Skripsi Pandi Sopian A1c017121 Acc

SKRIPSI
PENGARUH INFORMASI LABA, ARUS KAS, DAN RASIO

SOLVABILITAS SEBAGAI PREDIKTOR FINANCIAL DISTRESS
PADA PERUSAHAAN MANUFAKTUR TERDAFTAR DI BEI TAHUN
2017-2019
PANDI SOPIAN
A1C017121
PROGRAM STUDI SARJANA

FAKULTAS EKONOMI DAN BISNIS
UNIVERSITAS MATARAM
2022
2017-2019
SKRIPSI
Untuk memperoleh Gelar Sarjana
Pada Program Studi Sarjana (S-1) Fakultas Ekonomi dan Bisnis
Universitas Mataram
Oleh:
PANDI SOPIAN
A1C017121
PROGRAM STUDI SARJANA

FAKULTAS EKONOMI DAN BISNIS
UNIVERSITAS MATARAM
2022
ii
SKRIPSI

2017-2019
OLEH:
NAMA : PANDI SOPIAN
NIM : A1C017121
JURUSAN : AKUNTANSI
Setelah membaca naskah skripsi ini dengan seksama, maka menurut pertimbangan
kami telah memenuhi syarat untuk diuji.
Mengetahui
Dosen Pembimbing 1 Dosen Pembimbing 2
Dr. Lilik Handajani,SE.,M.SA,Ak Nurabiah,SE.,M.MSI

NIP. 197206251999032001 NIP.198002122008122001
iii
Judul Skripsi : PENGARUH INFORMASI LABA, ARUS KAS, DAN
RASIO SOLVABILITAS SEBAGAI PREDIKTOR
FINANCIAL DISTRESS PADA PERUSAHAAN
MANUFAKTUR TERDAFTAR BEI TAHUN 2017-2019.
Nama Mahasiswa : PANDI SOPIAN
Nomor Mahasiswi : A1C017121
Jurusan : AKUNTANSI
Skripsi ini telah diterima sebagai kebulatan studi Program Strata (S1)
Fakultas Ekonomi dan Bisnis Universitas Mataram
Mataram, ……………..2021
Dekan, Ketua Jurusan Akuntansi
Dr. Muaidy Yasin, MS. Baiq Anggun Hilendri, SE.,Ak.,M.Si

NIP. 196008101987311002 NIP. 197804142001122002
iv
PERNYATAAN KEASLIAN SKRIPSI
Yang bertanda tangan di bawah ini, saya menyatakan bahwa skripsi dengan
judul: PENGARUH INFORMASI LABA, ARUS KAS, DAN RASIO
SOLVABILITAS SEBAGAI PREDIKTOR FINANCIAL DISTRESS PADA
PERUSAHAAN MANUFAKTUR TERDAFTAR BEI TAHUN 2017-2019. Dan
diajukan untuk diuji pada tanggal ………2021, adalah hasil karya saya.
Dengan ini saya menyatakan dengan sesungguhnya bahwa dalam skripsi ini
tidak terdapat keseluruhan atau sebagian tulisan orang lain yang saya ambil
dengan cara menyalin atau meniru dalam bentuk rangkaian kalimat atau simbol
yang menunjukkan gagasan atau pendapat atau pemikiran dari penulis lain, yang
saya akui seolah-olah sebagai tulisan saya sendiri, dan atau tidak terdapat bagian
atau keseluruhan tulisan yang saya salin, tiru atau yang saya ambil dari tulisan
orang lain tanpa memberikan pengakuan pada penulis aslinya.
Apabila saya melakukan hal tersebut diatas, baik sengaja maupun tidak,
dengan ini saya menyatakan menarik skripsi yang saya ajukan sebagai hasil
tulisan saya sendiri ini. Bila kemudian terbukti bahwa saya ternyata melakukan
tindakan menyalin atau meniru tulisan orang lain seolah-olah hasil dari pemikiran
saya sendiri, berarti gelar, dan ijazah yang diberikan oleh Universitas batal saya
terima.
Mataram, ……………. 2021
Yang Memberi Pernyataan,
PANDI SOPIAN
NIM: A1C017121
v
KATA PENGANTAR
Alhamdulillahirabbil’alamin, segala puji dan syukur saya panjatkan kepada
Allah SWT. Karena dengan limpahan Rahmat dan karuniaNya sehingga saya
dapat menyelesaikan tugas akhir skripsi ini. Shalawat serta salam juga tak lupa
saya curahkan kepada junjungan alam Nabi Muhammad SAW beserta keluarga
dan para sahabatnya yang telah mengajarkan umat manusia tentang ilmu
pengetahuan yang baik dan benar. Terima kasih yang sebesar-besarnya kepada
kedua orang tua yang saya sayangi dan banggakan, Bapak Sulasih dan Ibu
Rusmini Asri atas segala perhatian, doa dan motivasi yang diberikan untuk
menyelesaikan skripsi ini. Saya juga ingin berterima kasih kepada berbagai pihak
yang turut memberikan sumbangan pikiran guna penyelesaian skripsi, dan turut
membantu baik secara langsung maupun tidak langsung, yaitu:
1. Rektor Universitas Mataram, Prof. Ir. H. Bambang Hari Kusumo, M.Agr.St.,
Ph.D atas kesempatan, waktu, dan izin yang diberikan untuk menempuh studi
pada Program studi sarjana (S1) Fakultas Ekonomi dan Bisnis Universitas
Mataram.
2. Dekan Fakultas Ekonomi Universitas Mataram, Bapak Dr. Muaidy Yasin, MS
atas kesempatan yang diberikan untuk menempuh studi pada program studi
sarjana (S1) Fakultas Ekonomi dan Bisnis Universitas Mataram.
3. Ketua Jurusan Program studi sarjana (S1) Akuntansi Fakultas Ekonomi dan
Bisnis Universitas Mataram, Ibu Baiq Anggun Hilendri L, SE., M.Si., Ak.atas
vi
kesempatan yang diberikan untuk menempuh studi pada program studi sarjana
(S1) Fakultas Ekonomi dan Bisnis Universitas Mataram.
4. Terima kasih sebesar-besarnya kepada Ibu Dr. Lilik Handajani, SE., M.SA,Ak
selaku Pembimbing Utama, atas waktu yang diberikan untuk bimbingan,
masukan-masukan serta saran yang diberikan sehingga skripsi ini dapat
diselesaikan.
5. Kepada Ibu Dr. Lilik Handajani, SE., M.SA,Ak selaku pembimbing utama
dan Ibu Nurabiah,SE.,MMSI. selaku Pembimbing Pendamping, saya ucapkan
terima kasih atas bimbingan, kritikan, saran, masukan, kesabaran dan juga
dorongan untuk secepatnya menyelesaikan skripsi ini.
6. Seluruh Bapak dan Ibu dosen di Jurusan Akuntansi Fakultas Ekonomi dan
Bisnis Universitas Mataram atas semua ilmu, pengetahuan serta kenangan
yang telah diberikan khususnya bapak Bambang, SE., M.Ak., Ak., CA selaku
Dosen Pembimbing Akademik.
7. Seluruh staf dan karyawan Fakultas Ekonomi dan Bisnis Universitas Mataram
atas bantuannya selama masa perkuliahan.
8. Seluruh keluarga besar yang saya sayangi, khususnya Bapak Sulasih, Ibu
Rusmini Asri, yang telah banyak membantu dalam segala hal, terima kasih
atas pengorbanan baik materil maupun non materil, perhatian, kesabaran,
dukungan sumbangan tenaga, doa, saran, dan motivasi sehingga skripsi ini
dapat diselesaikan.
9. Sahabat-sahabat saya yang luar biasa yang selalu ada untuk memberikan
motivasi, semangat, doa, dan dukungan yang luar biasa selama ini. Terima
vii
kasih untuk semua waktu dan rasa kebersamaannya semoga kita semua bisa
sukses bersama. Aamiin Allahumma Aamiin.
10. Teman-teman seperjuangan saya di kampus biru ini yaitu Kelas C Akuntansi
Reguler Pagi Angkatan 2017.
11. Kepada grup TMK (Roy, Dedi, Mubin, Ryan, dan Novian) yang selalu ada
untuk memberikan dukungan, semangat, dan motivasi agar skripsi ini dapat
diselesaikan dengan baik
12. Semua pihak yang tidak dapat disebutkan satu persatu, yang sangat membantu
dan memberikan motivasi kepada peneliti.
Penulis menyadari bahwa skripsi ini masih jauh dari kata sempurna. Untuk
itu penulis mengharapkan kritik dan saran yang membangun dari semua pihak
untuk menyempurnakan penulisan ini. Semoga skripsi ini dapat memberikan
manfaat bagi semua pihak dan dapat menjadi sumber bagi penulisan karya ilmiah
di masa mendatang.
Mataram, …………2021
Penulis
viii
SOLVABILITAS SEBAGAI PREDIKTOR FINANCIAL DISTRESS PADA
PERUSAHAAN MANUFAKTUR TERDAFTAR DI BEI TAHUN 2017-2019
Pandi Sopian
Jurusan S1 Akuntansi
pandisopian1@gmail.com
ABSTRAK
Tujuan dari penelitian ini adalah untuk mengetahui pengaruh informasi laba
bersih sebelum pajak, arus kas aktivitas operasi, dan debt to equity ratio dalam
memprediksi kondisi financial distress pada perusahaan manufaktur yang
terdaftar di Bursa Efek Indonesia tahun 2017-2019. Jenis penelitian ini adalah
penelitian asosiatif dengan pendekatan kuantitatif yang bertujuan untuk
mengetahui hubungan antara dua variabel atau lebih. Penelitian ini menggunakan
data sekunder berupa laporan keuangan dari perusahaan manufaktur yang terdaftar
di Bursa Efek Indonesia tahun 2017-2019. Populasi dalam penelitian ini
berjumlah 116 perusahaan. Sampel yang digunakan dalam penelitian ini
berjumlah 34 sampel perusahaan yang diperoleh menggunakan metode porposive
sampling, sehingga didapatkan jumlah observasi sebanyak 112 perusahaan
observasi selama tiga tahun penelitian. Teknik pengolahan data dalam penelitian
ini dilakukan dengan metode regresi logistic menggunakan aplikasi software IBM
SPSS 26. Hasil penelitian ini menunjukkan bahwa laba bersih sebelum pajak, arus
kas aktivitas operasi, dan debt to equity ratio tidak memiliki kemampuan dalam
memprediksi kondisi financial distress. Penelitian ini diharapkan dapat digunakan
bagi pihak manjemen maupun eksternal seperti kreditor dan investor sebagai
bahan pertimbangan sebelum pengambilan keputusan.
Kata kunci: laba bersih sebelum pajak, arus kas operasi, debt to equity ratio,
financial distress.
ix
THE EFFECT OF INFORMATION PROFIT, CASH FLOW, AND
SOLVENCY RATIOS AS PREDICTORS OF FINANCIAL DISTRESS IN
MANUFACTURING COMPANIES LISTED IN INDONESIA STOCK
EXCHANGE 2017-2019
PANDI SOPIAN
Jurusan S1 Akuntansi
pandisopian1@gmail.com
ABSTRACT
The purpose of this study was to determine the effect of information eraning
before tax, operating activity cash flow, and debt to equty ratio in predicting
financial distress conditions in manufacturing companies listed in Indonesia Stock
Exchange in 2017-2019. This study is an associative research with a quantitative
approach that aims to determine the relationship between two or more variables.
This study uses secondary data in the form of financial reports from
manufacturing companies listed on Indonesia Stock Exchange in 2017-2019. The
population in this study amounted to 116 companies. The sample use in this study
found 34 samples of companies obtained using porposive sampling method, so
that the number of observations was 112 companies observed during the three
years of the study. The data processing techniquein this study was carried out by
logistic regression method using IBM SPSS 26 application software. The result of
this study indicate that earning before tax, operating activity cash flow, and debt
to equity ratio does not have the ability to predict financial distress conditions.
This study used for management and external parties such as creditors and
investors as material for consideration before making decisions
Keywords: earning before tax, operating activity cash flow, debt to equity ratio,
financial distress.
x
DAFTAR ISI
Hal.
HALAMAN JUDUL..........................................................................................i
PRASYARAT GELAR......................................................................................ii
LEMBAR PERSETUJUAN..............................................................................iii
PENETAPAN TIM PENGUJI SKRIPSI..........................................................iv
PERNYATAAN KEASLIAN SKRIPSI............................................................v
KATA PENGANTAR.......................................................................................vi
ABSTRAK.........................................................................................................ix
ABSTRACT.........................................................................................................x
DAFTAR ISI.....................................................................................................xi
DAFTAR TABEL............................................................................................xiii
DAFTAR GAMBAR........................................................................................xiv
DAFTAR LAMPIRAN.....................................................................................xv
BAB I PENDAHULUAN.............................................................................1
1.1 Latar Belakang.............................................................................1
1.2 Rumusan Masalah........................................................................8
1.3 Tujuan Penelitian.........................................................................8
1.4 Manfaat Penelitian.......................................................................8
1.4.1 Manfaat Teoritis.............................................................8
1.4.2 Manfaat Praktis...............................................................9
1.4.3 Manfaat Kebijakan.........................................................9
BAB II KAJIAN PUSTAKA DAN PENGEMBANGAN HIPOTESIS.......10
2.1 Landasan Teori...........................................................................10
2.1.1 Teori Agensi..................................................................10
2.1.2 Financial Distress.........................................................12
2.1.3 Laba...............................................................................17
2.1.4 Arus Kas........................................................................19
2.1.5 Rasio Solvabilitas..........................................................24
2.2 Penelitian Terdahulu...................................................................26
2.3 Rerangka Konseptual..................................................................32
2.4 Pengembangan Hipotesis............................................................34
BAB III METODE PENELITIAN.................................................................37
3.1 Jenis Penelitian...........................................................................37
3.2 Lokasi dan Waktu Penelitian......................................................37
3.3 Populasi dan Sampel Penelitian..................................................37
3.4 Jenis dan Sumber Data...............................................................39
3.5 Definisi Operasional dan Pengukuran........................................40
3.6 Prosedur Analisis Data...............................................................43
BAB IV HASIL PENELITIAN DAN PEMBAHASAN................................50
4.1 Gambaran Umum Objek Penelitian............................................50
xi
4.2 Analisis Statistik Deskriptif........................................................52
4.3 Uji Asumsi Klasik......................................................................55
4.3.1 Uji Multikolonieritas......................................................56
4.4 Analisis Regresi Logistik............................................................57
4.4.1 Menguji Kelayakan Model Regresi................................57
4.4.2 Menilai Keseluruhan Model Fit......................................58
4.4.3 Koefisiens Determinasi (R2)...........................................59
4.4.4 Uji Regresi Logistik........................................................60
4.4.5 Pengujian Hipotesis........................................................62
4.5 Interpretasi Hasil Penelitian........................................................64
4.5.1 Pengaruh Laba Bersih Sebelum Pajak Terhadap
Financial Distress...........................................................64
4.5.2 Pengaruh Arus Kas Aktivitas Operasi Terhadap
Financial Distress...........................................................65
4.5.3 Pengaruh Debt To Equity Ratio Terhadap Financial
Distress...........................................................................68
BAB V PENUTUP........................................................................................70
5.1 Simpulan.....................................................................................70
5.2 Keterbatasan Penelitian..............................................................71
5.3 Saran...........................................................................................71
DAFTAR PUSTAKA ......................................................................................73

