PENDAHULUAN
penjualan lebih dari 63 miliar. Pada bulan Mei 2015 direktur Toshiba memberi
pernyataan bahwa perusahaan telah melakukan investigasi atas skandal akuntansi
dan merevisi perhitungan laba dalam tiga tahun terakhir. Toshiba telah melakukan
kebohongan senilai 1,22 Miliar sebagai upaya untuk menghasilkan laba yang
tinggi. Pada tanggal 21 Juli 2015, CEO Toshiba mengumumkan pengunduran diri
terkait skandal akuntansi beserta 8 pemimpin lain termasuk dua CEO sebelumnya.
Toshiba kemudian dikeluarkan dari indeks saham dan mengalami penurunan
penjualan dengan puncaknya telah merugi sebesar 8 miliar pada akhir tahun 2015.
Motif dari manipulasi laporan keuangan dilakukan karena perusahaan menerapkan
target laba yang tinggi sehingga pemimpin divisi terpaksa harus berbohong demi
mencapai target tersebut.
Kasus kecurangan laporan keuangan selanjutnya terjadi pada perusahaan
SNP finance pada tahun 2018. SNP Finance merupakan anak grup bisnis
Coloumbia yaitu perusahaan ritel yang menjual perabotan rumah tangga. SNP
Finance bertugas sebagai partner Coloumbia dalam menangani penjualan secara
kredit dengan dukungan pembiayaan melalui penghimpunan dana dari bank. Pada
akhir tahun 2017, kredit SNP Finance mulai bermasalah tetapi opini audit yang
diterima adalah wajar tanpa pengecualian. Dalam upaya mengatasi permasalahan
kredit macet dan menstabilkan kondisi keuangan perusahaan, SNP Finance
melakukan penerbitan surat hutang jangka menengah untuk membuka sumber
pendanaan baru.
Pada Mei 2018, SNP Finance mengajukan penundaan kewajiban
pembayaran hutang (PKPU) walaupun Pemeringkat Efek Indonesia (Perindo)
memberikan rating A terhadap surat hutang jangka menengah tersebut. Setelah
kabar tersebut tersebar, peringkat surat hutang jangka menengah SNP Finane
turun menjadi kategori gagal bayar. Setelah kasus ini diselidiki oleh Otoritas Jasa
Keuangan, fakta menunjukkan bahwa terjadi pemalsuan data piutang yang timbul
dari penjualan fiktif. Sampai saat ini, kasus SNP Finance telah ditangani
Bareskrim Polri terkait dugaan pemalsuan surat, penggelapan dan penipuan. Pihak
Otoritas Jasa Keuangan telah memberikan sanksi pembekuan aktivitas perusahaan
dan sanksi kepada KAP terkait.
3
Penelitian yang dilakukan oleh Tarjo dan Herawati (2015) bertujuan untuk
menguji keakuratan model Beneish M-Score dalam mendeteksi financial
statement fraud. Metode penelitian yang digunakan adalah Principal Component
Analysis (PCA) dan regresi logistik dengan sampel berupa laporan keuangan 35
perusahaan yang melakukan penipuan sesuai database penipuan perusahaan
publik yang dirilis OJK tahun 2001-2014 dan 35 perusahaan dengan industri
sejenis yang tidak termasuk daftar. Hasil penelitian menunjukkan bahwa model
Beneish M-Score mampu mendeteksi penipuan dengan presentase akurasi sebesar
77,1% (27 dari 35 perusahaan sampel) terbukti melakukan penipuan dalam
penyajian laporan keuangan nya. Sementara itu dari 35 sampel perusahaan non
fraud yang tidak terdaftar dalam blacklist database OJK, sebesar 80% (28 dari 35
perusahaan sampel) dikategorikan tidak melakukan kecurangan. Kesimpulan nya
variabel yang terbukti dapat mendeteksi financial fraud adalah GMI, DEPI, SGAI
dan TATA. Perbedaan penelitian sekarang dengan penelitian terdahulu terletak
pada metode penelitian, sampel penelitian dan periode pengambilan data
penelitian.
Laporan Laporan
Keuangan yang Model Beneish Keuangan yang
Di Manipulasi M-Score Tidak Di
Manipulasi
turut. Sebuah peningkatan pada piutang dapat menjadi indikasi bahwa perusahaan
berusaha meningkatkan penjualan yang berpengaruh terhadap peningkatan laba
melalui kelonggaran kebijakan kredit untuk memacu penjualan secara kredit.
Menurut Beneish (1999:10) kemungkinan peningkatan piutang dan
penjualan dapat berkaitan dengan pendapatan dan laba yang dilebih-lebihkan.
