Anda di halaman 1dari 17

PEMBAHASAN

PREDIKSI KEBANGKRUTAN

13. PENGGUNA INFORMASI KEBANGKRUTAN


Informasi kebangkrutan bisa bermanfaat bagi beberapa pihak seperti berikut ini :
1. Pemberi pinjaman (seperti pihak Bank). Untuk mengambil keputusan siapa yang akan
diberi pinjaman, dan kemudian bermanfaat untuk kebijakan memonitor pinjaman yang ada.
2. Investor. Investor saham atau obligasi yang dikeluarkan oleh suatu perusahaan tentunya
akan sangat berkepentingan melihat adanya kemungkinan bangkrut atau tidaknya
perusahaan yang menjual surat berharga tersebut. Investor yang menganut strategi aktif
akan mengembangkan model prediksi kebangkrutan untuk melihat tanda-tanda
kebangkrutan seawal mungkindan kemudian mengantisipasi kemungkinan tersebut.
3. Pihak Pemerintah. Pada beberapa sektor usaha, lembaga pemerintah mempunyai
tanggung jawab untuk mengawasi jalannya usaha tersebut (misal sektor perbankan). Juga
pemerintah mempunyai badan-badan usaha (BUMN) yang harus selalu diawasi. Lembaga
pemerintah mempunyai kepentingan untuk melihat tanda-tanda kebangkrutan lebih awal
agar tindakan-tindakan yang perlu bisa dilakukan lebih awal.
4. Akuntan. Akuntan mempunyai kepentingan terhadap informasi kelangsungan suatu usaha
karena akauntan akan menilai kemampuan going concern suatu perusahaan.
5. Manajemen. Apabila manajemen bisa mendeteksi kebangkrutan lebih awal, maka
tindakan-tindakan penghematan bisa dilakukan, misal dengan melakukan merger atau
restrukturisasi keuangan sehingga biaya kebangkrutan bisa dihindari.

13.1. MASALAH DALAM KEBANGKRUTAN


Kesehatan suatu perusahaan bisa digambarkan dari titik sehat yang paling ekstrem sampai
ke titik tidak sehat yang paling ekstrem sebagai berikut :

Kesulitan keuangan (likuiditas) Tidak Solvabel (hutang


jangka pendek (technical insolvency) lebih besar dibandingkan asset)

1
1. Kesulitan keuangan (likuiditas) jangka pendek (technical insolvency) artinya kesulitan
keuangan jangka pendek bersifat sementara dan belum begitu parah. Tetapi kesulitan
apabila tidak ditangani bisa berkembang menjadi kesulitan tidak solvabel.
2. Tidak solvabel (hutang lebih besar dibanding aset) artinya jika tidak solvabel, perusahaan
bisa dilikuidasi atau direorganisasi. Likuidasi dipilih apabila nilai likuidasi lebih besar
dibandingkan dengan nilai perusahaan kalau diterusakan. Reorganisasi dipilih kalau
perusahaan masih menjunjukkan prospek dan dengan nilai perusahaan kalau diteruskan
lebih besar dibandingkan nilai perusahaan kalau dilikuidasi.

Berikut ini beberapa alternatif perbaikan berdasarkan besar kecilnya permasalahan


keuangan yang dihadapi oleh perusahaan :
a. Pemecahan Secara Informal
1) Dilakukan apabila masalah belum begitu parah
2) Masalah perusahaan hanya bersifat sementara, prospek masa depan masih bagus cara:
a) Perpanjangan (Extention) : dilakukan dengan memperpanjang jatuh tempo
hutang-hutang
b) Komposisi (Composition) : dilakukan dengan mengurangi besarnya tagihan,
misal klaim hutang diturunkan menjadi 70%. Kalau hutang besarnya 1.000, maka
nilai hutang yang baru adalah 0.7 x 1.000 = 700
b. Pemecahan Secara Formal
Dilakukan apabila masalah sudah parah, kreditur ingin mempunyai jaminan keamanan
cara :
1. Apabila nilai perusahaan diteruskan > nilai perusahaan dilikuidasi
Reorganisasi : dengan merubah struktur modal menjadi struktur modal yang layak
2. Apabila nilai perusahaan diteruskan < nilai perusahaan dilikuidasi
Likuidasi : dengan menjual aset-aset perusahaan
Analisis kebangkrutan dilakukan untuk memperoleh peringatan awal kebangkrutan (tanda-
tanda awal kebangkrutan). Semakin awal tanda-tanda kebangkrutan tersebut, semakin baik
bagi pihak manajemen karena pihak manajemen bisa melakukan perbaikan-perbaikan. Pihak
kreditur dan juga pihak pemegang saham bisa melakukan persiapan-persiapan untuk
mengatasi berbagai kemungkinan yang buruk. Tanda-tanda kebangkrutan tesrsebut dalam hal
ini dilihat dengan data-data akuntansi.

