Anda di halaman 1dari 15

ANALISIS LAPORAN KEUANGAN

The Detection of Earnings Manipulation

Oleh: Citra Aryani Sjahrir Dian Agustina Luna Mantyasih Makarti Ratna Nugrahaningsih

Program Pascasarjana Ilmu Manajemen Fakultas Ekonomi Universitas Indonesia 2010

The Detection of Earnings Manipulation


Manipulasi laba telah lama menjadi sorotan analis, regulator, peneliti, dan investor. Artikel ini menyajikan sebuah model untuk membedakan pelaporan yang dimanipulasi dan non manipulasi. Manipulasi laba merupakan contoh pelanggaran prinsip-prinsip akuntansi yang berlaku umum (GAAP) oleh manajer perusahaan supaya kinerja keuangan perusahaan dinilai baik. Model yang dikembangkan menggunakan data laporan keuangan untuk membangun variabel yang akan menangkap efek dari manipulasi serta kondisi-kondisi yang memaksa perusahaan untuk terlibat dalam kegiatan tersebut.

Sample versus Control Companies


Sampel akhir terdiri dari 74 perusahaan yang memanipulasi laba. Distribusi manipulator terkonsentrasi pada perusahaan di bidang manufaktur serta jasa bisnis dan personal yang bersamasama mewakili 45% dari sampel. Sampel lainnya adalah 4 perusahaan perangkat lunak, 3 perusahaan komputer, dan 3 toko ritel audiovisual. Tabel 1 berisi perbandingan karakteristik keuangan perusahaan manipulator dengan control company pada tahun fiskal sebelum terjadi pengungkapan publik (public disclosure) manipulasi laba. Pada tahun sebelumnya, size manipulator lebih kecil (dalam hal jumlah aset atau dalam hal penjualan), profitabilitas rendah, dan memiliki leverage yang lebih tinggi daripada control company. Manipulator juga mengalami pertumbuhan yang lebih tinggi. Pertumbuhan rata-rata penjualan manipulator (34,4%) secara signifikan lebih besar dari kontrol (9,4%) sehingga menimbulkan pertanyaan: Apakah growth mendorong manipulasi laba atau merupakan hasil dari manipulasi?

Perusahaan manipulator yang masuk ke dalam sampel biasanya melebih-lebihkan nilai laba dengan mencatat transaksi fiktif, penangguhan, atau pendapatan yang tidak pasti, mencatat persediaan (inventory) fiktif, atau memanfaatkan biaya yang tidak benar. Konteks manipulasi laba adalah laporan tahunan. Sampel manipulator adalah perusahaan dengan pertumbuhan yang relatif masih muda dan cenderung berada di bawah pengawasan regulator.

The Model

Estimasi model untuk mendeteksi earnings manipulation disusun berdasarkan sampel perusahaan manipulator dan industri yang sesuai pada periode 1982-1988 dan mengevaluasi kinerja model pada sampel dalam periode 1989-1992. Model untuk mendeteksi manipulasi pendapatan adalah:

Dimana : - M : Variabel dichotomous berkode 1 untuk manipulator dan 0 sebaliknya - X : Matriks variabel penjelas - : Vektor residu . Estimation Dalam studi ini, sampel dari earnings manipulators berjumlah lebih banyak dari pada proporsi sesungguhnya dalam populasi, agar mempermudah identifikasi model untuk mengklasifikasikan earnings manipulation. Namun karena estimasi model dasar dichotomous menghasilkan estimasi koefisien bias yang asymptotic, maka digunakan weighted exogenous sample maximum likelihood (WESML) probit dan juga unweighted probit. Sampel estimasi menggunakan periode 1982-1988, yang terdiri dari 50 manipulator dan 1.708 kontrol. Menggunakan WESML diperlukan perkiraan proporsi perusahaan pada populasi yang memanipulasi laba. Dengan asumsi bahwa populasi dari sampel perusahaan tersebut adalah populasi perusahaan Compustat, salah satu perkiraan proporsi manipulator sama dengan 0,0069 (50 / 7231). Karena tidak ada cara untuk menilai validitas asumsi ini, maka sensitivitas model untuk spesifikasi lain dievaluasi dari probabilitas sebelum manipulasi. Variables: Dapatkah Data Akuntansi Digunakan untuk Mendeteksi Earnings Manipulation? Jika manipulasi laporan keuangan tidak hanya mencakup laba maka hasil kajian ini bias terhadap penolakan dari hipotesis nol pada koefisien variabel, dan manfaat informasi akuntansi untuk mendeteksi manipulasi laba menjadi terbatas. Karena tidak adanya teori ekonomi mengenai manipulasi, maka sumber pertimbangan dalam memilih variabel penjelas berdasarkan data laporan keuangan terdiri atas: a. Sinyal tentang prospek masa depan yang muncul dalam literatur akademik dan praktisi. Dengan dugaan bahwa manipulasi laba lebih mungkin terjadi ketika prospek masa depan buruk. b. Variabel berdasarkan arus kas dan akrual (1985 Healy; Jones 1991). c. Variabel dari penelitian teori positif, yang menghipotesiskan insentif berbasis kontrak untuk manajemen laba (Watt dan Zimmerman 1986). Hasil pencarian variabel berdasarkan data laporan keuangan adalah suatu model yang terdiri atas delapan variables. Variabel diukur dari data tahun ketika pelanggaran pelaporan pertama kali terjadi. Perhitungan dari setiap variabel dan terdapat dalam catatan Tabel 2. Days' sales in receivables index

Pengukur variabel ini untuk melihat apakah piutang dan revenues yang masuk dan keluar seimbang dalam dua tahun berturut-turut. Sebuah peningkatan yang besar dalam indeks ini dapat terjadi akibat dari perubahan dalam kebijakan kredit untuk memacu penjualan dalam menghadapi persaingan yang meningkat, tetapi kenaikan yang tidak proporsional dalam piutang relatif terhadap penjualan juga bisa menggambarkan peningkatan pendapatan. Sehingga peningkatan besar dalam DSRI dihubungkan dengan kemungkinan pendapatan dan laba dinyatakan dengan berlebihan. Gross margin index GMI yang lebih besar dari 1 menandakan bahwa gross margin memburuk. Lev dan Thiagarajan menyatakan penurunan gross margin adalah sinyal negatif tentang prospek perusahaan. Perusahaan dengan prospek yang lebih buruk lebih mungkin untuk terlibat dalam manipulasi laba, sehingga diduga terdapat hubungan positif antara GMI dan probabilitas manipulasi laba. Asset quality index Kualitas aktiva mengukur proporsi total aktiva di masa depan yang berpotensi kurang menentu. Jika AQI lebih besar dari 1, terdapat potensi perusahaan meningkat keterlibatannya dalam cost deferral. Oleh karena itu diduga terdapat hubungan positif antara AQI dan kemungkinan manipulasi laba. Sales growth index Perusahaan yang sedang tumbuh dilihat lebih mungkin untuk melakukan penipuan laporan keuangan, karena posisi keuangan dan kebutuhan modal memberikan tekanan pada manajer untuk mencapai target laba (National Commission on Fraudulent Financial Reporting 1987; National Association of Certified Fraud Examiners 1993). Maka, diduga terdapat hubungan positif antara SGI dan kemungkinan manipulasi laba. Depreciation index DEPI lebih besar dari 1 menunjukkan bahwa tingkat di mana aset disusutkan menurun, dimana kemungkinan perusahaan merevisi estimasi masa manfaat dari aset atau mengadopsi metode baru yang meningkatkan pendapatan. Sehingga diduga terdapat hubungan positif antara DEPI dan kemungkinan manipulasi. Sales, general, and administrative expenses index SGAI digunakan untuk menginterpretasikan bahwa kenaikan penjualan yang tidak seimbang sebagai sinyal negatif tentang prospek masa depan perusahaan. Sehingga diduga terdapat hubungan positif antara SGAI dan kemungkinan manipulasi. Leverage index Nilai LVGI lebih besar dari 1 menunjukkan peningkatan leverage. Variabel ini dimasukkan untuk menangkap insentif dalam debt covenants untuk manipulasi laba. Dengan asumsi bahwa leverage mengikuti random walk, LVGI memperkirakan leverage forecast error. Berdasarkan bukti dalam penelitian Beneish dan Press (1993) bahwa perubahan leverage dalam struktur modal perusahaan terkait dengan pengaruh pasar saham dari technical default. Total accruals to total assets Akrual terhadap jumlah aktiva (TATA) digunakan sebagai proxy untuk melihat sejauh mana kas mendasari laba yang dilaporkan, sehingga diduga akrual positif yang lebih tinggi (lebih sedikit cash) berhubungan dengan kemungkinan manipulasi laba yang lebih tinggi. Distribution of variables Variabel penjelas dalam model didasarkan pada perubahan tahun ke tahun, dimana terdapat potensi masalah ketika penyebut kecil. Untuk mengatasi masalah ini, data di winsorized pada