LAMPIRAN......................................................................................................76
xii
DAFTAR TABEL
Hal.
Tabel 2.1 Indikator Financial Distress Penelitian Terdahulu.........................16
Tabel 2.2 Indikator Laba Penelitian Terdahulu...............................................19
Tabel 2.3 Indikator Arus Kas Penelitian Terdahulu........................................24
Tabel 2.4 Indikator Debt To Equity Ratio Penelitian Terdahulu.....................25
Tabel 3.1 Penarikan Sampel Penelitian...........................................................39
Tabel 4.1 Daftar Nama Perusahaan Sampel....................................................51
Tabel 4.2 Uji Statistik Deskriptif....................................................................53
Tabel 4.3 Uji Multikolonieritas.......................................................................56
Tabel 4.4 Hosmer and Lemeshow Test............................................................57
Tabel 4.5 Uji Overall Model Fit (-2 LL Awal)...............................................58
Tabel 4.6 Uji Overall Model Fit (-2 LL Akhir)..............................................59
Tabel 4.7 Koefisiensi Determinasi..................................................................59
Tabel 4.8 Variables in the Equation................................................................60
xiii
DAFTAR GAMBAR
Hal.
Gambar 2.1 Peta Penelitian Terdahulu.........................................................31
Gambar 2.2 Rerangka Konseptual................................................................33
xiv
DAFTAR LAMPIRAN
Hal.
Lampiran 1 Daftar Perusahaan yang Menjadi Sampel Penelitian..................76
Lampiran 2 Perhitungan Financial Distress Almant Z-Score.......................77
Lampiran 3 Perhitungan Laba Bersih Sebelum Pajak....................................80
Lampiran 4 Perhitungan Arus Kas Aktivitas Operasi....................................85
Lampiran 5 Perhitungan Debt To Equity Ratio..............................................90
Lampiran 6 Data EBT, Arus Kas Operasi, DER dan Financial Dsitress
Perusahaan Sampel.....................................................................95
Lampiran 7 Hasil Pengujian Menggunakan SPSS.........................................98
xv
BAB I
PENDAHULUAN
1.1. Latar Belakang
Pada era modernisasi yang sekarang ini persaingan dalam dunia
perusahaan menjadi semakin lebih ketat. Perusahan dituntut untuk memperkuat
manajemen mereka sehingga mampu bersaing dengan perusahaan lain baik lokal
maupun internasional. Persaingan yang terjadi antara perusahaan menyebabkan
biaya untuk menghasilkan laba semakin tinggi, akibatnya perusahaan yang gagal
mengantisipasi perkembangan perekonomian dan persaingan dapat menyebabkan
perusahaan kalah di dalam dunia bisnis dan pada akhirnya akan menyebabkan
kebangkrutan bagi perusahaan itu sendiri. Sebelum terjadinya kebangkrutan
perusahaan akan mengalami kondisi kesulitan keuangan yang disebut dengan
financial distress.
Financial distress merupakan keadaan dimana perusahaan mengalami
krisis keuangan dan gagal memenuhi kewajiban kepada debitur. Menurut Platt &
Platt (2002), Financial distress didefinisikan sebagai tahap penurunan kondisi
keuangan yang terjadi sebelum terjadinya kebangkrutan atau likuidasi. Situasi ini
dapat dapat digambarkan dengan kegagalan, ketidakmampuan perusahaan
melunasi hutang-hutangnya yang sudah jatuh tempo. Financial distress dapat
dimulai dari kesulitan likuiditas (jangka pendek) sebagai idikasi financial distress
yang paling ringan, sampai ke pernyataan kebangkrutan yang merupakan
financial distress yang paling berat (Triwahyuningtias & Muharam, 2012).
1
Industri manufaktur merupakan industri yang mendominasi perusahaan-
perusahaan yang terdaftar di Bursa Efek Indonesia (BEI). Banyaknya perusahaan
dalam industri, serta kondisi perekonomian saat ini telah menciptakan suatu
persaingan yang ketat antar perusahaan manufaktur. Peristiwa financial distress
yang terjadi adalah peristiwa dimana didelestingnya beberapa perusahaan
manufaktur pada tahun 2017-2019. Menurut Darmadji & Fakhrudin (2006)
terdapat risiko yang terdapat dalam investasi saham, salah satunya adalah
penghapusan catatan saham dari daftar saham yang tercatat di bursa atau disebut
delesting saham. Dapat dikatakan definisi delesting adalah tindakan penghapusan
catatan saham yang tercatat di bursa akibat beberapa kondisi tertentu sehingga
sahamnya tidak dapat lagi diperdagangakan secara publik.
Pada tahun 2018, BEI menghapus perusahaan manufaktur yaitu: PT Dwi
Aneka Jaya Kemasindo (DAJK) yang mengalami masalah kesulitan keuangan.
Menurut informasi keterbukaan BEI, penghapusan pencatatan DAJK efektif sejak
tanggal 18 Mei 2018. Sehingga, DAJK tidak lagi memiliki kewajiban sebagai
perusahaan tercatat dan BEI akan menghapus nama DAJK dari daftar perusahaan
yang mencatatkan sahamnya di BEI. DAJK dinyatakan pailit oleh Pengadilan
Negeri (PN) Jakarta Pusat setelah tuntutan dari PT Bank Mandiri Tbk (BMRI)
selaku kreditur dikabulkan. DAJK memiliki utang sebesar Rp 428, 27 miliar pada
BMRI. Selain itu, pada laporan keuangan perseroan hingga September 2017,
DAJK juga memiliki hutang dengan beberapa perbankan lainnya. Pada periode
tersebut DAJK juga membukukan kerugian bersih sebesar Rp 59,61 miliar, serta
total aset senilai Rp 1,30 triliun. Untuk tahun 2019 PT Sekawan Intipratama, Tbk
2
(SIAP) tanggal 17 Juni 2019 dikeluarkan dari BEI karena kinerja perusahaan
yang buruk (www.cnbcindonesia.com).
Pada umumnya penelitian tentang kebangkrutan, kegagalan, maupun
financial distress menggunakan indikator kinerja keuangan perusahaan sebagai
prediksi untuk memprediksi kondisi perusahaan yang akan datang (Hidayat &
Meiranto, 2014). Laporan keuangan yang diterbitkan oleh perusahaan merupakan
salah satu sumber informasi mengenai posisi keuangan perusahaan, kinerja, serta
perubahan posisi keuangan yang sangat berguna untuk mendukung pengambilan
keputusan yang tepat. Kinerja keuangan yang banyak digunakan untuk
mempengaruhi financial distress adalah rasio profitabilitas, aktivitas, solvabilitas,
dan likuiditas.
Menurut penelitian yang dilakukan Kusumaningdyah (2019), arus kas dan
laba dapat digunakan sebagai alat pemberi informasi yang relevan mengenai
perusahaan. Sebuah perusahaan dikatakan mengalami financial distress apabila
arus kas dan laba tidak mampu memenuhi kewajiban. Hal tersebut yang
mendasari peneliti dan menambahkan rasio solvabilitas proyeksi debt to equity
ratio yang akan diuji pengaruhnya terhadap financial distress.
Variabel pertama dalam penelitian ini adalah laba. Laba adalah
kemampuan perusahaan untuk memperoleh keuntungan selama periode tertentu.
Salah satu kegunaaan dari informasi laba yaitu untuk mengetahui kemampuan
perusahaan dalam pembagian deviden kepada para investor. Laba bersih suatu
perusahaan digunakan sebagai dasar pembagian deviden kepada investornya. Jika
laba bersih yang diperoleh perusahaan sedikit atau bahkan mengalami rugi maka
3
pihak investor tidak akan mendapatkan deviden. Hal ini jika terjadi berturut-turut
akan mengakibatkan para investor menarik investasinya karena mereka
menganggap perusahaan tersebut mengalami permasalahan keuangan atau
financial distress. Kondisi ini ditakutkan akan terus menerus terjadi yang
nantinya akan berakhir pada kondisi kebangkrutan. Dengan kondisi demikian
maka laba dapat dijadikan indikator oleh pihak investor untuk mengetahui
kondisi keuangan perusahaan. Penelitian ini menggunakan laba bersih sebelum
pajak sebagai bahan indikator karena dengan alasan untuk menghindari dari
pengaruh pengunaan tarif pajak yang berbeda tiap periode dan untuk pengenaan
pajak dari setiap perusahaan yang berbeda (Kusumaningdyah & Hanindyo,
2019).
Hal ini didukung dengan penelitian yang dilakukan Wahyuningtyas
(2010), Djongkang & Rio Rita (2014), Ayuningtiyas & Suryono (2017), Ardeati
(2018), Nailufar et al. (2018), dan Kusumaningdyah (2019) yang menujukkan
bahwa laba berpengaruh terhadap financial distress. Sedangkan menurut
penelitian yang dilakukan Kadir (2014) dan Julius (2017) menunjukkan bahwa
laba tidak berpengaruh terhadap financial ditress.
Variabel kedua dalam penelitian adalah arus kas. Arus kas digunakan
digunakan sebagai indikator bagi pihak investor dan kreditor untuk mengetahui
kondisi keuangan perusahaan. Disamping itu, arus kas juga merupakan laporan
yang memberikan informasi yang relevan mengenai penerimaan dan pengeluaran
kas dalam waktu periode tertentu. Setiap perusahaan dalam menjalankan operasi
usahanya akan mengalami arus kas masuk (cash inflows) dan arus kas keluar
4
(cash outflows). Apabila arus kas yang masuk lebih besar daripada arus kas yang
keluar maka hal ini akan menunjukkan positive cash flows, sebaliknya apabila
arus kas masuk lebih sedikit daripada arus kas keluar maka akan terjadi negative
cash flows.
Apabila arus kas suatu perusahaan jumlahnya besar, maka pihak kreditor
mendapatkan keyakinan pengembalian atas kredit yang diberikan. Jika arus kas
suatu perusahaan bernilai kecil, maka kreditor tidak akan mendapatkan
keyakinan atas kemampuan perusahaan dalam membayar hutang. Jika hal ini
berlangsung secara terus menerus, kreditor tidak akan mempercayakan kreditnya
kembali kepada perusahaan karena perusahaan dianggap mengalami
permasalahan keuangan atau financial distress. Dengan kondisi demikian maka
arus kas dapat dijadikan indikator oleh pihak kreditor untuk mengetahui kondisi
keuangan perusahaan.Dalam penelitian ini arus kas operasi digunakan sebagai
informasi yang relevan mengenai kesehatan perusahaan.
Hal ini didukung dengan penelitian penelitian yang dilakukan oleh Mas’ud
& Srengga (2012), Djongkang & Rio Rita (2014), Kadir (2014), dan Nailufar et
al. (2018) yang menunjukkan bahwa arus kas bepengaruh terhadap financial
distress. Sedangkan menurut penelitian yang dilakukan oleh Wahyuningtyas
(2010), Ayuningtiyas & Suryono (2017), dan Ardeati (2018) menunjukkan
bahwa arus kas tidak berpengaruh terhadap financial distress.
Variabel ketiga dalam penelitian ini adalah rasio solvabilitas. Rasio
solvabilitas merupakan rasio yang digunakan untuk mengukur sejauh mana
aktiva perusahaan dibiayai dengan hutang. Rasio solvabilitas digunakan untuk
5
mengukur kemampuan perusahaan untuk membayar seluruh kewajibannya, baik
jangka pendek maupun jangka panjang apabila perusahaan dibubarkan
(dilikuidasi). Rasio yang digunakan dalam penelitian ini adalah proyeksi debt to
equity ratio yang merupakan rasio yang digunakan untuk menilai utang dengan
ekuitas. Rasio ini diukur dengan cara membandingkan antara seluruh hutang,
termasuk utang lancar dengan seluruh ekuitas.
Debt to equity ratio menunjukkan bahwa seberapa besar aset perusahaan
yang dibiayai dengan menggunakan hutang, sehingga dengan semakin banyaknya
hutang akan cenderung menambah beban bagi sebuah perusahaan untuk melunasi
pokok pinjaman dan bunga yang diwajibkan. Dengan kondisi ini maka
perusahaan tersebut dikhawatirkan akan mengalami kesulitan dalam melunasi
hutang-hutangnya dan memicu terjadinya financial ditress.
Hal ini didukung dengan penelitian yang dilakukan oleh Ginting (2017)
menunjukkan hasil bahwa debt to equity ratio secara simultan berpengaruh
signifikan terhadap financial distress. Sedangkan menurut penelitian yang
dilakukan oleh Rice (2015) menunjukkan hasil bahwa debt to equity ratio tidak
berpengaruh terhadap financial distress.
Agency teory dibangun sebagai upaya untuk memahami dan memecahakan
masalah yang mucul manakala ada ketidaklengkapan informasi pada saat
melakukan kontrak (Gundono,2012). Kontrak yang dimaksudkan di sini adalah
antara principal dengan agent. Penguasaan kendali perusahaan dipegang oleh
agent sehingga agent dituntut untuk selalu transparan dalam melaksanakan
kendali perusahaan di bawah principal. Salah satu bentuk pertanggung
6
jawabannya adalah dengan menunjukkan laopran keuangan untuk melaporkan
kondisi keuangan perusahaan pada periode waktu tertentu. Berdasarkan agency
teory, diharakan dapat berfungsi sebagai alat untuk memberikan keyakinan
kepada para investor bahwa mereka akan menerima return atas dana yang
mereka investasikan.
Penelitian teantang prediksi kebangkrutan perusahaan sudah sangat banyak
dilakukan di Indonesia. Akan tetapi penelitian mengenai prediksi kondisi
financial distress suatu perusahaan dengan membandingkan antara kondisi
financial distress dari sudut pandang laba, arus kas dan debt to equity ratio masih
terbatas dan adanya inkosistensi hasil penelitian-penelitian terdahulu.
Kebaharuan penelitian ini menambahkan variabel independen debt to equity ratio
agar mendapatkan hasil yang lebih komperhensif. Perusahaan yang digunakan
dalam penelitian ini adalah perusahaan manufaktur yang terdaftar di Bursa Efek
Indonesia (BEI) tahun 2017-2019.
Berdasarkan latar belakang diatas, penulis tertarik untuk melakukan
penelitian dengan judul “Pengaruh Penggunaan Laba, Arus Kas, dan Rasio
Solvabilitas Terhadap Prediktor Financial Distress Pada Perusahaan
Manufaktur Terdaftar di BEI Tahun 2017-2019”.
7
1.2. Rumusan Masalah
Berdasarkan latar belakang di atas, rumusan masalah dalam penelitian ini
adalah:
1. Apakah laba bersih sebelum pajak berpengaruh terhadap financial
distress?
2. Apakah arus kas aktivitas operasi berpengaruh terhadap financial distress?
3. Apakah debt to equity ratio berpengaruh terhadap financial distress?
1.3. Tujuan Penelitian
1. Untuk menguji pengaruh laba bersih sebelum pajak terhadap financial
distress.
2. Untuk menguji pengaruh arus kas aktivitas operasi terhadap financial
distress.
3. Untuk menguji pengaruh debt to equity ratio terhadap financial distress.
1.4. Manfaat Penelitian
Hasil penelitian mengenai Pengaruh Penggunaan Laba, Arus Kas, dan
Rasio Solvabilitas Terhadap Prediktor Financial Distress Pada Perusahaan
Manufaktur Terdaftar di BEI Tahun 2017-2019 diharapkan memberikan
manfaat sebagai berikut:
1.4.1. Manfaat Teoritis
Penelitian ini diharapkan dapat memberikan pengetahuan tentang laba,
arus kas, debt to equity ratio serta pengaruhnya terhadap financial distress.
Sehingga konflik keagenan tidak terjadi karena pemegang saham atau pihak
8
principal mampu memastikan bahwa manajer atau agent bertindak untuk
kepentingan mereka.
1.4.2. Manfaat Praktis
Bagi pihak manajer perusahaan penelitian ini diharapkan dapat
memberikan informasi dan masukan bagi perusahaan untuk pertimbangan dalam
rangka meningkatkan nilai perusahaan, serta sebagai bahan pertimbangan emiten
untuk mengevaluasi, memperbaiki, dan meningkatkan kinerja manajemen dimasa
yang akan datang.
Bagi pihak investor penelitian ini diharapkan sebagai bahan wacana baru
dalam mempertimbangkan aspek-aspek yang perlu diperhitungkan dalam
investasi dan dapat membantu investor untuk memilih secara bijak dalam
berinvestasi.
1.4.3. Manfaat Kebijakan
Hasil penelitian ini diharapkan dapat memberikan kontribusi dan menjadi
bahan evaluasi oleh Bursa Efek Indonesia (BEI) dan Otoritas Jasa Keuangan
(OJK) dalam menyusun, mengatur dan menetapkan regulasi serta kebijakan
setelah mengetahui pengaruh laba, arus kas, dan debt to equity ratio terhadap
financial distress.
9
BAB II
TINJAUAN PUSTAKA
2. 1. Landasan Teori
2.1.1. Teori Agensi
Agency teory merupakan konsep yang menjelaskan hubungan kontraktual
atau principals dan agents. Pihak principals adalah pihak yang memberikan
mandat kepada pihak lain, yaitu agent, untuk melakukan semua kegiatan atas
nama principal dalam kapasitasnya sebagai pengambilan keputusan
(Kusumaningdyah & Hanindyo, 2019). Menurut agency teory, pendelegasian
wewenang tersebut menyebabkan terjadinya perbedaan kepentingan. Dalam
perekonomian sekarang ini, pihak manajemen perusahaan dan pihak pengendali
perusahaan menjadi terpisah dari kepemilikan. Manajer bertanggung jawab penuh
terhadap pemilik perusahaan yang akan berdampak pada kependanaan perusahaan
baik dari pihak investor maupun kreditur.
Tujuan dari sistem pemisahan ini adalah utuk menciptakan efisiensi dan
efektivitas dengan memperkerjakan agen-agen profesional dalam mengelola
perusahaan. Penguasaan kendali perusahaan dipegang oleh agent sehingga agent
dituntut untuk selalu transparan dalam melaksanakan kendali perusahaan di bawah
principal. Salah satu bentuk pertanggung jawabannya berupa laporan keuangan
kepada pemilik perusahaan. Pada setiap periode, laporan keuangan dipublikasikan
guna untuk memberikan informasi bagaimana keadaan keuangan perusahaan pada
periode tersebut.
10
Laporan keuangan yang diterbitkan oleh perusahaan merupakan salah satu
sumber informasi mengenai posisi keuangan perusahaan, kinerja serta perubahan
posisi keuangan perusahaan, yang sangat berguna untuk mendukung pengambilan
keputusan yang tepat. Jika laba yang dihasilkan perusahaan nilainnya lebih tinggi
dalam jangka watu yang lama, maka dapat dikatakan bahwa perusahaan tersebut
dapat menjalankan kegiatan operasinya dengan baik. Selain itu, dapat dilihat juga
dari nilai arus kas yang diperoleh perusahaan. Jika arus kas yang diperoleh
perusahaan nilainya tinggi dalam jangka waktu yang relatif lama, maka
perusahaan tersebut dinilai dapat melakukan pengembalian atas kredit yang
diberikan oleh pihak kreditor. Perusahaan yang sehat secara keuangan juga
ditunjukkan dengan rasio debt to equity ratio di bawah angka 1. Debt to equity
yang rendah menunjukkan bahwa hutang/kewajiban perusahaan lebih kecil
daripada seluruh aset yang dimilikinya, sehingga perusahaan dapat melunasi
seluruh hutang/kewajibannya.
Sebaliknya, jika nilai laba dan arus kas suatu perusahaan bernilai rendah
dalam jangka waktu yang relatif lama, maka dapat dilihat dari nilai tersebut bahwa
pihak eksternal menganggap perusahaan tidak mampu dalam menjalankan
kegiatan operasinya dengan baik. Kondisi sebaliknya, semakin tinggi debt to
equity ratio menunjukkan komposisi jumlah hutang/kewajiban lebih besar
dibandingkan dengan jumlah seluruh modal bersih yang dimilikinya, sehingga
mengakibatkan beban perusahan terhadap pihak luar menjadi lebih besar. Kondisi
ini akan berdampak dengan kondisi dimana perusahaan akan mengalami
permasalahan kesulitan keuangan atau kondisi financial distress.
11
Didasarkan pada agency teory, diharapkan dapat berfungsi sebagai alat
untuk memberikan keyakinan kepada para investor bahwa mereka akan menerima
return atas dana yang telah mereka investasikan. Hal ini berkaitan dengan
bagaimana para investor yakin bahwa manajer akan memberikan keuntungan bagi
mereka. Sebaliknya, dari adanya laporan keuangan yang buruk dapat menujukkan
kondisi financial distress. Kondisi tersebut dapat menyebabkan keraguan dari
pihak investor dan kreditor untuk memberikan dananya karena tidak adanya
kepastian atas return dana yang telah diberikan.
2.1.2. Financial Distress
Menurut Platt & Platt (2002)dalam Rusaly (2016) financial distress
didefinisikan sebagai tahap penurunan kondisi keuangan yang terjadi sebelum
terjadinya kebangkrutan atau likuidasi. Kondisi financial distress tergambar dari
ketidakmampuan perusahaan atau tidak tersedianya suatu dana untuk membayar
kewajibannya yang telah jatuh tempo.
Sebuah perusahaan dianggap mengalami financial distress jika salah satu
kejadian berikut ini terjadi: mengalami laba operasi bersih negatif selama
beberapa tahun atau penghentian pembayaran deviden. Kesulitan keuangan dapat
diartikan sebagai ketidakmampuan perusahaan untuk membayar kewajiban
keuangannya pada saat jatuh tempo yang menyebabkan kebangkrutan
perusahaanWongsosudono dan Chrissa, (2013) dalam (Permatasari, 2016).
Berdasarkan pada literatur, Gamayumi (2011) dalam Listiana
(2013)mengklasifikasikan beberapa definisi mengenai financial distress,
diantaranya adalah:
12
a. Economic Failure
Economic failure atau kegagalan dalam arti perekonomian dapat terjadi
pada saat pendapatan perusahaan tidak mampu menutup biaya keseluruhan
termasuk biaya modal.Nilai sekarang dari arus kas sebenarnya lebih kecil
dibandingkan dengan kewajiban, atau laba yang lebih kecil daripada modal kerja.
Terjadinya kegagalan pada perusahaan yang mengalami economic failure atau
economic distress ini adalah jika arus kas yang diharapkan atau tingkat
pendapatan atas biaya historis dan investasi jauh lebih kecil dibandingkan biaya
modal yang dikeluarkan untuk investasi.
b. Business Failure
Business failure atau kegagalan dalam arti bisnis menggambarkan bahwa
perusahaan mengalami kondisi bisnis yang tidak menguntungkan, dimana
perusahaan terpaksa harus menghentikan kegiatan operasionalnya karena
ketidakmampuannya untuk menghasilkan keuntungan demi menutupi jumlah
pengeluaran.
c. Technical Insolvency
Sebuah perusahaan dapat dikategorikan mengalami kondisi technical
insolvency apabila pada perusahaan tersebut tidak memiliki kemampuan untuk
melunasi seluruh kewajiban jatuh temponya akibat dari kepemilikan aktiva lancar
yang tidak mencukupi.
d. Insolvency in Bankruptcy Sense
Insolvency in bankruptcy sense disini merupakan sebuah keadaan yang
13
dialami oleh perusahaan, dimana nilai buku dari keseluruhan kewajiban melebihi
nilai pasar dari aktiva perusahaan sehingga ekuitasnya menjadi negatif.
e. Legal Bankruptcy
Legal bankruptcy merupakan sebuah istilah kegagalan yang seringkali
digunakan dalam perusahaan. Sebuah perusahaan tidak dapat dikatakan bangkrut
secara hukum, kecuali diajukan tuntutan secara resmi dengan Undang - Undang
federal.
Financial distress dapat terjadi pada semua perusahaan. Oleh karena itu,
setiap perusahaan harus mengetahui apa yang menyebabkan terjadinya kondisi
financial distress. Lizal (2002) dalam Rusaly (2016) menjelaskan ada tiga alasan
utama mengapa perusahaan mengalami financial distress, yaitu:
a. Neoclassical model
Financial distress terjadi jika alokasi sumber daya tidak tepat. Manajemen
kurang bisa mengalokasikan sumber daya (aset) yang ada di perusahaan untuk
kegiatan operasional perusahaan sehingga memungkinkan mengalami kondisi
financial distress.
b. Financial model
Financial distress ditandai dengan adanya struktur keuangan yang salah
menyebabkan batasan likuidasi. Hal ini berarti bahwa meskipun perusahaan
dapat bertahan hidup dalam jangka panjang namun, perusahaan harus banngkrut
dalam jangka pendek.
14
c. Corporate governance model
Kondisi financial distress dapat terjadi ketika perusahaan memiliki
suusnan aset yang tepat dan struktur keuangan yang baik namun dikelola dengan
buruk.
Platt and Platt (2002) menyatakan terdapat berbagai cara untuk melakukan
pengujian bahwa suatu perusahaan mengalami financial distress, seperti:
1. Adanya penghentian tenaga kerja atau tidak melakukan pembayaran
deviden.
2. Interest Coverage Ratio.
3. Arus kas yang lebih kecil dari hutang jangka panjang saat ini.
4. Laba bersih operasi (net operating income) negatif.
5. Adanya perubahan harga ekuitas.
6. Perusahaan dihentikan operasinya atas wewenang pemerintah dan
perusahaan tersebut dipersyaratkan untuk melakukan perencanaan
restrukturisasi.
7. Perusahaan mengalami pelanggaran teknis dalam hutang dan
diprediksi perusahaan tersebut mengalami kebangkrutan pada
periode yang akan datang.
8. Mempunyai Earning Per Share (EPS) negatif.
Indikasi terjadinya financial distress atau kesulitan keuangan dapat
diketahui dari kinerja keuangan suatu perusahaan. Kinerja keuangan perusahaan
tercermin dari laporan keuangan yang diterbitkan perusahaan. Laporan keuangan
merupakan laporan mengenai posisi kemampuan dan kinerja keuangan
15
perusahaan serta informasi lainnya yang diperlukan oleh pemakai informasi
akuntansi. Berikut beberapa indicator penelitian terdahulu yang mengukur
variabel financial distress.
Tabel 2.1
Indikator Financial Distress Penelitian Terdahulu
No Peneliti Indikator
(Tahun) Judul Penelitian Variabel (Y)
1 Hidayat & Prediksi Financial Distress Variabel dummy
Meiranto (2014) Perusahaan Manufaktur di
Indonesia
2 Rice (2015) Altman Z-Score: Mendeteksi Altman Z-Score
Financial Distress
3 Ardeati (2018) Pengaruh Arus Kas, Laba, dan Variabel dummy
Leverage Terhadap Financial
Distress
4 Ayuningtiyas & Pengaruh Likuiditas, Altman Z-Score
Suryono (2017) Profitabilitas, Leverage, dan
Arus Kas Terhadap Kondisi
Financial Distress
5 Chrissentia & Analisis Pengaruh Rasio Altman Z-Score
Syarief (2018) Profitabilitas, Leverage,
Likuiditas, Firm Age dan
Kepemilikan Institusional
Terhadap Financial Distress
Dalam penelitian ini untuk mengukur financial distress menggunakan
Altman Z-score yang mengacu dari beberapa penelitian terdahulu yaitu Rice
(2015), Ayuningtiyas & Suryono (2017) dan (Chrissentia & Syarief, 2018).
Altman Z-Score dipilih karena memiliki tingkat akurasi yang tinggi dan mudah,
16
karena model ini menggunakan lima rasio yang digunakan dalam memprediksi
kondisi kebangkrutan yaitu: modal kerja/ total aset, laba ditahan/ total aset,
pendapatan sebelum pajak/ total aset, nilai pasar ekuitas/ total aset, dan
penjualan/ total aset.
2.1.3. Laba
Laba merupakan selisih antara pendapatan atau keuntungan setelah
dikurangi beban atau kerugian baik operasional maupun non operasional (Rice,
2015). Sementara pengertian laba yang diamati oleh struktur akuntansi sekarang
ini adalah selisih pengukuran pendapatan dan biaya. Laba bersih atau keuntungan
bersih merupakan kelebihan pendapatan terhadap beban-beban yang terjadi.
Menurut Suwardjono (2008) laba dimaknai imbalan atas upaya perusahaan
menghasilkan barang dan jasa. Ini berarti laba merupakan kelebihan pendapatan
diatas biaya (biaya total yang melekat kegiatan produksi dan penyerahan barang
atau jasa).
Berdasarkan beberapa definisi diatas, dapat disimpulkan bahwa laba
adalah perkiraan antara pendapatan dan beban-beban yang terjadi pada suatu
periode tertentu dalam suatu perusahaan. Laba merupakan empat elemen utama
yaitu pendapatan (revenue), beban (expense), keuntungan (gain), dan kerugian
(loss). Menurut Stice, dkk (2004) definisi dari elemen-elemen laba tersebut
sebagai berikut:
a. Pendapatan (revenue)
Pendapatan (revenue) adalah arus masuk atau peningkatan lain dari aktiva
suatu entitas atau pelunasan kewajibannya (atau kombinasi dari keduanya) dari
17
penyerahan atau produksi suatu barang, pemberian jasa, atau aktivitas lain yang
merupakan usaha terbesar atau usaha pertama yang sedang dilakukan entitas
tersebut.
b. Beban (expense)
Beban (expense) adalah arus keluar atau penggunaan lain dari aktiva atau
timbulnya kewajiban (atau kombinasi keduanya) dari penyerahan atau produksi
suatu barang, pemberian jasa, atau aktivitas lain yang merupakan usaha terbesar
atau usaha pertama yang sedang dilakukan entitas tersebut.
c. Keuntungan (gain)
Keuntungan (gain) adalah peningkatan dalam ekuitas atau (aktiva bersih)
dari transaksi sampingan atau transaksi yang terjadi sesekali dari suatu entitas
dan dari semua transaksi. Kejadian dan kondisi lainnya yang mempengaruhi
entitas tersebut, kecuali yang berasal dari pendapatan atau investasi pemilik.
d. Kerugian (loss)
Kerugian (loss) adalah penurunan dalam ekuitas (aktiva bersih) dari
transaksi sampingan atau transaksi yang terjadi sesekali dari suatu entitas dan
dari semua transaksi. Kejadian dan kondisi lainnya yang mempengaruhi entitas
tersebut, kecuali yang berasal dari pendapatan atau investasi pemilik.
18
Tabel 2.2
Indikator Laba Penetian Terdahulu
(Tahun) Judul Penelitian Variabel
1 Wahyuningtyas Penggunaan Laba dan Arus Kas Earning before tax
(2010) Untuk Memprediksi Kondisi (EBT)
Financial Distress
2 Mas’ud & Srengga Analisis Rasio Keuangan Untuk Return on asset
(2012) Memprediksi Kondisi Financial (ROA)
Distress Perusahaan Manufaktur
Yang Terdaftar Di Bursa Efek
Indonesia
3 Djongkang & Rita Manfaat Laba dan Arus Kas Earning before tax
(2014) Untuk Memprediksi Kondisi (EBT)
Financial Distress
4 Setiawan & Fitria Pengaruh Debt Ratio, Current Return on asset
(2020) Ratio, dan Return On Asset (ROA)
Pada penelitian ini, laba diukur menggunakan laba bersih sebelum pajak
berdasarkan dari penelitian Wahyuningtyas (2010), dan Djongkang & Rio Rita
(2014) dan (Setiawan & Fitria, 2020). Penelitian ini menggunakan laba bersih
sebelum pajak negatif karena apabila laba yang dihasilkan suatu perusahaan
negatif maka perusahaan dalam kondisi yang tidak baik.
2.1.4. Arus Kas
Informasi tentang arus kas suatu perusahaan berguna bagi para pengguna
laporan keuangan sebagai dasar untuk menilai kemampuan perusahaan
dalam menghasilkan kas dan setara kas serta menilai kebutuhan perusahaan
19
untuk menggunakan arus kas tersebut. Tujuan informasi arus kas adalah memberi
informasi historis mengenai perubahan kas dan setara kas dari suatu perusahaan
melalui laporan arus kas yang mengklasifikasikan arus kas berdasarkan aktivitas
operasi, investasi, dan pendanaan selama suatu periode akuntansi. Menurut
Skousen dkk (2009:284) Laporan arus kas itu sendiri didefinisikan laporan arus
kas (statement of cash flow) adalah laporan keuangan yang melaporkan jumlah
kas yang diterima dan dibayar oleh suatu perusahaan selama periode tertentu.
a. Arus Kas Aktivitas Operasi
Menurut Daniati (2006) pengertian dari Aktivitas operasi perusahaan
adalah:
aktivitas penghasil utama pendapatan perusahaan (principal revenue activities)
dan aktivitas lain yang bukan merupakan aktivitas investasi dan pendanaan,
umumnya berasal dari transaksi dan peristiwa lain yang mempengaruhi
penetapan laba atau rugi bersih, dan merupakan indikator yang menentukan
apakah dari operasi perusahaan dapat menghasilkan kas yang cukup untuk
melunasi pinjaman, memelihara kemampuan operasi perusahaan,
membayar dividen dan melakukan investasi baru tanpa mengandalkan pada
sumber pendanaan.
Menurut standar akuntansi keuangan di Indonesia IAI
(2012)aktivitas operasi adalah :
Arus kas dari aktivitas operasi terutama diperoleh dari aktivitas penghasil utama
pendapatan perusahaan. Oleh karena itu, arus kas tersebut pada umumnya berasal
dari transaksi dan peristiwa lain yang mempengaruhi penetapan laba atau rugi.
20
Jumlah arus kas yang berasal dari aktivitaas operasi merupakan indicator
yang menentukan apakah operasi perusahaan dapat menghasilkan arus kas yang
cukup untuk melunasi pinjaman, memelihara kemempuan operasi perusahaan,
membayar dividen, dan melakukan investasi baru tanpa mengandalkan sumber
pendanaan dari luar.
Pernyataan Standar Akuntansi Keuangan Indonesia IAI (2012) mengenai
contoh arus kas yang berasal dari aktivitas operasi antara lain :
1. Penerimaan kas dari penjualan barang dan jasa
2. Penerimaan kas dari royalti, fees, komisi dan pendapatan lain
3. Pembayaran kas kepada pemasok barang dan jasa
4. Pembayaran kas kepada karyawan
5. Penerimaan dan pembayaran kas oleh perusahaan asuransi sehubungan
dengan premi, klaim, anuitas, dan manfaat asuransi lainnya
6. Pembayaran kas atau penerimaan kembali (restitusi) pajak penghasilan
kecuali jika dapat diidentifikasikan secara khusus sebagai bagian dari
aktivitas pendanaan dan investasi
7. Penerimaan dan pembayaran kas dari kontrak yang diadakan untuk tujuan
transaksi usaha dan perdagangan.
b. Arus Kas Aktivitas Investasi
Menurut Daniati (2006) pengertian dari aktivitas investasi perusahaan
adalah:
Aktivitas yang menyangkut perolehan atau pelepasan aktiva jangka panjang
(aktiva tidak lancar) serta investasi lain yang tidak termasuk dalam setara kas,
21
mencakup aktivitas meminjamkan uang dan mengumpulkan piutang tersebut
serta memperoleh dan menjual investasi dan aktiva jangka panjang produktif.
Menurut standar akuntansi Keuangan di Indonesia IAI (2012) aktivitas
investasi adalah :
perolehan dan pelepasan aset jangka panjang serta investasi lain yang tidak
termasuk setara kas. Arus kas yang berasal dari aktivitas investasi perlu dilakukan
pengungkapan terpisah karena arus kas tersebut mencerminkan penerimaan dan
pengeluaran kas sehubungan dengan sumber daya yang bertujuan menghasilkan
pendapatan dan arus kas masa depan.
contoh arus kas yang berasal dari aktivitas investasi adalah
1. Pembayaran kas untuk membeli aset tetap, aset tidak berwujud, dan aset
jangka panjang lain, termasuk biaya pengembangan yang dikapitalisasi
dan aset tetap yang dibangun sendiri
2. Penerimaan kas dari penjualan tanah, bangunan dan peralatan, serta aset
tidak berwujud dan aset jangka panjang lain
3. Perolehan saham atau instrumen keuangan perusahaan lain
4. Uang muka dan pinjaman yang diberikan kepada pihak lain serta
pelunasannya (kecuali yang dilakukan oleh lembaga keuangan)
5. Pembayaran kas sehubungan dengan futures contracts, forward contracts,
option contracts, dan swap contracts kecuali apabila kontrak tersebut
dilakukan untuk tujuan perdagangan (dealing or trading), atau apabila
pembayaran tersebut diklasifikasikan sebagai aktivitas pendanaan.
22
c. Arus Kas Aktivitas Pendanaan
Menurut Home (2005) pengertian dari arus kas pendanaan adalah:
Arus kas yang menunjukkan dampak semua transaksi kas dengan para pemegang
saham dan transaksi pinjaman serta pembayaran kembali dengan pihak pemberi
pinjaman. Pengungkapan terpisah arus kas yang timbul dari aktivitas pendanaan
perlu dilakukan sebab berguna untuk memprediksi klain terhadap arus kas masa
depan oleh para pemasok modal perusahaan.
Menurut Pernyataan Standar Akuntansi Keuangan Indonesia IAI
(2012)aktivitas pendanaan adalah:
aktivitas yang mengakibatkan perubahan dalam jumlah serta komposisi modal
dan pinjaman perusahaan. Arus kas yang timbul dari aktivitas pendanaan perlu
dilakukan pengungkapan terpisah karena berguna untuk memprediksi klaim
terhadap arus kas masa depan oleh para pemasok modal perusahaan.
contoh arus kas yang berasal dari aktivitas pendanaan adalah :
1. Penerimaan kas dari penerbitan saham atau instrument modal lain
2. Pembayaran kas kepada pemilik untuk menarik atau menebus saham
entitas
3. Penerimaan kas dari emisi obligasi, pinjaman, wesel, hipotek , dana
pinjaman jangka pendek dan jangka panjang
4. Pelunasan pinjaman
5. Pembayaran kas oleh penyewa guna usaha (lessee)
23
Tabel 2.3
Indikator Arus Kas Penelitian Terdahulu
1 Julius (2017) Pengaruh Financial Leverage, Rasio arus kas
Firm Growth, Laba dan Arus Kas
2 Nailufar & Pengaruh Laba, dan Arus Kas Rasio arus kas
Badaruddin (2018) Terhadap Kondisi Financial
Distress
3 Kusumaningdiyah Manfaat Pengaruh Penggunaan Total arus kas
& Hanindyo Laba Dan Arus Kas Untuk
(2019) Memprediksi Financial Distress
Dalam penelitian ini untuk mengukur arus kas didasarkan pada rasio arus
kas dengan menggunakan arus kas aktivitas operasi dibagi total aset. Hal ini juga
mengacu dari penelitian terdahulu yang dilakukan oleh Nailufar & Badaruddin
(2018) dan (Kusumaningdyah & Hanindyo, 2019)
2.1.5. Rasio Solvabilitas
Rasio solvabilitas adalah rasio untuk mengetahui kemampuan perusahaan
dalam membayar kewajiban jika perusahaan tersebut dilikuidasi. Rasio ini
berhubungan dengan keputusan pendanaan dimana perusahaan lebih memilih
pembiayaan hutang dibandingkan modal sendiri. Rasio solvabilitas yang
digunakan dalam penelitian ini adalah debt to equity ratio.
Debt to equity ratio merupakan rasio yang digunakan untuk menilai utang
dengan ekuitas. Rasio ini dicari dengan cara membandingkan antara seluruh
utang, termasuk utang lancar dengan seluruh ekuitas. Rasio ini berguna untuk
24
mengetahui jumlah dana yang disediakan peminjam (kreditor) dengan pemilik
perusahaan (Kasmir, 2012).
Dengan kata lain, rasio ini berfungsi untuk mengetahui setiap modal
sendiri yang dijadikan untuk jaminan utang. Bagi bank (kreditor), semakin besar
rasio ini, akan semakin tidak menguntungkan karena akan semakin besar rasio
akan semakin baik. Sebaliknya dengan rasio yang rendah, semakin besar batas
pengamanan bagi peminjam jika terjadi kerugian atau penyusutan terhadap nilai
aktiva. Rasio ini juga memberikan petunjuk umum tentang kelayakan dan risiko
keuangan perusahaan.
Tabel 2.4
IndikatorDebt To Equity Ratio Penelitian Terdahulu
1 Ginting (2017) Pengaruh Current Ratio, dan Debt to equity
Debt To Equity Ratio (DER) ratio(DER)
pada Perusahaan Property &
Real Estate di Bursa Efek
Indonesia
2 Fardania, et al Pengaruh Likuiditas, Debt to equity
(2017) Solvabilitas, dan Profitabilitas ratio(DER)
3 Marota et al Pengaruh Debt To Asset Ratio Debt To Asset
(2018) (DAR), Current Ratio, dan Ratio (DAR)
Corporate Governance Dalam
Memprediksi Financial Distress
25
Dalam penelitian untuk mengukur rasio solvabilitas menggunakan debt to
equity ratio karena untuk melihat seberapa besar kemampuan perusahaan dalam
melunasi hutang dengan menggunakan modal sendiri. Hal ini mengacu pada
peneltian terdahulu seperti yang ditampilkan pada tabel 2.4 di atas yaituFardania
et al. (2017), dan (Morata et al., 2018).
2. 2. Penelitian Terdahulu
Penelitian ini dilakukan dengan menggunakan acuan penelitian-penelitian
yang sudah ada sebelumnya, namun peneltian-penelitian tersebut mempunyai
lingkup dan pembahasan yang sedikit berbeda dengan penelitian ini. Adapun
beberapa penelitian terdahulu yang menjadi landasan dalam melakukan
penelitian ini adalah sebagai berikut:
Penelitian Wahyuningtyas (2010) meneliti tentang “Penggunaan Laba
dan Arus Kas untuk Memprediksi Kondisi Financial Distress (studi kasus pada
perusahaan bukan bank yang terdaftar di Bursa Efek Indonesia periode tahun
2005-2008)”. Hasil penelitian menunjukkan bahwa laba bersih sebelum pajak
berpengaruh terhadap financial distress dalam penelitian ini diterima.arus kas
operasi tidak berpengaruh terhadap financial distress.
Penelitian Mas’ud & Srengga (2012) tentang “Analisis Rasio Keuangan
Untuk Memprediksi Kondisi Financial Distress Perusahaan Manufaktur Yang
Terdaftar di Bursa Efek Indonesia”. Hasil penelitian menunjukkan likuiditas
tidak berpengaruh terhadap financial distress. Profitabilitas berpengaruh terhadap
financial distress. DER tidak berpengaruh terhadap financial distress. Arus kas
operasi berpengaruh terhadap financial distress.
26
Penelitian Hidayat &Meiranto (2014) tentang “Prediksi Financial Distress
Perusahaan Manufaktur di Indonesia”. Hasil penelitian ini menunjukkan bahwa
rasio leverage, likuiditas, dan rasio aktivitas adalah rasio keuangan yang
memiliki signifikan untuk memprediksi financial distress. Sedangkan rasio
profitabilitas hanya return on asset yang tidak signifikan untuk memprediksi
financial distress.
Penelitian Djongkang & Rio Rita (2014) tentang ”Manfaat Laba dan Arus
Kas untuk Memprediksi Kondisi Financial Distress”. Hasil penelitian ini
menunjukkan hasil bahwa laba memberikan hasil yang lebih kuat dalam
memprediksi financial distress perusahaan di bandingkan dengan arus kas.
Penelitian Rice (2015) tentang Altman Z-Score: Mendeteksi Financial
Distress”. Hasil penelitian menunjukkan bahwa perubahan laba tidak
berpengaruh terhadap financial distress. Perubahan arus kas operasional tidak
berpengaruh terhadap financial distress. DER tidak berpengaruh terhadap
financial distress. DAR berpengaruh terhadap financial distress.
Penelitian Ayuningtiyas & Suryono (2017)tentang “Pengaruh Likuiditas,
Profitabilitas, Leverage, dan Arus Kas Terhadap Financial Distress”. Hasil
penelitian menunjukkan bahwa laba berpengaruh terhadap financial distress.
Sedangkan variabel likuiditas, leverage dan arus kas tidak berpengaruh terhadap
financial distress.
Penelitian Julius (2017)“Pengaruh Financial Leverage, Firm Growth,
Laba dan Arus Kas Terhadap Financial Distress (Studi Empiris Pada Perusahaan
Manufaktur yang Terdaftar di Bursa Efek Indonesia Tahun 2010-2014)”. Hasil
27
penelitian menunjukkan arus kas berpengaruh terhadap financial distress.
Sedangkan financial leverage, pertumbuhan perusahaan, dan laba tidak
berpengaruh dalam memprediksi financial distress.
Penelitian Ginting (2017) tentang “Pengaruh Current Ratio dan Debt to
Equity Ratio ( DER ) Terhadap Financial Distress pada Perusahaan Property &
Real Estate di Bursa Efek Indonesia”. Hasil penelitian menunjukkan bahwa
current ratio dan debt to equity ratio berpengaruh terhadap financial distress.
Penelitian Fardania et al. (2017) tentang “Pengaruh Likuiditas ,
Solvabilitas Dan Profitabilitas Terhadap Financial Distress ( Studi Empiris Pada
Perusahaan Manufaktur Sub Sektor Makanan Dan Minuman Yang Terdaftar Di
Bursa Efek Indonesia Periode 2015 – 2017 )”. Hasil penelitian menunjukkan
bahwa likuiditas dan profitabilitas tidak berpengaruh secara siginifikan terhadap
financial distress, sedangkan solvabilitas terdapat pengaruh secara signifikan
terhadap financial distress.
Penelitian Chrissentia & Syarief (2018) tentang “Analisis Pengaruh Rasio
Profitabilitas, Leverage, Likuiditas, Firm Age dan Kepemilikan Institusional
Terhadap Financial Distress (Pada Perusahaan Jasa Non Keuangan yang
terdaftar di Bursa Efek Indonesia Tahun 2014-2016)”. Hasil penelitian
menunjukkan bahwa profitabilitas, likuiditas, firm age, dan kepemilikan
institusional berpengaruh negatif signifikan terhadap kemungkinan financial
distress. Sementara itu, leverage berpengaruh positif signifikan terhadap
kemungkinan financial distress.
Penelitian Ardeati (2018) tentang “Pengaruh Arus kas, Laba Dan Leverage
28
Terhadap Financial Distress (Studi Empiris Pada Perusahaan Non Bank Di Bursa
Efek Indonesia Periode 2012-2016)”. Hasil penelitian menunjukkan bahwa laba
berpengaruh terhadap financial distress. Arus kas dan leverage tidak berpengaruh
terhadap financial distress.
Penelitian Nailufar et al. (2018) tentang “Pengaruh Laba dan Arus Kas
Terhadap Kondisi Financial Distress Pada Perusahaan Non Bank Yang Terdaftar
Di Bursa Efek Indonesia”. Hasil penelitian menunjukkan bahwa rasio laba dan
arus kas secara bersama-sama dapat menjelaskan terjadinya financial distress
pada perusahaan.
Penelitian Morata et al. (2018) tentang “Pengaruh Debt To Asset Ratio
(DAR), Current Ratio, dan Corporate Governance Dalam Memprediksi
Financial Distress Pada Perusahaan BUMN Sektor Non Keuangan yang
Terdaftar di Bursa EfekIndonesia”. Hasil penelitian menunjukkan bahwa DAR
dan current ratio memiliki pengaruh yang signifikan dalam memprediksi
financial distress. Sedangkan corporate governance tidak memiliki pengaruh
yang signifikan dalam memprediksi financial distress.
Penelitian Kusumaningdyah & Hanindyo (2019) tentang “Manfaat
Pengaruh Penggunaan Laba Dan Arus Kas Untuk Memprediksi Financial
Distress”. Hasil penelitian menunjukkan laba bersih sebelum pajak berpengaruh
terhadap financial distress dalam penelitian ini diterima. arus kas operasi
Penelitian Setiawan & Fitria (2020) tentang ”Pengaruh Debt Ratio ,
Current Ratio dan Return On Assets Terhadap Financial Distress pada
29
Perusahaan Manufaktur Sektor Industri Dasar dan Kimia yang Terdaftar di Bursa
Efek Indonesia”. Hasil penelitian menunjukkan bahwa debt ratio berpengaruh
positif dan signifikan terhadap financial distress, current ratio berpengaruh
negatif dan signifikan terhadap financial distress, return on assets berpengaruh
negatif dan signifikan terhadap financial distress.
Berdasarkan penelitian terdahulu, dapat dibuatkan peta penelitian
terdahulu untuk mengetahui perbedaan variabel-variabel yang digunakan pada
penelitian terdahulu sehingga dapat digambarkan pada 2.1 sebagai berikut:
30
Gambar 2.1
Peta Penelitian Terdahulu
Likuiditas
2, 3, 6,, 9,10,
Good Corporate
Governance
13
Laba Bersih
Sebelum Pajak
1, 2, 3,
4, 5, 6,
Arus Kas aktivitas 7, 8, 9 Financial
Operasi 10, 11, Distress
12,13,
14, 15
Debt To Equity
Ratio
7
Firm Growth
10
Firm Age
31
Keterangan:
1) Wahyuningtyas (2010) 9)Fardania et al. (2017)
2) Mas’ud & Srengga (2012) 10) Chrissentia & Syarief (2018)
3) Hidayat & Meiranto (2014) 11)Ardeati (2018)
4) Djongkang & Rio Rita (2014) 12)Nailufar et al. (2018)
5) Rice (2015) 13)Morata et al. (2018)
6) Ayuningtiyas & Suryono (2017) 14)Kusumaningdyah & Hanindyo (2019)
7) Julius (2017) 15)Setiawan & Fitria (2020)
8) Ginting (2017)
2. 3. Rerangka Konseptual
Rerangka konseptual adalah suatu hubungan yang mencerminkan
hubungan antara variabel satu dengan variabel lainnya dari penelitian yang sedang
diteliti. Penelitian ini menggunakan tiga variabel independen dan satu variabel
dependen. Dalam penelitian ini yang menjadi variabel independen adalah laba
bersih sebelum pajak, arus dari aktivitas operasi, dan debt to equity ratio. Variabel
dependen dalam penelitian ini adalah financial distress.
Penelitian ini bertujuan untuk menguji pengaruh laba sebelum pajak, arus
kas aktivitas operasi, dan debt to equity ratio terhadap financial distress.
Penelitian ini menggunakan agency teory yaitu hubungan antara principal dan
agent. Penguasaan kendali perusahaan dipegang oleh agent sehingga agent
dituntut untuk selalu transparan dalam melaksanakan kendali perusahaan di bawah
principal. Salah satu bentuk pertanggung jawabannya berupa laporan keuangan
kepada pemilik perusahaan. Pada setiap periode, laporan keuangan dipublikasikan
guna untuk memberikan informasi bagaimana keadaan keuangan perusahaan pada
periode tersebut.
32
Berdasarkan agency teory, diharakan dapat berfungsi sebagai alat untuk
memberikan keyakinan kepada para investor bahwa mereka akan menerima
return atas dana yang mereka investasikan. Hal ini didukung oleh penelitian
Wahyuningtyas (2010), Mas’ud & Srengga (2012), Hidayat & Meiranto (2014),
Djongkang & Rio Rita (2014), Rice (2015), Ayuningtiyas & Suryono (2017),
Julius (2017), Ginting (2017), Fardania et al. (2017), Chrissentia & Syarief
(2018), Ardeati (2018), Nailufar et al. (2018), Morata et al. (2018),
Kusumaningdyah & Hanindyo (2019), dan Setiawan & Fitria (2020).
Berdasarkan uraian di atas, maka diajukan model penelitian yang
menggambarkan kerangka konseptual sebagai panduan sekaligus alur pemikiran
seperti gambar berikut:
Agency Theory
Wahyuningtyas (2010), Mas’ud & Srengga
(2012), Hidayat & Meiranto (2014), Djongkang
& Rio Rita (2014), Rice (2015), Ayuningtiyas
& Suryono (2017), Julius (2017), Ginting
(2017), Fardania et al. (2017), Chrissentia &
Syarief (2018), Ardeati (2018), Nailufar et al.
(2018), Morata et al. (2018), Kusumaningdyah
& Hanindyo (2019), dan Setiawan & Fitria
(2020).
Laba Bersih
Sebelum Pajak
Arus Kas dari Financial Distress