2
Dalam praktik, dan juga dalam penelitian empiris, kesulitan keuangan sulit untuk
didefinisikan. Kesulitan semacam itu bisa berati mulai dari kesulitan likuiditas (jangka
pendek), yang merupakan kesulitan keuangan yang paling ringan, sampai ke pernyataan
kebangkrutan, yang merupakan kesulitan yang paling berat. Dengan demikian kesulitan
keuangan bisa dilihat sebagai kontinum yang panjang, mulai dari yang ringan sampai yang
paling berat. Penelitian-penelitian empiris biasanya menggunakan pernyataan kebangkrutan
sebagai definisi kebangkrutan.
Adapun empat kategorinya yaitu :
Tidak Dalam Dalam Kesulitan
Kesulitan Keuangan Keuangan

Tidak Bangkrut I II
Bangkrut III IV

Penjelasan :
1. Perusahaan yang berada dalam kategori II barangkali mengalami kesulitan, tetapi berhasil
mengatasi masalah tersebut dan karena itu tidak bangkrut.
2. Perusahaan yang berada pada kategori III sebenarnya tidak mengalami kesulitan keuangan.
Tetapi karena suatu hal, misalkan karena ingin mengatasi tekanan dari pekerja, perusahaan
tersebut memutuskan untuk menyatakan bangkrut. Dengan situasi semacam itu nampak
kebangkrutan bisa mempunyai pengertian yang tidak jelas.
3. Pada situasi ke-IV, pengertian kebangkrutan relatif jelas, perusahaan mengalami kesulitan
keuangan dan karena itu akan bangkrut.
4. Demikian juga pada situasi I, situasi keuangan cukup jelas, dalam hal ini perusahaan tidak
mempunyai kesulitan keuangan dan tidak mengalami kebangkrutan. Tidak demikian
halnya dengan situasi II dan III yang bisa mempunyai pengertian yang kabur.
Ada beberapa indikator yang bisa menjadi prediksi kebangkrutan yaitu sumbernya dari:
1. Analisis aliran kas untuk saat ini atau untuk masa mendatang.
2. Analisis strategi perusahaan yaitu memfokuskan pada persaingan yang dihadapai oleh
perusahaan, struktur biaya relatif terhadap pesaingnya, kualitas manajemen,
kemampuan manajemen mengendalikan biaya, dan lainnya serta bisa digunakan

3
sebagai pendukung analisis aliran kas, karena kondisi perusahaan semacam di atas
akan mempengaruhi aliran kas perusahaan.
3. Analisis break even sebagai contoh, akan melihat seberapa jauh penjualan bisa turun
agar perusahaan masih bisa memperoleh keuntungan.
4. Laporan keuangan perusahaan yaitu dipakai untuk memprediksi kesulitan keuangan.
5. Informasi eksternal. Pada pasar keuangan yang sudah maju, lembaga penilai (rating)
sudah berkembang dan informasi mereka bisa dipakai untuk memprediksi
kemungkinan adanya kesulitan keuangan. Sebagai contoh apabila suatu perusahaan
sebelumnya di-rating AAA, kemudian rating tersebut diturunkan menjadi BBB,
informasi tersebut bisa menjadi tanda adanya kesulitan keuangan yang barangkali
terjadi di perusahaan.
13.2. PREDIKSI KEBANGKRUTAN : ANALISIS UNIVARIATE
Pendekatan tunggal (univariate) bisa dipakai untuk memprediksi kesulitan keuangan
dengan asumsi bahwa distribusi variabel keuangan untuk perusahaan yang mengalami
kesulitan keuangan berbeda dengan distribusi variabel keuangan untuk perusahaan yang tidak
mengalami kesulitan keuangan. Perbedaan distribusi variabel keuangan tersebut bisa dipakai
untuk memprediksi kesulitan keuangan.
Penggunaan metode tersebut akan bisa dijelaskan dengan menggunakan contoh kasus
perusahaan kereta api di Amerika Serikat. Pada tahun 1970, beberapa perusahaan kereta api
AS yang cukup besar mengalami kebangkrutan. Apakah rasio-rasio keuangan pada tahun-
tahun sebelumnya bisa memperkirakan kebangkrutan tersebut? Berikut ini ada dua rasio
keuangan yang dipilih untuk melihat apakah kebangkrutan perusahaan kereta api tersebut bisa
dilihat melalui rasio-rasio keuangan pada tahun-tahun sebelumnya.
(1) Rasio Biaya Transportasi terhadap Pendapatan Operasional (BT/PO). Biaya transportasi
merupakan komponen biaya yang tersebar yang terjadi pada perusahaan kereta api, yang
meliputi biaya operasional angkutan kereta, biaya gaji pegawai kereta, dan biaya bahan
bakar. Pendapatan operasional terutama berasal dari karcis kereta yang terjual, dan juga
pendapatan dari beberapa sumber yang lain seperti pendapatan angkutan barang atau surat
pos.
(2) Rasio Times Interest Earned (TIE) yang merupakan rasio EBIT (Earning Before Taxes) /
Interest. Bunga atau interest di sini adalah bunga dari kewajiban obligasi. Apabila

