dan nilai Wald statistic
yang lebih kecil dibandingkan Chi-Square tabel sebesar 3,841.
Variables in the Equation
B S.E. Wald df Sig. Exp(B)
Step 1a CACL .897 .366 6.001 1 .014 2.452
CATA -.655 5.385 .015 1 .903 .520
WCTA -12.353 6.272 3.880 1 .049 .000
NITA -55.137 30.432 3.283 1 .070 .000
RETA -2.236 1.547 2.089 1 .148 .107
SETA 56.706 46.098 1.513 1 .219 4.236E24
TLTA 55.349 45.722 1.465 1 .226 1.091E24
STA -.699 1.998 .122 1 .727 .497
ITO -.053 .089 .345 1 .557 .949
Constant -56.122 46.066 1.484 1 .223 .000
a. Variable(s) entered on step 1: CACL, CATA, WCTA, NITA, RETA, SETA, TLTA, STA, ITO.
15
Rasio 2 tahun sebelum financial distress
Data yang digunakan untuk menganalisis rasio 2 tahun sebelum financial
distress yaitu rasio tahun 2006. Pada uji Hosmer and Lemeshow dan diperoleh
angka sebesar 4,083. Probabilitas signifikansi menunjukkan angka 0,850 yang
jauh lebih besar dari 0.05 maka Ho tidak dapat ditolak (diterima). Hal ini berarti
model regresi layak dipakai untuk analisis selanjutnya, karena tidak ada perbedaan
yang nyata antara klasifikasi yang diprediksi dengan klasifikasi yang diamati,
seperti terlihat pada tabel 4.6 berikut :
Tabel 4.6
Hasil Uji Hosmer and Lemeshow Model Analisis 2
Sumber : Hasil pengolahan data SPSS 17.00
Langkah selanjutnya yaitu menilai keseluruhan model (overall model fit)
yang dapat dilihat dari nilai -2 Log Likelihood (- 2 LL) pada tabel 4.7 berikut :
Tabel 4.7
Hasil Uji Overall Model Fit Model Analisis 2
Hosmer and Lemeshow Test
Step Chi-square df Sig.
1 4.083 8 .850
Iteration Historya,b,c
Iteration -2 Log likelihood
Coefficients
Constant
Step 0 1 80.200 -1.490
2 77.866 -1.866
3 77.829 -1.922
4 77.828 -1.924
5 77.828 -1.924
a. Constant is included in the model.
b. Initial -2 Log Likelihood: 77.828
c. Estimation terminated at iteration number 5 because
parameter estimates changed by less than .001.
16
Sumber : Hasil pengolahan data SPSS 17.00
Tabel 4.7 menunjukkan bahwa nilai -2 LL pada awal (Block Number = 0),
dimana model hanya memasukkan konstanta sebesar 77,828, sedangkan nilai -2
LL pada saat Block Number = 1, dimana model memasukkan konstanta dan
variabel bebas turun menjadi 45,894. Hal ini berarti -2 LL Block Number = 0
lebih besar dibandingkan dengan nilai -2 LL Block Number = 1 atau model
regresi dikatakan layak atau lebih baik. Tabel 4.8 juga menunjukkan nilai Cox &
Snell R Square sebesar 0,269 dan nilai Nagelkerke R Square sebesar 0,504 yang
berarti variabilitas variabel dependen yang dapat dijelaskan oleh variabilitas
variabel independen sebesar 50,4%.
Tabel klasifikasi model analisis 2 menunjukkan bahwa ketepatan model
ini secara keseluruhan sebesar 93,1%, seperti terlihat pada tabel 4.8 berikut:
Tabel 4.8
Tabel Klasifikasi Model Analisis 2
Sumber : Hasil pengolahan data SPSS 17.00
Model Summary
Step -2 Log likelihood
Cox & Snell R
Square
Nagelkerke R
Square
1 45.894a .269 .504
a. Estimation terminated at iteration number 8 because
parameter estimates changed by less than .001.
