Skripsi Fix Adistya

Model Early Warning System (EWS) Dalam Memprediksi Financial
Distress Pada Perusahaan Asuransi yang Terdaftar di BEI

(Studi Empiris Pada Perusahaan Asuransi Yang Terdaftar di BEI
Periode 2014-2019)
SKRIPSI
Disusun Oleh :
Adistya Aulia Utami
NPM. 16.0102.0074
Program Studi Akuntansi Fakultas Ekonomi dan Bisnis

Universitas Muhammadiyah Magelang
Tahun 2020
Periode 2014-2019)
SKRIPSI
HALAMAN JUDUL
Diajukan Guna Memenuhi Salah Satu Syarat Memperoleh

Gelar Sarjana Ekonomi Pada Fakultas Ekonomi dan Bisnis
Universitas Muhammasiyah Magelang
Disusun Oleh:
Adistya Aulia Utami
NIM. 16.0102.0074
PROGRAM STRUDI AKUNTANSI FAKULTAS EKONOMI DAN BISNIS

UNIVERSITAS MUHAMMADIYAH MAGELANG
TAHUN 2020
LEMBAR PENGESAHAN
Skripsi dengan judul:

Periode 2014-2019)
Yang disusun oleh :
Nama : Adistya Aulia Utami

NIM : 16.0102.0074
Fakultas : Ekonomi dan Bisnis
Progam Studi : Akuntansi
Disetujui untuk digunakan dalam ujian komprehensif.
Magelang, 2 Agustus 2020
Dosen Pembimbing
Muh. Al-Amin, SE., M.Si

NIK. 997208153
ii
SURAT PERNYATAAN
Yang bertanda tangan di bawah ini:

NIM : 16.0102.0074
Fakultas : Ekonomi dan Bisnis
Program Studi : Akuntansi
Dengan ini menyatakan bahwa skripsi yang saya susun dengan judul:
Periode 2014-2019)
adalah benar-benar hasil karya saya sendiri dan bukan merupakan plagiat dari Skripsi
orang lain. Apabila kemudian hari pernyataan Saya tidak benar, maka Saya bersedia
menerima sanksi akademis yang berlaku (dicabut predikat kelulusan dan gelar
kesarjanaannya).
Demikian surat pernyataan ini Saya buat dengan sebenarnya, untuk dapat dipergunakan
bilamana diperlukan.
Magelang, 9 September 2020

Pembuat Pernyataan,
Adistya Aulia Utami

NIM. 16.0102.0074
iii
RIWAYAT HIDUP

Jenis kelamin : Perempuan
Tempat, Tanggal lahir : Magelang, 31 Desember 1997
Agama : Islam
Status : Belum menikah
Alamat rumah : Karanglo RT 4 RW 1, Glagahombo
Kec. Tegalrejo, Kab. Magelang
Alamat Email : Adistyaaulia97@gmail.com
Pendidikan Formal :
Sekolah Dasar (2003-2009) : SD Negeri Glagahombo
SMP (2009-2012) : SMP Negeri 10 Magelang
SMA (2012-2015) : SMK Negeri 2 Magelang
Perguruan Tinggi (2016-2020) : S1 Program Studi Akuntansi Fakultas
Ekonomi dan Bisnis Universitas
Muhammadiyah Magelang
Pengalaman organisasi:
- Anggota Lembaga Pers Mahasiswa Universitas Muhammadiyah Magelang
Periode 2016/2017
Pembuat pernyataan,
Adistya Aulia Utami

NIM. 16.0102.0074
iv
MOTTO
”Waktu bagaikan pedang. Jika kamu tidak memanfaatkannya dengan

baik, maka ia akan memanfaatkanmu”.
(HR. Muslim)
“Dunia ini ibarat bayangan. Kalau kamu berusaha menangkapnya, ia

akan lari. Tapi kalau kamu membelakanginya, ia tak punya pilihan
selain mengikutimu”.
(Ibnu Qayyim Al Jauziyyah)
“Jangan menjelaskan dirimu kepada siapa pun, karena yang

menyukaimu tidak butuh itu. Dan yang membencimu tidak percaya
itu”.
(Ali bin Abi Thalib)
“Menjalani kehidupan di dunia ini adalah yang pertama kalinya bagi

kita semua, jadi lakukan apa yang ingin kita lakukan tanpa merasa
insecure dengan orang lain”
v
KATA PENGANTAR
Assalamu’alaikum Wr.Wb.
Alhamdulillahi robbil’alamin, puji syukur peneliti dihaturkan kepada Allah SWT atas
taufiq, hidayah dan inayah-Nya sehingga dapat menyelesaikan penelitian dan skripsi yang
berjudul ” Model Early Warning System (EWS) Dalam Memprediksi
Financial Distress Pada Perusahaan Asuransi yang Terdaftar di BEI
Periode 2014-2019)”. Penulisan skripsi dilakukan untuk memenuhi salah satu syarat
kelulusan dalam meraih derajat Sarjana program Strata Satu (S-1) Fakultas Ekonomi dan Bisnis
Universitas Muhammadiyah Magelang.
Selama penelitian dan penyusunan skripsi, penulis tidak luput dari kendala.
Berkat adanya bimbingan, pengarahan, dukungan, dan bantuan dari berbagai pihak
penulis dapat menyelesaikan penelitian dan penyusunan skripsi. Oleh karena itu
penulis ingin menyampaikan rasa terima kasih setulus-tulusnya kepada:
1. Ibu Dra. Marlina Kurnia, M.M selaku Dekan Fakultas Ekonomi dan Bisnis
Universitas Muhammadiyah Magelang.
2. Bapak Dr. Wawan Sadtyo Nugroho, S.E., M.Si selaku Ketua Program Studi
Akuntansi.
3. Bapak Muh. Al-Amin, SE., M.Si selaku dosen pembimbing yang telah berkenan
meluangkan waktu, tenaga, pikiran, dukungan dan saran dalam menyelesaikan skripsi ini.
4. Ibu Farida, SE., M.Si., Ak., CA selaku dosen penguji 1 (satu) yang sudah
membantu memberikan saran terhadap perbaikan skripsi ini.
5. Ibu Yulinda Devi Pramita, S.E., M.Sc.Ak, selaku dosen penguji 2 (dua) yang sudah
membantu memberikan saran terhadap perbaikan skripsi ini.
6. Seluruh dosen dan karyawan yang telah memberikan bekal ilmu dan menuntun
selama menjalankan studi di Universitas Muhammadiyah Magelang.
7. Bapak Maming dan Ibu Sukarti selaku orang tua yang selalu memberikan
dorongan dan semangat, serta selalu mendoakan yang terbaik untuk anaknya.
8. Adik-adikku Nayla Shasi Anura dan Alya Syaira Nurmawa yang selalu
mendukung penulis dan memberikan dukungan untuk melakukan apa yang
penulis ingin lakukan.
9. Teman-teman tersayangku, Halimah, Maria dan Ainun yang selalu menemani
hari-hariku dari SMK hingga saat ini. Semoga persahabatan ini selalu terjaga.
10. Teman-teman yang kucintai, Geulis dan Tri Wahyu yang selalu menampung
segala suka dan duka selama masa perkuliahan dan akan terus berlanjut sampai
kapanpun.
11. Teman-teman Akuntansi 16B, yang telah menjadi teman baik selama kuliah.
12. Teman-teman dari LPM Tidar 21 yang tidak bisa disebutkan satu persatu yang
sudah selalu menjadi rumah kedua ketika dikampus. Terima kasih atas
kebersamaan dan dukungan dari teman-teman selama ini.
vi
13. Semua pihak yang tidak dapat penulis sebutkan satu-persatu yang telah
memberikan bantuan dan motivasinya.
Wassalamu’alaikum Wr.Wb.

Pembuat pernyataan,
Adistya Aulia Utami

NIM. 16.0102.0074
vii
DAFTAR ISI
HALAMAN SAMPUL .................................................................................................. i

LEMBAR PENGESAHAN .......................................................................................... ii
SURAT PERNYATAAN............................................................................................. iii
RIWAYAT HIDUP ...................................................................................................... iv
MOTTO ........................................................................................................................ v
KATA PENGANTAR ................................................................................................. vi
DAFTAR TABEL ......................................................................................................... x
DAFTAR GAMBAR ................................................................................................... xi
DAFTAR LAMPIRAN ............................................................................................... xii
ABSTRAK ..................................................................................................................xiii
BAB I PENDAHULUAN ..................................................................................... 1
A. Latar Belakang ................................................................................................... 1
B. Rumusan Masalah .............................................................................................. 9
C. Tujuan Penelitian ............................................................................................... 9
D. Kontribusi Penelitian .......................................................................................... 9
BAB II TINJAUAN PUSTAKA ........................................................................ 10
A. Telaah Teori ..................................................................................................... 10
1. Teori Sinyal .................................................................................................. 10
2. Financial Distress ........................................................................................ 12
3. Early Warning System .................................................................................. 18
4. Rasio Keuangan ............................................................................................ 19
B. Telaah Penelitian Sebelumnya ......................................................................... 22
C. Perumusan Hipotesis ........................................................................................ 24
D. Model Penelitian .............................................................................................. 30
BAB III METODA PENELITIAN .................................................................... 31
A. Populasi dan Sampel ........................................................................................ 31
B. Data Penelitian ................................................................................................. 31
C. Variabel Penelitian dan Pengukuran Variabel ................................................. 32
D. Metode Analisis Data ....................................................................................... 37
viii
E. Pengujian Hipotesis .......................................................................................... 40
BAB IV HASIL DAN PEMBAHASAN ............................................................. 43
A. Populasi dan Sampel ........................................................................................ 43
B. Statistik Deskriptif Variabel Penelitian ............................................................ 44
C. Uji Multikolinearitas ........................................................................................ 47
D. Analisis Regresi Logistik ................................................................................. 48
E. Uji Hipotesis .................................................................................................... 51
F. Pembahasan ...................................................................................................... 56
G. Pembahasan Keseluruhan ............................................................................. 64
BAB V KESIMPULAN ..................................................................................... 67
A. Kesimpulan ...................................................................................................... 67
B. Keterbatasan Penelitian .................................................................................... 68
C. Saran................................................................................................................. 68
DAFTAR PUSTAKA ................................................................................................. 69
LAMPIRAN ................................................................................................................ 73
ix
DAFTAR TABEL
Tabel 2.1 Telaah Penelitian Sebelumnya .................................................................... 22
Tabel 3.1 Tabel Klasifikasi Altman Z-Score .................................................................... 38
Tabel 4.1 Kriteria Sampel ........................................................................................... 43

Tabel 4.2 Statistik Deskriptif ...................................................................................... 44
Tabel 4.3 Uji Multikolinearitas ................................................................................... 47
Tabel 4.4 Hasil Uji Hosmer and Lemeshow ............................................................... 48
Tabel 4.5 Hasil Uji Likelihood .................................................................................... 48
Tabel 4.6 Hasil Omnibus Tests of Model Coefficients ................................................ 49
Tabel 4.7 Hasil Uji Nagelkerke R Square ................................................................... 50
Tabel 4.8 Hasil Uji Matriks Klasifikasi ...................................................................... 51
Tabel 4.9 Hasil Uji Koefisien Regresi ........................................................................ 53
Tabel 4. 10 Hasil Pengujian Hipotesis ........................................................................ 54
Tabel 4.11 Hasil Hipotesis .......................................................................................... 65
x
DAFTAR GAMBAR
Gambar 2.1 ............................................................................................................................ 30
xi
DAFTAR LAMPIRAN
Lampiran 1 Daftar Perusahaan Sampel ....................................................................... 74

Lampiran 2 Hasil Altman Z-Score .............................................................................. 74
Lampiran 3 Data-Data Variabel Penelitian ................................................................. 77
Lampiran 4 Statistik Deskriptif ................................................................................... 89
Lampiran 5 Uji Multikolinearitas................................................................................ 89
Lampiran 6 Uji Kelayakan Model............................................................................... 89
Lampiran 7 Uji Koefisien Determinasi ....................................................................... 90
Lampiran 8 Uji Kelayakan Keseluruhan Model Block Number 0 .............................. 90
Lampiran 9 Uji Kelayakan Keseluruhan Model Block Number 1 .............................. 91
Lampiran 10 Hasil Uji Regresi Logistik ..................................................................... 91
Lampiran 11 Matriks Klasifikasi ................................................................................ 92
xii
ABSTRAK
MODEL EARLY WARNING SYSTEM (EWS) DALAM MEMPREDIKSI
FINANCIAL DISTRESS PADA PERUSAHAAN ASURANSI YANG
TERDAFTAR DI BEI
(Studi Empiris Pada Perusahaan Asuransi Yang Terdaftar di BEI Periode 2014-
2019)
Oleh :
Adistya Aulia Utami
Financial distress adalah kondisi dimana perusahan mangalami laba bersih operasi (net
operation income) negatif selama beberapa tahun dan selama lebih dari satu tahun tidak
melakukan pembayaran dividen, pemberhentian tenaga kerja atau menghilangkan
pembayaran dividen. Penelitian ini menguji faktor-faktor yang mempengaruhi dalam
memprediksi kondisi financial distress. Data yang digunakan adalah dat sekunder
dengan menggunakan sampel perusahaan asuransi yang terdaftar di Bursa Efek
Indonesia periode tahun 2014-2019. Teknik pengumpulan sampel yang digunakan
yaitu purposive sampling dan diperoleh sebanyak 66 sampel. Uji hipotesis dilakukan
dengan menggunakan analisis regresi logistik. Hasil uji hipotesis menunjukkan bahwa
variabel return on asset (ROA) berpengaruh positif signfikan terhadap probabilitas
financial distress. Variabel likuiditas berpengaruh negative signifikan terhadap
probabilitas financial distress. Variabel solvabilitas dan umum, beban klaim, dan
pertumbuhan premi tidak berpengaruh terhadap terjadinya financial distress.
Kata Kunci : Rasio Keuangan EWS, Financial Distress
xiii
BAB I
PENDAHULUAN
A. Latar Belakang
Kondisi Indonesia saat ini sangat rawan terjadinya kesulitan keuangan
(financial distress) sebagai dampak dari perkembangan globasisasi. Dalam
perkembangan globalisasi, terdapat dampak buruk yang dirasakan, salah satunya
yaitu global financial crisis pada tahun 2008 yang berakibat pada melemahnya
aktivitas bisnis secara umum. Pada beberapa negara, seperti Amerika Serikat, Eropa,
Asia, dan negara-negara lainnya mengalami kemunduran dan bencana keuangan
sebagai akibat dari pecahnya krisis keuangan tersebut. Sedangkan, di lingkungan
dalam negeri, ada beberapa dampak yang diakibatkan oleh global financial crisis,
salah satunya yaitu de-listing. Perusahaan bisa dide-listing dari Bursa Efek
Indonesia (BEI) disebabkan karena perusahaan tersebut berada pada kondisi
financial distress atau sedang mengalami kesulitan keuangan (Pranowo et al., 2010).
Suatu perusahaan dapat dikategorikan sedang mengalami financial distress dimana
jika perusahaan tersebut memiliki kinerja yang menunjukkan laba operasinya
negatif, laba bersih negatif, nilai buku ekuitas negatif, dan perusahaan yang
melakukan merger (Brahmana, 2007). Fenomena lain dari financial distress adalah
banyaknya perusahaan yang cenderung mengalami kesulitan likuiditas, dimana
ditunjukkan dengan semakin turunnya kemampuan perusahaan dalam memenuhi
kewajibannya kepada kreditur (Hanifah, 2013).
1
2
Kasus financial distress juga terjadi pada perusahaan asuransi tertua di
Indonesia, yaitu Jiwasraya. Jiwasraya mengalami tekanan krisis yang membuat
perusahaan asuransi tertua milik Belanda tersebut memiliki kewajiban sebesar Rp
6,7 triliun. Meskipun Jiwasraya tidak mengalami de-listing karena memang tidak
tercatat di Bursa Efek Indonesia (BEI), tetapi Jiwasraya merupakan kiblat dari
perusahaan-perusahaan asuransi lainnya, dimana hal tersebut disebabkan oleh
Jiwasraya merupakan perusahaan asuransi pertama yang berdiri di Indonesia.
Sehingga, kasus financial distress yang dialami oleh Jiwasraya dapat dijadikan
peringatan terhadap perusahaan-perusahaan lainnya gar lebih waspada lagi terhadap
faktor-faktor penyebab financial distress. Namun demikian, prahara pada Jiwasraya
pasca krisis keuangan, mampu diredam oleh jajaran Direksi Jiwasraya periode
2008-2018 di bawah kepemimpinan Hendrisman Rahim (CNN, 2020).
Dilansir laman CNN (2020) Kementerian BUMN membongkar kasus
Jiwasrya, Hendrisman Rahim dibantu oleh Indra Cataraya selaku Direktur
Pertanggung, De Young Adrian sebagai Direktur Pemasaran, dan Hary Prasetyo
sebagai Direktur Keuangan membeberkan dua skema yang dijadikan strategi untuk
melepaskan diri dari jeratan utang, yang semula diperkirakan akan selesai 17 tahun
namun dapat selesai dalam waktu 4 tahun. Dua skema tersebut ialah reasuransi dan
revaluasi untuk tujuan komersial atas semua asset yang dimiliki. Tepat pada 18
Agustus 2014, upaya Jiwasraya itu mendapatkan pujian dari Menteri Badan Usaha
Milik Negara (BUMN) Dahlan Iskan. Ia mengapresiasi Jiwasraya lantaran mampu
'merdeka' dari utang Rp6,7 triliun serta bangkit dari terpaan krisis moneter 1998.
3
Bahkan, pemerintah tidak melakukan penyuntikan dana berupa Penyertaan Modal
Negara (PMN).
Namun, akhir-akhir ini Jiwasraya kembali menjadi sorotan masyarakat.
Asuransi yang berdiri pada tahun 1859 itu mengalami tekanan likuiditas sehingga
mengakibatkan ekuitas perseroan tercatat negatif yaitu sebesar Rp 23,92 triliun pada
September 2019. Selain itu, Jiwasraya membutuhkan uang sebesar Rp32,89 triliun
untuk kembali sehat. Dilansir dari CNN (2020), ternyata kasus Jiwasraya yang
terjadi tahun ini merupakan puncak dari kasus-kasus yang menjerat Jiwasraya di
tahun-tahun sebelumnya. Ketua BPK RI Agung Firman Sempurna menuturkan
bahwa penyebab utama gagal bayarnya Jiwasraya adalah kesalahan dalam
mengelola investasi di dalam perusahaannya. Jiwasraya kerap menaruh dananya
pada saham-saham berkinerja buruk. Pada tahun 2006 ekuitas Jiwasraya tercatat
negatif hingga Rp 3,29 triliun yang dilanjutkan dengan kasus disclaimer untuk
pelaporan periode tahun 2006-2007 lantara penyajian keuangan yang tidak dapat
diyakini kebenarnannya. Defisit perseroan juga semakin lebar, yaitu Rp 5,7 triliun
pada 2008 dan Rp 6,3 triliun pada 2009. Kemudian pada tahun 2010 hingga 2012
Jiwasraya melakukan kembali skema reasuransi dan mengakibatkan surplus sebesar
Rp 1,3 triliun. Selain itu pada tahun 2012 Bapepam-LK meresmikan produk JS
Proteksi Plan, dimana merupakan produk Jiwasraya yang diasarkan melalui kerja
sama dengan bank. Adanya produk tersebut menimbulkan penyakit lain bagi
Jiwasraya, pasalnya bunga yang ditawarkan cukup tinggi, yakni sekitar 9 hingga 13
persen.
4
Hingga tahun 2017, kondisi keuangan perseroan mulai tampak membaik
karena penjualan produk JS Proteksi Plan dengan periode pencarian tiap tahun.
Namun, pada tahun 2018 puncak kasus mulai terendus. Direktur utama dan direktur
keuangan Jiwasraya dicopot tanggung jawabnya, dan mengakibatkan pencairan JS
Saving Plan oleh nasabah karena mencium kebobrokan direksi lama. Setelah
pergantian direktur utama, direksi baru melaporkan adanya kejanggalan laporan
keuangan kepada kementrian BUMN dengan disertakan hasil audit. Pelaporan
tersebut diterima oleh Menteri BUMN dan membentuk direksi baru untuk
mendalami kasus kejanggalan tersebut. Menteri BUMN juga memina BPK dan
BPKP untuk melakukan audit investigasi kepada Jiwasraya. Oktober-November
2018, masalah tekanan likuiditas Jiwasraya mulai tercium publik. Perseroan
mengumumkan tidak dapat membayar klaim polis jatuh tempo nasabah JS Saving
Plan sebesar Rp802 miliar. Pada bulan yang sama ekuias Jiwasraya tercatat
negative. Hingga pada November 2019 Kementrian BUMN melaporkan indikasi
kecurangan di Jiwasraya kepada Kejaksaan Agung, dikarenakan laporan keuangan
yang disajikan dinilai tidak transaparan. Selain Kejaksaan Agung, Kejaksaan Tinggi
DKI Jakarta juga menaikkan status pemeriksaan dari penyelidikan menjadi
penyidikan pada kasus dugaan korupsi. Kemudian pada bulan Desember, Kejaksaan
Agung terhadap dugaan korupsi Jiwasraya menyebut adanya pelanggaran prinsip
kehati-hatian dalam berinvestasi. Akibatnya Komisi Pemberantasan Korupsi (KPK)
ikut serta dalam memantau perkembangan penanganan perkara kasus dugaan
korupsi di balik defisit anggaran Jiwasraya. Saat ini Kejaksaan Agung menetapkan
5
enam nama sebagai tersangka dugaan kasus korupsi Jiwasraya, termasuk mantan
direktur utama dan direktur keuangan Jiwasraya, yang mana merupakan manajemen
perseroan itu sendiri.
Kasus financial distress lainnya pada perusahaan asuransi terjadi pada
Bumiputera 1912. Sama halnya dengan Jiwasraya, asuransi jiwa Bumiputera juga
mengalami gagal bayar klaim kepada nasabah, dan mencapai jumlah Rp 9,6 triliun.
Melansir dari Harian Kompas, 1 Desember 2018 tercatat mengalami enam kali
krisis besar, yaitu pada tahun 1930 ( Depresi Besar), 1945 (pasca perang dunia II),
1965 (peristiwa sanering), 1997 (krisis Asia), 2008 (krisis keuangan global), dan
2016 sebelum pemberlakuan statuter. Kemudian pada tahun 2018 asuransi jiwa
Bumiputera 1912 mengalami gagal bayar kepada nasabah, karena kewajiban yang
dibayarkan lebih besar dari asetnya. Asset yang tercatat adalah sebesar Rp 10,28
triliun, sementara kewajibannya Rp 31 triliun. Kemudian, total klaim jatuh tempo
yang belum dibayarkan meningkat pada kahir Januari 2019, yaitu mencapai Rp 2,7
trirliun, dan terus meningkat hingga Rp 9,6 triliun pada tahun 2020 ini (CNBC,
2020).
Kecurangan-kecurangan yang telah dilakukan oleh pihak manajemen
tersebut dapat mengakibatkan financial distress, dimana hal tersebut dapat
mengarah ke kebangkrutan. Ekuitas yang negative yang dialami Jiwasraya juga
dapat menjadikan Jiwasraya masuk ke dalam kategori financial distress. Suatu
perusahaan dapat dikategorikan sedang mengalami financial distress dimana jika
perusahaan tersebut memiliki kinerja yang menunjukkan laba operasinya negatif,

