PENGARUH FINANCIAL DISTRESS DAN PROFITABILITAS

TERHADAP TAX AVOIDANCE

(Studi Pada Perusahaan Manufaktur yang Terdaftar di Bursa Efek Indonesia

(BEI) Periode 2017-2021)

SKRIPSI

Diajukan sebagai salah satu syarat

Untuk Menempuh Ujian Akhir Program Sarjana (S1)

Program Studi Akuntansi STIE STAN – Indonesia Mandiri

Disusun Oleh:
INDRI TRI JULIYANTI
372061003

SEKOLAH TINGGI ILMU EKONOMI STAN – INDONESIA MANDIRI

BANDUNG
2023
 LEMBAR PENGESAHAN

JUDUL : PENGARUH FINANCIAL DISTRESS DAN PROFITABILITAS

TERHADAP TAX AVOIDANCE (Studi Pada Perusahaan Sektor

Manufaktur yang Terdaftar di Bursa Efek Indonesia (BEI) Periode

2017-2021)

THE EFFECT OF FINANCIAL DISTRESS AND

PROFITABILITY ON TAX AVOIDANCE (Study on Manufacturing

Sector Companies Listed on the Indonesia Exchange 2017 - 2021

Period)

PENULIS : INDRI TRI JULIYANTI

NIM : 372061003

Bandung,
Mengesahkan,
Pembimbing, Ketua Program Studi,

(Intan Pramesti Dewi, S.E., AK., M.Ak.) (Dani Sopian, S.E., M.Ak.)

Mengetahui
Wakil Ketua I Bidang Akademik,

(Intan Pramesti Dewi, S.E., AK., M.Ak.)

i
 LEMBAR PERSETUJUAN REVISI TUGAS AKHIR

PENGARUH FINANCIAL DISTRESS DAN PROFITABILITAS TERHADAP

TAX AVOIDANCE
(Studi Pada Perusahaan Sektor Manufaktur yang Terdaftar di Bursa Efek
Indonesia (BEI) Periode 2017 – 2021)

THE EFFECT OF FINACIAL DISTRESS AND PROFITABILITY ON TAX

AVOIDANCE
(Study on Manufacturing Sector Companies Listed on the Indonesia Stock
Exchange (BEI) 2017 – 2021 Period)

Telah melakukan sidang tugas akhir pada hari Jumat, 10 Februari 2023 dan telah
melakukan revisi sesuai masukan pada sidang tugas akhir.

Bandung, 13 Februari 2023

Menyetujui,

No Nama Penguji Tanda Tangan

1 Intan Pramesti Dewi, S.E., AK., M.Ak. Pembimbing

2 Dr. Hariandy Hasbi, S.E., MM. Penguji 1

3 Dani Sopian, S.E., M.Ak. Penguji 2

Mengetahui
Ketua Program Studi Akuntansi,

Dani Sopian, S.E., M.Ak.

NIDN : 0410068702

ii
 PERNYATAAN ORISINALITAS SKRIPSI

Yang bertanda tangan dibawah ini:

Nama : Indri Tri Juliyanti

NIM : 372061003

Dengan ini menyatakan tugas akhir yang saya susun dengan judul:

PENGARUH FINANCIAL DISTRESS DAN PROFITABILITAS

TERHADAP TAX AVOIDANCE (Studi Pada Perusahaan Sektor Manufaktur

yang Terdaftar di Bursa Efek Indonesia (BEI) Periode 2017-2021)

Adalah benar-benar hasil karya saya sendiri dan bukan merupakan plagiat dari tugas

akhir orang lain. Apabila dikemudian hari pernyataan saya tidak benanr, maka saya

bersedia menerima sanksi akademis yang berlaku. Demikian pernyataan ini saya

buat dengan sebenarnya, untuk dapat dipergunakan bilamana diperlukan.

Bandung, 13 Februari 2023

Yang membuat pernyataan,

(Indri Tri Juliyanti)

NIM: 372061003

iii
 ABSTRAK

Penelitian ini bertujuan untuk mengetahui seberapa kemungkinannya

perusahaan melakukan penghindaran pajak yang suatu tindakan perlawanan
terhadap pajak.
penelitian ini merupakan penelitian kuantitatif dengan data sekunder pada
perusahaan manufaktur yang terdaftar di Bursa Efek Indonesia (BEI) selama
periode 2017-2021. Teknik pengambilan sampel yang digunakan dalam penelitian
ini adalah sampling area (cluster) sampling (sampling menurut daerah).
sampel yang didapatkan sebanyak 47 perusahaan selama 5 tahun berturut-
turut sebanyak 235 sampel. Metode analisis data yang digunakan dalam penelitian
ini adalah analisis regresi linier berganda dengan alat bantu SPSS20-22. Hasil
penelitian statistik simultan (Uji-F) menunjukkan bahwa secara bersama-sama
Financial Distress dan profitabilitas berpengaruh terhadap Tax Avoidance. Hasil
penelitian statistik persial (Uji-t) dari hasil analisis Financial Distress dan
profitabilitas terhdap Tax Avoidance berpengaruh positif signifikan terhadap Tax
Avoidance. Hasil penelitian ini Financial Distress G-score berpengaruh positif
tetapi tidak signifikan terhadap Tax Avoidance dan Financial Distress Z-score
berpengaruh positif signifikan terhadap Tax Avoidance.

Kata kunci :
Penghindaran Pajak, Profitabilitas, Financial Distress

iv
 ABSTRACT

This study aims to find out how likely it is for companies to carry outtax
avoidance which is an act of resistance to pajak.
This research is a quantitative study with secondary data on
manufacturing companies listed on the Indonesia Stock Exchange (IDX) during the
2017-2021 period. The sampling technique used in this study was sampling area
(cluster) sampling (sampling by region).
The samples obtained were 47 companies for 5 consecutive years as many
as 235 samples. The data analysis method used in this study is multiple linear
regression analysis with the SPSS20-22 tool. The results of simultaneous statistical
research (F-Test) show that together Financial Distress and profitability affect Tax
Avoidance. The results of the statistical research (t-test) from the results of the
Financial Distress analysis and profitability of tax avoidance have a significant
positive effect on Tax Avoidance. The results of this study Financial Distress G-
score have a positive but not significant effect on Tax Avoidance and Financial
Distress Z-score has a significant positive effect on Tax Avoidance.

Keywords:
Tax Avoidance, Profitability, Financial Distress

v
 KATA PENGANTAR

Assalamualaikum wr. wb.

Puji serta syukur saya panjatkan kehadirat Allah SWT atas berkah, rahmat,

ridho, dan karunia-Nya sehingga saya dapat menyelesaikan penelitian ini dan tak

lupa shalawat serta salam tak lupa penulis tujukan kepada Nabi Muhammad SAW.

Penelitian yang berjudul “PENGARUH FINANCIAL DISTRESS DAN

PROFITABILITAS TERHADAP TAX AVOIDANCE (Studi Empiris Pada

Perusahaan Subsektor Manufaktur yang Terdaftar Di Bursa Efek Indonesia

Periode 2017-2021)” disusun untuk memenuhi salah satu syarat dalam

menyelesaikan Pendidikan Program Sarjana Strata-1 pada program studi Akuntansi

di Sekolah Tinggi Ilmu Ekonomi STAN – Indonesia Mandiri.

Dalam penyusunan skripsi ini telah melibatkan banyak pihak yang sangat

membantu dalam banyak hal. Oleh karena itu, pada kesempatan ini saya ingin

menyampaikan ucapan terima kasih kepada:

1. Allah SWT atas rahmat dan karunia-Nya yang berlimpah.

2. Pertama saya harus mengucapkan terima kasih dan rasa syukur untuk saya

sendiri, bisa sampai dititik ini terima kasih telah sabar dan mampu memberikan

waktunya yang sempit ini untuk menjalankannya.

3. Kedua orang tua saya yang tercinta, Ibu Lindawati dan Bapak Asri Mulyadi

yang tak hentinya memberikan do’a, dukungan serta kasih sayang yang tiada

henti sehingga saya dapat menyelesaikan studi dan skripsi ini.

vi
4. Adik dan kakak saya Jenny, Safira, Reni, Rama, Frisca yang selalu

memberikan dukungan dan semangat agar saya dapat menyelesaikan skripsi

ini.

5. Ibu Intan Pramesti Dewi, S.E., AK., M.Ak. selaku dosen pembimbing skripsi.

Terima kasih atas waktu, tenaga, ilmu, serta pengarahan dan saran-saran yang

diberikan selama proses penulisan skripsi sehingga saya dapat menyelesaikan

skripsi ini.

6. Ibu Dr. Hj. Nur Hayati., M.Si., selaku Ketua Sekolah Tinggi Ilmu Ekonomi

STAN – Indonesia Mandiri.

7. Ibu Intan Pramesti Dewi, S.E., AK., M.Ak. selaku Wakil Ketua 1 Bidang

Akademik Sekolah Tinggi Ilmu Ekonomi STAN – Indonesia Mandiri.

8. Bapak Dani Sopian, SE., M.Ak selaku Ketua Program Studi Akuntansi

Sekolah Tinggi Ilmu Ekonomi STAN – Indonesia Mandiri.

9. Seluruh Bapak dan Ibu dosen yang telah memberikan ilmu yang tidak terbatas

selama kuliah di Sekolah Tinggi Ilmu Ekonomi STAN – Indonesia Mandiri.

10. Seluruh jajaran staf Sekolah Tinggi Ilmu Ekonomi STAN – Indonesia Mandiri

yang telah membantu dalam kelancaran proses penyusunan skripsi ini.

11. Kepada seseorang yang selalu mendukung saya dari awal perkuliahan sampai

di akhir ini masih mendukung dan memberikan semangatnya agar dapat

menyelesaikan tugas tepat waktu kepada Agus Prasetiyo Terima kasih.

12. Kepada teman sekaligus sahabat Puja, Syahrul, Ismi, Nielda, dan Aisyah yang

selalu membantu untuk keberlangsungan tugas akhir saya.

vii
13. Teman-teman Akuntansi 2020, terima kasih karena telah bertahan hingga

akhir, berbagi ilmu dikala kesibukan masing-masing, semoga apa yang kita

dapatkan bisa bermanfaat untuk kedepannya.

14. Serta semua pihak yang tidak dapat saya sebutkan satu persatu, terima kasih

banyak karena telah membantu dalam menyusun skripsi ini. Semoga Allah

SWT membalas semua kebaikan yang telah diberikan kepada semua pihak

yang telah membantu sehingga penelitian ini bisa terselesaikan.

Dalam hal ini, saya menyadari bahwa skripsi ini masih belum sempurna karena

itu saran dan kritik yang membangun masih sangat diperlukan dalam

penyempurnaan skripsi ini. Wassalamualaikum wr. wb.

Bandung, 29 Januari 2023

Bandung, 29 Januari
2023

(Indri Tri Juliyanti)

NIM : 372061003

viii
 DAFTAR ISI

LEMBAR PENGESAHAN ................................................................................... i

LEMBAR PERSETUJUAN REVISI TUGAS AKHIR ..................................... ii
PERNYATAAN ORISINALITAS SKRIPSI..................................................... iii
ABSTRAK ............................................................................................................ iv
ABSTRACT ............................................................................................................ v
KATA PENGANTAR .......................................................................................... vi
DAFTAR ISI ......................................................................................................... ix
DAFTAR TABEL .............................................................................................. xiii
DAFTAR GAMBAR DAN GRAFIK ............................................................... xiv
DAFTAR LAMPIRAN ....................................................................................... xv
BAB I PENDAHULUAN ...................................................................................... 1
1.1. Latar Belakang................................................................................. 1
1.2. Identifikasi Masalah ........................................................................ 5
1.3. Tujuan Penelitian ............................................................................. 6
1.4. Kegunaan Penelitian ........................................................................ 6
1.4.1. Kegunaan Teoritis ............................................................................. 7
1.4.2. Kegunaan Praktis .............................................................................. 7
BAB II .................................................................................................................... 9
TINJAUAN PUSTAKA, KERANGKA TEORITIS, DAN ............................... 9
PENGEMBANGAN HIPOTESIS ....................................................................... 9
2.1. Tinjauan Pustaka ............................................................................. 9
2.1.1. Teori Keagenan (Agency Theory) ..................................................... 9
2.1.2. Pajak ................................................................................................ 10
2.1.2.1 Definisi Pajak ................................................................................ 10
2.1.3. Fungsi Pajak .................................................................................. 11
2.1.2.3. Jenis Pajak ..................................................................................... 12
2.1.2.4. Tata Cara Menentukan dan Pemungutan Pajak ............................. 14
2.1.2.4.1. Pemungutan Pajak Stelsel ..................................................... 14
2.1.2.4.2. Asas Pemungutan Pajak ........................................................ 16
2.1.2.4.3. Sistem Pemungutan Pajak ..................................................... 17

ix
 2.2. Tax Avoidance ............................................................................... 18
2.2.1. Definisi Tax Avoidance .................................................................. 18
2.2.2. Macam-macam Perlawanan Pajak .................................................. 20
2.2.3. Ketentuan Penghindaran Pajak (Tax Avoidance) ............................ 21
2.2.4. Pengukuran Tax Avoidance ............................................................. 22
2.3. Financial Distress ......................................................................... 24
2.3.1. Definisi Financial Distress ............................................................. 24
2.3.2. Dampak Financial Distress............................................................. 25
2.3.3. Pengukuran Financial Distress ....................................................... 26
2.2.3.1. Model Altman Z-Score ............................................................ 26
2.3.3.2. Model Zmijewski ..................................................................... 30
2.3.3.3. Model Grover G-Score ............................................................ 31
2.3.3.4. Model Olhson O-Score ............................................................ 31
2.3.3.5. Model Camel ........................................................................... 33
2.3.3.6. Model S-Score ......................................................................... 34
2.3.3.7 Model Zeta ............................................................................... 35
2.4. Profitabilitas .................................................................................. 37
2.4.1. Definisi Profitabilitas ...................................................................... 37
2.4.2. Tujuan dan Manfaat Profitabilitas................................................... 37
2.4.3. Pengukuran Profitabilitas ................................................................ 38
2.5. Penelitian Terdahulu ...................................................................... 41
2.6. Kerangka Teoritis .......................................................................... 46
2.6.1. Pengaruh Financial Distress Terhadap Tax Voidance .................... 47
2.6.2. Pengaruh Profitabilitas Terhadap Tax Avoidance ........................... 48
2.7. Model Analisis............................................................................... 49
2.7.1. Pengembangan Hipotesis ................................................................ 49
BAB III ................................................................................................................. 50
METODE PENELITIAN ................................................................................... 50
3.1. Objek Penelitian ............................................................................ 50
3.4. Lokasi Penelitian ........................................................................... 51
3.4. Metode Penelitian .......................................................................... 51
3.5. Unit Analisis .................................................................................. 52

x
 3.6. Populasi dan Sampel...................................................................... 53
3.6.1. Populasi Penelitian .......................................................................... 53
3.6.2. Sampel Penelitian ............................................................................ 62
3.6.3. Teknik Pengambilan Sampel dan Penentu Ukuran Sampel ............ 63
3.7. Teknik Pengumpulan Sampel ........................................................ 66
3.8. Jenis dan Sumber Data .................................................................. 67
3.9. Operasionalisasi Variabel .............................................................. 67
3.10. Operasional Variabel Independen ................................................. 68
3.11. Variabel Dependen ........................................................................ 69
3.12. Teknik Analisis Data ..................................................................... 71
3.13. Analisis Statistik Deskriptif ........................................................... 71
3.14. Uji Asumsi Klasik ......................................................................... 73
3.15. Analisis Kolerasi ........................................................................... 76
3.15. Pengujian Hipotesis ....................................................................... 77
3.15.1. Uji Analisis Regresi Linier Berganda ............................................. 77
3.15.2. Uji Signifikan Simultan (Uji F) ...................................................... 79
3.15.3. Uji Persial ( Uji t) ............................................................................ 80
3.15.4. Uji Koefisien Determinasi .............................................................. 81
BAB IV ................................................................................................................. 83
HASIL PENELITIAN DAN PEMBAHASAN ................................................. 83
4.1. Hasil Penelitian.............................................................................. 83
4.1.1. Sampel Penelitian ............................................................................ 83
4.2. Analisa Deskriptif .......................................................................... 88
4.2.1. Financial Distress ........................................................................... 89
4.2.1.1. Financial Distress Model Altman Z-Score ..................................... 89
4.2.1.2. Financial Distress G-Score ............................................................. 96
4.2.2. Profitabilitas .................................................................................. 100
4.2. Tax Avoidance ............................................................................... 104
4.3. Rata-rata dan Standar Deviasi ..................................................... 108
4.4. Uji Asumsi Klasik ....................................................................... 110
4.4.1. Uji Normalitas ............................................................................... 111
4.4.2. Multikolonieritas ........................................................................... 114

xi
 4.4.3. Uji Heteroskedastisitas .................................................................. 115
4.4. Uji Autokorelasi ............................................................................ 117
4.5. Analisis Korelasi ......................................................................... 118
4.6. Pengujian Hipotesis ..................................................................... 120
4.6.1. Analisis Regresi Linier Berganda ................................................. 120
4.6.2. Uji Signifikan Simultan (Uji-F) .................................................... 124
4.6.3. Uji Persial (Uji-t)........................................................................... 125
4.6.4. Uji Koefisien Determinasi (R2) ..................................................... 127
4.7. Pembahasan Hasil Penelitian dan Keterbatasan .......................... 128
4.7.1. Pembahasan ................................................................................. 128
4.8. Implikasi ...................................................................................... 132
4.8.1. Implikasi Teoritis .......................................................................... 132
4.8.2. Implikasi Praktis ........................................................................... 132
4.9. Keterbatasan ................................................................................ 133
BAB V................................................................................................................. 134
KESIMPULAN DAN SARAN ......................................................................... 134
5.1. Kesimpulan .................................................................................. 134
5.2. Saran ............................................................................................ 135
5.2.1. Saran Teoritis ................................................................................ 135
5.2.2. Saran Praktis ................................................................................. 136
DAFTAR PUSTAKA .................................................................................. cxxxvii
LAMPIRAN ...................................................................................................... cxliii

xii
 DAFTAR TABEL

Tabel 2. 1 Pengukuran Tax Avoidance .................................................................. 22

Tabel 2. 2 Penelitian-penelitian terdahulu ............................................................ 45
Tabel 3. 1 Populasi Penelitian ............................................................................... 53
Tabel 3. 2 Perhitungan data menggunakan cluster sampling................................ 65
Tabel 3. 3 Operasional Variabel............................................................................ 70
Tabel 4. 1 Sampel Cluster Sampling ..................................................................... 84
Tabel 4. 2 Daftar Perusahaan Outlier .................................................................... 84
Tabel 4. 3 Daftar Sampel Perusahaan Manufaktur ............................................... 86
Tabel 4. 4 Fianancial Distress model Z-Score untuk 47 Sampel ......................... 89
Tabel 4. 5 Financial distress Model G-Score Untuk 47 Sampel .......................... 96
Tabel 4. 6 Hasil Analisis Deskriptif .................................................................... 108
Tabel 4. 7 Hasil Analisis Deskriptif .................................................................... 109
Tabel 4. 8 Deskriptive Statistik ........................................................................... 109
Tabel 4. 9 Hasil Uji Normalitas Z-Score............................................................. 111
Tabel 4. 10 Hasil Uji Normalitas Z-Score........................................................... 112
Tabel 4. 11 Hasil Uji Asumsi Multikolinearitas ................................................. 114
Tabel 4. 12 Hasil Uji Durbin-Watson ................................................................. 117
Tabel 4. 13 Koefisien Korelasi ........................................................................... 119
Tabel 4. 14 Hasil Regresi Linier Berganda ......................................................... 121
Tabel 4. 15 Hasil Regresi Linier Berganda ......................................................... 123
Tabel 4. 16 Hasil Uji F ....................................................................................... 124
Tabel 4. 17 Hasil Uji t ......................................................................................... 125
Tabel 4. 18 Uji Koefisien Determinasi ............................................................... 127

xiii
 DAFTAR GAMBAR DAN GRAFIK

Gambar 2. 1 Model Analisis ................................................................................. 49

Gambar 4. 1 Klasifikasi Model Z-Score ............................................................... 95
Gambar 4. 2 Klasifikasi Model G-Score ............................................................... 99
Grafik 4. 1 Grafik Profitabilitas ......................................................................... 103
Grafik 4. 2 Grafik Tax Avoidance ....................................................................... 107
Grafik 4. 3 Grafik Normal P-Plot model X –Y (Z-Score) .................................. 113
Grafik 4. 4 Grafik Normal P-Plot model X –Y (G-Score) .................................. 113
Grafik 4. 5 Grafik Uji Heterokedastisitas Model X –Y (Z-Score) ...................... 116
Grafik 4. 6 Grafik Uji Heterokedastisitas Model X –Y (G-Score) ..................... 116

xiv
 DAFTAR LAMPIRAN

LAMPIRAN 1 Daftra Populasi Penelitian Subsektor Manufaktur

LAMPIRAN 2 Data Perusahaan Outlier
LAMPIRAN 3 Daftar Sampel Perusahaan Manufaktur
LAMPIRAN 4 Olah Data Financial Distress Z-Score
LAMPIRAN 5 Hasil Data Financial Distess Z-Score
LAMPIRAN 6 Perhitungan Financial Distress G-Score
LAMPIRAN 7 Hasil Data Financial Distress G-Score
LAMPIRAN 8 Olah Data Profitabilitas
LAMPIRAN 9 Olah Data Tax Avoidance
LAMPIRAN 10 Hasil Analisis Data SPSS
LAMPIRAN 11 Biodata Peneliti

xv
 BAB I

PENDAHULUAN

1.1. Latar Belakang

Indonesia merupakan salah satu negara yang memanfaatakan kontribusi

pajak menjadi sumber utama pendapatan untuk negara melaksanakan

pembangunan bagi kesejahteraan warga negara Indonesia. Berdasarkan Undang-

Undang tetang Ketentuan Umum dan Tata Cara Perpajakan UU HPP (Undang-

Undang Harmonisasi Peraturan Perpajakan) Nomor 7 Tahun 2021 yang berlaku

dan ditetapkan pada 29 Oktober 2021, Pajak merupakan kontribusi wajib pajak

individu atau badan kepada negara untuk mendukung percepatan pemulihan

perekonomian untuk mewujudkan kewajiban kenegaraan dalam upaya

meningkatkan kesejahteraan, keadilan, dan pembangunan sosial. (Perpajakan,

2021).

Pajak juga dapat dikatakan sebagai suatu kewajiban dan tindakan yang

tidak menguntungkan bagi perusahaan, tindakan pembayaran pajak ini juga dapat

mendorong perusahaan melakukan penghindaran pajak. Tindakan ini dapat

diartikan sebuah perlawanan terhadap pajak dengan cara meminimumkan

kewajiban pajak yang dilakukan dengan bermacam cara adapun dengan cara yang

masih memiliki ketentuan perpajakan maupun yang legal melakukan penghindaran

pajak (Tax Avoidance) Rahma et al., dalam Tri, (2022). Tindakan tersebut dapat

terjadi karena di Indonesia menerapkan sistem pemungutan pajak self asesment

system, karena wajib pajak orang pribadi maupun badan telah diberikan wewenang

1
untuk melaporkan sendiri jumlah pajak yang telah dihitung yang terutang

berdasarkan peraturan perpajakan yang berlaku (Yuni & Setiawan, 2019).

Persoalan Tax Avoidance merupakan persoalan yang sangan merumitkan namun

unik karena di satu sisi Tax Avoidance tidak melanggar hukum (legal), namun disisi

lain Tax Avoidance tidak diinginkan oleh pemerintah. (Alwan, 2022).

Adapun beberapa kasus penghindaran pajak yang terjadi di Indonesia yang

dituduhkan kepada salah satunya pada perusahaan PT. Adaro Energy Tbk, menurut

global witness.org pada laporannya menyatakan bahwa PT. Adaro Energy Tbk,

melakukan praktik penghindaran pajak dengan melakukan transfer pricing dengan

cara memindahkan keuntungan dalam jumlah yang besar dari Indonesia ke

perusahaan di negara yang dapat membebaskan pajak atau memiliki tarif pajak yang

rendah, penghindaran pajak yang dilakukan PT. Adaro Energy Tbk. Sudah

dilakukan sejak tahun 2009 hingga tahun 2017. PT. Adaro Energy Tbk juga

melakukan praktik tersebut dapat membayar pajak sebesar Rp. 1,75 Triliun atau

sebesar US$125 juta lebih, penghindaran pajak tersebut dilakukan dengan cara

transfer pricing (Estevania & Wi, 2022).

Kasus lain penghindaran pajak yang dilakukan oleh perusahaan perushaan

PT. Rajawali Nusantara Indonesia perusahaan yang bergerak dalam bidang jasa

kesehatan yang perusahaannya sudah terafiliasi dengan Singapura, Perusahaan ini

melakukan banyak kegiatan bisnis di Indonesia dan terdaftar sebagai perseroan

terbatas, tetapi dari segi permodalan, perseroan Tergantung hutang subordinasi atau

bisa dibilang pemilik di Singapura pinjaman kepada RNI di Indonesia. karena

termasuk modal sebagai utang pemotongan pajak, perusahaan ini dapat

2
menghindari kewajiban sehubungan dengan pajak yang dipungut. Dalam laporan

keuangan, kerugian yang tercatat sangat besar sehingga ada pajak yang masuk ke

negara itu. dalam laporan keuangan PT. RNI 2014, Rekor Rp. 20,4 miliar.

Sedangkan omzet perusahaan hanya 2.178 miliar. Belum lagi nilai kerugian yang

ditahan dalam laporan tahunan yang sama Rp. 26,12 miliar. (Bagaskara, 2022).

Ada beberapa penelitian mengenai faktor-faktor yang berpengaruh

terhadap Tax Avoidance yang dijadikan sebagai objek penelitian dan variabel yang

dapat mempengaruhinya, telah diuji oleh peneliti sebelumnya berdasarkan

penelitian terdahulu variabel yang mempengaruhi Tax Avoidance diantaranya

Financial Distress, Likuiditas, dan Sales Growth yang diteliti oleh (Suhaidar et al.,

2020), Risiko Perusahaan, Ukuran Perusahaan dan Financial Distress (Syalsabil,

2022), Corporate Social Responsibility, Kompensasi Manajemen, Internal Modal,

dan Financial Distress yang diteliti oleh (Putri & Yanti, 2022), Ketidak Pastian

Lingkungan dan Financial Distress (Rosalina, 2021), Profitabilitas, Likuiditas dan

Leverage (I Made et al., 2021), Determinan Penghindaran Pajak (Sinduarta et al.,

2022).

Faktor pertama yang dapat mempengaruhi perusahaan dalam melakukan

penghindaran pajak (Tax Avoidance) yaitu Financial Distress, merupakan kondisi

dimana awal permulaan perusahaan akan mengalami kebangkrutan yang dimana

gejala awalnya perusahaan mengalami kesulitan dalam keuangan yang

mengakibatkan tidak bisanya perusahaan membayar kewajiban perusahaan,

banyaknya permasalahan yang dihadapi perushaan dalam hal keuangan sehingga

mendorong perusahaan untuk bekerja keras agar dapat menghindari masalah-

3
masalah dari yang dapat mengakibatkan perusahaan menghadapi kondisi

kebangkrutan dengan cara menghindari pajak. Dalam penelitian (Suhaidar et al.,

2020), (Anugerah et al., 2022), (Putri & Yanti, 2022), menjelaskan bahwa Financial

Distress berpengaruh terhadap Tax Avoidance. Dari penelitian tersebut di patahkan

oleh penelitian (Astriyani & Safii, 2022), (Lukito & Sandra, 2021), (Rosalian, 2021),

menyatakan bahwa Financial Distress tidak berpengaruh terhadap Tax Avoidance.

