A.

Pendahuluan

Bab inimenguraikantentang peranan laporan keuangandan informasilainnya

dalam melakukan prediksi terhadap financial distress (kesulitan keuangan).
Pihakyangdapat memanfaatkanmodeldibahas dalam bab inimencakup

Peminjam atau kreditor. Penelitian tentangmemprediksikesulitan keuangan

memilikirelevansi terhadap lembaga pemberi pinjaman, baik dalam
memutuskan apakah akanmemberikan pinjaman(beserta syaratnya) dan
dalam merumuskankebijakanuntuk mengawasi kredityang ada
Investor. Model prediksikesulitan keuangan dapat membantu
investordalam hal efek hutangketika
menilaikemungkinanperusahaanmengalami masalahdalam melakukan
pembayaranpokok atau bunga. Investoryang
mengadopsipendekataninvestasi aktifdapat mengembangkanstrategi
berdasarkanasumsi bahwamodelprediksikesulitan keuangan dapat
memberikanperingatanawaldarimasalah keuanganyang tersirat
dalamhargasekuritas yang ada(validitas asumsi iniadalah
masalahempiris).
Otoritasregulasi. Dalamindustri tertentu, badan pembuat regulasi memiliki
tanggung jawabdalam mengawasi solvabilitasdan stabilitasmasing-masing
perusahaan. Lembaga keuanganseperti bank, perusahaanasuransi, dan
tabungandan lembaga penjamin simpanan tunduk padaketentuan yang
ditetapkan olehbadan pengawasdi banyak negara. Poin penting
darimodelyang dibahasdalam bab initelah didorong olehpenerapannya
yang didasarkan oleh peraturan yang telah ditetapkan.
Pejabat pemerintah. Subsidipemerintah (atau disebut juga dana talangan)
untuk perusahaanyang terkena masalah keuanganterjadidi banyak
negaradengan berbagai tingkatfrekuensi. Model
yangmemprediksikemungkinan untuk bertahan bagi perusahaan calon
penerima dana talangan dapat menjadiitem datapenting
dalammempertimbangkan kondisi ekonomi, politik, dan sosialdi daerah ini.
Prediksimengenai kesulitan keuangan juga penting untukpejabat
pemerintahdalam peraturanantitrust. Salah satupertahanan
terhadapmelanggarundang-undang antitrustASadalah doktrinkegagalan
perusahaan. Doktrin inidapatberlaku jika salah satu dari
duaperusahaanyang hendak bergabung memiliki kecenderungan untuk
gagal,dan perusahaanyang mengalami kegagalantersebut tidak
menerimatawaran untukbergabung dengan perusahaan lain, dimana
penggabungan tersebuttidak akanmelanggarpedomanyang adadidalam
peraturan antitrust.
Auditor. Salah satupenilaianyang harus dilakukan auditorharus
membuatadalah apakahsuatu perusahaanberupaya melakukan going
concern. Penilaian inimempengaruhimetodepenilaian aset dan
kewajibanyangdianggap tepatuntuk pelaporan keuangan. Model
prediksikesulitan keuangan dapatmenjadi petunjuk yang berguna
untukauditordalam membuatkeputusanterkait going concern.
 Manajemen. Kebangkrutan dapat berartibahwa perusahaanmembebankan
biayalangsung dan tidak langsung dalam keterjadiannya. Biaya
langsungmeliputipembayaran jasa untuk para profesionalseperti
akuntandanpengacara. Biaya tidak langsungmeliputikerugian atas
penjualanmaupun biaya yang dikenakan olehpengadilan melalui wali
amanat yang ditunjuk. Altman(1984b) memperkirakan bahwadari sampel
yang diambil, yaitu 19perusahaan industriyangmengalami kebangkrutan,
"biaya kebangkrutan berkisar antara11% sampai 17% darinilai
perusahaanhingga tigatahunsebelum pailit" (hlm.1087). Hal ini bisa saja
terjadi jikasinyalperingatan dinidarikebangkrutan telah diamati
sebelumnya. Biayatersebut dapat dikurangi oleh mangementdengan cara
melakukan penggabungan denganperusahaan lainataumerencanakan
pengorganisasian kembali perusahaanpada waktu yang lebihtepat.

B. MasalahDalam KesulitanKeuanganOperasionalisasi

Kesulitan keuanganyang dibahas, bermaksud untuk menyelesaikan masalah

likuiditasyang parah,tanpamelakukan pembuatan skala yang cukup
darioperasiatau struktur dari entitas. Dalam menjalankan gagasan ini,
ternyatamenimbulkanmasalah yang sulit. Kesulitan keuangandapat dilihat
sebagaigagasanekonomi, dimana terdapatbeberapa poin yang saling
berkaitan.Riset empirispada bagian initelah memandang kriteria obyektifuntuk
mengkategorikanperusahaan. Permohonan kebangkrutanadalah kriteriayang
digunakan dalamkebanyakan studi: kejadiannya adalahsalah satubentuk
hukumyang dapatdipengaruhioleh tindakanbankirataukrediturlainnya. Bahkan
jikagagasan kesulitankeuanganmerupakan salah satu dari dua pilihan, maka
tidak perlu melakukan korespondensi antaratidak bermasalah/bermasalah (non-
distressed/distressed) dengan tidak bangkrut/bangkrut (non-bankrupt/bankrupt):