4
diperoleh angka negatif, berarti perusahaan mempunyai earning (atau pendapatan) yang
negatif.
Dengan asumsi kedua variabel di atas berdistribusi normal dan bisa dijadikan prediksi
kebangkrutan.
Sampel untuk TIE dan BT/PO beberapa perusahaan Kereta Api

Tidak Bangkrut pada Tahun 1970 BT/PO TIE

1. Aan Arbor 0,524 -1,37


2. Central Georgia 0,348 2,16
3. Cincinnati 0,274 2,91
4. Florida East 0,237 2,82
5. Illinois Central 0,388 3,10
6. Norfolk 0,359 2,81
7. Southern Pacific 0,400 3,56
8. Southern Railway 0,314 3,93

Bangkrut pada tahun 1970

1. Boston dan Maine 0,461 -0,68


2. Penn-Central 0,485 0,16

Rata-rata nilai rasio BT/PO untuk kedua grup tersebut adalah sebagai berikut :
Tidak bangkrut 0,356
Bangkrut 0,473
Kelompok perusahaan yang bangkrut mengeluarkan biaya operasional transportasi pada
setiap satu unit pendapatan operasional yang lebih besar dibandingkan dengan kelompok yang
tidak bangkrut. Sedangkan rasio TIE untuk kedua kelompok tersebut adalah :
Tidak bangkrut 2,49
Bangkrut -0,26
Nampak perusahaan yang tidak bangkrut mempunyai pendapatan (EBIT) relatif terhadap
biaya bunga yang lebih besar dibandingkan dengan kelompok perusahaan yang bengkrut.
Perbedaan rasio-rasio BT/PO dan TIE antara kelompok bangkrut dan tidak bangkrut cukup
besar dan tes statistik t student juga menunjukkan adanya perbedaan yang signifikan pada
derajat signifikansi 5%.
Apakah rasio-rasio tersebut bisa dipakai untuk memprediksi kebangkrutan? Untuk
menjawab pertanyaan tersebut, berikut ini langkah-langkah untuk menganalisis kemampuan

5
prediksi rasio-rasio tersebut. Yang pertama perlu dilakukan adalah menentukan titik cut off
(pembatas) yang bisa dipakai untuk menentukan batas perusahaan yang bangkrut dan yang
tidak bangkrut. Rangking perusahaan berdasarkan rasio-rasio bisa dilihat pada tabel berikut
ini.
Rangking Perusahaan Berdasarkan Rasio BT/PO dan TIE
Perusahaan Rasio Status di 1970
1. Rangking berdasarkan rasio BT/PO
Aan Arbor 0,524 TB
Penn Central 0,485 B
Boston and Maine 0,461 B
Southern Pacific 0,400 TB
Illinois Central 0,388 TB
Norfolk 0,359 TB
Central of Georgia 0,348 TB
Southern Railway 0,314 TB
Cincinnati 0,274 TB
Florida East 0,237 TB
2. Rangking berdasarkan rasio TIE
Southern Railway 3,93 TB
Southern Pacific 3,56 TB
Illinois Central 3,10 TB
Cincinnati 2,91 TB
Florida East 2,82 TB
Norfolk 2,81 TB
Central of Georgia 2,16 TB
Penn Central 0,16 B
Boston and Maine -0,68 B
Ann Arbor -1,37 TB