6
laba bersih negatif, nilai buku ekuitas negatif, dan perusahaan yang melakukan
merger (Brahmana, 2007). Fenomena lain dari financial distress adalah banyaknya
perusahaan yang cenderung mengalami kesulitan likuiditas, dimana ditunjukkan
dengan semakin turunnya kemampuan perusahaan dalam memenuhi kewajibannya
kepada kreditur (Hanifah, 2013). Namun, financial distress dapat diprediksi
menggunakan beberapa cara, salah satunya dengan sistem peringatan dini (early
warning system).
Pengenalan lebih awal mengenai kondisi financial distress yang dialami
suatu perusahaan dapat dilakukan menggunakan model sistem peringatan dini atau
early warning system (Nilasari dan Haryanto, 2018). Model ini dapat digunakan
sebagai alat untuk mengenali gejala awal kondisi financial distress untuk
selanjutnya dilakukan upaya memperbaiki kondisi sebelum sampai pada kondisi
krisis atau kebangkrutan. Dalam model EWS ini terdapat rasio-rasio yang
digunakan untuk memprediksi financial distress, dan biasanya digunakan oleh
perusahaan asuransi. Early Warning System (EWS) adalah tolak ukur perhitungan
dari NAIC (National Association of Insurance Commisioners) atau lembaga badan
usaha asuransi Amerika Serikat dalam mengukur kinerja keuangan dan menilai
tingkat kesehatan perusahaan asuransi.
Menurut Munawir (2010) Early Warning System merupakan suatu sistem
yang yang menghasilkan rasio-rasio keuangan dari perusahaan asuransi yang dibuat
berdasarkan informasi dari laporan keuangan perusahaan dan bertujuan untuk
memudahkan melakukan identifikasi terhadap hal-hal penting yang berkaitan

7
dengan kinerja keuangan perusahaan. Rasio keuangan Early Warning System ini
digunakan untuk menganalisis dan mengukur tingkat kesehatan dan kinerja
keuangan perusahaan asuransi kerugian dengan mendeteksi lebih awal pada laporan
keuangan perusahaan asuransi kerugian di masa akan datang untuk menentukan
prioritas langkah-langkah perbaikan bagi perusahaan. Early Warning System dirasa
cocok untuk mengukur kinerja keuangan perusahaan asuransi karena rasio-rasio
yang terdapat pada Early Warning System telah disesuaikan dengan perkiraan-
perkiraan akun yang berada di dalam laporan keuangan perusahaan asuransi (Afif
dan Karmila, 2016).
Menurut Platt dan Platt (2002) financial distress merupakan tahapan
penurunan kondisi keuangan suatu perusahaan sebelum terjadinya kebangkrutan.
Model prediksi kebangkrutan Barth et al., (1996) mengidentifkasikan 30 rasio
keuangan yang dianggap mewakili berbagai aspek yang relevan, dengan
menggunakan teknik univariate discriminat analysis pada 79 perusahaan bangkrut
dan 79 perusahaan tidak bangkrut, penelitian menyimpulkan bahwa rasio yang dapat
menjelaskan kebangkrutan perusahaan dengan baik adalah adalah working capital
funds flow to total asset dan net income to total asset dengan tingkat keakuratan
sebesar 90% dan 88%.
Hair et al., (1973) menyatakan Multiple Discriminant Analysis (MDA)
adalah teknik yang digunakan untuk memprediksi dan menjelaskan hubungan yang
berpengaruh kuat terhadap kategori dimana objek tersebut berada, dimana variabel
dependentnya merupakan sesuatu yang pasti dan variabel independennya matrik.

8
Model MDA yang ada antara lain: Altman’s Model oleh Altman (1968). Mu dan
Liu (2019), menggunakan Z-Score Model untuk memprediksi financial distress
pada perusahaan-perusahaan yang terdaftar di China. Di Indonesia sendiri,
penelitian prediksi kebangkrutan mulai berkembang sejak tahun 1900-an (dampak
krisis moneter), antara lain oleh Wilopo (2001), yang memprediksi kebangkrutan
bank dengan CAMEL, (Adnan & Taufiq, 2001) memprediksi kebangkrutan dengan
Z-score, Shidiq dan Wibowo (2017) menggunakan model diskriminan dan panel
logit untuk menguji EWS dalam memprediksi financial distress pada bank umum
di Indonesia. Sufitri (2019), membandingkan EWS sebagai alat prediksi
kebangkrutan Bank Perkreditan Rakyat dengan model logit dan untuk mengetahui
model yang mempunyai kemampuan terbaik (model yang paling akurat) dalam
memprediksi kebangkrutan BPR di Indonesia, sehingga dapat memberikan
peringatan dini untuk mengatasi kebangkrutan. Yu dan Zhang (2017), melakukan
penelitian tentang model peringatan dini keuangan pada perusahaan terbuka di
industry energy Cina berdasarkan regresi logistik. Penelitian tersebut menghasilkan
tingkat akurasi peringatan umum model adalah 75%, sehingga model peringatan
dini berdasarkan regresi logistik yang dibangun juga memiliki prediksi yang baik
dalam aplikasi praktis.
Penelitian ini mengacu pada penelitian yang dilakukan oleh Mu dan Liu,
(2019) yang berjudul “Research on Financial Early Warning of Private Listed
Companies Based on Z-score Model”. Perbedaan penelitian ini dengan penelitian
sebelumnya adalah terletak pada obyek penelitian yang dilakukan pada perusahaan
9
asuransi yang terdaftar di Bursa Efek Indonesia (BEI) , karena rasio rasio Early
Warning System telah disesuaikan dengan perkiraan-perkiraan akun yang berada di
dalam laporan keuangan perusahaan asuransi. Selain itu, model yang digunakan
untuk analisis data, yaitu menggunakan regresi logistik. Sehingga menghasilkan
judul “Analisis Early Warning System (EWS) Dengan Regresi Logistik Untuk
Memprediksi Financial Distress Pada Perusahaan Asuransi yang Terdaftar di BEI”.
B. Rumusan Masalah
1. Apakah rasio keuangan EWS mampu memprediksi kemungkinan
terjadinya financial distress pada perusahaan asuransi yang terdaftar di
BEI?
2. Berapakah tingkat akurasi prediksi financial distress pada perusahaan
asuransi yang terdaftar di BEI?
C. Tujuan Penelitian
Untuk menguji secara empiris :
1. Rasio keuangan EWS mampu memprediksi financial distress pada
perusahaan asuransi yang terdaftar di BEI.
2. Tingkat akurasi prediction model sebagai prediktor financial distress yang
terbentuk dari analisis regresi logistik.
D. Kontribusi Penelitian
1. Teoritis
10
Penelitian ini diharapkan mampu memberikan pengetahuan, khususnya
mengenai variabel yang berpengaruh terhadap kondisi financial distress perusahaan
asuransi.
2. Praktis
a. Bagi perusahaan, penelitian ini diharapkan dapat memberikan
gambaran mengenai kondisi keuangan perusahaan. Hal ini dapat
dijadikan referensi perusahaan untuk melakukan perbaikan ke depan
b. Bagi peneliti, penelitian ini dapat digunakan sebagai bahan referensi
dan informasi untuk penelitian selanjutnya yang berhubungan dengan
financial distress perusahaan asuransi.

BAB II
TINJAUAN PUSTAKA DAN PERUMUSAN HIPOTESIS
A. Telaah Teori
1. Teori Sinyal
Teori sinyal merupakan suatu tindakan yang dilakukan oleh manajemen
perusahaan untuk memberi petunjuk terhadap investor mengenai prospek
perusahaan (Brigham dan Houston, 2001). Teori sinyal telah banyak digunakan
dalam penelitian untuk menjelaskan reaksi pasar terhadap pengumuman kebijakan
suatu perusahaan. Selain itu, teori sinyal juga digunakan untuk menjelaskan bahwa
laporan keuangan dapat memberikan sinyal positive (good news) maupun sinyal
negative (bad news) kepada pemaikainya. Informasi yang paling dinanti oleh pihak
eksternal adalah berupa good news. Pada teori sinyal menyatakan perusahaan yang
berkualitas baik akan memberikan sinyal secara sengaja kepada pasar,sehingga
diharapkan pasar dapat membedakan kualitas dari perusahaan-perusahaan (Hartono,
2005). Pasar harus dapat menangkap sinyal secara efektif agar dapat
mempersepsikan dengan baik (Hartono, 2005). Teori sinyal menunjukkan adanya
asimetri informasi antara manajemen perusahaan dengan pihak-pihak yang
berkepentingan dengan informasi. Untuk itu, manajer perlu memberikan informasi
bagi pihak-pihak yang berkepentingan melalui penerbitan laporan keuangan. Teori
sinyal mengemukakan tentang bagaimana seharusnya sebuah perusahaan
memberikan sinyal kepada pengguna laporan keuangan. Teori ini menjelaskan
10
11
manajemen perusahaan bertindak sebagai agen, memiliki dorongan untuk
memberikan informasi laporan keuangan kepada pihak eksternal (Pramunia, 2010)
Banyak informasi dari perusahaan yang dapat dijadikan sinyal. Informasi-
informasi tersebut disajikan dalam laporan tahunan perusahaan. Informasi yang
tertuang pada laporan tahunan ini berupa informasi akuntansi, yaitu informasi yang
berkaitan dengan laporan keuangan perusahaan, dan informasi non-akuntansi yang
berupa informasi diluar laporan keuangan, seperti profil perusahaan, Good
Corporate Governance (GCG), dan informasi-informasi lainnya. Investor
menggunakan laporan keuangan sebagai dasar keputusan, yaitu dengan diversifikasi
portofolio dan kombinasi investasi dengan tetap memperhitungan risiko pasar yang
akan terjadi. Dengan mengumumkan informasi mengenai prospek yang baik dimasa
mendatang (good news), pihak perusahaan berharap investor akan menanamkan
saham di perusahaannya. Informasi ini akan menyebabkan perubahan pada volume
perdagangan saham.
Pihak manajemen dituntut untuk transparan dalam menyajikan laporan
keuangan perusahaan. Laporan keuangan dibuat berdasarkan kegiatan operasional
pada periode-periode tertentu, dan melalui laporan keuangan tersebut, dapat dilihat
bagaimana kondisi keuangan perusahaan, apakah perusahaan sedang berada dalam
kondisi sehat atau sedang mengalami financial distress. Kondisi perusahaan yang
sehat ditunjukkan oleh perolehan laba dalam jangka waktu yang relatif lama. Selain
itu, arus kas yang tinggi dalam jangka waktu yang lama menunjukkan bahwa
perusahaan mampu membayar kewajibannya kepada kreditur.

12
Perusahaan yang mengalami penurunan laba atau arus kas yang bernilai
kecil dapat diklasifikasikan masuk ke dalam kondisi financial distress. Laporan
keuangan perusahaan dapat digunakan perusahaan untuk memberikan kepercayaan
kepada investor bahwa perusahaan mampu membagikan dividen. Namun, apabila
dalam laporan keuangan terdapat penurunan laba maupun arus kas, hal tersebut
menimbulkan keraguan pada pihak investor akan timbulnya financial distress di
dalam perusahaan.
2. Financial Distress
Whitaker (1999), financial distress adalah kondisi dimana perusahan
mangalami laba bersih operasi (net operation income) negatif selama beberapa
tahun dan selama lebih dari satu tahun tidak melakukan pembayaran dividen,
pemberhentian tenaga kerja atau menghilangkan pembayaran dividen. Sedangkan
menurut Platt dan Platt (2002), financial distress didefinisikan sebagai tahap
terjadinya penurunan kondisi keuangan sebelum mengalami kebangkrutan ataupun
likuidasi. Kriteria perusahaan yang mengalami financial distress adalah : (1)
beberapa tahun memperoleh laba bersih operasi negatif; (2) menghentikan
pembayaran dividen; dan (3) mengalami restrukturisasi besar atau penghentian
usaha. Menurut Hanafi dan Halim (2007), financial distress dapat digambarkan dari
dua titik ekstrem yaitu kesulitan likuiditas jangka pendek dan insolvabel. Kesulitan
keuangan jangka pendek biasanya bersifat jangka pendek, tetapi bisa berkembang
menjadi parah. Indikator kesulitan keuangan dapat dilihat dari analisis aliran kas,
analisis strategi perusahaan dan laporan keuangan perusahaan.

13
Financial distress dimulai dari ketidakmampuan dalam memenuhi
kewajiban-kewajibannya, terutama kewajiban yang bersifat pendek atau likuiditas
dan kewajiban jangka panjang atau solvabilitas. Menurut Fahmi dan Irham (2011),
bahwa financial distress dapat digolongkan ke dalam 4 kategori, yaitu:
a. Financial distress kategori A atau sangat tinggi dan benar-benar
membahayakan, kondisi financial distress kategori ini memungkinkan
pihak perusahaan melaporkan ke pihak terkait seperti pengadilan bahwa
perusahaan telah berada dalam posisi bangkrut dan menyerahkan
berbagai urusan untuk ditangani oleh pihak luar.
b. Financial distress kategori B atau tinggi dan dianggap berbahaya,
perusahaan yang berada dalam kategori ini ditandai dengan mulai
memikirkan berbagai kebijakan tentang aset perusahaan seperti
memutuskan likuidasi aset.
c. Financial distress kategori C atau sedang, pada kategori ini dianggap
masih mampu diatasi perusahaan dengan penambahan dana yang
bersumber dari internal dan eksternal.
d. Financial distress kategori D atau rendah, pada kategori ini dianggap
hanya sebuah fluktuasi financial sementara yang dialami perusahaan.
Selain definisi di atas, isu lain yang juga penting adalah adanya kesalahan
umum yang menyamakan financial distress dan kebangkrutan. Financial distress
berbeda dengan kebangkrutan. Financial distress hanyalah salah satu penyebab
bangkrutnya sebuah perusahaan. Namun tidak berarti semua perusahaan yang

14
mengalami financial distress akan menjadi bangkrut. Financial distress merupakan
tahapan ketiga dalam kebangkrutan dan kondisi financial distress terjadi sebelum
perusahaan benar-benar mengalami kebangkrutan. Menurut Kordestani et al.,
(2011), tahapan dari kebangkrutan tersebut dijabarkan sebagai berikut:
a. Latency. Pada tahap latency, Return on Assets (ROA) akan mengalami
penurunan.
b. Shortage of Cash. Dalam tahap kekurangan kas, perusahaan tidak
memiliki cukup sumber daya kas untuk memenuhi kewajiban saat ini,
meskipun masih mungkin memiliki tingkat profitabilitas yang kuat.
c. Financial Distress. Kesulitan keuangan dapat dianggap sebagai
keadaan darurat keuangan, dimana kondisi ini mendekati kebangkrutan.
d. Bankruptcy. Jika perusahaan tidak dapat menyembuhkan gejala
kesulitan keuangan (financial distress), maka perusahaan akan
bangkrut.
Menurut Lizal (2005), mengelompokkan penyebab kesulitan, yang disebut
dengan Model Dasar Kebangkrutan atau Trinitas Penyebab Kesulitan Keuangan.
Terdapat alasan utama mengapa perusahaan bisa mengalami financial distress dan
kemudian bangkrut, yaitu:
a. Neoclassical model
Financial distress dan kebangkrutan terjadi jika alokasi sumber daya di
dalam perusahaan tidak tepat. Manajemen yang kurang bisa

15
mengalokasikan sumber daya (aset) yang ada di perusahaan untuk
kegiatan operasional perusahaan.
b. Financial model
Pencampuran aset benar tetapi struktur keuangan salah dengan liquidity
constraints. Hal ini berarti bahwa walaupun perusahaan dapat bertahan
hidup dalam jangka panjang tapi ia harus bangkrut juga dalam jangka
pendek.
c. Corporate governance model
Menurut model ini, kebangkrutan mernpunyai campuran aset dan
struktur keuangan yang benar tapi dikelola dengan buruk.
Ketidakefisienan ini mendorong perusahaan menjadi out of the market
sebagai konsekuensi dari masalah dalam tata kelola perusahaan yang
tak terpecahkan.
Financial distress timbul karena adanya pengaruh dari dalam perusahaan
sendiri (internal) maupun dari luar perusahaan (eksternal). Fahmi dan Irham (2011)
yang mengemukakan bahwa faktor penyebab financial distress dari dalam
perusahaan lebih bersifat mikro, yaitu faktor-faktor dari dalam perusahaan tersebut
adalah :
1. Kesulitan arus kas, terjadi ketika penerimaan pendapatan perusahaan
dari hasil operasi perusahaan tidak cukup untuk menutupi beban-beban
usaha yang timbul atas aktivitas operasi perusahaan.

16
2. Besarnya jumlah hutang, kebijakan pengambilan hutang perusahaan
untuk menutupi biaya yang timbul akibat operasi perusahaan akan
menimbulkan kewajiban bagi perusahaan untuk mengembalikan hutang
di masa depan. Ketika tagihan jatuh tempo dan perusahaan tidak
mempunyai cukup dana untuk membayar tagihan-tagihan yang terjadi
maka kemungkinan yang dilakukan kreditur adalah mengadakan
penyitaan harta perusahaan untuk menutupi kekurangan pembayaran
tagihan tersebut.
3. Kerugian dalam kegiatan operasional perusahaan selama beberapa
tahun, kerugian operasional perusahaan menimbulkan arus kas negatif
dalam perusahaan. Hal ini dapat terjadi karena beban operasional lebih
besar dari pendapatan yang diterima perusahaan.
Menurut Darsono dan Purwanti (2010), pada umumnya suatu organisasi
bisnis gagal dikarenakan oleh beberapa faktor yang kemungkinan menjadi penyebab
perusahaan tidak dapat berkembang diantaranya :
a. Kemampuan manajerial yang buruk, manajemen tidak mampu
memimpin dan memotivasi karyawan bekerja sesuai dengan program
kerja yang ditetapkan, harga saham rendah dan hutang tinggi, rasio harga
saham terhadap nilai hutang rendah.
b. Ketidakmampuan mengelola pasar sehingga pangsa pasarnya sempit,
perputaran hartanya lambat.