Nonfinancially financially
Distressed distressed
Nonbankrupt 1 2
Bankrupt 3 4

Pertimbangkanperusahaan yangjatuhpada kondisi 2, yaitu, tidak bangkrut,

tetapibermasalah secara finansial. Perusahaan-perusahaan inidapat
mengatasimasalah likuiditasmerekamelaluitindakan rescalingdari operasi mereka
(misalnya, penjualan80% daribasis asetmereka) atau melaluipenggabungan
dengan perusahaan lainnya. Jika perusahaan berada pada posisi 3, yang tidak
mengalami kesulitan kesulitan keuangan, namun mengalami kebangkrutan.
Perusahaandapat secara sukarela masuk kedalam posisi bangkrutuntuk
memaksaserikatpekerja untuk menerimatarifupah per jamyang lebih rendah
yang bertujuan mengurangi gugatanpotensial terhadap mereka. Ambiguitasyang
disebabkanoleh perusahaanjatuhkategori2dan3adalahpembatasanyang
melekatketikamenggeneralisasikanbanyakstudi penelitianyang dibahas
dalambab ini.
Permasalahan dalammendefinisikanfinancial distressdalam sektor non-laba
merupakantugas yang sangatsulit(lihatSchipper, 1977). Misalkansebuah
universitasswastamengadakan pertemuankesulitan
ekstrimmenjalankanbebandaribiaya kuliah, hibah, dan pendapatanendowment.
Beberapa pilihanmungkin terbuka untukwali amanatuniversitas. Salah satu opsi
yang ada adalah menutupuniversitasformaldan menjualfasilitasfisiknya. Pilihan
keduaadalah untuk mencarimerger denganuniversitas lain. Namunpilihan lain
adalahuntuk mengurangisecara drastispenelitianhibahdan
akuisisiperpustakaandan meningkatkanbebanmengajardosenyang ada. Opsi
terakhirdapat mengakibatkanperubahan penting dalam"misi, peran, atauruang
lingkup" dariuniversitas tersebut. Dalam sebuahstudiempiris, akan relatifmudah
untukmenggunakan opsipertama (penutupan) sebagai tandakesulitan keuangan.
Akanjauhlebih sulituntuk mengaturkriteria untukmengklasifikasikanuniversitas
yangmemilihopsi terakhir(perubahan misi, peran, atauruang lingkup) sebagai
kategorikesulitan keuanganataunondistressed.

C. IndikatorKesulitan Keuangan

Ada beberapaindikatoratau sumberinformasi mengenai, kemungkinankesulitan

keuangan. Salah satusumberadalah analisisarus kasuntuk periodesekarang dan
masa depan. Salah satu manfaat darimenggunakan sumberinformasi iniadalah
bahwa hal ituberfokuslangsung padagagasankesulitan keuanganuntuk
kepentinganjangka waktu. Perkiraanarus kasyang termasuk
dalamdaerahanalisisinisangat tergantung padaasumsi yang
mendasaripenyusunananggaran.
Sumber keduainformasi tentangkesulitan keuanganadalah analisis strategi
korporat. Analisis ini mempertimbangkan pesaing potensialdariperusahaanatau
lembaga, struktur biayarelatif, perluasan pabrik di industri, kemampuan
perusahaanuntuk menyampaikankenaikan biaya, kualitasmanajemen,
dansebagainya. Idealnya, pertimbanganini juga akanmendasarianalisis arus kas.
Namun,fokusterpisahpada isu-isustrategidapat
menyorotikonsekuensidariperubahan mendadakyang terjadidalam suatu industri.

Sumber ketigainformasi tentangkesulitan keuangan adalah analisislaporan

keuanganperusahaandan perbandinganterhadap perusahaan lain. Analisis
inidapat berfokuspada satu variabelkeuangan(analisis univariat) ataupada
kombinasivariabel keuangan(analisis multivariat).

Sumberkeempatinformasiberasal darivariabeleksternal sepertireturn

sekuritasdan peringkatobligasi. Variabel-variabel iniberpotensidapat
menyediakan informasi tentangaruskas di masa datangdanstrategi
perusahaandan informasidarilaporan keuanganperusahaanatau lembaga. Selain
itu, merekadapat menggabungkaninteraksirelatif kompleksantara itemindividu.

D. ModelUnivariatPrediksiDistress

Pendekatanunivariatuntukmemprediksikesulitan keuanganmelibatkan
penggunaansatu variabeldalam modelprediksi. Ada duaasumsi utamadalam
pendekatan ini:
1.Distribusivaribleuntuk perusahaanyang mengalami kesulitanberbedasecara
sistematis dari distribusivariabeluntukperusahaanyang tidak mengalami
kesulitan keuangan.

2.Perbedaandistribusisistematisdapat dimanfaatkanuntuk tujuanprediksi

Pendekatanunivariatakan digambarkanoleh studikasus berikut

1. StudiKasusA.S.KebangkrutanRailroad

Pada tahun 1970, beberapaperusahaan kereta api kelas satu di ASmengajukan

kebangkrutandi bawahketentuanundang-undangkebangkrutannasional.
MisalnyaBoston and Maine Corporation danPenn-Central Railroad Complex.
Bagaimana kualitas laporan keuanganyang diterbitkanpada
tahunsebelum1970dalam memprediksikebangkrutannya. Untuk
mengujipertanyaan ini,sampeldarisepuluhperusahaan kereta apidipilih
untukmembangun modelprediksiunivariat. (analisis rinci mengenai kebangkrutan
perusahaankereta apiAS di dalamAltman, 1973). Duarasioberikut ini
dihitunguntuk setiap perusahaandari1.969laporanyang diajukan olehperusahaan
kereta apiini denganKomisi Perdagangan Antarnegara Bagian (Intestate
Commerce Commission):

1.Biaya transportasiterhadap pendapatanoperasi (Transportation Expenses to

Operating Revenue TEIOR). Bebantransportasi terutamabiaya
aktualoperasikereta api dantermasukupahawakkereta api danpengeluaran
untukbahan bakar. Pendapatan usahaterdiripendapatansebagian besarjasa
angkut. Termasukkedalamnya pendapatandari jasa pengangkutan
penumpangdan pendapatandari sumberlain-lainsebagaipos kilat.

2.Waktubunga yang diperoleh(Time Interest Earned TIE). Pembebanan

bungahanya untukkewajibanbunga tetap. Laba yang dihitung adalah laba
sebelum bunga dan pajak. Sebuahnilai negatifrasio inimenunjukkan
bahwaperusahaan memilikilabanegatif(kerugian) sebelumbunga
danpajakpembayaran.

Untuk mempermudah, diasumsikan bahwadua rasioterdistribusi secara normal.

Tabel15.1menganai rinciansepuluh perusahaan kereta api dannilai daridua
rasiountuk setiapperusahaan kereta api pada tahun 1969. Sampel inidigunakan
untuk membangunbeberapa modelprediksiunivariatdandisebut
sebagaisampelestimasi.

Perbedaandistribusiantararasioperusahaan kereta apiyang mengalami

bangkrutdantidak bangkrut.