Titik cut off dihitung dengan cara mencari titik tengah antara rasio yang berurutan (misal
titik 0,5045 merupakan titik tengah antara 0,524 (Aan Arbor) dengan 0,485 (Penn-Central)).
Titik cut off yang menghasilkan kesalahan prediksi paling kecil akan dipilih. Kesalahan
prediksi terdiri dari dua tipe yaitu kesalahan tipe I dan kesalahan Tipe II seperti berikut ini
.
Diprediksi
Bangkrut Tidak Bangkrut
Kenyataan

Bangkrut Benar Kesalahan Tipe I

Tidak Bangkrut Kesalahan Tipe II Benar

6
Titik Cut off Kesalahan Kesalahan Total
Tipe I Tipe II Kesalahan
Prediksi Bangkrut
Apabila raiso BT/PO
lebih besar dari

0,5045 2 1 3
0,4730 1 1 2
0,4305 0 1 1
0,3940 0 2 2
0,3735 0 3 3

Berikut ini beberapa titik cut off dan total kesalahan yang dihasilkan.

Nampak bahwa rasio BT/PO yang lebih besar dari 0,4305 menghasilkan tingkat
kesalahanya yang paling kecil. Teknik pemilihan titik cut off semacam itu mengandung
bahaya bahwa karakteristik spesifik perusahaan-perusahaan dalam sampel akan
mempengaruhi nilai cut off, dan dengan demikian titik cut off tersebut tidak representative
untuk perusahaan-perusahaan lainnya.

Untuk menghindari kemungkinan semacam tersebut, akurasi titik cut off bisa diuji dengan
menggunakan perusahaan-perusahaan di luar sampel (uji validasi). Pengujian kemamppuan
predisi model univariate tersebut dengan menggunakan sampel perusahaan pada tahun 19X1
bisa dilihat sebagai berikut ini :

Perusahaan Rasio Prediksi Kenyataan


1. Rangking Berdasarkan raiso BT/PO
Erine 0,469 B TB
Reading 0,451 B B
Chicago, Milwaukee 0,437 B TB
Burlington 0,425 TB TB
Chesapeake 0,395 TB TB
Akron , Canton 0,382 TB TB
Atehison 0,373 TB TB
St. Louis 0,352 TB TB
Bangor 0,341 TB TB
0,305 TB TB
Alabama

7
2. Rangking Berdasarkan rasio TIE
St. Louis 46,70 TB TB
Atchison 4,72 TB TB
Alabama 4,05 TB TB
Chesapeake 3,12 TB TB
Burlington 2,73 TB TB
Akron , Canton 1,85 TB TB
Bangor 0,88 B TB
Reading 0,40 B B
Chicago , Milwaukee 0,27 B TB
Erie 0,22 B TB

Table 13.4 Prediksi Kebangkrutan Pada Tahun 19X1


Catatan B – Bangkrut TB – Tidak Bangkrut
Disamping pemilihan titik cut off yang meminimalkan biaya semacam diatas, ada beberapa
alternatif teknik pemilihan titik cut off : dengan menggunakan rata-rata atau nilai median dari
rasio-rasio disampel. Rata-rata BT/PO untuk seluruh perusahaan kereta dalam sampel adalah
0,356. Dengan demikian jika rasio BT/PO > 0,356 perusahaan diprediksi bangkrut dan begitu
juga sebaliknya. Menarik untuk dilihat beberapa jumlah kesalahan klasifikasi dengan
menggunakan angka 0,356 sebagai cut off rate. Jika beberapa variable dipakai untuk
memprediksi, ada kemungkinan hasil yang saling bertentangan akan diperoleh. Untuk
mengatasi kelemahan semacam itu metedo prediksi multivariate (prediksi berganda secara
simultan) bisa digunakan. Contoh metode tersebut adalah model deskriminan untuk
memprediksi kebangkrutan.