17
c. Ketidakmampuan mengelola keuangan sehingga kekurangan modal
kerja, dan rasio modal kerja terhadap total harta kecil.
d. Ketidakmampuan menyediakan laba ditahan sehingga rasio laba ditahan
terhadap total harta kecil, perusahaan tidak mampu memenuhi kebutuhan
modal kerja dan tidak mampu mengadakan perluasan usaha.
Adapun dampak dari financial distress antara lain: (i) risiko yang terkandung
dalam biaya dari financial distress berdampak negatif bagi perusahan sebagai
pengganti kerugian pajak seiring dengan kenaikan hutang perusahaan; (ii) hubungan
terhadap konsumen, pemasok; (iii) karyawan dan kreditur menjadi rusak karena
mereka ragu akan eksistensi perusahaan, manajemen akan lebih fokus pada aliran
kas jangka pendek dibandingkan kesehatan perusahaan jangka panjang; (iv) biaya
tidak langsung yang terkandung pada financial distress akan lebih signifikan
dibandingkan biaya langsung yang nyata seperti pembayaran untuk pengacara, dan
program untuk pemulihan kembali (Kamaludin dan Pribadi, 2011).
Faktor-faktor yang mempengaruhi risiko dari financial distress antara lain:
sensivitas pendapatan perusahaan terhadap aktivitas ekonomi secara keseluruhan,
proporsi biaya tetap terhadap biaya variabel, likuiditas dan kondisi pasar dari asset
perusahaan, dan kemampuan kas terhadap bisnis perusahaan. Financial Distress
dapat ditinjau dari komposisi neraca - jumlah aset dan kewajiban, dari laporan laba
rugi – jika perusahaan terus menerus rugi, dan dari laporan arus kas – jika arus kas
masuk lebih kecil dari arus kas keluar (Kamaludin dan Pribadi, 2011).
18
3. Early Warning System
Early Warning System adalah salah satu alat yang dapat digunakan untuk
menganalisis laporan keuangan dan mengolahnya menjadi suatu informasi yang
berguna untuk dijadikan suatu sistem pengawasan bagi kinerja keuangan
perusahaan asuransi yang bersangkutan (Kai et al., 2012). Early Warning System
(EWS) adalah tolak ukur perhitungan dari NAIC (National Association of Insurance
Commisioners) atau lembaga badan usaha asuransi Amerika Serikat dalam
mengukur kinerja keuangan dan menilai tingkat kesehatan perusahaan asuransi.
Early Warning System ini dapat memberikan peringatan dini terhadap kemungkinan
kesulitan keuangan dan operasi perusahaan asuransi di masa yang akan datang.
Negara-negara lain di luar Amerika Serikat yang menerapkan sistem ini melakukan
sedikit modifikasi terhadap rasio-rasio yang digunakan disesuaikan dengan
kebutuhan.
Gulsun dan Umit (2010), Early Warning System merupakan suatu sistem
yang menghasilkan rasio-rasio keuangan dari perusahaan asuransi yang dibuat
berdasarkan informasi dari laporan keuangan perusahaan dan bertujuan untuk
dengan kinerja keuangan perusahaan. Early warning system banyak digunakan
dalam sektor keuangan untuk mengetahui secara dini kondisi industri keuangan
yang memiliki risiko membahayakan stabilitas perekonomian di masa depan.
Dengan adanya early warning system, maka akan memberikan waktu tunggu untuk
meningkatkan alokasi sumber penilai yang langka, memungkinkan tindakan

19
pengawasan yang tepat waktu dan dapat mengurangi biaya kegagalan (cost of
failure). Dari faktor-faktor tersebut, akan sangat berpengaruh terhadap penilaian
tingkat kesehatan suatu perusahaan.
Di banyak negara perhitungan EWS digunakan untuk membantu pengawas
asuransi (insurance commissioner) mengukur kinerja keuangan dan menilai tingkat
kesehatan perusahaan asuransi dengan mendeteksi lebih awal kekurang cairan
keuangan di masa yang akan datang (impending insolvency), mengidentifikasi
perusahaan yang membutuhkan pemantauan lebih ketat dan perhatian segera, serta
menentukan tingkatan (grading) perusahaan-perusahaan asuransi. Karena hasil
analisis dari EWS dapat memberikan “peringatan” dini (early warning) maka sistem
tersebut dapat juga dimanfaatkan oleh perusahaan-perusahaan asuransi untuk
menganalisis kinerja perusahaannya.
4. Rasio Keuangan
Menurut Munawir (2010), Early Warning System merupakan suatu sistem
yang menghasilkan rasio-rasio keuangan dari perusahaan asuransi yang dibuat
berdasarkan informasi dari laporan keuangan perusahaan dan bertujuan untuk untuk
dengan kinerja keuangan perusahaan. Terdapat perbedaan antara laporan keuangan
asuransi dengan laporan keuangan perusahaan lain. Perusahaan asuransi
menggunakan rasio EWS untuk mengukur kinerja keuangannya. Early Warning
System menggunakan satu seri rasio (test ratio) yang diterapkan pada laporan
20
keuangan untuk mengukur kemampuan kinerja keuangan perusahaan asuransi
tersebut, yakni:
a. Rasio Solvabilitas dan Umum (Solvency and Overall Ratios)
Rasio solvabilitas pada perusahaan asuransi diatur oleh pemerintah dalam
rangka menyesuaikan dengan perkembangan yang terjadi pada perasuransian
nasional, melakukan penyesuaian secara menyeluruh terhadap ketentuan mengenai
kesehatan Keuangan Perusahaan Asuransi dan Perusahaan Reasuransi sebagaimana
diatur dalam Keputusan Menteri Keuangan Nomor 53/PMK.10/2012
(53/PMK.10/2012, 2012). Dalam Peraturan Ketua Bapepam LK PER02/BL/2008
tentang Pedoman Perhitungan Batas Tingkat Solvabilitas Minimum (Risk Based
Capital) bagi Perusahaan Asuransi dan Perusahaan Reasuransi (PER02/BL/2008,
2008) . Solvabilitas perusahaan asuransi yang dikenal dengan Risk Based Caipital
atau dalam istilah bahasa Indonesia yaitu Batas Tingkat Solvabilitas Minimun
adalah jumlah minimum tingkat solvabilitas yang harus dimiliki perusahaan
asuransi atau perusahaan reasuransi, yaitu sebesar jumlah dana yang dibutuhkan
untuk menutup risiko kerugian yang mungkin timbul sebagai akibat dari deviasi
dalam pengelolaan kekayaan dan kewajiban. Rasio ini memiliki interpretasi EWS
dimana solvency margin ratio memiliki batas minimal sebesar 33,3% (Afif dan
Karmila, 2016). Solvency margin ratio yang rendah akan mencerminkan adanya
risiko yang tinggi sebagai akibat dari tingginya penerimaan premi.
b. Rasio Keuntungan (Profitability Ratios)

21
Rasio profitabilitas menunjukkan kemampuan suatu perusahaan dalam
mencetak laba. Jika suatu perusahaan mencetak laba yang tinggi, dapat dikatakan
agen berhasil dalam pengelolaan perusahaannya. Dengan laba yang tinggi maka
juga akan menarik investor untuk berinvestasi, sehingga nantinya akan menjauhkan
suatu perusahaan dari ancaman financial distress. Rasio profitabilitas adalah rasio
yang mengukur efektivitas manajemen secara keseluruhan yang ditujukan oleh
besar kecilnya tingkat keuntungan yang diperoleh dalam hubungannya dengan
penjualan maupun investasi. Menurut Kasmir (2012), rasio profitabilitas adalah
rasio untuk menilai kemampuan perusahaan dalam mencari keuntungan. Rasio
profitabilitas memberikan informasi terkait besarnya laba yang diperoleh dari
penggunaan total asset yang dimiliki sebuah perusahaan. Penggunaan aset yang
tidak efektif akan menyebabkan perusahaan sulit untuk mendapatkan atau
meningkatkan laba. Pada akhirnya akan memicu terjadinya financial distress
disebuah perusahaan.
c. Rasio Likuiditas (Liabilities to Liqouid Assets Ratio)
Liabilities to Liqouid Assets Ratio digunakan untuk mengukur seberapa
besar kemampuan perusahaan dalam memenuhi kewajiban perusahaan dan secara
kasar memberikan gambaran mengenai kondisi keuangan perusahaan apakah
kondisi keuangan perusahaan solven atau tidak. Rasio ini memiliki interpretasi early
warning system dengan batas normal maksimum 120%. Rasio likuiditas yang tinggi
menunjukan adanya masalah likuiditas dan perusahaan kemungkinan besar sedang
berada dalam kondisi yang tidak solven, sehingga sangat perlu dilakukan analisis
22
lainnya seperti tingkat kecukupan cadangan (resserve adequacy), serta kestabilan
dan likuiditas kekayaan yang diperkenankan ( admitted assets).
d. Rasio Penerimaan Premi (Premium Stability Ratios)
Kenaikan atau penurunan yang tajam pada volume premi netto memberikan
indikasi kurangnya tingkat kestabilan kegiatan usaha koperasi perusahaan. Hasil
rasio ini sebaiknya diinterpretasikan bersama dengan sejarah dan operasi
perusahaan. Dalam menganalisis rasio ini harus diperhatikam pula alasan-alasan
yang dikemukakan perusahaan yang menyebabkan angka rasio ini berbeda atau
berfluktuasi. Disamping itu, perlu pertimbangan pula perubahan yang terjadi dalam
industri asuransi dan perekonomian.
B. Telaah Penelitian Sebelumnya
Tabel 2.1
Telaah Penelitian Sebelumnya
No Nama Peneliti Variabel Variabel Hasil
dan Judul dependen independen
Penelitian
1. Wen Mu dan Kondisi Rasio keuangan Melalui uji non
Meng Liu (2019) Special early warning parametric dan analisis
Treatment diskriminan, penelitian
dan Non- ini menentukan bahwa
special model peringatan dini
Treatment cocok untuk perusahaan
perusahaan terdaftar.
2. Sufitri (2019) Status BPR Rasio keuangan Kemudian, regresi logit
dari Peraturan memiliki tingkat akurasi
OJK sebesar 92,2% yang
berarti bahwa model
tersebut dapat
dipergunakan sebagai
Early Warning System
23
Tabel 2.1
Penelitian
3. Q.W. Yu dan L. Kondisi Rasio keuangan Hasil pengujian adalah
Zhang (2017 Special early warning bahwa tingkat akurasi
Treatment peringatan umum model
dan Non- adalah 75%.
special
Treatment
perusahaan
4. Ika Yuanita, SE, Status BPR Rasio Keuangan Secara keseluruhan, hasil
MM dan Konvesinonal , Karakteristik klasifikasi yang
Nurhayati, SE, di Sumatera BPR ditunjukkan oleh model
MM (2016) Barat Konvensional, empiris mampu
Makroekonomi menjelaskan kondisi
potensi kebangkrutan
BPR di Sumatera Barat
dengan presentasi akurasi
72,3%.
5. Zamachsyari Pengaruh Rasio keuangan Hasil penelitian ini
(2016) Kinerja EWS dan menunjukkan bahwa
Keuangan ukuran variabel rasio MSR, LIQ,
Dan Ukuran perusahaan ROA, dan ukuran
Perusahaan perusahaan berpengaruh
Terhadap negatif signifikan.
Financial Sedangkan variabel ICR
Distress dan PGR tidak
berpengaruh signifikan.
6. Iskandar dan Kondisi Rasio-rasio Rasio keuangan yang
Azwar (2015) financial keuangan dari signifikan dapat
distress laporan memprediksi
perusahaan keuangan kemungkinan terjadinya
financial distress emiten
yaitu rasio Return of Asset
(ROA), rasio Return on
Equity (ROE) dengan
tingkat akurasi prediksi
yang tinggi yaitu 90,9%.
24
Tabel 2.1
Penelitian
7 Muhammad Arif Kondisi Rasio keuangan Hasil penelitian
Hidayat dan financial : leverage, menunjukkan bahwa
Wahyu Meiranto distress yang likuiditas, sekitar 18% perusahaan
(2014) : diklasifikasin aktivitas, dan manufaktur di Indonesia
Prediksi sebagai probabilitas sedang mengalami
Financial variabel financial distress.
Distress dummy
Perusahaan
Manufaktur Di
Indonesia
Sumber : beberapa peneliti terdahulu
C. Perumusan Hipotesis
1. Pengaruh Solvabilitas dan Umum Terhadap Financial Distress
Solvabilitas perusahaan asuransi yang dikenal dengan Risk Based Caipital
atau dalam istilah bahasa Indonesia yaitu Batas Tingkat Solvabilitas Minimun
adalah jumlah minimum tingkat solvabilitas yang harus dimiliki perusahaan
asuransi atau perusahaan reasuransi, yaitu sebesar jumlah dana yang dibutuhkan
untuk menutup risiko kerugian yang mungkin timbul sebagai akibat dari deviasi
dalam pengelolaan kekayaan dan kewajiban. Variabel ini menggunakan proksi
solvency margin dan digunakan untuk mengukur seberapa besar kemampuan
keuangan perusahaan asuransi keuangan dalam mendukung kewajiban yang
mungkin timbul dari penutupan risiko yang telah dilakukan. Rendahnya solvency
margin mencerminkan adanya risiko yang tinggi sebagai akibat tingginya

25
penerimaan premi (penerimaan risiko), sehingga semakin tinggi rasio solvabilitas,
semakin kecil kemungkinan terjadinya financial distress. Rasio ini lebih baik
dihubungkan dengan rasio retensi diri.
Rasio ini memiliki interpretasi EWS dimana solvency margin ratio
memiliki batas minimal sebesar 33,3%. Solvency margin ratio yang rendah akan
mencerminkan adanya risiko yang tinggi sebagai akibat dari tingginya penerimaan
premi. Zamachsyari dan Amanah (2016), menghasilkan tingkat signifikansi rasio
solvency margin dibawah 0,05, yang berarti solvency margin berpengaruh
signifikan terhadap financial distress. Parameter regresi yang bertanda negatif,
menunjukkan bahwa solvency margin berpengaruh negatif terhadap financial
distress. Djaie dan Murtanto (2001), menunjukkan bahwa perusahaan dengan rasio
margin solvensi yang kecil cenderung mengalami kondisi financial distress,
dibandingkan perusahaan yang mempunyai nilai rasio yang besar. Berdasarkan
konsep dan teori tersebut, maka diperoleh rumusan hipotesis sebagai berikut:
H1 : Solvabilitas dan umum berpengaruh negatif terhadap financial distress.
2. Pengaruh Profabilitas Terhadap Financial Distress
agen berhasil dalam pengelolaan perusahaannya. Dengan laba yang tinggi maka
juga akan menarik investor untuk berinvestasi, sehingga nantinya akan menjauhkan
suatu perusahaan dari ancaman financial distress. Dalam penelitian Hidayat dan
Meiranto (2014), rasio profitabilitas (PROFIT) mempunyai nilai wald sebesar 0,963
26
dengan tingkat signifikansi sebesar 0,326. Dengan tingkat signifikansi yang lebih
besar dari 0,05, dapat dikatakan bahwa rasio profitabilitas tidak terbukti signifikan
dalam mempengaruhi financial distress di suatu perusahaan. selain itu, dalam tabel
juga ditunjukkan bahwa rasio profitabilitas mempunyai nilai koefisien b yang
bernilai negatif, dimana itu berarti bahwa semakin tinggi rasio profitabilitas yang
dimiliki perusahaan, maka akan semakin kecil peluang perusahaan tersebut
terindikasi financial distress. Meskipun begitu, dalam hal ini model regresi logistik
tidak dapat diterima, dikarenakan rasio profitabilitas memiliki rasio di atas 5%. Oleh
karena itu, rasio probabilitas tidak berpengaruh negatif tetapi tidak signifikan.
Penelitian ini menggunakan dua pengukuran sebagai proksi rasio profitabilitas,
yaitu return on asset dan beban klaim. Hal tersebut dikarenakan bahwa return on
asset merupakan proksi yang umum, dan bisa digunakan disetiap perusahaan,
sehingga ditambahkan proksi beban klaim yang perkiraan-perkiraan akunnya
disesuaikan dengan akun-akun yang ada di dalam laporan keuangan perusahaan
asuransi.
a. Pengaruh Return on Asset (ROA) Terhadap Financial Distress
Return on asset sebagai proksi rasio profitabilitas, dimana rasio ini
digunakan untuk melihat bagaimana kemampuan perusahaan dalam mengelola aset
yang dimiliki dalam menghasilkan laba. Rendahnya rasio tersebut mengindikasikan
ketidakefektivan perusahaan dalam mengelola asetnya untuk menghasilkan laba,
sehingga perusahaan akan mengalami kerugian. Penelitian Kleffner dan Lee (2006),
menunjukkan bahwa return on asset berpengaruh terhadap kemungkinan terjadinya

27
financial distress. Artinya perusahaan asuransi dengan return on Asset yang rendah
mempunyai kemungkinan terjadinya financial distress. Zamachsyari dan Amanah
(2016), menghasilkan bahwa Return on asset (ROA) mempunyai nilai signifikansi
sebesar 0.022 yang lebih kecil dari tingkat alpha dengan hasil parameter regresi
bertanda negatif sebesar 112.256. Hal ini berarti bahwa variabel ROA atau return
on asset memiliki pengaruh yang signifikan secara negatif terhadap financial
distress. Adapun perumusan hipotesis berdasarkan ulasan tersebut dapat
dirumuskan sebagai berikut:
H2a : Return on Asset berpengaruh negatif terhadap financial distress.
b. Pengaruh Rasio Beban Klaim Terhadap Financial Distress
Rasio ini memberikan penjelasan mengenai pengalaman klaim (loss ratio)
yang terjadi serta kualitas usaha penutupannya. Rasio ini memiliki interpretasi
early warning system batas maksimal 100 %. Rasio beban klaim yang tinggi
memberikan informasi tentang buruknya proses underwriting perusahaan dan
penerimaan penutupan risiko yang terjadi. Maka perlu dilakukannya analisis
terhadap klaim untuk setiap jenis produk asuransi. Besarnya angka dari rasio beban
klaim berarti besarnya persentase dari pendapatan premi yang digunakan untuk
membayar beban klaim yang terjadi.
Ambrose & Seward (1988), menyebutkan bahwa tingginya rasio
beban klaim semakin tinggi pula kemungkinan terjadinya financial distress. Hal
ini karena rendahnya pendapatan perusahaan yang berupa premi. Maka dari itu,
dapat dirumuskan hipotesis sebagai berikut :

28
H2b : Rasio Beban Klaim berpengaruh positif terhadap financial distress .
3. Pengaruh Likuiditas Terhadap Financial Distress
Rasio likuiditas digunakan untuk mengukur kemampuan perusahaan dalam
memenuhi kewajiban jangka pendek dan secara kasar memberikan gambaran
mengenai kondisi keuangan perusahaan, apakah kondisi keuangan perusahaan
solven atau tidak. Rasio ini memiliki batas interpretasi early warning system dengan
batas normal maksimum 120%. Rasio likuiditas yang tinggi menunjukkan adanya
masalah likuiditas dan perusahaan kemungkinan besar sedang berdapa dalam
kondisi yang tidak solven.
Hidayat dan Meiranto (2014), menghasilkan bahwa rasio likuiditas tingkat
signifikansi yang berada di bawah 5% menunjukkan bahwa terdapat perngaruh yang
signifikan pada rasio likuiditas dalam memprediksi financial distress di suatu
perusahaan. Selain itu, terdapat juga nilai koefisien b yang bernilai negatif, yang
artinya semakin tinggi rasio likuiditas yang dimiliki perusahaan, maka akan
memperkecil peluang perusahaan untuk terindikasi financial distress. Hal ini
menunjukkan bahwa rasio likuiditas berpengaruh negatif dapat diterima. Hasil uji
variabel rasio likuiditas memiliki nilai t sebesar -6,433 dan angka significant yaitu
0.000 (0.000< alpha menunjukkan bahwa secara parsial variabel rasio likuiditas
berpengaruh negatif terhadap Financial Solvency (Rofiudin et al., 2019).
Berdasarkan hasil penelitian sebelumnya, maka dapat dirumuskan hipotesis sebagai
berikut :
H3a : Likuiditas berpengaruh negatif terhadap financial distress.

29
4. Pengaruh Penerimaan Premi Terhadap Financial Distress
Kenaikan maupun penurunan yang tajam pada premi netto
mengindikasikan bahwa perusahaan sedang tidak stabil dalam menjalankan
kegiatan operasional perusahaan. Rasio ini memiliki interpretasi early warning
system dimana rasio pertumbuhan premi memiliki batas normal minimum 25%.
Hasil dari rasio ini sebaiknya diinterpretasikan bersama dengan sejarah dan operasi
perusahaan. Dalam menganalisa rasio perlu diperhatikan beberapa alasan yang
dikemukakan persahaan sehingga menjadikan angka rasio berfluktuasi.
Rendahnya tingkat kestabilan kegiatan usaha perusahaan asuransi yang
ditandai dengan kenaikan premi secara tajam (rapid premium growth) dapat
meningkatkan kemungkinan terjadinya financial distress (Marliza, 2014). Agung
(2017), membuktikan bahwa rasio pertumbuhan premi berpengaruh positif terhadap
financial distress. Berdasarkan penelitian tersebut maka dapat dirumuskan hipotesis
sebagai berikut:
H4a : Penerimaan premi berpengaruh positif terhadap financial distress.