persentil 1 persen dan 99 persen pada masing-masing variabel. Ditemukan bahwa mengestimasi model dengan dan tanpa pengamatan menghasilkan hasil yang sama. Tabel 2 berisi perbandingan distribusi dari variabel-variabel untuk manipulator dan non-manipulator dalam sampel estimasi. Hasil penelitian menunjukkan bahwa rata-rata, manipulator memiliki peningkatan days' sales in receivables index yang lebih besar, penurunan yang lebih besar dari gross margins dan asset quality, growth yang lebih tinggi, dan akrual yang lebih besar dari nonmanipulators.

Results Panel A dari Tabel 3 melaporkan hasil probit WESML dan estimasi unweighted probit dari model. Tes likelihood ratio menunjukkan bahwa untuk kedua estimasi, dengan statistik X2 (p-value) sebesar 34,5 (0,00) dan 129,2 (0.00), model ini memiliki kekuatan yang signifikan. Pseudo-R2s dari 0,306 dan 0,371 untuk masing-masing, WESML dan unweighted probit mengindikasikan bahwa model tersebut memiliki validitas deskriptif. Beneish fokus pada hasil dari unweighted probit estimation.Variabel DSRI memiliki koefisien positif (0,920) dan signifikan pada tingkat 5 persen dengan asimtotik statistik-t 6,02. Hasil ini konsisten dengan peningkatan yang tidak proporsional dalam receivables, meningkatkan likelihood perusahaan yang memiliki inflated revenues. Variabel GMI memiliki koefisien positif (0,528) yang lebih dari 2 standar deviasi dari nol. Hasil ini konsisten dengan perusahaan yang menghadapi prospek miskin memiliki insentif yang lebih besar untuk manipulasi laba. AQI juga memiliki koefisien positif signifikan (0,404, t-statistik 3,20), yang konsisten dengan peningkatan likelihood of earnings manipulation ketika perusahaan mengubah perlakuan akuntansi mereka terhadap penangguhan biaya (cost deferral). SGI memiliki koefisien positif yang lebih dari 5 deviasi standard dari nol, yang konsisten dengan pertumbuhan perusahaan yang menghadapi pertumbuhan lambat dan memiliki insentif untuk memanipulasi laba. Variabel TATA memiliki koefisien positif yang signifikan, yang konsisten dengan manipulator yang memiliki kas kurang di balik accounting income mereka. Koefisien pada variabel LVGI, DEPI, dan SGAI tidak signifikan. Mungkin, variabel ini berhubungan dengan manajemen laba, bukan manipulasi. Sebagai contoh, perubahan dari depresiasi acceleration menjadi straight-line depreciation atau revisi yang memperpanjang masa manfaat aktiva akan menghasilkan nilai yang lebih tinggi pada DEPI tetapi ini merupakan contoh dari manajemen laba, sehingga perusahaan tidak akan termasuk dalam sampel manipulator . Demikian pula, untuk variabel LVGI, insentif untuk memenuhi debt covenants mungkin cukup untuk mendorong manipulasi laba karena biaya ketidakpatuhan yang kecil (Beneish dan Press memperkirakan biaya ini sekitar 1-2 persen dari nilai pasar ekuitas). Panel B di Tabel 3 menunjukkan kemungkinan manipulasi laba dari sampel estimasi dan holdout samples. Untuk sampel estimasi, model diestimasi dengan menggunakan WESML yang memprediksi rata-rata lebih tinggi (median) probabilitas manipulasi laba untuk manipulator, 0,107 (0,024), dibandingkan nonmanipulators, 0,006 (0,003). Demikian pula, model diestimasi dengan menggunakan unweighted probit diprediksi rata-rata lebih tinggi (median) probabilitas untuk manipulator, 0,237 (0,099), dibandingkan untuk non-manipulator, 0,022 (0,011). Wilcoxon dan tes median menolak hipotesis nol bahwa estimasi probabilitas untuk manipulator dan nonmanipulator diambil dari distribusi yang sama. Hasil untuk holdout sampel dari 24 manipulator dan 624 kontrol mirip dengan estimasi temuan sampel. Model meramalkan bahwa manipulator adalah, rata-rata, sekitar 10 kali lebih mungkin untuk memanipulasi laba. Distribusi dari perkiraan probabilitas untuk manipulator dan nonmanipulator berdasarkan unweighted probit menggambarkan perbedaan-perbedaan ini. Sebagai