Asumsi pertamadalam pendekatanunivariatadalahbahwa

distribusirasioberbedaantaraperusahaan kereta apiyang bangkrutdanyang tidak
bangkrut. Asumsinormalitasuntuk setiaprasiomenyiratkan
bahwabaikmeanatauvarians daridistribusiberbedaantara kedua
kelompokperusahaan kereta api. Pada bagian inikita akanberkonsentrasi
padaperbedaanberarti. Untuk rasioTE/OR, nilai rata-rata dari kedua kelompok
tersebut adalah:

Nonbankrupt railroads 0,356

Bankrupt railroads 0,473
Tabel 15.1: Sampel dari Prediksi Kebangkrutan Perusahaan Kereta
Api:

Railroad TEIOR TIE

Nonbankrupt in 1970
1. Ann arbor railroad 0,524 -1,37
2. Central or georgia railway 0,348 2,16
3. Cincinnati, new orleans, and texas pacific 0,274 2,91
railway 0,237 2,82
4. Florida east coast railway 0,388 3,10
5. Illiois central railroad 0,359 2,81
6. Norfolk and western railway 0,400 3,56
7. Southern pacific transportation co. 0,314 3,93
8. Southern railway company
Bankruptcy filings in 1970
9. Boston and maine corporation 0,461 -0,68
10.Penn-central transportation co. 0,485 0,16

Artinya,kelompokbangkrutmenghabiskan lebih(rata-rata) setiap dolarpendapatan

usahapada biayatransportasi sepertiupah dari petugas keretadanbiaya bahan
bakar. Rata-rata untukrasioTIEdarikedua kelompokadalah

Rel kereta apiNonbankrupt2,49

Rel kereta apibangkrut-0,26

Dengan demikian, kelompokyang tidak bangkrutmembuktikankemampuan yang

lebih(rata-rata) untuk menghasilkanpendapatan yang cukupuntuk
menutupikewajibanbunga tetap. Pada keseimbangan, perbedaan-perbedaan
inimenunjukkan bahwasetidaknya satu tahunsebelumkebangkrutan,rasio
keuangandariperusahaan rel kereta apibangkrutdantidak bangkrut
tampaknyasangat berbeda. Sebuah tessignifikansi statistik(studentt), digunakan
untuk menentukanperbedaan antararata-rata dua kelompok, mendukung
kesimpulaninipada tingkatkepercayaan 0,05untuk setiaprasio

Teskemampuanprediktif

Permasalahan yang pentingadalah apakahseseorang dapatmenggunakanselisih

dar nilai rata-ratarasiountuk tujuanprediktif. Pendekatanunivariatterhadap
prediksiyang akan diuraikanadalah dengan tesklasifikasidikotomis. Pendekatan
inimemasukkan peringkatperusahaan kereta apidengannilairasiodan
kemudianmemeriksadatasecara visual untuk menentukantitikcut-ofyang
"optimal"untukmemprediksi sebuah perusahaankereta apisebagaiperusahaan
yang bangkrut atautidak bangkrut. Peringkat dariperusahaanuntuk
setiaprasiodisajikandalam tabel15.2. Untuk kesederhanaan, maka akan
diasumsikanbahwa satu-satunyapoincut-ofdipertimbangkan adalahtitik
tengahantararasio dari peringkat yang berdampingan; misalnya,
untukTE/ORrasio, titikcutoffpertamaadalah0,5045, yangmerupakan nilai tengah
antara 0.524dariperusahaan kereta api AnnArbordan0.485dari perusahaan
kereta api Penn-Central. Sebuah kesalahanprediksi tipe Iterjadi ketikaperusahaan
kereta api bangkrut(B) diperkirakan akantidak bangkrut(NB). Sebuah
kesalahantipe IIterjadi ketikaperusahaan kereta api tidak bangkrut (NB) kereta
apiyangdiprediksimenjadibangkrut(B).

Table 15.2 Railroad Bankruptcy prediction example:

Dischotomous Classification Test For Estimation Sample

Railroad Ratio Actual status in

1970
1. Ranking on TE/OR ratio
Ann arbor railroad 0,525 NB
Penn-central transportation 0,485 B
Boston and maine 0,461 B
Southern pacific 0,400 NB
transportation 0,388 NB
Illnois central railroad 0,359 NB
Norfolk and western railway 0,348 NB
Central of georgia railway 0,314 NB
Southern railway 0,274 NB
Cincinnati, new orleans,
and texas pacific 0,237 NB
Florida east cost railway

2. Ranking on TIE ratio

Southern railway 3,93 NB
Southern pacific 3.56 NB
transportation 3.10 NB
Illnois central railroad 2,91 NB
Cincinnati, new orleans,
and texas pacific 2,82 NB
Florida east cost railway 2,81 NB
Norfolk and western railway 2,16 NB
Central of georgia railway 0,16 B
Penn-central transportation -0,68 B
Boston and maine -1,37 NB
Ann arbor railroad

NOTE: NB = nonbanckrupt
B = bakrupt
Tipe I, tipe II, danjumlah kesalahan(missclassifications) dari
menggunakanbeberapa titikcutoffalternatifTE/ORrasioadalah

Cutoff point Number Numb Total number of

of type I er of errors
errors type II
 errors
Predict B if TE/OR > 0,5045 2 1 3
Predict B if TE/OR > 0,4730 1 1 2
Predict B if TE/OR > 0,4305 0 1 1
Predict B if TE/OR > 0,3940 0 2 2
Predict B if TE/OR > 0,3735 0 3 3

Titik cutoff yang meminimalkan jumlah misclassifications (kesalahan)

adalah memprediksikan bangkrut (B) ika TE/OR memiliki rasio> 0, 4305.
Hanya satu perusahaan kereta api tidak terklasifikasi menggunakan cutoff
ini, yaitu, Ann Arbor Railroad. Untuk rasio TIE, titik cutoff yang
meminimalkan jumlah misclassifications adalah memprediksi bankrut (B)
jika perusahaan kereta api ini TIE <1,16.