Kemampuan prediksi rasio-rasio keuangan diteliti oleh Beaver (1966) dengan


menggunakan 79 sampel perusahaan yang gagal dan 79 perusahaan yang tidak gagal. Titik
cut off dipilih dengan pertimbangan kesalahan prediksi yang paling kecil. Kemudian sampel
dibagi menjadi dua, satu kelompok digunakan untuk mecari titik cut off, kemudian titik cut off
tersebut digunakan untuk memprediksi kebangkrutan pada kelompok kedua (uji validasi).
Persentasi kesalahan klasifikasi dengan uji validasi bisa diliat pada tabel berikut ini dengan
menggunakan data-data 1,2,3,4, dan 5 tahun sebelum kebangkrutan. Tabel 13.5.
Misklasifiksi Prediksi dengan beberapaVariabel

Rasio Keuangan Tahun sebelum Kebangkrutan


1 2 3 4 5
Aliran Kas/Total Hutang 0,22 0,24 0,23 0,21 0,13

8
Aset bersih/Total Aset 0,28 0,29 0,23 0,20 0,13
Total Hutang/Total Aset 0,28 0,27 0,34 0,25 0,19
Modal Kerja/Total Aset 0,41 0,45 0,33 0,34 0,24
Rasio Lancar 0,45 0,38 0,36 0,32 0,20

Dari tabel diatas nampak bahwa rasio Aliran Kas/Total Hutang dan rasio Aset Bersih/Total
Aset mempunyai kemampuan prediksi yang paling baik setahun sebelum kabngkrutan karena
hanya salah memprediksi (missklasifikasi) sebesar hanya 13%. Penelitian tersebut juga
melihat besarnya tipe kesalahan yang terjadi seperti terliht berikut ini :

Tahun Sebelum Kesalahan Kesalahan Total


Kebangkrutan Tipe I Tipe II Kesalahan
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

Menarik untuk dilihat bahwa dari tabel tersebut bahwa :

1. Kesalahan Tipe II (prdiksi bangkrut, tetapi kenyataannya tidak bangkrut) selalu lebih kecil
dibandingkan kesalahan tipe I (prediksi tidak bangkrut, tetapi kenyataannya bangkrut).
Pada akhirnya pemilihan titik cut off akan dipengaruhi juga oleh besarnya biaya yang
berkaitan dengan tipe kesalahan. Apabila biaya kesalahan tipe I lebih besar dibandingkan
dengan biaya kesalahan tipe II, maka penilaian titik cut off akan lebih ditentukan oleh
kecilnya kesalahan tipe I, bukannta kecilnya kesalahan tipe II atau kesalahan total.

Rangkuman pada tabel 13.6 menyajikan kemampuan prediksi rasio-rasio keuangan dengan
nilai rata-rata rasio keuangan tersebut, dan presentase klasifikasi yang benar dengan menggunakan
model deskriminan variable tunggal. Empat variable menunjukkan perbedaan antara perusahaan
yang bangkrut dengan yang tidak bangkrut secara konsisten adalah :

1. Tingkat return (rate of return). Perusahaan yang bangkrut mempunyai tingkat return yang
lebih rendah.
2. Penggunaan Hutang. Perusahaan yang bangkrut menggunakan hutang yang lebih tinggi.
3. Perlindungan terhadap biaya tetap (Fixed payment coverage). Perusahaan yang bangkrut
mempunyai perlindungan terhadap biaya tetap yang lebih kecil.

9
4. Fluktuasi return saham. Perusahan yang bangkrut mempunyai rata-rata return yang lebih
rendah dan mempunyai fluktuasi return saham yang lebih tinggi.

Prediksi pada tabel 13.6 hanya berlaku untuk satu tahun sebelum kebangkrutan. Menarik
dilihat prediksi untuk beberapa tahun sebelum kebangkrutan.