Aktivitas Operasi
Debt to Equity Ratio
Gambar 2.2 Rerangka Konseptual
33
2. 4. Pengembangan Hipotesis
2.4. 1. Pengaruh laba terhadap financial distress
Salah satu kegunaan dari informasi laba yaitu untuk mengetahui
kemampuan perusahaan dalam pembagian deviden kepada para investor.Laba
bersih suatu perusahaan digunakan digunakan sebagai dasar pembagian deviden
kepada investornya. Jika laba bersih yang diperoleh perusahaan sedikit atau
mengalami rugi pihak investor tidak akan mendapatkan deviden. Hal ini jika
terjadi berturut-turut akan mengakibatkan para investor menarik investasinya
karena mereka menganggap perusahaan tersebut mengalami kondisi
permasalahan keuangan atau financial distress. Kondisi ini ditakutkan akan terus
menerus terjadi yang nantinya akan berakhir pada kondisi kebangkrutan. Hal ini
didukung dengan agency teory yang dimana efektivitas dan efisien perusahaan
akan ditentukan oleh peran agent profesional dalam mengelola perusahaan
Dalam penelitian Kusumaningdyah & Hanindyo (2019) menujukkan hasil
bahwa laba berpengaruh terhadap financial distress. Laba bersih sebelum pajak
merupakan murni pendapatan dari perusahaan sebelum dikurangi dengan pajak
yang dikenakan kepada perusahaan tersebut. Hal ini didukung oleh penelitian
Wahyuningtyas (2010), Djongkang & Rio Rita (2014), Ardeati
(2018)mengatakan bahwa laba memberikan hasil yang kuat dalam memprediksi
financial distress.
34
Berdasarkan uraian di atas dan didukung dengan penelitian sebelumnya,
maka dirumuskan hipotesis:
H1 : Laba bersih sebelum pajak berpengaruh terhadap financial distress
2.4. 2. Pengaruh arus kas terhadap prediktor financial distress
Laporan arus kas merupakan bagian yang tidak terpisahkan dengan
laporan keuangan lainnya, penggunaannya secara bersama-sama memberikan
hasil yang lebih tepat untuk mengevaluasi sumber dan penggunaan kas
perusahaan dalam seluruh kegiatan perusahaan. Arus kas operasional
meruapakan transaksi dan kejadian yang akan menentukan laba bersih seperti
penerimaan dari kegiatan penjualan, penerimaan penagihan piutang, pengeluaran
untuk membeli persediaan, dan pembayaran hutang perusahaan. Dalam agency
teory sebagai principal (pemegam saham) perlu adanya transparansi informasi
terkait dengan kinerja ekonomi perusahaan. Keadaan ekonomi yang baik akan
membuat investor menanamkan modalnya semakin besar.
Dalam penelitian yang dilakukanMas’ud & Srengga (2012), (Julius, 2017),
dan Nailufar et al. (2018) menunjukkan hasil bahwa arus kas operasi berpengaruh
terhadap financial distress. Jumlah arus kas yang berasal dari aktivitaas operasi
merupakan indicator yang menentukan apakah operasi perusahaan dapat
menghasilkan arus kas yang cukup untuk melunasi pinjaman tanpa
mengandalkan sumber pendanaan dari luar.
35
H2 : Arus kas aktivitas operasi berpengaruh terhadap financial distress
2.4. 3. Pengaruh debt to equity ratio terhadap prediktor financial distress
Debt to Equity Ratio mencerminkan besarnya proporsi antara total debt
(total hutang) dengan total shareholder’s equity (total modal sendiri). Rasio ini
menunjukkan komposisi dari total hutang terhadap total ekuitas. Debt to equity
ratio (DER) adalah rasio untuk melihat seberapa besar kemampuan perusahaan
melunasi hutangnya dengan modal yang mereka miliki. Semakin tinggi DER,
menunjukkan komposisi total hutang semakin besar di banding dengan total
modal sendiri, sehingga berdampak semakin besar beban perusahaan. Hal ini
akan menyebabkan perusahaan dapat mengalami kesulitan dalam pembayaran
hutang dan beban bunga.
Kondisi hutang perusahaan menjadi salah satu bentuk transparansi
perusahaan kepada investor. Transparansi merupakan bentuk penerapan agency
teory yang digunakan perusahaan untuk menjaga hubungan antara pihak
principal (pemegang saham) dengan agent (manajer). Dalam penelitian Ginting
(2017) menunjukkan hasil bahwa debt to equity ratio berpengaruh terhadap
financial distress.
H3 : Debt to Equity Ratio berpengaruh terhadap financial distres
36
BAB III
METODE PENELITIAN
3.1. Jenis Penelitian
Jenis penelitian yang digunakan dalam penelitian ini adalah penelitian
asosiatif dengan pendekatan kuantitatif, yaitu dilakukan dengan membuktikan
adanya faktor-faktor yang mempengaruhi financial distress yaitu laba bersih
sebelum pajak, arus kas dari aktivitas operasi, dan rasio solvabilitas. Menurut
(Sugiyono, 2018) penelitian kuantitatif dapat diartikan sebagai metode penelitian
yang berlandaskan pada filsafat positivisme, digunakan untuk meneliti pada
populasi atau sampel tertentu, pengumpulan data menggunakan instrumen
penelitian, analisis data bersifat kuantitatif statistik, dengan tujuan untuk menguji
hipotesis yang telah ditetapkan.
3.2. Lokasi dan Waktu Penelitian
Peneltian ini berlokasi di Indonesia dengan menggunakan data laporan
keuangan pada perusahaan manufaktur terdaftar di Bursa Efek Indonesia yang
terdapat di website resmi pada www.idx.co.id. Periode penelitian yang digunakan
adalah tahun 2017-2019. Perusahaan manufaktur digunakan karena adanya
beberapa perusahan manufaktur yang didelesting dari BEI karena mengalami
kesulitan keuangan.
3.3. Populasi dan Sampel Penelitian
Adanya beberapa perusahaan manufaktur yang di delesting dari Bursa
Efek Indonesia membuat perusahaan akan semakin berusaha dalam
37
mengembangkan usahanya agar laba, arus kas, dan rasio solvabilitas yang
dihasilkan nantinya akan tersaji dalam laporan keuangan mempunyai dampak
yang positif bagi investor maupun kreditor. Populasi dalam penelitian ini
perusahaan manufaktur yang terdaftar di Bursa Efek Indonesia tahun 2017-2019
sebanyak 161 perusahaan.
Menurut (Sugiyono, 2018), sampel adalah bagian dari jumlah dan
karakteristik yang dimiliki oleh populasi tersebut. Metode pengambilan sampel
dalam penelitian ini adalah metode purposive sampling yaitu pemilihan sampel
atas dasar kesesuaian antara sampel dengan kriteria pemilihan tertentu. Kriteria
pemilihan sampel dalam penelitian ini adalah :
1. Perusahaan manufaktur yang terdaftar di Bursa Efek Indonesia (BEI)
tahun 2017-2019
2. Perusahaan manufaktur yang menyampaikan laporan keuangan secara
rutin di Bursa Efek Indonesia (BEI) tahun 2017-2019
3. Perusahaan manufaktur yang memiliki laba bersih sebelum pajak negatif
selama tahun 2017-2019. Apabila perusahaan memiliki laba bersih
sebelum pajak negatif maka dapat terindikasi mengalami kesulitan
keuangan.
Berdasarkan metode purposive sampling, maka diperoleh sampel yang
memenuhi kriteria sebanyak 34 perusahaan manufaktur tahun 2017-2019,
sehingga didapat 102 observasi data yang diringkas dalam tabel berikut:
38
Tabel 3.1
Penarikan Sampel Penelitian
No Keterangan Jumlah
1 Perusahaan manufaktur yang terdaftar di BEI tahun 161
2017-2019
2 Perusahaan manufaktur yang tidak menyampaikan (20)
laporan keuangan secara lengkap tahun 2017-2019
3 Perusahaan manufaktur yang memiliki laba bersih (107)
sebelum pajak positif tahun 2017-2019
4 Jumlah sampel perusahaan 34
5 Jumlah observasi tahun 2017-2019 (3*34) 102
3.4. Jenis dan Sumber Data
Jenis data yang digunakan dalam peneltian ini adalah jenis data sekunder
berupa laporan tahunan (annual report) pada perusahaan manufaktur yang
terdaftar di Bursa Efek Indonesia (BEI) selama tahun 2017-2019. Sumber
data dalam penelitian ini diperoleh dari website BEI www.idx.co.id. Data
yang digunakan dalam laporan keuangan adalah laba bersih negatif sebelum
pajak, arus kas aktivitas operasi, dan menghitung total debt to equity ratio.
39
3.5. Definisi Operasional Variabel dan Pengukuran
3.5.1. Variabel Independen
3.5.4.1. Laba Bersih Sebelum Pajak
Menurut Soemarso (2004) pengertian laba adalah selisih lebih
pendapatan atas beban sehubungan dengan usaha untuk memperoleh pendapatan
tersebut selama periode tertentu. Laba yang digunakan dalam penelitian ini
adalah laba bersih sebelum pajak. Alasan penggunaan laba bersih sebelum pajak
adalah untuk menghindari pengaruh penggunaan tarif pajak yang berbeda antar
periode. Rumus perhitungannya:
Laba Bersih Sebelum Pajak