30
D. Model Penelitian
Rasio Solvabilitas Dan

Umum
Rasio Profitabilitas
Return on Asset
(ROA)
FINANCIAL DISTRESS
Beban Klaim
Rasio Likuiditas
Rasio Penerimaan
Premi
Gambar 2.1
Metode Penelitian
BAB III
METODA PENELITIAN
A. Populasi dan Sampel
Populasi yang digunakan dalam penelitian ini adalah seluruh perusahaan
yang terdaftar di Bursa Efek Indonesia (BEI) tahun 2014-2019. Data yang akan
diolah adalah data tahun 2014-2018, sedangkan data tahun 2015 dan 2019
digunakan sebagai pedoman penentuan apakah perusahaan mengalami financial
distress atau tidak. Penentuan jumlah sampel yang digunakan dalam penelitian ini
menggunakan purposive sampling, yaitu teknik penarikan sampel yang dilakukan
berdasarkan karakteristik yang ditetapkan terhadap elemen populasi target yang
disesuaikan dengan tujuan atau masalah penelitian. Adapun kriteria yang digunakan
adalah perusahaan asuransi yang tercatat di Bursa Efek Indonesia (BEI) tahun 2014-
2019 dan menyajikan data lengkap mengenai financial ratios dan financial distress.
B. Data Penelitian
1. Jenis dan Sumber Data
Penelitian ini hanya menggunakan data sekunder berupa data laporan
keuangan dan laporan tahunan yang telah diaudit untuk periode tahun 2014 sampai
dengan 2019 yang diperoleh dari website BEI (idx.co.id, 2020)
2. Teknik Pengumpulan Data
Teknik yang digunakan dalam penelitian ini menggunakan teknik
dokumentasi melalui studi kepustakaan (Library Research), yaitu dengan cara
31
32
mengumpulkan, membaca, mencatat dan memahami bahan-bahan yang berkaitan
dengan bidang yang menjadi topik pembahasan penulis yang dianggap penting
dari berbagai sumber yang resmi, seperti buku, dokumen, artikel, laporan, jurnal,
dll.
C. Variabel Penelitian dan Pengukuran Variabel
1. Variabel dependen
Variabel dependen yang digunakan dalam penelitian ini adalah kondisi
financial distress dimana untuk membentuk model prediksi menggunakan analisis
diskriminan Altman Z-Score dan model logistic regression, karena variable
dependen dalam model berbentuk binary atau dummy, yaitu : 1 = “Non-Distress”
dan 0 = “Distress”. Financial distress didefinisikan sebagai tahap terjadinya
penurunan kondisi keuangan sebelum mengalami kebangkrutan ataupun likuidasi.
Kriteria perusahaan yang mengalami financial distress adalah : (1) beberapa tahun
memperoleh laba bersih operasi negatif; (2) menghentikan pembayaran dividen;
dan (3) mengalami restrukturisasi besar atau penghentian usaha (Platt & Platt,
2002). Menurut Hanafi dan Halim (2007), financial distress dapat digambarkan
dari dua titik ekstrem yaitu kesulitan likuiditas jangka pendek dan insolvabel.
Kesulitan keuangan jangka pendek biasanya bersifat jangka pendek, tetapi bisa
berkembang menjadi parah. Indikator kesulitan keuangan dapat dilihat dari
analisis aliran kas, analisis strategi perusahaan dan laporan keuangan perusahaan.
33
2. Variabel Independen
Perusahaan asuransi menggunakan rasio EWS untuk mengukur kinerja
keuangannya. Early Warning System menggunakan satu seri rasio (test ratio) yang
diterapkan pada laporan keuangan untuk mengukur kemampuan kinerja keuangan
perusahaan asuransi tersebut.
1. Rasio solvabilitas dan umum (solvency and overall ratios)
a. Solvency margin ratios
Solvabilitas perusahaan asuransi yang dikenal dengan Risk Based
Caipital atau dalam istilah bahasa Indonesia yaitu Batas Tingkat Solvabilitas
Minimun adalah jumlah minimum tingkat solvabilitas yang harus dimiliki
perusahaan asuransi atau perusahaan reasuransi, yaitu sebesar jumlah dana yang
dibutuhkan untuk menutup risiko kerugian yang mungkin timbul sebagai akibat
dari deviasi dalam pengelolaan kekayaan dan kewajiban (PER02/BL/2008, 2008).
Rasio ini digunakan untuk mengukur seberapa besar kemampuan keuangan
perusahaan asuransi keuangan dalam mendukung kewajiban yang mungkin timbul
dari penutupan risiko yang telah dilakukan. Rasio ini memiliki interpretasi EWS
dimana solvency margin ratio memiliki batas minimal sebesar 33,3% (Afif dan
Karmila, 2016). Solvency margin ratio yang rendah akan mencerminkan adanya
resiko yang tinggi sebagai akibat dari tingginya penerimaan premi.
𝑚𝑜𝑑𝑎𝑙 𝑑𝑖𝑠𝑒𝑡𝑜𝑟,𝑐𝑎𝑑𝑎𝑛𝑔𝑎𝑛 𝑘ℎ𝑢𝑠𝑢𝑠 𝑑𝑎𝑛 𝑙𝑎𝑏𝑎

Solvency Margin Ratio = 𝑥100%
𝑝𝑟𝑒𝑚𝑖 𝑛𝑒𝑡𝑜
Premi Neto = Premi Bruto - Premi Reasuransi

34
Sumber : Wulandari, 2011
2. Rasio keuntungan (profitability ratios)
agent berhasil dalam pengelolaan perusahaannya. Dengan laba yang tinggi maka
juga akan menarik investor untuk berinvestasi, sehingga nantinya akan
menjauhkan suatu perusahaan dari ancaman financial distresss (Hidayat dan
Meiranto, 2014). Return on asset sebagai proksi rasio profitabilitas, dimana rasio
ini digunakan untuk melihat bagaimana kemampuan perusahaan dalam mengelola
aset yang dimiliki dalam menghasilkan laba (Zamachsyari dan Amanah, 2016).
Rendahnya rasio tersebut mengindikasikan ketidakefektivan perusahaan dalam
mengelola asetnya untuk menghasilkan laba, sehingga perusahaan akan
mengalami kerugian. Penelitian Kleffner dan Lee (2006), menunjukkan bahwa
return on asset berpengaruh terhadap kemungkinan terjadinya financial distress.
Artinya perusahaan asuransi dengan return on Asset yang rendah mempunyai
kemungkinan terjadinya financial distress.
a. Return on Asset (ROA)
Return on Asset (ROA) merupakan salah satu kelompok rasio keuangan
profitabilitas. Secara umum rasio ini digunakan untuk melihat bagaimana
kemampuan perusahaan dalam mengelola aset yang dimiliki dalam menghasilkan
laba (Zamachsyari dan Amanah, 2016). Return on asset sebagai proksi rasio
35
profitabilitas perusahaan asuransi diukur dari kegiatan underwriting dan
operasional perusahaan. Menurut Kleffner dan Lee (2006), profitabilitas yang
tinggi menandakan manajemen yang lebih efisien dan risiko yang lebih rendah.
𝐿𝑎𝑏𝑎 𝑆𝑒𝑡𝑒𝑙𝑎ℎ 𝑃𝑎𝑗𝑎𝑘

ROA =
𝑇𝑜𝑡𝑎𝑙 𝐴𝑘𝑡𝑖𝑣𝑎
Sumber : Zamachsyari dan Amanah, 2016
b. Rasio beban klaim
Rasio ini memberikan penjelasan mengenai pengalaman klaim (loss
ratio) yang terjadi serta kualitas usaha penutupannya. Dalam rumus:
𝐵𝑒𝑏𝑎𝑛 𝐾𝑙𝑎𝑖𝑚
Rasio Beban Klaim = 𝑥 100%
𝑃𝑒𝑛𝑑𝑎𝑝𝑎𝑡𝑎𝑛 𝑃𝑟𝑒𝑚𝑖
Rasio ini memiliki interpretasi early warning system batas maksimal
100% (Afif dan Karmila, 2016). Rasio beban klaim yang tinggi memberikan
informasi tentang buruknya proses underwriting perusahaan dan penerimaan
penutupan resiko yang terjadi. Maka perlu dilakukannya analisis terhadap klaim
untuk setiap jenis produk asuransi. Besarnya angka dari rasio beban klaim berarti
besarnya persentase dari pendapatan premi yang digunakan untuk membayar
beban klaim yang terjadi.

36
3. Rasio likuiditas (liquidity ratios)
a. Rasio likuiditas
Rasio likuiditas digunakan untuk mengukur kemampuan perusahaan
dalam memenuhi kewajiban jangka pendek dan secara kasar memberikan
gambaran mengenai kondisi keuangan perusahaan, apakah kondisi keuangan
perusahaan solven atau tidak. Rasio ini memiliki batas interpretasi early warning
system dengan batas normal maksimum 120% (Afif dan Karmila, 2016). Rasio
likuiditas yang tinggi menunjukkan adanya masalah likuiditas dan perusahaan
kemungkinan besar sedang berdapa dalam kondisi yang tidak solven.
𝐽𝑢𝑚𝑙𝑎ℎ 𝐾𝑒𝑤𝑎𝑗𝑖𝑏𝑎𝑛
Rasio Likuiditas = 𝑥 100%
𝑇𝑜𝑡𝑎𝑙 𝐾𝑒𝑘𝑎𝑦𝑎𝑎𝑛 𝑌𝑎𝑛𝑔 𝐷𝑖𝑝𝑒𝑟𝑘𝑒𝑛𝑎𝑛𝑘𝑎𝑛
4. Rasio Penerimaan Premi (Premium Stability Ratios)
a. Rasio pertumbuhan premi
Kenaikan maupun penurunan yang tajam pada premi netto
mengindikasikan bahwa perusahaan sedang tidak stabil dalam menjalankan
kegiatan operasional perusahaan. Rasio ini memiliki interpretasi early warning
system dimana rasio pertumbuhan premi memiliki batas normal minimum 25%.
Hasil dari rasio ini sebaiknya diinterpretasikan bersama dengan sejarah dan
operasi perusahaan. Dalam menganalisa rasio perlu diperhatikan beberapa alasan
yang dikemukakan persahaan sehingga menjadikan angka rasio berfluktuasi.

37
𝐾𝑒𝑛𝑎𝑖𝑘𝑎𝑛 𝑎𝑡𝑎𝑢 𝑃𝑒𝑛𝑢𝑟𝑢𝑛𝑎𝑛 𝑃𝑟𝑒𝑚𝑖 𝑁𝑒𝑡𝑡𝑜

Rasio Perkembangan Premi = 𝑥 100%
𝑃𝑟𝑒𝑚𝑖 𝑁𝑒𝑡𝑡𝑜 𝑇𝑎ℎ𝑢𝑛 𝑆𝑒𝑏𝑒𝑙𝑢𝑚𝑛𝑦𝑎
D. Metode Analisis Data
1. Analisis Statistik Deskriptif
Statistik deskriptif digunakan untuk mengetahui karakteristik sampel
yang digunakan dan menggambarkan variabel-variabel dalam penelitian.
Analisis statistik deskriptif sutau data dapat dilihat dari jumlah, sampel, nilai
minimum, nilai maksimum, nilai rata-rata (mean), standar deviasi (Ghozali,
2018). Hal ini perlu dilakukan untuk melihat gambaran keseluruhan dari sampel
yang berhasil dikumpulkan dan memenuhi syarat untuk dijadikan sampel
penelitian (Ghozali, 2018).
2. Uji Multikolinearitas
Uji ini bertujuan untuk menguji apakah terdapat korelasi antara variabel
bebas di dalam model regresi. Model regresi yang baik seharusnya tidak terjadi
korelasi antara variabel bebas. Jika variabel bebas saling berkorelasi, maka
variabel-variabel ini tidak orthogonal. Variabel orthogonal adalah variabel
independen yang nilai korelasi antar sesame variabel independen sama dengan
nol (Ghozali, 2018). Multikolinieritas dideteksi dengan menggunakan nilai
tolerance dan variance inflation factor (VIF) dengan membandingkan sebagai
berikut:
38
a. Bila VIF > 10, terdapat masalah multikolinearitas.
b. Bila VIF < 10, tidak terdapat masalah multikolinearitas.
c. Tolerance > 0,1 maka diduga terjadi multikolinearitas.
d. Tolerance < 0,1 maka diduga tidak terjadi multikolinearitas.
3. Analisis Regresi Logistik
Metode analisis yang digunakan dalam penelitian ini adalah analisis
diskriminan Altman Z-Score dan Regresi Logistik Biner (Binary Logit
Regression). Rumus Altman Z-Score, sebagai berikut (Altman, 1968) :
𝑍 = 1,2𝑋₁ + 1,4𝑋₂ + 3,3𝑋₃ + 0,6𝑋₄ + 1,0𝑋₅
Keterangan :
Z = bankruptcy index X₁ = working capital / total assets
X₂ = retained earnings / total assets
X₃ = earnings before interest and taxes / total assets
X₄ = market value of equity / book value of total debt
X₅ = sales / total assets
Tabel 3.1
Tabel Klasifikasi Altman Z-Score
Nilai Z Klasifikasi
< 1,81 Termasuk perusahaan yang mengalami financial distress.
1,81- 2,99 Termasuk grey area (tidak dapat ditentukan apakah perusahaan
sehat ataupun mengalami financial distress). Pada grey area ini
ada kemungkinan perusahaan bangkrut dan ada pula yang tidak
tergantung bagaimana pihak perusahaan dapat segera
mengambil tindakan untuk segera mengatasi masalah yang
dialami oleh perusahaan.
> 2,99 Termasuk perusahaan yang tidak mengalami financial distress
atau dalam keadaan sehat.
39
Sumber : Altman, 1968
Sebagaimana dalam regresi linear, model umum dari regresi logistik
ganda (logit) adalah model regresi ganda yaitu model yang melibatkan lebih dari
satu prediktor/variabel independen. Model logit secara sederhana didefinisikan
sebagai model regresi non-linear yang menghasilkan persamaan di mana variabel
dependen bersifat kategorikal. Kategori paling mendasar dari model tersebut
menghasilkan binary values seperti angka 0 dan 1. Angka ini mewakilkan suatu
kategori tertentu yang dihasilkan dari penghitungan probabilitas terjadinya
kategori tersebut (Widarjono, 2005). Tingkat siginikansi (level of significant) yang
digunakan dalam penelitian ini adalah sebesar 90% (α = 0,1), karena dinilai relatif
kuat dalam menguji hubungan variable-variabel yang diuji atau menunjukkan
bahwa korelasi antar variabel cukup nyata. Tingkat signifikansi 0,1 artinya
kemungkinan besar dari hasil penarikan kesimpulan mempunyai probabilitas
sebesar 90% atau toleransi kesalahan sebesar 10%.
Ln FD = b0 + b₁SU + b₂ROA + b₃BK + b₄LIKUID + b₅PP + e

1-FD
Keterangan :
FD
=
1-FD : Probabilitas perusahaan mengalami financial distress
b0 : Konstanta
SM : Solvency Margin
ROA : Return On Asset
BK : Beban Klaim
LIKUID : Likuiditas
40
PP : Pertumbuhan Premi
b : Koefisien regresi rasio
e : Error
Sumber : Hidayat dan Meiranto, 2014
E. Pengujian Hipotesis
1. Uji Kelayakan Model (Goodness of Fit Test)
Menurut (Ghozali, 2018), goodness of fit test dapat dilakukan dengan
memperhatikan output dari Hosmer and Lemeshow’s Goodness of fit test, dengan
hipotesis : H0 = model yang dihipotesiskan fit dengan data dan H1 = model yang
dihipotesiskan tidak fit dengan data. Jika nilai statistik Hosmer and Lemeshow
(Chisquare) < α (0,1) maka H0 ditolak yang berarti terdapat perbedaan signifikan
antara model dengan nilai observasinya sehingga goodness fit model tidak baik
karena model tidak dapat memprediksi nilai observasinya. Jika nilai statistik
Hosmer and Lemeshow (Chi-square) > α (0,1) maka H0 tidak dapat ditolak dan
berarti model mampu memprediksi nilai observasinya.
2. Uji koefisien Determinasi (R Square)
Uji koefisien determinasi digunakan untuk mengukur seberapa besar
variabilitas variabel independen mampu memperjelas variabilitas variabel
dependen. Koefisien determinasi pada regresi logistik dapat dilihat pada nilai
nagelkarke R Square. Jika nila Nagelkarke R Square kecil berari kemampuan
variabel independen dalam menjelaskan variabel dependen sangat terbatas.

41
Penggunaan R Square sering menimbulkan permasalahan bahwa nilainya
akan selalu meningkat dengan adanya penambahan variabel independen dalam
suatu model. Hal ini akan menimbulkan bias, karena jika ingin memperoleh model
R tinggi, seorang peneliti dapat dengan sembarangan menambahkan variabel
independen dan nilai R akan meningkat, tidak tergantung apakah variabel tambahan
tersebut berhubungan dengan variabel terikat atau tidak.
Beberapa peneliti menyarankan untuk menggunakan Adujusted R Square.
Interpretasinya sama dengan R Square, akan tetapi nilai Adjusted R Square dapat
naik atau turun dengan adanya penambahan variabel baru, tergantung dari korelasi
antara variabel bebas tambahan tersebut dengan variabel terikat. Nilai Adjusted R
Square dapat bernilai negatif, sehingga jika nilainya negatif, maka nilai tersebut
dianggap 0 atau variabel bebas sama sekali tidak mampu menjelaskan varians dari
variabel terikatnya (Ghozali, 2018).
3. Uji Kelayakan Keseluruhan Model (Overall Fit Model Test)
Dalam menilai overall fit model, dapat dilakukan dengan cara uji Chi
Square (χ2). Tes statistik chi square (χ2) digunakan berdasarkan pada fungsi
likelihood pada estimasi model regresi. Likelihood (L) dari model adalah
probabilitas bahwa model yang dihipotesiskan menggambarkan data input. L
ditransformasikan menjadi -2logL untuk menguji hipotesis nol dan alternatif.
Penggunaan nilai χ2 untuk keseluruhan model terhadap data dilakukan dengan
membandingkan nilai -2 log likelihood awal (hasil block number 0) dengan nilai -2
log likelihood hasil block number 1. Dengan kata lain, nilai chi square didapat dari
42
nilai -2logL1– 2logL0. Apabila terjadi penurunan, maka model tersebut
menunjukkan model regresi yang baik (Ghozali, 2018).