Faktor selanjutnya yang mempengaruhi Tax Avoidance yaitu

Profitabilitas, kemampuan perusahaan untuk mengasilkan laba melalui

pengelolaan aktiva yang dilakukan dan dikelola oleh manajemen perusahaan

dengan kebijakan tertentu jika perusahaan mengalami peningkatan laba atau

memiliki laba besar maka berkemungkinan besar perusahaan akan membayar

pajak lebih besar. Penelitian yang dilakukan oleh (Gian & Eva, 2022), (Alfarizi et

al., 2021), (vani, 2020), yang menyatakan bahwa profitabilitas tidak terdapat

adanya pengaruh untuk Tax Avoidance. Penelitian yang dilakuka oleh (Atika,

2018), yang menyatakan bahwa profitabilitas berpengaruh negatif terhadap Tax

Avoidance sedangkan hasil penelitian (Faradilla & Bhilawa, 2022), (Sudaryo et al.,

2018), menyatakan bahwa profitabilitas berpengaruh positif terhadap Tax

Avoidance.

4
 Berdasarkan penjelasan diatas dan adanya inkonsistensi dalam penelitian

maka penulis tertarik untuk meneliti Tax Avoidance dengan variabel

independennya Financial Distress dan profitabilitas yang mempengaruhi pada

perusahaan manufaktur yang terdaftar di Bursa Efek Indonesia (BEI) dengan

mengambil judul “Pengaruh Financial Distress dan Profitabilitas Terhadap

Tax Avoidance (studi Empiris pada perusahaan manufaktur yang terdaftar di

Bursa Efek Indonesia (BEI) Tahun 2017-2021).

1.2. Identifikasi Masalah

Berdasarkan uraian pada latar belakang di atas, maka dapat di buat

identifikasi masalah sebagai berikut:

1. Apakah Financial Distress berpengaruh signifikan terhadap Tax Avoidance

pada perusahaan manufaktur yang terdaftar di Bursa Efek Indonesia tahun

2017-2021?

2. Apakah profitabilitas berpengaruh signifikan terhadap Tax Avoidance pada

perusahaan manufaktur yang terdaftar di Bursa Efek Indonesia tahun 2017-

2021?

3. Apakah Financial Distress dan profitabilitas berpengaruh signifikan terhadap

Tax Avoidance pada perusahaan manufaktur yang terdaftar di Bursa Efek

Indonesia tahun 2017-2021?

5
1.3. Tujuan Penelitian

Sesuai dengan identifikasi maslah yang dijabarkan diatas maka penelitian

ini memiliki tujuan sebagai berikut:

1. Untuk menganalisa pengaruh Financial Distress terhadap Tax Avoidance pada

perusahaan manufaktur yang terdaftar di Bursa Efek Indonesia tahun 2017-

2021.

2. Untuk menganalisa pengaruh profitabilitas terhadap Tax Avoidance pada

perusahaan manufaktur yang terdaftar di Bursa Efek indonesia tahun 2017-

2021.

3. Untuk menganalisa apakah Financial Distress dan profitabilitas berpengaruh

terhadap Tax Avoidance pada perusahaan manufaktur yang terdaftar di Bursa

Efek Indonesia tahun 2017-2021.

1.4. Kegunaan Penelitian

Dengan adanya penelitian ini, peneliti mengharapkan bahwa penelitian ini

dapat memberikan manfaat yang terotis bagi penulis dan pihak lainnya yang

berkepentingan dan bagi yang membutuhkan informasi berkaitan dengan

penelitian ini. Manfaat penelitian ini dapat dijelaskan sebagai berikut:

6
1.4.1. Kegunaan Teoritis

Penelitian ini sangat diharapkan bisa menjadi pemahaman yang lebih

mendalam serta masukan dan wawasan ilmu akuntansi terutama dalam ilmu

perpajakan pada saaat akan menganalisis Tax Avoidance pada perusahaan

manufaktur yang terdaftar di Bursa Efek Indonesia (BEI) 2017-2021, hasil

penelitian ini diharapkan dapat menjadi bahan rujukan dan referensi bagi peneliti

yang akan meneliti penelitian yang serupa pada masa yang akan datang.

1.4.2. Kegunaan Praktis

Dari penelitian sangat diharapkan dapat berguna dan bermanfaat berbagai

pihak yang antara lain:

1. Bagi penulis penelitian ini diharapkan bisa menambah pengetahuan bagi

penulis yang akan meneliti dimasa yang akan datang, mengenai Financial

Distress, Profitabilitas dan Tax Avoidance.

2. STIE STAN INDONESIA MANDIRI, dapat memberikan hasil penelitian

yang berkaitan denga Financial Distress, profitabilitas dan Tax

Avoidance.

3. Bagi pemerintah diharapkan penelitian ini dapat memberikan informasi

dan meningkatkan pengawasan dan memberikan masukan bagi pembuat

kebijakan dalam upaya meningkatkan penerimaan pajak wajib badan pada

perusahaan manufaktur yang terdaftar di Bursa Efek Indonesia.

4. Bagi perusahaan manufaktur yang terdaftar di Bursa Efek Indonesia.

Penelitian ini dapat sebagai masukan (input) tentang menentukan arah

7
 kebijakan perusahaan agar tetap patuh dengan hukum dan taat terhadap

peraturan yang ada dan diharapkan tidak melakukan penyimpangan dan

tidak merugikan Negara dan diharapkan dapat membayar pajak

berdasarkan Ketentuan Umum Perpajakan dan Tata Perpajakan.

5. Penelitian selanjutnya, dari hasil penelitian ini dapat menjadi sarana

pengembangan ilmu pengetahuan yang secara teoritis dan dapat

menambah pengetahuan maupun wawasan serta sumbangan pemikiran

bagi pihak-pihak tertentu yang akan melakukan pengembangan penelitian

tersebut.

8
 BAB II

TINJAUAN PUSTAKA, KERANGKA TEORITIS, DAN

PENGEMBANGAN HIPOTESIS

2.1. Tinjauan Pustaka

2.1.1. Teori Keagenan (Agency Theory)

Teori keagenan (Agency Theory) menurut (Jansen & Meckling, 1976)

dalam (Salsabila, Dhia 2022), menyatatakan bahwa agency tehory menjelasakan

adanya hubungan kontrak antara principal dan agent untuk melakukan sebuah

pekerjaan jasa dan memberikan wewenang dalam pengambilan keputusan,

hubungan dalam teori keagenan ini dapat menimbulkan permasalahan diwaktu

yang akan datang dalam perusahaan.

Menurut Jansen & Meckling (1976) dalam (Salsabila, Dhia 2022),

menyatakan hubungan teori keagenan dapat menimbulkan masalah dalam

perusahaan yaitu masalah asimetri informasi dan konflik mengenai kondisi

oprasional dan laporan keuangan perusahaan yang lebih diketahui dan dipahami

oleh manajer perusahaan yang dapat dibandingkan dengan pemilik modal.

Masalah agensi ini yaitu berkaitan dengan tax avoidance yang adanya

perselisihan kepentingan pemerintah selaku pemungut pajak dan perusahaan

selaku pembayar pajak (Ainniya et al., 2021) dalam (Febrilyantri 2022).

Berdasarkan dari teori keagenan dapat dispimpulkan bahwa perbedaan dapat

ditimbulkan dari perbedaan antara pemerintah dengan pihak perusahaan dapat

menimbulkan ketidakpatuhan membayar kewajiban pajak yang dilakukan oleh

9
manajemen perusahaan yang menimbulkan dampak dilakukannya tax avoidance.

Dalam hal ini pemerintah sebagai pemangku pajak dapat dikatakan

sebagai principal ingin memaksimalkan penerimaan pajak dan akan tetap

melakukan regulasi terhadap perusahaan yang dapat dikatakan sebagai agent. Hal

ini sangat kontras dengan manajemen perusahaan, yaitu menjaga biaya pajak yang

dibayarkan kepada negara seminimal mungkin. Dengan adanya self- assesment

system dimana wajib pajak dapat menghitung, melaporkan dan menyetorkan

pajaknya secara mandiri, terdapat resiko bahwa manajemen perusahaan dapat

menyampaikan informasi yang tidak benar kepada pemerintah. Peluang ini

merupakan peluang bagi manajemen perusahaan untuk menghindari pajak.

Korporasi dapat memanipulasi kewajiban pajak agar laba bersih yang diperoleh

tidak berkurang dengan dikenakan pajak.

2.1.2. Pajak

2.1.2.1 Definisi Pajak

Pengertian pajak menurut Prof. Dr. H. Rochmat Soemitro, S.H., pajak

adalah iuran rakyat kepada kas negara berdasarkan undang-undang (yang dapat

dipaksakan) dengan tidak mendapat jasa timbal (kontraprestasi) yang langsung

dapat ditunjukkan dan digunakan untuk membayar pengeluaran umum. Lalu

defisini tersebut dikoreksi kembali, sehingga bebunyi: pajak adalah pemeliharaan

kekayaan dari pihak rakyat kepada kas negara untuk membiayai pengeluaran rutin

dan surplusnta digunakan public saving yang merupakan sumber utama membiayai

public investment. (Adrian Sutedi 2018)

10
 Dalam UU HPP (Undang-Undang Harmonisasi Peraturan Perpajakan) No.

7 Tahun 2021 tentang Undang-undang Ketentuan Umum dan Tata Cara Perpajakan

No. 7 Tahun 2021, yang tetapkan pada tanggal 29 Oktober 2021, perpajakan adalah

sumbangan pembayaran cukai, individu atau korporat kepada negara untuk

menyokong percepatan pertumbuhan ekonomi untuk mewujudkan kewajiban

negara, bekerja untuk meningkatkan kesejahteraan, keadilan dan pembangunan

sosial. (Perpajakan 2021).

Pajak merupakan hal yang sangat penting bagi setiap negara. Semakin

banyak masyarakat yang membayar pajak, maka semakin banyak pula sarana dan

prasarana yang akan dibangun. Oleh karena itu, perpajakan merupakan landasan

pembangunan nasional.

2.1.3. Fungsi Pajak

a. Fungsi Anggaran (Budgetair)

Sebagai sumber pendapatan negara, pajak juga dapat membiayai

pengeluaran negara untuk menjalankan tugas-tugas negara yang bersifat rutin dan

melakukan pembangunan dan semua itu negara membutuhkan biaya, biaya yang

diperoleh dari penerimaan pajak.

b. Fungsi Mengatur (Regularend)

Pemerintah dapat mengatur pertumbuhan ekonomi melalui kebijakan

pajak. Pajak memiliki fungsi pengaturan dan dapat digunakan sebagai alat untuk

mencapai tujuan. Misalnya, untuk mendorong investasi dalam dan luar negeri,

berbagai keringanan pajak ditawarkan. Untuk melindungi produksi dalam negeri,

11
pemerintah memberlakukan bea masuk yang tinggi terhadap produk luar negeri.

c. Fungsi Stabilitas

Dengan perpajakan, pemerintah memiliki dana untuk melaksanakan

kebijakan terkait stabilitas harga, sehingga inflasi dapat dikendalikan, yang dapat

dicapai dengan mengatur peredaran uang di masyarakat, memungut pajak, dan

menggunakan pajak secara efektif dan efisien.

d. Fungsi Redistribusi Pendapatan

Pajak yang dipungut oleh negara digunakan untuk membiayai semua

barang publik, termasuk pembiayaan pembangunan, untuk menciptakan lapangan

kerja dan dengan demikian meningkatkan pendapatan masyarakat.

2.1.2.3. Jenis Pajak

(Setu Satyawan 2022) Jenis pajak berdasarkan golongan dimaksud untuk

melihat dari bertanggung jawab atas pembayaran pajak kepada negara jenis pajak

tersebut terdiri dari tiga jenis pajak yaitu:

1. Golongan Pajak

a. Pajak langsung, yaitu pajak yang dikenakan kepada wajib pajak dan

bertanggung jawab langsung untuk memenuhi kewajiban

perpajakannya. Pajak langsung, seperti pajak penghasilan, yang

kewajiban pajak tidak langsungnya tidak dapat ditanggung oleh orang

lain atau wajib pajak lainnya. Dalam hal ini contoh pajak langsung seperti

pajak daerah.

12
 b. Pajak tidak langsung adalah pajak yang tanggung jawabnya dapat

dilimpahkan kepada orang lain, meskipun subjek dan objek pajaknya

adalah orang sendiri.

2. Menurut Sifat:

Jenis penggolongannya menurut sifat untuk melihat subyek (wajib) atau obyek

(peristiwa) dalam menentukan jenis pajak, berdasarkan sifatnya pajak

dibedakan menjadi dua jenis yaitu:

a. Pajak subyektif adalah pajak yang bebannya dipusatkan pada subjek

pajaknya, yaitu siapa yang wajib membayar pajak itu, tanpa memandang

objek atau peristiwa atau keadaan perpajakannya. Seperti pajak

penghasilan lebih menekankan subjek baru dari pada objeknya.

b. Pajak Obyektif, yaitu pajak yang menekankan pada peristiwa apa yang

dikenakan pajak, seperti Pajak Pertambahan Nilai (PPN) dan Pajak

Penjualan Barang Mewah (PPn-BM) lebih menekankan pada peristiwa

dari pada objek.

3. Menurut Lembaga Pemungutan Pajak:

Berdasakan jenis pemungutan pajak dalam sistim di wilayah pemerintahan

khusus di Indonesia terdapat dua wilayah pemerintahan yaitu pemerintahan

pusat provinsi dan pemerintahan daerah maka pemungutan pajak pun dibagi

menjadi 2 (dua) jenis pemungutan pajak, yaitu:

a. Pajak Pusat yaitu pajak yang dipungut oleh pemerintahan pusat yang

berfungsi untuk mengisi anggaran Negara. Pajak yang dipungut

pemerintah pusat meliputi pajak penghasilan, pajak pertambahan nilai,

13
 pajak penjualan barang mewah, pajak bea cukai dan pajak bea materai.

b. Pajak Daerah yaitu pajak yang dipungut oleh pemerintah daerah baik

kabupaten maupun pemerintah kota. Pajak daerah berfungsi untuk

mengisi anggaran Pendapatan Asli Daerah (PAD).

2.1.2.4. Tata Cara Menentukan dan Pemungutan Pajak

Dalam cara menentukan beban pajak menurut Setu Satyawan (2022)

menentukan beban pajak dan kapan akan dibayarkan atau dilunasi oleh setiap wajib

pajak Negara mempunyai cara tersendiri yang dapat dilakukan diawal tahun atau

sepanjang tahun atau juga di akhir tahun, pemungutan pajak tersebut terdiri atas

stelsel pajak, pemungutan pajak dan sistem pemungutan pajak.

2.1.2.4.1. Pemungutan Pajak Stelsel

ada 3 (tiga) cara (stelsel) dalam menentukan beban pajak yang harus

dibayarkan/dilunasi yaitu:

1. Stelsel Nyata (Riil)

Pemungutan yang sebenarnya adalah cara menghitung besarnya pajak

yang dibayarkan oleh wajib pajak kepada negara berdasarkan keadaan sebenarnya

dari objek pajak yang diperoleh. Penetapan jumlah pajak dan pembayarannya

hanya dapat dilakukan pada akhir tahun pajak. Kelebihan dari cara ini adalah pajak

yang dikenakan kepada wajib pajak lebih nyata atau benar, karena besarnya

kewajiban pajak yang dibayarkan oleh wajib pajak dihitung berdasarkan

penghasilan yang sebenarnya atau sebenarnya.

14
Kelemahan dari pengenaan pajak terhadap wajib pajak baru ini meskipun diambil

oleh negara pada akhir tahun, sehingga negara tidak dapat memungut pajak lebih

awal, sedangkan pembiayaan belanja negara harus dilakukan pada awal tahun.

2. Stelsel Anggaran (Fiktif)

Stelsel anggaran adalah tata cara penghitungan dan pemungutan pajak

yang dilakukan oleh negara pada awal tahun berdasarkan anggaran tahun

sebelumnya atau perkiraan pendapatan. Kelebihan dari sistem ini adalah negara

dapat memungut pajak dari rakyat lebih awal dan dengan demikian dapat

membiayai proyek-proyek pembangunan negara. Kekurangan beban pajak yang

diberikan wajib pajak tidak sesuai dengan keadaan yang sebenarnya, karena

perhitungan pajaknya berdasarkan anggaran atau perkiraan pada awal tahun.

3. Stelsel Campuran

Metode ini menggabungkan stelsel riil dan stelsel anggaran, serta

menentukan waktu penghitungan pajak pada awal tahun sesuai dengan

kemampuan pembayaran pajak tahun sebelumnya. Selain itu, pada akhir tahun,

pajak harus dihitung dan ditentukan berdasarkan pendapatan aktual tahun

tersebut. Apabila terdapat perbedaan antara pajak yang dibayar dengan pajak

yang sebenarnya dibayar, wajib pajak dapat melihat selisih lebih bayar atau

kurang bayar.

15
2.1.2.4.2. Asas Pemungutan Pajak

Ada 3 (tiga) asas pengenaan pajak yang sudah ditetapkan oleh dasar

pemungutan pajak kepada wajib pajak berdasarkan undang-undang untuk

menjamin kepastian hukum.

1. Asas Domisili

Dasar pengenaan pajak yang ditetapkan oleh negara berdasarkan

kewarganegaraan bagi perseorangan dan badan usaha berdasarkan badan

hukum pada suatu negara, dalam hal ini pajak akan dikenakan pada semua

penghasilan yang diperoleh oleh wajib pajak tanpa melihat sumber darimana.

2. Asas Sumber

Pengenaan pajak terhadap wajib pajak didasarkan pada sumber penghasilan

yang diperoleh atau diterima wajib pajak, wajib pajak dikenakan pajak atas

dasar sumber penghasilan yang diperoleh atau diterima wajib pajak, karena

pada saat pajak penghasilan dipungut, pajak ini hanya dapat dipungut yang

hanya berasal dari negara yang membayarkan penghasilan, dasar ini juga

berarti bahwa pajak akan dikenakan yang menerima penghasilan dari negara,

tanpa memandang tempat tinggal atau status kedudukan negara.

3. Asas Kebangsaan

Dasar pengenaan pajak yang ditetapkan oleh negara menentukan dasar

pengenaan pajak berdasarkan kewarganegaraan orang pribadi dan badan

hukum berdasarkan badan hukum, dalam hal ini semua penghasilan yang

diperoleh wajib pajak akan dikenakan pajak tanpa memandang sumbernya.

16
2.1.2.4.3. Sistem Pemungutan Pajak

Sistem perhitungan dan pelaksaan pemungutan pajak dapat dilaksanakan

negara, rakyat dan lembaga pemungutan pajak, sistem ini disesuaikan dengan

perundang-undangan dan peraturan perpajakan yang berlaku, berdasarkan sistem

pelaksanaan perhitungan dan pembayarn pajak ada 3 sistem yaitu:

1. Official Assessment System

Sistem memberikan kewenangan penuh kepada fiskus untuk menghitung

besarnya pajak yang terutang oleh wajib pajak, dalam hal wajib pajak

bersifat pasif, berdasarkan Surat Ketetapan Pajak (SKP) yang diterbitkan

oleh fiskus, jumlah pajaknya lebih kecil status. Sistem tersebut diatur

untuk pemungutan pajak dan retribusi daerah seperti Pajak Bumi dan

Bangunan (PBB), Pajak Bea Perolehan Tanah dan Bangunan (PPHTB).

2. Self Assessment System

Sistem ini menentukan pajaknya sendiri artinya rakyat diberi kesempatan

secara penuh untuk melakukan perhitungan, pembayaran dan pelaporan

atas kewajiban pemenuhan pajaknya kepada negara. Dalam hal ini negara

berfungsi sebagai control atau mengawasi perhitungan, pembayaran dan

pelaporan yang dilakukan oleh wajib pajak, alat control negara adalah

undang-undang dan peraturan perpajakan, jika rakyat atau wajib pajak

melakukan penyimpangan dalam memenuhi kewajiban membayar pajak

maka negara akan memberikan sanksi denda atau pidana penjara, sistem

ini di Indonesia ditetapkan pada undang-undang pajak penghasilan.

17
3. With Holding System

Sistem ini memberikan kepada pihak ketiga melakukan perhitungan,

pemungutan dan pelaporan pelaksanaan kewajiban pemenuhan pajak oleh

wajib pajak. Dalam sistem ini wajib pajak hanya membayar kepada pihak

ketiga, sistem ini di Indonesia ditetapkan pada undang-undang Pajak

Pertambahan Nilai (PPN) dan Pajak Penjualan Barangg Mewah (PPn-

BM).

2.2. Tax Avoidance

2.2.1. Definisi Tax Avoidance

Dr. Alexander Thian (2021) menjelasakan penghindaran pajak (Tax

Avoidance) adalah suatu bentuk hukum pengurangan pajak dengan memanfaatkan

secara optimal ketentuan-ketentuan yang ada di bidang perpajakan, seperti

pengecualian dan pengurangan yang diperbolehkan, dan manfaat untuk hal-hal

yang tidak diatur, serta kelemahan peraturan perpajakan yang berlaku. Dalam

penghindaran pajak ini, wajib pajak tidak secara nyata melanggar undang-undang,

meskipun kadang-kadang interpretasinya terhadap undang-undang tersebut jelas

tidak sesuai dengan maksud dan tujuan dibuatnya undang-undang tersebut.

Paulus Merks (2007) menyatakan Tax avoidance dapat di artikan sebagai

upaya wajib pajak untuk mengurangi beban pajak dengan tidak melakukan

tindakan pidana seperti diatur dalam peraturan perundang-undangan dibidang

perpajakan. (Adrianto Dwi Nugroho, SH., Adv. 2017)

18
 Pohan (2013) dalam (Ramdhan, 2021) menjelaskan penghindaran pajak

adalah sebagai upaya wajib pajak secara hukum menghindari pajak, karena itu

bukan kontradiksi dengan memanfaatkan area abu-abu (grey area) atau kelemahan

dalam peraturan perundang-undangan perpajakan dapat diminimalisir pajak

terutang. Contoh penggunaan hukum penghindaran pajak adalah penggunaan Pasal

6 ayat 1 huruf (a) Undang-Undang Pajak Penghasilan untuk memasukkan bunga

atas biaya-biaya yang langsung atau tidak langsung berkaitan dengan kegiatan

usaha. Wajib pajak meminjam dari bank, dengan bunga pinjaman lebih tinggi

secara nominal bunga pinjaman dicatat dalam laporan keuangan wajib pajak, tetapi

pinjaman tersebut bukan untuk menambah modal wajib pajak, sehingga volume

penjualan tidak meningkat dan keuntungan tidak bertambah.

Jusman dan Nosita, (2020) dalam (Lukito, 2021) menjelaskan

penghindaran pajak (tax avoidance) mengacu pada upaya yang dilakukan untuk

menghindari pajak. Penghindaran pajak (tax avoidance) didefinisikan segala

tindakan yang dilakukan wajib pajak untuk mengurangi beban pajaknya secara

legal/sah.

19
2.2.2. Macam-macam Perlawanan Pajak

Perlawanan terhadap pajak adalah hambatan-hambatan yang ada atau

terjadi dalam upaya pemungutan pajak sehingga mengakibatkan berkurangnya

penerimaan kas negara. Perlawanan pajak terdiri dari perlawanan pasif dan

perlawanan aktif. (Catharina, 2020).

1. Perlawanan Pasif

Perlawanan ini bukan inisiatif wajib pajak sendiri, tetapi terjadi karena

keadaan sekitar wajib pajak. Hambatan tersebut bersumber dari struktur

ekonomi suatu negara, perkembangan intelektual dan moral masyarakatnya,

cara hidup masyarakatnya, dan teknik perpajakan itu sendiri. Pada umumnya

masyarakat tidak melakukan pemblokiran penerimaan negara secara

sistematis, tetapi karena kebiasaan masyarakat desa menabung di rumah atau

membeli emas, bukan karena ingin menghindari pajak penghasilan atas bunga,

tetapi karena tidak mengenal perbankan.

2. Perlawanan Aktif

Perlawanan oleh pembayar pajak sendiri. Ini adalah upaya dan tindakan yang

diarahkan pada otoritas pajak untuk menghindari pajak atau mengurangi

kewajiban pajak yang seharusnya dibayarkan. Ada dua cara untuk menolak

pajak secara aktif, yaitu penghindaran pajak (tax avoidance) dan penggelapan

pajak (tax evasion).

20
2.2.3. Ketentuan Penghindaran Pajak (Tax Avoidance)

Setu Satyawan (2022) dalam bukunya menyatakan penghindaran pajak

dapat dilakukan menggunakan 3 cara, yaitu:

1. Menahan diri yang dimaksud dalam menahan diri tersebut, wajib pajak tidak

melakukan sesuatu yang bisa dikenakan pajak.

2. Pindah lokasi yang dimaksud dalam pindah lokasi tersebut, dengan cara

memindahkan lokasi usaha atau domisili dari lokasi yang tarif pajaknya tinggi

ke lokasi yang tarif pajaknya rendah.

3. Peminghindaran Pajak Secara Yuridis yang dimaksud tersebut, dengan

memanfaatkan kekosongan atau ketidakjelasan undang-undang.