EBT =
Total Aset
(Sumber: Kadir, 2014)
3.5.4.2. Arus Kas Aktivitas Operasi
Menurut Subramanyam (2017) menyatakan arus kas operasi
merupakan aktivitas perusahaan terkait dengan laba. Aktivitas operasi juga
meliputi arus kas masuk dan arus kas keluar bersih yang berasal dari aktivitas
operasi terkait, seperti pemberian kredit kredit kepada pelanggan, investasi dalam
persediaan, dan perolehan kredit dari pemasok. Arus kas operasi yang dipakai
adalah perubahan arus kas operasi selama periode pengamatan. Rumus
perhitungannya:
Arus Kas Operasi

Perubahan arus kas operasi =
Total Aset
(Sumber: Kadir, 2014)
40
3.5.4.3. Debt To Equity Ratio
Debt to equity ratio (DER) digunakan untuk mengukur sejauh mana
perusahaan menggunakan hutang. Debt to equity ratio mempunyai dampak yang
buruk, karena tingkat utang yang semakin tinggi berarti beban bunga akan
semakin besar dan ini menunjukan keuntungan berkurang. Rumus
perhitungannya:
Total Hutang
DER =
Modal
(Sumber: Rice, 2015)
3.5.2. Variabel Dependen
Variabel dependen dependen dalam penelitian ini adalah financial
distress, variabel ini merupakan variabel binary yang memiliki arti variabel
disajikan dalam bentuk dummy. Dengan ukuran binominal yaitu perusahaan yang
dikategorikan dengan 0 untuk perusahaan sehat dan 1 untuk perusahaan yang
tidak sehat.perusahaan yang diukur dengan menggunakan model Altman Z-
Score. Rumus perhitungannya:
Z = X1 + X2 + X3 + X4 + X5
Z : hasil analisis Altman Z-Score
X1 : working capital / total asset
X2 : retained earnings / total asset
X3 : earning before interest and taxed / total asset
X4 : market value of equity / book value of total debt
41
X5 : sales / total asset
Klasifikasi perusahaan yang sehat dan yang mengalami financial distress
didasarkan pada nilai Z-Score model Altman yaitu:
a. Jika nilai Z < 1.8 maka termasuk perusahaan beresiko tinggi mengalami
financial distress.
b. Jika nilai 1.8 < Z < 2.70 maka termasuk perusahaan memiliki
kemungkinan mengalami fiancial distress.
c. Jika nilai 2.70 < Z > 2.99 maka termasuk perusahaan yang memiliki suatu
kondisi keuangan yang memerlukan perhatian khusus.
d. Z < 3.00 maka termasuk perusahaan yang baik atau terhindar dari resiko
kebangkrutan
Perusahaan setelah didapatkan nilai Z tersebut, variabel financial distress
diklasifikasikan menjadi dua yaitu perusahaan yang mengalami financial distress
dan perusahaan yang tidak mengalami financial distress menggunakan variabel
dummy. Variabel dummy digunakan sebagai upaya untuk melihat bagaimana
klasifikasi-klasifikasi dalam sampel berpengaruh terhadap parameter perdugaan
(Kurniawan, 2015). Nilai 1 untuk perusahaan yang mengalami financial distress
yaitu memiliki nilai Z dibawah 2.70 dan nilai 0 untuk perusahaan yang tidak
mengalami kondisi financial distress yaitu memiliki nilai Z di atas 2.70. Data
yang digunakan dalam perhitungan adalah tahun 2017-2019.
42
3.6. Prosedur Analisis Data
3.6.1. Analisis Statistik Deskriptif
Analisis statistik deskriptif digunakan untuk memberikan gambaran
mengenai variabel yang terdiri dari variabel independen dan variabel dependen.
Statistik deskriptif juga memberikan gambaran atau deskripsi tentang suatu data
yang dilihat melalui nilai rata-rata (mean), standar deviasi, maksimum,
minimum, sum, dari masing-masing variabel (Ghozali, 2005:19). Mean
digunakan untuk mengetahui rata-rata data yang bersangkutan. Standar deviasi
digunakan untuk mengetahui seberapa besar data yang bersangkutan bervariasi
dari rata-rata. Nilai maksimum digunakan untuk mengetahui jumlah terbesar data
yang bersangkutan. Nilai minimum digunakan untuk mengetahui jumlah terkecil
data yang bersangkutan. Dengan demikian, analisis ini berguna untuk memberi
gambaran tentang laba, arus kas, dan debt to equity ratio dilihat dari nilai rata-
rata, standar deviasi, maksimum, dan minimum.
3.6.2. Uji Asumsi Klasik
Uji asumsi klasik merupakan asumsi bahwa setiap variabel dan semua
kombinasi linear dari variabel berdistribusi normal. Jika asumsi ini dipenuhi,
maka nilai residual dari analisis juga berdistribusi normal dan independen.
Asumsi ini pada umumnya dapat diuji dengan melihat normalitas, linearitas,
homoskedastisitas, multikolonieritas, dan autukorelasi pada variabel penelitian
(Ghozali, 2018:27). Namun, asumsi tersebut tidak berlaku sepenuhnya pada uji
analisis regresi logistik. Menurut Gregory dan Bader (2018) dalam artikel yang
berjudul “Logistic and Regression Assumptions: Violation Recognition and
43
Control”, menjelaskan beberapa asumsi yang berlaku untuk regresi logistik
adalah sebagai berikut:
a. Asumsi struktur hasil yang sesuai
Salah satu asumsi utama untuk memulai regresi logistik adalah struktur
variabel hasil yang sesuai. Regresi logistik biner membutuhkan variabel
dependen menjadi biner dan regresi logistik ordinal mensyaratkan
variabel dependen menjadi ordinal.
b. Asumsi independensi observasi
Regresi logistik membutuhkan observasi untuk tidak bergantung satu
sama lain. Dengan kata lain, observasi tidak boleh berasal dari
pengukuran berulang atau data yang cocok.
c. Asumsi tidak ada multikolonieritas
Regresi logistik mensyaratkan, ada sedikit atau tidak ada
multikolonieritas di antara variabel independen. Artinya, variabel
independen tidak boleh terlalu berkorelasi satu sama lain.
d. Asumsi linearitas variabel independen dan ganjil log
Regresi logistik mengansumsikan linearitas variabel independen dan
peluang log. Meskipun analisis ini tidak mensyaratkan variabel dependen
dan independen terkait secara linear, namun analisis ini mensyaratkan
variabel independen terkait secara linear dengan log odds.
44
Berdasarkan asumsi-asumsi tersebut, maka dapat disimpulkan uji asumsi
klasik yang diperlukan dalam penelitian ini hanya uji multikolonieritas sebagai
berikut.
1. Uji Multikolonieritas
Uji multikolonieritas bertujuan untuk menguji apakah dalam model regresi
ditemukan adanya korelasi antar variabel bebas (independen). Model regresi yang
baik seharusnya tidak terjadi korelasi antara variabel independennya (Ghozali,
2018). Dalam mendeteksi ada atau tidaknya multikolonieritas di dalam model
regresi, yaitu dengan memperhatikan (1) nilai tolerance dan lawannya, (2)
variance inflation factor (VIF). Kedua ukuran ini menunjukkan setiap variabel
independen manakah yang dijelaskan oleh variabel independen lainnya. Nilai
tolerance yang rendah sama dengan nilai VIF tinggi (karena VIF = 1/Tolerance).
Nilai cutoff yang umum dipakai untuk menunjukkan adanya multikolonieritas
adalah nilai tolerance ≤ 0.10 atau sama dengan nilai VIF ≥ 0.10
3.6.3. Analisis Regresi Logistik
1. Uji Kelayakan Model Regresi
Ketepatan fungsi regresi sampel dalam menaksir nilai aktual dapat diukur
dari Goodness of Fitt nya. Secara statistik, kelayakan model regresi dapat diukur
dari nilai koefisien determinasi dan nilai statistik t. Perhitungan statistik disebut
signifikan secara statistik, apabila nilai uji statistiknya berada dalam daerah kritis
(daerah di mana Ho ditolak). Sebaliknya, disebut tidak signifikan bila nilai uji
statistiknya berada dalam daerah di mana Ho diterima.
45
Hosmer and Lemeshow’s Goodness of Fit Test menguji hipotesis nol
bahwa data empiris cocok atau sesuai dengan model (tidak ada perbedaan antara
model dengan data sehingga model dapat dikatakan fit). Jika nilai Hosmer and
Lemeshow Goodness of Fit Test statistik sama dengan atau kurang dari 0.05, maka
hipotesis nol ditolak yang berarti ada perbedaan signifikan antara model dengan
nilai observasinya, sehingga Lemeshow Goodness of Fit Test model tidak baik
karena model tidak dapat memprediksi nilai observasinya. Jika nilai statistik
Lemeshow Goodness of Fit Test lebih besar dari 0.05, maka hipotesis nol tidak
dapat ditolak dan berarti model mampu memprediksi nilai observasinya atau dapat
dikatakan model diterima karena cocok dengan data observasinya (Ghozali,
2018).
2. Menilai Keseluruhan Model Fit ( Overall Model Fit Test)
Beberapa tes statistik diberikan untuk menilai overall fit model terhadap
data, hipotesis untuk menilai model fit dengan data adalah sebagai berikut:
H0: Model yang dihipotesiskan fit dengan data
HA: Model yang dihipotesiskan tidak fit dengan data
Hipotesis tersebut bermakna tidak menolak hipotesis nol agar model fit
dengan data. Statistik yang digunakan berdasarkan pada fungsi likelihood.
Likelihood L dari model adalah probabilitas bahwa model yang dihipotesiskan
menggambarkan data input. Pada pengujian hipotesis nol dan alternatif, L
ditransformasikan menjadi -2LogL. Statistik -2LogL kadang-kadang disebut
likelihood rasio x2 statistik, di mana x2 distribusi dengan degree of freedom n – q,
dengan q adalah jumlah parameter dalam model. Jika hasil -2LogL setelah
46
dimasukkan variabel independen lebih dari nilai signifikansi alpha 5%,
menunjukkan bahwa hipotesis nol tidak diterima yang berarti model dengan nilai
konstanta saja tidak fit dengan data, sedangkan jika nilai -2LogL setelah
dimasukkan variabel independen lebih dari nilai signifikansi alpha 5%
menunjukkan bahwa hipotesis nol diterima dan model dengan nilai konstanta serta
nilai variabel independen fit dengan data (Ghozali, 2018).
3. Koefisien Determinasi (R2)
Koefisien Determinan (R2) pada intinya mengukur seberapa jauh
kemampuan model dalam menjelaskan variabel dependen. Nilai koefisien
determinasi R2 antara nol dan satu. R2= 0,1, artinya apabila nilai R2 kecil berarti
kemampuan variabel independen dalam menerangkan variabel dependen terbatas,
sedangkan nilai R2 yang mendekati satu berarti kemampuan variabel independen
memberikan hampir semua informasi yang dibutuhkan untuk memprediksi variasi
variabel dependen (Ghozali, 2020:97).
47
4. Pengujian Signifikansi dari Koefisiensi Regresi
Pengujian hipotesis dalam penelitian ini menggunakan analisis regresi
logistik dengan persamaan sebagai berikut:
p
ln =a+ b 1 X 1+b 2 X 2+b 3 X 3+e
(1−p)
Keterangan:
p/(1-p) : Financial distress
a : Konstanta
b : Koefisien
X1 : Laba
X2 : Arus kas
X3 : Debt to equity ratio
e : Error
5. Pengujian Hipotesis
a. Menentukan Tarif Signifikansi
Penerimaan atau penolakan H0 didasarkan pada tingkat signifikansi
(ɑ) 5% dengan kriteria, H0 diterima apabila nilai Asympototic
Significance > tingkat signifikansi (ɑ). Hal ini berarti H alternatif
ditolak atau hipotesis yang menyatakan variabel bebas terpengaruh
terhadap variabel terikat ditolak. H1 diterima apabila nilai Asympototic
Significance < tingkat signifikansi (ɑ). Hal ini berarti H alternatif
diterima atau hipotesis yang menyatakan variabel bebas terpengaruh
terhadap variabel terikat ditolak.
48
b. Penarikan Kesimpulan Hipotesis
Untuk menentukan penerimaan atau penolakan H0 didasarkan pada
tingkat signifikansi (ɑ) 5% dengan kriteria:
1) H0 diterima apabila nilai Asympototic Significance > tingkat
signifikansi (ɑ). Hal ini berarti H alternatif ditolak atau hipotesis
yang menyatakan variabel bebas terpengaruh terhadap variabel
terikat ditolak.
2) H1 diterima apabila nilai Asympototic Significance < tingkat
signifikansi (ɑ). Hal ini berarti H alternatif diterima atau hipotesis
yang menyatakan variabel bebas terpengaruh terhadap variabel
terikat ditolak.
49
BAB IV
HASIL PENELITIAN DAN PEMBAHASAN
4.1. Gambaran Umum Objek Penelitian
Pada bab 4 akan dibahas tahap-tahap data pengolahan data yang kemudian
akan dianalisis mengenai “Pengaruh Informasi Laba, Arus Kas, dan Rasio
Solvabilitas Sebagai Prediktor Financial Distress Pada Perusahaan Manufaktur
Terdaftar Di BEI Tahun 2017-2019”. Sumber data dalam penelitian merupakan
data sekunder yang diperoleh dari website BEI dan website masing-masing
perusahaan dan sumber lain yang dapat diakses oleh publik. Sampel yang
digunakan dalam penelitian ini merupakan perusahaan manufaktur yang listing di
BEI dan menerbitkan laporan keuangan dalam kurun waktu 2017-2019.
Secara historis, pasar modal telah hadir jauh sebelum Indonesia merdeka.
Pasar modal atau bursa efek telah hadir sejak jaman kolonial Belanda dan tepatnya
pada tahun 1912 di Batavia. Pasar modal ketika itu didirikan oleh pemerintah
Hindia Belanda untuk kepentingan pemerintah kolonial atau VOC. Meskipun
pasar modal telah ada sejak tahun 1912, perkembangan dan pertumbuhan pasar
modal tidak berjalan seperti yang diharapkan, bahkan pada beberapa periode
kegiatan pasar modal mengalami kevakuman. Hal tersebut disebabkan oleh
beberapa faktor seperti perang dunia ke I dan II, perpindahan kekuasaan dari
pemerintah kolonial kepada pemerintah Republik Indonesia, dan berbagai kondisi
yang menyebabkan operasi bursa efek tidak dapat berjalan sebagaimana mestinya.
Pemerintah Republik Indonesia mengaktifkan kembali pasar modal pada tahun
1977, dan beberapa tahun kemudian pasar modal mengalami pertumbuhan seiring
50
dengan berbagai insentif dan regulasi yang dikeluarkan pemerintah hingga saat ini
pasar modal Indonesia terus mengalami perkembangan.
Pasar modal memiliki peran yang besar bagi perekonomian suatu negara
karena pasar modal menjalankan dua fungsi sekaligus, yaitu fungsi ekonomi dan
fungsi keuangan. Investasi dalam saham tergantung pada fluktuasi harga saham di
bursa, ketidakstabilan tingkat bunga, ketidakstabilan pasar dan juga kinerja
keuangan perusahaan tersebut. Untuk itu dalam melakukan investasi dalam bentuk
saham, investor harus melakukan analisis terhadap faktor yang dapat
mempengaruhi kondisi perusahaan. Adapun perusahaan yang masuk kriteria
sampel dan digunakan untuk mengolah data penelitian dapat dilihat dari tabel 4.1
Tabel 4.1 Daftar Nama Perusahaan Sampel
No Kode Perusahaan Nama Perusahaan