Hasil penelitian yang dilakukan oleh Kusuma (2016:16) menjelaskan bahwa
variabel DSRI memiliki pengaruh terhadap pendeteksian fraud. Menurut Kusuma
(2016:16) perusahaan dikatakan memiliki kinerja yang baik ketika nilai piutang
dan penjualan tinggi. Hasil penelitian tersebut konsisten dengan penelitian Roxas
(2011:60) yang menyebutkan variabel DSRI sebagai salah satu variabel penting
dalam model Beneish. Berdasarkan uraian tersebut, hipotesis yang diajukan dalam
penelitian ini adalah :
H1: Variabel Days Sales Receivable Index mampu membedakan laporan
keuangan yang dimanipulasi dan laporan keuangan yang tidak
dimanipulasi.
potensi lebih besar dalam melakukan manipulasi laba karena kekayaan atau aset
yang dimiliki tidak cukup untuk memenuhi kewajiban pembayaran hutang. Watts
dan Zimmerman (dalam Utami 2018) menyatakan bahwa ketika situasi
perusahaan semakin dekat dengan pelanggaran perjanjian hutang, manajer akan
cenderung memilih kebijakan akuntansi yang dapat meningkatkan laba melalui
prosedur pemindahan laba periode mendatang pada periode berjalan. Hal tersebut
dilakukan guna meyakinkan kreditor bahwa kinerja perusahaan dalam mengelola
dana sudah baik sehingga perusahaan dapat memperoleh perpanjangan pinjaman
maupun pinjaman kredit dari pihak lain.
Listiyawati (2016:661) dalam penelitian nya menyatakan bahwa leverage
merupakan salah satu faktor resiko keuangan. Leverage memiliki pengaruh
signifikan terhadap probabilitas suatu perusahaan melakukan tindakan kecurangan
laporan keuangan. Penelitian yang dilakukan Skousen et al (2009) menunjukkan
bahwa presentase total hutang terhadap total aset berpengaruh positif terhadap
financial statement fraud. Sejalan dengan hasil penelitian tersebut, Tarjo (2009)
mengemukakan bahwa perusahaan yang cenderung memiliki hutang yang besar
akan berupaya meningkatkan kinerja keuangan perusahaan. Apabila kinerja
keuangan tidak sesuai dengan yang diharapkan, maka manajer akan cenderung
melakukan tindakan oportunistik baik dengan manajemen laba maupun tindakan
yang bermuara pada kecurangan laporan keuangan. Berdasarkan pernyataan
diatas, maka hipotesis yang diajukan dalam penelitian ini adalah :
H7: Variabel Leverage Index mampu membedakan laporan keuangan yang
dimanipulasi dan laporan keuangan yang tidak dimanipulasi.
dan Supomo 2014:125). Kriteria penetuan sampel dalam penelitian ini adalah
sebagai berikut:
a) Perusahaan pertambangan yang terdaftar di Bursa Efek Indonesia dan
tidak mengalami delisting selama periode 2015-2017.
b) Perusahaan pertambangan yang mempublikasikan laporan keuangan
teraudit berturut-turut tahun 2015-2017 di website resmi BEI atau website
resmi perusahaan.
c) Variabel-variabel yang diteliti tersedia dengan lengkap dalam laporan
keuangan tahun 2015-2017.
𝑃𝑒𝑛𝑗𝑢𝑎𝑙𝑎𝑛 (𝑡)
SGI =
𝑃𝑒𝑛𝑗𝑢𝑎𝑙𝑎𝑛 (𝑡−1)
𝐷𝑒𝑝𝑟𝑒𝑠𝑖𝑎𝑠𝑖 (𝑡−1)
𝐷𝑒𝑝𝑟𝑒𝑠𝑖𝑎𝑠𝑖 (𝑡−1)+𝐴𝑠𝑒𝑡 𝑇𝑒𝑡𝑎𝑝 (𝑡−1)
DEPI = 𝐷𝑒𝑝𝑟𝑒𝑠𝑖𝑎𝑠𝑖 (𝑡)
𝐷𝑒𝑝𝑟𝑒𝑠𝑖𝑎𝑠𝑖 (𝑡)+𝐴𝑠𝑒𝑡 𝑇𝑒𝑡𝑎𝑝 (𝑡)
37
dengan satu. Menurut Santoso (2017:34) standar skor oulier adalah 2,5.