contoh, meskipun tidak dilaporkan dalam tabel, hampir semua nonmanipulator di sampel estimasi (93,4 persen) diperkirakan memiliki probabilitas manipulasi kurang dari 0,05 sedangkan manipulator memiliki 38,0 persen probabilitas memanipulasi. Demikian pula, dalam hold-out sampel, 56,1 persen dari nonmanipulators memiliki estimasi probabilitas manipulasi kurang dari 0,01, dibandingkan dengan 20,8 persen dari manipulator. Bukti-bukti menunjukkan bahwa probabilitas manipulasi meningkat dengan: (1) peningkatan tidak biasa pada piutang, (2) margin kotor memburuk, (3) penurunan kualitas aset, (4) pertumbuhan penjualan, dan (5) Peningkatan akrual.

Robustness Beneish menilai robustness dari hasil dalam tiga cara. Pertama, meskipun kolinearitas tidak akan menjadi masalah karena tidak ada dari 36 koefisien korelasi Pearson lebih besar dari 0,25. Beneish menurunkan hingga empat variabel dari model untuk menilai stabilitas perkiraan koefisien. Menghilangkan variabel DEPI, LVGI, SGAI, dan TATA satu per satu dan kombinasi yielded menghasilkan hasil yang sama dengan hasil untuk variabel-variabel yang tersisa. Kedua, Benish menilai sensitivitas hasil estimasi WESML dengan spesifikasi probabilitas manipulasi sebelumnya. Selain perkiraan berdasarkan probabilitas sebelumnya 0,0069 dan 0,02844 tersirat dalam unweighted probit (50 / 1758), Benish memperkirakan model dengan empat probabilitas manipulasi laba sebelumnya, seperti yang dijelaskan dalam catatan Tabel 3, perkiraan ini menghasilkan hasil yang sama baik dari segi validitas deskriptif model dan signifikansi dari koefisien estimasi. Ketiga, meskipun holdout sampel dipilih untuk independen dari sampel estimasi, Beneish menilai sensitivitas hasil untuk pilihan sampel estimasi dan sampel holdout. Untuk melakukannya, Benish men-generate 100 sampel acak dari 50 manipulator dan 1.500 kontrol dengan generator dasar nomor acak di SAS dan menggunakannya untuk mengestimasi model 100 kali. Hasilnya dapat dilihat di tabel 4. Secara keseluruhan, hasil estimasi memberikan bukti hubungan sistematis antara kemungkinan manipulasi dan beberapa data laporan keuangan. Hasil yang kuat untuk perkiraan yang berbeda dari probabilitas manipulasi laba sebelumnya, beberapa spesifikasi model, dan berbagai transformasi dari variabel-variabel penjelas. Hasil juga tidak sensitif terhadap pilihan sampel estimasi dan sampel holdout.