1 ADMG Polychem Indonesia Tbk
2 AISA Tiga Pilar Sejahtera Food Tbk
3 ALTO Tri Banyan Tirta Tbk
4 APLI Asiaplast Industries Tbk
5 ARGO Argo Pantes Tbk
6 BAJA Saranacentral Bajatama Tbk
7 BRNA Berlina Tbk
8 BTEK Bumi Teknolkultura Unggul Tbk
9 CPRO Central Proteina Prima Tbk
10 CTBN Citra Tubindo Tbk
11 ESTI Ever Shine Textile Industry Tbk
12 ETWA Eterindo Wahanatama Tbk
13 FPNI PT Lotte Chemical Titan Tbk
14 GDST Gunawan Dianjaya Steel Tbk
15 GDYR Goodyear Indonesia Tbk
51
16 GJTL Gajah Tunggal Tbk
17 HDTX Panasia Indo Resources Tbk
18 IIKP Inti Agri Resources Tbk
19 IKAI Intikeramik Alamasri Industri Tbk
20 KIAS Keramika Indonesia Asosiasi Tbk
21 KICI Kedaung Indah Can Tbk
22 KRAS Krakatau Steel (Persero) Tbk
23 LMPI Langgeng Makmur Industri Tbk
24 MAIN Malindo Feedmill Tbk
25 MASA Multistrada Arah Sarana Tbk
26 MBTO Martina Berto Tbk
27 MRAT Mustika Ratu Tbk
28 PCAR PT Prima Cakrawala Abadi Tbk
29 POLY Asia Pacific Fibers Tbk
30 RMBA Bentoel International Investama Tbk
31 SIPD PT Sreeya Sewu Indonesia Tbk
32 SMCB PT Solusi Bangun Indonesia Tbk
33 SSTM Sunson Textile Manufacturer Tbk
34 TIRT Tirta Mahakam Resources Tbk
Sumber: www.idx.co.id
4.2. Analisis Statistik Deskriptif
Penelitian ini melakukan analisis data dengan menggunakan metode
deskriptif yang bertujuan untuk memberikan pendeskripsian atas data yang
diolah dalam penelitian. Uji statistik deskriftif melalui program aplikasi IBM
SPSS 25. Penelitian ini menggunakan data laporan keuangan perusahaan
manufaktur dari tahun 2017-2019 untuk dijadikan sebagai sampel. Melalui
52
statistik deskriptif maka diperoleh informasi mengenai nilai minimum, nilai
maksimum, rata-rata (mean) dan standar deviasi dari setiap variabel penelitian.
Data statistik deskriptif dari variabel-variabel penelitian dapat dilihat dalam tabel
4.2 berikut ini:
Tabel 4.2: Uji Statistik Deskriptif
Std.
N Minimum Maximum Mean
Deviation
Laba (X1) 102 -2.63 .73 -.0629 .28753
Arus Kas (X2) 102 -.31 .75 .0187 .10060
DER (X3) 102 -10.19 23.92 1.6006 4.00701
Financial Distress 102 0 1 .82 .383
(Y)
Valid N (listwise) 102
Berdasarkan tabel 4.2 dapat dilihat bahwa jumlah pengamatan dalam
penelitian ini sebanyak 102 data perusahaan manufaktur yang terdaftar di BEI
tahun 2017-2019.
1. Nilai rata-rata laba bersih sebelum pajak (EBT) tahun 2017-2019 adalah
sebesar -.0629. Hal ini dapat diartikan bahwa rata-rata 34 perusahaan
manufaktur mencatat nilai laba bersih sebelum pajak cenderung tidak
rendah dalam laporan keuangan. Standar deviasi (EBT) adalah
sebesar .28753 dan lebih besar dari nilai rata-rata sehingga dapat dikatakan
bahwa sebaran data konservatisme akuntansi adalah tidak terdistribusi
secara normal (dengan kata lain mean bukanlah parameter yang tepat
untuk mewakili semua data). Nilai minimum sebesar -2.63 menunjukkan
laba bersih sebelum pajak yang terendah pada perusahaan sampel yang
53
terdapat pada AISA tahun 2017. Sedangkan nilai maksimum sebesar .73
menunjukkan laba bersih sebelum pajak yang tertinggi pada sampel
perusahaan terdapat pada AISA tahun 2019.
2. Nilai rata-rata arus kas aktivitas operasi (Arus Kas Operasi ) tahun 2017-
2019 adalah sebesar .0187. Hal ini dapat diartikan bahwa rata-rata 34
perusahaan manufaktur mampu mendanai aktivitas operasinya sebesar
1.87% dari total aset yang dimilikinya. Standar deviasi (Arus Kas Operasi)
adalah sebesar .10060 dan lebih besar dari nilai rata-rata sehingga dapat
dikatakan bahwa sebaran data konservatisme akuntansi adalah tidak
terdistribusi secara normal. Nilai minimum sebesar -.31 menunjukkan arus
kas aktivitas operasi terendah pada perusahaan PCAR 2018. Sedangkan
nilai maksimum sebesar .75 menunjukkan arus kas aktivitas operasi
tertinggi pada perusahaan HDTX 2018.
3. Nilai rata-rata debt to equity ratio (DER) tahun 2017-2019 adalah sebesar
1.6006. Hal ini dapat diartikan bahwa rata-rata 34 perusahaan manufaktur
hutang/kewajibannya lebih besar daripada modal bersihnya. Standar
deviasi (DER) adalah sebesar 4.00701 dan lebih besar dari nilai rata-rata
sehingga dapat dikatakan bahwa sebaran data konservatisme akuntansi
adalah tidak terdistribusi secara normal. Nilai minimum sebesar -10.19
menunjukkan DER terendah pada perusahaan ETWA tahun 2017.
Sedangkan nilai maksimum sebesar 23.92 menunjukkan DER tertinggi
pada perusahaan TIRT 2019.
54
4. Variabel Financial Distress (Y) yang menunjukkan perusahaan termasuk
dalam kriteria dengan nilai 0 jika perusahaan sehat dan nilai 1 jika
perusahaan tidak sehat. Rata-rata sebesar 0.81 yang artinya tingkat
perusahaan yang tidak sehat pada perusahaan dengan kode 1 rata-rata
sebesar 81%. Tirta Mahakam Resources, Tri Banyan Tirta Tbk, dan Citra
Tubindo Tbk adalah contoh perusahaan yang tidak sehat yang diberi
dengan kode 1 dan PT Lotte Chemical Titan Tbk dan Inti Agri Resources
Tbk adalah perusahaan yang sehat yang diberi kode 0.
4.3. Analisis Uji Asumsi Klasik
Penelitian ini menggunakan uji regresi logistik untuk menganilis pengaruh
yang terjadi antara variabel-variabel independen terhadap variabel dependen, hal
itu dikarenakan variabel Y (dependen) berbentuk variabel dummy yang berskala
kategori dengan dua kategori yaitu, perusahaan yang tidak sehat dan perusahaan
yang sehat.
Gregory dan Bader (2018) dalam artikel yang berjudul Logistic and
Regression Assumptions: Violation Recognition and Control menyatakan:
Uji regresi logistik sangat berbeda dengan uji regresi linear pada
umumnya, karena uji regresi logistik tidak mengharuskan beberapa asumsi utama
yang diharuskan oleh model linear dan model linear umum (serta model berbasis
algoritma kuadrat terkecil biasa lainnya) seperti, regresi logistik tidak
memerlukan hubungan linear antara variabel independen dan variabel dependen,
error term (residual) tidak perlu berdistribusi normal, homokedastisitas tidak
diperlukan, dan variabel dependen dalam regresi logistik tidak diukur pada suatu
55
interval atau skala rasio (hal 4).
Oleh karena itu, uji asumsi klasik yang dilakukan dalam penelitian ini
hanya meliputi uji multikolonieritas.
1. Uji Multikolonieritas
Uji multikolinearitas bertujuan untuk menguji apakah model regresi
ditemukan adanya korelasi antar variable bebas (independen). Model regresi
linier yang baik adalah model regresi yang tidak ditemukan gejala adanya
korelasi antar variabel bebas. Uji multikolinearitas dilakukan dengan
menggunakan nilai tolerance atau nilai Variance Inflation Factor (VIF). Model
penelitian dikatakan tidak terjadi gejala multikolinearitas jika nilai tolerance >
0,10 dan nilai VIF < 10. Hasil uji multikolinearitas dapat dilihat pada tabel 4.3
berikut.
Tabel 4.3: Uji Multikolonieritas
Collinearity
Model Statistics
Tolerance VIF
1 Laba (X1) .817 1.223
Arus Kas .812 1.232
(X2)
DER (X3) .983 1.017
Dependent Variable: Financial Distress
(Y)
Berdasarkan tabel 4.3 diatas dapat dilihat bahwa nilai tolerance dari
masing-masing variabel yakni Laba (X1), Arus Kas (X2), dan DER (X3) adalah
lebih besar dari 0,10. Kemudian untuk nilai VIF yang diperoleh dari masing-
masing variabel adalah kurang dari 10. Hal ini menunjukkan bahwa model regresi
56
tidak mengalami masalah multikolinearitas, sehingga dapat diartikan bahwa
model regresi yang digunakan adalah baik karena tidak terjadi korelasi diantara
variabel independen yang diteliti.
4.4. Analisis Regresi Logistik
Analisis data dalam penelitian ini dilakukan dengan menggunakan regresi
logistik karena variabel dependen bersifat dikotomi (perusahaan tidak sehat atau
perusahaan sehat). Ghozali (2018) menyatakan bahwa regresi logistik digunakan
untuk menguji apakah probabilitas terjadinya variabel terikat dapat diprediksi
dengan variabel bebasnya.
1. Menguji Kelayakan Model Regresi
Pengujian kelayakan model regresi logistik dilakukan dengan
menggunakan goodness of fit test yang diukur berdasarkan nilai Chi-Square pada
tabel Hosmer and Lemeshow Test (Tabel 4.4). Hosmer and Lemeshow’s
Goodness of Fit Test menguji hipotesis nol bahwa data empiris sesuai dengan
model (tidak ada perbedaan antara model dengan data sehingga model dapat
dikatakan fit).
Tabel 4.4 Hosmer and Lemeshow Test
Hosmer and Lemeshow Test