Jika nilai standarized atau Z-score lebih besar dari 2,5 dan lebih kecil dari
-2,5 maka data tersebut dikategorikan sebagai outlier.
b) Uji Normalitas
Uji normalitas bertujuan untuk menguji apakah variabel pengganggu atau
residual memiliki distribusi normal atau tidak. Salah satu cara menguji
normalitas data adalah dengan One Sample Kolmogorov-Smirnovtest
dengan taraf signifikansi 0.05 atau 5%. Data dikategorikan terdistribusi
normal apabila signifikansinya lebih besar dari 0,05. Begitu pula
sebaliknya, apabila nilai signifikansi dibawah 0,05 maka data tidak
terdistribusi normal (Ghozali 2011:154).
c) Uji Multikolonieritas
Uji multikolonieritas bertujuan untuk menguji apakah dalam model regresi
ditemukan adanya korelasi antar variabel independen karena model regresi
yang baik seharusnya tidak terjadi korelasi di antara variabel independen.
Jika dua variabel independen mempunyai korelasi yang kuat, maka
dikatakan terjadi multikolonieritas. Indikasi terjadinya multikolonieritas
akan menyebabkan interpretasi dari model yang terbentuk menjadi bias
(Ghozali 2011:103).
d) Uji Matriks Kovarians
Matriks kovarians antar variabel ini di uji dengan menggunakan Box M
Result. Matriks kovarians dari semua variabel independen seharusnya
sama (equal), akan tetapi analisis diskriminan akan tetap robust atau kuat
walaupun asumsi homogenitas tidak terpenuhi dengan syarat data tidak
memiliki nilai ekstrim atau outlier (Ghozali 2011:202).
dengan ciri khusus berupa variabel dependen berbentuk non metrik atau kategori
sedangkan variabel independen berbentuk metrik (Santoso 2017:151).
Kegunaan utama analisis diskriminan adalah mengidentifikasi variabel
independen mana yang secara nyata mampu membedakan kedua kelompok dan
menggunakan variabel-variabel yang telah teridentifikasi tersebut untuk
membentuk persamaan atau fungsi yang dapat menjelaskan perbedaan antara dua
kelompok. Dalam analisis ini, dua kategori yang dijadikan variabel dependen
adalah kelompok perusahaan yang tergolong dimanipulasi dan tidak dimanipulasi.
A. Uji Variabel Independen
Pengujian variabel independen dapat dilakukan dengan test of equality
goup means. Test of equality group means digunakan untuk melihat
apakah ada perbedaan secara signifikan antara dua kelompok digambarkan
dari semua variabel independen. Pengambilan keputusan dapat dilihat dari
nilai wilk’s lambda dengan angka signifikansi di bawah 0,05. Jika angka
signifikansi kurang dari 0,05 maka terdapat perbedaan antar grup,
sebaliknya nilai signifikansi di atas 0,05 menunjukkan tidak ada perbedaan
antar grup.
Dalam beberapa analisis diskriminan, sebuah variabel yang tidak lolos uji
tidak otomatis dikeluarkan namun tetap disertakan pada analisis
diskriminan selanjutnya. Pandangan ini berdasarkan prinsip bahwa dalam
analisis multivariat, variabel dianggap satu kesatuan bukan terpisah-pisah
(Santoso 2017:162). Pada penelitian ini digunakan metode step-wise
sehingga variabel akan dimasukkan satu per satu ke dalam model untuk
membentuk fungsi diksriminan, kemudian variabel yang tidak layak akan
dikeluarkan dari fungsi diskriminan.
1) Tabel Eigenvalues
Cara menguji perbedaan antara kedua kelompok dapat dilihat dari
angka canonical correlation dalam tabel eigenvalues. Nilai canonical
correlation digunakan untuk mengukur keeratan hubungan antara nilai
diskriminan atau besarnya variasi variabel dependen yang dapat
dijelaskan oleh variabel independen dengan kelompok. Menurut
Ghozali (2011:204) untuk mengetahui seberapa besar dan berarti
perbedaan diperlukan nilai square canonical correlation (CR2 ) yang
merupakah hasil kuadrat dari canonical correlation (CR). Angka CR2
yang semakin besar menunjukkan semakin baik pula fungsi yang
terbentuk.
2) Tabel Wilk’s Lambda
Menurut Santoso (2017:171) untuk menguji perbedaan kedua kelompok
secara bersamaan digunakan multivariate test of significance. Pengujian
tersebut dapat dilakukan dengan uji wilk’s lambda yang
diproksimasikan dengan nilai chi square. Hasil uji wilk’s lambda
menunjukkan apakah nilai means untuk kedua kelompok berbeda
secara signifikan atau tidak.
Keterangan:
Z score = Penamaan untuk fungsi diskriminan
𝛼 = Bilangan konstan
𝛽 = Koefisien variabel
MULAI
Analisis Diskriminan
Kesimpulan
SELESAI
Berdasarkan tabel 4.5 diatas, tidak terdapat data yang memiliki nilai
ekstrim sehingga asumsi pertama tentang data outlier dalam analisis diskriminan
telah terpenuhi.