Teknik memilih cutoff berdasarkan sepuluh perusahaan kereta api dalam

estimasi sampel memasukkan kesulitan keuangan yang menjadi
karakteristik khusus dari perusahaan dalam dua kategori terlalu akan
mempengaruhi nilai titik cutoff. Idealnya, seseorang ingin perbedaan
antara perusahaan bangkrut dan tidak bangkrut yang dimasukkan ke
dalam model prediksi univariat untuk mencerminkan hanya perbedaan
populasi yang mendasari antara dua kelompok tersebut. Oleh karena itu,
penting untuk menguji kemampuan prediksi dari model univariat pada
sampel independen perusahaan rel kereta api. Sample independen disebut
validasi (atau ketidaksepakatan) sampel. Selama tahun 1971, hanya satu
perusahaan kereta api US kelas I mengajukan kebangkrutan, yaitu Reading
Company. Prusahaan kereta api ini dan sembilan perusahaankereta api
yang tidak bangkru lainnya pada tahun 1971 digunakan sebagai sampel
validasi. nilai rasio TE/OR dan TIE prerusahaan ini dalam tabel 15.3.

Tabel 15.4 mengikhtisarkan hasil prediksi untuk sampel validasi.

Penggunaan titik cutoff 0,4305 dan untuk TE/OR hasil rasio dalam hal tidak
ada kesalahan untuk Tipe I dan dua kesalahan untuk Tipe II: Erie-
Lackawanna dan Chicago, Milmaukee, St. Paul, dan Pasifik: dan Bangor
dan Aroostook. (The Erie-Lackawanna Railroad mengajukan kebangkrutan
pada tahun 1972)

Komentar umum pada Contoh Railroad

1. Kriteria yang digunakan untuk memilih titik cutoff untuk setiap rasio
adalah minimalisasi jumlah kesalahan klasifikasi. Kriteria ini tidak akan
selalu mengarah ke titik cutoff unik. Berikut peringkat lima perusahaan:

Railroad TE/OR Actual status

V 0,50 B
W 0,49 NB
X 0,48 B
Y 0,47 NB
Z 0,46 NB
Sebuah titikcutoffmemprediksiBjikaTE/OR>0495danmemprediksiBjika TE/OR
>0475akanmenyebabkansatu perusahaanmengalami salah klasifikasi. Secara
umum,pilihantitikcutoffakan bergantung padaprobabilitasperusahaanyangsalah
klasifikasi dankesalahan klasifikasi biaya terkait dengan setiaptitikcutoff.

2.Tesklasifikasidikotomis dijelaskanhanyalah salah satu daribeberapa

pendekatanunivariatuntukmemprediksiperusahaan yangbangkrut. Pendekatan
alternatif untukmenurunkantitikcutoffadalah dengan menggunakannilai rata-
rataataumedianrasiodalam sampelestimasi. MeanTE/ORrasiountuk
sepuluhperusahaan kereta apidalam sampelestimasiadalah0.356.
MenggunakanrasioModelunivariatberartimenyiratkanmemprediksikebangkrutanji
ka rasio>0356danmemprediksitidak bangkrut jika rasio<0356. (bagaimana
model initampil padaestimasidanvalidasisampel?)

Table 15.3 railroad bankruptcy prediction example: validation

sample

Railroad TE/OR TIE

Nonbankrupt in 1971
1. Akron, Canton, and Youngstown 0,382 1,85
Railroad
2. Alabama Great Southern Railroad 0,305 4,05
3. Atchison, Topeka, and Santa Fe 0,373 4,72
Railway 0,341 0,88
4. Bangor and Aroostook Railroad 0,425 2,73
5. Burlington Northern Incorporated 0,395 3,12
6. Chesapeake and Ohio Railway 0,437 0,27
7. Chicago, Milmaukee, St. Paul, and
0,469 0,22
Pacific Railroad
0,352 46,70
8. Erie-Lackawanna Railway Co.
9. St. Louis Southwestern Railway Co.
Bankruptcy filing in 1971
10.Reading company 0,451 0,40

Table 15.4 railroad Bankruptcy Prediction Example:

Dichotomous Classification Test for Validation Sample

Railroad ratio Actual

status in
1970
1. Ranking on TE/OR ratio
Erie-Lackawanna 0,469 NB
Reading Company 0,451 B
Chicago, Milmaukee, St. Paul, and 0,437 NB
Pacific Railroad
Burlington Northern 0,425 NB
Chesapeake and Ohio Railway 0,395 NB
Akron, Canton, and Youngstown 0,382 NB
Atchison, Topeka, and Santa Fe 0,373 NB
Railway
St. Louis Southwestern Railway 0,352 NB
0,341 NB
 Co. 0,305 NB
Bangor and Aroostook Railroad
Alabama Great Southern Railroad
2. Ranking on TIE ratio
St. Louis Southwestern 46,70 NB
Atchison, Topeka, and Santa Fe 4,72 NB
Alabama Great Southern 4,05 NB
Chesapeake and Ohio Railway 3,12 NB
Burlington Northern 2,73 NB
Akron, Canton, and Youngstown 1,85 NB
Bangor and Aroostook Railroad 0,88 NB
Reading Company 0,40 B
Chicago, Milmaukee, St. Paul, and 0,27 NB
Pacific Railroad
Erie Lackawanna 0,22 NB
Note ; NB-Nonbankrupt
B-Bankrupt

3. Jika beberapa model univariat digunakan, adalah mungkin bahwa mereka

dapat menghasilkan prediksi yang bertentangan untuk perusahaan. Lihat
pada Bangor dan Aroostook Railroad dalam sampel validasi (tabel 15.3
dan 15.4) Berdasarkan pada rasio TIE sebesar 0,88 itu akan salah
diprediksi akan bangkrut pada tahun 1971. Namun, TE/OR rasio senilai
0,341 memberikan prediksi yang berlawanan.