BAB IV
HASIL DAN PEMBAHASAN
A. Populasi dan Sampel
Jumlah Perusahaan asuransi yang terdaftar di Bursa Efek Indonesia (BEI)
hingga tahun 2019 adalah sebanyak 16 perusahaan idx.co.id (2020), selama periode
penelitian dipilih perusahaan yang memenuhi kriteria pemilihan sampel, yaitu
perusahaan asuransi yang melaporkan laporan keuangan lengkap dari periode tahun
2014-2019, dan menyajikan data lengkap mengenai financial ratios dan financial
distress.
Tabel 4.1
Kriteria Sampel
No Kriteria Jumlah
1. Seluruh perusahaan asuransi yang terdaftar di BEI 16
periode tahun 2014-2019
2. Perusahaan yang tidak menyampaikan data secara (5)
lengkap selama periode penelitian tahun 2014-2019
yang berkaitan dengan financial distress, rasio
solvabilitas dan umum, rasio profitabilitas, rasio
likuiditas, dan rasio penerimaan premi.
3. Sampel perusahaan asuransi yang bisa digunakan 11
4. Sampel yang digunakan sesuai periode penelitian 66
(11x6)
Sumber : data sekunder yang diolah, 2020
43
44
B. Statistik Deskriptif Variabel Penelitian
Hasil uji statistik deskriptif ini digunakan untuk memberikan gambaran
profil data sampel. Statistik deskriptif ini memaparkan nilai mean, minimum,
maximum, serta standar deviasi dari masing-masing variabel. Hasil pengujian
statistik deskriptif adalah sebagai berikut:
Tabel 4.2
Statistik Deskriptif
Std.
N Minimum Maximum Mean Deviation
Statistic Statistic Statistic Statistic Statistic
Log_X1 66 -0,42 1,34 0,2313 0,38631
ROA 66 -0,20 0,09 0,0363 0,04187
Log_X3 66 -1,36 0,03 -0,3178 0,22045
Log_X4 66 -0,87 -0,08 -0,2992 0,18975
PP 66 -6,25 0,19 -0,1641 0,78415
Y 66 0 1 0,29 0,456
Berdasarkan hasil uji statistik deskriptif tersebut, diperoleh sampel sebanyak
66 yang berasal dari data perkalian sampel 11 perusahaan dengan periode penelitian
5 tahun (2014-2019). Karakteristik sampel mencakup nama perusahaan dan tahun
yang dijadikan rentang penelitian, sedangkan karakteristik data yaitu solvency
margin, return on asset, beban klaim, likuiditas, pertambahan premi. Penjelasan
lebih rinci dari hasil pengujian statistik deskriptif yaitu sebagai berikut :
45
1. Solvabilitas dan Umum
Solvabilitas dan umum menunjukkan nilai minimum sebesar -0,42 dan nilai
maksimum sebesar 1,34. Kemudian untuk nilai rata-ratanya sebesar 0,2313 dan
standar deviasi sebesar 0,38631. Nilai rata-rata yang dihasilkan sebesar 0,2313 atau
23%, menunjukkan bahwa rata-rata variabel ini lebih rendah dari tolok ukur
minimum, yaitu sebesar 33,3%. Rendahnya solvency margin mencerminkan adanya
risiko yang tinggi sebagai akibat terlalu tingginya penerimaan premi atau kontribusi.
2. Return on Asset (ROA)
Hasil analisis statistik deskriptif terhadap variabel ROA, menghasilkan nilai
minimum sebesar -0,20. Nilai maksimum sebesar 0,09, nilai rata-rata sebesar
0,0363, dan standar deviasi sebesar 0,04187. Nilai rata-rata yang sebesar 0,0363
atau sebesar 3,6%. Rata-rata tersebut kurang dari 5%, yang berarti hal tersebut
mengindikasikan ketidakefektivan perusahaan dalam mengelola asetnya untuk
menghasilkan laba (Zamachsyari dan Amanah, 2016).
3. Beban Klaim
Hasil analisis dengan menggunakan statistik deskriptif menghasilkan nilai
minimum dan maksimum berturut-turut sebesar -1,36 dan 0,03. Nilai rata-rata
sebesar -0,3178 dan untuk standar deviasinya sebesar 0,22045. Nilai rata-rata yang
sebesar -0,3178 atau sekitar -31%, menunjukkan bahwa rata-rata perusahaan
asuransi dalam kondisi baik. Nilai rata-rata yang kurang dari 100% mencerminkan
bahwa perusahaan mampu menutupi beban klaim yang terjadi dengan pendapatan
46
premi yang mungkin timbul akibat penutupan risiko usaha perusahaan. Hal ini
menandakan kemampuan keuangan perusahaan untuk membayar klaim masih
bagus. Besarnya angka dari rasio beban klaim berarti besarnya persentase dari
pendapatan premi yang digunakan untuk membayar beban klaim yang terjadi (Afif
dan Karmila, 2016).
4. Likuiditas
Hasil analisis deskriptif terhadap rasio likuiditas menunjukkan nilai
minimum sebesar -0,87. Nilai maksimum sebesar -0,08, nilai rata-rata sebesar -
0,2292, dan untuk standar deviasinya sebesar 0,18975. Nilai rata-rata sebesar -
0,2292 atau sebesar -0,23%, nilai tersebut kurang dari batas maksimum rasio
likuiditas yaitu sebesar 120%. Hal ini menunjukkan kinerja rata-rata perusahaan
asuransi dalam kondisi baik dan dikatakan solven sehingga mampu memenuhi dan
menutupi kewajibannya dengan seluruh kekayaan yang dimiliki oleh perusahaan.
5. Penerimaan Premi
Hasil analisis dengan menggunakan statistik deskriptif menghasilkan nilai
minimum dan maksimum berturut-turut sebesar -6,25 dan 0,19. Nilai rata-rata
sebesar -0,1641, dan standar deviasi sebesar 0,784. Nilai rata-rata rasio
pertumbuhan premi sebesar -0.164 atau sebesar -16,4%. Batas minimum rasio ini
sebesar 23%, dengan nilai rata-rata sebesar -16,4%, menunjukkan bahwa
perusahaan sedang dalam kondisi tidak baik. Pertumbuhan premi dari perusahaan
asuransi memang sangat bergantung pada keadaan ekonomi negara, namun diluar
47
itu semua, manajemen perusahaan harus pandai dalam mengelola pertumbuhan
preminya.
6. Kondisi Financial Distress
Variabel dependen yang disimbolkan dengan Y pada penelitian ini
merupakan kondisi financial distress yang kemungkinan terjadi pada perusahaan
asuransi, yang diproksikan dengan variabel dummy (0 = distress, 1 = non-distress).
Melalui analisis statistik deskriptif, variabel ini menghasilkan nilai minimum
sebesar 0,00 dan nilai maksimum sebesar 1. Nilai rata-rata sebesar 0,29, dan standar
deviasinya sebesar 0,456.
C. Uji Multikolinearitas
Tabel 4.3
Uji Multikolinearitas
Variabel Tolerance VIF Hasil

SU 0,329 3,040 Tidak terjadi mulitikolinearitas
ROA 0,869 1,150 Tidak terjadi mulitikolinearitas
BK 0,691 1,448 Tidak terjadi mulitikolinearitas
LIKUID 0,285 3,514 Tidak terjadi mulitikolinearitas
PP 0,791 1,264 Tidak terjadi multikolinearitas
Berdasarkan tabel 4.2 di atas, menunjukkan bahwa nilai tolerance variabel
independen tidak ada yang kurang dari 0,10, hal tersebut berarti tidak ada kolerasi
antara masing-masing variabel independen yang nilainya lebih dari 95%. Kemudian
untuk hasil perhitungan VIF juga menunjukkan hal sama, tidak ada variabel yag
48
memiliki nilai VIF lebih dari 10,0, sehingga dapat dikatakan bahwa tidak ada
multikolinearitas antar variabel independen dalam model regresi.
D. Analisis Regresi Logistik
1. Uji Kelayakan Model (Goodness of Fit Test)
Tabel 4.4
Uji Kelayakan Model
Hosmer and Lemeshow Test
Step Chi-square df Sig.
1 1,754 7 0,972
Sumber : sata sekunder yang diolah, 2020
Hasil uji kelayakan model regresi menunjukkan bahwa nilai Chi Square
sebesar 1,754 dengan probabilitas signifikansi sebesar 0,972. Nilai tersebut lebih
besar dari nilai Hosmer and Lemeshow 0,05. Berdasarkan hasil tersebut, maka dapat
disimpulkan bahwa model mampu memprediksi nilai observasinya atau dapat
dikatakan bahwa model dapat diterima.
2. Uji Kelayakan Keseluruhan Model (Overall of Fit Test)
Uji ini dilakukan untuk menguji ketepatan antara prediksi model regresi
logistik dengan data hasil pengamatan. Pengujian ini diperlukan untuk memastikan
tidak adanya kelemahan atas kesimpulan dari model yang diperoleh. Statistik yang
digunakan berdasarkan pada fungsi likelihood, yaitu nilai -2 log likelihood yang
semakin rendah menunjukkan bahwa model akan semakin fit dengan data input.
Tabel 4.5
Hasil Uji Likelihood
-2 log likelihood Awal (Block Number 0) 79,232
-2 log likelihood Akhir (Block Number 1) 30,212
49
Berdasarkan tabel tersebut, dapat dilihat bahwa -2 log likelihood mengalami
penurunan dari semula pada step 0 sebesar 79,323 menjadi 30,212 pada step 1.
Penurunan yang terjadi tersebut mendandakan bahwa semakin adanya hubungan
antara variabel bebas dengan variabel terikatnya. Statistik -2 log likelihood juga
dapat digunakan untuk menentukan apakah masuknya variabel bebas secara
signifikan dapat memperbaiki model fit. Penentuan nilai -2 log likelihood tersebut
dapat dilihat pada nilai chi square yang terdapat dalam omnimbus test model
coefficient, sebagai berikut:
Tabel 4.6
Omnibus Tests of Model Coefficients
Chi-square Df Sig.
Step 1 Step 49,020 5 0,000
Block 49,020 5 0,000
Model 49,020 5 0,000
Hasil pengujian omnibus test of model coefficients diperoleh nilai chi square
(penurunan -2logL) sebesar 40,020 dengan tingkat signifikansi 0,00. Karena nilai
signifikansi yang lebih kecil dari 0,05 tersebut, maka dapat disimpulkan bahwa
dengan masuknya variabel bebas secara bersama-sama dapat memperbaiki model
fit. Hal ini berarti bahwa dengan dimasukkannya prediktor rasio solvency margin,
ROA, beban klaim, likuiditas, dan pertumbuhan premi secara bersama-sama dapat
memperbaiki model fit atau dapat menjelaskan pengaruh terjadinya financial
distress di suatu perusahaan.

50
3. Uji Koefisien Determinasi (Nagelkerke R Square)
Nilai Cox dan Snell’s R Square dan Nagelkerke R Square menunjukkan
seberapa besar variabilitas variabel dependen yang dapat dijelaskan oleh variabel
independen (Ghozali, 2011).
Tabel 4.7
Hasil Uji Nagelkerke R Square
Model Summary
Step -2 Log likelihood Cox & Snell R Square Nagelkerke R Square

1 30,212a 0,524 0,750
Pada tabel tersebut terlihat bahwa bahwa nilai Cox dan Snell’s R Square
adalah sebesar 0,524 dan nilai Nagelkerke R Square adalah sebesar 0,750. Hal
tersebut berarti bahwa variabilitas variabel dependen atau terikat yang dapat
dijelaskan oleh variabel independen atau bebas adalah sebesar 75%. Sedangkan
sisanya, yaitu sebesar 25% dijelaskan oleh faktor lain selain variabel independen.
4. Matriks Klasifikasi
Matriks klasifikasi 2x2 berfungsi untuk menghitung nilai estimasi yang
benar (correct) dan yang salah (incorrect). Pada kolom merupakan dua nilai
prediksi dari variabel dependen, dalam hal ini adalah financial distress (0) dan non
financial distress (1), sedangkan pada baris menunjukkan nilai observasi
sesungguhnya dari variabel dependen. Tabel klasifikasi 2x2 ini adalah sebagai
penguat bahwa tidak ada perbedaan yang signifikan antara data hasil observasi
dengan data prediksi.

51
Tabel 4.8
Hasil Pengujian Matriks Klasifikasi
Classification Tablea
Predicted
FD
Financial Non financial Percentage
Observed distress distress Correct
Step 1 FD Financial distress 45 2 95,7
Non financial
6 13 68,4
distress
Overall Percentage 87,9
Tabel 4.8 di atas menunjukkan bahwa model empiris kajian ini ternyta
mampu digunakan untuk memprediksi financial distress pada perusahaan asuransi
selama periode 2014 sampai dengan 2019 melalui rasio solvency margin, ROA,
beban klaim, likuiditas, dan pertumbuhan premi sebagai prediktor. Hal ini terlihat
kemampuan model regresi logistik dalam memprediksi perusahaan asuransi yang
mengalami financial distress (FD) dibandingkan dengan kondisi perusahaan
asuransi yang tidak mengalami financial distress (non FD), yaitu dengan nilai
sebesar 95,7% dan 68,4%. Namun, secara keseluruhan hasil klasifikasi model
kajian ini mampu menjelaskan kondisi financial distress perusahaan asuransi
dengan cukup baik dan akurat, yaitu dengan persentase sebesar 87,9%.
E. Uji Hipotesis
Pengujian hipotesis pada penelitian ini menggunakan model uji regresi
logistik, secara parsial ditunjukkan pada variabel in the equation yang bertujuan
untuk mengetahui signifikan konstanta dari setiap variabel. Variabel independen

52
yaitu solvency margin, ROA, beban klaim, likuiditas, dan pertumbuhan premi
dengan variabel independen kondisi financial distress. Kriteria tingkat penerimaan
dan penolakan hipotesis didasarkan pada significant p-value (probaility value)
dalam penelitian ini sig wald. Tingkat signifikan yang digunakan sebesar α = 5%,
yang dapat dijelaskan sebagai berikut :
1. H₀ ditolak jika nilai probabilitas (sig wald) < α = 0,05. Hal tersebut berarti Ha
diterima yang menyatakan bahwa variabel independen berpengaruh signifikan
terhadap variabel dependen diterima.
2. H₀ tidak ditolak jika nilai probabilitas (sig wald) > α = 0,05. Hal tersebut
berarti maka Ha ditolak yang menyatakan bahwa variabel independen
berpengaruh signifikan terhadap variabel dependen ditolak.
Jumlah sampel penelitian sebanyak (n) = 11 perusahaan asuransi yang
terdaftar di Bursa Efek Indonesia periode penelitian tahun 2014-2019. Hasil
pengujian hipotesis disajikan dalam tabel berikut:

53
Tabel 4.9
Hasil Uji Koefisen Regresi
Variabel B S.E. Wald df Sig. Exp(B)
Solvabilitas dan
-2,170 2,491 0,759 1 0,384 0,114
Umum
Return On Asset 1369826902
1734667000
67,090 27,741 5,849 1 0,016
0000000000,
000
Beban Klaim 1,582 4,852 0,106 1 0,744 4,866
Likuiditas -20,413 9,168 4,957 1 0,026 0,000
Penerimaan premi -0,440 0,955 0,212 1 0,645 0,644
Constant -9,542 3,721 6,577 1 0,010 0,000
Berdasarkan hasil pengujian koefisien regresi tersebut, maka diperoleh
persamaan sebagai berikut :
FD = -9,542 – 2,170SU + 67,090ROA + 1,582BK – 20,413LIKUID – 0,440PP
+e
Persamaan di atas mempunyai makna sebagai berikut :
1. Nilai konstanta sebesar -9,542 yang berarti bahwa setiap peningkatan solvabilitas
dan umum (SU), return on asset (ROA), beban klaim (BK), likuiditas (LIKUID),
dan penerimaan premi (PP) setiap 1 poin maka akan meningkatkan kondisi
financial distress pada perusahaan asuransi sebesar 9,542 poin dengan asumsi
koefisien variabel lain tetap.
2. Koefisien solvabilitas dan umum (SU) sebesar -2,170 yang bermakna bahwa setiap
kenaikan solvency margin 1%, akan menurunkan kondisi financial distress (FD)
sebesar 2,170.
54
3. Koefisien return on asset (ROA) sebesar 67,090 mengindikasikan bahwa setiap
kenaikan return on asset 1%, akan meningkatkan kondisi financial distress (FD)
sebesar 67,090.
4. Koefisien beban klaim (BK) sebesar 1,582 mengindikasikan bahwa setiap
peningkatan beban klaim 1% akan meningkatkan kondisi financial distress (FD)
sebesar 1,582.
5. Koefisien likuiditas sebesar -20,413 bermakna bahwa setiap peningkatan likuiditas
1% akan menurunkan kondisi financial distress (FD) sebesar 20,413.
6. Koefisien penerimaan premi (PP) sebesar -0,440 mengindikasikan bahwa setiap
kenaikan pertumbuhan premi 1% akan menurunkan kondisi financial distress
sebesar 0,400
Tabel 4. 10
Hasil Pengujian Hipotesis
Variabel B S.E. Wald df Sig. Hasil
Solvabilitas dan H1 tidak diterima

-2,170 2,491 0,759 1 0,384
Umum
Return On Asset 67,090 27,741 5,849 1 0,016 H2a tidak diterima
Beban Klaim 1,582 4,852 0,106 1 0,744 H2b tidak diterima
Likuiditas -20,413 9,168 4,957 1 0,026 H3 diterima
Penerimaan premi -,440 0,955 0,212 1 0,645 H4 tidak diterima
Berdasarkan tabel 4.10 pada saat variabel independen dimasukkan ke dalam
model penelitian (block number = 1), maka diperoleh hasil sebagai berikut.
55
1. Variabel solvabilitas dan umum memiliki nilai wald sebesar 0,759 dengan
tingkat signifikansi 0,384 > 0,05. Maka tidak terdapat pengaruh yang
signifikan terhadap konsisi financial distress pada perusahaan asuransi.
Selain itu, dalam tabel juga ditunjukkan bahwa solvency margin mempunyai
nilai koefisien sebesar -2,170, dimana itu berarti bahwa semakin tinggi
variabel solvency margin yang dimiliki perusahaan, maka akan semakin
kecil perusahaan itu mengalami financial distress. Meskipun begitu, dalam
hal ini Ha ditolak atau hipotesis yang menyatakan bahwa solvency margin
berpengaruh signifikan terhadap terjadinya financial distress pada
perusahaan asuransi, sehingga H1 tidak diterima.
2. Variabel return on asset (ROA) memiliki koefisien positif sebesar 67,090
dengan signifikansi sebesar 0,016 < 0,05, yang berarti ROA memiliki
pengaruh yang signfikan terhadap kondisi financial distress. Namun, Ha
ditolak atau hipotesis yang menyatakan bahwa ROA berpengaruh negatif
terhadap terjadinya financial distress pada perusahaan asuransi, karena
koefisien b bernilai positif, sehingga H1a tidak diterima.
3. Variabel beban klaim memiliki koefisien positif sebesar 1,582 dengan
signifikansi sebesar 0,744 > 0,05. Maka Ha ditolak atau hipotesis yang
menyatakan bahwa beban klaim berpengaruh signifikan terhadap terjadinya
financial distress pada perusahaan asuransi, sehingga H1b tidak diterima.
4. Variabel likuiditas memiliki nilai wald sebesar 4,957 dengan signifikansi
0,026 < 0,05. Nilai signifikansi yang dihasilkan lebih besar dari 5%, berari
56
rasio likuiditas berpengaruh signifikan terhadap kondisi financial distress.
Selain itu, variabel ini memiliki niali koefisien negatif sebesar -20,413, yang
berarti semakin tinggi rasio likuiditas maka semakin kecil peluang
perusahaan terindikasi financial distress. Maka Ha diterima atau hipotesis
yang menyatakan bahwa rasio likuiditas berpengaruh negatif terhadap
terjadinya financial distress pada perusahaan asuransi, sehingga H3
diterima.
5. Variabel penerimaan premi memiliki koefisien negative sebesar -0,440
dengan signifikansi 0,212 > 0,05. Maka ha ditolak atau hipotesis yang
menyatakan variabel pertumbuhan premi berpengaruh signifikan terhadap
terjadinya financial distress, sehingga H4 tidak diterima.
F. Pembahasan
1. Pengaruh solvabilitas dan umum terhadap terjadinya Financial distress

pada perusahaan asuransi.
Hasil pengujian regresi logistik menunjukkan bahwa solvabilitas dan umum
tidak berpengaruh terhadap terjadinya financial distress. Oleh karena itu hasil
penelitian ini tidak menerima H1 yang artinya bahwa kemampuan keuangan
perusahaan dalam mendukung kewajiban yang mungkin timbul dari penutupan
risiko yang telah dilakukan tidak memberikan pengaruh terhadap terjadinya
financial distress. Hasil tersebut menunjukkan bahwa tinggi rendahnya rasio
solvency margin tidak menyebabkan perusahaan terindikasi financial distress atau
tidak.
57
Modal berbasis risiko tinggi tidak dapat mengurangi kemungkinan kesulitan
keuangan yang signifikan (Dewi dan Mahfudz, 2017). Hasil ini tidak sesuai dengan
teori sinyal yang menyatakan bahwa tingginya solvency margin akan memperkecil
peluang terjadinya financial distress di suatu perusahaan. Hal tersebut menunjukkan
bahwa tinggi rendahnya kemampuan perusahaan dalam mendukung kewajiban yang
timbul dari penutupan risiko tidak mencerminkan kondisi keuangan perusahaan.
Investor membutuhkan informasi mengenai laba dan pembagian deviden, sehingga
dapat dilihat apakah perusahaan tersebut mengalami financial distress atau tidak,
sehingga perusahaan dengan tingkat solvency margin tinggi belum tentu kondisi
keuangannya baik, sedangkan tingkat solvency margin yang rendah belum tentu
perusahaan tersebut akan mengalami financial distress.
Penelitian ini sejalan dengan penelitian Dewi dan Mahfudz (2017) dan
Marliza (2014), yang menghasilkan bahwa solvency margin tidak berpengaruh
terhadap terjadinya financial distress. Hasil penelitian ini tidak dapat membuktikan
bahwa modal berbasis risiko tinggi yang dapat mengurangi kemungkinan kesulitan
keuangan yang signifikan.
Penelitian ini tidak sejalan dengan penelitian Zamachsyari dan Amanah
(2016), yang menghasilkan bahwa solvency margin berpengaruh negatif terhadap
terjadinya financial distress. Artinya semakin rendah rasio margin solvensi
perusahaan maka semakin besar kemungkinan perusahaan tersebut mengalami
financial distress, dan sebaliknya. Hal ini menunjukkan bahwa perusahaan dengan
58
rasio margin solvensi yang kecil cenderung mengalami kondisi financial distress,
dibandingkan perusahaan yang mempunyai nilai rasio yang besar.
2. Pengaruh Return On Asset terhadap terjadinya Financial distress pada

perusahaan asuransi.
Hasil pengujian regresi logistik menunjukkan bahwa return on asset
berpengaruh positif terhadap terjadinya financial distress. Penelitian ini
menunjukkan bahwa kemampuan perusahaan dalam menghasilkan laba
memberikan pengaruh terhadap kondisi financial distress. Hasil olah data
menunjukkan bahwa ROA berpengaruh positif terhadap financial distress, dimana
hal tersebut bertentangan dengan perumusan hipotesis yang menyatakan bahwa
ROA berpengaruh negatif terhadap financial distress, sehingga H2a tidak diterima.
Hal tersebut berarti, semakin tinggi ROA yang dicapai oleh perusahaan, maka akan
dapat meningkatkan peluang terjadinya financial distress (Muhtar & Aswan, 2017).
Tinggi rendahnya rasio ini mencerminkan kemampuan perusahaan dalam
menghasilkan laba. Jika rasio yang dihasilkan rendah, maka hal tersebut
mengindikasikan ketidakefektivan perusahaan dalam mengelola asetnya untuk
menghasilkan laba, sehingga perusahaan akan mengalami kerugian atau kesulitan
keuangan. Perusahaan yang mengalami penurunan laba atau arus kas yang bernilai
kecil dapat diklasifikasikan masuk ke dalam kondisi financial distress, atau semakin
rendah return on asset maka semakin tinggi kemungkinan terjadinya financial
distress.
59
Hasil penelitian ini sejalan dengan penelitian Muflihah (2017), yang
menyatakan bahwa ROA berpengaruh signifikan terhadap kondisi financial
distress. Selain itu penelitian ini juga sejalan dengan penelitian Curry &
Banjarnahor (2018), yang menghasilkan bahwa ROA berpegaruh signifikan
terhadap kondisi financial distress. Namun, penelitian ini menghasilkan koefisien
positif yang mengakibatkan hipotesis tidak diterima dan tidak sejalan dengan teori
serta penelitian sebelumnya. Hasil penelitian ini tidak sejalan dengan penelitian
Hidayat dan Meiranto (2014), yang menghasilkan bahwa ROA tidak berpengaruh
signifikan terhadap kondisi financial distress.
3. Pengaruh Beban Klaim terhadap terjadinya Fiancial Distress pada

Hasil pengujian pada penelitian ini menunjukkan bahwa rasio beban klaim
tidak berpengaruh terhadap terjadinya financial distress. Oleh karena itu,
penelitian ini tidak menerima hipotesis 2b yang menyatakan bahwa baban klaim
berpengaruh positif terhadap terjadinya financial distress. Hasil tersebut
menunjukkan bahwa tinggi rendahnya beban klaim tidak mempengaruhi peluang
perusahaan terkena financial distress. Rasio beban klaim yang tinggi hanya
memberikan informasi tentang buruknya proses underwriting perusahaan dan
penerimaan penutupan risiko yang terjadi. Besarnya angka dari rasio beban klaim
berarti besarnya persentase dari pendapatan premi yang digunakan untuk
membayar beban klaim yang terjadi.