Tabel 4.6 Perbandingan Mean dan Standar Deviasi pada Sampel Fraud dan
Non Fraud berdasarkan Beneish M-Score
Std
M_Score Mean Minimum Maksimum
Deviation
0 DSRI 0,9612 0,33752 0,11 1,92
GMI 0,8728 0,41904 -0,69 2,15
AQI 1,0481 0,28714 0,57 2,53
SGI 1,0092 0,31549 0,41 1,95
DEPI 0,9375 0,10670 0,73 1,28
SGAI 1,0194 0,23779 0,61 1,81
LVGI 0,9665 0,21203 0,53 1,87
TATA -0,0723 0,05858 -0,22 0,07
1 DSRI 1,4545 0,69476 0,27 2,68
GMI 1,5004 1,53010 0,20 5,61
AQI 0,9842 0,14612 0,59 1,26
SGI 1,1163 0,33688 0,63 1,98
DEPI 1,0699 0,36358 0,80 2,47
SGAI 1,1379 0,48059 0,65 2,25
LVGI 0,9629 0,22506 0,61 1,51
TATA 0,0085 0,07993 -0,17 0,17
50
sampel yaitu 1,0559, sampel yang berada dalam kelompok tidak dimanipulasi
memiliki nilai dibawah rata-rata sedangkan sampel kelompok dimanipulasi
memiliki nilai variabel GMI yang lebih tinggi dari rata-rata total.
Variabel AQI pada sampel kelompok tidak dimanipulasi mempunyai nilai
minimum sebesar 0,57, nilai maksimum 2,53 dengan rata-rata 1,0481. Nilai
variabel AQI pada sampel kelompok tidak dimanipulasi lebih tinggi dibandingkan
dengan sampel kelompok dimanipulasi yang memiliki nilai minimum sebesar
0,59, nilai maksimum 1,26 dan rata-rata 0,9842. Jika dilihat dari nilai rata-rata
semua sampel yaitu 1,0295, sampel yang berada dalam kelompok tidak
dimanipulasi memiliki nilai dibawah rata-rata sedangkan sampel kelompok
dimanipulasi memiliki nilai variabel AQI yang lebih rendah dari rata-rata total.
Variabel SGI pada sampel kelompok tidak dimanipulasi mempunyai nilai
minimum sebesar 0,73, nilai maksimum 1,28 dengan rata-rata 1,0092. Nilai
variabel SGI pada sampel kelompok tidak dimanipulasi lebih rendah
dibandingkan dengan sampel kelompok dimanipulasi yang memiliki nilai
minimum 0,63, nilai maksimum 1,98 dan rata-rata 1,1163. Jika dilihat dari nilai
rata-rata semua sampel yaitu 1,0405, sampel yang berada dalam kelompok tidak
dimanipulasi memiliki nilai dibawah rata-rata sedangkan sampel kelompok
dimanipulasi memiliki nilai variabel SGI yang lebih tinggi dari rata-rata total.
Variabel DEPI pada sampel kelompok tidak dimanipulasi mempunyai nilai
minimum sebesar 0,41, nilai maksimum 1,95 dengan rata-rata 0,9375. Nilai
variabel DEPI pada sampel kelompok tidak dimanipulasi lebih rendah
dibandingkan dengan sampel kelompok dimanipulasi yang memiliki nilai
minimum 0,80, nilai maksimum 2,47 dan rata-rata 1,0699. Jika dilihat dari nilai
rata-rata semua sampel yaitu 0,9761, sampel yang berada dalam kelompok tidak
dimanipulasi memiliki nilai dibawah rata-rata sedangkan sampel kelompok
dimanipulasi memiliki nilai variabel DEPI yang lebih tinggi dari rata-rata total.
Variabel SGAI pada sampel kelompok tidak dimanipulasi mempunyai
nilai minimum sebesar 0,61, nilai maksimum 1,81 dengan rata-rata 1,0194. Nilai
variabel SGAI pada sampel kelompok tidak dimanipulasi lebih rendah
dibandingkan dengan sampel kelompok dimanipulasi yang memiliki nilai
52
minimum 0,65, nilai maksimum 2,25 dan rata-rata 1,1379. Jika dilihat dari nilai
rata-rata semua sampel yaitu 1,0539, sampel yang berada dalam kelompok tidak
dimanipulasi memiliki nilai dibawah rata-rata sedangkan sampel kelompok
dimanipulasi memiliki nilai variabel SGAI yang lebih tinggi dari rata-rata total.