Step Chi-square Df Sig.
1 13.689 8 .090
Pada tabel hasil pengujian menunjukkan nilai Chi-Square sebesar 13.689
dengan signifikansi sebesar 0.090 yang nilainya lebih besar daripada 0.05.
Dengan demikian dapat disimpulkan bahwa model mampu untuk memprediksi
57
nilai observasinya atau dapat dikatakan model menerima Ho yang berarti tidak
ada perbedaan klasifikasi yang diamati. Itu berarti model regresi logistik bisa
digunakan untuk analisis selanjutnya.
2. Menilai Keseluruhan Model Fit ( Overall Model Fit Test)
Uji ini digunakan untuk melihat model yang telah dihipotesiskan telah fit
atau tidak dengan data. Pengujian dilakukan dengan membandingkan nilai antara -
2 log likelihood pada awal (block number = 0) dengan nilai -2 log likelihood pada
akhir (block number = 1). Nilai -2 log likelihood awal pada block number = 0,
dapat ditunjukkan melalui tabel 4.5 berikut ini.
Tabel 4.5 Uji Overall Model Fit Test (-2 LL Awal)
Iteration Historya,b,c
-2 Log Coefficients
Iteration likelihood Constant
Step 0 1 96.012 1.294
2 95.068 1.523
3 95.064 1.540
4 95.064 1.540
a. Constant is included in the model.
b. Initial -2 Log Likelihood: 95.064
c. Estimation terminated at iteration number 4 because
parameter estimates changed by less than .001.
Nilai -2 log likelihood pada block number = 1, dapat dilihat pada tabel 4.6.
Dari Tabel 4.5 dapat dilihat bahwa -2 log likelihood awal pada block number = 0,
yaitu model hanya memasukkan konstanta yang dapat dilihat pada step 4,
memperoleh nilai sebesar 95.064. Kemudian pada tabel 4.6 dapat dilihat nilai -2
likelihood akhir dengan block number = 1, nilai -2 likelihood pada step 1 iteraksi
6 adalah 88.860. Adanya penurunan nilai antara -2 log likelihood awal dengan
58
nilai -2 likelihood akhir menunjukkan bahwa model yang dihipotesiskan fit
dengan data (Ghozali,2018).
Tabel 4.6 Uji Overall Model Fit Test (-2 LL Akhir)
Iteration Historya,b,c,d
Coefficients
Iteration -2 Log likelihood Constant
Step 1 92.364 1.188
1 2 89.174 1.383
3 88.876 1.413
4 88.860 1.411
5 88.860 1.410
6 88.860 1.410
a. Method: Enter
b. Constant is included in the model.
c. Initial -2 Log Likelihood: 95.064
d. Estimation terminated at iteration number 6 because parameter
estimates changed by less than .001.
3. Koefisiens Determinasi (R2)
Koefisien determinasi (R2) bertujuan untuk mengukur seberapa jauh
kemampuan model dalam menerangkan variasi variabel konservatisme akuntansi.
Nilai koefisien determinasi adalah 0 s.d.1, yang mana apabila nilai tersebut
mendekati 1 maka variabel independen tersebut hampir memberikan semua
informasi yang dibutuhkan untuk menilai variabel dependennya. Hasil koefisien
determinasi dapat dilihat pada tabel 4.7 berikut.
Tabel 4.7 Koefisien Determinasi
Step -2 Log Likehood Cox & Snell R Squere Nagelkerke R Squere
1 88.860a .059 .097
a. Estimation terminated at iteration number 6 because parameter estimation
changed by less than .001.
59
60
Dari tabel 4.7 diatas, nilai Negelkerke R Square yang diperoleh adalah
0.097 atau 9,7%. Dari nilai tersebut dapat diartikan bahwa variabel independent
(laba bersih sebelum pajak, arus kas operasi, dan debt to equity ratio)
memberikan pengaruh sebesar 9,7% kepada variabel dependen yaitu financial
distress. Sedangkan sisanya sebesar 90,3%, variasi variabel financial distress
dijelaskan oleh faktor lain seperti Good Corporate Governance, likuiditas, firm
growth, firm age yang tidak dimasukkan ke dalam penelitian ini.
4. Uji Regresi Logistik
Hasil output dalam penelitian ini dengan menggunakan regresi logistik
dibantu dengan alat analisis SPSS versi 23.
Tabel 4.8 Variables in the Equation
B S.E. Wald Df Sig. Exp(B)
Step 1a EBT (X1) -.102 1.86 .003 1 .956 .903
Arus Kas (X2) 7.948 4.45 3.184 1 .074 2828.902
DER (X3) .099 .092 1.162 1 .281 1.104
Constant 1.410 .289 23.864 1 .000 4.097
a. Variable (s) entered on step 1: Laba (X1), Arus Kas (X2), DER (X3)
61
Dari hasil perhitungan sebagaimana yang ditunjukkan pada tabel 4.8
selanjutnya model regresi logistik dapat dinyatakan sebagai berikut:
fd
ln =1.410−.102 X 1+7.948 X 2+.099 X 3+ e
(1−fd )
Secara lebih jelasnya mengenai pengaruh masing-masing variabel
independen terhadap variabel dependen akan diuraikan sebagai berikut:
1. Konstanta sebesar 1.140
Nilai intercept konstanta adalah sebesar 1.410. hasil ini dapat diartikan
bahwa apabila besarnya seluruh variabel independen adalah 0, maka
besarnya nilai financial distress akan bernilai 1.410
2. Laba Bersih Sebelum pajak sebesar -.102
Nilai variabel X1 adalah negatif sebesar -.102. Nilai negatif ini berarti
bahwa setiap adanya peningkatan laba bersih sebelum pajak sebesar 1
makan akan menyebabkan financial distress turun -.102, dengan asumsi
semua variabel independen selain laba bersih sebelum pajak konstan.
3. Arus Kas Operasi sebesar 7.948
Nilai variabel X2 adalaah positif sebesar 7.948. Nilai positif ini
menunjukkan bahwa setiap peningkatan arus kas operasi akan menaikkan
financial distress sebesar 7.948, dengan asumsi semua variabel
independen lain konstan.
62
4. Debt To Equity Ratio
Nilai Variabel X3 adalah positif sebesar .099. Nilai positif ini
menunjukkan bahwa setiap peningkatan debt to equty ratio akan
menaikkan financial distress sebesar .099, dengan asumsi semua variabel
independen lain konstan.
5. Pengujian Hipotesis
Pengujian hipotes dalam penelitian ini dilakukan dengan cara
membandingkan Asymptotic Significance dengan tingkat signifikansi (ɑ) yang
digunakan. Penelitian ini menggunakan tingkat signifikansi 5% atau 0.05. nilai
Asymptotic Significance yang digunakan dapat dilihat pada Tabel Hasil Uji
Regresi Logistik (Tabel 4.8). berdasarkan tabel tersebut, hasil uji hipotesis
masing-masing variabel bebas terhadap variabel terikatnya adalah sebagai
berikut:
a. Variabel Laba Bersih Sebelum Pajak (X1)
Nilai Asymptotic Significance dari variabel laba bersih sebelum pajak
adalah 0.956. Hal ini menunjukkan nilai signifikansinya lebih besar
dari 0.05 sehingga H alternatif (H1) ditolak atau hipotesis yang
menyatakan variabel bebas yang berpengaruh terhadap variabel
terikatnya ditolak. Dapat disimpulkan bahwa laba bersih sebelum pajak
tidak memiliki pengaruh yang signifikan terhadap kondisi financial
distress.
63
b. Variabel Arus Kas Aktivitas Operasi (X2)
Nilai Asymptotic Significance dari variabel arus kas aktivitas operasi
adalah 0.074. Hal ini menunjukkan nilai signifikansinya lebih besar
dari 0.05 sehingga H alternatif (H1) ditolak atau hipotesis yang
menyatakan variabel bebas yang berpengaruh terhadap variabel
terikatnya ditolak. Dapat disimpulkan bahwa arus kas aktivitas operasi
tidak memiliki pengaruh yang signifikan terhadap kondisi financial
distress.
c. Variabel Debt To Equity Ratio (X3)
Nilai Asymptotic Significance dari variabel debt to equity ratio adalah
0.281. Hal ini menunjukkan nilai signifikansinya lebih besar dari 0.05
sehingga H alternatif (H1) ditolak atau hipotesis yang menyatakan
variabel bebas yang berpengaruh terhadap variabel terikatnya ditolak.
Dapat disimpulkan bahwa debt to equity ratio tidak memiliki pengaruh
yang signifikan terhadap kondisi financial distress.
64
4.5. Interpetasi Hasil Penelitian
4.5.1. Pengaruh Laba Bersih Sebelum Pajak Terhadap Financial Distress
Berdasarkan hasil pengujian terhadap variabel laba bersih sebelum pajak
menunjukkan bahwa nilai Asymptotic Significance sebesar 0.956. Nilai ini lebih
besar dibandingkan dengan tingkat signifikansi yang digunakan yaitu 0.05.
Artinya bahwa laba bersih sebelum pajak tidak berpengaruh terhadap financial
distress perusahaan manufaktur yang memiliki laba negatif di BEI tahun 2017-
2019.
Hasil penelitian ini tidak sejalan dengan teori yang menyatakan bahwa
perubahan laba negatif dapat menyebabkan perusahaan mengalami kesulitan
kuangan. Hal ini mungkin disebabkan karena perubahan laba yang terjadi
cenderung stabil yaitu tidak ada kenaikan kerugian yang signifikan, sehingga
tidak memberikan dampak yang terlalu besar terhadap perusahaan yang dapat
mengakibatkan perusahaan itu bangkrut (Rice, 2015). Nilai rata-rata perusahaan
manufaktur mecatat laba bersih sebelum pajak sebesar -6.29% cenderung tidak
rendah, sehingga tidak memberikan pengaruh yang signifikan terhadap financial
distress.
Laba yang diukur dengan menggunakan rasio laba merupakan
perbandingan antara laba sebelum pajak dengan total aset suatu perusahaan,
dimana rasio dalam penelitian ini mengukur kemampuan perusahaan dalam
menghasilkan laba bersih berdasarkan total aset suatu perusahaan. Nilai rasio
laba yang tinggi menunjukkan tingginya pula kemampuan perusahaan untuk
menghasilkan menghasilkan laba sangatlah efektif. Dengan pengelolaan aset
65
yang efektif perusahaan berpotensi menghasilkan laba yang lebih besar dan
menunjukkan kinerja perusahaan yang baik. Sehingga dengan nilai rasio laba
yang tinggi menunjukkan bahwa kemungkinan terjadinya kondisi financial
distress bagi perusahaan akan semakin rendah. Sebaliknya semakin rendah nilai
rasio laba maka kemungkinan terjadinya kondisi financial distress bagi suatu
perusahaan akan semakin tinggi.
Perusahaan yang diprediksi mengalami financial distress dalam penelitian
ini cenderung mengalami penurunan kerugian dari tahun 2017 sampai 2019.
Beberapa contohnya adalah Tri Banyan Tirta Tbk, Saranacentral Bajatama Tbk,
dan Panasia Indo Resources Tbk dimana kerugian setiap tahunnya mengalami
penurunan, selain itu contoh lainnya seperti Mustika Ratu Tbk, PT Sreeya Sewu
Indonesia Tbk, dimana tahun pada 2017 mengalami kerugian namun setelah itu
pada tahun 2018 sampai 2019 mengalami kenaikan laba hal ini dapat menjadikan
kondisi perusahaan yang semakin membaik sehingga tidak dapat diprediksi akan
mengalami kondisi financial distress.
Hasil penelitian ini sejalan dengan penelitian yang dilakukan oleh Rice
(2015) dan Julius (2017) dimana dihasilkan bahwa laba tidak memiliki
kemampuan dalam memprediksi kondisi financial distress.
4.5.2. Pengaruh Arus Kas Aktivitas Operasi Terhadap Financial Distress
Hasil penelitian mendapatkan bahwa nilai arus kas aktivitas operasi yang
diperoleh pada periode penelitian tidak berpengaruh terhadap kondisi financial
distress. Hal ini ditunjukkan dengan nilai signifikansi 0.076 yang lebih besar
dibandingkan tingkat signifikansi yang digunakan yaitu 0.05 Hasil penelitian ini
66
tidak mendukung temuan dari penelitian terdahulu yang dilakukan oleh Mas’ud
& Srengga (2012), Julius (2017), dan Kusumaningdyah & Hanindyo (2019) yang
menyatakan bahwa variabel arus kas bepengaruh terhadap financial distress.
Nilai rata-rata arus kas operasi 34 perusahaan manufaktur sebesar 1.87%,
nilai ini adalah angka yang lebih besar dari satu, itu berarti bisnis memiliki cukup
uang untuk melunasi kewajiban lancar sehingga tidak mempengaruhi financial
distress dalam perusahaan. Salah satu alasan yang mungkin mendasarinya adalah
laporan arus kas yang disajikan dalam perusahaan memiliki informasi yang
cukup kompleks. Laporan arus kas terbagi menjadi tiga klasifikasi dan memiliki
pola dan kriteria yang berbeda. Laporan ini terdiri dari laporan arus kas operasi,
investasi, dan pendanaan.
Arus kas operasi yang digunakan dalam penelitian ini menggambarkan
kondisi keuangan perusahaan untuk kegiatan operasinya. Hal ini belum menjadi
jaminan perusahaan untuk dapat memenuhi kewajiban kepada para krediturnya
dengan baik sehingga dengan menggunakan informasi arus kas tidak mudah
untuk mengidentifikasi apakah suatu perusahaan mengalami financial distress
(Nailufar et al., 2018).
Arus kas operasi memuat aktivitas operasional perusahaan seperti
pendapatan dan beban. Nilai arus kas yang tinggi menggambarkan pendapatan
lebih besar dari beban-beban yang harus dikeluarkan oleh perusahaan. Laporan
ini kurang lebih memuat informasi yang sama dengan laporan laba rugi sehingga
terkadang laporan arus kas operasi hanya digunakan sebagai pelengkapanya
(Djongkang & Rio Rita, 2014). Nilai arus kas yang kompleks ini tidak dapat
67
dijadikan sebagai informasi utama dalam menilai kinerja perusahaan oleh
principal. Arus kas yang bernilai negatif belum berarti manajemen memiliki
pengelolaan yang buruk terhadap perusahaan sehingga penggunaan informasi
arus kas saja tidak dapat mempengaruhi kepercayaan investor atau kreditor
sebagai pemilik perusahaan.
Ardeati (2018) dalam penelitiannya penyebab yang menjadi alasan tidak
berpengaruhnya arus kas adalah kondisi perusahaan yang memiliki nilai arus kas
sangat fluktuatif sedangkan kondisi financial distress biasanya stabil. Fluktuasi
arus kas dapat terjadi secara ekstrem, dimana dalam satu periode perusahaan
dapat mengalami kerugian dan setelahnya keuntungan atau sebaliknya. Fluktuasi
yang ekstrem tersebut cenderung tidak dianggap menjadi salah satu faktor yang
dapat menyebabkan financial distress karena periode terjadinya yang singkat.
Nilai arus kas yang digunakan dalam penelitian ini tidak bisa digunakan
untuk memprediksi kondisi financial distress perusahaan. Sebagai contoh adalah
perusahaan Eterindo Wahanatama Tbk dan Martina Berto Tbk dimana pada
tahun 2017 mengalami kerugian namun pada tahun 2018 mengalami keuntungan
yang tinggi dan mengalami kerugian kembali pada tahun 2019. Begitu juga
dengan perusahaan Kedaung Indah Can Tbk dan Asia Pacific Fibers Tbk pada
tahun 2017 mengalami keuntungan namun tahun 2018 mengalami kerugian dan
kembali mengalami keuntungan tahun 2019.
Penelitian didukung dengan hasil penelitain yang sudah dilakukan oleh
Rice (2015), Ayuningtiyas & Suryono (2017), dan Ardeati (2018) yang
menyatakan bahwa arus kas tidak bepengaruh terhadap financial distress.
68
4.5.3. Pengaruh Debt To Equity Ratio Terhadap Financial Distress
Hasil penelitian menunjukkan bahwa nilai signifikansi 0.281 lebih besar
dari 0.05 yang berarti bahwa debt to equity ratio tidak memiliki kemampuan
dalam mempreediksi financial distress. Hal ini mendukung penelitian dari Rice
(2015) dan Julius (2017) yang menyatkan bahwa debt to equity ratio tidak
berpengaruh terhadap financial distress. Berbeda dengan penelitian yang
dilakukan oleh Ginting (2017) yang menyatakan bahwa debt to equity ratio
Nilai rata-rata debt to equity ratio sebesar 1.6006 menunjukkan nilai yang
masih tergolong kategori aman, karena tidak melebihi 2 kali atau 200%
(www.majoo.id). Semakin rendah rasio debt to equty ratio maka semakin bagus.
Debt to equity ratio yang rendah menunjukkan bahwa hutang/kewajiban
perusahaan lebih kecil daripada seluruh aset yang dimilikinya, sehingga dalam
kondisi yang tidak diinginkan misalnya bangkrut, perusahaan masih dapat
melunasi seluruh hutang/kewajiban. Hal ini juga dikarenakan terdapat nilai
ekstrim dalam observasi data sehingga tidak memberikan hasil yang signifikan
dan tidak mempengaruhi financial distress.
Debt to equity ratio tidak berpengaruh terhadap financial distress
disebabkan oleh rata-rata modal perusahaan lebih besar dibandingkan dengan
hutang. Yang artinya bahwa perusahaan dalam membiayai kegiatan
operasionalnya cenderung menggunakan modal sendiri, sehingga tidak dapat
memberikan dampak yang terlalu besar terhadap perusahaan, karena perusahaan
69
cenderung tidak perlu menanggung beban pinjaman dan bunga atau hutang yang
ada (Rice, 2015).
Kondisi sebaliknya, semakin tinggi debt to equity ratio menunjukkan
komposisi jumlah hutang/kewajiban lebih besar dibandingkan dengan jumlah
seluruh modal bersih yang dimilikinya, sehingga mengakibatkan beban
perusahaan terhadap pihak luar besar juga. Meningkatnya beban kewajiban
terhadap pihak luar menunjukkan bahwa sumber modal perusahaan sangat
tergantung dari pihak luar. Apabila perusahaan tidak dapat mengelola hutangnya
dengan baik dan optimal, akan berdampak buruk terhadap kondisi kesehatan
keuangan perusahaan.
Sebagai contoh perusahaan yang memiliki nilai debt to equity ratio di
bawah angka 1 adalah Polychem Indonesia Tbk, Citra Tubindo Tbk, Gunawan
Dianjaya Steel Tbk, Keramika Indonesia Asosiasi Tbk, Kedaung Indah Can Tbk,
Mustika Ratu Tbk, dan PT Prima Cakrawala Abadi Tbk. Selain itu juga
perusahaan Inti Agri Resources Tbk yang hanya memiliki nilai rasio hanya 0,08
yang berada jauh di bawah angka 1 yang menandakan perusahaan sangat bagus.
Dan Berdasarkan itu debt to equity ratio tidak dapat memprediksi kondisi
financial distress perusahaan.
70
BAB V
PENUTUP
5.1. Simpulan
Penelitian ini menganalisis tentang pengaruh informasi laba, arus kas, dan
rasio solvabilitas sebagai prediktor financial distress pada perusahaan
manufaktur yang terdaftar di Bursa Efek Indonesia (BEI) tahun 2017-2019.
Berdasarkan analisis dan pembahasan data yang telah dipaparkan sebelumnya,
maka dapat ditarik kesimpulan:
1. Variabel laba bersih sebelum pajak yang dihitung menggunakan laba
sebelum pajak terhadap total aset tidak berpengaruh terhadap prediksi
financial distress yang disebabkan karena perubahan laba yang cenderung
stabil, sehingga tidak memberikan dampak yang terlalu besar terhadap
perusahaan yang mengakibatkan kebangkrutan.
2. Variabel arus kas aktivitas operasi yang dihitung menggunakan arus kas
operasi terhadap aset tidak berpengaruh terhadap prediksi financial
distress , hal tersebut dikarenakan nilai arus kas operasi yang lebih besar
dari 1, itu berarti bisnis memiliki cukup uang untuk melunasi kewajiban
lancar. Informasi yang cukup kompleks karena pada laporan arus kas
terdiri dari kegiatan operasi, investasi, dan pendanaan.
3. Variabel debt to equity ratio yang dihitung menggunakan total hutang
terhadap modal tidak bepengaruh terhadap prediksi financial distress
dikarenakan nilai rata-rata rasio debt to equity ratio masih tergolong
kategori aman, karena tidak melebihi 2 kali atau 200%.
71
5.2. Implikasi Penelitian
Berdasarkan kesimpulan yang telah dikemukakan di atas, diperoleh
implikasi penelitian teoritis dan praktis, implikasi teoritis dari agensi mengenai
informasi laba yang dapat meningkatkan kepercayaan investor sebagai principal
dan tidak memiliki kemampuan untuk memprediksi kondisi financial distress
dalam hasil penelitian ini dapat memperkuat penelitian sebelumnya dan menjadi
refrensi tambahan penelitian selanjutnya yang berkaitan dengan pengembangan
ilmu pengetahuan akuntansi khususnya yang berkaitan dengan laba, arus kas,
rasio solvabilitas, dan financial distress. Implikasi praktis penelitian ini ditujukan
bagi pihak manjemen maupun eksternal seperti kreditor dan investor sebagai
bahan pertimbangan sebelum pengambilan keputusan. Saat mengambil keputusan
dalam berinvestasi hendaknya melakukan analisis terlebih dahulu. Meskipun
perusahaan mencatat laba negatif bukan berarti perusahaan mengalami financial
distress.
5.3. Keterbatasan dan Saran Penelitian
Penelitian ini memiliki keterbatasan, diantaranya sebagai berikut:
1. Penelitian ini hanya menggunakan proksi tertentu untuk setiap variabel,
sehingga generalisasi hasil hanya terbatas pada variabel dan objek
penelitian ini. Hal ini dikarenakan hasil uji R squere 9,7% yang berarti
masih banyak variabel lain yang belum digali dalam penelitian ini.
72
2. Penelitian ini hanya terbatas pada perusahaan manufaktur terdaftar di
Bursa Efek Indonesia tahun 2017-2019. Hasil penelitian ini kemungkinan
dapat memberikan hasil yang berbeda pada sektor lainnya.
Berdasarkan keterbatasan penelitian yang telah diuraikan, maka peneliti
dapat memberikan saran bagi peneliti selanjutnya sebagai berikut:
1. Penelitian selanjutnya sebaiknya dapat meneliti lebih jauh faktor-faktor
lain yang dapat mempengaruhi kondisi financial distress yang lebih tepat
sehingga dapat digunakan oleh kalangan yang berkepentingan.
2. Penelitian selanjutnya dapat memperluas cakupan sektor penelitian baru
seperti pada indeks lain atau sektor industri lainnya dan memperpanjang
tahun penelitian sehingga memberikan hasil yang lebih baik.
73
DAFTAR PUSTAKA
Ardeati. (2018). Pengaruh Arus kas, Laba Dan Leverage Terhadap Financial
Distress (Studi Empiris Pada Perusahaan Non Bank Di Bursa Efek Indonesia
Periode 2012-2016). Skripsi. Universitas Sanata Dharma,Yogyakarta.
Ayuningtiyas, I. S., & Suryono, B. (2017). Pengaruh Likuiditas, Profitabilitas,
Leverage, dan Arus Kas Terhadap Financial Distress. Jurnal Ilmu Dan Riset
Akuntansi, 8, 1.
Chrissentia, T., & Syarief, J. (2018). Analisis Pengaruh Rasio Profitabilitas,
Leverage, Likuiditas, Firm Age dan Kepemilikan Institusional Terhadap
Financial Distress (Pada Perusahaan Jasa Non Keuangan yang terdaftar di
Bursa Efek Indonesia Tahun 2014-2016). 16(1), 45–61.
Daniati, N. (2006). Pengaruh Kandungan Informasi Komponen Laporan Arus
Kas, Laba Kotor, Size Perusahaan Terhadap Expected Return Saham.
Darmadji, & Fakhrudin. (2006). Pasar Modal d Indonesia Pendekatan Tanya
Jawab. Salemba Empat.
Djongkang, F., & Rio Rita, M. (2014). Manfaat Laba dan Arus Kas untuk
Memprediksi Kondisi Financial Distress. Seminar Nasional Dan Call for
Paper (Sancall), 247–255.
Fardania, I. M., Ermawati, E., & Wiyono, W. (2017). Pengaruh Likuiditas ,
Solvabilitas Dan Profitabilitas Terhadap Financial Distress ( Studi Empiris
Pada Perusahaan Manufaktur Sub Sektor Makanan Dan Minuman Yang
Terdaftar Di Bursa Efek Indonesia Periode 2015 – 2017 ). 2(July 2019),
188–195.
Ginting, M. C. (2017). Pengaruh Current Ratio dan Debt to Equity Ratio ( DER )
Terhadap Financial Distress pada Perusahaan Property & Real Estate di
Bursa Efek Indonesia. 3(2), 37–44.
Hidayat, M. A., & Meiranto, W. (2014). Prediksi Financial Distress Perusahaan
Manufaktur Di Indonesia. 3(2002), 1–11.
Home, J. C. (2005). Prinsip-prinsip Manajemen Keuangan (Fundamental of
Financial Management) (12th ed.). Diterjemahkan oleh Dewi Fitriasari.
Jakarta: Salemba Empat.
74
IAI. (2012). Standar Akuntansi Keuangan. Jakarta: Salemba Empat.
Julius, P. . (2017). Pengaruh Financial Leverage, Firm Growth, Laba dan Arus
Kas Terhadap Financial Distress (Studi Empiris Pada Perusahaan
Manufaktur yang Terdaftar di Bursa Efek Indonesia Tahun 2010-2014). 4,
1164–1178.
Kadir, A. (2014). Analisis Laba dan Arus Kas dalam Memprediksi Financial
Distress pada Perusahaan Manufaktur di Bursa Efek Indonesia. 6, 2.
Kasmir. (2012). Analisis Laporan Keuangan. Jakarta: PT. Raja Grafindo Persada.
Kusumaningdyah, A., & Hanindyo, B. S. (2019). Manfaat Pengaruh Penggunaan
Laba Dan Arus Kas Untuk Memprediksi Financial Distress. Jurnal Ilmiah
Akuntansi Indonesia, 07(1), 83–100.
Listiana. (2013). Pengaruh Corporate Governance, Profitabilitas, Dan Leverage
Terhadap Financial Distress.
Mas’ud, I., & Srengga, R. M. (2012). Analisis Rasio Keuangan Untuk
Memprediksi Kondisi Financial Distress Perusahaan Manufaktur Yang
Terdaftar di Bursa Efek Indonesia. Jurnal Akuntansi Universitas Jember.,
139–154.
Morata, R., Alipudin, A., & Maiyarash, A. (2018). Pengaruh Debt To Asset Ratio
(DAR), Current Ratio, dan Corporate Governance Dalam Memprediksi
Financial Distress Pada Perusahaan BUMN Sektor Non Keuangan yang
Terdaftar di Bursa EfekIndonesia. 4(2), 249–266.
Nailufar, F., Sufitrayati, & Badaruddin. (2018). Pengaruh Laba dan Arus Kas
Terhadap Kondisi Financial Distress Pada Perusahaan Non Bank Yang
Terdaftar Di Bursa Efek Indonesia. 2(2), 147–162.
Permatasari. (2016). Pengaruh Rasio Keuangan dan Ukuran Perusahaan
Terhadap Financial Distress (Studi Pada Perusahaan Pertambangan yang
Terdaftar di Bursa Efek Indonesia Tahun 2011-2014. Skripsi. Universitas
Pembangunan Nasional, Yogyakarta.
Platt, H. D., & Platt, M. B. (2002). Predicting Corporate Financial Distress :
Reflections on Choice-Based Sample Bias. 26(2), 184–199.
Rice. (2015). Altman Z-Score: Mendeteksi Financial Distress. 5, 111–120.
75
Rusaly. (2016). Pengaruh Likuiditas, dan Profitabilitas Terhadap Financial
Distress Pada Perusahaan Transportasi Yang Terdaftar di BEI Tahun 2010-
2014. Skripsi. Universitas Hasanuddin, Makassar.
Setiawan, R., & Fitria, Y. (2020). Pengaruh Debt Ratio , Current Ratio dan
Return On Assets Terhadap Financial Distress pada Perusahaan Manufaktur
Sektor Industri Dasar dan Kimia yang Terdaftar di Bursa Efek Indonesia.
17(2), 226–230.
Soemarso. (2004). Akuntansi Suatu Pengantar. Jakarta: Salemba Empat.
Stice, & Dkk. (2004). Intermediate Accounting (15th ed.). Salemba Empat.
Subramanyam. (2017). Analisis Laporan Keuangan (11th ed.). Jakarta: Salemba
Empat.
Sugiyono. (2018). Metode Penelitian: Kuantitatif, Kualitatif, dan R&D. Bandung:
Alfabeta.
Suwardjono. (2008). Teori Akuntansi: Perekayasaan Pelaporan Keuangan.
Triwahyuningtias, M., & Muharam, H. (2012). Analisis Pengaruh Struktur
Kepemilikan , Ukuran Dewan, Komisaris Independen, Likuiditas, dan
Leverage Terhadap Terjadinya Financial Distress (Studi Pada Perusahan
Manufaktur Yang Terdaftar Di Bursa Efek Indonesia Tahun 2008-2010). 1,
1–14.
Wahyuningtyas, F. (2010). Penggunaan Laba dan Arus Kas untuk Memprediksi
Kondisi Financial Distress (studi kasus pada perusahaan bukan bank yang
terdaftar di Bursa Efek Indonesia periode tahun 2005-2008). Skripsi,
Universitas Diponogoro. Semarang.
76
LAMPIRAN
Lampiran 1: Daftar Perusahaan yang Menjadi Sampel Penelitian
No Kode Perusahaan Nama Perusahaan
1 ADMG Polychem Indonesia Tbk
2 AISA Tiga Pilar Sejahtera Food Tbk
3 ALTO Tri Banyan Tirta Tbk
4 APLI Asiaplast Industries Tbk
5 ARGO Argo Pantes Tbk
6 BAJA Saranacentral Bajatama Tbk
7 BRNA Berlina Tbk
8 BTEK Bumi Teknolkultura Unggul Tbk
9 CPRO Central Proteina Prima Tbk
10 CTBN Citra Tubindo Tbk
11 ESTI Ever Shine Textile Industry Tbk
12 ETWA Eterindo Wahanatama Tbk
13 FPNI PT Lotte Chemical Titan Tbk
14 GDST Gunawan Dianjaya Steel Tbk
15 GDYR Goodyear Indonesia Tbk
16 GJTL Gajah Tunggal Tbk
17 HDTX Panasia Indo Resources Tbk
18 IIKP Inti Agri Resources Tbk
19 IKAI Intikeramik Alamasri Industri Tbk
20 KIAS Keramika Indonesia Asosiasi Tbk
21 KICI Kedaung Indah Can Tbk
22 KRAS Krakatau Steel (Persero) Tbk
23 LMPI Langgeng Makmur Industri Tbk
24 MAIN Malindo Feedmill Tbk
25 MASA Multistrada Arah Sarana Tbk
26 MBTO Martina Berto Tbk
27 MRAT Mustika Ratu Tbk
77
28 PCAR PT Prima Cakrawala Abadi Tbk
29 POLY Asia Pacific Fibers Tbk
30 RMBA Bentoel International Investama Tbk
31 SIPD PT Sreeya Sewu Indonesia Tbk
32 SMCB PT Solusi Bangun Indonesia Tbk
33 SSTM Sunson Textile Manufacturer Tbk
34 TIRT Tirta Mahakam Resources Tbk
Lampiran 2: Perhitungan Financial Distress Menggunakan Altman Z-Score Model