Classification Tablea
Observed
Predicted
Status
Percentage
Correct
0 1
Step 1 Status 0 88 1 98.9
1 6 7 53.8
Overall Percentage 93.1
a. The cut value is .500
17
Pengujian koefisien regresi untuk menguji seberapa jauh semua variabel
bebas yang dimasukkan dalam model mempunyai pengaruh terhadap variabel
terikat. Koefisien regresi dapat ditentukan dengan menggunakan Wald statistic
dan nilai probabilitas (Sig.) seperti terlihat pada tabel 4.9 berikut :
Tabel 4.9
Hasil Uji Koefisien Regresi Logistik Model Analisis 2
Sumber : Hasil pengolahan data SPSS 17.00
Berdasarkan tabel 4.9 diatas, hasilnya sebagai berikut :
Variabel NITA signifikan pada tingkat 5% dan nilai Wald statistic sebesar
4,433 yang lebih besar dibandingkan Chi-Square tabel sebesar 3,841.
Koefisien regresi untuk variabel NITA sebesar -23,743 dan bertanda
negatif, yang menunjukkan bahwa variabel NITA berpengaruh negatif
terhadap probabilitas financial distress suatu perusahaan.
Sedangkan variabel yang lain yaitu: CACL, CATA, WCTA, SETA,
RETA, TLTA, STA, dan ITO tidak signifikan pada tingkat 5% dan nilai
Wald statistic yang lebih kecil dibandingkan Chi-Square tabel sebesar
3,841.
Variables in the Equation
B S.E. Wald df Sig. Exp(B)
Step 1a CACL .183 .138 1.766 1 .184 1.201
CATA -2.242 3.601 .388 1 .534 .106
WCTA -3.073 3.111 .976 1 .323 .046
NITA -23.743 11.277 4.433 1 .035 .000
RETA -.219 .792 .077 1 .782 .803
SETA 41.410 34.506 1.440 1 .230 9.644E17
TLTA 42.483 34.774 1.493 1 .222 2.820E18
STA .365 1.297 .079 1 .779 1.440
ITO -.005 .017 .093 1 .760 .995
Constant -42.734 34.422 1.541 1 .214 .000
a. Variable(s) entered on step 1: CACL, CATA, WCTA, NITA, RETA, SETA, TLTA, STA, ITO.
18
Rasio 3 tahun sebelum financial distress
Data yang digunakan untuk menganalisis rasio 3 tahun sebelum financial
distress yaitu rasio tahun 2005. Pada uji Hosmer and Lemeshow dan diperoleh
angka sebesar 4,695. Probabilitas signifikansi menunjukkan angka 0,790 yang
jauh lebih besar dari 0.05 maka Ho tidak dapat ditolak (diterima). Hal ini berarti
model regresi layak dipakai untuk analisis selanjutnya, karena tidak ada perbedaan
yang nyata antara klasifikasi yang diprediksi dengan klasifikasi yang diamati,
seperti terlihat pada tabel 4.10 berikut :
Tabel 4.10
Hasil Uji Hosmer and Lemeshow Model Analisis 3
Sumber : Hasil pengolahan data SPSS 17.00
Langkah selanjutnya yaitu menilai keseluruhan model (overall model fit)
yang dapat dilihat dari nilai -2 Log Likelihood (- 2 LL) pada tabel 4.11 berikut :
Tabel 4.11
Hasil Uji Overall Model Fit Model Analisis 3
Hosmer and Lemeshow Test
Step Chi-square df Sig.
1 4.695 8 .790
Iteration Historya,b,c
Iteration -2 Log likelihood
Coefficients
Constant
Step 0 1 80.200 -1.490
2 77.866 -1.866
3 77.829 -1.922
4 77.828 -1.924
5 77.828 -1.924
a. Constant is included in the model.
b. Initial -2 Log Likelihood: 77.828
c. Estimation terminated at iteration number 5 because
parameter estimates changed by less than .001.
19
Sumber : Hasil pengolahan data SPSS 17.00
Tabel 4.11 menunjukkan bahwa nilai -2 LL pada awal (Block Number =
0), dimana model hanya memasukkan konstanta sebesar 77,828, sedangkan nilai -
2 LL pada saat Block Number = 1, dimana model memasukkan konstanta dan
variabel bebas turun menjadi 44,835. Hal ini berarti -2 LL Block Number = 0
lebih besar dibandingkan dengan nilai -2 LL Block Number = 1 atau model
regresi dikatakan layak atau lebih baik. Tabel 4.12 juga menunjukkan nilai Cox &
Snell R Square sebesar 0,276 dan nilai Nagelkerke R Square sebesar 0,518 yang
berarti variabilitas variabel dependen yang dapat dijelaskan oleh variabilitas
variabel independen sebesar 51,8%.