Variabel LVGI pada sampel kelompok tidak dimanipulasi mempunyai
nilai minimum sebesar 0,53, nilai maksimum 0,07 dengan rata-rata 0,9665. Nilai
variabel SGAI pada sampel kelompok tidak dimanipulasi lebih tinggi
dibandingkan dengan sampel kelompok dimanipulasi yang memiliki nilai
minimum 0,61, nilai maksimum 1,51 dan rata-rata 0,9629. Jika dilihat dari nilai
rata-rata semua sampel yaitu 0,9654, sampel yang berada dalam kelompok tidak
dimanipulasi memiliki nilai dibawah rata-rata sedangkan sampel kelompok
dimanipulasi memiliki nilai variabel LVGI yang lebih rendah dari rata-rata total.
Variabel TATA pada sampel kelompok tidak dimanipulasi mempunyai
nilai minimum sebesar -0,22, nilai maksimum 1,87 dengan rata-rata -0,0723. Nilai
variabel TATA pada sampel kelompok tidak dimanipulasi lebih rendah
dibandingkan dengan sampel kelompok dimanipulasi yang memiliki nilai
minimum -0,17, nilai maksimum 0,17 dan rata-rata 0,0085. Jika dilihat dari nilai
rata-rata semua sampel yaitu -0,0487, sampel yang berada dalam kelompok tidak
dimanipulasi memiliki nilai dibawah rata-rata sedangkan sampel kelompok
dimanipulasi memiliki nilai variabel TATA yang lebih tinggi dari rata-rata total.
dilakukan karena beberapa hasil perhitungan variabel memiliki skor minus (skor
terkecil adalah -0,01) sehingga ketika data outlier akan diperbaiki dengan
transformasi data, skor setelah proses transformasi menjadi tidak muncul karena
nilai nya sangat kecil sehingga program komputer mendeteksi hal tersebut sebagai
missing value. Dengan demikian, jumlah sampel akhir setelah pengurangan
sampel outlier adalah 72 sampel.
b. Uji Normalitas
Uji normalitas ditujukan untuk menguji apakah variabel pengganggu atau
residual memiliki distribusi normal atau tidak (Ghozali, 2011:154). Pengujian
normalitas data menggunakan uji One Sample Kolmogorov-Smirnov dengan taraf
signifikansi 0,05 atau 5%. Hasil uji normalitas dirumuskan dalam tabel berikut :
c. Uji Multikolonieritas
Uji multikolonieritas digunakan untuk menguji apakah dalam model
ditemukan adanya korelasi antar variabel independen. Menurut Santoso
(2017:156) asumsi yang perlu dipenuhi dalam analisis dikriminan adalah tidak
adanya korelasi yang kuat atau tidak terjadi multikolonieritas antar variabel
independen. Hasil uji multikolonieritas akan digambarkan dalam tabel berikut :
Tabel 4.8 Hasil Uji Multikolonieritas
a) Hipotesis :
Ho : Grup matriks kovarian adalah relatif sama.
Ha : Grup matriks kovarian adalah berbeda secara nyata.
b) Keputusan yang dapat diambil atas dasar signifikansi adalah :
Jika sig > 0,05 berarti Ho diterima.
Jika sig < 0,05 berarti Ho ditolak.