Karakteristik Keuangan Rata- Rata Rata – F-test %Klasifikasi


Bangkrut Rata univariat Dengan Benar
Tidak e
Bangkrut
1. Ukuran tingkat keuntungan
a. Aliran Kas/Modal Saham 0,119 0,316 77,18 93,64
b. Laba Bersih/Modal Saham 0,59 0,091 230,53 97,06
2. Komposisi Aset Lancar
a. Quick Aset/Total Aset 0,258 0,273 1,18 50,41
3. Posisi Likuiditas
a. Aset Lancar/Hutang Saham 1,860 2,381 0,83 1,23
b. Quick Aset/Hutang Lancar 0,838 1,231 2,24 51,92
4. Hutang
a. Nilai Pasar Saham/(Nilai
Pasar saham + Nilai Buku
Saham) 0,995 0,999 177,41 88,08
b. Total Hutang/Total Aset 0,785 0,476 276,45 86,02
5. Aktivitas
a. Harga Pokok 0,991 10,432 0,11 21,29
Peni/Persediaan 0,188 0,147 3,92 66,43
b. Piutang Dagang/Peni 0,836 0,783 0,51 68,52
c. Total Aset/Penjualan
6. Rasio Beban Tetap
a. Dana dari Operasi/ 0,049 0,249 88,92 84,39
Total Hutang
7. Tren dan Dispersi
a. Strandar deviasi laba 3,330 0,179 78,17 97,03
bersih/Modal Saham 2,403 1,610 43,23 80,49
b. Break dalam tren Laba
Bersih 153,76 769,05 4,11 27,84
8. Ukuran Perusahaan
a. Total Aset 0,045 0,003 73,46 72,21
9. Retrurn Saham dan Fluktuasi 0,011 0,004 160,81 86,81
a. Return Saham
b. Varians return saham

10
13.3. PREDIKSI KEBANGKRUTAN : ANALISIS MULTIVARIATE
Salah satu kelemahan model univariate adalah kemungkinan terjadinya konflik antara
variable-variable yang dijadikan prediksi. Untuk mengatasi masalah tersebut model
multivariate dikembangkan. Variable bebas dalam model ini adalah rasio-rasio keungan yang
diperkirakan mempengaruhi kebangkrutan, sedangkan variable tidak bebas adalah prediksi
kebangkrutan (bangkrut dengan nilai 0 dan tidak bangkrut dengan nilai 1). Teknik statistik
yang sering digunakan adalah analisis deskriminan. Teknik analisis logis atau probit juga
sering digunakan untuk melihat profitabilitas suatu kejadian berdasarkan variable-variabel
tertentu.
Dengan menggunakan kasus kebangkrutan perusahaan kereta api, kita akan menggunakan
2 variabel untuk persamaan diskriminan, yaitu variable rasio BT/PO (variable bebas X1) dan
variable TIE(variable X2). Diasumsikan bahwa rasio-rasio yang dipakai berasal dari populasi
dengan distribusi normal dan matriks varians kovarians kedua kelompok tersebut sama.
Persamaan diskriminan linear bisa dituliskan sebagai berikut ini :
Zi =a X1 + b X2
Dengan menggunakan data yang sama dengan data Tabel 2, diperoleh perusahaan sebagai
berikut ini :
Zi = -3,366 X1 + 0,657 X2

Skor Z yang rendah berarti semakin besar kemungkinan untuk bangkrut. Koefisien
negative variable X1 (rasio BT/PO) menandakan adanya hubungan negative antara variable
tersebut dengan skor Zi. Semakin tinggi nilai X1, semakin rendah nilai Zi, dan semakin tinggi
kemungkinan kebangkrutan. Nilai koefisien positif pada variable X2, menandakan bahwa
semakin tinggi rasio TIE, semakin tinggi nilai skror Zi, dan semakin kecil kemungkinan
kebangkrutan. Misalkan kita menggunakan data perusahaan kereta api Penn-Cental dengan
rasio BT/Po = 0,485 dan rasio TIE = 0,16, skor Z bisa dihitung sebagai berikut ini :

Zi = -3,366 x 0,485 + 0,657 x 0,16


= -1,527

Tabel 13.7. Prediksi Kebangkrutan dengan Analisis Diskriminan


Perusahaan Skor Zi Status 70
Sothern 1,524 TB
Florida East 1,054 TB
Southern Pacific 0,991 TB

11
Cincinnati 0,989 TB
Illinois Central 0,730 TB
Norfolk 0,637 TB
Central og Georgia 0,247 TB
Penn-Central -1,527 B
Boston and Maine -1,998 B
Ann Arbor -2,663 B

Tabel di atas menunjukkan skor Zi untuk perusahaan dalam sampel. Titik cut-off yang
menghasilkan kesalahan (mis-klasifikasi) yang paling kecil adalah skor Zi = -0,640
(merupakan titik tengah antara 0,274 dengan -1,527). Titik ini hanya salah mengklasifikasikan
satu perusahaan yaitu Ann Arbor.
Persamaan diskriminan yang diperoleh tersebut bisa digunakan untuk memprediksi
kebangkrutan perusahaan pada tahun 19X1. Uji validitas tersebut bisa dilihat pada tabel
berikut ini :