Tabel klasifikasi model analisis 3 menunjukkan bahwa ketepatan model
ini secara keseluruhan sebesar 93,1%, seperti terlihat pada tabel 4.12 berikut:
Tabel 4.12
Tabel Klasifikasi Model Analisis 3
Sumber : Hasil pengolahan data SPSS 17.00
Model Summary
Step -2 Log likelihood
Cox & Snell R
Square
Nagelkerke R
Square
1 44.835a .276 .518
a. Estimation terminated at iteration number 8 because parameter
estimates changed by less than .001.
Classification Tablea
Observed
Predicted
Status
Percentage
Correct
.00 1.00
Step 1 Status .00 88 1 98.9
1.00 6 7 53.8
Overall Percentage 93.1
a. The cut value is .500
20
Pengujian koefisien regresi untuk menguji seberapa jauh semua variabel
bebas yang dimasukkan dalam model mempunyai pengaruh terhadap variabel
terikat. Koefisien regresi dapat ditentukan dengan menggunakan Wald statistic
dan nilai probabilitas (Sig.) seperti terlihat pada tabel 4.13 berikut :
Tabel 4.13
Hasil Uji Koefisien Regresi Logistik Model Analisis 3
Sumber : Hasil pengolahan data SPSS 17.00
Berdasarkan tabel 4.13 diatas, hasilnya sebagai berikut :
Variabel NITA signifikan pada tingkat 5% dan nilai Wald statistic sebesar
4,670 yang lebih besar dibandingkan Chi-Square tabel sebesar 3,841.
Koefisien regresi untuk variabel NITA sebesar -20,353 dan bertanda
negatif, yang menunjukkan bahwa variabel NITA berpengaruh negatif
terhadap probabilitas financial distress suatu perusahaan.
Sedangkan variabel yang lain yaitu: CACL, CATA, WCTA, SETA,
RETA, TLTA, STA, dan ITO tidak signifikan pada tingkat 5% dan nilai
Wald statistic yang lebih kecil dibandingkan Chi-Square tabel sebesar
3,841.
Variables in the Equation
B S.E. Wald df Sig. Exp(B)
Step 1a CACL .378 .388 .950 1 .330 1.459
CATA 2.372 3.362 .498 1 .480 10.717
WCTA -3.821 3.613 1.119 1 .290 .022
NITA -20.353 9.418 4.670 1 .031 .000
RETA -.352 1.076 .107 1 .744 .703
SETA 25.116 30.983 .657 1 .418 8.089E10
TLTA 25.789 31.101 .688 1 .407 1.585E11
STA -.692 1.293 .286 1 .592 .501
ITO -.005 .029 .035 1 .851 .995
Constant -27.888 30.914 .814 1 .367 .000
a. Variable(s) entered on step 1: CACL, CATA, WCTA, NITA, RETA, SETA, TLTA, STA, ITO.
21
Hasil analisis data yang diperoleh dari ketiga model analisis mengenai
rasio-rasio keuangan (CACL, CATA, WCTA, NITA, RETA, SETA TLTA, STA,
ITO) yang dapat mempengaruhi prediksi probabilitas financial distress pada
perusahaan manufaktur dapat dilihat pada tabel 4.14 berikut :
Tabel 4.14
Hasil Analisis 3 Model Analisis
No Model
Analisis
Percent.
correct
Hipotesis
diterima Koef. Sig.
Hipotesis
ditolak Koef. Sig.