Hasil uji Box’s M menunjukkan bahwa nilai sig. adalah 0,00 yang berada
dibawah 0,05, maka dapat disimpulkan bahwa matriks kovarian berbeda secara
nyata. Hal tersebut berarti Ho ditolak dan menyalahi asumsi diskriminan. Matriks
kovarian dari semua variabel independen dalam analisis diskriminan seharusnya
sama, akan tetapi analisis diskriminan yang terbentuk akan tetap robust atau kuat
dan tetap layak dilanjutkan dengan syarat data tidak memiliki nilai ekstrim
(Ghozali 2011:202). Dengan demikian, walaupun asumsi homogenitas tidak
terpenuhi, analisis diskriminan tetap dapat dilanjutkan dan fungsi diksriminan
56
variabel AQI, DEPI, SGAI, dan LVGI yang memiliki nilai sig. > 0,05 tidak lolos
uji dan otomatis dikeluarkan dari pembentukan fungsi diskriminan. Penyusunan
variabel yang lolos uji untuk membentuk fungsi diskriminan ditunjukkan dalam
tabel 4.11 sebagai berikut :
variabel TATA, GMI, DSRI dan SGI dapat mendiskriminasi atau membedakan
laporan keuangan yang dimanipulasi dan tidak dimanipulasi berdasarkan
pengelompokkan Beneish M-Score Model. Tahapan pengeluaran variabel yang
tidak layak dari fungsi dikriminan yang akan terbentuk dapat dijelaskan dalam
tabel berikut :
Tabel 4.12 Proses Pengeluaran Variabel Independen
Min. Sig. of F to Min. D Between
Step Tolerance
Tolerance Enter Squared Groups
0 DSRI 1,000 1,000 0,000 1,110 0 and 1
GMI 1,000 1,000 0,008 0,496 0 and 1
AQI 1,000 1,000 0,337 0,063 0 and 1
SGI 1,000 1,000 0,020 0,111 0 and 1
DEPI 1,000 1,000 0,204 0,382 0 and 1
SGAI 1,000 1,000 0,166 0,132 0 and 1
LVGI 1,000 1,000 0,948 0,000 0 and 1
TATA 1,000 1,000 0,000 1,526 0 and 1
1 DSRI 0,995 0,995 0,000 2,824 0 and 1
GMI 0,852 0,852 0,000 3,161 0 and 1
AQI 0,991 0,991 0,664 1,543 0 and 1
SGI 1,000 1,000 0,275 1,635 0 and 1
DEPI 0,954 0,954 0,234 1,656 0 and 1
SGAI 0,943 0,943 0,027 1,986 0 and 1
LVGI 0,999 0,999 0,945 1,526 0 and 1
2 DSRI 0,871 0,745 0,000 6,059 0 and 1
AQI 0,983 0,839 0,946 3,162 0 and 1
SGI 1,000 0,851 0,315 3,280 0 and 1
DEPI 0,946 0,805 0,476 3,220 0 and 1
SGAI 0,941 0,804 0,035 3,696 0 and 1
LVGI 0,995 0,848 0,769 3,171 0 and 1
59
dan LVGI. Berdasarkan tabel tersebut, variabel DSRI dikeluarkan dari tabel
variabel yang tidak dianalisis karena memiliki angka sig. of F to enter terkecil
yaitu 0,000 dan angka Min D. Square terbesar yaitu 6,059.
Tahap selanjutnya (step 3) menampilkan variabel AQI, SGI, DEPI, SGAI,
dan LVGI sebagai variabel yang tersisa ketika proses pengujian terus berjalan.
Variabel SGI mempunyai angka sig. of F to enter terkecil yaitu 0,001 dengan
angka Min D. Square terbesar yaitu 7,914. Dengan demikian, variabel SGI
otomatis dikeluarkan dari kelompok variabel yang tidak dianalisis.
Tahap keempat (step 4) dapat disimpulkan bahwa proses pengeluaran
variabel telah berhenti. Berdasarkan tabel 4.12 diketahui bahwa angka sig. of F to
enter dari variabel AQI, DEPI, SGAI dan LVGI berada di atas 0,05. Dengan
demikian, tahap ini merupakan tahap penentuan variabel yang tidak dianalisis
lebih lanjut karena sudah tidak ada variabel yang memenuhi persyaratan untuk
dimasukkan dalam fungsi diskriminan.
Function
1
TATA 0,439
DSRI 0,374
GMI 0,250
a
AQI -0,239
SGI 0,118
a
SGAI -0,084
a
LVGI 0,080
a
DEPI -0,061
a. This variable not used in the analysis.
Sumber : Data Sekunder yang diolah dengan SPSS 23.
Function
1
DSRI (X1) 2,014
GMI (X2) 0,965
SGI (X4) 1,730
TATA (X8) 12,741
(Constant) -4,423
Sumber : Data Sekunder yang diolah dengan SPSS 23.
63
Z score = -4,423 + 2,014 DSRI + 0,965 GMI + 1,730 SGI + 12,741 TATA
Dalam menentukan angka cut off dari fungsi diskriminan yang terbentuk,
perlu menghitung angka kritis (Zcu) yang diperoleh dari rumus sebagai berikut :
N0 Z1 + N1 Z0
Zcu =
N0 + N1
Keterangan :
Perhitungan :
= 1,17254167
= 1,173
4.3 Pembahasan
1. Variabel Days Sales Receivable Index (DSRI) sebagai pembeda antara
laporan keuangan yang dimanipulasi dan tidak dimanipulasi.
Hasil uji analisis diskriminan yang ditampilkan dalam tabel 4.15
menunjukkan variabel days sales receivable assets (DSRI) memiliki nilai
koefisien sebesar 0,374. Pada tabel 4.11 terlihat bahwa variabel DSRI memiliki
nilai signifikan sebesar 3,048E-12 atau 0,0000000000030148 yang berada di
bawah 0,05. Berdasarkan hasil analisis tersebut, hipotesis pertama dinyatakan
diterima karena variabel DSRI secara nyata dapat membedakan laporan keuangan
yang telah dimanipulasi dan laporan keuangan yang tidak dimanipulasi.