The Model as a Classification Tool Karena model ini membedakan manipulator dari nonmanipulators, Benish menilai kegunaannya sebagai alat klasifikasi. Bagian ini membahas probabilitas cutoffs yang diasosiasikan dengan biaya yang berbeda dan membuat kesalahan klasifikasi. Model ini dapat membuat dua jenis kesalahan: Ini dapat mengklasifikasikan perusahaan sebagai nonmanipulator ketika memanipulasi (kesalahan Tipe I), atau dapat mengklasifikasikan perusahaan sebagai manipulator ketika tidak memanipulasi (kesalahan Tipe II). Probabilitas cutoffs yang meminimalkan biaya yang diharapkan dari kesalahan klasifikasi bergantung pada biaya yang berkaitan dengan biaya relatif dari membuat kesalahan di kedua tipe. Meskipun fungsi objektif para pengambil keputusan tidak diamati, kesalahan klasifikasi biaya yang mungkin dibedakan oleh pengambil keputusan. Sebagai contoh, investor cenderung lebih memiliki Type I error cost karena kehilangan investasi yang terkait dengan penemuan manipulasi yang dramatis, sedangkan Tipe II error cost lebih rendah karena ketersediaan barang substitusi. Biaya error Tipe I dan Tipe II tidak dapat dilakukan dengan pengukuran yang obyektif, tapi Beneish mempertimbangkan biaya relatif dari error Tipe I Tipe II dari 1:1 hingga 100:1. (Untuk investor, bagaimanapun, rentang yang relevan mungkin antara 20:01 dan 30:1) Untuk menjelaskan: Menurut Beneish (segera terbit 1999), manipulator khas kehilangan sekitar 40 persen dari nilai pasar berdasarkan adjusted risk pada kuartal yang berisi penemuan manipulasi.. kuartal berisi penemuan manipulasi. Dengan asumsi bahwa, atas dasar yang sama, ekuitas perusahaan menghargai 1-2 persen seperempat, 20-40 nonmanipulators akan diperlukan dalam portofolio investor untuk menutupi manipulator tunggal pada kuartal itu. Oleh karena itu, salah satu kemungkinan adalah bahwa investor akan melihat kesalahan Tipe I sebagai 20-40 kali lebih mahal seperti kesalahan Tipe II. Penulis menghitung probabilitas cut off yang akan mengurangi expected costs of misclassification; persamaan untuk menghitung biaya dan hasilnya disajikan pada Tabel 5. Hasil yang serupa di seluruh metode estimasi, jadi penulis fokus pada estimasi unweighted probit di Panel B. Dalam sampel estimasi, dengan relative error costs 10:1, model classified companies sebagai manipulator ketika probabilitas diperkirakan melebihi 0,0685 (skor lebih besar dari -1,49); itu terkelompokan secara tepat 42 persen dari manipulator dan 7,6 persen pada nonmanipulators. Pada relative error costs dari 20:01 atau 30:1, model perusahaan diklasifikasikan sebagai manipulator ketika melampaui estimasi probabilitas 0,0376 (skor yang lebih besar dari -1,78); itu terkelompokan secara tepat 26 persen dari manipulator dan 13,8 persen dari nonmanipulators. Dalam holdout sample, dengan relative error costs 20:01 atau 30:1, model perusahaan diklasifikasikan sebagai manipulator ketika melampaui estimasi probabilitas 0,0376 (skor yang lebih besar dari -1,78); itu terkelompokan secara tepat 50 persen dari manipulator dan 7,2 persen yang nonmanipulators. Gambar 1 dan Gambar 2 membantu menjelaskan kinerja klasifikasi model unweighted probit. Angka-angka berisi informasi berikut: (1) probabilitas cut off yang terkait dengan setiap asumsi relative error costs, (2) persentase correctly classified manipulators, dan (3) persentase incorrectly classified nonmanipulators. Untuk sampel estimasi dalam Gambar 1, persentase correctly classified manipulators berkisar dari 58 persen sampai 76 persen sedangkan persentase incorrectly classified