NO KODE TAHUN X1 X2 X3 X4 X5 DISTRESS
-
1 ADMG 2017 0.214 0.091 -0.0083 1.608 0.852 1
-
2 AISA 2017 -1.65 2.833 -2.6289 0.131 0.984 1
-
3 ALTO 2017 0.012 0.099 -0.0629 0.318 0.236 1
4 APLI 2017 0.132 0.21 0.0441 0.794 0.959 1
-
5 ARGO 2017 -0.91 0.734 -0.1563 0.424 0.338 1
6 BAJA 2017 -0.03 -0.07 -0.0302 0.232 1.287 1
7 BRNA 2017 0.033 0.044 -0.1141 0.044 0.667 1
-
8 BTEK 2017 0.002 0.011 -0.0077 0.174 0.167 1
-
9 CPRO 2017 -0.85 1.161 -0.3567 0.461 0.938 1
10 CTBN 2017 0.33 0.359 -0.1054 0.859 0.332 1
-
11 ESTI 2017 -0.03 1.091 -0.0359 1.639 0.571 1
-
12 ETWA 2017 -0.24 0.474 -0.1261 0.313 0.046 1
-
13 FPNI 2017 0.049 0.594 -0.0115 1.707 2.259 0
-
14 GDST 2017 0.169 0.013 0.0056 2.291 1.021 0
15 GDYR 2017 -0.13 0.401 -0.0021 1.117 1.303 0
16 GJTL 2017 0.152 0.23 0.0059 0.139 0.778 1
-
17 HDTX 2017 -0.23 0.431 -0.1737 0.486 0.321 1
-
18 IIKP 2017 -0.01 0.272 -0.0545 14.57 0.068 0
78
-
19 IKAI 2017 -1.06 2.335 -0.2903 1.18 0.061 1
-
20 KIAS 2017 0.202 0.255 -0.0536 4.73 0.458 0
-
21 KICI 2017 0.522 0.113 0.0712 1.191 0.759 1
-
22 KRAS 2017 -0.08 0.176 -0.02 0.437 0.352 1
23 LMPI 2017 0.254 -0.15 -0.0415 1.1 0.493 1
24 MAIN 2017 -0.06 0.204 -0.0003 0.019 1.357 1
25 MASA 2017 -0.01 0.078 -0.011 0.428 0.426 1
26 MBTO 2017 0.343 0.112 -0.0406 0.291 0.937 1
27 MRAT 2017 0.558 0.443 -0.0027 0.41 0.693 1
-
28 PCAR 2017 -0.25 0.636 -0.0896 0.247 0.474 0
29 POLY 2017 0.469 -0.27 -0.0046 2.596 0.962 1
-
30 RMBA 2017 -4.27 9.525 -0.0042 0.541 1.726 1
-
31 SIPD 2017 0.307 0.448 -0.0284 0.353 1.438 1
-
32 SMCB 2017 0.043 0.256 -0.106 1.072 1.094 1
33 SSTM 2017 -0.13 0.016 -0.0352 0.308 0.478 1
-
34 TIRT 2017 0.213 0.243 -0.0513 0.745 0.568 1
-
35 ADMG 2018 0.348 0.132 -0.005 5.861 1.271 0
-
36 AISA 2018 -2.42 3.148 -0.0471 0.13 0.872 1
-
37 ALTO 2018 -0.05 0.128 -0.0412 0.303 0.262 1
38 APLI 2018 0.001 0.119 -0.0393 0.456 0.871 1
-
39 ARGO 2018 -1.1 3.259 -0.1028 0.43 0.351 1
-
40 BAJA 2018 -0.13 0.179 -0.1004 0.218 1.42 1
41 BRNA 2018 -0.01 0.04 -0.0086 0.037 0.536 1
42 BTEK 2018 0.108 0.002 0.015 0.199 0.172 1
43 CPRO 2018 -0.19 -0.97 0.2787 0.848 1.124 1
44 CTBN 2018 0.262 0.311 -0.0479 0.667 0.55 1
45 ESTI 2018 -0.05 -1.06 0.0216 1.678 0.58 1
-
46 ETWA 2018 -0.77 0.609 -0.1186 0.287 0.022 1
47 FPNI 2018 0.067 - 0.0437 1.756 2.216 0
79
0.548
-
48 GDST 2018 -0.06 0.061 -0.0936 2.027 1.151 0
49 GDYR 2018 -0.17 0.4 0.0082 1.094 1.269 0
50 GJTL 2018 0.146 0.208 -0.0043 0.126 0.779 1
-
51 HDTX 2018 -0.34 3.065 -0.6057 3.995 0.9 1
-
52 IIKP 2018 -0 0.338 -0.0566 15.36 0.06 0
-
53 IKAI 2018 -0.08 0.329 0.0524 1.697 0.008 1
-
54 KIAS 2018 0.216 0.304 -0.0558 4.612 0.514 0
-
55 KICI 2018 0.528 0.077 -0.0072 1.161 0.564 1
-
56 KRAS 2018 -0.17 0.224 -0.0492 0.395 0.486 1
-
57 LMPI 2018 0.186 0.218 -0.0748 1.105 0.579 1
58 MAIN 2018 0.169 0.249 0.0918 0.018 1.547 1
59 MASA 2018 0.024 0.059 -0.0801 0.422 0.542 1
-
60 MBTO 2018 0.235 0.038 -0.2394 0.308 0.775 1
61 MRAT 2018 0.507 0.426 0.0037 0.372 0.587 1
62 PCAR 2018 0.012 -0.68 -0.0513 0.219 0.621 0
-
63 POLY 2018 0.532 0.387 -0.0636 4.027 1.503 1
64 RMBA 2018 -4.06 -9.2 0.064 0.544 2.011 1
-
65 SIPD 2018 0.239 0.461 -0.0218 0.279 1.473 1
66 SMCB 2018 0.049 -0.25 0.0155 1.152 1.426 1
-
67 SSTM 2018 -0.38 0.028 -0.0367 0.313 0.556 1
-
68 TIRT 2018 0.308 0.277 0.0035 0.844 0.78 1
-
69 ADMG 2019 0.299 0.261 -0.1166 4.562 0.914 0
-
70 AISA 2019 -0.36 2.454 0.7301 0.194 0.808 1
-
71 ALTO 2019 -0.02 0.135 -0.01 0.303 0.312 1
72 APLI 2019 0.085 0.166 0.0467 0.66 1.045 1
-
73 ARGO 2019 -1.21 3.462 -0.0909 0.422 0.228 1
74 BAJA 2019 -0.13 - 0.006 0.236 1.282 1
80
0.196
-
75 BRNA 2019 -0.08 0.007 -0.0705 0.037 0.54 1
76 BTEK 2019 0.079 -0.01 -0.0228 0.204 0.14 1
-
77 CPRO 2019 -0.58 1.123 -0.058 0.882 1.196 1
78 CTBN 2019 0.276 0.286 0.0198 0.535 0.833 1
-
79 ESTI 2019 0.05 1.122 -0.0434 1.611 0.489 1
80 ETWA 2019 -0.81 -0.67 -0.0963 0.264 0.199 1
-
81 FPNI 2019 0.104 0.668 -0.0261 2.463 2.003 0
-
82 GDST 2019 -0.09 0.031 0.0178 1.099 1.054 1
83 GDYR 2019 -0.21 0.402 -0.0103 1.153 1.157 1
84 GJTL 2019 0.142 0.232 0.0243 0.138 0.845 1
-
85 HDTX 2019 -0.53 4.399 -0.1622 5.092 0.02 1
-
86 IIKP 2019 0.263 0.039 0.2141 14.57 0.052 0
-
87 IKAI 2019 -0.02 0.374 -0.053 2.226 0.062 1
-
88 KIAS 2019 0.117 0.803 -0.4121 4.944 0.597 0
-
89 KICI 2019 0.545 0.112 -0.0274 1.054 0.596 1
-
90 KRAS 2019 -0.55 0.668 -0.1622 0.337 0.432 1
-
91 LMPI 2019 0.103 0.289 -0.0764 1.125 0.702 1
92 MAIN 2019 0.066 0.26 0.0535 0.017 1.604 1
93 MASA 2019 0.125 -0.18 -0.0204 0.537 0.706 1
-
94 MBTO 2019 -0.23 0.522 -0.1493 0.301 0.085 1
95 MRAT 2019 0.506 0.41 0.0046 0.326 0.573 1
-
96 PCAR 2019 0.385 0.398 -0.0793 2.88 0.503 0
-
97 POLY 2019 -4.04 9.104 -0.039 0.537 1.655 1
-
98 RMBA 2019 0.324 0.402 0.0017 0.212 1.226 1
-
99 SIPD 2019 0.093 0.189 0.0445 0.999 1.662 1
10 -
0 SMCB 2019 0.012 0.001 0.0208 0.304 0.565 1
81
10 -
1 SSTM 2019 0.189 0.315 -0.0414 0.931 0.688 1
10 -
2 TIRT 2019 0.011 0.211 -0.0589 0.147 0.721 1
82
Lampiran 3: Perhitungan Variabel Laba Bersih Sebelum Pajak
Variabel
No Kode Tahun Earning Before Tax Total Aset EBT
1 ADMG 2017 (3,096,496) 374,110,303 -0.01
2 AISA 2017 (5,210,334) 1,981,940 -2.63
3 ALTO 2017 (69,728,704,187) 1,109,383,971,111 -0.06
4 APLI 2017 17,594,222,781 398,698,779,619 0.04
5 ARGO 2017 (15,393,626) 98,459,842 -0.16
6 BAJA 2017 (28,628,554,806) 946,448,936,464 -0.03
7 BRNA 2017 (224,189,380) 1,964,877,082 -0.11
8 BTEK 2017 (41,103,879,672) 5,306,055,112,389 -0.01
9 CPRO 2017 (2,499,913) 7,008,719 -0.36
10 CTBN 2017 (15,753,937) 149,450,952 -0.11
11 ESTI 2017 (2,211,156) 61,559,548 -0.04
12 ETWA 2017 (140,505,341,004) 1,114,568,571,897 -0.13
13 FPNI 2017 (2,206) 191,857 -0.01
14 GDST 2017 7,731,874,610 1,374,987,178,565 0.01
15 GDYR 2017 (265,931) 123,765,600 0.00
16 GJTL 2017 106,824 18,191,176 0.01
17 HDTX 2017 (700,884,530) 4,035,086,385 -0.17
18 IIKP 2017 (17,124,071,013) 313,924,526,593 -0.05
19 IKAI 2017 (63,642,281) 219,245,635 -0.29
20 KIAS 2017 (94,710,676,180) 1,767,603,505,697 -0.05
21 KICI 2017 10,638,117,951 149,420,009,884 0.07
83
22 KRAS 2017 (82,343) 4,114,386 -0.02
23 LMPI 2017 (34,598,578,079) 834,548,374,286 -0.04
24 MAIN 2017 (1,377,044) 4,008,635,719 0.00
25 MASA 2017 (7,223,877) 655,531,600 -0.01
26 MBTO 2017 (31,658,218,720) 780,669,761,787 -0.04
27 MRAT 2017 (1,355,570,984) 497,354,419,089 0.00
28 PCAR 2017 (645,202,337) 140,807,574,026 0.00
29 POLY 2017 (983,840) 231,566,955 0.00
30 RMBA 2017 (400,127) 14,083,598 -0.03
31 SIPD 2017 (237,482) 2,239,699 -0.11
32 SMCB 2017 (690,455) 19,626,403 -0.04
33 SSTM 2017 (31,048,829,703) 605,643,301,307 -0.05
34 TIRT 2017 2,334,588,272 859,299,056,455 0.00
35 ADMG 2018 (1,395,797) 280,679,854 0.00
36 AISA 2018 (85,573) 1,816,406 -0.05
37 ALTO 2018 (45,675,193,213) 1,109,843,522,344 -0.04
38 APLI 2018 (19,799,477,242) 503,177,499,114 -0.04
39 ARGO 2018 (9,079,650) 88,323,888 -0.10
40 BAJA 2018 (90,434,239,905) 901,181,796,270 -0.10
41 BRNA 2018 (21,224,294) 2,461,326,183 -0.01
42 BTEK 2018 77,718,131,618 5,165,236,468,706 0.02
43 CPRO 2018 1,831,870 6,572,440 0.28

44 CTBN 2018 -0.05
84
(7,453,372) 155,653,317
45 ESTI 2018 1,341,990 62,027,720 0.02
46 ETWA 2018 (129,617,154,001) 1,093,133,957,536 -0.12
47 FPNI 2018 8,562 195,826 0.04
48 GDST 2018 (126,466,776,202) 1,351,861,756,994 -0.09
49 GDYR 2018 1,028,150 126,016,356 0.01
50 GJTL 2018 (85,585) 19,711,478 0.00
51 HDTX 2018 (355,511,627) 586,940,667 -0.61
52 IIKP 2018 (16,876,169,829) 298,090,648,072 -0.06
53 IKAI 2018 70,055,565 1,337,016,109 0.05
54 KIAS 2018 (95,039,015,931) 1,704,424,579,208 -0.06
55 KICI 2018 (1,112,421,557) 154,088,747,766 -0.01
56 KRAS 2018 (176,245) 3,581,188 -0.05
57 LMPI 2018 (58,874,992,358) 786,704,752,983 -0.07
58 MAIN 2018 398,187,122 4,335,844,455 0.09
59 MASA 2018 (44,629,075) 557,051,444 -0.08
60 MBTO 2018 (155,155,168,378) 648,016,880,325 -0.24
61 MRAT 2018 1,877,100,535 511,887,783,867 0.00
62 PCAR 2018 (7,468,892,901) 117,423,511,774 -0.06
63 POLY 2018 15,255,817 238,246,828 0.06
64 RMBA 2018 (324,590) 14,879,589 -0.02
65 SIPD 2018 33,989 2,187,879 0.02
66 SMCB 2018 (684,197) 18,667,187 -0.04
85
67 SSTM 2018 1,820,189,102 526,174,180,897 0.00
68 TIRT 2018 (37,845,576,140) 923,366,433,799 -0.04
69 ADMG 2019 (29,748,345) 255,228,195 -0.12
70 AISA 2019 1,364,465 1,868,966 0.73
71 ALTO 2019 (11,089,562,244) 1,103,450,087,164 -0.01
72 APLI 2019 19,570,567,909 419,264,529,448 0.05
73 ARGO 2019 (7,731,438) 85,032,904 -0.09
74 BAJA 2019 5,026,701,131 836,870,774,001 0.01
75 BRNA 2019 (159,492,681) 2,263,112,918 -0.07
76 BTEK 2019 (113,644,339,721) 4,975,248,130,342 -0.02
77 CPRO 2019 (348,277) 6,000,259 -0.06
78 CTBN 2019 3,411,871 172,321,876 0.02
79 ESTI 2019 (2,653,375) 61,112,029 -0.04
80 ETWA 2019 (108,175,413,240) 1,123,825,685,012 -0.10
81 FPNI 2019 (4,333) 165,728 -0.03
82 GDST 2019 31,308,164,703 1,758,578,169,995 0.02
83 GDYR 2019 (1,240,768) 120,360,141 -0.01
84 GJTL 2019 457,876 18,856,075 0.02
85 HDTX 2019 (68,729,926) 423,791,061 -0.16
86 IIKP 2019 82,300,553,255 384,481,206,140 0.21
87 IKAI 2019 (71,926,221) 1,357,533,090 -0.05
88 KIAS 2019 (507,582,722,152) 1,231,680,564,971 -0.41

89 KICI 2019 -0.03
86
(4,193,649,233) 152,818,996,760
90 KRAS 2019 (533,085) 3,286,723 -0.16
91 LMPI 2019 (56,356,644,949) 737,642,257,697 -0.08
92 MAIN 2019 248,776,840 4,648,577,041 0.05
93 MASA 2019 (9,207,407) 451,103,384 -0.02
94 MBTO 2019 (88,263,038,281) 591,063,928,037 -0.15
95 MRAT 2019 2,429,538,219 532,762,947,995 0.00
96 PCAR 2019 (9,889,142,889) 124,735,506,555 -0.08
97 POLY 2019 (9,435,866) 242,051,545 -0.04
98 RMBA 2019 29,138 17,000,330 0.00
99 SIPD 2019 110,041 2,470,793 0.04
100 SMCB 2019 407,610 19,567,498 0.02
101 SSTM 2019 (21,323,408,393) 514,765,731,890 -0.04
102 TIRT 2019 (52,794,021,588) 895,683,018,081 -0.06
87
Lampiran 4: Perhitungan Variabel Arus Kas Aktivitas Operasi
Variabel
No Kode Tahun Arus Kas Operasi Total Aset
Arus Kas
1 ADMG 2017 16,913,184 374,110,303 0.05
2 AISA 2017 733,424 1,981,940 0.37
3 ALTO 2017 5,602,423,448 1,109,383,971,111 0.01
4 APLI 2017 10,904,672,310 398,698,779,619 0.03
5 ARGO 2017 (377,344) 98,459,842 0.00
6 BAJA 2017 52,474,094,986 946,448,936,464 0.06
7 BRNA 2017 9,047,191 1,964,877,082 0.00
8 BTEK 2017 (160,428,734,408) 5,306,055,112,389 -0.03
9 CPRO 2017 (145,816) 7,008,719 -0.02
10 CTBN 2017 2,914,030 149,450,952 0.02
11 ESTI 2017 278,432 61,559,548 0.00
12 ETWA 2017 (9,837,000,718) 1,114,568,571,897 -0.01
13 FPNI 2017 1,238 191,857 0.01
14 GDST 2017 32,693,373,940 1,374,987,178,565 0.02
15 GDYR 2017 16,476,806 123,765,600 0.13
16 GJTL 2017 738,861 18,191,176 0.04
17 HDTX 2017 125,143,889 4,035,086,385 0.03
18 IIKP 2017 (3,829,837,721) 313,924,526,593 -0.01
19 IKAI 2017 (22,053,634) 219,245,635 -0.10
20 KIAS 2017 (17,868,868,446) 1,767,603,505,697 -0.01
21 KICI 2017 6,225,044,449 149,420,009,884 0.04
88
22 KRAS 2017 204,160 4,114,386 0.05
23 LMPI 2017 (16,797,834,611) 834,548,374,286 -0.02
24 MAIN 2017 265,893,212 4,008,635,719 0.07
25 MASA 2017 28,043,721 655,531,600 0.04
26 MBTO 2017 (33,053,446,183) 780,669,761,787 -0.04
27 MRAT 2017 (10,355,155,394) 497,354,419,089 -0.02
28 PCAR 2017 (13,372,847,650) 140,807,574,026 -0.09
29 POLY 2017 18,676,931 231,566,955 0.08
30 RMBA 2017 6,706 14,083,598 0.00
31 SIPD 2017 (54,375) 2,239,699 -0.02
32 SMCB 2017 818,464 19,626,403 0.04
33 SSTM 2017 25,549,790,980 605,643,301,307 0.04
34 TIRT 2017 (12,654,191,610) 859,299,056,455 -0.01
35 ADMG 2018 1,503,016 280,679,854 0.01
36 AISA 2018 278,566 1,816,406 0.15
37 ALTO 2018 7,723,486,943 1,109,843,522,344 0.01
38 APLI 2018 1,429,851,349 503,177,499,114 0.00
39 ARGO 2018 (1,751,349) 88,323,888 -0.02
40 BAJA 2018 10,125,713,239 901,181,796,270 0.01
41 BRNA 2018 55,946,663 2,461,326,183 0.02
42 BTEK 2018 1,088,089,209,381 5,165,236,468,706 0.21
43 CPRO 2018 109,828 6,572,440 0.02

44 CTBN 2018 -0.14
89
(21,130,913) 155,653,317
45 ESTI 2018 (4,730,439) 62,027,720 -0.08
46 ETWA 2018 21,133,817,027 1,093,133,957,536 0.02
47 FPNI 2018 3,252 195,826 0.02
48 GDST 2018 6,606,782,082 1,351,861,756,994 0.00
49 GDYR 2018 (2,561,495) 126,016,356 -0.02
50 GJTL 2018 479,736 19,711,478 0.02
51 HDTX 2018 438,705,317 586,940,667 0.75
52 IIKP 2018 841,079,440 298,090,648,072 0.00
53 IKAI 2018 (69,560,019) 1,337,016,109 -0.05
54 KIAS 2018 (19,687,681,719) 1,704,424,579,208 -0.01
55 KICI 2018 (531,708,506) 154,088,747,766 0.00
56 KRAS 2018 (80,151) 3,581,188 -0.02
57 LMPI 2018 29,060,369,596 786,704,752,983 0.04
58 MAIN 2018 367,904,123 4,335,844,455 0.08
59 MASA 2018 17,008,259 557,051,444 0.03
60 MBTO 2018 6,591,999,142 648,016,880,325 0.01
61 MRAT 2018 (5,750,378,923) 511,887,783,867 -0.01
62 PCAR 2018 (36,516,820,278) 117,423,511,774 -0.31
63 POLY 2018 (1,167,123) 238,246,828 0.00
64 RMBA 2018 (8,892) 14,879,589 0.00
65 SIPD 2018 116,511 2,187,879 0.05
66 SMCB 2018 404,517 18,667,187 0.02
90
67 SSTM 2018 14,880,768,388 526,174,180,897 0.03
68 TIRT 2018 (11,767,626,516) 923,366,433,799 -0.01
69 ADMG 2019 9,457,131 255,228,195 0.04
70 AISA 2019 12,183 1,868,966 0.01
71 ALTO 2019 33,552,221,386 1,103,450,087,164 0.03
72 APLI 2019 18,517,650,964 419,264,529,448 0.04
73 ARGO 2019 (3,547,029) 85,032,904 -0.04
74 BAJA 2019 79,605,539,441 836,870,774,001 0.10
75 BRNA 2019 142,202,375 2,263,112,918 0.06
76 BTEK 2019 94,459,968,551 4,975,248,130,342 0.02
77 CPRO 2019 358,866 6,000,259 0.06
78 CTBN 2019 2,602,328 172,321,876 0.02
79 ESTI 2019 (4,259,860) 61,112,029 -0.07
80 ETWA 2019 (9,513,631,012) 1,123,825,685,012 -0.01
81 FPNI 2019 5,393 165,728 0.03
82 GDST 2019 (60,367,965,848) 1,758,578,169,995 -0.03
83 GDYR 2019 (2,303,996) 120,360,141 -0.02
84 GJTL 2019 1,258,371 18,856,075 0.07
85 HDTX 2019 (9,090,852) 423,791,061 -0.02
86 IIKP 2019 624,782,809 384,481,206,140 0.00
87 IKAI 2019 (55,279,005) 1,357,533,090 -0.04
88 KIAS 2019 (45,225,708,260) 1,231,680,564,971 -0.04