Berdasarkan tabel 4.6 dapat dilihat bahwa nilai rata-rata rasio DSRI untuk
kelompok laporan keuangan yang telah dimanipulasi lebih tinggi dibandingkan
dengan kelompok tidak dimanipulasi. Hasil penelitian tersebut konsisten dengan
penelitian Kusuma (2016:16) dan sesuai dengan hasil penelitian Beneish
(1999:13) yang mengungkapkan bahwa peningkatan piutang dapat menjadi
indikasi bahwa perusahaan berusaha memperbesar akun penjualan melalui diskon
besar-besaran dan kelonggaran kebijakan penjualan kredit. Kebijakan tersebut
dilakukan dengan harapan menjaga loyalitas pelanggan lama dan menarik
pelanggan baru sehingga pendapatan dan laba mengalami kenaikan. Peningkatan
jumlah piutang dari tahun sebelumnya dapat menjadi indikasi bahwa peputaran
kas tidak terlalu baik (Rukmana, 2018:21). Dalam kondisi tersebut, perusahaan
kemungkinan melakukan manipulasi dengan melebihsajikan akun piutang dan
pendapatan untuk menjaga stabilitas keuangan.
Subramanyam dan Wild (dalam Rukmana 2018:21) mengungkapkan salah
satu cara untuk menarik investor dan mencapai tujuan financial stability yaitu
memanipulasi tanggal jatuh tempo hingga menghilangkan piutang yang jangka
waktu penagihan nya panjang. Sementara itu menurut Rahayu (2016) terdapat
sejumlah cara untuk memanipulasi laba, salah satunya melalui altering judgement
yaitu mengubah estimasi seperti umur ekonomis dan nilai sisa aset jangka
panjang, perkiraan piutang tak tertagih, serta penurunan nilai aset.
67
bahwa variabel DEPI tidak dapat membedakan laporan keuangan yang telah
dimanipulasi dan laporan keuangan yang tidak dimanipulasi dinyatakan diterima.
Variabel DEPI merupakan rasio untuk membandingkan beban depresiasi
sebelumnya terhadap aset tetap selama 2 tahun berturut-turut. Beneish (1999:11)
beranggapan bahwa perusahaan dapat melakukan manipulasi laba dengan cara
merevisi masa manfaat aset dan memilih metode penyusutan yang dapat
mengurangi nilai depresiasi sehingga aset perusahaan terlihat lebih besar.
Argumentasi tersebut tidak sesuai dengan hasil penelitian ini kemungkinan karena
kebijakan akuntansi yang diambil oleh perusahaan telah sesuai dengan standar
akuntansi yang berlaku. Sejalan dengan perkembangan ilmu akuntansi, saat ini
telah terdapat kebijakan yang mengatur tantang metode depresiasi seperti metode
garis lurus dan angka tahun sehingga variabel DEPI tidak dapat menjadi tolak
ukur terjadinya manipulasi laporan keuangan.
tinggi. Menurut Perez dan Herman (2010) Indonesia sebagai penganut sistem
hukum kode cenderung menjadikan manipulasi laba sebagai pilihan kebijakan
manajemen. Melalui pernyataan Leuz et al dapat disimpulkan bahwa di Indonesia,
perusahaan cenderung menggunakan manipulasi laba akrual dalam mencapai
target laba.
BAB 5. PENUTUP
5.1 Kesimpulan
5.2 Keterbatasan
Penelitian ini memiliki keterbatasan-keterbatasan yang memerlukan
perbaikan dan pengembangan dari penelitian-penelitian selanjutnya. Keterbatasan-
keterbatasan dalam penelitian ini antaralain :
a. Data pengamatan yang hanya menggunakan sampel perusahaan sektor
pertambangan dengan rentang periode penelitian hanya tiga tahun
sehingga cakupan hasil penelitian menjadi lebih sempit karena hasil
penelitian dapat berbeda jika diaplikasikan pada jenis perusahaan lain.
b. Metode untuk mendeteksi financial statement fraud hanya menggunakan
Beneish M-score.
c. Objek penelitian hanya mencakup laporan keuangan perusahaan yang
digolongkan telah dimanipulasi dan tidak dimanipulasi bukan
menggunakan objek berupa perusahaan dengan beberapa tahun
pengamatan.