Sedangkan menurut Merkz (2007), Prakosa (2014), dalam (Nurul, 2020)

mengemukakan bahwa tax avoidance dapat dilakukan dengan berbagai cara, yaitu

sebagai berikut:

a. Memindahkan subjek atau objek pajak ke negara-negara yang memberikan

perlakuan pajak khusus atau keringanan pajak (tax haven country) atas suatu

jenis penghasilan (substantive tax planning).

b. Usaha tax avoidance dengan mempertahankan substansi ekonomi dan

transaksi melalui pemilihan formal yang memberikan beban pajak yang paling

rendah (formal tax planning).

c. Ketentuan transfer pricing, thin capitalization, treaty shopping, dan controlled

foreign corporation (spesific anti avoidance rule), serta transaksi yang tidak

mempunyai substansi bisnis (general anti avoidance rule

21
2.2.4. Pengukuran Tax Avoidance

Menurut penelitian Hanlon dan Heitzman (2010), Febriana (2017) dalam

(Anisa, 2022) menyatakan bahwa terdapat dua belas yang digunakan dalam

mengukur tax avoidance, berikut pengukuran tax avoidance disajikan dalam tabel

dibawah ini:

Tabel 2. 1 Pengukuran Tax Avoidance

No Pengukuran Cara Perhitungan Keterangan
1. GAAP ETR 𝑤𝑜𝑙𝑟𝑑 𝑡𝑜𝑡𝑎𝑙 𝑖𝑛𝑐𝑜𝑚𝑒 𝑡𝑎𝑥 𝑒𝑥𝑝𝑒𝑛𝑠𝑒 Total tax expense
𝑤𝑜𝑟𝑙𝑑 𝑡𝑜𝑡𝑎𝑙 𝑝𝑟𝑒 − 𝑡𝑎𝑥 𝑎𝑐𝑐𝑜𝑢𝑛𝑡𝑖𝑛𝑔 𝑖𝑛𝑐𝑜𝑚𝑒 per dollar of pre-
tax book income
2. Current ETR 𝑤𝑜𝑙𝑟𝑑𝑤𝑖𝑑𝑒 𝑐𝑢𝑟𝑟𝑒𝑛𝑡 𝑖𝑛𝑐𝑜𝑚𝑒 𝑡𝑎𝑥 𝑒𝑥𝑝𝑒𝑛𝑠𝑒 Current tax
𝑤𝑜𝑟𝑙𝑑𝑤𝑖𝑑𝑒 𝑡𝑜𝑡𝑎𝑙 𝑝𝑟𝑒 − 𝑡𝑎𝑥 𝑎𝑐𝑐𝑜𝑢𝑛𝑡𝑖𝑛𝑔 𝑖𝑛𝑐𝑜𝑚𝑒 expense per dollar
of pre-tax book
income
3. Cash ETR 𝑤𝑜𝑙𝑟𝑑𝑤𝑖𝑑𝑒 𝑐𝑎𝑠ℎ 𝑡𝑎𝑥𝑒𝑠 𝑒𝑥𝑝𝑒𝑛𝑠𝑒 Cash taxes paid per
𝑤𝑜𝑟𝑙𝑑𝑤𝑖𝑑𝑒 𝑡𝑜𝑡𝑎𝑙 𝑝𝑟𝑒 − 𝑡𝑎𝑥 𝑎𝑐𝑐𝑜𝑢𝑛𝑡𝑖𝑛𝑔 𝑖𝑛𝑐𝑜𝑚𝑒 dollar of pre-tax
book income
4. Long-run Cash 𝑤𝑜𝑟𝑙𝑑𝑤𝑖𝑑𝑒 𝑐𝑎𝑠ℎ 𝑡𝑎𝑥𝑒𝑠 𝑒𝑥𝑝𝑒𝑛𝑠𝑒 Sum of cash taxes
ETR 𝑤𝑜𝑟𝑙𝑑𝑤𝑖𝑑𝑒 𝑡𝑜𝑡𝑎𝑙 𝑝𝑟𝑒 − 𝑡𝑎𝑥 𝑎𝑐𝑐𝑜𝑢𝑛𝑡𝑖𝑛𝑔 𝑖𝑛𝑐𝑜𝑚𝑒 paid over n years
divided by the sum
of pre-tax book
income
5. ETR 𝑆𝑡𝑎𝑡𝑢𝑡𝑜𝑟𝑦 𝐸𝑇𝑅 − 𝐺𝐴𝐴𝑃 𝐸𝑇𝑅 The difference of
Differential between the
statutory ETR and
firm’s GAAP ETR
6. DTAX 𝐸𝑟𝑟𝑜𝑟 𝑡𝑒𝑟𝑚 𝑓𝑟𝑜𝑚 𝑡ℎ𝑒 𝑓𝑜𝑙𝑙𝑜𝑤𝑖𝑛𝑔 𝑟𝑒𝑔𝑟𝑒𝑠𝑠𝑖𝑜𝑛 ∶ The unexplained
𝐸𝑇𝑅 𝑑𝑖𝑓𝑓𝑒𝑟𝑒𝑛𝑡𝑖𝑎𝑙 𝑥 𝑝𝑟𝑒 − 𝑡𝑎𝑥 𝑏𝑜𝑜𝑘 𝑖𝑛𝑐𝑜𝑚𝑒 portion of the ETR
differential
7. Total BTD 𝑃𝑟𝑒 − 𝑡𝑎𝑥 𝑏𝑜𝑜𝑘 𝑖𝑛𝑐𝑜𝑚𝑒 − ((𝑈. 𝑆. 𝐶𝑇𝐸 + The total difference
𝐹𝑔𝑛 𝐶𝑇𝐸)) / 𝑈. 𝑆. 𝑆𝑇𝑅) − (𝑁𝑂𝐿 − 𝑁𝑂𝐿 − 1)) between book and
taxable income
8. Temporary 𝐷𝑒𝑓𝑓𝑒𝑟𝑒𝑑 𝑡𝑎𝑥 𝑒𝑥𝑝𝑒𝑛𝑠𝑒 The total difference
BTD 𝑈. 𝑆. 𝑆𝑇𝑅 between book and
taxable income
9. Abnormal total 𝑅𝑒𝑠𝑠𝑖𝑑𝑢𝑎𝑙 𝑓𝑟𝑜𝑚 𝐵𝑇𝐷 /𝑇𝐴 =𝛽𝑇𝐴 + 𝛽𝑚 + 𝑒 A measure of
BTD unexplained total
book-tax difference
10. Unrecognized 𝐷𝑖𝑠𝑐𝑙𝑜𝑠𝑒𝑑 𝑎𝑚𝑜𝑢𝑛𝑡 𝑝𝑜𝑠𝑡 𝐹𝐼𝑁48 Tax liability
tax benefits accured for taxes
not yet paid on
uncertain positions
11. Tax shelter 𝐼𝑛𝑑𝑖𝑐𝑎𝑡𝑜𝑟 𝑣𝑎𝑟𝑖𝑎𝑏𝑙𝑒 𝑓𝑜𝑟 𝑓𝑖𝑟𝑚𝑠 𝑎𝑐𝑐𝑢𝑠𝑒𝑑 𝑜𝑓 Firms identified via
activity 𝑒𝑛𝑔𝑎𝑔𝑖𝑛𝑔 𝑖𝑛 𝑎 𝑡𝑎𝑥 𝑠ℎ𝑒𝑙𝑡𝑒𝑟 firm disclosure, the
press, or IRS
confindental data

22
 12. Margunal tax 𝑆𝑖𝑚𝑢𝑙𝑎𝑡𝑒𝑑 𝑚𝑎𝑟𝑔𝑖𝑛 𝑡𝑎𝑥 𝑟𝑎𝑡𝑒 Present value of
rate taxes on an
additional dollar of
income

Model dalam pengukuran tax avoidance dalam penelitian ini adalah

CETR (Cash Effective Tax Rate) pengukuran Tax Avoidance menggunakan Cash

Effective Tax Rate (CETR). Menurut Prawita (2019) dalam (Rachel Alchusna

2021) CETR adalah sebuah tarif pajak efektif yang ditanggung oleh perusahaan.

CETR baik digunakan untuk menggambarkan penghindaran pajak karena CETR

dapat melihat cash flow untuk pembayaran pajak. Tingkat penghindaran pajak yang

tinggi digambarkan dengan nilai CETR yang rendah, sebaliknya penghindaran

pajak yang rendah digambarkan dengan CETR yang tinggi.

Metode ini dikembangkan oleh Dyreng et al., (2010) dalam (Tania Putri

dan Astari 2022) Cash Effective Tax Ratio (CETR) adalah pembayaran pajak

secara kas atas laba perusahaan sebelum pajak penghasilan. Pembayaran pajak

secara kas terdapat dalam laporan arus kas, pada pos pembayaran pajak

penghasilan dari aktivitas operasi, sedangkan laba sebelum pajak terdapat pada

laporan laba rugi pada pos laba sebelum pajak penghasilan. CETR baik digunakan

untuk menggambarkan kegiatan penghindaran pajak (tax avoidance) oleh

perusahaan, karena dapat melihat cash flow untuk pembayaran pajak. Untuk

menghitung Cash Effective Tax Ratio (CETR) yaitu dengan rumus, sebagai

berikut:

𝑷𝒆𝒎𝒃𝒂𝒚𝒂𝒓𝒂𝒏 𝑷𝒂𝒋𝒂𝒌
𝑪𝑬𝑻𝑹 =
𝑳𝒂𝒃𝒂 𝑺𝒆𝒃𝒆𝒍𝒖𝒎 𝑷𝒂𝒋𝒂𝒌

23
Keterangan :

Pembayaran pajak (Cash tax paid) yaitu pajak yang dibayarkan oleh perusahaan

yang pembayarannya sesuai laporan keuangan arus kas pada perusahaan.

2.3. Financial Distress

2.3.1. Definisi Financial Distress

Financial Distress adalah suatu keadaan perusahaan sebelum mengalami

kebangkrutan atau kolaps yang diakibatkan perusahaan tidak mampu membiayai

keperluan perusahaan atau situasi kesulitan keuangan dalam memenuhi kewajiban

perusahaan. Situasi Ini terjadi ketika perusahaan tidak dapat memenuhi

kewajibannya sehingga total aset lebih kecil dari total kewajiban. Hal ini

menunjukkan bahwa perusahaan tidak dalam posisi keuangan yang sehat, tetapi

belum bangkrut.

Rahmawati dan Priadi (2021) dalam (Wati, Karamoy, and Kalangi 2022)

menyatakan peluang untuk terjadinya financial distress dapat meningkat seiring

dengan biaya tetap perusahaan semakin tinggi dan pendapatan yang sensitif akan

resesi ekonomi. Kondisi tersebut memaksa perusahaan untuk mengeluarkan biaya

yang besar akan mengambil pinjaman kepada pihak lain.

Menurut Syofyan dan Herawaty (2021) dalam (Putri Ramadanty, 2022)

financial distress diartikan sebagai kondisi perusahaan yang mendapatkan laba

atau nilai arus kas yang kecil. Perusahaan dikaitkan mengalami kesulitan keuangan

jika kewajiban jangka pendek dan panjangnya tidak dipenuhi, maka perusahaan

tersebut memasuki tahap awal kesulitan perusahaan dalam bidang keuangan. Jika

24
terjadi dalam waktu yang lama akan mengarah pada kebangkrutan atau pailit.

2.3.2. Dampak Financial Distress

Dari financial ditress terjadi karena perusahaan tidak dapat membayar

kewajiban yang hal ini mengakibatkan adanya dampak negatif terhadap

perusahaan tersebut.

Suatu keadaan dimana suatu perusahaan mengalami kesulitan keuangan

dapat menimbulkan dampak negatif yaitu perusahaan akan mengalami penurunan

usaha bahkan dalam kasus kesulitan yang lebih berat dapat mengakibatkan

penutupan atau pernyataan pailit perusahaan, hal ini menunjukkan bahwa

keadaan tersebut yang dialami perusahaan dalam kesulitan keuangan dapat dibagi

menjadi beberapa kategori, yaitu kegagalan ekonomi (economic failure) dan

kegagalan komersial (business failure). Menurut Musthafa (2017) dan Sumani

(2019) dalam (Nurdiansyah, 2021).

1. Kegagalan Ekonomis (Economic Failure)

Kegagalan keuangan mengacu pada keadaan dimana pendapatan yang

diterima oleh perusahaan tidak cukup untuk menutupi biaya operasional

perusahaan. Jika ini terus terjadi, bisa dipastikan perusahaan akan merugi

selama beberapa tahun.

2. Kegagalan Usaha/Bisnis (Business Failure)

Kegagalan bisnis Ini adalah kondisi bahwa perusahaan tidak dapat

menimbulkan kerugian bagi kreditur karena perusahaan tidak dapat

membayar utang-utangnya.

25
2.3.3. Pengukuran Financial Distress

Terdapat tujuh model dalam memprediksi financial distress, yaitu:

1. Model Atlman Z-Score

2. Model Zmijewski

3. Model Grover G-Score

4. Model Olhson O-Score

5. Model Camel

6. Model Springate S-Score

7. Model Zeta

2.2.3.1. Model Altman Z-Score

Model ini pengembangan dari MDA (Multiple Discriminant Analysis),

yaitu suatu model statistik yang menggunakan analisa regresi untuk melakukan

prediksi kebangkrutan. Teknik ini digunakan untuk memprediksi dan

mengestimasi kegagalan perusahaan yang dikenal dengan model “Z-Score Model”

(Farida, 2019).

1. Model Altmanpertama

Model ini pertama kali diperkenalkan oleh altman digunakan secara spesifik

untuk industri yang bergerak dibidang manufaktur.

Formulanya sebagai berikut:

𝒁 = 𝟏. 𝟐𝑿𝟏 + 𝟏, 𝟒𝑿𝟐 + 𝟑, 𝟑𝑿𝟑 + 𝟎, 𝟔𝑿𝟒 + 𝟎. 𝟗𝟗𝟗𝑿𝟓

26
Keterangan:

Z = Overall index

X1 = work capital / total aset

X2 = retained earnings / total aset

X3 = earning before interes and taxes / total aset

X4 = market value of equity / book value of total liabilitas

X5 = sales / toatal aset

Nilai Z adalah indeks keseluruhan fungsi multiple discriminant analysis.

Menurut Altman, terdapat angka-angka cut off nilai Z yang dapat menjelaskan

apakah perusahaan akan mengalami kegagalan atau tidak pada masa

mendatang dengan membaginya ke dalam tiga kategori, yaitu:

a. Jika nilai Z < 1,8 maka termasuk perusahaan yang mengalami financial

distress.

b. Jika nilai 1,8 < Z < 2,99 maka termasuk grey area (tidak dapat ditentukan

apakah perusahaan sehat ataupun mengalami financial distress). Pada

kondisi ini, perusahaan mengalami masalah keuangan yang harus ditangani

dengan penanganan manajemen yang tepat. Jika terlambat dan tidak tepat

penanganannya, perusahaan dapat mengalami kebangkrutan. Jadi pada grey

area ini ada kemungkinan perusahaan bangkrut dan ada pula yang tidak

tergantung bagaimana pihak manajemen perusahaan dapat segera

mengambil tindakan untuk segera mengatasi masalah yang dialami oleh

perusahaan.

27
 c. Jika nilai Z > 2,99 maka termasuk perusahaan yang tidak mengalami

financial distress atau dalam keadaan sehat (safe).

2. Model Altman Z-Score Revisi

Penyesuaian yang dilakukan adalah agar model prediksi kebangkrutan ini

tidak hanya untuk perusahaan manufaktur yang go public melainkan juga

dapat diaplikasikan untuk perusahaan di sektor non publik. Formula untuk

model Altman Z-Score revisi adalah sebagai berikut :

Agar Z-Score dapat digunakan di perusahaan non-go public dalam model

pertama ini Altman merubah rumus X4 pada awalnya market value of

equity/book value of debt menjadi book value of equity/book value of total

liabilities.

Persamaan Model Altman Revisi adalah sebagai berikut:

𝒁 = 𝟎, 𝟕𝟏𝟕𝑿𝟏 + 𝟎, 𝟖𝟒𝟕𝑿𝟐 + 𝟑, 𝟏𝟎𝑿𝟑 + 𝟎, 𝟒𝟐𝟎𝑿𝟒 + 𝟎, 𝟗𝟗𝟗𝑿𝟓

Keterangan:

Z’ = Overall Index

X1 = Working Capital/Total Assets

X2 = Retained Earnings/Total Assets

X3 = Earning Before Interest and Tax/Total Assets

X4 = Book Value Equity/Book Value of Debt

X5 = Sales/Total Assets

Kriteria perusahaan yang mengalami financial distress dan yang tidak

mengalami financial distress menurut model Altman revisi adalah sebagai

berikut:

28
 a. Nilai Z’ kurang dari 1,23 maka termasuk perusahaan yang mengalami

financial distress.

b. Nilai Z’ di antara 1,23 sampai 2,6 maka perusahaan termasuk dalam grey

area.

c. Nilai Z’ lebih dari 2,9 maka termasuk perusahaan yang tidak mengalami

financial distress.

3. Model Altman Z-Score (Modifikasi)

Altman memodifikasi modelnya supaya dapat diterapkan pada semua

perusahaan, seperti manufaktur, non manufaktur, dan perusahaan penerbit

obligasi di Negara berkembang (emerging market), formula persamaan Z-

score yang telah dimodifikasi adalah sebagai berikut:

𝒁" = 𝟔. 𝟓𝟔(𝑿𝟏 ) + 𝟑, 𝟐𝟔(𝑿𝟐 ) + 𝟔, 𝟕𝟐(𝑿𝟑 ) + 𝟏. 𝟎𝟓(𝑿𝟒 )

Keterangan:

Z” = Score (Bankruptcy Index)

X1 = Working Capital / Total Asset

X2 = Retained Earning / Total Asset

X3 = Earning Before Interest and Tax / Total Asset

X4= Book Value of Equity / Book value of Total Debt

Kriteria perusahaan yang mengalami financial distress dan yang tidak

mengalami financial distress menurut model Altman Modifikasi adalah

sebagai berikut:

a. Nilai Z’’ kurang dari 1,10 maka termasuk perusahaan yang mengalami

financial distress.

29
 b. Nilai Z’’ di antara 1,10 sampai 2,60 maka perusahaan termasuk dalam grey

area.

c. Nilai Z’’ lebih dari 2,60 maka termasuk perusahaan yang tidak mengalami

financial distress.

2.3.3.2. Model Zmijewski

Menurut Zmijewski (1984) menggunakan rasio ini untuk mengukur

kinerja leverage dan likuiditas suatu perusahaan untuk model produksinya.

Model yang berhasil dikembangkan yaitu:

𝑿 = −𝟒, 𝟑 − 𝟒, 𝟓𝑿𝟏 + 𝟓, 𝟕𝑿𝟐 − 𝟎, 𝟎𝟎𝟒𝑿𝟑

Keterangan:

X1 = ROA (return on asset)

X2 = Leverage (debt ratio)

X3 = Likuiditas (current ratio)

Dari hasil perhitungan model Zmijewski diperoleh nilai X-Score yang dibagi

dalam dua kategori, yaitu jika X-Score bernilai negatif, maka perusahaan tersebut

dalam kondisi yang sehat, sebaliknya jika X-Score bernilai positif maka

perusahaan tersebut dalam kondisi yang tidak sehat atau cenderung mengarah ke

kebangkrutan.

30
2.3.3.3. Model Grover G-Score

Model Grover merupakan model yang diciptakan dengan melakukan

pendesainan dan penilaian ulang terhadap model Altman Z-Score pada tahun 1968,

dengan menambahkan tiga belas rasio keuangan baru.

𝑮 = 𝟏, 𝟔𝟓𝟎𝑿𝟏 + 𝟑, 𝟒𝟎𝟒𝑿𝟑 − 𝟎, 𝟎𝟏𝟔𝑹𝑶𝑨 + 𝟎, 𝟎𝟓𝟕

Keterangan:

G = Overall Index

X1 = Working Capital/Total Assets

X2 = Earnings Before Interest and Taxes/Total Assets

ROA = Net Income/Total Assets

Model Grover menjelaskan perusahaan dalam keadaan bangkrut dengan skor

kurang atau sama dengan -0,02. Sedangkan nilai untuk perusahaan yang dalam

keadaan tidak bangkrut adalah melebihi atau sama dengan 0,01.

2.3.3.4. Model Olhson O-Score

Ohlson terinspirasi oleh penelitian-penelitian sebelumnya dan melakukan

modifikasi atas studinya. Ohlson menggunakan data tahun 1970-1976 dan sampel

sebanyak 105 perusahaan yang bangkrut dan 2058 perusahaan yang tidak bangkrut

(tidak menggunakan teknik macth pair sampling). Jika Altman (1968)

menggunakan sumber data dari Moody’s Manual, maka Ohlson (1980)

menggunakan data laporan keuangan yang diterbitkan untuk pajak. Ohlson

menggunakan metode statistic conditional logistic. Ohlson berpendapat bahwa

metode ini dapat menutupi kekurangan yang terdapat di metode MDA yang

31
digunakan oleh Altman. Mula-mula Ohlson membangun 3 buah model, dimana

setiap model terdiri dari variabel-variabel yang sama. Model yang dibangun

Ohlson memiliki 9 variabel yang terdiri dari beberapa rasio keuangan (Hastuti,

2015). Berikut ini adalah model Ohlson (Widiasmara and Rahayu 2019):

𝑶 = −𝟏, 𝟑𝟐 − 𝟎, 𝟒𝟎𝟕𝑿𝟏 + 𝟔, 𝟎𝟑𝑿𝟐 − 𝟏, 𝟒𝟑𝑿𝟑 + 𝟎, 𝟕𝟓𝟕𝑿𝟒 − 𝟐. 𝟑𝟕𝑿𝟓

− 𝟏, 𝟖𝟑𝑿𝟔 + 𝟎. 𝟐𝟖𝟓𝑿𝟕 − 𝟏, 𝟕𝟐𝑿𝟖 − 𝟎, 𝟓𝟐𝟏𝑿𝟗

Keterangan:

O = Overall Index

X1 = Log (Total Assets/GNP Price-level Index)

X2 = Total Liabilities/Total Assets

X3 = Working Capital/Total Assets

X4 = Current Liabilities/Current Assets

X5 = 1 jika Total Liabilities > Total Assets; 0 jika sebaliknya

X6 = Net Income/ Total Assets

X7 = Cash flow from operation/total liabilities

X8 = 1 jika Net Income Negatif; 0 jika sebaliknya

X9 = (laba bersih tahunt - laba bersih tahunt-1) / (laba bersih tahun t + laba

bersih tahun t-1)

Ohlson (1980) menyatakan bahwa model ini memiliki cut off point

optimal pada nilai 0,38. Ohlson memilih cut off ini karena dengan nilai ini, jumlah

error dapat diminimalisasi. Maksud dari cut off ini adalah bahwa perusahaan yang

memiliki nilai O lebih dari 0,38 berarti perusahaan tersebut diprediksi mengalami

32
financial distress. Sebaliknya, jika nilai O kurang dari 0,38, maka perusahaan

diprediksi tidak mengalami financial distress.

2.3.3.5. Model Camel

Menurut Rahmat (2020) dalam Nurdiansyah (2021), Camel merupakan

tolak ukur yang menjadi objek pemeriksaan bank yang dilakukan oleh pengawas

bank. Camel terdiri atas lima kriteria, yaitu modal (Capital), aktiva (Asset),

manajemen (Management), pendapatan (Earnings), dan likuiditas (Liquidity).

Rumus untuk menghitung model bankometer sebagai berikut (Ouma dan Kirori,

2019)

𝑺 = 𝟏, 𝟓𝑪𝑨 + 𝟏, 𝟐𝑬𝑨 + 𝟑, 𝟓𝑪𝑨𝑹 + 𝟎, 𝟔𝑵𝑷𝑳 + 𝟎, 𝟑𝑪𝑰 + 𝟎, 𝟒𝑳𝑨

Dimana:

S = Stand for Solvency

CA = Capital to Asset Ratio

EA = Equity to Assets Ratio

CAR = Capital Adequacy Ratio

NPL = Non Performing Loans Ratio

CI = Costs to Income Ratio

LA = Loans to Assets Ratio

Kriteria klasifikasinya adalah sebagai berikut:

S-Score > 70 Bank memiliki kondisi keuangan yang sehat tanpa kesulitan

keuangan

S-Score < 70 Bank berada di grey area dan tergolong bank bermasalah keuangan.

33
Bank-bank ini punya probabilitas yang sama untuk bangkrut dan keberlangsungan

hidup mereka sangat bergantung pada keputusan manajemen

S-Score < 50 Bank diklasifikasikan memiliki masalah keuangan yang berat dan

risiko kebangkrutan yang tinggi.

2.3.3.6. Model S-Score

Model ini diperkenalkan pada tahun 1978 oleh Gordon LV

Springate.Model ini merupakan pengembangan dari model Altman yang

dikembangkan dengan menggunakan multiple discriminant analysis (MDA).

Awalnya, model tersebut menggunakan 19 rasio keuangan populer, namun setelah

diuji, Springate akhirnya memilih empat rasio untuk menilai apakah sebuah

perusahaan sehat atau bangkrut model tersebut 92,5% akurat dengan menggunakan

40 perusahaan sebagai sampel yang digunakan oleh Springate. Persamaan model

yang ditemukan oleh Springate adalah:

Model yang berhasil dikembangkan oleh Springate adalah:

𝑺 = 𝟏, 𝟎𝟑𝑨 + 𝟑, 𝟎𝟕𝑩 + 𝟎, 𝟔𝟔𝑪 + 𝟎, 𝟒𝑫

Diaman:

A = Working Capital / Total Asset

B = Net Profit Before Interest And Taxes / Total Asset

C = Net Profit Before Taxes / Current Liabilities

D = Sales / Total Asset

34
Kriteria untuk persamaan model Springate ini adalah jika nilai Z < 0,862 maka

tergolong perusahaan bangkrut dan apabila nilai Z > 0862 maka perusahaan

dikategorikan termasuk perusahaan sehat. (Firqotus Sa’idah, 2022)

2.3.3.7 Model Zeta

Menurut Dwijayanti (2010), model ini dikembangkan pada tahun 1977

oleh Altman dan Zeta Service Inc., sebuah perusahaan keuangan, di mana model

ini lebih akurat dalam mengklasifikasikan kebangkrutan. variabel yang masuk

dalam model Zeta antara lain return on assets, stability of earnings, debt service,

cumulative profitability, liquidity/current ratio, capitalization (five year average

of total market value), dan size (total tangible assets). (Nurdiansyah, 2021)

Model Zeta merupakan model yang didasarkan pada rasio keuangan

dimana banyak peneliti menyimpulkan bahwa keuangan rasio dianggap sebagai

cara yang efisien untuk menganalisis dan mendiagnosa kesehatan keuangan

perusahaan (Husein & Pambekti, 2014). Model Zeta adalah versi tambahan dari

model asli Altman yang ditemukan pada tahun 1968. Model Zeta didasarkan pada

lima rasio keuangan yang ditimbang dengan koefisien. (AlAli, 2019)

(Z) = 1,2 X1 + 1,4 X2 + 3,3 X3 + 0,6 X4 + 1 X5

Di mana;

X1 = modal kerja (aset lancar (CA) – kewajiban lancar (CL)) / total aset (TA)

X2 = laba ditahan (RE) / total aset (TA)

X3 = laba sebelum bunga dan pajak (EBIT) / total aset (TA)

X4 = nilai pasar ekuitas (EMV) / total kewajiban (TL)

35
X5 = Penjualan (S) / Total Aset (TA)

Hasil yang diperoleh dari model tersebut kemudian dibandingkan dengan

benchmark yang ditetapkan untuk menentukan finansial kesehatan perusahaan.

Kriteria yang digunakan untuk menginterpretasikan model Z-score adalah;

- Safe Zone jika Zeta-score > 2,99 (bebas risiko)

- Zona Abu-abu jika 1,81 < Zeta-score < 2,99 (berisiko)

- Distress Zone jika Zeta-score < 1,81 (kebangkrutan)

Model regresi kemudian ditetapkan untuk menguji hubungan antara harga saham

perusahaan di pasar sebagai variabel dependen dan skor Zeta sebagai variabel

independen sebagai berikut dimana harga saham perusahaan i pada waktu t yaitu

koefisien skor Zeta adalah skor Zeta perusahaan i pada waktu t dan ε adalah istilah

kesalahan.

Dalam penelitian ini peneliti menggunakan pengukuran Z-Score Altman

Modifikasi serta pembandingan nya menggunakan pengukuran G-Score untuk

mengetahui seberapa signifikan financial distress dapat mempengaruhi tax

avoidane.