89 KICI 2019 0.05
91
8,147,131,727 152,818,996,760
90 KRAS 2019 176,125 3,286,723 0.05
91 LMPI 2019 18,147,515,192 737,642,257,697 0.02
92 MAIN 2019 312,988,282 4,648,577,041 0.07
93 MASA 2019 (29,530,520) 451,103,384 -0.07
94 MBTO 2019 (2,039,720,318) 591,063,928,037 0.00
95 MRAT 2019 (6,529,917,745) 532,762,947,995 -0.01
96 PCAR 2019 (12,699,138,614) 124,735,506,555 -0.10
97 POLY 2019 8,260,004 242,051,545 0.03
98 RMBA 2019 (948,162) 17,000,330 -0.06
99 SIPD 2019 223,478 2,470,793 0.09
100 SMCB 2019 (53,247) 19,567,498 0.00
101 SSTM 2019 33,552,722,613 514,765,731,890 0.07
102 TIRT 2019 7,895,681,075 895,683,018,081 0.01
92
Lampiran 5: Perhitungan Variabel Debt To Equity Ratio
Variabel
No Kode Tahun Total Hutang Modal
DER
1 ADMG 2017 134,518,424 239,591,879 0.56
2 AISA 2017 5,239,841 (33,450,942) -0.16
3 ALTO 2017 690,099,182,411 419,284,778,700 1.65
4 APLI 2017 171,514,782,371 227,183,997,248 0.75
5 ARGO 2017 170,755,921 (72,296,079) -2.36
6 BAJA 2017 774,432,726,191 172,016,210,273 4.50
7 BRNA 2017 1,111,847,645 853,029,437 1.30
8 BTEK 2017 3,318,435,703,361 1,987,619,409,028 1.67
9 CPRO 2017 8,787,597 (1,778,878) -4.94
10 CTBN 2017 44,151,213 105,299,739 0.42
11 ESTI 2017 46,846,685 14,712,863 3.18
12 ETWA 2017 1,235,873,364,700 (121,304,792,803) -10.19
13 FPNI 2017 95,955 95,902 1.00
14 GDST 2017 357,929,359,856 1,017,057,818,709 0.35
15 GDYR 2017 70,187,977 53,577,623 1.31
16 GJTL 2017 12,501,710 5,689,466 2.20
17 HDTX 2017 3,701,551,196 333,535,189 11.10
18 IIKP 2017 25,036,566,757 288,887,959,836 0.09
19 IKAI 2017 335,252,236 (116,006,601) -2.89
20 KIAS 2017 340,873,208,857 1,426,730,296,840 0.24
21 KICI 2017 57,921,570,888 91,498,438,996 0.63
93
22 KRAS 2017 2,261,577 1,852,809 1.22
23 LMPI 2017 458,292,046,535 376,256,327,751 1.22
24 MAIN 2017 2,371,092,779 1,637,542,940 1.45
25 MASA 2017 320,617,373 334,914,227 0.96
26 MBTO 2017 367,927,139,244 412,742,622,543 0.89
27 MRAT 2017 130,623,005,085 366,731,414,004 0.36
28 PCAR 2017 44,941,281,197 95,866,292,829 0.47
29 POLY 2017 1,174,807,927 (943,240,972) -1.25
30 RMBA 2017 5,159,928 8,923,670 0.58
31 SIPD 2017 1,448,387 791,312 1.83
32 SMCB 2017 12,429,452 7,196,951 1.73
33 SSTM 2017 393,177,629,584 212,465,671,723 1.85
34 TIRT 2017 735,476,711,731 123,822,344,724 5.94
35 ADMG 2018 36,903,892 243,775,962 0.15
36 AISA 2018 5,267,348 (3,450,942) -1.53
37 ALTO 2018 722,716,844,799 387,126,677,545 1.87
38 APLI 2018 298,992,622,457 204,184,876,657 1.46
39 ARGO 2018 168,398,426 (80,074,538) -2.10
40 BAJA 2018 824,660,447,657 76,521,348,613 10.78
41 BRNA 2018 1,338,054,621 1,123,271,562 1.19
42 BTEK 2018 2,904,707,799,328 2,260,528,669,378 1.28
43 CPRO 2018 5,898,097 674,343 8.75

44 CTBN 2018 0.58
94
56,917,064 98,736,253
45 ESTI 2018 45,778,095 16,249,625 2.82
46 ETWA 2018 1,349,487,510,140 (258,972,397,239) -5.21
47 FPNI 2018 93,291 102,535 0.91
48 GDST 2018 455,885,354,596 895,976,402,398 0.51
49 GDYR 2018 71,622,528 54,393,828 1.32
50 GJTL 2018 13,835,648 5,875,830 2.35
51 HDTX 2018 450,801,225 136,139,442 3.31
52 IIKP 2018 23,746,905,995 274,343,742,077 0.09
53 IKAI 2018 542,884,341 794,131,768 0.68
54 KIAS 2018 349,587,345,823 1,354,837,233,385 0.26
55 KICI 2018 59,439,145,864 94,649,601,902 0.63
56 KRAS 2018 2,498,105 1,800,213 1.39
57 LMPI 2018 456,214,088,287 330,490,664,696 1.38
58 MAIN 2018 2,439,198,361 1,896,646,094 1.29
59 MASA 2018 325,464,552 317,896,959 1.02
60 MBTO 2018 347,517,123,452 300,499,756,873 1.16
61 MRAT 2018 143,913,787,087 367,973,996,780 0.39
62 PCAR 2018 28,973,210,457 88,450,301,317 0.33
63 POLY 2018 1,167,672,439 (929,425,611) -1.26
64 RMBA 2018 6,513,618 8,365,971 0.78
65 SIPD 2018 1,347,391 840,488 1.60
66 SMCB 2018 12,250,837 6,416,350 1.91
95
67 SSTM 2018 346,923,856,267 215,250,324,630 1.61
68 TIRT 2018 835,881,014,674 87,485,419,125 9.55
69 ADMG 2019 47,404,827 207,823,368 0.23
70 AISA 2019 3,526,819 (1,657,853) -2.13
71 ALTO 2019 722,719,563,550 380,730,523,614 1.90
72 APLI 2019 206,523,459,012 212,741,070,436 0.97
73 ARGO 2019 171,666,033 (86,633,129) -1.98
74 BAJA 2019 762,683,580,285 74,187,193,716 10.28
75 BRNA 2019 1,309,332,127 953,780,791 1.37
76 BTEK 2019 2,832,632,209,365 2,142,615,920,977 1.32
77 CPRO 2019 5,670,767 329,492 17.21
78 CTBN 2019 70,871,753 101,450,123 0.70
79 ESTI 2019 47,655,351 13,456,678 3.54
80 ETWA 2019 1,469,796,558,566 (345,970,873,554) -4.25
81 FPNI 2019 66,532 99,196 0.67
82 GDST 2019 841,187,548,585 917,390,621,410 0.92
83 GDYR 2019 68,002,673 52,357,468 1.30
84 GJTL 2019 12,620,444 6,235,631 2.02
85 HDTX 2019 353,633,985 70,157,076 5.04
86 IIKP 2019 25,039,869,959 350,441,336,181 0.07
87 IKAI 2019 440,983,741 916,549,349 0.48
88 KIAS 2019 326,113,004,490 905,587,560,481 0.36

89 KICI 2019 0.75
96
65,463,957,074 87,355,039,686
90 KRAS 2019 2,930,715 356,008 8.23
91 LMPI 2019 448,320,875,981 289,321,381,716 1.55
92 MAIN 2019 2,619,935,420 2,028,641,621 1.29
93 MASA 2019 255,715,066 195,388,318 1.31
94 MBTO 2019 355,892,726,293 235,171,201,739 1.51
95 MRAT 2019 164,121,422,945 368,641,525,050 0.45
96 PCAR 2019 40,503,414,153 84,232,092,402 0.48
97 POLY 2019 1,183,397,441 (941,345,896) -1.26
98 RMBA 2019 8,598,687 8,401,643 1.02
99 SIPD 2019 1,554,580 916,213 1.70
100 SMCB 2019 12,584,886 6,982,612 1.80
101 SSTM 2019 314,416,806,582 200,348,925,308 1.57
102 TIRT 2019 859,736,792,345 35,946,225,736 23.92
97
Lampiran 6: Data Laba Bersih Sebelum Pajak, Arus Kas Aktivitas Operasi, Debt
To Equity Ratio, dan Financial Distress Perusahaan Sampel
No Kode Tahun X1 X2 X3 Y
1 ADMG 2017 -0.01 0.05 0.56 1
2 AISA 2017 -2.63 0.37 -0.16 1
3 ALTO 2017 -0.06 0.01 1.65 1
4 APLI 2017 0.04 0.03 0.75 1
5 ARGO 2017 -0.16 0.00 -2.36 1
6 BAJA 2017 -0.03 0.06 4.50 1
7 BRNA 2017 -0.11 0.00 1.30 1
8 BTEK 2017 -0.01 -0.03 1.67 1
9 CPRO 2017 -0.36 -0.02 -4.94 1
10 CTBN 2017 -0.11 0.02 0.42 1
11 ESTI 2017 -0.04 0.00 3.18 1
12 ETWA 2017 -0.13 -0.01 -10.19 1
13 FPNI 2017 -0.01 0.01 1.00 0
14 GDST 2017 0.01 0.02 0.35 0
15 GDYR 2017 0.00 0.13 1.31 0
16 GJTL 2017 0.01 0.04 2.20 1
17 HDTX 2017 -0.17 0.03 11.10 1
18 IIKP 2017 -0.05 -0.01 0.09 0
19 IKAI 2017 -0.29 -0.10 -2.89 1
20 KIAS 2017 -0.05 -0.01 0.24 0
21 KICI 2017 0.07 0.04 0.63 1
22 KRAS 2017 -0.02 0.05 1.22 1
23 LMPI 2017 -0.04 -0.02 1.22 1
24 MAIN 2017 0.00 0.07 1.45 1
25 MASA 2017 -0.01 0.04 0.96 1
26 MBTO 2017 -0.04 -0.04 0.89 1
27 MRAT 2017 0.00 -0.02 0.36 1
28 PCAR 2017 0.00 -0.09 0.47 0
29 POLY 2017 0.00 0.08 -1.25 1
30 RMBA 2017 -0.03 0.00 0.58 1
31 SIPD 2017 -0.11 -0.02 1.83 1
32 SMCB 2017 -0.04 0.04 1.73 1
33 SSTM 2017 -0.05 0.04 1.85 1
34 TIRT 2017 0.00 -0.01 5.94 1
35 ADMG 2018 0.00 0.01 0.15 0
36 AISA 2018 -0.05 0.15 -1.53 1
37 ALTO 2018 -0.04 0.01 1.87 1
38 APLI 2018 -0.04 0.00 1.46 1
39 ARGO 2018 -0.10 -0.02 -2.10 1
98
40 BAJA 2018 -0.10 0.01 10.78 1
41 BRNA 2018 -0.01 0.02 1.19 1
42 BTEK 2018 0.02 0.21 1.28 1
43 CPRO 2018 0.28 0.02 8.75 1
44 CTBN 2018 -0.05 -0.14 0.58 1
45 ESTI 2018 0.02 -0.08 2.82 1
46 ETWA 2018 -0.12 0.02 -5.21 1
47 FPNI 2018 0.04 0.02 0.91 0
48 GDST 2018 -0.09 0.00 0.51 0
49 GDYR 2018 0.01 -0.02 1.32 0
50 GJTL 2018 0.00 0.02 2.35 1
51 HDTX 2018 -0.61 0.75 3.31 1
52 IIKP 2018 -0.06 0.00 0.09 0
53 IKAI 2018 0.05 -0.05 0.68 1
54 KIAS 2018 -0.06 -0.01 0.26 0
55 KICI 2018 -0.01 0.00 0.63 1
56 KRAS 2018 -0.05 -0.02 1.39 1
57 LMPI 2018 -0.07 0.04 1.38 1
58 MAIN 2018 0.09 0.08 1.29 1
59 MASA 2018 -0.08 0.03 1.02 1
60 MBTO 2018 -0.24 0.01 1.16 1
61 MRAT 2018 0.00 -0.01 0.39 1
62 PCAR 2018 -0.06 -0.31 0.33 0
63 POLY 2018 0.06 0.00 -1.26 1
64 RMBA 2018 -0.02 0.00 0.78 1
65 SIPD 2018 0.02 0.05 1.60 1
66 SMCB 2018 -0.04 0.02 1.91 1
67 SSTM 2018 0.00 0.03 1.61 1
68 TIRT 2018 -0.04 -0.01 9.55 1
69 ADMG 2019 -0.12 0.04 0.23 0
70 AISA 2019 0.73 0.01 -2.13 1
71 ALTO 2019 -0.01 0.03 1.90 1
72 APLI 2019 0.05 0.04 0.97 1
73 ARGO 2019 -0.09 -0.04 -1.98 1
74 BAJA 2019 0.01 0.10 10.28 1
75 BRNA 2019 -0.07 0.06 1.37 1
76 BTEK 2019 -0.02 0.02 1.32 1
77 CPRO 2019 -0.06 0.06 17.21 1
78 CTBN 2019 0.02 0.02 0.70 1
79 ESTI 2019 -0.04 -0.07 3.54 1
80 ETWA 2019 -0.10 -0.01 -4.25 1
81 FPNI 2019 -0.03 0.03 0.67 0
99
82 GDST 2019 0.02 -0.03 0.92 1
83 GDYR 2019 -0.01 -0.02 1.30 1
84 GJTL 2019 0.02 0.07 2.02 1
85 HDTX 2019 -0.16 -0.02 5.04 1
86 IIKP 2019 0.21 0.00 0.07 0
87 IKAI 2019 -0.05 -0.04 0.48 1
88 KIAS 2019 -0.41 -0.04 0.36 0
89 KICI 2019 -0.03 0.05 0.75 1
90 KRAS 2019 -0.16 0.05 8.23 1
91 LMPI 2019 -0.08 0.02 1.55 1
92 MAIN 2019 0.05 0.07 1.29 1
93 MASA 2019 -0.02 -0.07 1.31 1
94 MBTO 2019 -0.15 0.00 1.51 1
95 MRAT 2019 0.00 -0.01 0.45 1
96 PCAR 2019 -0.08 -0.10 0.48 0
97 POLY 2019 -0.04 0.03 -1.26 1
98 RMBA 2019 0.00 -0.06 1.02 1
99 SIPD 2019 0.04 0.09 1.70 1
100 SMCB 2019 0.02 0.00 1.80 1
101 SSTM 2019 -0.04 0.07 1.57 1
102 TIRT 2019 -0.06 0.01 23.92 1
100
Lampiran 7: Hasil Pengujian Menggunakan SPSS
Descriptive Statistics
N Minimum Maximum Mean Std. Deviation

EBT 102 -2.63 .73 -.0629 .28753
Arus Kas Operasi 102 -.31 .75 .0187 .10060
DER 102 -10.19 23.92 1.6006 4.00701
Financial Distress 102 0 1 .82 .383
Valid N (listwise) 102
Regression (Mencari Multikolonieritas)

Coefficients(a)
Unstandardized Standardized Collinearity
Coefficients Coefficients Statistics
Mode
l B Std. Error Beta t Sig. Tolerance VIF
1 (Constant) .797 .042 19.154 .000
EBT .048 .146 .036 .332 .740 .817 1.223
Arus Kas
.676 .417 .177 1.619 .109 .812 1.232
Operasi
DER .011 .010 .111 1.112 .269 .983 1.017
a Dependent Variable: Financial Distress
Regresi Logistik
Hosmer and Lemeshow Test
Step Chi-square df Sig.

1 13.689 8 .090
Iteration History(a,b,c)
Coefficients
-2 Log
Iteration likelihood Constant
Step 0 1 96.012 1.294
2 95.068 1.523
3 95.064 1.540
4 95.064 1.540
a Constant is included in the model.

b Initial -2 Log Likelihood: 95.064
c Estimation terminated at iteration number 4 because parameter estimates changed by less
than .001.
101
Iteration History(a,b,c,d)
Coefficients
-2 Log
Iteration likelihood Constant X1 X2 X3
Step 1 1 92.364 1.188 .193 2.704 .042
2 89.174 1.383 .314 6.225 .080
3 88.876 1.413 .093 7.674 .097
4 88.860 1.411 -.083 7.926 .099
5 88.860 1.410 -.101 7.947 .099
6 88.860 1.410 -.102 7.948 .099
a Method: Enter
b Constant is included in the model.
c Initial -2 Log Likelihood: 95.064
d Estimation terminated at iteration number 6 because parameter estimates changed by less
than .001.
Model Summary
-2 Log Cox & Snell Nagelkerke R

Step likelihood R Square Square
1 88.860(a) .059 .097
a Estimation terminated at iteration number 6 because parameter estimates changed by less
than .001.
Variables in the Equation
B S.E. Wald df Sig. Exp(B)

Step X1 -.102 1.860 .003 1 .956 .903
1(a) X2 7.948 4.454 3.184 1 .074 2828.902
X3 .099 .092 1.162 1 .281 1.104
Constant 1.410 .289 23.864 1 .000 4.097
a Variable(s) entered on step 1: X1, X2, X3.
102

Skripsi Pandi Sopian A1c017121 Acc

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 Pandi Sopian A1c017121 Acc

Diunggah oleh

Hak Cipta:

Format Tersedia

SKRIPSI

PENGARUH INFORMASI LABA, ARUS KAS, DAN RASIO

PROGRAM STUDI SARJANA

PROGRAM STUDI SARJANA

PENGARUH INFORMASI LABA, ARUS KAS, DAN RASIO

Dosen Pembimbing 1 Dosen Pembimbing 2

Dr. Lilik Handajani,SE.,M.SA,Ak Nurabiah,SE.,M.MSI

Dr. Muaidy Yasin, MS. Baiq Anggun Hilendri, SE.,Ak.,M.Si

Mataram, ……………. 2021

Yang Memberi Pernyataan,

Alhamdulillahirabbil’alamin, segala puji dan syukur saya panjatkan kepada

membantu baik secara langsung maupun tidak langsung, yaitu:

1. Rektor Universitas Mataram, Prof. Ir. H. Bambang Hari Kusumo, M.Agr.St.,

2. Dekan Fakultas Ekonomi Universitas Mataram, Bapak Dr. Muaidy Yasin, MS

sarjana (S1) Fakultas Ekonomi dan Bisnis Universitas Mataram.

(S1) Fakultas Ekonomi dan Bisnis Universitas Mataram.

selaku Pembimbing Utama, atas waktu yang diberikan untuk bimbingan,

masukan-masukan serta saran yang diberikan sehingga skripsi ini dapat

dan Ibu Nurabiah,SE.,MMSI. selaku Pembimbing Pendamping, saya ucapkan

dorongan untuk secepatnya menyelesaikan skripsi ini.

Bisnis Universitas Mataram atas semua ilmu, pengetahuan serta kenangan

Dosen Pembimbing Akademik.

atas bantuannya selama masa perkuliahan.

atas pengorbanan baik materil maupun non materil, perhatian, kesabaran,

sukses bersama. Aamiin Allahumma Aamiin.

Reguler Pagi Angkatan 2017.

diselesaikan dengan baik

dan memberikan motivasi kepada peneliti.

untuk menyempurnakan penulisan ini. Semoga skripsi ini dapat memberikan

DAFTAR PUSTAKA ......................................................................................73

1.1. Latar Belakang

Pada era modernisasi yang sekarang ini persaingan dalam dunia

perusahaan menjadi semakin lebih ketat. Perusahan dituntut untuk memperkuat

maupun internasional. Persaingan yang terjadi antara perusahaan menyebabkan

mengantisipasi perkembangan perekonomian dan persaingan dapat menyebabkan

kebangkrutan bagi perusahaan itu sendiri. Sebelum terjadinya kebangkrutan

perusahaan akan mengalami kondisi kesulitan keuangan yang disebut dengan

Financial distress merupakan keadaan dimana perusahaan mengalami

Platt (2002), Financial distress didefinisikan sebagai tahap penurunan kondisi

dapat dapat digambarkan dengan kegagalan, ketidakmampuan perusahaan

melunasi hutang-hutangnya yang sudah jatuh tempo. Financial distress dapat

yang paling ringan, sampai ke pernyataan kebangkrutan yang merupakan

financial distress yang paling berat (Triwahyuningtias & Muharam, 2012).

perusahaan yang terdaftar di Bursa Efek Indonesia (BEI). Banyaknya perusahaan

persaingan yang ketat antar perusahaan manufaktur. Peristiwa financial distress

yang terjadi adalah peristiwa dimana didelestingnya beberapa perusahaan

manufaktur pada tahun 2017-2019. Menurut Darmadji & Fakhrudin (2006)

delesting saham. Dapat dikatakan definisi delesting adalah tindakan penghapusan

sahamnya tidak dapat lagi diperdagangakan secara publik.

Pada tahun 2018, BEI menghapus perusahaan manufaktur yaitu: PT Dwi

Aneka Jaya Kemasindo (DAJK) yang mengalami masalah kesulitan keuangan.

Menurut informasi keterbukaan BEI, penghapusan pencatatan DAJK efektif sejak

yang mencatatkan sahamnya di BEI. DAJK dinyatakan pailit oleh Pengadilan

yang buruk (www.cnbcindonesia.com).

Pada umumnya penelitian tentang kebangkrutan, kegagalan, maupun

financial distress menggunakan indikator kinerja keuangan perusahaan sebagai

Meiranto, 2014). Laporan keuangan yang diterbitkan oleh perusahaan merupakan

perubahan posisi keuangan yang sangat berguna untuk mendukung pengambilan

keputusan yang tepat. Kinerja keuangan yang banyak digunakan untuk

mempengaruhi financial distress adalah rasio profitabilitas, aktivitas, solvabilitas,

Menurut penelitian yang dilakukan Kusumaningdyah (2019), arus kas dan

perusahaan. Sebuah perusahaan dikatakan mengalami financial distress apabila

mendasari peneliti dan menambahkan rasio solvabilitas proyeksi debt to equity