B. Perbedaan Distribusi Variabel Keuangan

Perbandingan rasio rata-rata perusahaan yang mengalami kesulitan keuangan
dan yang tidak mengalami kesulitan keuangan memiliki sejarah panjang dalam
literatur yang diterbitkan. Sebuah studi penting adalah Beaver (1966), yang
menggunakan perbandingan rasio keuangan rata-rata 79 perusahaan gagal dan
79 perusahaan nonfailed. Sebuah perusahaan ditetapkan sebagai gagal ketika
salah satu dari peristiwa berikut terjadi pada periode 1954-1964: kebangkrutan,
kegagalan obligasi, rekening bank minus, atau tidak membayar dividen saham
preferen. 79 perusahaan yang tidak gagal dipilih dengan menggunakan desain
sampel berpasangan. Untuk setiap perusahaan gagal, sebuah perusahaan tidak
gagal dalam jenis industri dan aset yang sama juga dipilih. Rata-rata tertimbang
dari 30 rasio keuangan yang dihitung untuk masing-masing kelompok gagal dan
tidak gagal di masing-masing lima tahun sebelum kegagalan. Beaver menyebut
perbandingan ini sebagai rasio rata-rata analisis profil. Mengkaji apakah ada
perbedaan rasio rata-rata dari dua kelompok. Arus kas untuk rasio utang total
dan laba bersih dibagi total aktiva muncul untuk menunjukkan perbedaan yang
ditandai pada lima tahun sebelum kegagalan.
Salah satu keterbatasan dari perbandingan pengujian rata-rata rasio keuangan
adalah bahwa hal itu meneliti hanya satu titik pada distribusi. Perbedaan antara
rata-rata bisa disebabkan oleh beberapa pengamatan ekstrim dalam salah satu
dari kelompok-kelompok yang diuji. Bagian dari pengamatan ekstrim, mungkin
ada tumpang tindih hampir selesai dalam distribusi rasio kedua kelompok. Ada
beberapa pilihan yang bisa digunakan untuk meningkatkan kepercayaan bahwa
ada perbedaan distribusi dalam rasio perusahaan yang mengalami kesulitan dan
tidak mengalami kesulitan. Salah satu pilihan adalah untuk titik plot yang dipilih
dari distribusi (katakanlah, 1..3..5..7, dan 9 fractiles) dari dua sampel dan
memeriksa data yang tumpang tindih. Sebuah pilihan kedua adalah dengan
menggunakan uji signifikansi statistik formal untuk perbedaan dalam distribusi.
Namun pilihan lain adalah untuk melakukan tes prediktif univariat dari jenis yang
diuraikan dalam perusahaan kereta api contoh prediksi kepailitan yang disajikan
di awal bab ini.

C. uji prediksi univariat

Tes klasifikasi dikotomis diuraikan sebelumnya pertama kali digunakan secara
luas oleh Beaver (1966). Sampel adalah 79 gagal dan 79 perusahaan tidak gagal
dijelaskan pada bagian sebelumnya. Titik cutoff dipilih oleh susunan nilai-nilai
masing-masing rasio dan memilih nilai yang meminimalkan total kesalahan
klasifikasi

Persentase. Sampel secara acak dibagi menjadi dua subkelompok. Titik cutoff
dipilih pada sub kelompok pertama (sampel estimasi) digunakan untuk
mengklasifikasikan perusahaan dalam subkelompok kedua (sampel validasi)
sebagai gagal atau nonfailed. Tingkat kesalahan klasifikasi persentase lima rasio
untuk masing-masing lima tahun sebelum kegagalan disajikan dalam tabel 15,5.
persentase ini untuk sampel validasi perusahaan. Arus kas terhadap total utang
dan laba bersih total aktiva rasio diklasifikasikan dengan sukses serupa di
masing-masing tiga tahun sebelum "kegagalan": misalnya, keduanya salah
klasifikasi hanya 13% dari perusahaan satu tahun sebelum "kegagalan". Salah
satu hasil yang menarik di Beaver (1966) adalah bahwa titik cutoff yang
meminimalkan
Table 15.5 univariate failure prediction: Dichotomous Classification Test
and Percentage misclassification rates

Financial ratio Year before failure

5 4 3 2 1
Cash flow/total debt 0,22 0,24 0,23 0,21 0,13
Net asset/total assets 0,28 0,29 0,23 0,20 0,13
Total debt/total assets 0,28 0,27 0,34 0,25 0,19
Working capital/total aasets 0,41 0,45 0,33 0,34 0,24
Current ratio 0,45 0,38 0,36 0,32 0,20
Source: Beaver (1966, table 3):
p.85

Total jumlah kesalahan klasifikasi yang dihasilkan dariperbedaan persentase

antara kesalahanTipe I dan TipeII. Secara khusus, perusahaan-perusahaanyang
tidak gagal sudah diprediksi secara benarsampai batasyang lebih besar daripada
perusahaan yang gagal.Misalnya,persentasekesalahan untukTipe 1 dan Tipe II
dari rasio utang terhadap arus kas adalah sebagai berikut

Year before Type I Error Type II Error Total

failure Percentage Percentage Misclassification
Percentage
5 0,43 0.05 0,22
4 0,47 0,03 0,24
3 0,37 0,08 0,23
2 0,34 0,08 0,21
1 0,22 0,05 0,13

D.Pandangan Mengenai Buktiunivariat

Jumlahrasio keuanganindividu danvariabel lainyang diteliti

dalamstudiprediksikesulitan keuangan yang dipublikasidalam 20 tahunterakhir
adalahlebih dari100.Zmijewski(1983) mengklasifikasikan 75diantaranya menjadi
sepuluhkategori. Menggunakan sampeldari72perusahaan yang
bangkrutdan3.573perusahaanyang tidak bangkrut selama periode1972-1978,
iamenghitung

rata-rata 75variabel(perusahaan) pada tahunsebelum mengalami kebangkrutan

TesFunivariatuntukhipotesis bahwarata-rata kedua kelompokadalah sama

Persentaseyang diklasifikasikan dengan benardengan menggunakan

variabelfungsi diskriminantunggal.
Tabel15.6menyajikanpoin penting darihasil. Empat kategorivariabelyang
menunjukkanperbedaan yang palingkonsistenantara
perusahaanbangkrutdantidak bangkrut

Tabel15,6rasio keuanganrata-rataperusahaanbangkrutdantidak bangkrut: satu

tahun sebelumpengajuan kebangkrutan

Financial characteristic Mean of distribution Univariat Percentag

e F test e
correctly
classified
bankrup nonbankrup
t t
1. Rate of return
measures
- Cash flow/net worth 0,119 0,316 77,18 93,64
- Net income/net -0,591 0,091 230,53 97,06
worth