Rumsu yang diginakan oleh pengukuran Z-Score modifikasi, yaitu:

𝒁" = 𝟔. 𝟓𝟔(𝑿𝟏 ) + 𝟑, 𝟐𝟔(𝑿𝟐 ) + 𝟔, 𝟕𝟐(𝑿𝟑 ) + 𝟏. 𝟎𝟓(𝑿𝟒 )

Rumus yang digunakan oleh pengukuran G-Score, yaitu:

𝑮 = 𝟏, 𝟔𝟓𝟎𝑿𝟏 + 𝟑, 𝟒𝟎𝟒𝑿𝟑 − 𝟎, 𝟎𝟏𝟔𝑹𝑶𝑨

36
2.4. Profitabilitas

2.4.1. Definisi Profitabilitas

Kamsir (2019:114) menyatakan mendefinisikan profitabilitas adalah rasio

untuk menilai kemampuan perusahaan dalam mencari keuntungan dalam suatu

periode tertentu, rasio ini juga dapat memberikan ukuran tingkat efektivitas

manajemen suatu perusahaan yang ditunjukkan dari tingkat laba yang dihasilkan

dari penjualan. (Maulida, 2022).

Profitabilitas perusahaan adalah salah satu cara untuk menilai secara

akurat tingkat pengembalian yang diperolehnya dari aktivitas investasinya. Jika

profitabilitas perusahaan baik, maka stakeholder akan melihat dan memperhatikan

sejauh mana perusahaan dapat menghasilkan laba dari aktivitas investasinya.

Dengan demikian semakin tinggi profitabilitas yang dihasilkan oleh perusahaan,

maka semakin tinggi juga dividen yang dihasilkan oleh perusahaan tersebut

(Sitorus, 2022).

2.4.2. Tujuan dan Manfaat Profitabilitas

Menurut Kamsir (2017) dalam Reza (2022) tujuan dan manfaat

profitabilitas bagi perusahaan dan bagi pihak luar perusahaan atau investor

perusahaan, yaitu:

a. Mengukur dan menghitung laba yang diperoleh perusahaan pada periode

tertentu.

b. Mengevaluasi profitabilitas perusahaan pada tahun sebelumnya dari tahun ke

tahun.

37
c. Mengevaluasu perkembangan profit dari waktu ke waktu.

d. Menaksir besarnya laba bersih setelah pajak dengan dana milik sendiri.

e. Mengukur produktivitas seluruh dana perusahaan yang digunakan modal

pinjaman dan modal sendiri.

f. Mengukur produktivitas seluruh dana perusahaan menggunakan dana sendiri

Menurut Kasmir (2017) manfaat yang diperoleh bagi perusahaan yaitu sebagai

berikut:

a. Ketahui tingat keuntungan perusahaan sekaligus titik.

b. Mengetahui status keuntungan perusahaan pada tahun sebelumnya dari tahu

ke tahun sampai sekarang.

c. Mengikuti perkembangan profit waktu ke waktu

d. Mengetahui besarnya laba bersih setelah pajak dengan dana milik sendiri.

e. Memahami produktivitas seluruh dana perusahaan yang digunakan modal

pinjaman modal sendiri.

2.4.3. Pengukuran Profitabilitas

Menurut Kasmir (2019:201-209) dalam (Andiny Fitriyani, 2022) jenis- jenis

rasio profitabilitas yang dapat diguanakan adalah:

1. Profit Margin on Sales

Profit Margin on Sales atau Rasio Profit Margin atau margin laba atas

penjualan merupakan salah satu rasio yang digunakan untuk mengukur

margin laba atas penjualan. Cara mengukur rasio ini adalah dengan

membandingkan laba bersih setelah pajak dengan penjualan bersih.

38
 Terdapat dua rumus untuk mencari profit margin, yaitu sebagai berikut:

a. Untuk margin laba kotor dengan rumus pengukurannya:

𝑷𝒆𝒏𝒋𝒖𝒂𝒍𝒂𝒏 𝑩𝒆𝒓𝒔𝒊𝒉 𝑯𝒂𝒓𝒈𝒂 𝑷𝒐𝒌𝒐𝒌 𝑷𝒆𝒏𝒋𝒖𝒍𝒂𝒏

𝑷𝒓𝒐𝒇𝒊𝒕 𝑴𝒂𝒓𝒈𝒊𝒏 =
𝑷𝒆𝒏𝒋𝒖𝒂𝒍𝒂𝒏

Untuk margin laba bersih dengan rumus pengukurannya:

𝑬𝒂𝒓𝒏𝒊𝒏𝒈 𝑨𝒇𝒕𝒆𝒓 𝑰𝒏𝒕𝒆𝒓𝒆𝒔𝒕 𝒂𝒏𝒅 𝑻𝒂𝒙 (𝑬𝑨𝑰𝑻)

𝑵𝒆𝒕 𝑷𝒓𝒐𝒇𝒊𝒕 𝑴𝒂𝒓𝒈𝒊𝒏 =
𝐏𝐞𝐧𝐣𝐮𝐚𝐥𝐚𝐧

2. Return on Investment (ROI) atau Return on Asset (ROA)

Return on Investment (ROI) atau Return on Asset (ROA) merupakan rasio

yang menunjukan hasil (return) atas jumlah aktiva yang digunakan dalam

perusahaan. ROI juga merupakan suatu ukuran yang efektivitas manajemen

dalam mengelola investasinya.

Disamping itu, hasil pengembalian investasi menunjukan produktivitas dari

seluruh dana perusahaan, baik modal pinjaman maupun modal sendiri.

Semakin kecil (rendah) rasio ini, semakin kurang baik, demikian pula

sebaliknya. Artinya rasio ini digunakan untuk mengukur efektivitas dari

keseluruhan operasi perusahaan. Rumus untuk mencari ROI/ROA yaitu

sebagai berikut:

𝑬𝒂𝒓𝒏𝒊𝒏𝒈 𝑨𝒇𝒕𝒆𝒓 𝑰𝒏𝒕𝒆𝒓𝒆𝒔𝒕 𝒂𝒏𝒅 𝑻𝒂𝒙 (𝑬𝑨𝑰𝑻)

𝑹𝑶𝑰 𝒐𝒓 𝑹𝑶𝑨 =
𝑻𝒐𝒕𝒂𝒍 𝑨𝒔𝒔𝒆𝒕

3. Return on Investment (ROI) dengan Pendekatan Du Pont

Untuk mencari hasil pengembalian investasi, selain dengan cara yang sudah

dikemukakan di atas, dapat pula kita menggunakan pendekatan Du Pont.

39
 Hasil yang diperoleh antara cara seperti rumus di atas dengan pendekatan

Du Point adalah sama. Cara mencari hasil pengembalian investasi dengan

pendekatan Du Point:

𝑹𝑶𝑰 = 𝑴𝒂𝒓𝒈𝒊𝒏 𝐋𝐚𝐛𝐚 𝐁𝐞𝐫𝐬𝐢𝐡 𝑿 𝑷𝒆𝒓𝒑𝒖𝒕𝒂𝒓𝒂𝒏 𝒕𝒐𝒕𝒂𝒍 𝑨𝒌𝒕𝒊𝒗𝒂

4. Return on Equity (ROE)

Return on Equity atau rentabilitas modal sendiri merupakan rasio untuk

mengukur laba bersih sesudah pajak dengan modal sendiri. Rasio ini

menunjukan efisiensi penggunaan modal sendiri. Semakin tinggi rasio ini,

semakin baik, artinya posisi pemilik perusahaan semakin kuat, demikian

pula sebaliknya. Untuk mencari Return on Equity (ROE) dapat digunakan

sebagai berikut:

𝑬𝑨𝑰𝑻
𝑹𝑶𝑬 =
𝑬𝒒𝒖𝒊𝒕𝒚

5. Return on Equity (ROE) dengan Pendekatan Du Pont

Selain dengan cara yang sudah dikemukakan di atas, juga dapat pula

digunakan pendekatan Du Point. Hasil yang diperoleh antara cara seperti

diatas dengan pendekatan Du Pont adalah sama. Untuk mencari hasil ROE

dengan pendekatan Du Point, yaitu sebagai berikut:

𝑹𝑶𝑬 =

𝑴𝒂𝒓𝒈𝒊𝒏 𝑳𝒂𝒃𝒂 𝑩𝒆𝒓𝒔𝒊𝒉 𝑿 𝑷𝒆𝒓𝒑𝒖𝒕𝒂𝒓𝒂𝒏 𝑨𝒌𝒕𝒊𝒗𝒂 𝑿 𝑷𝒆𝒏𝒈𝒈𝒂𝒏𝒅𝒂 𝑬𝒌𝒖𝒊𝒕𝒂𝒔

40
6. Earning per Share Common Stock

Earning per Share Common Stock merupakan rasio untuk mengukur

keberhasilan manajemen dalam mencapai keuntungan bagi pemegang

saham. Rasio yang rendah berarti manajemen belum berhasil untuk

memuaskan pebegang saham. Sebaliknya, dengan rasio yang tinggi,

kesejahteraan pemegang saham meningkat. Dengan pengertian lain, tingkat

pengembalian yang tinggi.

Rumus untuk mencari Earning per Share Common Stock adalah sebagai

berikut:

𝐋𝐚𝐛𝐚 𝐒𝐚𝐡𝐚𝐦 𝐁𝐢𝐚𝐬𝐚

𝑬𝒂𝒓𝒏𝒊𝒏𝒈 𝒑𝒆𝒓 𝒔𝒉𝒂𝒓𝒆 𝒄𝒐𝒎𝒎𝒐𝒏 𝒔𝒕𝒐𝒄𝒌 =
𝐒𝐚𝐡𝐚𝐦 𝐁𝐢𝐚𝐬𝐚 𝐲𝐚𝐧𝐠 𝐁𝐞𝐫𝐞𝐝𝐚𝐫

Pengukuran yang digunakan penulis dalam mengukur profitabilitas yaitu

menggunakan Gross Profit Margin (GPM) dengan cara penjualan bersih dikurangi

harga pokok penjualan dan dibagi dengan penjualan.

𝐏𝐞𝐧𝐣𝐮𝐚𝐥𝐚𝐧 𝐁𝐞𝐫𝐬𝐢𝐡 𝐇𝐚𝐫𝐠𝐚 𝐏𝐨𝐤𝐨𝐤 𝐏𝐞𝐧𝐣𝐮𝐚𝐥𝐚𝐧

𝑷𝒓𝒐𝒇𝒊𝒕 𝑴𝒂𝒓𝒈𝒊𝒏 =
𝐏𝐞𝐧𝐣𝐮𝐚𝐥𝐚𝐧

2.5. Penelitian Terdahulu

Terdpat penelitian terdahulu mengenai Financial Distress dan

Profitabilitas terhadap tax avoidance antara lain:

Penelitian yang dilakukan oleh (Faradilla and Bhilawa 2022) dengan judul

“Pengaruh Profitabilitas, Leverage, Ukuran Perusahaan dan Sales Growth terhadap

Tax Avoidance’’ Data yang digunakan adalah data sekunder yang diambil dari

41
laporan keuangan dan laporan keberlanjutan perusahaan. Teknik pengambilan

sampel yang digunakan adalah purposive sampling yang ukuran sampel dari 25

perusahaan yang terdaftar di Bursa Efek Indonesia dari tahun 2015 hingga 2018.

Total sampel yang digunakan adalah 100 perusahaan yang mengungkapkan

laporan keuangan dan keberlanjutan lengkap dari 2015 hingga 2018. Teknik

analisis data menggunakan uji statistik deskriptif dan uji regresi berganda. Hasil

penelitian memperoleh hasil yang menunjukkan bahwa profitabilitas berpengaruh

positif signifikan terhadap penghindaran pajak.

Penelitian yang dilakukan oleh (Rahmah and Murtanto 2022) dengan judul

“ Determinasi Tax Avoidance” data yang digunakan adalah Penelitian ini data

Laporan Keunagn, sampel tersebut terdiri dari 34 data perusahaan di sektor

kesehatan yang tercatat di Bursa Efek Indonesia periode 2019-2021. Data diperoleh

dengan menggunakan metode purposive sampling dengan mengambil data

sekunder dari sumber web Bursa Efek Indonesia. Teknik dalam penelitian ini

menggunakan analisis regresi berganda. Hasil yang diperoleh dari semua pengujian

yang dilakukan adalah sebagai berikut Financial Distress, Profitabilitas memiliki

pengaruh signifikan positif terhadap Penghindaran Pajak.

Penelitian yang dilakukan oleh (Astriyani et al. 2022) dengan judul

“Pengaruh Financial Distress, Karakteristik Eksekutif, dan Family ownership

Terhadap Tax Avoidance” data yang digunakan dalam penelitian ini data sekunder

Laporan Keuangan. Dalam pengambilan sampel menggunakan teknik purposive

sampling dan jumlah sampel yang didapatkan dan digunakan dalam penelitian ini

berjumlah 40 yaitu dari 8 perusahaan dengan 5 tahun penelitian. Hasil penelitian

42
menunjukkan bahwa financial distress dan karakteristik eksekutif tidak

berpengaruh negatif signifikan terhadap tax avoidance. tetapi secara simultan

Financial distress, karakteristik eksekutif dan family ownership secara simultan

berpengaruh positif signifikan terhadap tax avoidance.

Penelitian yang dilakukan oleh (Putri, Yanti, and Trisakti, 2022) dengan

judul “Pengaruh Corporate Social Responsibility, Kompensasi Manjemen,

Intensitas Modal dan Financial Distress terhadap Tax Avoidance” data yang

digunakan dalam penelitian tersebut penelitian ini menggunakan data sekunder

yang diperoleh dari laporan tahunan perusahaan listing di Bursa Efek Indonesia

(BEI) periode 2018-2020. Metode pemilihan sampel dalam penelitian ini

menggunakan metode purposive sampling. Sampel yang memenuhi kriteria

sebanyak 198 sampel dengan periode pengamatan 2018 sampai dengan 2020.

Teknik analisis yang dipakai dalam penelitian ini adalah analisis regreasi linier

berganda. Penelitian ini memperoleh hasil yang menunjukkan bahwa financial

distress berpengaruh positif terhadap tax avoidance.

Penelitian yang dilakukan oleh (Yuliana, Susanti, and Zulaihati, 2021)

dengan judul “Pengaruh Financial Distress dan Corporate Goverance terhadap tax

avoidance” data yang digunakan data laporan keuangan tahunan perusahaan

perbankan yang terdaftar di Bursa Efek Indonesia (BEI) 2018-2019. Metode

pemilihan sampel dalam penelitian ini menggunakan random sampling. Sampel

yang terdiri dari 40 perusahaan perbankan yang terdaftar di Bursa Efek Indonesia

(BEI). Teknik analisis regresi berganda, statistik deskriptif, uji normalitas, uji

asumsi klasik, analisis koefisien korelasi berganda dan koefisien determinasi.

43
Penelitian ini memperoleh hasi yang menunjukkan bahwa Financial Distress

berpengaruh positif dan signifikan terhadap tax avoidance.

Penelitian yang dilakukan oleh (Sidauruk and Putri, 2022) dengan judul

“Pengaruh Komisaris Independen, Karakter Eksekutif, Profitabilitas dan Ukuran

Perusahaan terhadap Tax Avoidance” data yang digunakan data laporan keuangan

perusahaan sektor pertambangan yang terdaftar di Bursa Efek Indonesia (BEI)

periode 2017-2020. Metode pemilihan sampel dalam penelitian ini menggunakan

puposive sampling. Sampel yang memenuhi kriteria sebanyak 40 perusahaan

dengan periode pengamatan 2017 sampai dengan 2020. Teknik analisis dalam

penelitian ini analisis regresi linier berganda. Penelitian ini memperoleh hasil yang

menunjukkan bahwa Profitabilitas berpengaruh signifikan positif terhadap tax

avoidance.

Penelitian yang dilakukan oleh (Suwanta and Herijawati, 2022) dengan

judul “Pengaruh Profitabilitas, Likuiditas dan Laverage terhadap tax avoidance’’

data yang digunakan data laporan atas keuangan perusahaan yang telah di aduit

yang terdaftar di Bursa Efek Indonesia (BEI) periode 2018-2021. Metode

pemilihan sampel dalam penelitian ini menggunakan purposive sampling. Sampel

yang memenuhi kriteria sebanyak 13 perusahaan dengan periode 2018 sampai

dengan 2021. Teknik analisis dalam penelitian ini analisis regresi linier berganda.

Penelitian ini memperoleh hasil yang menunjukkan bahwa Profitabilitas

berpengaruh signifikan positif terhadap tax avoidance.

44
 Penelitian yang dilakukan oleh (Christy Susanto et al., 2022) dengan judul

“Pengaruh Transfer Pricing dan Profitabilitas terhadap Penghindaran Pajak” data

yang digunakan data laporan keuangan perusahaan sektor pertambangan yang

terdaftar di Bursa Efek Indonesia (BEI) periode 2018-2020. Metode pemilihan

sampel dalam penelitian ini menggunakan puposive sampling. Sampel yang

memenuhi kriteria sebanyak 140 perusahaan dengan periode pengamatan 2018

sampai dengan 2020. Teknik analisis dalam penelitian ini analisis regresi linier

berganda dan regresi panel data. Penelitian ini memperoleh hasil yang

menunjukkan bahwa Profitabilitas berpengaruh signifikan positif terhadap tax

avoidance.

Tabel 2. 2 Penelitian-penelitian terdahulu

Nama Populasi/Teknik Uji
No Judul Hasil Penelitian
Peneliti Sampling Hipotesis
1. Faradilla, Pengaruh 25 perusahaan yang Analisis profitabilitas,
Ivory profitabilitas, terdaftar di Bursa Efek Linier Leverage
Candra leverage, ukuran Indonesia dari tahun Berganda berpengaruh
Bhilawa, perusahaan dan 2015-2018/ purposive positif signifikan
Loggar sales growth sampling terhadap
(2022) terhadap tax penghindaran
avoidance pajak.

2. Annisa Dererminasi Tax 34 data perusahaan di Analisis Financial

Aulia Avoidance sektor kesehatan yang Regresi Distress,
Rahmah tercatat di Bursa Efek Berganda Profitabilitas,
dan Indonesia periode Leverage
Murtanto 2019-2021/ purposive Berpengaruh
(2022) sampling positif terhadap
tax avoidance.

3. Riza Dwi Pengaruh 8 perusahaan property Analisis Financial

Astriyani Financial Distress, dan real estate yang Regresi distress,
Mohamad Karakteristik terdaftar di Bursa Efek Linier karakteristik
Safii (2022) Eksekutif, Dan Indonesia (BEI) pada Berganda eksekutif dan
Family Ownership tahun 2016 –2020/ family ownership
terhadap Tax purposive sampling berpengaruh
Avoidance positif signifikan
terhadap tax
avoidance.

45
 Nama Populasi/Teknik Uji
No Judul Hasil Penelitian
Peneliti Sampling Hipotesis
4. Amanda Pengaruh 198 perusahaan listing Analisa corporate social
Putri Corporate Social di Bursa Efek Regresi responsibility,
Ramadanti, Responsibility, Indonesia (BEI) Linier kompensasi
Khomsiyah Kompensasi periode 2018-2020/ Berganda manajemen,
(2022) Manjemen, puposive sampling intensitas modal
Intensitas Modal dan financial
dan Financial distress
Distress terhadap berpengaruh
Tax Avoidance positif terhadap
tax avoidance.
5. Dinda Pengaruh 40 perusahaan Analisis Financial
Yuliana, Financial Distress perbankan yang Regresi Distress dan
Santi dan Corporate terdaftar di Bursa Efek Berganda Corpotae
Susanti dan Governance Indonesia (BEI) 2018- Governance
Sri terhadap tax 2019/ random berpengaruh
Zulaihati avoidance sampling positid terhadap
(2021) tax avoidance
6. Tagor Pengaruh 44 perusahaan Analisisi Financial Distres,
Darus Komisaris terdaftar di BEI 2017- Regresi Leverage
Sidaruk dan Independen, 2022/ purposive Linier berpengaruh
Nandini Karakter Eksekutif, sampling Berganda positif terhadap
Trimelinia Profitabilitas dan tax avoidance
Pebri Putri Ukuran Perusahaan
(2022) terhadap Tax
Avoidance
7. Tata Pengaruh 13 perusahaan Analisis Profitabilitas,
Suwanta Profitabilitas, terdaftar di BEI 2018- Regresi likuiditas
dan Etty Likuiditas dan 2021/purposive Linier berpengaruh
Herijawati Laverage terhadap sampling Berganda positif terhadap
(2022) tax avoidance tax avoidance
8. Lovena C.S, Pengaruh Transfer 140 perusahaan sektor Analisis Profitabilitas
Vennecia .J, Pricing dan pertambangan Regresi berpengaruh
Alexander Profitabilitas terdaftar di Bursa Efek Berganda Positif terhadap
.E, Fiorin Terhadap Indonesia (BEI) dan tax avoidance
.T, Stefanie Penghindaran periode 2018-2020- Analisis
.K dan Ita Pajak 2020/ purposive Regresi
Salsalina sampling Data
(2022) Panel

2.6. Kerangka Teoritis

Pada penelitian ini ada dua variabel dependen dan independen, yang

menjadi variabel dependen dalam penelitian ini adalah Tax Avoidance dan variabel

independennya atau variabel yang didugan dapat mempengaruhi penghindaran

pajak (Tax Avoidance) oleh peneliti yaitu Financial Distress dan Profitabilitas.

46
Berikut ini peneliti menguraikan kerangka teoritis berupa hubungan Financial

Distress dan Profitabilitas terhadap tax avoidance pada perusahaan sektor

manufaktur yang terdaftar di Bursa Efek Indonesia (BEI) 2017-2021.

2.6.1. Pengaruh Financial Distress Terhadap Tax Voidance

Ketika manajemen gagal mengelola perusahaan dengan baik, maka ada

kemungkinan besar kesulitan keuangan atau bahkan kebangkrutan besar. Kesulitan

keuangan dapat dilihat dan diukur melalui laporan keuangan setahun sekali, karena

laporan keuangan mencerminkan keadaan perusahaan yang memuat informasi

yang dibutuhkan perusahaan pihak yang berkepentingan. Perusahaan yang

mengalami kesulitan keuangan menghadapi peningkatan biaya modal,

berkurangnya sumber pendanaan eksternal, dan berkurangnya peringkat kredit,

sehingga perusahaan akan berusaha untuk meminimalkan pengeluaran perusahaan

atau pengeluaran kas untuk mengurangi atau mengatasi masalah keuangan

perusahaan. Jika suatu perusahaan mengalami kesulitan keuangan, salah satu

tindakan yang akan dilakukan perusahaan adalah penghindaran pajak, namun jika

perusahaan memiliki nilai pendapatan yang tinggi maka pembayaran pajakpun

akan lebih besar sesuai degan pendapatan perusahaan karena perusahaan tidak mau

mengurangi biaya kas sehingga penghindaran pajak tidak dapat terhindarkan

karena pajak merupakan beban perusahaan dan dapat sangat mengurangi kas

perusahaan.

Pengukuran Financial Distress dapa diukur menggunakan model Altman

Z-Score Modifikasi dan G-Score karena dari kedua pengukuran tersebut

47
mempunyai tingkat akurasi yang tinggi. Oleh karena itu dapat disimpulkan

pengaruh financial distress penggunaan model Altman Z-Score dan G-Score

adalah positif, semakin tinggi tingkat financial distress maka praktik penghindaran

pajak tidak terhindarkan lagi oleh perusahaan.

2.6.2. Pengaruh Profitabilitas Terhadap Tax Avoidance

Profitabilitas yaitu kemampuan perusahaan untuk mengasilkan

keuntungan atau laba pada masa yang akan datang dan merupakan indikator

keberhasilan suatu perusahan. Gross Profit Margin (GPM) maka semakin tinggi

profitabilitas maka semakin baik juga tetapi perlu diingat bahwa GPM dapat sangat

dipengaruhi oleh harga pokok penjualan, apabila harga pokok penjualan meningkat

maka GPM akan menurun begitu sebaliknya.

Semakin tinggi Gross Profit Margin maka semakin baik kinerja

perusahaan begitu juga pembayaran pajak maka akan semakin tinggi, dalam hal ini

pula menjadi faktor perusahaan melakukan penghindaran pajak jika perusahaan

memiliki laba pendapatan yang cukup besar maka penarikan atau pembayaran

pajak kepada negara juga akan besar sehingga perusahaan tidak mau mengurangi

kas yang ada pada perusahaan sehingga dapat ditarik kesimpulan perusahaan akan

melakukan penghindaran pajak.

48
2.7. Model Analisis

Berdasarkan kerangka teoritis yang telah dijelaskan, model analisis dalam

penelitian ini dapat digambarkan yaitu sebagai berikut:

Financial
(+)
Distres (X1)
Tax
Avoidance (Y)
Profitabilitas
(+)
(X2)

Gambar 2. 1 Model Analisis

2.7.1. Pengembangan Hipotesis

Berdasarkan kerangka teoritis diatas peneliti dapat mengemukakan

hipotesis penelitian sebagai berikut:

H1 : Financial distress berpengaruh posistif signifikan terhadap tax avoidance

pada perusahaan manufaktur yang terdaftar di Bursa Efek Indonesia (BEI)

periode 2017-2021.

H2 : Profitabilitas berpengaruh positif signifikan terhadap tax avoidance pada

perusahaan manufaktur yang terdaftar di Bursa Efek Indonesia (BEI)

periode 2017-2021.

49
 BAB III

METODE PENELITIAN

3.1. Objek Penelitian

Objek penelitian merupakan hal yang sangat penting untuk mendapatkan

tujuan tertentu pada suatu penelitian yang akan dibuktikan secara objektif. Menurut

(Sugiyono, 2018) menjelaskan bahwa objek penelitian adalah Suatu sifat atau ciri

atau nilai seseorang, benda atau kegiatan, dengan variasi tertentu, yang ditentukan

oleh peneliti untuk dipelajari dan kemudian ditarik kesimpulannya.

(Hardani et al. 2020) Objek Penelitian yaitu dapat berupa orang, benda,

transaksi atau peristiwa. Ketika mempelajari suatu populasi, peneliti memusatkan

perhatian pada satu atau lebih karakteristik atau atribut dari suatu objek. Fitur-fitur

ini disebut variabel. Nama variabel sebenarnya berasal dari fakta bahwa beberapa

karakteristik dapat bervariasi antar subjek dalam populasi.

Berdasarkan pengertian tersebut, penelitian dapat dirumuskan menjadi

suatu atribut atau properti atau nilai dari suatu objek fakta atau aktivitas yang

mengalami perubahan yang ditetapkan peneliti untuk memutuskan untuk

melakukan penelitian dan kemudian menariknya kesimpulan. (Hardani et al. 2020).

Dalam penelitian ini penulis menggunakan 2 (dua) objek variabel dalam

penelitian ini yaitu objek penelitiannya Financial distress dan Profitabilitas

sebagai variabel independen dan Tax Avoidance sebagai variabel dependen.

50
3.4. Lokasi Penelitian

Penelitian ini dilakukan pada perusahaan manufaktur yang terdaftar di

Bursa Efek Indonesia (BEI) pada periode 2017-2021. Pengambilan data bersumber

dari www.idx.co.id dan website resmi perusahaan yang terdaftar di Bursa Efek

Indonesi (BEI).