1
Rasio 1 tahun
sebelum
financial distress
(2007)
94,1
CACL 0,897 0,014 CATA -0,655 0,903
WCTA -12,353 0,049 NITA -55,137 0,070
RETA -2,236 0,148
SETA 56,706 0,219
TLTA 55,349 0,226
STA -0,699 0,727
ITO -0,053 0,557
2
Rasio 2
tahun
sebelum
financial distress
(2006)
93,1
NITA -23,743 0,035 CACL 0,183 0,184
CATA -2,242 0,534
WCTA -3,073 0,323
RETA -0,219 0,782
SETA 41,410 0,230
TLTA 42,483 0,222
STA 0,365 0,779
ITO -0,005 0,760
3
Rasio 3
tahun sebelum
financial
distress (2005)
93,1
NITA -20,353 0,031 CACL 0,378 0,330
CATA 2,372 0,480
WCTA -3,821 0,290
RETA -0,352 0,744
SETA 25,116 0,418
TLTA 25,789 0,407
STA -0,692 0,592
ITO -0,005 0,851
Sumber : Hasil pengolahan data
Tabel 4.14 menunjukkan bahwa model analisis 1 yang menggunakan rasio
1 tahun sebelum financial distress merupakan model analisis dengan ketepatan
prediksi sebesar 94,1% sehingga dari model tersebut dapat dinyatakan interpretasi
yang dilihat pada tampilan output variable in the equation model analisis 1 (tabel
4.5) sebagai berikut :
22
Ln = -56,122 + 0,897 CACL – 0,655 CATA – 12,353
WCTA – 55,137 NITA – 2,236 RETA + 56,706 SETA+
55,349 TLTA – 0,699 STA – 0,053 ITO
3. Pembahasan
Berdasarkan analisis data yang dilakukan, dalam pembahasan ini
dijelaskan hasil masing-masing variabel untuk 3 model analisis, sebagai berikut :
1) Variabel CACL secara konsisten memiliki tanda koefisien regresi yang
positif dengan nilai probabilitas (Sig) yang lebih kecil dari 0,05(α) untuk
model analisis rasio 1 tahun sebelum financial distress serta lebih besar
dari 0,05(α) untuk model analisis rasio 2 tahun dan 3 tahun sebelum
financial distress. Hasil temuan ini menunjukkan ketidaksesuaian tanda
dengan hipotesis, berarti bahwa rasio CACL yang rendah (< 1) pada tahun
sebelum terjadi financial distress tidak mengindikasikan perusahaan akan
mengalami financial distress pada periode tahun status.
2) Variabel CATA secara tidak konsisten memiliki tanda koefisien regresi
yang negatif dengan nilai probabilitas (Sig) yang lebih besar dari 0,05(α).
Hasil temuan untuk tanda yang negatif menunjukkan kesesuaian tanda
dengan hipotesis, hal ini berarti bahwa CATA yang rendah pada tahun
sebelum financial distress mengindikasikan perusahaan akan mengalami
financial distress pada periode tahun status. Tanda koefisien yang positif,
dikarenakan aktiva lancar terlalu besar yang tidak terdistribusi dengan baik
dimana perusahaan tidak dapat mengoptimalkannya untuk diubah menjadi
kas dalam jangka waktu pendek serta dapat menimbulkan opportunity cost
yang tidak sedikit, maka semakin besar rasio CATA mengindikasikan
terjadinya financial distress.
3) Variabel WCTA secara konsisten memiliki tanda koefisien regresi yang
negatif dengan nilai probabilitas (Sig) yang lebih kecil dari 0,05(α) untuk
model analisis rasio 1 tahun sebelum financial distress serta lebih besar
dari 0,05(α) untuk model analisis rasio 2 tahun dan 3 tahun sebelum
financial distress. Hasil temuan ini menunjukkan kesesuaian tanda dengan
FD
1-FD
23
hipotesis, hal ini berarti bahwa WCTA yang rendah dimana porsi modal
kerja semakin kecil terhadap total aktiva pada tahun sebelum financial
distress mengindikasikan perusahaan akan mengalami financial distress
pada periode tahun status.
4) Variabel NITA secara konsisten memiliki tanda koefisien regresi yang
negatif dengan nilai probabilitas (Sig) yang lebih besar dari 0,05(α) untuk
model analisis rasio 1 tahun sebelum financial distress serta lebih kecil
dari 0,05(α) untuk model analisis rasio 2 tahun dan 3 tahun sebelum
financial distress. Hasil temuan ini menunjukkan bahwa semakin rendah
rasio NITA atau rasio NITA yang negatif, semakin besar probabilitas
financial distress.