2. Liquid asset
composition
 - Quick assets/total
assets

Tingkat pengembalian dari perusahaan bangkrut yang kurang

menguntungkan
Leveragekeuangan perusahaan yang bangkrutyang lebih tinggi
cakupan-pembayaran tetapperusahaanbangkrutmemiliki kemampuan
membayar lebih rendahdaripembayarantetapmereka denganpendapatan
merekaatauarus kas
Volatilitas pengembalian saham perusahaanyang bangkrut memilikirata-
rata pengembalian yang lebih rendahdan memiliki variabilitas
pengembalian saham yang lebih besar

Konsisten dengan banyakstudi penelitianlainnya, Zmijewskimelaporkan

bahwalikuiditasdan
aktivitas/omsetkategorivariabelmenunjukkanperbedaanyang
terbatasantara perusahaanbangkrutdantidak bangkrut. (Isu tidak dibahas
dalamliteraturini adalah bagaimanaprofilperusahaanbangkrutberbeda
dariprofilperusahaantidak bangkrutsangat suksesmemilikileverage
keuanganyang tinggi danvariabilitas pengembalian saham yang tinggi).
Hasilpada tabel15.6berhubungan denganperiodesatu tahun
sebelumpengajuankebangkrutan.

MODEL MULTIVARIAT OF DISTRESS PREDIKSI

Salah satu batasan dari pendekatan univariat adalah bahwa variabel yang
berbeda dapat berarti prediksi yang berbeda untuk perusahaan yang sama. Hal
ini tidak mengherankan bahwa upaya telah dilakukan untuk menggabungkan
informasi dalam beberapa variabel keuangan menjadi model multivariat tunggal.
Variabel dependen dalam model ini adalah baik prediksi untuk keanggotaan
kelompok (misalnya, bangkrut atau tidak bangkrut) atau estimasi probabilitas
keanggotaan kelompok (misalnya, probabilitas menjadi bangkrut). Variabel
independen diuji iasanya merupakan rasio keuangan dan variabel perusahaan
berorientasi lainnya. Isu yang muncul dalam pemodelan di area ini mencakup
1. Variabel apa yang harus dimasukkan?
2. bentuk apa yang harus diambil (misalnya, variabel yang masuk dalam aditif
linear atau dengan cara perkalian nonlinear)?
3. Apa bobot harus diterapkan dengan variabel?
Idealnya, beberapa teori ekonomi dari kesulitan keuangan harus membantu
keputusan panduan tentang (1), (2), dan (3). Sayangnya, teori yang tersedia
sangat sedikit yang dapat dipelari oleh pembangun model. Hal ini tidak
mengherankan bahwa analisis yang dipublikasikan mengandalkan pencarian
data yang lebih lanjut dan hasil penelitian sebelumnya untuk membantu dalam
memilih variabel.
tekinik statistik yang digunakan dalam kebanyakan studi penelitian dapat
diklasifikasikan ke dalam salah satu dari tiga kategori: (1) analisis diskriminan di
mana tujuannya adalah untuk mengklasifikasikan pengamatan ke dalam salah
satu dari dua kelompok, berdasarkan satu set variabel yang sudah
ditentukan(misalnya, Altman, Haldeman , dan Narayanan, 1977); (2) analisis
logit atau analisis probit di mana tujuannya adalah untuk memperkirakan
probabilitas suatu peristiwa (misalnya, kebangkrutan) akan terjadi berdasarkan
satu set variabel yang telah ditentukan (misalnya, Ohlson, I980); dan (3) partisi
rekursif, yaitu teknik klasifikasi nonparametrik, berdasarkan pengenalan pola
(misalnya, Marais, Patell, dan Wolfson, 1984, dan Frydman, Altman, dan Kao,
1985). Kita harus menggambarkan pemodelan multivariat dengan mengacu
pada contoh kereta api yang mengalami kebangkrutan dibahas sebelumnya.
Analisis diskriminan akan digunakan sebagai teknik statistik dalam ilustrasi ini.
(Lihat lampiran Bab 14 untuk penjelasan dari teknik ini.)

A. Studi Kasus Kebangkrutan Railroad AS

Dalam contoh ini, ada dua kelopmpok yang berlainan dan dikenal kelompok:
perusahaan kereta api yang tidak bangkrut pada tahun t atau perusahaan kereta
api yang bangkrut pada tahun t. Setiap perusahaan kereta api memiliki dua
variabel keuangan yang akan digunakan dalam model multivariat: rasio beban
pengeluaran transpotasi terhadap pendapatan operasi (Xi = TE / OR) dan times
interest earned ratio (Yi = TIE). Hal ini diasumsikan bahwa dua rasio ini berasal
dari populasi normal multivariat dan matriks varians-kovarians dari dua
kelompok adalah sama.
Model analisis diskriminan linier yang akan digunakan untuk tujuan klasifikasi
adalah
Zi = aXi + bYi

Menggunakandata untuksampel estimasi(Tabel 15.1),

kitamemperolehestimasiberikut(15.1):

Zi = -3,366Xi + 0,657 Yi (15.2)

Semakin rendahnilaiZidalam(15.2), semakin besar kemungkinan perusahaan

kereta apiadalah menjadibangkrut. Sebuah koefisiennegatif padaXiberartibahwa
semakin tinggirasiobiaya transportasiterhadap pendapatanoperasi,semakin
rendahnilaiZi. Koefisienpositif padaYiberartibahwa semakin rendahberapa
kalipembayaran bungapenutuppendapatan, semakin rendahnilaiZi. Untuk
menggambarkanestimasiZi-untuk setiapperusahaan kereta api, penn-central
dengan TE/OR=0.485danTIE=0, l6:

Zi =.366 x 0.485 + 0.657 x 0.16 = -1.527

tabel 15.7 rincian sepuluh perusahaan kereta api dalam sampel estimasi dan
diberi peringkat pada nilai Zi mereka. Titik cutoff yang meminimalkan jumlah
kesalahan klasifikasi adalah Zi = -0,640 (titik tengah antara 0,247 dan -1,527).
Cutoff dari kesalahan klasifikasi hanya satu perusahaan (Ann Arbor Railroad).
Fungsi diskriminan yanf diperkirakan berdasarkan sampel pada tahun 1970
dapat digunakan untuk memprediksi apakah perusahaan tersebut bangkrut /
tidak bangkrutpada tahun tahun 1971. Perkiraan skor Z untuk 1971 sampel dari
Tabel 15.3 dapat dilihat pada Tabel 15.8. Penggunaan titik cutoff Zi = -0,640
mengklasifikasikan status delapan dari sepuluh perusahaan kereta api. Dua
perusahaan kereta api yang tidak bangkrut yang tidak benar diprediksi akan
bangkrut pada tahun 1971: Chicago, Milwaukee, St. Paul, dan Pasifik dan Erie-
Lackawanna; seperti disebutkan sebelumnya, Eric-Lackawanna memasuki
kebangkrutan pada tahun 1972.