5.3 Saran
Berdasarkan keterbatasan yang telah disebutkan di atas, saran bagi
penelitian selanjutnya adalah :
a. Menambah sampel penelitian dan jumlah periode penelitian karena model
Beneish M-score dapat diterapkan dalam berbagai sektor industri selama
variabel penelitian tersedia dalam laporan keuangan.
b. Menambah model lain dalam memprediksi financial statement fraud
seperti fraud triangle dan fraud diamond kemudian dibandingkan
efektivitas nya dengan model Beneish M-score.
c. Menggunakan perusahaan sebagai objek penelitian dengan beberapa tahun
periode pengamatan dan menambah kriteria apabila laporan keuangan
yang tergolong tidak dimanipulasi (kode 0) jumlahnya lebih banyak
daripada laporan keuangan yang tergolong telah dimanipulasi (kode 1)
maka perusahaan tersebut diindikasikan melakukan manipulasi dengan
penamaan perusahaan manipulator.
78
DAFTAR PUSTAKA
Christy., Marsasella, I., Sugito, dan Hoyyi A. 2015. Penerapan formula Beneish
M-Score dan analisis diskriminan linier untuk klasifikasi perusahaan
manipulator dan non-manipulator (studi kasus Bursa Efek Indonesia Tahun
2013). Jurnal Gaussian, 4 (2): 287-293.
Dechow, P. M., Ge, W., Larson, C. R. dan Sloan, R. 2011. Predicting material
accounting misstatements. Contemporary Accounting Research, 28 (1):
17-82.
Dermawan, S., A. 2017. Big Bath Accounting pada Kasus Rugi Penurunan Nilai
Aset Perusahaan Pertambangan Terbuka Indonesia. Skripsi. Jember:
Universitas Jember.
Ghozali, I. 2011. Aplikasi Analisis Multivariate dengan Program IBM SPSS 23.
Semarang: BPFE Universitas Diponegoro.
Indriantoro, N., dan Supomo. 2013. Metodologi Penelitian Bisnis untuk Akuntansi
& Manajemen. Yogyakarta: BPFE
Kartikasari., Novi, R., dan Irianto, G. 2010. Penerapan model beneish dan model
altman dalam pendeteksian kecurangan laporan keuangan. Jurnal
Akuntansi Multiparadigma, 1(2) : 323-40.
Kamal, M. E., Salleh, M. F., dan Ahmad, A. 2016. Detecting financial statement
fraud by malaysian public listed companies: the reliability of the beneish
m-score model. Jurnal Pengurusan 46(3) : 23-32.
Kaur, R., Sharma, K., dan Khanna, A. 2014. Detecting Earnings Management in
India : A Sector-wise Study. European Journal of Business and
Management, 6 (11) : 11-18.
McCarty J. 2017. Using Altman Z-Score and Beneish M-Score to detect financial
fraud and corporate failure: a case study from Enron corporation.
International Journal of Finance and Accounting, 6 (6) : 159-166.
Roxas, M. L. (2011). Financial statement fraud detection using ratio and digital
analysis. Journal of Leadership, Accountability and Ethics, 8 (4) : 56-66.
Safitri, L. N., dan Sari, S. P., Penggunaan Beneish M-Score Model untuk
Melakukan Deteksi Fraud Laporan Keuangan pada Klasifikasi Industri
Agrikultur di Bursa Efek Indonesia. Seminar Nasional dan Call for Paper,
18 (3) : 253-263
83
Santosa, S., dan Ginting, J. Evaluasi keakuratan model Beneish M-Score sebagai
alat deteksi kecurangan laporan keuangan (kasus perusahaan pada Otoritas
Jasa Keuangan di Indonesia).” Majalah Ilmiah Bijak, 16 (2) : 75-84.
Santoso, S. 2017. Statistik Multivatiate dengan SPSS. Jakarta: PT. Alex Media
Komputindo.
Siregar, S. V., & Tarigan, J. 2012. “Analisis Hubungan Manipulasi Aktivitas Riil
dan Kinerja Operasi Masa Depan : Bukti dari Pencapaian Earning
Brenchmark”. Jurnal Ekonomi dan Bisnis Universitas Indonesia, 1-21.
https://www.elisa.ugm.ac.id/user/achieve/download/242898/3096afc68ae3
9dce454014c53e24a7 [Diakses pada 1 Juli 2019].
Tarjo., dan Herawati, N. 2015. “Application of Beneish M-Score Models and Data
Mining to Detect Financial Fraud”. Procedia-Social and Behavioral
Sciences Journal, 211 (2015) : 924 – 930.
Yulia, A., dan Basuki. 2016. “Studi Financial Statement Fraud pada Perbankan
yang Terdaftar di Bursa Efek Indonesia.” Jurnal Ekonomi dan Bisnis, 26
(2): 187-200.