5) Variabel RETA secara konsisten memiliki tanda koefisien regresi yang
negatif dengan nilai probabilitas (Sig) yang lebih besar dari 0,05(α). Hasil
ini menunjukkan kesesuaian tanda dengan hipotesis, artinya semakin
rendah atau negatif rasio RETA pada tahun sebelum terjadi financial
distress mengindikasikan perusahaan akan mengalami financial distress
pada periode tahun status.
6) Variabel SETA secara konsisten memiliki tanda koefisien regresi yang
positif dengan nilai probabilitas (Sig) yang lebih besar dari 0,05(α), artinya
SETA tidak berpengaruh negatif terhadap probabilitas financial distress.
Hasil temuan ini menunjukkan ketidaksesuaian tanda dengan hipotesis,
berarti SETA yang rendah pada tahun sebelum financial distress tidak
mengindikasikan perusahaan akan mengalami financial distress.
7) Variabel TLTA secara konsisten memiliki tanda koefisien regresi yang
positif dengan nilai probabilitas (Sig) yang lebih besar dari 0,05(α), artinya
TLTA tidak berpengaruh positif terhadap probabilitas financial distress.
Hasil temuan ini menunjukkan kesesuaian tanda dengan hipotesis bahwa
TLTA berpengaruh positif terhadap probabilitas financial distress yang
berarti TLTA yang tinggi pada tahun sebelum financial distress
mengindikasikan perusahaan akan mengalami financial distress pada
periode tahun status.
24
8) Variabel STA secara tidak konsisten memiliki tanda koefisien regresi yang
negatif dengan nilai probabilitas (Sig) yang lebih besar dari 0,05(α). Hasil
temuan untuk tanda yang negatif menunjukkan kesesuaian tanda dengan
hipotesis yang berarti bahwa STA yang rendah pada tahun sebelum
financial distress mengindikasikan perusahaan akan mengalami financial
distress pada periode tahun status.
9) Variabel ITO secara konsisten memiliki tanda koefisien regresi yang
negatif dengan nilai probabilitas (Sig) yang lebih besar dari 0,05(α). Hasil
temuan ini menunjukkan kesesuaian tanda dengan hipotesis, hal ini berarti
bahwa ITO yang rendah pada tahun sebelum financial distress
mengindikasikan perusahaan akan mengalami financial distress pada
periode tahun status.
PENUTUP
1. Simpulan
Sesuai hasil analisis data dan pembahasan sebelumnya dapat disimpulkan
sebagai berikut:
1. Hasil pengujian dengan 3 model analisis yaitu untuk model analisis 1
tahun sebelum financial distress menunjukkan bahwa rasio CACL
berpengaruh positif dan signifikan, rasio WCTA berpengaruh negatif
dan signifikan terhadap probabilitas financial distress perusahaan,
sedangkan untuk model analisis 2 tahun dan 3 tahun sebelum financial
distress menunjukkan bahwa rasio NITA berpengaruh negatif dan
signifikan terhadap probabilitas financial distress perusahaan.
2. Model analisis pertama (1 tahun sebelum financial distress) memiliki
ketepatan prediksi secara keseluruhan yang lebih tinggi dibandingkan
dengan 2 model analisis lainnya yaitu sebesar 94,1%.
3. Variabel CACL, SETA, TLTA secara konsisten memiliki tanda
koefisien regresi yang positif dan variabel WCTA, NITA, RETA, ITO
secara konsisten memiliki tanda koefisien regresi yang negatif pada 3
model analisis yang dilakukan, sedangkan variabel CATA dan STA
25
memiliki tanda koefisien regresi yang tidak konsisten atau berbeda
pada 3 model analisis yang digunakan.
2. Keterbatasan
Keterbatasan dalam penelitian ini adalah:
1. Penelitian ini hanya menggunakan kategori kondisi financial distress
dengan satu ukuran yaitu perusahaan yang selama dua tahun berturut-
turut mengalami Earning Per Share (EPS) negatif.
2. Penelitian ini hanya menggunakan rasio-rasio likuiditas, profitabilitas,
financial leverage dan efisiensi.
3. Saran
1. Sebelum mengambil keputusan investasi, para investor sebaiknya
menilai rasio-rasio keuangan yang berpengaruh terhadap financial
distress perusahaan, seperti CACL, WCTA, dan NITA yang
berpengaruh signifikan pada penelitian ini, untuk menghindari
kemungkinan kebangkrutan.