60
Tingginya resiko yang dialami perusahaan tidak mempengaruhi kinerja
perusahaan jika perusahaan asuransi dapat mengontrol resiko yang akan dihadapi
sebelum menjadi kerugian yang berdampak pada menurunnya kinerja perusahaan
yang kemudian dapat terjadinya financial distress. Selain itu, menurut
Zamachsyari dan Amanah (2016), perusahaan asuransi dengan rasio beban klaim
yang tinggi cenderung memiliki pendapatan lain yang dapat menunjang laba bersih
perusahaan selain pendapatan premi seperti hasil investasi dan imbalan jasa DPLK
(Dana Pensiun Lembaga Keuangan/jasa manajemen lain.
Penelitian sejalan dengan penelitian Zamachsyari dan Amanah (2016),
Marliza (2014), yang menghasilkan bahwa rasio beban klaim tidak berpengaruh
signifikan terhadap kondisi financial distress. Hasil ini didukung oleh penelitian
yang dilakukan Mutmainnah (2015), menyatakan bahwa tingginya rasio beban
klaim sebagai pengukur pengalaman resiko yang di alami perusahaan tidak
berpengaruh terhadap kemampuan perusahaan dalam menghasilkan laba
Penelitian ini tidak sejalan dengan penelitian Dewi dan Mahfudz (2017),
yang menghasilkan bahwa rasio beban klaim berpengaruh signifikan terhadap
probabilitas financial distress. Hasil tersebut didukung teori yang diangkat dari
Ambrose dan Seward (1988), bahwa semakin tinggi rasio beban klaim, semakin
tinggi kemungkinan perusahaan mengalami financial distress. Tingginya
penutupan klaim tertentu menyebabkan berkurangnya kemampuan perusahaan

61
untuk menghasilkan laba dan akan meningkatkan potensi kebangkrutan bagi
perusahaan.
4. Pengaruh Likuiditas terhadap terjadinya Financial Distress pada

Hasil pengujian pada penelitian ini menunjukkan bahwa likuiditas
berpengaruh negatif terhadap probabilitas financial distress. Hal ini menunjukkan
perusahaan yang memiliki kemampuan memenuhi kewajiban memberikan
pengaruh terhadap kondisi keuangan perusahaan. Hasil tersebut mengindikasikan
bahwa hipotesis 3 diterima, atau hipotesis yang menyatakan bahwa likuiditas
berpengaruh negatif terhadap terjadinya financial distress.
Hasil ini sesuai dengan teori sinyal yang menyataka bahwa perusahaan yang
memiliki kemampuan memenuhi kewajibannya akan mempengaruhi kondisi
financial distress. Likuiditas yang tinggi akan memperkecil peluang terjadinya
financial distress. Banyak informasi dalam laporan keuangan yang dapat dijadikan
sinyal oleh pihak eksternal, salah satunya hutang. Perusahaan asuransi dengan
rasio likuiditas yang tinggi mungkin menghadapi risiko financial distress jika
mereka tidak mampu untuk melakukan pembayaran hutang mereka, mereka juga
mungkin tidak dapat menemukan pemberi pinjaman baru di masa depan, akan
tetapi kondisi seperti ini justru akan mendatangkan profit jika perusahaan dalam
penggunaan aktiva dibiayai dengan menggunakan utang secara efektif
(Zamachsyari dan Amanah, 2016).

62
Penelitian ini sejalan dengan penelitian Hidayat dan Meiranto (2014), yang
menghasilkan bahwa likuiditas berpengaruh negatif dalam memprediksi financial
distress. Selain itu, penelitian ini juga sejalan dengan penelitian yang dilakukan
oleh Zamachsyari dan Amanah (2016). Hasil dari penelitiannya yaitu likuditas
memiliki pengaruh negatif terhadap kondisi financial distress. Hasil tersebut
menggambarkan bahwa perusahaan kategori non financial distress, aset yang
dibiayai oleh hutangnya sangat tinggi jika dibandingkan dengan perusahaan
kategori financial distress.
Penelitian ini tidak sejalan dengan penelitian Mehari dan Aemiro (2013),
menyatakan bahwa liability to asset berpengaruh positif terhadap financial
performance. Sehingga, penelitian tersebut memberikan bukti bahwa perusahaan
asuransi yang memiliki rasio likuiditas yang tinggi memiliki kinerja operasional
yang lebih baik daripada perusahaan asuransi yang memiliki rasio likuiditas yang
rendah. Perusahaan asuransi dengan kinerja operasional yang baik
mengindikasikan bahwa perusahaan tersebut dapat meningkatkan nilai perusahaan
sehingga dapat terhindar dari kondisi financial distress.
5. Pengaruh Penerimaan Premi terhadap terjadinya Finacial Distress

pada perusahaan asuransi.
Hasil pengujian pada penelitian ini menunjukkan bahwa rasio penerimaan
premi tidak berpengaruh signifikan terhadap probabilitas financial distress. Hasil
tersebut menunjukkan bahwa tinggi rendahnya pertumbuhan premi tidak
berpengaruh terhadap kondisi financial distress. Hal ini mengakibatkan tidak

63
diterimanya hipotesis 4 yang menyatakan bahwa penerimaan premi berpengaruh
positif terhadap terjadinya financial distress. Hal tersebut dikarenakan
pertumbuhan premi pada perusahaan asuransi bukan menjadi alasan utama
terjadinya pertumbuhan untuk tahun berikutnya terhadap kinerja yang dihasilkan,
terdapat faktor lain yang ikut mempengaruhi hubungan antara premium growth
terhadap kinerja perusahaan seperti penambahan investasi asset perusahaan
(Zamachsyari dan Amanah, 2016).
Hasil penelitin ini tidak sesuai dengan teori sinyal. Tinggi rendahnya rasio
penerimaan premi suatu perusahaan asuransi yang tajam pada volume premi neto
memberikan indikasi kurangnya tingkat kestabilan kegiatan usaha perusahaan
(Budiarjo, 2015). Perusahaan dengan angka pertumbuhan premi yang datar atau
menurun mengindikasikan perusahaan sedang mengalami kekurangan modal atau
kurangnya persaingan dengan kompetitor lain (Marliza, 2014). Pertumbuhan
premi yang dialami perusahaan tidak dapat digunakan untuk memprediksi apakah
perusahaan dalam kondisi financial distress atau tidak. Tinggi atau rendahnya
pertumbuhan premi berdampak langsung terhadap kemampuan perusahaan
asuransi dalam menghasilkan laba Akotey et al., (2013), rata-rata perusahaan
dengan nilai rasio pertumbuhan premi yang tinggi terdapat pada perusahaan
asuransi kategori non financial distress, oleh sebab itu, hasil koefisien regresi
variabel rasio pertumbuhan premi bertanda negatif.
Penelitian ini sejalan dengan penelitian Zamachsyari dan Amanah (2016),
yang menghasilkan bahwa pertumbuhan premi tidak berpengaruh signifikan

64
terhadap kondisi financial distress. Hasil penelitian ini juga sejalan dengan
penelitian Marliza (2014), yang menyatakan bahwa variabel pertumbuhan premi
tidak berpengaruh signifikan terhadap financial distress. Penelitian ini tidak
sejalan dengan penelitian Agung (2017), yang menyatakan bahwa pertumbuhan
premi memiliki pengaruh yang signfiikan terhadap probabilitas financial distress.
G. Pembahasan Keseluruhan
Penelitian ini menguji pengaruh solvabilitas dan umum, return on asset,
beban klaim. Likuiditas, dan pertumbuhan premi terhadap kondisi financial
distress. Hasil penelitian ini secara keseluruhan menunjukkan bahwa solvabilitas
dan umum tidak berpengaruh terhadap kondisi financial distress, return on asset
berpengaruh positif terhadap terjadinya financial distress, beban klaim tidak
berpengaruh terhadap kondisi financial distress, likuiditas berpengaruh negatif
terhadap kondisi financial distress, dan penerimaan premi tidak bepengaruh
terhadap probabilitas financial distressi. Penelitian ini mengacu pada penelitian
Mu dan Liu (2019), yang melakukan penelitian mengenai kondisi keuangan
perusahaan terdaftar sebagai peringatan dini (early warning) dengan
menggunakan model Z-score (studi pada perusahaan pribadi yang terdaftar di
Shanghai Stock Exchange periode 2015-2017).

65
Tabel 4.11
Hasil Hipotesis
Hipotesis Hubungan Variabel Hasil Penelitian Hasil
Terdahulu
Solvabilitas dan umum Diterima Tidak diterima
H1 berpengaruh negatif
terhadap terjadinya
financial distress
Return on asset Diterima Tidak diterima
H2a berpengaruh negative
terhadap terjadinya
financial distress
Beban klaim berpengaruh Tidak diterima Tidak diterima
H2b positif terhadap terjadinya
financial distress
Likuiditas berpengaruh Diterima Diterima
H3 negatif terhadap terjadinya
financial distress
Penerimaan premi Tidak diterima Tidak diterima
H4 berpengaruh positif
terhadap terjadinya
financial distress
Persamaan penelitian ini dengan penelitian yang dilakukan oleh Mu dan
Liu (2019), yaitu, model penelitian yang digunakan sama yaitu menggunakan
model Z-score untuk membedakan perusahaan distress dan non distress yang
kemudian diregresikan menggunakan regresi logistik. Penelitian (Zamachsyari
dan Amanah (2016), yang meneliti pengaruh kinerja keuangan dan ukuran
perusahaan terhadap financial distress. Persamaan penelitian dengan yang
dilakukan oleh Zamachsyari dan Amanah (2016), yaitu penggunaan rasio early
warning system. Hasil penelitian ini menunjukkan bahwa terdapat inkonsistensi
dari hasil penelitian sebelumnya. Hasil penelitian yang dilakukan oleh

66
Zamachsyari dan Amanah (2016), menunjukkan bahwa ROA berpengaruh negatif
terhadap financial distress, sedangkan hasil penelitian ini menghasilkan bahwa
ROA berpengaruh positif terhadap kondisi financial distress. Perbedaan hasil
penelitian ini dikarenakan oleh sampel yang digunakan berbeda, meskipun pada
penelitian Zamachsyari dan Amanah (2016), juga menggunakan perusahaan
asuransi, namun perusahaan asuransi yang digunakan tersebut merupakan
perusahaan asuransi yang terdaftar pada Buku Direktori Perasuransian Indonesia
tahun 2014 yang diterbitkan oleh Otoritas Jasa Keuangan, sehingga mempengaruhi
setiap rasio yang digunakan setiap perusahaan sampel.
Perbedaan penelitian ini dengan penelitian Mu dan Liu (2019), yaitu
terletak pada rasio yang digunakan sebagai variabel independen. Sedangkan pada
penelitian Zamachsyari dan Amanah, (2016), perbedaannya terletak pada sampel
dan model yang digunakan untuk membedakan perusahaan distress dan non
distress. Penelitian ini hanya inkonsisten pada variabel solvabilitas dan umum dan
ROA yang menghasilkan hasil pengujian berbeda dengan penelitian yang
dilakukan oleh (Zamachsyari dan Amanah, 2016). Penelitian ini menghasilkan
bahwa solvabilitas dan umum tidak berpengaruh signifikan terhadap kondisi
financial distress, sedangkan penelitian yang dilakukan oleh Zamachsyari dan
Amanah (2016) menghasilkan bahwa solvabilitas dan umum berpengaruh negatif
terhadap kondisi financial distress.

BAB V
KESIMPULAN
A. Kesimpulan
Penelitian ini bertujuan untuk mengetahui pengaruh solvabilitas dan umum,
return on asset, beban klaim, likuiditas, dan penerimaan premi terhadap probabilitas
financial distress. Objek penelitian ini adalah perusahaan asuransi yang terdaftar di
Bursa Efek Indonesia periode tahun 2014-2019. Sampel diperoleh sebanyak 11
perusahaan yang diambil dengan menggunakan metode purposive sampling,
sehingga jumlah (n) sampel tahun 2014-2019 sebanyak 66 data.
Berdasarkan hasil penelitian menggunakan regresi logistik, maka dapat
disimpulkan bahwa return on asset berpengaruh positif signifikan terhadap
terjadinya financial distress. Hal tersebut berarti bahwa semakin tinggi return on
asset maka semakin memperbesar peluang terjadinya financial distress. Hasil
tersebut tidak sesuai dengan teori sinyal, sehingga berbeda dengan rumusan
hipotesis yang telah dibuat, dan mengakibatkan hipotesis tidak diterima.
Kemampuan perusahaan dalam menghasilkan laba seharusnya berpengaruh negatif
terhadap financial distress. Selain itu, likuiditas berpengaruh negatif signifikan
terhadap probabilitas financial distress, itu berarti semakin tinggi kemampuan
perusahaan dalam memenuhi kewajibannya maka semakin memperkecil peluang
terjadinya financial distress. Kemudian untuk variabel lainnya, yaitu solvabilitas
dan umum, beban klaim, dan pertumbuhan premi tidak berpengaruh signifikan
terhadap kondisi financial distress.
67
68
B. Keterbatasan Penelitian
Peneliti menyadari bahwa dalam penelitian ini terdapat keterbatasan yang
dapat memengaruhi hasil penelitian, diantaranya sebagai berikut :
1. Terdapat faktor lain yang dapat memengaruhi terjadinya financial distress,
sehingga hanya dua variabel yang dapat memengaruhi terjadinya financial
distress.
2. Terdapat model lain yang dapat digunakan dalam memprediksi terjadinya
financial distress.
C. Saran
Adanya keterbatasan penelitian yang telah disampaikan, maka saran yang
dapat disampaikan sebagai bahan pertimbangan penelitian selanjutnya, antara lain:
1. Penelitian selanjutnya dapat menambah variabel ukuran perusahaan. Menurut

Zamachsyari dan Amanah (2016), ukuran perusahaan berpengaruh negatif
signifikan terhadap kondisi financial distress. Ukuran perusahaan yang
diproksikan dengan total aset yang dimiliki perusahaan memiliki dampak
terhadap laba yang dihasilkan perusahaan. Perusahaan yang memiliki aset
besar seperti tersedianya sumber daya, staf yang kompeten, dan sistem
informasi yang baik akan membuat kinerja perusahaan semakin membaik.
2. Penelitian selanjutnya dapat menggunakan model predictor financial distress
yang lain, seperti springate model, zmijewski, grover model, dan lain
sebagainya (King, 2018).

DAFTAR PUSTAKA
53/Pmk.10/2012, P. M. K. N. (2012). Kesehatan Keuangan Perusahaan Asuransi Dan

Perusahaan Reasuransi. 1–38.
Https://Www.Ojk.Go.Id/Id/Kanal/Iknb/Regulasi/Asuransi/Peraturan-Keputusan
Menteri/Pages/Peraturan-Menteri-Keuangan-Nomor-53-Pmk-010-2012-
Tentang-Kesehatan-Keuangan-Perusahaan-Asuransi-Dan-Perusahaan-
Reasuran.Aspx
Adnan, M. A., & Taufiq, M. I. (2001). Analisis Ketepatan Prediksi Metodealtman
Terhadap Terjadinya Likuidasi Pada Lembaga Perbankan [ Kasus Likuidasi
Perbankan Di Indonesia ]. Jurnal Akuntansi Dan Auditing Indonesia, 5(2), 181–
203.
Afif, M. N., & Karmila, M. (2016). Analysis Financial Performance Based On Early
Warning System In Pt General Insurance Bumiputera Muda 1967. Jurnal
Akunida, Vol 2(No 2), 55–61.
Agung, A. (2017). Analisis Faktor-Faktor Yang Mempengaruhi Financial Distress
Pada Perusahaan Asuransi Yang Terdaftar Di Bursa Efek Indonesia Periode
2012-2015.
Akotey, J. S., Sackey, F. G., Amoah, L., & Manso, R. F. (2013). The Financial
Performance Of Life Insurance Companies In Ghana. The Journal Of Risk
Finance, 14(3).
Altman, E. I. (1968). Financial Ratios, Discriminant Analysis And The Prediction Of
Corporate Bankruptcy. The Journal Of Finance, 23, 589–609.
Ambrose, J. M., & Seward, J. A. (1988). Best’s Ratings, Financial Ratios And Prior
Profitabilities In Insolvency Prediction. The Journal Of Risk And Insurance,
55(2), 229–244.
Barth, M. E., Beaver, W. H., & Landsman, W. R. (1996). Valuation Characteristics Of
Equity Book Value And Net Income : Tests Of The Abandonment Option
Hypothesis.
Brahmana, R. K. (2007). Identifying Financial Distress Condition In Indonesia
Manufacture Industry. Journal Business, 1–19.
Brigham, E. F., & Houston, J. F. (2001). Manajemen Keuangan.
Budiarjo, R. F. (2015). Pengaruh Tingkat Kesehatan Keuangan Perusahaan Asuransi
Terhadap Peningkatan Pendapatan Premi. Skripsi.
Cnbc. (2020). Waduh ! Usai Jiwasraya , Kini Bumiputera. 6–11.
Cnn. (2020). Kronologi Kasus Jiwasraya, Gagal Bayar Hingga Korupsi. Cnn
69
70
Indonesia, 1–6. Https://Www.Cnnindonesia.Com/Ekonomi/20200108111414-

78-463406/Kronologi-Kasus-Jiwasraya-Gagal-Bayar-Hingga-Dugaan-Korupsi
Curry, K., & Banjarnahor, E. (2018). Financial Distress Pada Perusahaan Sektor
Properti Go Public Di Indonesia. 207–221.
Darsono, & Purwanti, A. (2010). Penganggara Perusahaan (2nd Ed.). Mitra Wacana
Media.
Dewi, T. T. C., & Mahfudz. (2017). Effect Of Change In Surplus Ratio, Incurred Loss
Ratio, Liquidity Ratio, Premium Growth Ratio, Size And Risk Based Capital To
Predict The Possibilities Of Financial Distress: The Case Of Indonesian Non-Life
Insurance Listed In Indonesia Insurance Director. Advanced Science Letters,
23(8), 7285–7288. Https://Doi.Org/10.1166/Asl.2017.9352
Djaie, J., & Murtanto. (2001). Analisis Hubungan Harga Saham Dengan
Komponenkomponen Laporan Keuangan Perusahaan Asuransi Kerugian Yang
Diuraikan Dengan Rasio Early Warning System.
Fahmi, & Irham. (2011). Analisis Laporan Keuangan (1st Ed.).
Ghozali, I. (2018). Aplikasi Analisis Multivariate Dengan Program Ibm Spss 25 (9th
Ed.). Universitas Diponegoro.
Gulsun, I., & Umit, G. (2010). Early Warning Model With Statistical Analysis
Procedures In Turkish Insurance Companies. African Journal Of Business
Management, 4(5), 623–630.
Hair, J. F., Black, W. C., & Babin, B. J. (1973). Multivariate Data Analysis A Global
Perspective. Technometrics, 15(3), 648. Https://Doi.Org/10.2307/1266874
Hanafi, M. M., & Halim, A. (2007). Analisis Laporan Keuangan (3rd Ed.).
Hanifah, O. E. (2013). Pengaruh Struktur Corporate Governance Dan Financial
Indicators Terhadap Kondisi Financial Distress.
Hartono, J. (2005). Analisis Dan Desain Sistem Informasi.
Hidayat, M. A., & Meiranto, W. (2014). Prediksi Financial Distress Perusahaan
Manufaktur Di Indonesia. Prediksi Financial Distress Perusahaan Manufaktur Di
Indonesia, 3(3), 538–548.
Idx.Co.Id. (2020). Pt Bursa Efek Indonesia. Idx, 1–6. Https://Www.Idx.Co.Id/
Kai, S., Luo, X., & Wong, J. M. (2012). Early Warning Of Wide-Area Angular Stability
Problems Using Synchrophasors.
Kamaludin, & Pribadi, K. A. (2011). Prediksi Financial Distress Kasus Industri
Manufaktur Pendekatan Model Regresi Logistik. Jurnal Ilmiah, 1(1), 11–23.
71
Kasmir. (2012). Analisis Laporan Keuangan.