3.4. Metode Penelitian

Metode penelitian adalah cara ilmiah mendapatkan data dengan tujuan

dan kegunaan tertentu yang artinya kegiatan penelitian itu didasarkan pada ciri-ciri

keilmuan dan dapat diamati oleh indera manusia sehingga orang-orang dapat

mengamati dan mengetahui cara yang digunakan. (Sugiyono, 2018)

(Sugiyono, 2018) Definisi metode kuantitatif yaitu metode kuantitatif

disebut metode tradisional karena sudah lama digunakan dan menjadi tradisi

penelitian. Pendekatan ini disebut pendekatan positivis karena didasarkan pada

filsafat positivis. Metode ini merupakan metode ilmiah karena sesuai dengan

prinsip-prinsip ilmiah, yaitu konkrit, empiris, obyektif, terukur, rasional dan

sistematis. Metode ini disebut juga metode penemuan, karena segala macam ilmu

pengetahuan dan teknologi baru dapat ditemukan dan dikembangkan melalui

metode ini. Metode ini disebut kuantitatif karena data penelitiannya berbentuk

numerik dan analisisnya menggunakan statistik.

51
 Dalam penelitian ini peneliti menggunakan metode penelitian kuantitatif

dengan cara pendekatan analisis deskriptif dan analisis verifikatif. Metode

deskriptif adalah metode statistik untuk menganalisis data dengan

menggambarkan atau mendeskripsikan data yang terkumpul sebagaimana

adanya, tanpa berusaha menarik kesimpulan umum atau generalisasi. (Sugiyono,

2018). Sedangkan Metode verifikasi adalah metode yang menggunakan

perhitungan statistik untuk menunjukkan pengaruh beberapa variabel yang

digunakan untuk menguji suatu hipotesis (Sugiyono, 2018:55) dalam (Tri Puji

Wulandari, 2022).

3.5. Unit Analisis

Priyono (2016:51), Agustin (2021) dalam (Tri Puji Wulandari, 2022) unit

analisis merupakan satuan tertentu yang digunakan sebagai subjek penelitian. Unit

analisi dapat dibagi menjadi beberapa seperti individu, kelompok, organisasi,

kategori, sosial, institusi dan masyarakat.

Dalam penelitian ini penulis menggunakan data analisisnya yaitu laporan

keuangan perusahaan manufaktur yang terdaftar di Bursa Efek Indonesia (BEI)

periode 2017-2021.

52
3.6. Populasi dan Sampel

3.6.1. Populasi Penelitian

Definisi populasi menurut Sugiyono (2017) dalam (I Made Dwi Martha,

2020) populasi adalah luas wilayah yang digeneralisasikan yang terdiri dari objek

atau subjek dengan kuantitas, kualitas, dan karakter tertentu, sebagaimana

ditentukan oleh peneliti, untuk tujuan penyusunan interpretasi dan data

penelitian, serta penarikan kesimpulan.

Populasi adalah keseluruhan obyek penelitian, yang terdiri dari manusia,

benda, hewan, tumbuhan, gejala, nilai ujian, atau kejadian sebagai sumber data,

dengan ciri-ciri tertentu yang diteliti. Menurut Margono (2004) dalam (Hardani

et al., 2020). Populasi dalam penelitian ini adalah perusahaan manufaktur yang

terdaftar di Bursa Efek Indonesia (BEI) periode 2017-2021.

Berdasarkan data yang diperoleh dari situs resmi Bursa Efek Indonesia

(BEI) yaitu www.idx.co.id dapat diperoleh populasi sebanyak 220 perusahaan.

Tabel 3. 1 Populasi Penelitian

NO KODE Nama Perusahaan Keterangan

1 ADES Akasha Wira International Tbk. CONSUMER GOODS INDUSTRI

2 AISA Tiga Pilar Sejahtera Food Tbk. CONSUMER GOODS INDUSTRI

3 ALTO Tri Banyan Tirta Tbk. CONSUMER GOODS INDUSTRI

4 BOBA Formosa Ingredient Factory Tbk CONSUMER GOODS INDUSTRI

5 BTEK Bumi Teknokultura Unggul Tbk CONSUMER GOODS INDUSTRI

6 BUDI Budi Starch & Sweetener Tbk. CONSUMER GOODS INDUSTRI

7 CAMP Campina Ice Cream Industry Tbk CONSUMER GOODS INDUSTRI

8 CBMF Cahaya Bintang Medan Tbk. CONSUMER GOODS INDUSTRI

53
NO KODE Nama Perusahaan Keterangan

9 CEKA Wilmar Cahaya Indonesia Tbk. CONSUMER GOODS INDUSTRI

10 CINT Chitose Internasional Tbk. CONSUMER GOODS INDUSTRI

11 CLEO Sariguna Primatirta Tbk. CONSUMER GOODS INDUSTRI

12 CMRY Cisarua Mountain Dairy Tbk. CONSUMER GOODS INDUSTRI

13 COCO Wahana Interfood Nusantara Tbk CONSUMER GOODS INDUSTRI

14 DLTA Delta Djakarta Tbk. CONSUMER GOODS INDUSTRI

15 DMND Diamond Food Indonesia Tbk. CONSUMER GOODS INDUSTRI

16 DVLA Darya-Varia Laboratoria Tbk. CONSUMER GOODS INDUSTRI

17 ENZO Morenzo Abadi Perkasa Tbk. CONSUMER GOODS INDUSTRI

18 FAPA FAP Agri Tbk. CONSUMER GOODS INDUSTRI

19 FOOD Sentra Food Indonesia Tbk. CONSUMER GOODS INDUSTRI

20 GGRM Gudang Garam Tbk. CONSUMER GOODS INDUSTRI

21 GOOD Garudafood Putra Putri Jaya Tb CONSUMER GOODS INDUSTRI

22 HMSP H.M. Sampoerna Tbk. CONSUMER GOODS INDUSTRI

23 HOKI Buyung Poetra Sembada Tbk. CONSUMER GOODS INDUSTRI

24 HRTA Hartadinata Abadi Tbk. CONSUMER GOODS INDUSTRI

25 ICBP Indofood CBP Sukses Makmur Tbk CONSUMER GOODS INDUSTRI

26 IIKP Inti Agri Resources Tbk CONSUMER GOODS INDUSTRI

27 IKAN Era Mandiri Cemerlang Tbk. CONSUMER GOODS INDUSTRI

28 INAF Indofarma Tbk. CONSUMER GOODS INDUSTRI

29 INDF Indofood Sukses Makmur Tbk. CONSUMER GOODS INDUSTRI

30 IPPE Indo Pureco Pratama Tbk. CONSUMER GOODS INDUSTRI

31 ITIC Indonesian Tobacco Tbk. CONSUMER GOODS INDUSTRI

32 KAEF Kimia Farma Tbk. CONSUMER GOODS INDUSTRI

33 KEJU Mulia Boga Raya Tbk. CONSUMER GOODS INDUSTRI

54
NO KODE Nama Perusahaan Keterangan

34 KICI Kedaung Indah Can Tbk CONSUMER GOODS INDUSTRI

35 KINO Kino Indonesia Tbk. CONSUMER GOODS INDUSTRI

36 KLBF Kalbe Farma Tbk. CONSUMER GOODS INDUSTRI

37 KPAS Cottonindo Ariesta Tbk. CONSUMER GOODS INDUSTRI

38 LMPI Langgeng Makmur Industri Tbk. CONSUMER GOODS INDUSTRI

39 MBTO Martina Berto Tbk. CONSUMER GOODS INDUSTRI

40 MERK Merck Tbk. CONSUMER GOODS INDUSTRI

41 MLBI Multi Bintang Indonesia Tbk. CONSUMER GOODS INDUSTRI

42 MRAT Mustika Ratu Tbk. CONSUMER GOODS INDUSTRI

43 MYOR Mayora Indah Tbk. CONSUMER GOODS INDUSTRI

44 NASI Wahana Inti Makmur Tbk. CONSUMER GOODS INDUSTRI

45 OILS Indo Oil Perkasa Tbk. CONSUMER GOODS INDUSTRI

46 PANI Pratama Abadi Nusa Industri Tb CONSUMER GOODS INDUSTRI

47 PCAR Prima Cakrawala Abadi Tbk. CONSUMER GOODS INDUSTRI

48 PEHA Phapros Tbk. CONSUMER GOODS INDUSTRI

49 PMMP Panca Mitra Multiperdana Tbk. CONSUMER GOODS INDUSTRI

50 PSDN Prasidha Aneka Niaga Tbk CONSUMER GOODS INDUSTRI

51 PSGO Palma Serasih Tbk CONSUMER GOODS INDUSTRI

52 PYFA Pyridam Farma Tbk CONSUMER GOODS INDUSTRI

53 RMBA Bentoel Internasional Investam CONSUMER GOODS INDUSTRI

54 ROTI Nippon Indosari Corpindo Tbk. CONSUMER GOODS INDUSTRI

55 SCPI Merck Sharp Dohme Pharma Tbk. CONSUMER GOODS INDUSTRI

56 SIDO Industri Jamu dan Farmasi Sido CONSUMER GOODS INDUSTRI

57 SKBM Sekar Bumi Tbk. CONSUMER GOODS INDUSTRI

58 SKLT Sekar Laut Tbk. CONSUMER GOODS INDUSTRI

55
NO KODE Nama Perusahaan Keterangan

59 SOFA Boston Furniture Industries Tb CONSUMER GOODS INDUSTRI

60 SOHO Soho Global Health Tbk. CONSUMER GOODS INDUSTRI

61 STTP Siantar Top Tbk. CONSUMER GOODS INDUSTRI

62 TAYS Jaya Swarasa Agung Tbk. CONSUMER GOODS INDUSTRI

63 TBLA Tunas Baru Lampung Tbk. CONSUMER GOODS INDUSTRI

64 TCID Mandom Indonesia Tbk. CONSUMER GOODS INDUSTRI

65 TOYS Sunindo Adipersada Tbk. CONSUMER GOODS INDUSTRI

66 TSPC Tempo Scan Pacific Tbk. CONSUMER GOODS INDUSTRI

67 ULTJ Ultra Jaya Milk Industry & Tra CONSUMER GOODS INDUSTRI

68 UNVR Unilever Indonesia Tbk. CONSUMER GOODS INDUSTRI

69 VICI Victoria Care Indonesia Tbk. CONSUMER GOODS INDUSTRI

70 WIIM Wismilak Inti Makmur Tbk. CONSUMER GOODS INDUSTRI

71 WMPP Widodo Makmur Perkasa Tbk. CONSUMER GOODS INDUSTRI

72 WMUU Widodo Makmur Unggas Tbk. CONSUMER GOODS INDUSTRI

73 WOOD Integra Indocabinet Tbk. CONSUMER GOODS INDUSTRI

74 NPGF Nusa Palapa Gemilang Tbk BASIC INDUSTRY AND CHEMICALS

75 ADMG Polychem Indonesia Tbk BASIC INDUSTRY AND CHEMICALS

76 AGII Aneka Gas Industri Tbk. BASIC INDUSTRY AND CHEMICALS

77 AKPI Argha Karya Prima Industry Tbk BASIC INDUSTRY AND CHEMICALS

78 ALDO Alkindo Naratama Tbk. BASIC INDUSTRY AND CHEMICALS

79 ALKA Alakasa Industrindo Tbk BASIC INDUSTRY AND CHEMICALS

80 ALMI Alumindo Light Metal Industry BASIC INDUSTRY AND CHEMICALS

81 AMFG Asahimas Flat Glass Tbk. BASIC INDUSTRY AND CHEMICALS

82 APLI Asiaplast Industries Tbk. BASIC INDUSTRY AND CHEMICALS

83 ARNA Arwana Citramulia Tbk. BASIC INDUSTRY AND CHEMICALS

56
NO KODE Nama Perusahaan Keterangan

84 AVIA Avia Avian Tbk BASIC INDUSTRY AND CHEMICALS

85 BAJA Saranacentral Bajatama Tbk. BASIC INDUSTRY AND CHEMICALS

86 BRNA Berlina Tbk. BASIC INDUSTRY AND CHEMICALS

87 BRPT Barito Pacific Tbk. BASIC INDUSTRY AND CHEMICALS

88 BTON Betonjaya Manunggal Tbk. BASIC INDUSTRY AND CHEMICALS

89 CAKK Cahayaputra Asa Keramik Tbk. BASIC INDUSTRY AND CHEMICALS

90 CPIN Charoen Pokphand Indonesia Tbk BASIC INDUSTRY AND CHEMICALS

91 CPRO Central Proteina Prima Tbk. BASIC INDUSTRY AND CHEMICALS

92 CTBN Citra Tubindo Tbk. BASIC INDUSTRY AND CHEMICALS

93 DPNS Duta Pertiwi Nusantara Tbk. BASIC INDUSTRY AND CHEMICALS

94 EKAD Ekadharma International Tbk. BASIC INDUSTRY AND CHEMICALS

95 EPAC Megalestari Epack Sentosaraya BASIC INDUSTRY AND CHEMICALS

96 ESIP Sinergi Inti Plastindo Tbk. BASIC INDUSTRY AND CHEMICALS

97 ESSA Surya Esa Perkasa Tbk. BASIC INDUSTRY AND CHEMICALS

98 ETWA Eterindo Wahanatama Tbk BASIC INDUSTRY AND CHEMICALS

99 FASW Fajar Surya Wisesa Tbk. BASIC INDUSTRY AND CHEMICALS

100 FLMC Falmaco Nonwoven Industri Tbk. BASIC INDUSTRY AND CHEMICALS

101 FPNI Lotte Chemical Titan Tbk. BASIC INDUSTRY AND CHEMICALS

102 GDST Gunawan Dianjaya Steel Tbk. BASIC INDUSTRY AND CHEMICALS

103 GGRP Gunung Raja Paksi Tbk. BASIC INDUSTRY AND CHEMICALS

104 IFII Indonesia Fibreboard Industry BASIC INDUSTRY AND CHEMICALS

105 IGAR Champion Pacific Indonesia Tbk BASIC INDUSTRY AND CHEMICALS

106 IMPC Impack Pratama Industri Tbk. BASIC INDUSTRY AND CHEMICALS

107 INAI Indal Aluminium Industry Tbk. BASIC INDUSTRY AND CHEMICALS

108 INCF Indo Komoditi Korpora Tbk. BASIC INDUSTRY AND CHEMICALS

57
NO KODE Nama Perusahaan Keterangan

109 INCI Intanwijaya Internasional Tbk BASIC INDUSTRY AND CHEMICALS

110 INKP Indah Kiat Pulp & Paper Tbk. BASIC INDUSTRY AND CHEMICALS

111 INOV Inocycle Technology Group Tbk. BASIC INDUSTRY AND CHEMICALS

112 INRU Toba Pulp Lestari Tbk. BASIC INDUSTRY AND CHEMICALS

113 INTP Indocement Tunggal Prakarsa Tb BASIC INDUSTRY AND CHEMICALS

114 IPOL Indopoly Swakarsa Industry Tbk BASIC INDUSTRY AND CHEMICALS

115 ISSP Steel Pipe Industry of Indones BASIC INDUSTRY AND CHEMICALS

116 JKSW Jakarta Kyoei Steel Works Tbk. BASIC INDUSTRY AND CHEMICALS

117 JPFA Japfa Comfeed Indonesia Tbk. BASIC INDUSTRY AND CHEMICALS

118 KBRI Kertas Basuki Rachmat Indonesi BASIC INDUSTRY AND CHEMICALS

119 KDSI Kedawung Setia Industrial Tbk. BASIC INDUSTRY AND CHEMICALS

120 KIAS Keramika Indonesia Assosiasi T BASIC INDUSTRY AND CHEMICALS

121 KMTR Kirana Megatara Tbk. BASIC INDUSTRY AND CHEMICALS

122 KRAS Krakatau Steel (Persero) Tbk. BASIC INDUSTRY AND CHEMICALS

123 KUAS Ace Oldfields Tbk. BASIC INDUSTRY AND CHEMICALS

124 LABA Ladangbaja Murni Tbk. BASIC INDUSTRY AND CHEMICALS

125 LION Lion Metal Works Tbk. BASIC INDUSTRY AND CHEMICALS

126 LMSH Lionmesh Prima Tbk. BASIC INDUSTRY AND CHEMICALS

127 MAIN Malindo Feedmill Tbk. BASIC INDUSTRY AND CHEMICALS

128 MARK Mark Dynamics Indonesia Tbk. BASIC INDUSTRY AND CHEMICALS

129 MDKI Emdeki Utama Tbk. BASIC INDUSTRY AND CHEMICALS

130 MLIA Mulia Industrindo Tbk BASIC INDUSTRY AND CHEMICALS

131 MOLI Madusari Murni Indah Tbk. BASIC INDUSTRY AND CHEMICALS

132 NIKL Pelat Timah Nusantara Tbk. BASIC INDUSTRY AND CHEMICALS

133 OBMD OBM Drilchem Tbk BASIC INDUSTRY AND CHEMICALS

58
NO KODE Nama Perusahaan Keterangan

134 PBID Panca Budi Idaman Tbk. BASIC INDUSTRY AND CHEMICALS

135 PICO Pelangi Indah Canindo Tbk BASIC INDUSTRY AND CHEMICALS

136 PURE Trinitan Metals and Minerals T BASIC INDUSTRY AND CHEMICALS

137 SAMF Saraswanti Anugerah Makmur Tbk BASIC INDUSTRY AND CHEMICALS

138 SBMA Surya Biru Murni Acetylene Tbk BASIC INDUSTRY AND CHEMICALS

139 SINI Singaraja Putra Tbk. BASIC INDUSTRY AND CHEMICALS

140 SIPD Sreeya Sewu Indonesia Tbk. BASIC INDUSTRY AND CHEMICALS

141 SMBR Semen Baturaja (Persero) Tbk. BASIC INDUSTRY AND CHEMICALS

142 SMCB Solusi Bangun Indonesia Tbk. BASIC INDUSTRY AND CHEMICALS

143 SMGR Semen Indonesia (Persero) Tbk. BASIC INDUSTRY AND CHEMICALS

144 SMKL Satyamitra Kemas Lestari Tbk. BASIC INDUSTRY AND CHEMICALS

145 SPMA Suparma Tbk. BASIC INDUSTRY AND CHEMICALS

146 SRSN Indo Acidatama Tbk BASIC INDUSTRY AND CHEMICALS

147 SULI SLJ Global Tbk. BASIC INDUSTRY AND CHEMICALS

148 SWAT Sriwahana Adityakarta Tbk. BASIC INDUSTRY AND CHEMICALS

149 TALF Tunas Alfin Tbk. BASIC INDUSTRY AND CHEMICALS

150 TBMS Tembaga Mulia Semanan Tbk. BASIC INDUSTRY AND CHEMICALS

151 TDPM Tridomain Performance Material BASIC INDUSTRY AND CHEMICALS

152 TIRT Tirta Mahakam Resources Tbk BASIC INDUSTRY AND CHEMICALS

153 TKIM Pabrik Kertas Tjiwi Kimia Tbk. BASIC INDUSTRY AND CHEMICALS

154 TOTO Surya Toto Indonesia Tbk. BASIC INDUSTRY AND CHEMICALS

155 TPIA Chandra Asri Petrochemical Tbk BASIC INDUSTRY AND CHEMICALS

156 TRST Trias Sentosa Tbk. BASIC INDUSTRY AND CHEMICALS

157 UNIC Unggul Indah Cahaya Tbk. BASIC INDUSTRY AND CHEMICALS

158 WSBP Waskita Beton Precast Tbk. BASIC INDUSTRY AND CHEMICALS

59
NO KODE Nama Perusahaan Keterangan

159 WTON Wijaya Karya Beton Tbk. BASIC INDUSTRY AND CHEMICALS

160 YPAS Yanaprima Hastapersada Tbk BASIC INDUSTRY AND CHEMICALS

161 AMIN Ateliers Mecaniques D Indonesi MISCELLANEOUS INDUSTRY

162 ARGO Argo Pantes Tbk MISCELLANEOUS INDUSTRY

163 ARKA Arkha Jayanti Persada Tbk. MISCELLANEOUS INDUSTRY

164 ASII Astra International Tbk. MISCELLANEOUS INDUSTRY

165 AUTO Astra Otoparts Tbk. MISCELLANEOUS INDUSTRY

166 BATA Sepatu Bata Tbk. MISCELLANEOUS INDUSTRY

167 BELL Trisula Textile Industries Tbk MISCELLANEOUS INDUSTRY

168 BIMA Primarindo Asia Infrastructure MISCELLANEOUS INDUSTRY

169 BINO Perma Plasindo Tbk. MISCELLANEOUS INDUSTRY

170 BOLT Garuda Metalindo Tbk. MISCELLANEOUS INDUSTRY

171 BRAM Indo Kordsa Tbk. MISCELLANEOUS INDUSTRY

172 CCSI Communication Cable Systems In MISCELLANEOUS INDUSTRY

173 CNTX Century Textile Industry Tbk. MISCELLANEOUS INDUSTRY

174 DEPO Caturkarda Depo Bangunan Tbk MISCELLANEOUS INDUSTRY

175 DRMA Dharma Polimetal Tbk MISCELLANEOUS INDUSTRY

176 ERTX Eratex Djaja Tbk. MISCELLANEOUS INDUSTRY

177 ESTI Ever Shine Tex Tbk. MISCELLANEOUS INDUSTRY

178 GDYR Goodyear Indonesia Tbk. MISCELLANEOUS INDUSTRY

179 GJTL Gajah Tunggal Tbk. MISCELLANEOUS INDUSTRY

Garuda Maintenance Facility Aero

180 GMFI MISCELLANEOUS INDUSTRY
Asia Tbk

181 GPSO Geoprima Solusi Tbk MISCELLANEOUS INDUSTRY

182 HDTX Panasia Indo Resources Tbk. MISCELLANEOUS INDUSTRY

183 HOPE Harapan Duta Pertiwi Tbk. MISCELLANEOUS INDUSTRY

60
NO KODE Nama Perusahaan Keterangan

184 IKBI Sumi Indo Kabel Tbk. MISCELLANEOUS INDUSTRY

185 IMAS Indomobil Sukses Internasional MISCELLANEOUS INDUSTRY

186 INDR Indo-Rama Synthetics Tbk. MISCELLANEOUS INDUSTRY

187 INDS Indospring Tbk. MISCELLANEOUS INDUSTRY

188 JECC Jembo Cable Company Tbk. MISCELLANEOUS INDUSTRY

189 JSKY Sky Energy Indonesia Tbk. MISCELLANEOUS INDUSTRY

190 KBLI KMI Wire & Cable Tbk. MISCELLANEOUS INDUSTRY

191 KBLM Kabelindo Murni Tbk. MISCELLANEOUS INDUSTRY

192 KPAL Steadfast Marine Tbk. MISCELLANEOUS INDUSTRY

193 KRAH Grand Kartech Tbk. MISCELLANEOUS INDUSTRY

194 LPIN Multi Prima Sejahtera Tbk MISCELLANEOUS INDUSTRY

195 LUCY Lima Dua Lima Tiga Tbk. MISCELLANEOUS INDUSTRY

196 MASA Multistrada Arah Sarana Tbk. MISCELLANEOUS INDUSTRY

197 MGLV Panca Anugrah Wisesa Tbk. MISCELLANEOUS INDUSTRY

198 MYTX Asia Pacific Investama Tbk. MISCELLANEOUS INDUSTRY

199 NIPS Nipress Tbk. MISCELLANEOUS INDUSTRY

200 PBRX Pan Brothers Tbk. MISCELLANEOUS INDUSTRY

201 POLU Golden Flower Tbk. MISCELLANEOUS INDUSTRY

202 POLY Asia Pacific Fibers Tbk MISCELLANEOUS INDUSTRY

203 PRAS Prima Alloy Steel Universal Tb MISCELLANEOUS INDUSTRY

204 PTSN Sat Nusapersada Tbk MISCELLANEOUS INDUSTRY

205 RICY Ricky Putra Globalindo Tbk MISCELLANEOUS INDUSTRY

206 SBAT Sejahtera Bintang Abadi Textil MISCELLANEOUS INDUSTRY

207 SCCO Supreme Cable Manufacturing & MISCELLANEOUS INDUSTRY

208 SCNP Selaras Citra Nusantara Perkas MISCELLANEOUS INDUSTRY

61
 NO KODE Nama Perusahaan Keterangan

209 SLIS Gaya Abadi Sempurna Tbk. MISCELLANEOUS INDUSTRY

210 SMSM Selamat Sempurna Tbk. MISCELLANEOUS INDUSTRY

211 SRIL Sri Rejeki Isman Tbk. MISCELLANEOUS INDUSTRY

212 SSTM Sunson Textile Manufacture Tbk MISCELLANEOUS INDUSTRY

213 STAR Star Petrochem Tbk MISCELLANEOUS INDUSTRY

214 TAPG Triputra Agro Persada Tbk. MISCELLANEOUS INDUSTRY

215 TFCO Tifico Fiber Indonesia Tbk. MISCELLANEOUS INDUSTRY

216 TRIS Trisula International Tbk. MISCELLANEOUS INDUSTRY

217 UCID Uni-Charm Indonesia Tbk. MISCELLANEOUS INDUSTRY

218 UNIT Nusantara Inti Corpora Tbk MISCELLANEOUS INDUSTRY

219 VOKS Voksel Electric Tbk. MISCELLANEOUS INDUSTRY

220 ZONE Mega Perintis Tbk. MISCELLANEOUS INDUSTRY

Sumber: www.idx.co.id, www.addyelly.com

3.6.2. Sampel Penelitian

Sampel adalah sebagian dari jumlah dan karakteristik yang dimiliki oleh

suatu populasi. Jika kelompok besar, peneliti tidak mungkin mempelajari semua

yang ada dalam kelompok tersebut, misalnya karena keterbatasan dana, tenaga

dan waktu, maka peneliti dapat menggunakan sampel yang diambil dari

kelompok tersebut. Apa yang Anda pelajari dari sampel itu, Kesimpulan akan

berlaku untuk populasi. Untuk itu, sampel yang diambil dari populasi harus

benar-benar representatif. (Sugiyono, 2018)

62
 Menurut susilana (2015) dalam (I Made Dwi Martha, 2020) Menyatakan

bahwa sampel adalah bagian dari objek dari semua yang diteliti dan dianggap

mewakili seluruh populasi. Pengambilan sampel ini berjumlah populasi yang

terlalu besar dan peneliti memiliki keterbatasan dalam melakukan penelitian pada

semua populasi.

3.6.3. Teknik Pengambilan Sampel dan Penentu Ukuran Sampel

Pengambilan sampel (sampling) adalah teknik pengambilan sampel.

Untuk mengidentifikasi sampel yang digunakan dalam penelitian, berbagai teknik

pengambilan sampel digunakan. (Sugiyono, 2018).

Murgono (2004) dalam (Hardani et al. 2020) teknik pengambilan sampel

adalah cara penentuan jumlah sampel berdasarkan besar kecilnya sampel sebagai

sumber data yang sebenarnya, dengan mempertimbangkan karakteristik dan

distribusi secara keseluruhan, sehingga diperoleh sampel yang representatif.