2. Untuk manajemen perusahaan, agar lebih memperhatikan rasio
keuangan yang pada penelitian ini mempunyai pengaruh yang
signifikan terhadap financial distress (CACL, WCTA, dan NITA).
Karena perubahan CACL, WCTA, dan NITA mempunyai pengaruh
yang signifikan terhadap financial distress perusahaan.
3. Menggunakan atau menambahkan rasio-rasio keuangan lainnya
seperti rasio aktivitas atau variabel di luar rasio keuangan, seperti
struktur corporate governance untuk penelitian selanjutnya. Selain itu
juga indikator lain untuk mengkategorikan kondisi financial distress
pada perusahaan, misalnya DSC, laba bersih negatif, perusahaan yang
delisted serta juga jenis perusahaan yang lain sebagai sampel
sehingga dapat lebih bervariasi. Namun harus diperhatikan mengenai
perbedaan karakter tiap jenis perusahaan tersebut.
26
DAFTAR PUSTAKA
Almilia, Luciana Spica. 2004. Analisis Faktor-Faktor yang Mempengaruhi
Kondisi Financial Distress Suatu Perusahaan yang Terdaftar di Bursa
Efek Jakarta. Jurnal Riset Akuntansi Indonesia, Vol. 7 No. 1, Hal 1 – 22
Almilia, Luciana Spica. 2006. Prediksi Kondisi Financial Distress Perusahaan
Go Public Dengan Menggunakan Analisis Multinomial Logit. Jurnal
Ekonomi dan Bisnis, Vol. XII No. 1
Almilia, Luciana Spica dan Meliza Silvy. 2003. Analisis Faktor-Faktor yang
Mempengaruhi Status Perusahaan Pasca IPO Dengan Menggunakan
Tehnik Analisis Multinomial Logit. Jurnal Ekonomi dan Bisnis Indonesia
(Journal of Indonesial Economy & Business), Vol. 18 No. 4
Almilia, Luciana Spica dan Kristijadi. 2003. Analisis Rasio Keuangan untuk
Memprediksi Kondisi Financial Distress Perusahaan manufaktur yang
terdaftar di BEJ. Jurnal Akuntansi dan Auditing Indonesia, Vol. 7 No. 2,
Hal 183 - 206.
Ang, Robbert. 1997. Buku Pintar Pasar Modal Indonesia (The Intelligent Guide
to Indonesian Capital Market). First Edition. Jakarta: Mediasoft Indonesia.
Bodroastuti, Tri. 2009. Pengaruh Struktur Corporate Governance Terhadap
Financial Distress. Tesis Tidak Dipublikasikan. Magister Manajemen,
Universitas Diponegoro
Brealey, Richard A., Stewart C.Myers dan Alan J. Marans. 2008. Dasar-Dasar
Manajemen Keuangan Perusahaan. 5 ed (jilid 2). Jakarta : Erlangga.
Brigham, Eugene F. dan Joel F.Houston. 2001. Manajemen Keuangan. 8 ed.
Jakarta : Erlangga
Elloumi, Fathi dan Jean-Pierre Gueyie. 2001. Financial Distress and Corporate
Governance : An Empirical analysis. MCB University Press, Corporate
Governance 1,1, pp.15-23
Fakhrurozie. 2007. Analisis Pengaruh Kebangkrutan Bank Dengan Metode
Altman Z-Score Terhadap Harga Saham Perusahaan Perbankan di Bursa
Efek Jakarta. Fakultas Ekonomi, Universitas Negeri Semarang
Foster, George. 1986. Financial Statement Analysis. Prentice Hall. Englewood
Cliffs. New Jersey.
Fraser, Lyn M and Aileen Ormiston. 2008. Memahami Laporan Keuangan.7
ed.PT. Indeks
27
Ghozali, Imam. 2006. Aplikasi Analisis Multivariate Dengan Program SPSS.
Semarang : Badan Penebit Universitas Diponegoro
Hanafi, Mamduh M. 2004. Manajemen Keuangan. Yogyakarta : BPFE
Hanafi, Mamduh M. dan Abdul Halim. 2005. Analisis Laporan Keuangan. 2 ed.