Table 15.7

B. Kinerja dari Model Multivariat Terpilih

Literatur yang mengandung banyak penelitian yang melaporkan hasil
kemampuan prediktif dengan menggunakan model multivariat. Ikhtisar
penelitian dalam literatur ini mencakup Altman et al. (1981), Scott (1981), Ball
dan Foster (1982), Altman (1983), Zavgren (1983), dan Zmijewski (1983, 1984).
Generalisasi dari penelitian ini adalah sulit karena perbedaan antar studi individu
sehubungan dengan teknik statistik yang digunakan, kriteria yang digunakan
untuk menetapkan perusahaan untuk kategori yang berbeda, dan sampel yang
diuji. Studi dari Zmijewski (1983) sangat mengurangi masalah ini. Model
multivariat berdasarkan variabel yang digunakan dalam penelitian sebelumnya
secara individual diuji dengan menggunakan teknik umum statistik (analisis
probit), definisi umum dari kategori kelompok (bangkrut / tidak bangkrut), dan
contoh umum (72 bangkrut dan 3,573
Tabel 15.8
perusahaan yang tidak bangkrut pada periode 1972 -1978). Salah satu aspek
menarik dari makalah Zmijewski (1983) adalah analisis tentang bagaimana
kemampuan prediksi bervariasi dengan asumsi yang berbeda untuk biaya relatif
dari kesalahan Tipe I (bangkrut diprediksi tidak bangkrut) kesalahan Tipe II (tidak
bangkrut diprediksi akan bangkrut). Hasil itu disajikan untuk empat kasus: biaya
kesalahan Tipe I sama dengan 1 kali, 2 kali, 20 kali, dan 38 kali biaya kesalahan
Tipe II. Kebanyakan penelitian sebelumnya mengasumsikan bahwa kesalahan
dari Tipe I dan II adalah sama ketika membuat prediksi.
Tabel 15.9 menyajikan hasil klasifikasi untuk model multivariat berdasarkan
variabel termasuk dalam tujuh studi berikut:

1. Beaver (1966), 30 financial ratios m \

2. Altman (1968), 5 financial ratios
3. Blum (1974), 5 financial ratios, 6 trend and dispersion measures of
financial variables, and I stockreturn variable
4. Altman, Haideman, and Narayanan (1977), 5 financial ratios. 1
financial ratiodispersion variable, and I firm-size variable
5. Dambolena and Khoury (1980), 19 financial ratios and 19 financial
ratiodispersion variables
6. Ohlson (1980), 6 financial ratios, 2 financial statement-based dummy
variables, and I firm-sizevariable
7. Zmijewski (1983), 5 financial-ratios and 1 financial ratio dispersion
variable

Beberapa hasil penting yang ditemukan dalam Tabel 15.9. Pertama, dengan
biaya kesalahan Type 1 sama dengan biaya kesalahanTipe II, semua model
memiliki persentase yang relatif tinggi klasifikasi yang benar (menjadi termurah
97,9% untuk total sampel). Pada bagian ini, temuan didasarkan oleh tingginya
persentase populasi dalam kategori tidak bangkrut. Memang, model yang
memprediksi semua perusahaan yang tidak bangkrut memiliki tingkat kebenaran
sebesar 98,0% (72 dari 3.645 kesalahan klasifikasi) dari sampel Zmijewski
(1983). Kedua, ketika biaya kesalahan Tipe I meningkat relatif terhadap
kesalahan Tipe II, ada peningkatan persentase kebangkrutan diklasifikasikan
dengan benar dan penurunan persentase tidak bangkrut diklasifikasikan dengan
benar. Ketiga, perbedaan dalam kinerja tujuh model menjadi lebih ditandai
sebagai biaya relatif kesalahan Tipe I meningkat. Misalnya, ketika biaya kesalah
Tipe I dan Tipe II adalah sama, persentase klasifikasi benar dari tujuh model
berkisar dari 97,9% menjadi 98,9%. Sebaliknya, ketika biaya kesalahan Tipe I
adalah 38 kali biaya kesalahan Tipe II, persentase klasifikasi benar berkisar dari
83,5% menjadi 91,7%.
Variabel yang diteliti dalam penelitian ini telah hampir secara eksklusif
berorientasi perusahaan, seperti rasio profitabilitas atau rasio cakupan. Ada bukti
yang cukup bahwa tingkat kegagalan dalam perekonomian berkorelasi dengan
variabel ekonomi makro seperti perubahan suku bunga dan perubahan tingkat
pengangguran; melihat Alt-man (1983, Bab. 2) dan Rose, Andrews, dan Giroux
(1982). Bukti ini meningkatkan kemungkinan bahwa model multivariat
menggabungkan perkiraan agregat makroekonomi dapat meningkatkan
kemampuan prediksi dari model saat ini dilaporkan dalam literatur.