Teknik pengambilan sampel sering disebut dengan teknik

Mengidentifikasi atau memperoleh sampel penelitian. Metode/teknik sampling

adalah sebuah proses Sampel dari Penduduk/Wilayah menyamaratakan. (I Made

Dwi Martha 2020) agar memudahkan dalam memahami teknik sampling, maka

teknik sampling dibagi menjadi dua bagian yaitu:

1. Probability Sampling (Random atau Secara Acak)

Dalam probability sampling, peneliti memilih individu yang memberi

peluang yang sama bagi setiap anggota populasi untuk digunakan sebagai

sampel yang representatif dari populasi. Menurut pendapat Sugiyono (2018)

63
 menjelaskan bahwa Probability sampling (random sampling) merupakan

teknik sampling yang memberikan peluang yang sama bagi setiap unsur atau

anggota populasi untuk dipilih menjadi anggota sampel secara bersama –

sama. Dalam penelitian kuantitatif pengambilan sampel secara acak

(random) sangat dianjurkan, hal ini mampu meningkatkan validitas data

penelitian yang dihasilkan. Teknik pengambilan sampel menggunakan

probability sampling dapat dibagi menjadi 4 cara antara lain:

a) Simple Random Sampling

b) Proportionate Stratified Random

c) Disroportionate Stratified Random

d) Multistage Cluster Sampling

2. Non-probability sampling (teknik random atau secara acak)

Penarikan sampel penelitian menggunakan teknik Non-probability sampling

memiliki perbedaaan khas dengan teknik probability sampling. Pada teknik

probability sampling peneliti memberikan kesempatan, peluang dan cara

yang sama terhadap populasi dan atau sampel. Akan tetapi, penarikan

sampel menggunakan teknik non probability sampling peneliti tidak

memberikan kesempatan, peluang dan cara yang sama terhadap populasi

dan atau sampel. Sehingga titik jenis penarikan sampel penelitian dalam

penelitian kuantitatif menjadi berbeda. Berikut penjelasan teknik

pengambilan sampel menggunakan Non-Probability sampling.

a) Convenience Sampling/ Accidental sampling

b) Systematic Sampling

64
 c) Snowball Sampling

d) Purposive Sampling

e) Saturated Sampling

Teknik dalam pengambilan sampel dalam penelitian ini menggunakan

probability sampling dengan metode Cluster Sampling. Dalam penelitian ini telah

ditetapkan sampel perusahaan manufaktur yang terdaftar di Bursa Efek Indonesia

(BEI) selama periode 2017-2021 dengan teknik probability sampling metode

Cluster Sampling sebanyak 220 perusahaan dengan jumlah sampel yang diperoleh

sebanyak 74 perusahaan manufaktur, terdiri dari:

1. Sub sektor industri barang konsumsi sebanyak 33% maka yang didapatkan

ada 24 perusahaan yang diambil secara acak dari sub sektor industri barang

konsumsi.

2. Sub sektor industri dasar dan kimi sebansyak 40% maka yang didapatkan

ada 34 perusahaan sub sektor industri dasar dan kimia.

3. Sub sektor aneka industri sebanyak 27% maka yang didapatkan ada 16

perusahaan yang di ambil secara acak dari sub sektor aneka industri.

Tabel 3. 2 Perhitungan data menggunakan cluster sampling

Presentase % (Populasi Sampel (persenatse x
Sub Sektor Populasi
/ Jumlah Populasi) populasi)

Industri barang dan Konsumsi 73 33% 24

Industri dasar dan kimia 87 40% 34

Aneka Industri 60 27% 16

Jumlah 220 100% 74

Sumber: Bursa Efek Indonesia

65
3.7. Teknik Pengumpulan Sampel

Teknik pengumpulan data merupakan langkah yang paling strategis

dalam penelitian karena tujuan utama penelitian adalah untuk memperoleh data.

Tanpa pemahaman tentang teknik pengumpulan data, peneliti tidak akan dapat

memperoleh data yang memenuhi standar data yang telah ditetapkan.

Pengumpulan data dapat dilakukan dalam berbagai setting, dalam berbagai

sumber, dan dengan berbagai cara. Secara kontekstual, data dapat dikumpulkan

di alam, di laboratorium melalui metode eksperimen, di rumah dengan

narasumber yang berbeda, di bengkel, diskusi, di jalan, dan di tempat lain.

(Sugiyono, 2018)

Sumber sekunder adalah sumber yang tidak memberikan data secara

langsung kepada pengumpul data, seperti melalui orang lain atau melalui

dokumen. Selain itu, ditinjau dari metode atau teknik pengumpulan data, teknik

pengumpulan data dapat dilakukan melalui observasi, wawancara, angket,

dokumen, dan kombinasi dari keempatnya. (Sugiyono, 2018)

Sugiyono (2018) Teknik pengumpulan data yang digunakan dalam

penelitian ini yaitu metode dokumentasi. Teknik dokumen adalah catatan

peristiwa masa lalu. Dokumen dapat berupa teks, gambar, atau karya monumental

pribadi. Teknik dokumentasi dalam penelitian ini yaitu dengan cara

mengumpulkan data sekunder berupa laporan keuangan tahunan dan laporan

tahunan perusahaan manufaktur yang terdaftar di Bursa Efek Indonesia (BEI)

periode 2017-2021.

66
3.8. Jenis dan Sumber Data

Jenis data yang dipergunakan dalam penelitian ini yaitu data sekunder

berupa dokumen laporan keuangan dan laporan tahunan perusahaan manufaktur

yang terdaftar di Bursa Efek Indonesia (BEI) periode 2017-2021 dengan sumber

yang diperoleh daru website www.idx.co.id dan website masing-masing

perusahaan. Data pendukung lainnya didapatkan dengan memperoleh data

menggunakan metode studi pustaka darie-book , jurnal-jurnal ilmiah secara literatur

yang membuat pembahasan berkaitan dengan penelitian yang diteliti ini.

3.9. Operasionalisasi Variabel

Variabel dalam penelitian ini terdiri dari variabel independen dan variabel

dependen. Dalam penelitian ini variabel dependen hanya satu variabel yaitu tax

avoidance. sementara variabel bebas atau variabel independen dalam penelitian ini

ada dua variabel yaitu Financial Distress dan Profitabilitas.

Operasi variabel diperlukan untuk menentukan jenis, indeks, dan skala

variabel yang terlibat dalam penelitian, jadi pengujian dengan asumsi itu bisa

dilakukan dengan tepat, berdasarkan dengan hubungan antara satu variabel dengan

variabel lain maka dalam penelitian ini adalah sebagai berikut:

67
3.10. Operasional Variabel Independen

Variabel independen sering disebut variabel output, variabel kriteria, atau

variabel konsekuensi. Dalam bahasa Indonesia biasa disebut variabel bebas.

Variabel bebas adalah variabel yang mempengaruhi atau menyebabkan perubahan

atau terjadinya variabel terikat (dependen). (Sugiyono, 2013).

Pada penelitian ini, variabel terikat yang digunakan yaitu Financial

Distress dan Profitabilitas.

1. Financial Distress

Rahmawati dan Priadi (2021) dalam (Wati, Karamoy, and Kalangi, 2022)

menyatakan peluang untuk terjadinya financial distress dapat meningkat

seiring dengan biaya tetap perusahaan semakin tinggi dan pendapatan yang

sensitif akan resesi ekonomi. Kondisi tersebut memaksa perusahaan untuk

mengeluarkan biaya yang besar akan mengambil pinjaman kepada pihak lain.

Untuk mengukur financial distress dalam penelitian ini menggunakan rumus

sebagai berikut:

Rumsu yang diginakan oleh pengukuran Z-Score modifikasi, yaitu:

𝒁" = 𝟔. 𝟓𝟔(𝑿𝟏 ) + 𝟑, 𝟐𝟔(𝑿𝟐 ) + 𝟔, 𝟕𝟐(𝑿𝟑 ) + 𝟏. 𝟎𝟓(𝑿𝟒 )

Rumus yang digunakan oleh pengukuran G-Score, yaitu:

𝑮 = 𝟏, 𝟔𝟓𝟎𝑿𝟏 + 𝟑, 𝟒𝟎𝟒𝑿𝟑 − 𝟎, 𝟎𝟏𝟔𝑹𝑶𝑨

2. Profitabilitas

Profitabilitas menurut Toto Prihadi (2020) kemampuan menghasilkan laba.

Dan menurut Kamsir (2019:114) menyatakan mendefinisikan profitabilitas

adalah rasio untuk menilai kemampuan perusahaan dalam mencari keuntungan

68
 dalam suatu periode tertentu, rasio ini juga dapat memberikan ukuran tingkat

efektivitas manajemen suatu perusahaan yang ditunjukkan dari tingkat laba

yang dihasilkan dari penjualan. (Maulida, 2022). Untuk mengukur

profitabilitas dalam penelitian ini menggunakan rumus sebagai berikut:

𝐏𝐞𝐧𝐣𝐮𝐚𝐥𝐚𝐧 𝐁𝐞𝐫𝐬𝐢𝐡 − 𝐇𝐚𝐫𝐠𝐚 𝐏𝐨𝐤𝐨𝐤 𝐏𝐞𝐧𝐣𝐮𝐚𝐥𝐚𝐧

𝑷𝒓𝒐𝒇𝒊𝒕 𝑴𝒂𝒓𝒈𝒊𝒏 =
𝐏𝐞𝐧𝐣𝐮𝐚𝐥𝐚𝐧

3.11. Variabel Dependen

Variabel ini sering disebut sebagai variabel output, kriteria, konsekuensi.

Dalam bahasa Indonesia biasa disebut variabel terikat. Variabel dependen adalah

variabel yang dipengaruhi atau hasil karena adanya variabel bebas (independen).

Sugiyono (2018). Pada penelitian ini yang akan menjadi variabel dependen atau

variabel terikat yaitu tax avoidance.

Penghindaran pajak adalah salah satu bentuk penghindaran pajak wajib

pajak memanfaatkan celah hukum untuk mengurangi atau meringankan beban

pajaknya menurut undang-undang pajak yang berlaku. (Aloisius Hama, 2020) dan

menurut Sinambela (2019) dalam (Reza Arifin, 2022) Penghindaran pajak adalah

penghindaran pajak yang sah tidak melanggar peraturan pajak wajib pajak,

berusaha mengurangi pajak dengan mencari celah peraturan. Untuk mengukur tax

avoidance dalam penelitian ini menggunakan rumus sebagai berikut:

𝑷𝒆𝒎𝒃𝒂𝒚𝒂𝒓𝒂𝒏 𝑷𝒂𝒋𝒂𝒌
𝑪𝑬𝑻𝑹 =
𝑳𝒂𝒃𝒂 𝑺𝒆𝒃𝒆𝒍𝒖𝒎 𝑷𝒂𝒋𝒂𝒌

69
 Menurut Prawita (2019) dalam (Rachel Alchusna, 2021) CETR adalah

sebuah tarif pajak efektif yang ditanggung oleh perusahaan. CETR baik digunakan

untuk menggambarkan penghindaran pajak karena CETR dapat melihat cash flow

untuk pembayaran pajak. Tingkat penghindaran pajak yang tinggi digambarkan

dengan nilai CETR yang rendah, sebaliknya penghindaran pajak yang rendah

digambarkan dengan CETR yang tinggi.

Keterangan:

Pembayaran pajak (cash tax paid) adalah pajak yang dibayarkan oleh perusahaan

yang pembayarannya sesuai laporan keuangan arus kas pada perusahaan.

Tabel 3. 3 Operasional Variabel

Variabel Definis Indikator Skala
Variabel Menurut Syofyan dan Z-Score modifikasi, yaitu: Rasio
Independen Herawaty (2021) dalam 𝒁" = 𝟔. 𝟓𝟔(𝑿𝟏 ) + 𝟑, 𝟐𝟔(𝑿𝟐 ) + 𝟔, 𝟕𝟐(𝑿𝟑 )
Financial (Putri Ramadanty and + 𝟏. 𝟎𝟓(𝑿𝟒 )
Distress (X1) Trisakti 2022) financial G-Score, yaitu:
distress yaitu kondisi 𝑮 = 𝟏, 𝟔𝟓𝟎𝑿𝟏 + 𝟑, 𝟒𝟎𝟒𝑿𝟑 − 𝟎, 𝟎𝟏𝟔𝑹𝑶𝑨
perusahaan yang
mendapatkan laba atau nilai
arus kas yang kecil. Jika
terjadi dalam waktu yang
lama akan mengarah pada
kebangkrutan atau pailit.
Profitabilitas Kamsir (2019:114) Rasio
(X2) profitabilitas adalah rasio 𝐏𝐞𝐧𝐣𝐮𝐚𝐥𝐚𝐧 𝐁𝐞𝐫𝐬𝐢𝐡 − 𝐇𝐏𝐏
untuk menilai kemampuan 𝑮𝑷𝑴 =
𝐏𝐞𝐧𝐣𝐮𝐚𝐥𝐚𝐧
perusahaan dalam mencari
keuntungan dalam suatu
periode tertentu (Maulida
2022)
Variabel Paulus Merks (2007) Tax Rasio
Dependen (Y) avoidance adalah upaya wajib 𝑷𝒆𝒎𝒃𝒂𝒚𝒂𝒓𝒂𝒏 𝑷𝒂𝒋𝒂𝒌
pajak untuk mengurangi 𝑪𝑬𝑻𝑹 =
beban pajak dengan tidak 𝑳𝒂𝒃𝒂 𝑺𝒆𝒃𝒆𝒍𝒖𝒎 𝑷𝒂𝒋𝒂𝒌
melakukan tindakan pidana
seperti diatur dalam peraturan
perundang-undangan
dibidang perpajakan.
(Adrianto Dwi Nugroho,
SH., Adv. 2017)

70
3.12. Teknik Analisis Data

Sugiyono (2018) Analisis data merupakan kegiatan yang dilakukan setelah

mengumpulkan data dari seluruh responden atau sumber data lainnya. Kegiatan

analisis data dapat mengklasifikasikan data menurut variabel dan jenis responden,

tabulasi data menurut variabel untuk semua responden, menyediakan data untuk

setiap variabel penelitian, melakukan perhitungan untuk menjawab pertanyaan

yang dirumuskan, dan melakukan perhitungan untuk memeriksa hipotesis yang

diajukan.

3.13. Analisis Statistik Deskriptif

Sugiyono (2018) Statistik deskriptif adalah statistik yang menganalisis

data dengan menggambarkan atau mendeskripsikannya sebagaimana telah

dikumpulkan tanpa bermaksud menarik kesimpulan umum atau generalisasi.

Analisis statistik deskriptif yang digunakan dalam penelitian ini yaitu nilai

rata-rata (mean), standar deviasi dan nilai yang dihitung menggunakan program

spss.

1. Rata-rata (mean)

Sugiyono (2018:49) dalam (Tri Puji Wulandari, 2022) mean adalah teknik

interpretasi berbasis populasi lebih tinggi dari rata-rata kelompok. Berarti

(rata-rata) bisa dihitung dengan menjumlahkan data semua individu dalam

kelompok kemudian dibagi dengan jumlah orang dalam kelompok tersebut

kemudian dibagi dengan jumlah orang dalam kelompok tersebut. Hal ini

dapat dirumuskan dengan rumus sebagai berikut:

71
 ∑𝑋𝑖
𝑀𝑒 =
𝑛

Keterangan:

Me = Rata-rata (mean)

∑ = Eplison (jumlah)

Xi = Nilai X ke 1 sampai ke n

n = Jumlah sampel

2. Standar deviasi

Sugiyono (2017:56) dalam (Tri Puji Wulandari, 2022) Standar deviasi juga

dikenal sebagai akar varians atau Penghematan standar. Varians adalah

jumlah kuadrat dari penyimpangan semua nilai individu dari rata-rata grup.

Standar deviasi sampel dilambangkan dengan simbol "s". Hal ini dapat

dirumuskan dengan rumus sebagai berikut:

∑(𝑥 − 𝑥)
𝑠=
𝑛−1

Keterangan:

S = Simpangan baku

n = Jumlah sampel

𝑥̅ = Rata-rata (mean)

Xi = Nilai x ke 1 sampai ke n

n = Jumlah sampel

72
3. Nilai Maksimum dan Minimum

max dan min adalah nilai maksimum dan minimum dari fungsi tersebut, dalam

rentang tertentu (sebagian atau relatif ekstrim) atau keseluruhan domain dari

fungsi. (Reza Arifin, 2022)

3.14. Uji Asumsi Klasik

Uji pertama yang dilakukan sebelum melakukan uji regresi adalah

melakukan uji asumsi klasik untuk mengetahui apakah data yang digunakan telah

memenuhi ketentuan dalam model regresi. Uji asumsi klasik ini meliputi uji

normalitas, uji multikolinearitas, uji heteroskedastisitas dan uji autokorelasi. (anisa

ika nurfitri n.d.)

1. Uji Normalitas

Menurut Ghozali (2016:154) uji normalitas bertujuan untuk menguji apakah

dalam model regresi, variabel pengganggu dan residual memiliki distribusi

normal. Untuk melihat atau menguji apakah data memiliki distribusi normal

atau tidak harus dilihat dari normal p-p plot atau dapat juga melakukan uji

kolmogorov smirnov yaitu ketentuan apabila nilai signifikansi diatas 5% atau

0,05 maka data memiliki distribusi normal. Sedangkan jika hasil uji one sample

kolmogorov smirnov menghasilkan nilai signifikansi dibawah 5% atau 0,05

maka data tidak memiliki distribusi normal. Regresi baik apabila data distribusi

dikatakan normal ataupun mendekati normal.

73
2. Uji Multikolinearitas

Menurut Ghozali (2016:105) uji multikolinearitas bertujuan untuk menguji

adakah ditemukannya korelasi antar variabel bebas dalam model regresi. Pada

model regresi yang baik seharusnya tidak terjadi korelasi antara variabel bebas

atau variabel independen. Jika variabel bebas saling berkorelasi, maka variabel

ini tidak orthogonal. Variabel orthogonal adalah variabel bebas yang nilai

korelasi antara variabel bebasnya sama dengan nol. Untuk mendeteksi ada atau

tidaknya multikolinearitas digunakan analisis melalui nilai tolerance dan

lawannya, nilai Variance Inflation Factor (VIF). Kedua ukuran ini

menunjukkan independen lainnya, dengan dasar pengambilan keputusan

sebagai berikut:

1) Jika nilai tolerance < 0,1 dan VIF > 10, terjadi multikolinearitas.

2) Jika nilai tolerance > 0,1 dan VIF < 10, maka tidak terjadi multikolinearitas.

3. Uji Heteroskedastisitas

Menurut Ghozali (2018:137) uji heteroskedastisitas dalam penelitian ini untuk

mengetahui terjadi ketidaksamaan varian dalam suatu model regresi dari

residual satu pengamatan ke pengamatan yang lain. Jika varian dari residual

pengamatan ke pengamatan yang lain tetap maka disebut homoskedastisitas

dan jika berbeda disebut heteroskedastisitas. Model regresi yang baik adalah

homoskedastisitas atau tidak terjadi heteroskedastisitas. Untuk mengetahui

adanya heteroskedastisitas yaitu dengan melihat ada atau tidaknya pola tertentu

pada grafik Scatter Plot dengan ketentuan:

74
 1) Jika terdapat pola yang jelas, seperti titik-titik yang ada membentuk pola

tertentu yang teratur maka menunjukkan telah terjadi heteroskedastisitas.

2) Jika tidak ada pola yang jelas, serta titik-titik menyebar diatas dan dibawah

angka 0 pada sumbu Y, maka tidak terjadi heteroskedastisitas.

4. Uji Autokorelasi

Menurut Ghozali (2016:107) uji autokorelasi yaitu bertujuan untuk menguji

apakah dalam model regresi linier ada korelasi antara kesalahan pengganggu

pada periode t dengan kesalahan pengganggu yaitu pada periode t-1

(sebelumnya). Apabila terjadi korelasi, maka dinamakan adanya problem

autokorelasi. Autokorelasi akan muncul karena observasi yang berurutan

sepanjang waktu berkaitan satu sama lainnya. Masalah ini timbul karena

residual (kesalahan pengganggu) tidak bebas dari satu observasi ke observasi

lainnya. Model regresi yang baik yaitu regresi yang bebas dari autokorelasi.

Cara mendeteksi ada atau tidaknya autokorelasi adalah uji Durbin Watson. Uji

Durbin Watson hanya digunakan untuk autokorelasi tingkat satu dan

mensyaratkan adanya intercept (konstanta) dalam model regresi dan tidak ada

variabel lagi diantara variabel independen. Dasar pengambilan keputusan

dalam uji Durbin Watson adalah du < d < 4-du.

75
3.15. Analisis Kolerasi

Kolerasi merupakan angka yang menunjukan arah dan kuatnya hubungan

antara dua variabel atau lebih. Arah dinyatakan dalam bentuk hubungan positif atau

negatif, sedangkan kuatnya hubungan digunakan dinyatakan dalam besarnya

koefisien kolerasi. Teknik kolerasi yang digunakan dalam penelitian ini adalah

pearson product moment. Rumus untuk menganalisis kolerasi parsial menggunakan

rumus kolerasi pearson product moment berdasarkan model yang diusulkan oleh

(Sugiyono, 2018) sebagai berikut:

𝒏 ∑ 𝒙𝟏 𝒚𝟏 − (∑𝒙𝟏 )(∑𝒚𝟏 )
𝒓𝒙𝒚 =
[{∑𝒙𝒊 𝟐 − (𝒙𝒊 )𝟐 }{𝒏∑𝒙𝒊 𝟐 − (𝒚𝒊 )𝟐 }]

Dimana:

𝑟 = Koefisien korelasi

𝑛 = Banyaknya sampel

𝑋= Nilai variabel x ke i sampai ke n

𝑌= Nilai variabel y ke i sampai ke n

Nilai koefisien kolerasi akan terdapat dalam baris -1 ≤ r ≥ +1, yang akan

menghasilkan kemungkinan berikut:

1. Bila r = 0 atau mendekati 0, maka kolerasi antar kedua variable sangat lemah

atau tidak terdapat hubungan antara variabel X terhadap variabel Y.

2. Bila r = +1 atau mendekati +1, maka kolerasi antar kedua variabel adalah kuat

dan searah, dikatakn positif.

3. Bila r = -1 atau mendekati -1, maka kolerasi antar kedua variabel adalah kuat

dan berlawanan arah, dikatakan negatif.

76
3.15. Pengujian Hipotesis

Menurut Sugiyono (2018) Hipotesis adalah jawaban sementara yang

dirumuskan untuk pertanyaan penelitian. Kebenaran asumsi harus ditunjukkan oleh

data yang dikumpulkan. Sehingga tidak diragukan lagi pernyataannya bahwa secara

statistik peneliti dapat mengumpulkan data dan mengujinya. Dengan melakukan uji

statistik terhadap suatu hipotesis, peneliti dapat memutuskan apakah hipotesis

tersebut dapat diterima (data tidak memberikan bukti untuk menolak hipotesis) atau

ditolak (data memberikan bukti untuk menolak hipotesis). Hipotesis dalam

penelitian ini diuji dengan menggunakan pengujian fraksional (uji-t) dan penyajian

simultan (uji-F). Hipotesis yang akan diuji dan dibuktikan dalam penelitian ini yaitu

yang berkaitan dengan variabel-variabel bebas, yaitu financial distress dan

profitabilitas.

3.15.1. Uji Analisis Regresi Linier Berganda

Analisis regresi yang digunakan dalam penelitian ini menggunkan model

regresi linier berganda. Menurut Sugiyono (2018) Analisis regresi linier berganda

bertujuan untuk memprediksi keadaan (kenaikan dan penurunan) variabel

dependen (standar) jika dua atau lebih variabel independen dimanipulasi (naik

atau turun nilainya) sebagai prediktor. Jadi analisis regresi berganda akan

dilakukan bila jumlah variabel independennya minimal 2.

77
 Analisis regresi linier berganda digunakan peneliti dengan maksud untuk

mengetahui sejauh mana pengaruh financial distress dan profitabilitas terhadap

penghindaran pajak (tax avoidance). Menurut Sugiyono (2018) bentuk persamaan

dari regresi linier berganda ini adalah sebagai berikut:

𝒀 = 𝒂 + 𝜷 𝟏 𝑿𝟏 + 𝜷 𝟐 𝑿𝟐 + 𝜺

Keterangan:

Y = Penghindaran pajak (tax avoidance)

α = Nilai Konstanta

β1 = Koefisien regresi dari variabel X1 (financial distress)

β2 = Koefisien regresi dari variabel X2 (profitabilitas)

X1 = Financial distress

X2 = Profitabilitas

ε = Error term (tingkat kesalahan)

Arti dari koefisien β adalah jika bertanda positif (+) berarti terdapat hubungan

satu arah antara variabel bebas dengan variabel terikat. Dengan kata lain, kenaikan

atau penurunan besaran variabel bebas akan disertai dengan kenaikan atau

penurunan besaran variabel terikat. Sementara itu, jika nilai beta negatif (-),

menunjukkan bahwa hubungan antara variabel independen dan variabel dependen

terbalik. Dengan kata lain, setiap kenaikan nilai variabel bebas akan diikuti

dengan penurunan nilai variabel terikat, begitu pula sebaliknya.

78
3.15.2. Uji Signifikan Simultan (Uji F)

Menurut Ghozali (2016:98) dalam Tri (2022) Uji statistik F pada dasarnya

menunjukkan apakah semua variabel bebas yang dimasukkan dalam model

mempunyai pengaruh bersama terhadap variabel terikat. Uji F dalam penelitian ini

digunakan untuk menguji signifikasi pengaruh financial distress dan profitabilitas

terhadap tax avoidance secara simultan dan persial. Prosedur yang digunakan

sebagai berikut:

Dalam penelitian ini digunakan tingkat signifikansi 0,05 dengan derajat

bebas (nk) di mana n: jumlah pengamatan dan k: jumlah variabel. Nilai F dapat

dihitung dengan menggunakan bantuan SPSS. Ketentuan yang digunakan dalam Uji

F sebagai Berikut:

H : 𝛽 , 𝛽 = 0, tidak terdapat pengaruh signifikan dari financial dsitress

dan profitabilitas terhadap tax avoidance.

H : 𝛽 , 𝛽 > 0, terdapat pengaruh positif yang signifinakn dari financial

distress dan profitabilitas terhadap tax avoidance.

Kriteria yang dipergunakan dalam Uji F pengujian ini adalah sebagai berikut:

1. Jika p value ≤ 0,05 maka H0 ditolak atau dapat diartikan hipotesis alternatif

diterima, yang artinya variabel-variabel independen berpengaruh terhadap

variabel dependen.

2. Jika p value ≥ 0,05 maka H0 diterima atau dapat diartikan hipotesis

alternatif dotolak, yang artinya variabel-variabel independen tidak

berpengaruh teradap variabel dependen.

79
3.15.3. Uji Persial ( Uji t)

Uji statistik t digunakan untuk mengetahui pengaruh dari masing-masing

variabel independen terhadap variabel dependen (Ghozali, 2016). Hipotesis nol

(H0) tidak terdapat pengaruh yang signifikan dan hipotesis alternatif (H a)

menunjukkan adanya pengaruh antara variabel independen dan variabel dependen,

maka dapat dilakukan dengan cara sebagai berikut:

1. Menentukan hipotesisi persial antara variabel independen dan variabel

dependen. Adanya hipotesis statistik yang akan diuji dalam penelitian ini yaitu

sebagai berikut:

a. Financial Distress model Z-Score modifikasi

H : 𝛽 ≤ 0, Financial Distress tidak berpengaruh secara signifikan terhadap

tax avoidance.