Tabel 13.8. Prediksi Kebangkrutan Pada tahun 19X1

Perusahaan Skor Zi Status 19X0 Prediksi 19X1


St. Lois 29,482 TB TB
Atchison 1,844 TB TB
Alabama 1,633 TB TB
Chesapeake 0,719 TB TB
Burlington 0,362 TB TB
Akron, Canton -0,071 TB TB
Bangor -0,571 TB TB
Reading -1,255 B B
Chicago, Milwaukee -1,294 TB B
Erie -1,434 TB B

Nilai Zi kritis (yang meminimalkan kesalahan klasifikasi) adalah -0,640, yang


mengklasifikasikan dengan benar 8 dari 10 perusahaan. Dua perusahaan diprediksi bangkrut
pada tahun 19X0 ternyata tidak mengalami kebangkrutan. Sedangkan Erie mengalami
kebangkrutan pada tahun 19X2.
Variabel yang digunakan di atas secara ekslusif berasal dari dalam perusahaan seperti
profitabilitas atau likuiditas. Selain itu digunakan pula variabel eksternal seperti tingkat bunga,

12
kondisi perekonomian, atau perubahan tingkat pengangguran yang bisa digunakan oleh analis
multivariate.

13.4. BUKTI-BUKTI INTERNAL


Model prediksi kebangkrutan sudah dikembangkan ke beberapa negara. Altman
(1983,1984) telah melakukan survei ke beberapa negara untuk membahas apakah ada
kesamaan rasio keuangan yang dipakai untuk prediksi kebangkrutan semua negara. Sehingga
nilai Zi disajikan dan dicari dengan persamaan diskriminan berikut ini :
Zi = 1,2 X1 + 1,4 X2 + 3,3 X3 + 0,6 X4 + 1,0 X5
Keterangan :
X1 = (aktiva lancar – hutang lancar)/total aktiva
X2 = laba yang ditahan/total asset
X3 = laba sebelum bunga dan pajak/total asset
X4 = nilai pasar saham biasa dan preferen/nilai buku total hutang
X5 = penjualan/total asset

Penelitian yang dilakukan oleh Altman untuk perusahaan yang bangkrut dan tidak bangkrut
menunjukkan nilai-nilai kelima variabel tersebut sebagai berikut ini :

Perusahaan Bangkrut Perusahaan Tidak Bangkrut


X1 -0,061 0,414
X2 -0,626 0,355
X3 -0,318 0,154
X4 0,401 2,477
X5 1,500 1,900
Nilai Zi adalah -0,258 untuk perusahaan yang bangkrut dan 4,885 untuk perusahaan yang
tidak bangkrut. Nilai Zi kritis adalah 1,8. Perusahaan dengan nilai Zi di bawah 1,8 mempunyai
probabilitas kebangkrutan yang tinggi.
Masalah lain yang perlu dipertimbangkan adalah banyak perusahaan yang tidak go public
dan dengan demikian tidak mempunyai nilai pasar. Untuk beberapa seperti Indonesia,
perusahaan semacam itu merupakan bagian terbesar yang ada. Oleh karena itu, Altman
mengembangkan model alternatif dalam menghitung nilai Zi, yaitu :
Zi = 0,717 X1 + 0,847 X2 + 3,107 X3 + 0,42 X4 + 0,998 X5
Keterangan :
X1 = (aktiva lancar – hutang lancar)/total aktiva
13
X2 = laba yang ditahan/total asset
X3 = laba sebelum bunga dan pajak/total asset
X4 = nilai buku saham biasa dan preferen/nilai buku total hutang
X5 = penjualan/total asset
Model di atas memiliki kemampuan prediksi yang cukup baik juga (94% benar atau 62
benar dari total sampel 66), sedangkan yang asli (95% benar atau 63 benar dari 66 total
sampel).