King, E. (2018). Ketepatan Model Altman, Springate, Zmijewski, Dan Grover Dalam
Memprediksi Financial Distress. Jurnal Reviu Akuntansi Dan Keuangan, 8(1), 79.
Https://Doi.Org/10.22219/Jrak.V8i1.28
Kleffner, A. E., & Lee, R. B. (2006). Predicting P&C Insurer Solvency In Canada.
53(9), 1689–1699. Https://Doi.Org/10.1017/Cbo9781107415324.004
Kordestani, G., Biglari, V., & Bakhtiari, M. (2011). Ability Of Combinations Of Cash
Flow Components To Predict Financial Distress. Business: Theory And Practice,
12(3), 277–285. Https://Doi.Org/10.3846/Btp.2011.28
Lizal, L. (2005). Determinants Of Financial Distress: What Drives Bankruptcy In A
Transition Economy? The Czech Republic Case. Ssrn Electronic Journal, 451.
Https://Doi.Org/10.2139/Ssrn.307224
Marliza, E. (2014). Mempengaruhi Terjadinya Kondisi Financial Distress Perusahaan
Asuransi.
Mehari, D., & Aemiro, T. (2013). Firm Spesific Factors That Determine Insurance
Companies’ Perfomance In Ethiopia. European Scientific Journal, 9(10), 245–
255.
Mu, W., & Liu, M. (2019). Research On Financial Early Warning Of Private Listed
Companies On Z-Score Model. 94(Jahp), 360–363.
Https://Doi.Org/10.2991/Wrarm-19.2019.17
Muflihah, I. Z. (2017). Analisis Financial Distress Perusahaan Manufaktur Di
Indonesia Dengan Regresi Logistik. Majalah Ekonomi, Xxii(2), 254–269.
Muhtar, M., & Aswan, A. (2017). Pengaruh Kinerja Keuangan Terhadap Terjadinya
Kondisi Financial Distress Pada Perusahaan Telekomunikasi Di Indonesia. Jurnal
Bisnis, Manajemen, Dan Informatika, 13(3).
Munawir. (2010). Analisis Laporan Keuangan (4th Ed.).
Mutmainnah. (2015). Analisis Pengaruh Pendapatan Premi, Beban Klaim, Hasil
Underwriting, Cadangan Teknis, Dan Risk Based Capital Terhadap Laba Pada 20
Perusahaan Asuransi Umum Di Indonesia Periode 2009-2013. Skripsi.
Nilasari, D. ., & Haryanto, M. . (2018). Memprediksi Perusahaan Yang Berpotensi
Mengalami Masalah Keuangan Dengan Model Altman, Springate Dan Zmijewski
(Studi Pada Perusahaan Ritel Yang Terdaftar Di Bei Periode Tahun 2012-2016).
Jurnal Stie Semarang, 10(1), 1–16. Https://Doi.Org/10.33747/Stiesmg.V10i1.83
Per02/Bl/2008, P. K. B. L. (2008). Peraturan Ketua Badan Pengawas Pasar Modal
Dan Lembaga Keuangan Nomor: Per-02/Bl/2008. 1.
72
Platt, H. D., & Platt, M. B. (2002). Predicting Corporate Financial Distress: Reflections
On Choice-Based Sample Bias. Journal Of Economics And Finance, 26(2), 184–
199. Https://Doi.Org/10.1007/Bf02755985
Pramunia, A. (2010). Pengaruh Corporate Governance Dan Financial Distressed
Terhadap Luas Pengungkapan. Ekonomika Dan Bisnis, Undip, 1–28.
Pranowo, K., Achsani, N. A., Manurung, A. H., & Nuryartono, N. (2010). The
Dynamics Of Corporate Financial Distress In Emerging Market Economy:
Empirical Evidence From The Indonesian Stock Exchange 2004-2008. European
Journal Of Social Sciences, 16(1), 138–149.
Rofiudin, M., Maslichah, & Afifudin. (2019). Analisis Pengaruh Rasio Keuangan Risk
Based Capital Dan Early Warning System Terhadap Financial Solvency Pada
Perusahaan Asuransi Jiwa Syariah Di Indonesia. Jurnal Ilmiah Riset Akuntansi,
08(03), 81–97.
Http://Www.Riset.Unisma.Ac.Id/Index.Php/Jra/Article/View/3780
Shidiq, I., & Wibowo, B. (2017). Prediksi Financial Distress Bank Umum Di
Indonesia: Analisis Diskriminan Dan Regresi Logistik. Esensi, 7(1), 27–40.
Https://Doi.Org/10.15408/Ess.V7i1.4686
Sufitri, S. (2019). Early Warning System (Aws) Analysis With The Logit Model For
Predicting The Consumer Loan Banks (Bprs). Jurnal Akuntansi, Ekonomi Dan
Manajemen Bisnis| E-Issn: 2548-9836, 7(1), 30–37.
Whitaker, R. B. (1999). The Early Stages Of Financial Distress. Journal Of Economics
And Finance, 23(2), 123–132. Https://Doi.Org/10.1007/Bf02745946
Widarjono, A. (2005). Ekonometrika Teori Dan Aplikasi Untuk Ekonomi Dan Bisnis.
Wilopo. (2001). Prediksi Kebangkrutan Bank (Pp. 184–198).
Wulandari, D. (2011). Analisis Kinerja Keuangan Berdasarkan Early Warning System
Pada Pt Prudential Life Assurance Indonesia. Jurnal Akuntansi, 1–13.
Yu, Q. W., & Zhang, L. (2017). Based On Logistic Regression. 31–36.
Zamachsyari, A. Z., & Amanah, L. (2016). Pengaruh Kinerja Keuangan Dan Ukuran
Perusahaan Terhadap Financial Distress. Pendidikan Ekonomi, 5(1), 5.
73
LAMPIRAN
74
LAMPIRAN 1 DAFTAR PERUSAHAAN SAMPEL

Kode
No Perusahaan Nama Perusahaan
1 ABDA Asuransi Bina Dana Arta, Tbk
2 AHAP Asuransi Harta Aman Pratama, Tbk
3 AMAG Asuransi Multi Artha Guna, Tbk
4 ASBI Asuransi Bintang, Tbk
5 ASDM Asuransi Dayin Mitra, Tbk
6 ASJT Asuransi Jasa Tania, Tbk
7 ASMI Asuransi Kresna Mitra, Tbk
8 ASRM Asuransi Ramayana, Tbk
9 LPGI Lippo General Insurance, Tbk
10 PANIN Paninvest, Tbk
11 VINS Victoria Insurance, Tbk
LAMPIRAN 2 HASIL ALTMAN Z-SCORE
KODE TAH ALTM

PERUSAH X1 X2 X3 X4 X5 Y
UN AN
No AAN
1 ABDA 2014 0,50 0,07 0,23 0,50 0,44 1,74 0
2015 0,47 0,11 0,32 0,45 0,48 1,84 1
2016 0,48 0,05 0,23 0,47 0,47 1,69 0
2017 0,51 0,05 0,18 1,09 0,42 2,26 1
2018 0,49 0,01 0,06 0,51 0,42 1,49 0
2019 0,51 -0,02 0,14 0,57 0,42 1,63 0
2 AHAP 2014 0,34 0,09 0,23 0,30 0,91 1,86 1
2015 0,38 0,01 0,08 0,39 0,67 1,54 0
2016 0,40 0,02 0,08 0,46 0,66 1,63 0
-
2017 0,46 -0,14 0,31 0,55 0,47 1,03 0
-
2018 0,45 -0,06 0,14 0,43 0,30 0,98 0
-
2019 0,26 -0,28 0,65 0,21 0,22 -0,25 0
3 AMAG 2014 0,69 0,09 0,30 0,55 0,35 1,97 1
2015 0,62 0,09 0,27 0,81 0,29 2,07 1
2016 0,27 0,05 0,13 0,63 0,22 1,31 0
75
2017 0,21 0,03 0,12 0,55 0,20 1,10 0

2018 0,08 0,01 0,04 0,45 0,17 0,75 0
2019 0,07 0,02 0,06 0,44 0,17 0,76 0
4 ASBI 2014 0,26 0,02 0,11 0,27 0,21 0,88 0
2015 0,29 0,07 0,20 0,29 0,24 1,09 0
2016 0,30 0,03 0,12 0,30 0,23 0,97 0
2017 0,24 0,02 0,06 0,34 0,20 0,85 0
2018 0,21 0,02 0,06 0,28 0,18 0,74 0
2019 0,22 0,01 0,03 0,31 0,16 0,72 0
5 ASDM 2014 0,17 0,03 0,11 0,12 0,14 0,56 0
2015 0,18 0,03 0,13 0,12 0,14 0,60 0
2016 0,27 0,03 0,15 0,21 0,18 0,84 0
2017 0,28 0,04 0,15 0,23 0,19 0,88 0
2018 0,35 0,04 0,17 0,27 0,21 1,03 0
2019 0,30 0,02 0,10 0,24 0,18 0,83 0
6 ASJT 2014 0,32 0,08 0,19 0,57 0,89 2,04 1
2015 0,28 0,05 0,19 0,45 0,76 1,72 0
2016 0,31 0,06 0,22 0,45 0,67 1,71 0
2017 0,34 0,05 0,20 0,54 0,59 1,72 0
2018 0,31 0,04 0,20 0,51 0,59 1,65 0
2019 0,32 -0,04 0,02 0,53 0,50 1,33 0
7 ASMI 2014 0,32 0,07 0,09 0,39 0,15 1,02 0
2015 0,35 0,02 0,06 0,40 0,13 0,96 0
2016 0,40 0,09 0,24 0,46 0,20 1,39 0
2017 0,56 0,09 0,20 0,68 0,16 1,68 0
2018 0,58 0,10 0,25 0,69 0,15 1,77 0
2019 0,59 0,01 0,04 0,71 0,08 1,43 0
8 ASRM 2014 0,08 0,05 0,16 0,12 0,17 0,57 0
2015 0,07 0,04 0,18 0,14 0,22 0,66 0
2016 0,07 -0,01 0,18 0,17 0,23 0,64 0
2017 0,11 0,04 0,17 0,20 0,23 0,75 0
2018 0,12 0,05 0,20 0,23 0,24 0,83 0
2019 0,13 0,04 0,16 0,24 0,23 0,80 0
9 LPGI 2014 0,69 0,07 0,22 0,92 0,10 1,99 0
2015 0,66 0,03 0,14 0,80 0,10 1,74 1
2016 0,59 0,04 0,12 0,64 0,43 1,81 0
2017 0,51 0,04 0,14 0,50 0,47 1,65 0
2018 0,40 0,02 0,10 0,33 0,46 1,30 0
76
2019 0,38 0,02 0,12 0,32 0,48 1,32 0

10 PANIN 2014 0,82 0,10 0,24 1,64 0,21 3,02 1
2015 0,89 0,07 0,18 2,00 0,23 3,37 1
2016 0,97 0,12 0,28 2,95 0,19 4,51 1
2017 0,99 0,09 0,22 3,28 0,19 4,76 1
2018 1,00 0,09 0,23 3,49 0,15 4,97 1
2019 1,02 0,09 0,23 3,84 0,14 5,33 1
11 VINS 2014 0,81 0,07 0,17 1,33 0,12 2,51 1
2015 0,92 0,11 0,27 2,15 0,16 3,61 1
2016 0,84 0,05 0,12 1,51 0,16 2,67 1
2017 0,89 0,05 0,11 1,79 0,10 2,94 1
2018 0,81 0,01 0,06 1,31 0,09 2,28 1
2019 0,76 0,05 0,26 1,14 0,13 2,34 1
77
LAMPIRAN 3 DATA-DATA VARIABEL PENELITIAN

1. Variabel Dependen Kondisi Financial Distress
KODE TAHUN NILAI

No PERUSAHAAN KONDISI
1 ABDA 2014 Financial Distress 0
2015 Non Financial Distress 1
2016 Financial Distress 0
2 AHAP 2014 Non Financial Distress 1
3 AMAG 2014 Non Financial Distress 1
4 ASBI 2014 Financial Distress 0
5 ASDM 2014 Financial Distress 0
6 ASJT 2014 Non Financial Distress 1
78

7 ASMI 2014 Financial Distress 0
8 ASRM 2014 Financial Distress 0
9 LPGI 2014 Financial Distress 0
10 PANIN 2014 Non Financial Distress 1
11 VINS 2014 Non Financial Distress 1
79
2. Variabel Solvency Margin
modal disetor,
KODE TAHUN cadangan khusus premi neto solvency
No PERUSAHAAN dan laba margin
1 ABDA 2014 1.219.660.251 1.027.048.299 1,19
2015 1.222.400.733 1.116.186.793 1,10
2016 1.232.196.934 1.201.828.061 1,03
2017 1.375.352.652 1.114.920.773 1,23
2018 1.334.408.933 1.056.903.547 1,26
2019 1.253.704.378 909.229.441 1,38
2 AHAP 2014 123.185.484.343 257.900.946.781 0,48
2015 185.992.529.264 244.321.630.923 0,76
2016 192.628.214.623 216.921.997.902 0,89
2017 200.543.863.001 170.517.416.213 1,18
2018 263.872.169.783 138.709.796.359 1,90
2019 148.924.854.503 107.284.306.329 1,39
3 AMAG 2014 1.034.335.215 453.438.739 2,28
2015 1.508.526.723 598.673.561 2,52
2016 1.763.758.503 568.648.873 3,10
2017 1.854.009.404 656.931.285 2,82
2018 1.826.304.984 701.583.367 2,60
2019 1.951.094.614 724.147.256 2,69
4 ASBI 2014 137.620.135.000 131.940.785.000 1,04
2015 160.705.086.000 176.303.360.000 0,91
2016 173.651.622.000 202.273.834.000 0,86
2017 267.548.015.000 226.042.676.000 1,18
2018 281.361.909.000 264.899.142.000 1,06
2019 291.485.498.000 250.804.486.000 1,16
5 ASDM 2014 224.949.711 156.189.939 1,44
2015 246.906.068 159.972.220 1,54
2016 272.236.556 140.094.541 1,94
2017 295.392.424 138.948.653 2,13
2018 301.094.345 143.002.349 2,11
2019 334.102.591 144.510.228 2,31
6 ASJT 2014 154.173.648.511 202.652.531.652 0,76
2015 166.216.485.450 211.075.124.109 0,79
80
2016 183.530.410.923 195.990.812.657 0,94

2017 211.444.436.676 174.285.978.503 1,21
2018 219.625.895.775 183.165.384.062 1,20
2019 209.363.105.330 152.809.529.035 1,37
7 ASMI 2014 201.890.344.019 201.979.681.270 1,00
2015 225.241.558.243 181.766.616.047 1,24
2016 269.632.579.797 147.412.728.798 1,83
2017 454.983.310.890 124.465.270.859 3,66
2018 519.594.297.238 135.633.770.098 3,83
2019 530.294.832.434 175.174.507.884 3,03
8 ASRM 2014 231.162.618.575 542.297.265.071 0,43
2015 274.413.815.021 656.428.802.369 0,42
2016 310.405.692.595 757.389.824.849 0,41
2017 356.280.029.527 801.886.501.389 0,44
2018 405.765.897.323 902.165.344.517 0,45
2019 443.269.221.292 1.177.500.392.010 0,38
9 LPGI 2014 1.322.693.514.845 693.330.241.157 1,91
2015 1.275.724.557.576 851.081.606.373 1,50
2016 1.186.059.890.855 892.655.770.178 1,33
2017 1.071.538.322.010 1.007.324.716.591 1,06
2018 879.819.493.867 1.073.346.324.073 0,82
2019 848.511.733.189 1.091.428.907.952 0,78
10 PANIN 2014 16.502.598.000.000 3.789.277.000.000 4,36
2015 17.748.458.000.000 4.381.855.000.000 4,05
2016 22.537.137.000.000 3.526.034.000.000 6,39
2017 24.373.086.000.000 4.105.637.000.000 5,94
2018 25.725.620.000.000 3.807.680.000.000 6,76
2019 27.833.770.000.000 3.777.587.000.000 7,37
11 VINS 2014 109.085.008.204 4.957.019.910 22,01
2015 164.579.537.109 15.703.483.735 10,48
2016 167.266.283.353 25.913.785.967 6,45
2017 189.901.877.562 32.456.404.708 5,85
2018 179.728.315.478 22.631.554.399 7,94
2019 186.332.264.743 19.077.303.059 9,77
81
3. Variabel Return On Asset
KODE TAHUN
No PERUSAHAAN laba bersih total aktiva ROA
1 ABDA 2014 172.242.006 2.681.037.810 0,064
2015 268.564.704 2.846.759.759 0,094
2016 173.481.650 2.813.838.947 0,062
2017 160.822.141 2.966.605.878 0,054
2018 69.110.393 2.890.427.512 0,024
2019 87.524.342 2.579.654.391 0,034
2 AHAP 2014 22.202.740.050 365.644.332.562 0,061
2015 8.140.389.343 468.591.026.892 0,017
2016 8.197.087.610 443.993.768.572 0,018
2017 -41.421.670.130 419.786.852.337 -0,099
2018 -26.725.997.916 628.464.862.379 -0,043
2019 -115.452.693.865 582.236.244.026 -0,198
3 AMAG 2014 139.964.241 1.651.782.487 0,085
2015 193.750.252 2.627.811.764 0,074
2016 130.306.422 3.436.388.457 0,038
2017 123.189.910 3.886.960.940 0,032
2018 28.246.915 4.280.729.979 0,007
2019 73.060.310 4.626.630.367 0,016
4 ASBI 2014 9.841.575.000 439.681.392.000 0,022
2015 28.199.274.000 494.002.999.000 0,057
2016 15.304.781.000 525.898.830.000 0,029
2017 13.511.398.000 738.102.955.000 0,018
2018 13.936.519.000 874.472.888.000 0,016
2019 8.009.060.000 857.520.585.000 0,009
5 ASDM 2014 37.735.269 1.353.902.235 0,028
2015 44.273.233 1.464.530.018 0,030
2016 39.050.842 1.063.856.088 0,037
2017 40.277.850 1.076.575.416 0,037
2018 38.058.850 965.158.380 0,039
2019 27.839.061 1.158.038.765 0,024
6 ASJT 2014 17.542.531.285 314.846.253.774 0,056
2015 17.813.465.476 390.083.140.109 0,046
82
2016 23.701.257.939 427.049.477.330 0,056

2017 22.671.689.194 446.108.163.202 0,051
2018 25.020.327.176 478.439.333.039 0,052
2019 1.223.750.496 447.670.324.779 0,003
7 ASMI 2014 24.144.689.900 515.520.125.346 0,047
2015 9.171.050.031 559.080.454.850 0,016
2016 41.755.380.041 617.651.155.745 0,068
2017 52.743.811.762 858.490.283.480 0,061
2018 69.900.405.337 969.868.560.976 0,072
2019 9.408.511.340 975.687.462.693 0,010
8 ASRM 2014 58.322.310.738 1.385.987.344.448 0,042
2015 63.903.945.159 1.422.094.069.358 0,045
2016 6.315.068.797 1.434.654.843.880 0,004
2017 60.923.475.809 1.418.524.795.003 0,043
2018 76.592.493.361 1.478.007.061.719 0,052
2019 62.868.440.933 1.548.001.829.554 0,041
9 LPGI 2014 127.987.825.581 2.189.245.744.968 0,058
2015 77.658.202.481 2.228.730.234.130 0,035
2016 83.158.110.807 2.300.958.312.318 0,036
2017 91.874.383.925 2.363.109.344.956 0,039
2018 68.687.123.783 2.485.186.649.117 0,028
2019 80.002.543.527 2.423.706.043.201 0,033
10 PANIN 2014 1.638.318.000.000 22.540.178.000.000 0,073
2015 1.268.496.000.000 23.097.621.000.000 0,055
2016 2.395.155.000.000 27.134.011.000.000 0,088
2017 1.863.488.000.000 28.895.992.000.000 0,064
2018 2.140.377.000.000 30.209.054.000.000 0,071
2019 2.292.573.000.000 32.244.734.000.000 0,071
11 VINS 2014 8.302.617.978 158.172.628.862 0,052
2015 16.972.642.756 210.608.052.893 0,081
2016 7.992.365.154 233.874.624.756 0,034
2017 8.814.778.660 253.642.764.681 0,035
2018 3.947.657.923 262.118.630.829 0,015
2019 21.806.030.031 284.170.955.431 0,077
83
4. Variabel Beban Klaim
KODE TAHUN beban