H : 𝛽 > 0, Financial Distress berpengaruh posistif signifikan terhadap tax

avoidance.

b. Financial Distress model G-Score

H : 𝛽 ≤ 0, Financial Distress tidak berpengaruh secara signifikan terhadap

tax avoidance.

H : 𝛽 > 0, Financial Distress berpengaruh posistif signifikan terhadap tax

avoidance.

c. Profitabilitas

H : 𝛽 ≤ 0, Profitabilitas tidak berpengaruh signifikan terhadap signifikan

tergadap tax avoidance.

80
 H : 𝛽 > 0, Profitabilitas berpengaruh positif signifikan terhadap tax

avoidance.

2. Ditentukan menggunakan 5% dari derajat bebas untuk menentukan tabel

sebagai batas daerah penerimaan dan penolakan hipotesis. Tingkat signifikan

yang digunakan adalah 0,05 atau 5% karena dinilai cukup untuk mewakili

hubungan variabel-variabel yang diteliti dan merupakan tingkat signifikasi

yang umum digunakan dalam suatu penelitian.

3.15.4. Uji Koefisien Determinasi

Koefisien determinasi (R2) pada dasarnya mengukur kemampuan model

dalam menjelaskan perubahan variabel dependen. Tujuan koefisien determinasi

r2 pada hakekatnya adalah untuk mengukur kemampuan model dalam

menjelaskan variasi variabel bebas. Nilai koefisien determinasi antara 0 dan 1,

dan nilainya adalah r2 Kecil artinya kemampuan variabel independen untuk

menjelaskan perubahan variabel dependen sangat terbatas menurut Ghozali

(2016), Riduan (2013) dalam (Reza Arifin 2022). Analisa koefisien determinasi

(Kd) yang didapatkan dari mengkuadratkan koefisien korelasinya yaitu:

𝐊𝐝 = 𝒓𝟐 𝒙 𝟏𝟎𝟎%
Keterangan:
Kd : Koefisien determinasi
R2 : Koefisiensi korelasi yang dikuadrakan

81
 Koefisien determinasi adalah kuadrat dari koefisien korelasi Merupakan
indeks untuk mengukur kemampuan masing-masing variabel dalam pengambilan
keputusan. Keterbatasan kemampuan variabel independen untuk menjelaskan
variabel dependen menyebabkan nilai koefisien determinasi yang kecil. Untuk
dapat mengetahui seberapa berpengaruhnya financial distress dan profitabilitas
terhadap tax avoidance, maka dapat dinyatakan atau disimpulkan dapat
menggunakan analisis ini.

82
 BAB IV

HASIL PENELITIAN DAN PEMBAHASAN

4.1. Hasil Penelitian

4.1.1. Sampel Penelitian

Sampel dalam penelitian ini adalah perusahaan manufaktur yang terdaftar

di Bursa Efek Indonesia (BEI) periode tahun 2017-2021. Subjek penelitian ini yaitu

laporan kuangan perusahaan yang didapatkan langsung dari website resmi Bursa

Efek Indonesia (BEI) yaitu www.idx.co.id serta pada website pada masing-masing

perusahaan.

Berdasarkan populasi perusahaan sektor manufaktur yang terdaftar di

Bursa Efek Indonesia (BEI) pada periode tahun 2017-2021 tersebut, penelitian ini

menggunakan beberapa sampel perusahaan yang ditentukan dengan berdasarkan

teknik probability sampling dengan menggunakan metode cluster sampling.

Alasan penelitian ini menggunakan cluster sampling yaitu karena jumlah populasi

dalam penelitian ini memiliki populasi yang besar sehingga populasi dalam

penelitian ini dipilih berdasarkan perusahaan manufaktur yang terbagi menjadi tiga

sektor yaitu Basic Industry and Chemicals (Industri dasar dan kimia), Consumer

Goods Industry (Industri barang konsumsi) dan Miscellaneous Industry (Aneka

industri), rumus dalam penelitian sampling cluster sebagai berikut:

83
 Tabel 4. 1 Sampel Cluster Sampling
Presentase % (Populasi Sampel (persenatse x
Sub Sektor Populasi
/ Jumlah Populasi) populasi)
Industri barang dan Konsumsi 73 33% 24
Industri dasar dan kimia 87 40% 34
Aneka Industri 60 27% 16
Jumlah 220 100% 74
Perusahaan Outlier -27
Jumlah Perusahaan 47
Tahun 5
Jumlah Data Sampel 235
Sumber: Data yang telah diolah, 2022

Tabel 4. 2 Daftar Perusahaan Outlier

No KODE Nama Perusahaan

1 CEKA Wilmar Cahaya Indonesia Tbk.

2 GGRM Gudang Garam Tbk.

3 HMSP H.M. Sampoerna Tbk.

4 IIKP Inti Agri Resources Tbk

5 MERK Merck Tbk.

6 BUDI Budi Starch & Sweetener Tbk.

7 DVLA Darya-Varia Laboratoria Tbk.

8 MRAT Mustika Ratu Tbk.

9 ULTJ Ultra Jaya Milk Industry & Tra

10 SIDO Industri Jamu dan Farmasi Sido

11 KAEF Kimia Farma Tbk.

12 KINO Kino Indonesia Tbk.

13 INCI Intanwijaya Internasional Tbk

84
 14 MLIA Mulia Industrindo Tbk

15 ALMI Alumindo Light Metal Industry

16 AMFG Alumindo Light Metal Industry

17 ARNA Arwana Citramulia Tbk.

18 GDST Gunawan Dianjaya Steel Tbk.

19 TIRT Tirta Mahakam Resources Tbk

20 KIAS Keramika Indonesia Assosiasi T

21 KMTR Kirana Megatara Tbk.

22 WSBP Waskita Beton Precast Tbk.

23 LPIN Multi Prima Sejahtera Tbk

24 IMAS Indomobil Sukses Internasional

25 SMCB Solusi Bangun Indonesia Tbk.

26 TOTO Surya Toto Indonesia Tbk.

27 WTON Wijaya Karya Beton Tbk.

Berdasarkan sampel yang didapat sebelumnya yaitu sebanyak 220

perusahaan yang terdaftar di Bursa Efek Indonesia (BEI) dukaringi data

perusahaan yang outlier sehingga sampel yang diperoleh dalam penelitian ini

sebanyak 47 perusahaan dengan periode penelitian selama lima tahun 2017-2021,

dengan jumlah data yang diperoleh sebanyak 235 data. Maka dapat dijabarkan

daftar nama perusahaan yang menjadi sampel dalam penelitian ini yaitu sebagai

berikut:

85
 Tabel 4. 3 Daftar Sampel Perusahaan Manufaktur
NO KODE Nama Perusahaan

1 ADES Akasha Wira International Tbk.

2 CINT Chitose Internasional Tbk.

3 CLEO Sariguna Primatirta Tbk.

4 HOKI Buyung Poetra Sembada Tbk.

5 HRTA Hartadinata Abadi Tbk.

6 ICBP Indofood CBP Sukses Makmur Tbk

7 INDF Indofood Sukses Makmur Tbk.

8 KLBF Kalbe Farma Tbk.

9 LMPI Langgeng Makmur Industri Tbk.

10 MBTO Martina Berto Tbk.

11 MYOR Mayora Indah Tbk.

12 UNVR Unilever Indonesia Tbk.

13 AGII Aneka Gas Industri Tbk.

14 ALDO Alkindo Naratama Tbk.

15 BAJA Saranacentral Bajatama Tbk.

16 BRNA Berlina Tbk.

17 BTON Betonjaya Manunggal Tbk.

18 CPIN Charoen Pokphand Indonesia Tbk

19 CPRO Central Proteina Prima Tbk.

20 DPNS Duta Pertiwi Nusantara Tbk.

21 EKAD Ekadharma International Tbk.

22 IGAR Champion Pacific Indonesia Tbk

86
NO KODE Nama Perusahaan

23 INAI Indal Aluminium Industry Tbk.

24 ISSP Steel Pipe Industry of Indones

25 JPFA Japfa Comfeed Indonesia Tbk.

26 LION Lion Metal Works Tbk.

27 TRST Trias Sentosa Tbk.

28 PBID Panca Budi Idaman Tbk.

29 PICO Pelangi Indah Canindo Tbk

30 SMGR Semen Indonesia (Persero) Tbk.

31 SPMA Suparma Tbk.

32 SRSN Indo Acidatama Tbk

33 SIPD Sreeya Sewu Indonesia Tbk.

34 AMIN Ateliers Mecaniques D Indonesi

35 ASII Astra International Tbk.

36 BATA Sepatu Bata Tbk.

37 BELL Trisula Textile Industries Tbk

38 BIMA Primarindo Asia Infrastructure

39 BOLT Garuda Metalindo Tbk.

40 GJTL Gajah Tunggal Tbk.

41 INDS Indospring Tbk.

42 JECC Jembo Cable Company Tbk.

43 KBLI KMI Wire & Cable Tbk.

44 KBLM Kabelindo Murni Tbk.

87
 NO KODE Nama Perusahaan

45 RICY Ricky Putra Globalindo Tbk

46 SMSM Selamat Sempurna Tbk.

47 SSTM Sunson Textile Manufacture Tbk

Sumber: Bursa Efek Indonesia yang telah diolah, 2022

4.2. Analisa Deskriptif

Analisis deskriptif yaitu merupakan gambaran yang dilakukan

menggunakan nilai maksimum, minimum dan rata-rata (mean), dan standar deviasi

dari masing-masing variabel penelitian.

Dalam penelitian ini data sekunder yang diperoleh dari website Bursa Efek

Indonesia (BEI) www.idx.co.id dan website resmi perusahaan masing-masing

subsektor manufaktur yang terdaftar di Bursa Efek Indonesia (BEI). Dari data-data

yang diperoleh maka dapat dilakukan perhitungan statistik dengan cara

pengumpulan, peringkasan dan penyajian data.

Berdasarkan data yang diperoleh dari laporan keuangan perusahaan

manufaktur yang terdaftar di Bursa Efek Indonesia (BEI), maka selanjutnya dapat

dilihat nilai maksimum, minimum, rata-rata (mean) dari masing-masing variabel

yang akan diteliti dalam tabel dibawah ini:

88
4.2.1. Financial Distress

Finanancial distress yaitu suatu keadaan perusahaan dimana perusahaan

tidak dapat melunasi kewajiban-kewajiban lancara pada perusahaan jika tidak

segera menanggulangi keadaan ttersebut makan dalam waktu dekat perusahaan

dapat mengalami kebangkrutan. Dalam penelitian ini penulis menggunakan dua

model untuk mengklasifikasikan kebangkrutan:

4.2.1.1. Financial Distress Model Altman Z-Score

Tabel 4. 4 Fianancial Distress model Z-Score untuk 47 Sampel

Perusahaan Sektor Manufaktur Periode 2017-2021
Financial Distress (Z-Score Modifikasi)
NO KODE MEAN
2017 2018 2019 2020 2021
1 ADES 0,5370 1,4923 1,9028 4,4495 4,5064 2,5776
2 CINT 10,3460 9,5543 5,8419 6,3198 1,8561 6,7836
3 CLEO 4,5792 10,8489 3,5656 2,9926 6,2766 5,6526
4 HOKI 8,8206 13,0165 7,9802 6,0030 4,4740 8,0589
5 HRTA 8,4051 8,8017 8,1766 8,1639 7,1601 8,1415
6 ICBP 6,3678 6,0858 7,6543 6,5420 4,5823 6,2464
7 INDF 2,9680 2,4835 2,9070 3,7508 2,8932 3,0005
8 KLBF 12,2443 6,9463 6,5989 6,6330 6,7752 7,8395
9 LMPI 2,9745 2,4220 2,0184 1,4759 2,2582 2,2298
10 MBTO 3,6513 1,1490 1,1227 0,6156 1,4685 1,6014
11 MYOR 6,3727 6,4852 6,9158 7,2640 5,9337 6,5943
12 UNVR 3,0060 5,2109 3,0217 5,2399 2,0691 3,7095
13 AGII 2,2292 1,7996 1,3064 1,5816 1,3430 1,6519
14 ALDO 3,4703 4,4089 4,7057 4,7223 4,7383 4,4091
15 BAJA 0,2198 0,7163 0,1194 0,8256 4,8989 1,3560
16 BRNA 0,6648 1,1608 0,0780 1,0519 1,3974 0,8706
17 BTON 7,2004 8,1171 6,8869 7,0413 9,3784 7,7248
18 CPIN 6,7448 8,5144 7,9328 8,4076 7,2596 7,7718
19 CPRO 0,7776 4,3241 0,7224 0,5353 5,3326 2,3384
20 DPNS 7,7664 6,2516 5,4431 5,6009 5,9469 6,2018
21 EKAD 5,2960 5,5332 5,4336 5,5798 5,9079 5,5501
22 IGAR 7,1977 6,1679 6,8004 7,1819 7,5947 6,9885
23 INAI 0,9513 1,1158 1,5053 1,3802 0,9015 1,1708

89
 24 ISSP 2,7192 2,6012 2,9652 3,2668 4,2078 3,1520
25 JPFA 4,4175 4,0068 3,7816 3,8534 4,3521 4,0823
26 LION 7,5058 7,9137 6,4773 6,4076 6,0677 6,8744
27 TRST 2,9675 2,3539 2,1145 2,5193 2,8655 2,5641
28 PBID 6,0594 6,4988 5,9304 7,3583 7,0209 6,5735
29 PICO 3,4695 2,4882 -0,3148 -0,7966 -1,9130 0,5867
30 SMGR 7,6772 10,2270 2,9162 3,0900 3,1229 5,4067
31 SPMA 2,3306 4,2279 3,7782 4,4481 4,9900 3,9550
32 SRSN 4,6899 5,9524 5,8331 5,3331 6,0175 5,5652
33 SIPD 1,2656 2,1793 2,3915 1,7760 1,5032 1,8231
34 AMIN 6,0731 4,7293 4,6256 4,0009 0,9665 4,0791
35 ASII 3,6402 3,3477 3,6769 4,2058 4,0104 3,7762
36 BATA 7,6132 8,6453 8,8569 2,5847 4,4315 6,4263
37 BELL 3,9726 3,7198 3,4035 2,5783 3,2964 3,3941
38 BIMA 7,5712 7,2890 4,9563 3,1605 2,4210 5,0796
39 BOLT 5,0176 3,9053 4,1726 2,9583 3,8171 3,9742
40 GJTL 2,5668 2,3536 2,6803 3,0514 3,0881 2,7480
41 INDS 3,6115 3,7691 2,9941 2,9539 3,5011 3,3660
42 JECC 1,4818 1,7455 2,9274 3,0195 1,6809 2,1710
43 KBLI 5,5497 6,2500 8,3951 7,0210 6,3762 6,7184
44 KBLM 4,2313 3,1145 3,4330 7,6813 5,5168 4,7954
45 RICY 1,5690 1,9236 1,9065 1,7118 3,9212 2,2064
46 SMSM 7,2602 7,4813 7,5766 7,3243 7,4960 7,4277
47 SSTM 2,7078 3,7084 2,9264 2,8978 4,5047 3,3490
MAX 12,2443 13,0165 8,8569 8,4076 9,3784 8,1415
MIN 0,2198 0,7163 -0,3148 -0,7966 -1,9130 0,5867
MEAN 4,6544 4,9582 4,1924 4,1652 4,2173 4,4375
Sumber: Bursa Efek Indonesia (data yang diolah, 2022).

Berdasarkan tabel 4.5 secara menyeluruh nilai financial distress z-Score

tertinggi pada perusahaan sektor manufaktur dari tahun 2017 sampai dengan tahun

2021 yaitu dengan rata-rata 8,1415 yang terjadi pada PT. Hartadinata Abadi Tbk.

(HRTA) dengan rata-rata financial distress z-Score lebih dari 2,6. Hal ini dapat

diartikan bahwa PT. Hartadinata Abadi Tbk. (HRTA) tidak mengalami financial

distress. Sedangkan nilai financial distress z-Score yang memiliki nilai terendah

yaitu 0,5867 yang terjadi pada perusahaan PT. Pelangi Indah Canindo Tbk. (PICO)

90
maka dapat diartikan bahwa perusahaan tersebut sedang mengalami financial

distress karena rata-rata perusahaan tersebut kurang dari 1,1.

Pada rata-rata terbesar dan terendah selama 5 tahun maka terdapat 11

perusahaan yang teridentifikasi mengalami grey area atau zona abu-abu yaitu PT

Akasha Wira International Tbk. (ADES) dengan rata-rata 2,57; PT. Langgeng

Makmur Industri Tbk. (LMPI) dengan rata-rata 2,22; PT. Martina Berto Tbk.

(MBTO) dengan rata-rata 1,60; PT Aneka Gas Industri Tbk. (AGII) dengan rata-

rata 1,65; PT. Saranacentral Bajatama Tbk. (BAJA) dengan rata-rata 1,35; PT

Central Proteina Prima Tbk. (CPRO) dengan rata-rata 2,33; PT Indal Aluminium

Industry Tbk. (INAI) dengan rata-rata 1,17; PT Trias Sentosa Tbk. (TRST) dengan

rata-rata 2,56; PT Sreeya Sewu Indonesia Tbk. (SIPD) dengnan rata-rata 1,83; PT

Jembo Cable Company Tbk. (JECC) dengan rata-rata 2,17; PT Ricky Putra

Globalindo Tbk (RICY) dengan rata-rata 2,20.

Kemudian nilai rata-rata z-Score sebesar 4,43 yang artinya secara

keseluruhan perusahaan sektor manufaktur dapar diklasifikasikan sebagai

perusahaan nonfinancial distress karena hasil z-Score menunjukkan 4,43 > 2,60.

Pada tahun 2017, nilai financial distress z-Score tertinggi yaitu 12,24 yang

terjadi pada PT. Kalbe Farma Tbk. (KLBF) hal ini menunjukkan bahwa perusahaan

tersebut memiliki nilai lebih dari 2,6 maka dapat dikategorikan perusahaan yang

tidak financial distress. Sedangkan nilai z-Score terendah yaitu 0,21 yang terjadi

pada PT. Saranacentral Bajatama Tbk. (BAJA) hal ini menunjukkan perusahaan

tersebut memiliki nilai kurang dari 1,1 sehingga dikategorikan sebagai perusahaan

yang mengalami finacial distress.

91
 Untuk pada zona grey area pada tahun 2017 terdapat 6 perusahaan PT

Aneka Gas Industri Tbk. (AGII) dengan rata-rata 2,22; PT Suparma Tbk. (SPMA)

dengan rata-rata 2,33; PT Sreeya Sewu Indonesia Tbk. (SIPD) dengan rata-rata

1,26; PT Gajah Tunggal Tbk. (GJTL) dengnan rata-rata 2,5; PT Jembo Cable

Company Tbk. (JECC) dengan rata-rata 1,4; PT Ricky Putra Globalindo Tbk

(RICY) dengan rata-rata 1,56.

Pada tahun 2018 financial distress z-Score tertinggi yaitu 13,01 yang

terjadi pada PT. Buyung Poetra Sembada Tbk. (HOKI) hal ini menunjukan bahwa

perusahaan tesebut memiliki nilai lebih dari 2,6 maka dapat dinyatakan perusahaan

tesebut tidak masuk dalam kategore financial distress. Sedangkan nilai z-Score

terendah yaitu 0,71 yang terjadi pada PT. Saranacentral Bajatama Tbk. (BAJA) hal

ini menunjukkan perusahaan tersebut memiliki nilai kurang dari 1,1 sehingga

dikategorikan sebagai perusahaan yang mengalami finacial distress.

Untuk pada zona grey area pada tahun 2018 terdapat 13 perusahaan yaitu

PT Akasha Wira International Tbk. (ADES) dengan rata-rata 1,49; PT. Indofood

Sukses Makmur Tbk. (INDF) dengan rata-rata 2,4; PT. Langgeng Makmur Industri

Tbk. (LMPI) dengan rata-rata 2,4; PT. Martina Berto Tbk. (MBTO) dengan rata-

rata 1,14; PT Aneka Gas Industri Tbk. (AGII) dengan rata-rata 1,79; PT Berlina

Tbk. (BRNA) dengan rata-rata 1,16; PT Indal Aluminium Industry Tbk. (INAI)

dengan rata-rata 1,11; PT Trias Sentosa Tbk. (TRST) dengan rata-rata 2,3; PT

Pelangi Indah Canindo Tbk. (PICO) dengan rata-rata 2,4; PT. Sreeya Sewu

Indonesia Tbk. (SIPD) dengan rata-rata 2,17; PT Gajah Tunggal Tbk. (GJTL)

dengnan rata-rata 2,35; PT Jembo Cable Company Tbk. (JECC) dengan rata-rata

92
1,74; PT Ricky Putra Globalindo Tbk (RICY) dengan rata-rata 1,92.

Pada tahun 2019, nilai financial distress z-Score tertinggi yaitu 8,8569

yang terjadi pada PT Sepatu Bata Tbk. (BATA) hal ini menunjukkan bahwa

perusahaan tersebut memiliki nilai financial distress lebih dari 2,6 maka dapat

dikategorikan perusahaan yang tidak financial distress. Sedangkan nilai z-Score

terendah yaitu -0,3148 yang terjadi pada PT Pelangi Indah Canindo Tbk. (PICO)

yang artinya perusahaan memiliki nilai kurang dari 1,1 maka dapat dikategorikan

persuahaan yang mengalami financial distress.

Untuk zona gery area pada tahun 2019 terdapat 8 perusahaan yaitu PT.

Akasha Wira International Tbk. (ADES) dengan rata-rata 1.9; PT Langgeng

Makmur Industri Tbk. (LMPI) dengan rata-rata 2,01; PT Steel Pipe Industry of

Indones (MBTO) dengan rata-rata 1,12; PT Aneka Gas Industri Tbk. (AGII)

dengan rata-rata 1,30; PT Indal Aluminium Industry Tbk. (INAI) dengan rata-rata

1,50; PT Trias Sentosa Tbk. (TRST) dengnan rata-rata 2,11; PT. Sreeya Sewu

Indonesia Tbk. (SIPD) dengan rata-rata 2,39; PT Ricky Putra Globalindo Tbk

(RICY) dengan rata-rata 1,90.

Pada tahun 2020, nilai financial distress z-Score tertinggi yaitu 8,4076

yang terjadi pada PT. Charoen Pokphand Indonesia Tbk (CPIN) dengan rata-rata

financial distress z-Score lebih dari 2,6. Hal ini dapat diartikan bahwa PT. Charoen

Pokphand Indonesia Tbk (CPIN) tidak mengalami financial distress. Sedangkan

nilai financial distress z-Score yang memiliki nilai terendah yaitu -0,7966 yang

terjadi pada perusahaan PT. Pelangi Indah Canindo Tbk. (PICO) maka dapat

diartikan bahwa perusahaan tersebut sudah mengalami financial distress karena

93
rata-rata perusahaan tersebut kurang dari 1,1.

Untuk zona grey area pada tahun 2020 terdapat 8 perusahaan yaitu PT

Langgeng Makmur Industri Tbk. (LMPI) dengan rata-rata 1,47; PT. Aneka Gas

Industri Tbk. (AGII) dengan rata-rata 1,58; PT Indal Aluminium Industry Tbk.

(INAI) dengan rata-rata 1,30; PT Trias Sentosa Tbk. (TRST) dengan rata-rata 2,51;

PT Sreeya Sewu Indonesia Tbk. (SIPD) dengan rata-rata 1,77; PT. Sepatu Bata

Tbk. (BATA) dengan rata-rata 2,58; PT Trisula Textile Industries Tbk (BELL)

dengan rata-rata 2,57; PT Ricky Putra Globalindo Tbk (RICY) dengan rata-rata

1,71.

Pada tahun 2021 nilai financial distress z-Score tertinggi yaitu 9,3784

yang terjadi pada PT Betonjaya Manunggal Tbk. (BTON) hal ini menunjukkan

bahwa perusahaan tersebut memiliki nilai financial distress lebih dari 2,6 maka

dapat dikategorikan bahwa perusahaan tersebut tidak mengalami financial distress.

Sedangkan nilai z-Score terendah yaitu -1,9130 yang terjadi pada PT Pelangi Indah

Canindo Tbk. (PICO) hal ini menujukkan bahwa perusahaan tersebut miliki nilai

kurang dari 1,1 maka dpat dikategorikan kedalam perusahaan yang mengalami

financial distress.

Untuk zona grey area pada tahun 2021 terdapat 9 perusahaan yaitu PT

Chitose Internasional Tbk. (CINT) dengan nilai rata-rata 1,85; PT. (LMPI) dengan

rata-rata 2,25; PT Martina Berto Tbk (MBTO) dengan rata-rata 1,46; PT Unilever

Indonesia Tbk. (UNVR) dengan nilai rata-rata 2,06; PT Aneka Gas Industri Tbk.

(AGII) dengan nilai rata-rata 1,34; PT Berlina Tbk. (BRNA) dengan nilai rata-rata

1,39; PT Sreeya Sewu Indonesia Tbk. (SIPD) dengan nilai rata-rata 1,50; PT

94
Primarindo Asia Infrastructure (BIMA) dengan nilai rata-rata 2,42; PT Jembo

Cable Company Tbk. (JECC) dengan nilai rata-rata 1,68.

Menurut data yang diperoleh dalam klasifikasi model z-Score yang

dikategorikan nondistress sebanyak 34 perusahaan dengan presentase 72%;

dikategorikan distress sebanyak 2 perusahaan dengan presentase 4%; dan yang

dikategorikan kedalam grey area sebanyak 11 perusahaan dengan presentase 24%.

Dapat disimpulkan bahwa perusahaan yang mengalami nondistress tidak

mengalami kebangkrutan yang artinya perusahaan tersebut sedang baik-baik saja

sehingga perusahaan berkemungkinan memiliki laba dan pembayaran pajak yang

cukup besar. Sedangkan perusahaan yang mengalami grey area kebanyakn

perusahaan yang berada di tingkat 1,5 – 2,0 yang artinya perusahaan dekat dengan

nilai minimal tidak mengalami distres yaitu 2,6.