nonmanipulators berkisar dari 7,6 persen sampai 17,5 persen. Untuk holdout sample pada Gambar 2, persentase correctly classified manipulators berkisar dari 37,5 persen sampai 56,1 persen sedangkan persentase incorrectly classified nonmanipulators dari 3,5 persen sampai 9,1 persen. Hasil tersebut menunjukkan bahwa, meskipun model mengidentifikasi potensi manipulator, ia melakukannya dengan tingkat kesalahan yang besar dalam rentang error costs yang mungkin paling relevan kepada investor. Jadi, karena contoh dari manipulasi jarang ditemukan, pertanyaan yang diajukan mengenai apakah model ini lebih berguna bagi investor dari strategi naif yang hanya mengklasifikasikan semua perusahaan sebagai nonmanipulators. Tabel 5 berisi perbandingan model expected costs of misclassification dengan orang-orang dari strategi naif. Strategi naif tidak membuat Type II errors (PII = 0) dan conditional probability Type I errors (PI) adalah 1. Dengan demikian, naive strategy's expected costs of misclassification ECM (naif) = P (M) CI, atau 0.0069 CI, untuk perbandingan WESML dan 0.02844 CI untuk perbandingan unweighted probit. Untuk kedua estimasi dan holdout sample, model itu mempunyai expected misclassification costs lebih rendah dari strategi naif jika biaya Type I error lebih besar daripada Type II errors. Misalnya, dalam contoh estimasi di Panel B, rasio biaya kesalahan model untuk biaya kesalahan dari strategi naif adalah 0,496 dan 0,417 dengan biaya kesalahan relatif dari masing-masing, 20:01 dan 30:1. Demikian pula, untuk sampel ketidaksepakatan, rasio cost of the model's errors to the cost of errors from a naive strategy adalah 0,623 dan 0,582 dengan relative error costs 20:1 dan 30:1. Bukti menunjukkan bahwa model tersebut adalah biaya-efektif dalam kaitannya dengan strategi naif yang memperlakukan semua perusahaan sebagai nonmanipulators.

Conclusion Beberapa variabel akuntansi dapat digunakan untuk mengidentifikasi perusahaan-perusahaan yang memanipulasi laba yang dilaporkan. Penulis menemukan bahwa, karena manipulasi biasanya terdiri dari inflasi buatan dari revenue atau deflasi biaya, variabel di akun aktiva memiliki konten prediktif. Penulis juga menemukan bahwa pertumbuhan penjualan memiliki kekuatan diskriminatif: Karakteristik utama manipulator sampel adalah bahwa mereka memiliki pertumbuhan tinggi sebelum periode dimana manipulasi yang berlaku. Bukti juga menunjukkan bahwa data akuntansi tidak hanya diuji tentang memberikan informasi yang berguna, tetapi mereka juga memungkinkan penilaian terhadap keandalan pelaporan. Model klasifikasi eksplisit dijelaskan di sini hanya membutuhkan dua tahun data (satu laporan tahunan) untuk mengevaluasi kemungkinan manipulasi. Meskipun model biaya-efektif dibandingkan dengan strategi memperlakukan semua perusahaan sebagai nonmanipulators, tingkat classification errors-nya besar membuat penyelidikan lebih lanjut dari hasil pemeriksaan penting. Variabel model distorsi pada data laporan keuangan yang mungkin atau tidak mungkin hasil dari manipulasi. Sebagai contoh, distorsi bisa menjadi hasil dari akuisisi bahan selama periode yang diperiksa, perubahan materi dalam strategi perusahaan yang memaksimalkan nilai, atau perubahan signifikan dalam lingkungan ekonomi perusahaan. Salah satu batasan dari model adalah yang diperkirakan untuk menggunakan informasi keuangan perusahaan publik. Oleh karena itu, tidak dapat dipercaya digunakan untuk mempelajari perusahaan swasta. Keterbatasan lain adalah bahwa manipulasi laba dalam sampel melibatkan earnings

overstatement, sehingga model tidak dapat dipercaya untuk mempelajari perusahaan yang beroperasi dalam keadaan yang kondusif bagi penurunan laba. Opinion Menurut kelompok kami, model yang dikembangkan oleh Beneish sangat sulit diterapkan di Indonesia. Hal ini dapat terjadi karena keterbatasan data. Selain itu, di Indonesia sangat sulit melakukan klasifikasi antara perusahaan manipulator dan nonmanipulator karena keterbatasan informasi.