No PERUSAHAAN beban klaim pendapatan premi klaim
1 ABDA 2014 646.710.844 1.027.048.299 0,63
2015 708.167.525 1.116.186.793 0,63
2016 704.259.192 1.201.828.061 0,59
2017 675.459.086 1.114.920.773 0,61
2018 624.095.256 1.056.903.547 0,59
2019 544.728.800 909.229.441 0,60
2 AHAP 2014 97.471.344.786 257.900.946.781 0,38
2015 107.354.018.258 244.321.630.923 0,44
2016 93.633.917.578 216.921.997.902 0,43
2017 99.774.896.038 170.517.416.213 0,59
2018 106.144.614.595 138.709.796.359 0,77
2019 88.890.214.199 107.284.306.329 0,83
3 AMAG 2014 283.999.435 453.438.739 0,63
2015 327.734.984 598.673.561 0,55
2016 339.558.802 568.648.873 0,60
2017 371.550.058 656.931.285 0,57
2018 367.254.535 701.583.367 0,52
2019 347.967.364 724.147.256 0,48
4 ASBI 2014 40.847.989 131.940.785 0,31
2015 54.405.139 176.303.360 0,31
2016 46.618.453 202.273.834 0,23
2017 54.261.531 226.042.676 0,24
2018 74.463.815 264.899.142 0,28
2019 93.390.960 250.804.486 0,37
5 ASDM 2014 57.795.797 156.189.939 0,37
2015 47.908.096 159.972.220 0,30
2016 47.142.550 140.094.541 0,34
2017 15.739.535 138.948.653 0,11
2018 7.836.807 34.857.381 0,22
2019 33.633.953 144.510.228 0,23
6 ASJT 2014 94.020.923.601 202.652.531.652 0,46
2015 91.051.804.282 211.075.124.109 0,43
2016 81.413.751.047 195.990.812.657 0,42
84
2017 64.835.006.142 174.285.978.503 0,37

2018 67.279.538.767 183.165.384.062 0,37
2019 69.314.259.583 152.809.529.035 0,45
7 ASMI 2014 147.012.848.739 201.979.681.270 0,73
2015 112.066.860.722 181.766.616.047 0,62
2016 73.749.767.301 147.412.728.798 0,50
2017 65.767.298.923 124.465.270.859 0,53
2018 62.423.589.811 135.633.770.098 0,46
2019 89.011.073.118 175.174.507.884 0,51
8 ASRM 2014 241.113.057.099 542.297.265.071 0,44
2015 266.852.820.282 656.428.802.369 0,41
2016 33.197.780.720 757.389.824.849 0,04
2017 364.968.946.444 801.886.501.389 0,46
2018 392.741.141.750 902.165.344.517 0,44
2019 610.882.444.067 1.177.500.392.010 0,52
9 LPGI 2014 505.823.986.537 693.330.241.157 0,73
2015 640.494.980.402 851.081.606.373 0,75
2016 687.982.617.749 892.655.770.178 0,77
2017 765.239.210.992 1.007.324.716.591 0,76
2018 787.427.339.650 1.073.346.324.073 0,73
2019 808.200.176.210 1.091.428.907.952 0,74
10 PANIN 2014 4.077.952.000.000 3.789.277.000.000 1,08
2015 3.724.633.000.000 4.381.855.000.000 0,85
2016 3.335.428.000.000 3.526.034.000.000 0,95
2017 3.915.770.000.000 4.105.637.000.000 0,95
2018 3.147.661.000.000 3.807.680.000.000 0,83
2019 3.151.553.000.000 3.777.587.000.000 0,83
11 VINS 2014 1.646.576.494 4.957.019.910 0,33
2015 6.942.133.626 15.703.483.735 0,44
2016 16.192.754.754 25.913.785.967 0,62
2017 20.577.154.751 32.456.404.708 0,63
2018 13.254.779.808 22.631.554.399 0,59
2019 10.778.685.917 19.077.303.059 0,57
85
5. Variabel Likuiditas
KODE TAHUN total kekayaan yang

No PERUSAHAAN Jumlah kewajiban diperkenankan likuiditas
1 ABDA 2014 1.462.449.504 2.681.037.810 0,55
2015 1.625.205.582 2.846.759.759 0,57
2016 1.582.165.362 2.813.838.947 0,56
2017 1.591.479.311 2.966.605.878 0,54
2018 1.556.041.961 2.890.427.512 0,54
2019 1.325.948.582 2.579.654.391 0,51
2 AHAP 2014 242.458.848.219 365.644.332.562 0,66
2015 282.598.497.628 468.591.026.892 0,60
2016 251.365.553.949 443.993.768.572 0,57
2017 219.242.989.336 419.786.852.337 0,52
2018 364.592.692.596 628.464.862.379 0,58
2019 433.311.389.523 582.236.244.026 0,74
3 AMAG 2014 1.137.891.235 1.651.782.487 0,69
2015 1.119.285.041 2.627.811.764 0,43
2016 1.672.629.954 3.436.388.457 0,49
2017 2.032.951.536 3.886.960.940 0,52
2018 2.454.424.995 4.280.729.979 0,57
2019 2.675.535.753 4.626.630.367 0,58
4 ASBI 2014 302.061.257.000 439.681.392.000 0,69
2015 333.297.913.000 494.002.999.000 0,67
2016 352.247.208.000 525.898.830.000 0,67
2017 471.554.940.000 738.102.955.000 0,64
2018 593.110.979.000 874.472.888.000 0,68
2019 566.035.067.000 857.520.585.000 0,66
5 ASDM 2014 1.128.952.524 1.353.902.235 0,83
2015 1.217.623.950 1.464.530.018 0,83
2016 791.619.522 1.063.856.088 0,74
2017 781.182.992 1.076.575.416 0,73
2018 664.062.035 965.158.380 0,69
2019 823.936.164 1.158.038.765 0,71
6 ASJT 2014 162.581.210.904 314.846.253.774 0,52
2015 223.866.654.659 390.083.140.109 0,57
86
2016 243.519.066.407 427.049.477.330 0,57

2017 234.663.726.526 446.108.163.202 0,53
2018 258.813.437.264 478.439.333.039 0,54
2019 238.307.219.448 447.670.324.779 0,53
7 ASMI 2014 313.675.997.104 515.520.125.346 0,61
2015 333.838.896.607 559.080.454.850 0,60
2016 348.018.575.948 617.651.155.745 0,56
2017 403.521.972.590 858.490.283.480 0,47
2018 450.272.263.738 969.868.560.976 0,46
2019 445.392.630.259 975.687.462.693 0,46
8 ASRM 2014 1.154.624.725.873 1.385.987.344.448 0,83
2015 1.147.680.454.337 1.422.094.069.358 0,81
2016 1.124.163.800.820 1.434.654.843.880 0,78
2017 1.062.228.874.493 1.418.524.795.003 0,75
2018 1.072.221.723.281 1.478.007.061.719 0,73
2019 1.104.712.550.189 1.548.001.829.554 0,71
9 LPGI 2014 866.552.230.123 2.189.245.744.968 0,40
2015 953.005.676.554 2.228.730.234.130 0,43
2016 1.114.898.421.463 2.300.958.312.318 0,48
2017 1.291.571.022.946 2.363.109.344.956 0,55
2018 1.605.367.155.250 2.485.186.649.117 0,65
2019 1.575.194.310.012 2.423.706.043.201 0,65
10 PANIN 2014 6.025.834.000.000 22.540.178.000.000 0,27
2015 5.335.076.000.000 23.097.621.000.000 0,23
2016 4.581.633.000.000 27.134.011.000.000 0,17
2017 4.454.982.000.000 28.895.992.000.000 0,15
2018 4.420.614.000.000 30.209.054.000.000 0,15
2019 4.354.591.000.000 32.244.734.000.000 0,14
11 VINS 2014 49.087.620.658 158.172.628.862 0,31
2015 46.028.515.784 210.608.052.893 0,22
2016 66.608.341.403 233.874.624.756 0,28
2017 63.740.887.119 253.642.764.681 0,25
2018 82.390.315.351 262.118.630.829 0,31
2019 97.838.690.688 284.170.955.431 0,34
87
6. Variabel Pertumbuhan Premi
KODE TAHUN kenaikan/penurunan premi neto tahun pertumbuhan

No PERUSAHAAN premi neto sebelumnya premi
1 ABDA 2014 -88.224.964 782.341.679 - 0,11
2015 -130.357.498 1.027.048.299 - 0,13
2016 68.519.201 1.116.186.793 0,06
2017 -12.699.340 1.201.828.061 - 0,01
2018 65.695.943 1.114.920.773 0,06
2019 182.300.810 1.056.903.547 0,17
2 AHAP 2014 -18.198.679.417 222.399.423.176 - 0,08
2015 8.622.079.461 257.900.946.781 0,03
2016 578.309.339 244.321.630.923 0,00
2017 -5.836.131.332 216.921.997.902 - 0,03
2018 -1.269.370.699 170.517.416.213 - 0,01
2019 -16.015.585.806 138.709.796.359 - 0,12
3 AMAG 2014 -26.167.709 409.127.386 - 0,06
2015 14.848.769 453.438.739 0,03
2016 -1.188.500 598.673.561 - 0,00
2017 -40.014.527 568.648.873 - 0,07
2018 -54.520.905 656.931.285 - 0,08
2019 -39.598.699 701.583.367 - 0,06
4 ASBI 2014 -10.551.590.000 149.939.993.000 - 0,07
2015 -99.012.900.000 131.940.785.000 - 0,75
2016 -16.003.103.000 176.303.360.000 - 0,09
2017 -22.171.348.000 202.273.834.000 - 0,11
2018 -168.957.963.000 226.042.676.000 - 0,75
2019 -204.377.447.000 264.899.142.000 - 0,77
5 ASDM 2014 -45.007.715 143.962.488 - 0,31
2015 29.326.416 156.189.939 0,19
2016 11.531.535 159.972.220 0,07
2017 -52.465.750 140.094.541 - 0,37
2018 -12.210.063 138.948.653 - 0,09
2019 -7.695.894 143.002.349 - 0,05
6 ASJT 2014 -12.056.710.033 233.138.491.099 - 0,05
2015 -4.231.863.115 202.652.531.652 - 0,02
88
2016 7.851.700.023 211.075.124.109 0,04

2017 -2.677.017.717 195.990.812.657 - 0,01
2018 3.809.969.787 174.285.978.503 0,02
2019 13.431.414.538 183.165.384.062 0,07
7 ASMI 2014 -1.582.265.853 161.284.009.198 - 0,01
2015 -3.859.475.896 201.979.681.270 - 0,02
2016 22.018.778.746 181.766.616.047 0,12
2017 -23.742.031.254 147.412.728.798 - 0,16
2018 -16.886.749.529 124.465.270.859 - 0,14
2019 602.688.796 135.633.770.098 0,00
8 ASRM 2014 -59.952.823.709 375.835.099.634 - 0,16
2015 15.296.273.210 542.297.265.071 0,03
2016 -1.619.258.036 656.428.802.369 - 0,00
2017 17.356.195.071 757.389.824.849 0,02
2018 -34.536.641.426 801.886.501.389 - 0,04
2019 -12.368.654.702 902.165.344.517 - 0,01
9 LPGI 2014 -69.585.131.266 573.670.851.440 - 0,12
2015 -4.764.723.946 693.330.241.157 - 0,01
2016 -52.184.738.340 851.081.606.373 - 0,06
2017 -31.259.577.417 892.655.770.178 - 0,04
2018 -61.612.518.295 1.007.324.716.591 - 0,06
2019 14.860.424.927 1.073.346.324.073 0,01
10 PANIN 2014 -51.990.000.000 3.400.132.000.000 - 0,02
2015 122.150.000.000 3.789.277.000.000 0,03
2016 -26.150.000.000 4.381.855.000.000 - 0,01
2017 -4.312.000.000 3.526.034.000.000 - 0,00
2018 -5.725.000.000 4.105.637.000.000 - 0,00
2019 -4.978.000.000 3.807.680.000.000 - 0,00
11 VINS 2014 -7.336.564.577 1.173.701.644 - 6,25
2015 -1.259.649.641 4.957.019.910 - 0,25
2016 -8.458.233.815 15.703.483.735 - 0,54
2017 3.310.328.634 25.913.785.967 0,13
2018 6.270.506.832 32.456.404.708 0,19
2019 -326.897.665 22.631.554.399 - 0,01
89
LAMPIRAN 4 STATISTIK DESKRIPTIF

Statistik Deskriptif
N Minimum Maximum Mean Std. Deviation

Statistic Statistic Statistic Statistic Statistic
Log_X1 66 -.42 1.34 .2313 .38631
ROA 66 -.20 .09 .0363 .04187
Log_X3 66 -1.36 .03 -.3178 .22045
Log_X4 66 -.87 -.08 -.2992 .18975
PP 66 -6.25 .19 -.1641 .78415
Y 66 0 1 .29 .456
LAMPIRAN 5 UJI MULTIKOLINEARITAS
Coefficientsa
Standardize
Unstandardized d
Coefficients Coefficients Collinearity Statistics
Model B Std. Error Beta t Sig. Tolerance VIF
1 (Constant) -.183 .139 -1.316 .193
Log_X1 .059 .180 .050 .325 .746 .329 3.040
ROA 2.062 1.024 .189 2.015 .048 .869 1.150
Log_X3 .113 .218 .055 .520 .605 .691 1.448
Log_X4 -1.369 .395 -.569 -3.469 .001 .285 3.514
PP -.055 .057 -.095 -.966 .338 .791 1.264
a. Dependent Variable: Y
LAMPIRAN 6 UJI KELAYAKAN MODEL
Hosmer and Lemeshow Test
Step Chi-square df Sig.
1 1.754 7 .972
90
LAMPIRAN 7 UJI KOEFISIEN DETERMINASI
Model Summary
Cox & Snell R Nagelkerke R

Step -2 Log likelihood Square Square
1 30.212a .524 .750
a. Estimation terminated at iteration number 8 because

parameter estimates changed by less than .001.
LAMPIRAN 8 UJI KELAYAKAN KESELURUHAN MODEL BLOCK

NUMBER 0
Iteration Historya,b,c
Coefficients
Iteration -2 Log likelihood Constant
Step 0 1 79.277 -.848
2 79.232 -.905
3 79.232 -.906
a. Constant is included in the model.

b. Initial -2 Log Likelihood: 79.232
c. Estimation terminated at iteration number 3
because parameter estimates changed by less than
.001.
Omnibus Tests of Model Coefficients
Chi-square df Sig.
Step 1 Step 49.020 5 .000
Block 49.020 5 .000
Model 49.020 5 .000

91
LAMPIRAN 9 UJI KELAYAKAN KESELURUHAN MODEL BLOCK

NUMBER 1
Iteration Historya,b,c,d
Coefficients
Iteration -2 Log likelihood Constant Log_X1 ROA Log_X3 Log_X4 PP
Step 1 1 44.742 -2.733 .234 8.250 .454 -5.476 -.221
2 35.502 -4.450 -.094 24.485 1.018 -8.921 -.356
3 31.436 -6.736 -.911 45.562 1.055 -13.585 -.433
4 30.334 -8.643 -1.749 60.092 1.239 -18.104 -.442
5 30.214 -9.432 -2.120 66.200 1.525 -20.126 -.439
6 30.212 -9.540 -2.169 67.074 1.581 -20.408 -.440
7 30.212 -9.542 -2.170 67.090 1.582 -20.413 -.440
8 30.212 -9.542 -2.170 67.090 1.582 -20.413 -.440
a. Method: Enter
b. Constant is included in the model.
c. Initial -2 Log Likelihood: 79.232
d. Estimation terminated at iteration number 8 because parameter estimates changed by less than .001.
LAMPIRAN 10 HASIL UJI REGRESI LOGISTIK

Variables in the Equation
95% C.I.for EXP(B)
B S.E. Wald df Sig. Exp(B) Lower Upper
Step Log_X1 -2.170 2.491 .759 1 .384 .114 .001 15.063

1a ROA 13698269021734
67.090 27.741 5.849 1 .016 66700000000000 333526.066 5.626E+52
00.000
Log_X3 1.582 4.852 .106 1 .744 4.866 .000 65643.254
Log_X4 -20.413 9.168 4.957 1 .026 .000 .000 .087
PP -.440 .955 .212 1 .645 .644 .099 4.190
Constant -9.542 3.721 6.577 1 .010 .000
a. Variable(s) entered on step 1: Log_X1, ROA, Log_X3, Log_X4, PP.

92
LAMPIRAN 11 MATRIKS KLASIFIKASI
Classification Tablea
Predicted
Y Percentage
Observed 0 1 Correct
Step 1 Y 0 45 2 95.7
1 6 13 68.4
Overall Percentage 87.9
a. The cut value is .500

Skripsi Fix Adistya

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Skripsi Fix Adistya

Diunggah oleh

Hak Cipta:

Format Tersedia

Model Early Warning System (EWS) Dalam Memprediksi Financial

Distress Pada Perusahaan Asuransi yang Terdaftar di BEI

Program Studi Akuntansi Fakultas Ekonomi dan Bisnis

Diajukan Guna Memenuhi Salah Satu Syarat Memperoleh

PROGRAM STRUDI AKUNTANSI FAKULTAS EKONOMI DAN BISNIS

Model Early Warning System (EWS) Dalam Memprediksi Financial

Yang disusun oleh :

Nama : Adistya Aulia Utami

Disetujui untuk digunakan dalam ujian komprehensif.

Magelang, 2 Agustus 2020

Muh. Al-Amin, SE., M.Si

Yang bertanda tangan di bawah ini:

Magelang, 9 September 2020

Adistya Aulia Utami

Nama : Adistya Aulia Utami

Adistya Aulia Utami

”Waktu bagaikan pedang. Jika kamu tidak memanfaatkannya dengan

“Dunia ini ibarat bayangan. Kalau kamu berusaha menangkapnya, ia

“Jangan menjelaskan dirimu kepada siapa pun, karena yang

“Menjalani kehidupan di dunia ini adalah yang pertama kalinya bagi

Magelang, 9 September 2020

Adistya Aulia Utami

HALAMAN SAMPUL .................................................................................................. i

Tabel 2.1 Telaah Penelitian Sebelumnya .................................................................... 22

Tabel 3.1 Tabel Klasifikasi Altman Z-Score .................................................................... 38

Tabel 4.1 Kriteria Sampel ........................................................................................... 43

Gambar 2.1 ............................................................................................................................ 30

Lampiran 1 Daftar Perusahaan Sampel ....................................................................... 74

Kata Kunci : Rasio Keuangan EWS, Financial Distress

Kondisi Indonesia saat ini sangat rawan terjadinya kesulitan keuangan

(financial distress) sebagai dampak dari perkembangan globasisasi. Dalam

perkembangan globalisasi, terdapat dampak buruk yang dirasakan, salah satunya

Asia, dan negara-negara lainnya mengalami kemunduran dan bencana keuangan

sebagai akibat dari pecahnya krisis keuangan tersebut. Sedangkan, di lingkungan

Indonesia (BEI) disebabkan karena perusahaan tersebut berada pada kondisi

Suatu perusahaan dapat dikategorikan sedang mengalami financial distress dimana

jika perusahaan tersebut memiliki kinerja yang menunjukkan laba operasinya

banyaknya perusahaan yang cenderung mengalami kesulitan likuiditas, dimana

ditunjukkan dengan semakin turunnya kemampuan perusahaan dalam memenuhi

kewajibannya kepada kreditur (Hanifah, 2013).

Kasus financial distress juga terjadi pada perusahaan asuransi tertua di

Indonesia, yaitu Jiwasraya. Jiwasraya mengalami tekanan krisis yang membuat

perusahaan asuransi tertua milik Belanda tersebut memiliki kewajiban sebesar Rp

perusahaan-perusahaan asuransi lainnya, dimana hal tersebut disebabkan oleh

Jiwasraya merupakan perusahaan asuransi pertama yang berdiri di Indonesia.

peringatan terhadap perusahaan-perusahaan lainnya gar lebih waspada lagi terhadap

faktor-faktor penyebab financial distress. Namun demikian, prahara pada Jiwasraya

2008-2018 di bawah kepemimpinan Hendrisman Rahim (CNN, 2020).

Dilansir laman CNN (2020) Kementerian BUMN membongkar kasus

Jiwasrya, Hendrisman Rahim dibantu oleh Indra Cataraya selaku Direktur

Pertanggung, De Young Adrian sebagai Direktur Pemasaran, dan Hary Prasetyo

Milik Negara (BUMN) Dahlan Iskan. Ia mengapresiasi Jiwasraya lantaran mampu

Bahkan, pemerintah tidak melakukan penyuntikan dana berupa Penyertaan Modal

Namun, akhir-akhir ini Jiwasraya kembali menjadi sorotan masyarakat.

tahun-tahun sebelumnya. Ketua BPK RI Agung Firman Sempurna menuturkan

bahwa penyebab utama gagal bayarnya Jiwasraya adalah kesalahan dalam

mengelola investasi di dalam perusahaannya. Jiwasraya kerap menaruh dananya

Jiwasraya melakukan kembali skema reasuransi dan mengakibatkan surplus sebesar

Hingga tahun 2017, kondisi keuangan perseroan mulai tampak membaik

keuangan Jiwasraya dicopot tanggung jawabnya, dan mengakibatkan pencairan JS

pergantian direktur utama, direksi baru melaporkan adanya kejanggalan laporan

keuangan kepada kementrian BUMN dengan disertakan hasil audit. Pelaporan

BPKP untuk melakukan audit investigasi kepada Jiwasraya. Oktober-November