Titik cut-off yang dilaporkan Altman adalah :

Dengan Nilai Pasar Dengan Nilai Buku


Tidak Bangkrut 2,99 2,90
Jika Z >
Bangkrut 1,81 1,20
Jika Z <
Daerah Rawan 1,81- 2,99 1,20 – 2,90

Daerah rawan merupakan kemungkinan munculnya klasifikasi yang salah. Tabel berikut
ini menyajikan perbandingan internasional rasio-rasio keuangan untuk perusahaan yang
bangkrut dan yang tidak bangkrut :

Tabel 13.9. Perbandingan Internasional Rasio-Rasio Keuangan untuk Memprediksi


Kebangkrutan

Rasio Keuangan AS (1968) AS (1977) Australia


Kelompok yang
Bangkrut
X1 -0,061 0,150 0,062
X2 -0,626 -0,406 -0,038
X3 -0,318 -0,005 0,002
X4 0,401 0,611 0,800
X5 1,500 1,310 1,200
Skor Z1 rata-rata -0,271 1,707 N/A
Kelompok yang
Tidak Bangkrut
X1 0,414 0,309 0,187
X2 0,355 0,294 0,220
X3 0,153 0,112 0,86
X4 2,477 1,845 3,110

14
X5 1,900 1,620 N/A
Skor Z1 rata-rata 4,885 3,878 4,003

Rasio Keuangan Brazil Kanada Jepang


Kelompok
Perusahaan yang
Bangkrut
X1 -0,120 0,100 -0,181
X2 0,010 N/A -0,163
X3 0,050 -0,120 -0,077
X4 0,350 N/A 0,533
X5 0,880 1,480 1,0667
Skor Zi rata-rata 1,24 N/A 0,667
Kelompok
Perusahaan yang
Tidak Bangkrut
X1 0,230 0,300 0,107
X2 0,240 N/A 0,154
X3 0,160 0,040 0,063
X4 1,140 N/A 0,878
X5 1,230 2,310 0,988
Skor Zi rata-rata 3,053 N/A 2,070

Catatan :

X1 = (aktiva lancar – hutang lancar)/total aktiva


X2 = laba yang ditahan/total asset
X3 = laba sebelum bunga dan pajak/total asset
X4 = nilai pasar saham biasa dan preferen/nilai buku total hutang
X5 = penjualan/total asset
Beberapa komentar bisa diajukan dalam kaitannya dengan model kebangkrutan semacam
ini. Sampai sejauh ini sangat sedikit pembicaraan teori yang bisa mengarah penelitian
kebangkrutan, seperti pemilihan variabel-variabel yang relevan yang menyebabkan prediksi
kebangkrutan lebih diarahkan ke pencarian variable-variable yang coba-coba. Pencarian
tersebut bisa dilakukan terhadap variabel-variabel yang relevan yang akan masuk ke sampel
untuk mencari sampel yang menghasilkan model yang paling baik, pencarian terhadap teknik-
teknik estimasi.
Dengan metode pencarian yang seperti itu, peneliti perlu mempertimbangkan kemungkinan
adanya bias, yaitu model tersebtu hanya mempunyai karakteristik yang sesuai dengan sampel

15
tersebut. Untuk menghindarinya, sampel bisa dibagi menjadi dua kelompok, yaitu mencari
model prediksi kebangkrutan, kemudian model tersebut diuji validitasnya dengan penggunaan
kelompok kedua.
Selain itu penelitian prediksi kebangkrutan menggunakan data beberapa periode sebelum
kebangkrutan, misalnya satu, dua, tiga, atau empat tahun sebelum kebangkrutan. Akan tetapi
tidak ada yang tahu kapan perusahaan akan bangkrut, sehingga pilihan waktu tergantung pada
beberapa faktor seperti kemampuan bank untuk membantu restrukturisasi keuangan,
kebangkrutan perusahaan lain, dan negosiasi dengan pekerja.
Penggunaan kelompok pasangan bangkrut-tidak bangkrut untuk tiap industri yang
ukurannya besar secara efektif akan menghilangkan pengaruh keda variabel tersebut.
Penelitian oleh Dun & Brudstreet menunjukkan kegagalan bisnis per industri (1983) yaitu :
Kegagalan bisnis per 10.000 operasi bisnis
Industri
Furniture 211
Peralatan transportasi 180
Tekstil 126
Makanan 93
Kertas 71

Retail
Pakaian anak dan bayi 227
Barang-barang sports 116
Pakaian dewasa laki-laki 112
Makanan dan minuman (restoran) 65
Departemen Store 34

16
DAFTAR PUSTAKA

Hanafi, Mamduh M. dan Abdul Halim. 2009. Analisis Laporan Keuangan. Edisi Keempat.
Yogyakarta: UPP-AMP YKPN.

17