Tabel 15.9

BuktiInternasional

Modelmultivariatdalam memprediksi kesulitan keuangantelah dikembangkandi

banyak negara. Altman(1983, 1984)surveimodel yang dikembangkandi Amerika
Serikat, Jepang, Jerman, Swiss, Brazil, Australia, Inggris, Irlandia, Kanada,
Belanda, dan Perancis. Salah satu isuyang dibahas dalamsurvei adalahkesamaan
rasio antaraperusahaan yang gagal danyang tidak gagal ternyata merupakan
permasalahn multinasional.. Tabel15.10menyajikanperbandinganhasilrasiorata-
rata untukbeberapa negara yang berbeda. Jugadisajikan dalam Tabel15.10adalah
rata-rataZiskormenggunakan modelmultivariatberikutpertama kali diterbitkan
padaAltman(1968):

Zi = 1.2X1i + 1.4X2i + 3.3X3i + 0.6 X4i + 1.0X5i(15.3)

where

X1i= (current assets current liabilities)/total assets

X2i= retained earnings/total assets

X3i=earnings before interest and taxes/total assets

X4i = market value of preferred and common equity/book value of
totalliabilities

X5i= sales/total assets

Pertimbangkannilai rata-rataberikut untukperusahaanbangkrutdantidak bangkrut

pada estimasi sampelAltman(1968):

rata-rata yang dihasilkan dari nilaiZiuntuk(15.3) akan menjadi-0,258untuk

sampelperusahaanbangkrutdan4,885untuk sampelperusahaanyang tidak
bangkrut. Altman(1984a) mencatat bahwa"setiap perusahaan denganZ-skor di
bawah 1,8dianggapkandidat utama untukkebangkrutan, dantabel
15.10menyajikan semakin rendahskor,semakin tinggi kemungkinankegagalan.
Berartiuntuk di ataslima variabeldanrata-rataskorZidari(15,3). di semualima
negara, adatampaknyaditandaiperbedaanantararasio
keuangankelompokperusahaan yang gagal danyang tidak gagal.
Dalam beberapa kasus, perhatian adalahdengankesulitan keuanganperusahaan
yangtidak memilikisekuritas publik. Bagi banyaknegara, perusahaan-perusahaan
tersebutterdiri darikomponen utama dariaktivitas perusahaan. Altman(1983, hlm.
120-124) yang diperkirakan ulang (15,3), denganXimenjadinilai bukunilai
ekuitaspreferendanbiasa/nilai bukudari totalkewajiban. Koefisienuntuk
modelrevisi ini, yangdapat diterapkan untukkedua perusahaanpublikdannon
publikdiperdagangkan, adalah

Zi = .717X1i+ .847X2i+3.107X3i +.420X4i + .998X5i (15.4)

Modelrevisi inimemiliki tingkatklasifikasipersentase-benar pada sampel

estimasisemulasebesar 94%(62/66 benar) dibandingkan dengan95% (63/66
benar?Untuk(15.3). PoincutoffAltmandilaporkan untuk(15,3) dan(15.4) yang

(15.3)
(15.4)

Assign to non bankrupt group if Z 2.99

2.90

Assign to bankrupt group if Z < 1.81 1.20

Gray area 1.81-2.99 1.20-2.90

Zona abu-abu mengacu pada skorZdimanaterjadi kesalahan klasifikasi terhadap

perusahaanl. Altman(I9S3) mencatat bahwadengan(15,4) "distribusi skor
Zkinilebih ketat dengankelompok yang mengalami tumpang tindih lebih besar.
Daerah abu-abulebih besar.... Semua inimenunjukkan bahwamodel
revisimungkin kurangdapat diandalkandaripada yang asli, tapi hanya sedikit
mengurangi"(hal. 124).

REAKSIPASAR MODALTERHADAPFINANCIAL DISTRESS

Studi yang menelitivariabellaporan keuanganmelaporkanbahwa tiga sampai lima
tahunsebelum pailit, perusahaanbangkrut, rasio keuangannyamulaimenunjukkan
perilakuberbeda dariperusahaantidak bangkrut. Penelitian yang menguji
perilakureturn sekuritassahamperusahaan yang
bangkrutjugamelaporkanbahwapasar modalmerevisi dengan
menurunkanpenilaiannyaterhadap perusahaanini sebelum
tanggalkebangkrutandiumumkan, misalnya, Beaver(1968); Aharony, Jones,
danSwary(1980); PettwaydanSinkey(1980); ShickdanSherman(1980);
AltmandanBrenner(1981); danClarkdanWeinstein(1983).

Hasil daridua studirepresentatif

1.Aharony, Jones, danSwary(1980)

membandingkanpengembaliandari45perusahaanASindustrialyang mengalami
kebangkrutanpada periode1970-1978dengan65perusahaan pengendali(sesuai
dengan industri dan ukuran perusahaan). Rata-ratapenyesuaian resiko
pengembalian mingguanuntuk setiap kelompokdihitung. Dengan minggu
0menjadiminggu dimana kebangkrutan dinyatakan, rata-ratarisiko
disesuaikankembali dengan perbedaanantaraperusahaanbangkrutdantidak
bangkrutadalahPara penulis menyimpulkan"investor menyesuaikan secara
bertahapke posisisolvabilitasmenurundari perusahaanbangkrutselama jangka
waktuempat tahun" (hal. 1011). Penurunandrastis dalamrata-rataselisih return
mingguan berada pada tujuhminggusebelum pailit.

2.ClarkdanWeinsten(1983) laporan hasilserupa denganAharony, Jones, seorang

Swary(1980) untuk36pengajuankebangkrutanoleh perusahaantercatat di
NYSEantara tahun 1962dan 1979untuk pengembalianrata-rata harianpada
periodepengajuanpermohonan pailit. Pengamatanhanya pada poin penting
dari36perusahaanyang tersedia,karenabanyak perusahaan
nontradingsampelmereka.

Kesimpulannya adalah bahwa"meskipun pemegang saham telahmengalami

kerugiansebelum H-1 kejadian, mereka biasanyamenderita tanbahan
kerugianbesardalamwaktu yang sangat singkatyang segera setelah pengajuan
kebangkrutan" (p496.).

Adalahbeberapa alasan untukmemperkirakanvariabelpasar

modalmengandunginformasi tentangkesulitan keuangan, sepanjang model
multivariat linear tambahanberdasarkan datalaporan keuangan:

a. Pasar modaldapat mengakuihubungannonlinierdanmultiplikatif antar data

laporan keuangandankesulitan keuangan

b. Pasar modaldapat mengakses informasitidak tercermin dalamlaporan

keuangan, misalnya, masuknya pesaing baru dengan biaya produksi yang lebih
rendah.
Untuk alasan yang sama, variabelsepertiperingkat obligasibisa berisiinformasi
yang relevan denganprediksimarabahaya.