Yogyakarta : UPP STIM YKPN
Harahap, Sofyan Syafri. 2002. Analisis Kritis Atas Laporan Keuangan. Jakarta :
PT. Raja grafindo Persada
Harianto, Farid dan Siswanto Sudomo. 2001. Perangkat dan Teknik Analisis
Investasi di Pasar Modal Indonesia. Jakarta : PT. Bursa Efek Jakarta
Helfert, Erich A. 1997. Teknik Analisis Keuangan. 8 ed. Jakarta : Erlangga
Horne, James C. dan John M. Wachowicz, Jr. 2005. Prinsip-Prinsip Manajemen
Keuangan (Fundamentals of Financial Management). Jakarta : Salemba 4
Husnan, Suad. 1998. Manajemen Keuangan : Teori dan Penerapan (Keputusan
Jangka Pendek). Yogyakarta : BPFE
Indonesian Commercial Newsletter, 2008. www.datacon.co.id, diakses 25 Mei
2011
Indonesian Commercial Newsletter, 2010. www.datacon.co.id, diakses 25 Mei
2011
Jiming, Li dan Du Weiwei. (2011). An Empirical Study on the Corporate
Financial Distress Prediction Based on Logistic Model: Evidence from
China’s Manufacturing Industry. International Journal of Digital Content
Technology and its Applications. Volume 5, Number 6
Lau, A. H. 1987. A Five State Financial Distress Prediction Model. Journal of
Accounting Research 25: 127-138.
Munawir. 2002. Analisa Laporan Keuangan. Yogyakarta: Penerbit Liberty
Nuralata, Amelia. 2007. Analisis Pengaruh Rasio Keuangan yang Dapat
Memprediksi Probabilitas Kondisi Financial Distress. Magister
Manajemen, Universitas Diponegoro
Pasaribu, Rowland Bismark Fernando. 2008. Penggunaan Binary Logit Untuk
Prediksi Financial Distress Emiten di Bursa Efek Jakarta (Studi Kasus
28
Emiten Industri Perdagangan). Jurnal Ekonomi, Bisnis dan Akuntansi
VENTURA Vol. 11, No. 2, (153-172)
Platt, Harlan D. dan Marjorie B. Platt. 2002. Predicting Corporate Financial
distress: Reflection on Choice-Based Sample Bias. Journal of Economics
and Finance 26 (2). Summer : 184-199
Pradopo, Agung Amin. 2011. Analisis Rasio Keuangan Untuk Memprediksi
Kondisi Financial Distress Tahun 2008 Perusahaan Manufaktur yang
Terdaftar di BEI. Tesis Tidak Dipublikasikan. Magister Manajemen,
Universitas Diponegoro
Pranowo, Koes dkk. 2010. Determinant of Corporate Financial Distress in an
Emerging Market Economy: Empirical Evidence from the Indonesian
Stock Exchange 2004-2008. International Research Journal of Finance and
Economics 52.
Riyanto, Bambang. 2001. Dasar-Dasar Pembelanjaan Perusahaan. 4 ed.
Yogyakarta : BPFE
Samad, Abdus. 2004. Perfomance of Interest-Free Islamic Bank Vis-à-vis
Interest-Based Conventional Banks of Bahrain. IIUM Journal of
Economics and Management 12, no.12
Sarjono, Haryadi. n.d. Analisis Laporan Keuangan Sebagai Alat Prediksi
Kemungkinan Kebangkrytan Dengan Model Diskriminan Altman Pada
Sepuluh Perusahaan Properti di Bursa Efek Jakarta. Universitas Bunda
Mulia, Jakarta.
Salehi, Mahdi dan Bizhan Abedini. 2009. Financial Distress Prediction in
Emerging Market: Empirical Evidences from Iran. Business Intelligence
Journal, Vol. 2 No. 2
Sekaran, Uma. 2006. Research Methods For Business. 4 ed. Jakarta : Salemba
Empat
Subagyo, Rr. Iramani. 2007. Model Prediksi Financial Distress di Indonesia Era
Globalisasi. PPM National Conference on Management Research
Tandelilin, Eduardus. 2001. Analisis Investasi dan Manajemen Portofolio. 1 ed.
Yogyakarta : BPFE
Weston, J.Fred dan Thomas E.Copeland. 1995. Manajemen Keuangan. 9 ed (jilid
1). Jakarta : Binarupa Aksara