Z-SCORE
Financial Distress Non Financial Distress Greay Area

4%
24%

72%

Sumber: Data Sekunder (data yang telah di olah 2023)

Gambar 4. 1 Klasifikasi Model Z-Score

95
4.2.1.2. Financial Distress G-Score

Tabel 4. 5 Financial distress Model G-Score Untuk 47 Sampel

Perusahaan Sektor Manufaktur periode 2017-2021
Financial Distress (G-Score)
NO KODE MEAN
2017 2018 2019 2020 2021
1 ADES 0,3974 0,5488 0,8715 1,2193 1,3932 0,8860
2 CINT 0,7584 0,5946 0,5185 0,4661 0,8647 0,6405
3 CLEO 0,2777 0,3901 0,4772 0,5052 0,0134 0,3327
4 HOKI 0,9346 1,3473 1,1161 0,5367 0,2559 0,8381
5 HRTA 1,4752 1,5788 1,7673 1,8329 1,4719 1,6252
6 ICBP 1,0510 0,9446 1,0762 0,5083 1,2709 0,9702
7 INDF 0,4378 0,2184 0,3547 0,5393 0,3387 0,3778
8 KLBF 1,4302 1,3728 1,2667 1,2556 1,3242 1,3299
9 LMPI 0,1584 0,6787 0,5494 0,4742 0,2260 0,4173
10 MBTO 0,4938 1,2990 0,5684 0,3954 0,3453 0,6204
11 MYOR 1,0949 1,1034 1,2037 1,1805 0,8220 1,0809
12 UNVR 1,2820 1,8987 1,3021 1,1979 0,9508 1,3263
13 AGII 0,0427 0,2906 0,1634 0,2118 0,1210 0,1659
14 ALDO 0,5447 0,7332 0,7811 0,6343 0,7589 0,6904
15 BAJA 0,1390 0,0068 -0,0926 0,1942 1,2874 0,3070
16 BRNA 0,3010 0,1360 0,2545 0,2754 0,2999 0,2534
17 BTON 1,2845 1,6283 1,0847 1,1333 1,1527 1,2567
18 CPIN 0,8219 1,2119 0,9214 0,8934 0,7688 0,9235
19 CPRO 0,0066 0,4355 -0,5429 -0,5649 1,0090 0,0687
20 DPNS 0,9381 0,9742 0,9629 0,9955 1,1784 1,0098
21 EKAD 1,1125 1,1234 1,1067 1,1313 1,1999 1,1348
22 IGAR 1,7116 1,3135 1,5033 1,5715 1,7384 1,5677
23 INAI 0,0397 0,0977 0,1154 0,0905 0,2196 0,1126
24 ISSP 0,1678 0,1659 0,2425 0,2295 0,6176 0,2846
25 JPFA 0,8959 0,8453 0,7252 0,6829 0,8065 0,7911
26 LION 0,9356 0,9820 0,9922 0,9447 0,7553 0,9220
27 TRST 0,1226 0,1310 0,0876 0,1419 0,2892 0,1544
28 PBID 1,8390 1,8512 1,5553 2,1191 1,9720 1,8673
29 PICO 0,2574 0,0534 -0,2745 -0,2417 -0,3005 -0,1012
30 SMGR 0,8466 1,6271 0,3628 0,3373 0,2471 0,6842
31 SPMA 0,1142 0,5529 0,4268 0,4243 0,7578 0,4552
32 SRSN 0,5488 0,8192 0,8654 0,7189 0,6361 0,7177
33 SIPD 0,2868 0,2779 0,1813 0,0416 0,1516 0,1878
34 AMIN 1,2943 1,0015 0,8777 0,6094 0,8172 0,9200
35 ASII 0,4305 0,3889 0,4573 0,4368 0,2743 0,3976
36 BATA 0,9508 1,0436 0,8465 1,1217 0,5462 0,9018

96
 37 BELL 0,5557 0,5019 0,4517 0,0552 0,3307 0,3790
38 BIMA 0,4729 0,5415 0,5617 0,1407 0,1502 0,3734
39 BOLT 0,8148 0,5376 0,4825 0,3769 0,4714 0,5367
40 GJTL 0,1139 0,0687 0,1540 0,2092 0,1840 0,1460
41 INDS 0,7688 0,7926 0,6004 0,5655 0,7417 0,6938
42 JECC 0,1709 0,2025 0,3904 0,2475 0,2738 0,2570
43 KBLI 0,9946 1,0031 1,4847 1,1869 1,1623 1,1663
44 KBLM 0,3079 0,2778 0,1867 0,8630 0,0962 0,3463
45 RICY 0,2620 0,4340 0,4345 0,3596 0,9444 0,4869
46 SMSM 1,7553 1,7973 1,7707 1,5859 1,6891 1,7197
47 SSTM 0,0288 0,3377 0,0364 0,0421 0,8593 0,2609
MAX 1,8390 1,8987 1,7707 2,1191 1,9720 1,8673
MIN 0,0066 0,0068 -0,5429 -0,5649 -0,3005 -0,1012
MEAN 0,6738 0,7694 0,6645 0,6357 0,7124 0,6912
Sumber: Bursa Efek Indonesia (data yang telah diolah, 2022).

Berdasarkan tabel 4.5 secara keseluruhan finacial distress g-Score

tertinggi perusahaan manufaktur dari tahun 2017 sampai dengan 2021 yaitu 1,8673

yang terjadi pada PT Panca Budi Idaman Tbk. (PBID) dengan rata-rata financial

distress g-Score lebih besar dari 0.01. hal ini menunjukkan bahwa perusahaan PT

Panca Budi Idaman Tbk. (PBID) tidak mengalami financial distress. Sedangkan

niali terendah financial distress g-Score yaitu -0,1012 yang terjadi pada PT Pelangi

Indah Canindo Tbk. (PICO) nilai financial distress g-Score tersebut sebesar -0,1012

artinya secara menyeluruh perusahaan sektor manufaktur cendereung perusahaan

nonfinacial distress karena nilai g-Score -0,1012>0,01.

Pada tahun 2017 nilai g-Score tertinggi yaitu 1,8390 yaitu pada PT Panca

Budi Idaman Tbk. (PBID) hal ini dapat diartikan bahwa perusahaan tersebut

memiliki nilai rata-rata g-Score lebih besar dari 0,01 maka dapat dikategorikan

sebagai perusahaan yang tidak mengalami financial distress. Sedangkan nilai g-

Score terendah yaitu 0,0066 yang terjai pada PT Central Proteina Prima Tbk.

97
(CPRO) nilai finacial distress g-Score tersebut memiliki nilai yang rendah dari -

0,02. Hal ini dapat diartikan bahwa perusahaan mengalami financial distress.

Pada tahun 2018 nilai g-Score tertinggi yaitu 1,8987 yaitu pada PT

Unilever Indonesia Tbk. (UNVR) hal ini dapat diartikan bahwa perusahaan tersebut

memiliki nilai rata-rata g-Score lebih besar dari 0,01 maka dapat dikategorikan

sebagai perusahaan yang tidak mengalami financial distress. Sedangkan nilai g-

Score terendah yaitu 0,0068 yang terjadi pada PT. Saranacentral Bajatama Tbk.

(BAJA) dengan nilai finacial distress g-Score perusahaan tersebut lebih rendah dari

-0,02. Hal tersebut menunjukkan bahwa perusahaan mengalami financial distress.

Pada tahun 2019 nilai g-Score tertinggi 1,7707 yaitu pada PT Selamat

Sempurna Tbk. (SMSM) hal ini membuktikan bahwa perusahaan tersebut memiliki

nilai di rata-rata g-Score lebih besar dari 0,01 maka dapat diartikan bahwa

perusahaan tersebut tidak mengalami financial distress. Sedangkan nilai g-Score

terendah yaitu -0,5429 yang terjadi pada PT Central Proteina Prima Tbk. (CPRO)

dengan nilai financial distress g-Score perusahaan tersebut lebih rendah -0,02. Hal

ini menunjukkan bahwa perusahaan mengalami financial distress.

Pada tahun 2020 nilai g-Score tertinggi 2,1191 yaitu pada PT Panca Budi

Idaman Tbk. (PBID) hal ini membuktikan bahwa perusahaan tersebut memiliki

nilai rata-rata g-Score lebih besar dari 0,01 maka dapat diartikan bahwa perusahaan

tidak mengalami financial distress. Sedangkan nilai g-Score terendah -0,5649 yaitu

pada PT Central Proteina Prima Tbk. (CPRO) dengan nilai financial distress g-

Score perusahaan tersebut lebih rendah dari -0,02. Hal ini menunjukkan bahwa

perusahaan tersebut mengalami finacial distress.

98
 Pada tahun 2021 nilai g-Score tertinggi 1,9720 yaitu terjadi pada PT Panca

Budi Idaman Tbk. (PBID) hal ini membuktikan bahwa perusahaan memiliki nilai

lebih besar dari 0,01 maka dapat diartikan bahwa perusahaan tersebut tidak

mengalami finacial distress. Sedangkan nilai g-Score terendah -0,3005 yaitu pada

PT. Pelangi Indah Canindo Tbk. (PICO) dengan nilai financial distress g-Score

perusahaan tersebut lebih rendah dari -0,02. Hal ini menunjukkan bahwa

perusahaan tersebut mengamali finacial distress.

Menurut data yang diperoleh, klasifikasi Model g-Score perusahaan yang

dikategorikan nondistress sebanyak 96% dengan jumlah 45 perusahaan, sedangkan

perusahaan yang dikategorikan distress sebanyak 4% dengan jumlah 2 perusahaan.

Hasil dari pengamatan tersebut financial distress dalam mengguakan

pengukuran g-score dapat disimpulkan perusahaan yang mengalami nondistress

sebanyak 45 perusahaan sehingga perusahaan sedang keadaan baik-baik saja

dikarenakan diatas nilai minimal 0,01.

G-SCORE
Financial Distress Nonfinancial Distress

4%

96%

Sumber: Data Sekunder (data yang telah diolah, 2022)

Gambar 4. 2 Klasifikasi Model G-Score

99
4.2.2. Profitabilitas

Kamsir (2019:114) menyatakan mendefinisikan profitabilitas adalah rasio

untuk menilai kemampuan perusahaan dalam mencari keuntungan dalam suatu

periode tertentu, rasio ini juga dapat memberikan ukuran tingkat efektivitas

manajemen suatu perusahaan yang ditunjukkan dari tingkat laba yang dihasilkan

dari penjualan.

Tabel 4.6. Profitabilitas Untuk 47 Sampel Perusahaan Sektor

Manufaktur Periode 2017-2021
Profitabilitas (GPM)
No KODE MEAN
2017 2018 2019 2020 2021
1 ADES 0,5389 0,4838 0,4543 0,5087 0,9556 0,5883
2 CINT 0,3348 0,3063 0,2829 0,2931 0,0484 0,2531
3 CLEO 0,3673 0,3232 0,3620 0,4219 0,4182 0,3785
4 HOKI 0,1364 0,1415 0,1454 0,1223 0,1211 0,1334
5 HRTA 0,0909 0,0940 0,0976 0,1019 0,1093 0,0987
6 ICBP 0,3106 0,3193 0,3405 0,3693 0,3570 0,3393
7 INDF 0,2817 0,2754 0,2966 0,3408 0,3268 0,3042
8 KLBF 0,4862 0,4673 0,4526 0,4433 0,4297 0,4558
9 LMPI 0,1965 0,1090 0,0965 0,0872 0,1386 0,1256
10 MBTO 0,5137 0,4253 0,4322 0,5160 0,0617 0,3898
11 MYOR 0,2390 0,2659 0,3164 0,2982 0,2481 0,2735
12 UNVR 0,1734 0,1784 0,1842 0,2335 0,1556 0,1850
13 AGII 0,3441 0,3948 0,4528 0,4266 0,4496 0,4136
14 ALDO 0,1690 0,1917 0,2507 0,2124 0,2019 0,2051
15 BAJA 0,0069 -0,0076 0,0236 0,0844 0,1349 0,0484
16 BRNA 0,0745 0,0640 0,0534 0,0421 0,0353 0,0539
17 BTON 0,2272 0,2705 0,1292 0,0847 0,1889 0,1801
18 CPIN 0,1266 0,1693 0,1876 0,1948 0,1574 0,1671
19 CPRO 0,1765 0,1671 0,1870 0,1777 0,1862 0,1789
20 DPNS 0,2234 0,2014 0,2212 0,2145 0,3164 0,2354
21 EKAD 0,3005 0,2742 0,2930 0,3351 0,3566 0,3119
22 IGAR 0,1693 0,1301 0,1592 0,1743 0,1842 0,1634
23 INAI 0,1885 0,1621 0,1169 0,1090 0,1153 0,1384
24 ISSP 0,1536 0,1190 0,1409 0,1478 0,2082 0,1539
25 JPFA 0,1695 0,2119 0,2025 0,2010 0,1787 0,1927
26 LION 0,3530 0,3669 0,3631 0,3337 0,3391 0,3512
27 TRST 0,0830 0,0837 0,0809 0,1160 0,1335 0,0994

100
 28 PBID 0,1492 0,1424 0,1299 0,2115 0,1980 0,1662
29 PICO 0,1269 0,1189 0,1221 0,0395 0,0365 0,0888
30 SMGR 0,2862 0,3040 0,3150 0,3303 0,3133 0,3098
31 SPMA 0,1507 0,1561 0,1491 0,1826 0,2108 0,1698
32 SRSN 0,2187 0,2378 0,2527 0,2146 0,1848 0,2217
33 SIPD 0,1005 0,1617 0,1456 0,1234 0,0993 0,1261
34 AMIN 0,3117 0,3278 0,3223 0,2728 -0,1747 0,2120
35 ASII 0,2056 0,2122 0,2118 0,2203 0,2186 0,2137
36 BATA 0,4595 0,4793 0,4602 0,2131 0,4465 0,4117
37 BELL 0,2352 0,2647 0,2869 0,2354 0,2812 0,2607
38 BIMA 0,4243 0,4418 0,3931 -0,0980 -0,0785 0,2165
39 BOLT 0,2526 0,2021 0,1746 0,1166 0,1844 0,1861
40 GJTL 0,1742 0,1599 0,1755 0,2987 0,0160 0,1649
41 INDS 0,1939 0,1512 0,1483 0,1607 0,1956 0,1699
42 JECC 0,1398 0,1053 0,1198 0,0916 0,0188 0,0951
43 KBLI 0,1615 0,1289 0,1803 0,0575 0,0999 0,1256
44 KBLM 0,0871 0,0977 0,0925 0,0569 0,0198 0,0708
45 RICY 0,2641 0,1663 0,1505 0,1558 0,1440 0,1761
46 SMSM 0,3015 0,3034 0,3028 0,3208 0,3213 0,3099
47 SSTM 0,0106 0,0286 0,0463 0,0283 0,0265 0,0281
MAX 0,5389 0,4838 0,4602 0,5160 0,9556 0,5883
MIN 0,0069 -0,0076 0,0236 -0,0980 -0,1747 0,0281
MEAN 0,2274 0,2208 0,2235 0,2090 0,1983 0,2158
Sumber: Bursa Efek Indonesia (data yang telah diolah, 2022)

Berdasarkan tabel 4.6 secara keseluruhan nilai profitabilitas yang

memiliki nilai tertinggi yaitu perusahaan sektor manufaktur dari tahun 2017 sampai

dengan tahun 2021 terjasdi pada PT Akasha Wira International Tbk. (ADES)

dengan rata-rata nilai 0,5883. Sedangkan nilai profitabilitas yang memiliki nilai

lebih rendah terjadi pada PT. Sunson Textile Manufacture Tbk. (SSTM) dengan

rata-rata 0,0281. Nilai rata-rata profitabilitas sebesar 0,2155.

101
 Pada tahun 2017 nilai profitabilitas tertinggi yaitu 0,5389 yang terjadi

pada PT. Akasha Wira International Tbk. (ADES), sedangkan profitabilitas

memiliki nilai terendah yaitu 0,0069 yang terjadi pada PT Saranacentral Bajatama

Tbk. (BAJA).

Pada tahun 2018 nilai profitabilitas tertinggi yaitu 0,4838 yang terjadi

pada PT Akasha Wira International Tbk. (ADES), sedangkan profitabilitas

terendah -0,0076 yang terjadi pada PT Saranacentral Bajatama Tbk. Saranacentral

Bajatama Tbk. (BAJA).

Pada tahun 2019 nilai profitabilitas tertinggi yaitu 0,4602 yang terjadi

pada PT Sepatu Bata Tbk. (BATA), sedangkan profitabilitas yang memiliki nilai

rendah 0,0236 yang terjadi pada PT Saranacentral Bajatama Tbk. Saranacentral

Bajatama Tbk. (BAJA).

Pada tahun 2020 nilai profitabilitas tertinggi yaitu 0,5160 yang terjadi

pada PT Martina Berto Tbk (MBTO), sedangkan profitabilitas terendah -0,0980

terjadi pada PT Primarindo Asia Infrastructure (BIMA).

Pada tahun 2021 nilai profitabilitas tertinggi yaitu 0,9556 pada PT Akasha

Wira International Tbk (ADES), sedangkan nilai terendah -0,1747 yang terjadi

pada PT Ateliers Mecaniques D Indonesi (AMIN)

Nilai rata-rata profitabilitas tertinggi yang diukur menggunakan gross

profit margin selama 2017-2021 terjadi pada tahun 2017 dengan nilai sebesar

0,2274. Sedangkan nilai rata-rata terendah profitabilitas terjadi pada tahun 2018

dengan nilai sebesar 0,1983.

102
 Profitabilitas
0,23
0,2274
0,225
0,2235
0,22 0,2208
0,215
0,21 0,209
0,205
0,2
0,1983
0,195
0,19
0,185
0,18
2017 2018 2019 2020 2021

Profitabilitas

Grafik 4.1. Grafik Perkembangan Rata-Rata Profitabilitas

Grafik 4. 1 Grafik Profitabilitas

Pada tabel 4.6. dan Garfik 4.1. diatas dapat dilihat nilai rata-rata

profitabilitas pada tahun 2017 sebesar 0,2274 pada tahun 2017 sampai dengan

tahun 2021 profitabilitas mengalami penurunan yang sangat signifikan sebesar

0,2208 pada tahun 2018, di tahun 2019 mengalami kenaikan kembali sebesar

0,2235, lalu pada tahun 2020 mengalami penurunan kembali sebesar 0,2090

sampai tahun 2021 menalami penurunan kembali sebesar 0,1983. Berdasarakan

grafik di atas maka dapat ditarik kesimpulan bahwa rata-rata maksimal

profitabilitas pada tahun 2017 sebesar 0,2274 sedangkan nilai minimum

profitabilitas terdapat pada tahun 2021.

103
 Dapat ditarik kesimpulan bahwa hasil dari grafik diatas perusahaan dari

tahun 2017 sampai dengan tahun 2021 perusahaan mengalami penurunan profit

sehingga perusahaan berkemungkinan besar mengalami penurunan sehingga

perusahaan akan kesusahan dalam pembayaran pajak, sedangkan pembayaran

pajak bukan hanya pajak pendapatan namun pajak lainnya seperti pajak bangunan,

pajak kendaraan operasional perusahaan harus terus ada pembayaran.

4.2. Tax Avoidance

Tabel 4.7. Profitabilitas Untuk 47 Sampel Perusahaan Sektor

Manufaktur Periode 2017-2021
Tax Avoidance (CETR)
No KODE MEAN
2017 2018 2019 2020 2021
1 ADES 0,1242 0,0873 0,1442 0,1137 0,1713 0,1281
2 CINT 0,2487 0,4614 0,4178 0,0679 0,0021 0,2396
3 CLEO 0,3511 0,1122 0,1564 0,1709 0,1732 0,1928
4 HOKI 0,3401 0,2520 0,3561 0,3924 0,6324 0,3946
5 HRTA 0,2337 0,0597 0,4545 0,2455 0,1719 0,2330
6 ICBP 0,3577 0,3111 0,2173 0,1692 0,2836 0,2678
7 INDF 0,4507 0,4647 0,2699 0,2241 0,2475 0,3314
8 KLBF 0,2414 0,2535 0,2467 0,1661 0,2335 0,2282
9 LMPI 0,1036 0,1369 0,3292 0,3774 1,8378 0,5570
10 MBTO 0,5468 0,1713 0,1276 0,0189 0,0684 0,1866
11 MYOR 1,5102 0,3288 0,4497 0,6396 0,1534 0,6163
12 UNVR 0,2567 0,1921 0,3151 0,1839 0,2465 0,2389
13 AGII 0,1271 0,1294 0,1594 0,1905 0,0682 0,1349
14 ALDO 0,2986 0,1395 0,1849 0,2973 0,2305 0,2302
15 BAJA 0,4985 0,4520 0,5324 0,2774 1,3971 0,6315
16 BRNA 0,0791 0,6611 0,0859 0,0269 0,0231 0,1752
17 BTON 0,0010 0,0999 1,9854 0,0160 0,0735 0,4352
18 CPIN 0,0084 0,0033 0,0317 0,0095 0,0441 0,0194
19 CPRO 0,0292 0,0307 0,1063 0,1252 0,0347 0,0652
20 DPNS 1,1117 1,0093 2,4330 1,8042 0,4075 1,3531
21 EKAD 0,3727 0,2870 0,2726 0,1842 0,2731 0,2779
22 IGAR 0,3487 0,4400 0,2606 0,2271 0,2097 0,2972
23 INAI 0,2485 0,2301 0,3301 0,4360 0,4771 0,3444
24 ISSP 1,0367 0,1686 0,3271 0,1276 0,0725 0,3465

104
 25 JPFA 0,3947 0,2502 0,4899 0,1997 0,2852 0,3240
26 LION 0,6161 0,3338 1,2376 0,6369 0,1468 0,5942
27 TRST 1,1989 0,5613 1,0515 0,2039 0,1187 0,6269
28 PBID 0,3403 0,3751 0,4013 0,1773 0,2399 0,3068
29 PICO 0,2523 0,3621 0,1074 0,0425 0,0026 0,1534
30 SMGR 0,5091 0,1323 0,1930 0,3426 0,3548 0,3064
31 SPMA 0,1113 0,1580 0,0922 0,1121 0,1214 0,1190
32 SRSN 0,0530 0,1640 0,2309 0,3405 0,7521 0,3081
33 SIPD 0,2496 1,7555 0,0000 0,2986 0,0054 0,4618
34 AMIN 0,2226 0,2923 0,3430 0,5400 0,2036 0,3203
35 ASII 0,2186 0,0229 0,3213 0,2784 1,7119 0,5106
36 BATA 0,2767 0,3664 0,7106 0,0285 0,2396 0,3244
37 BELL 0,3976 0,1939 0,2121 0,5717 0,6987 0,4148
38 BIMA 0,7990 1,5115 0,0362 0,0620 0,0179 0,4853
39 BOLT 0,3696 0,4765 0,5231 0,2170 0,0537 0,3280
40 GJTL 2,2456 1,9027 0,5058 0,1302 2,6216 1,4812
41 INDS 0,1727 0,3351 0,2856 0,2062 0,2597 0,2519
42 JECC 0,5443 0,0406 0,0443 1,6291 0,0772 0,4671
43 KBLI 0,2448 0,1608 0,1847 0,9954 0,0201 0,3212
44 KBLM 0,4257 0,2044 1,8700 0,0355 0,4274 0,5926
45 RICY 0,4398 0,4090 0,5588 0,0534 0,0548 0,3032
46 SMSM 0,2317 0,2330 0,2455 0,2014 0,1821 0,2188
47 SSTM 0,0079 1,1777 0,0061 0,0140 0,0364 0,2484
MAX 2,2456 1,9027 2,4330 1,8042 2,6216 1,4812
MIN 0,0010 0,0033 0,0000 0,0095 0,0021 0,0194
MEAN 0,4095 0,3809 0,4222 0,2938 0,3439 0,3701
Sumber: Bursa Efek Indonesia (data yang telah diolah, 2023)

Berdasarkan tabel 4.7. diatas perusahaan yang memiliki nilai minimum

CETR pada tahun 2017 yaitu PT. Betonjaya Manunggal Tbk. (BTON) sebesar

0,0010. Maka dapat di tarik kesimpulan bahwa setiap Rp. 1 laba sebelum pajak,

maka kemungkinan tax avoidance sebesar 0,010. Sedangkan pada tahun 2018,

perusahaan yang memiliki nilai minimum CETR di alami oleh PT. Charoen

Pokphand Indonesia Tbk (CPIN) sebesar 0,0033. Maka dapat ditarik kesimpulan

bahwa setiap Rp. 1 laba sebelum pajak, maka kemungkinan tax avoidance sebsar

0,0033. Pada tahun 2019 nilai minimum yang terjadi pada PT Sreeya Sewu

105
Indonesia Tbk. (SIPD) sebesar 0,000. Maka dapat ditarik kesimpulan bahwa setiap

Rp. 1 laba sebelum pajak, maka kemungkinan tax avoidance sebesar 0,000. Juga

pada tahun 2020 memiliki nilai minimum terjadi pada PT. Charoen Pokphand

Indonesia Tbk (CPIN) sebesar 0,0095. Maka dapat ditarik kesimpulan bahwa

setiap Rp. 1 laba sebelum pajak, maka kemungkinan tax avoidance sebesar 0,0095.

Dan juga pada tahun 2021 yang memiliki nilai minimum terjadi pada PT. Pelangi

Indah Canindo Tbk. (PICO) sebesar 0,0026. Maka dapat ditarik kesimpulan bahwa

setiap Rp. 1 laba sebelum pajak, maka kemungkinan tax avoidance sebesar 0,0026.

Sedangkan untuk perusahaan yang memiliki nilai maksimum CETR pada

tahun 2017 yaitu PT. Gajah Tunggal Tbk. (GJTL) sebesar 2,2456. Maka dapat di

artikan setiap Rp. 1 laba sebelum pajak, jadi kemungkinan tax avoidance sebesar

2,2456. pada tahun 2018 perusahaan yang memiliki nilai maksimum CETR dialami

oleh PT. Gajah Tunggal Tbk. (GJTL) sebesar 1,9027. Maka dapat diartikan setiap

Rp. 1 laba sebelum pajak, jadi kemungkinan tax avoidance sebesar 1,9027. Pada

tahun 2019 perusahaan yang mengalami nilai maksimum CETR dialami oleh PT.

Duta Pertiwi Nusantara Tbk. (DPNS) sebesar 2,4330. Maka dapat diartikan setiap

Rp. 1 laba sebelum pajak, jadi kemungkinan tax avoidance sebesar 2,4330. Pada

tahun 2020 perusahaan yang memiliki nilai maksimum CETR dialami oleh PT.

Duta Pertiwi Nusantara Tbk. (DPNS) sebesar 1,8042, maka dapat diartikan bahwa

setiap Rp. 1 laba sebelum pajak, kemungkinan tax avoidance sebesar 1,8042. Dan

juga pada tahun 2021 perusahaan yang memiliki nilai maksimum CETR dialami

oleh PT. Gajah Tunggal Tbk. (GJTL) sebesar 2,6216, maka dapat diartikan bahwa

setiap Rp. 1 laba sebelum pajak, kemungkinana terjadi tax avoidance sebesar

106
2,6216.

Nilai rata-rata tertinggi yang penghindaran pajak (tax avoidance) yang

diukur menggunakan CETR selama periode 2017 sampai dengan 2021 terjadi pada

tahun 2017 dengan nilai 0,4095. Sedangkan untuk nilai rata-rata terendah terjadi

pada tahun 2020 dengan nilai rata-rata sebesar 0,2938. Dibawah ini merupakan

grafik untuk mengetahui perkembangan nilai rata-rata variabel penghindaran pajak

(tax avoidance) pada perusahaan sektor manufaktur periode 2017-2021.

Tax Avoidance
0,45
0,4095 0,4222
0,4
0,3809
0,35 0,3439
0,3 0,2939
0,25
0,2
0,15
0,1
0,05
0
2017 2018 2019 2020 2021

Tax Avoidance

Grafik 4.2. Grafik Perkembangan Rata-rata Tax Avoidance

Grafik 4. 2 Grafik Tax Avoidance

Pada tabel 4.7. dan grafik 4.2. diatas, dapat dilihat dari nilai rata-rata

penghindaran pajak (tax avoidance) pada tahun 2017 sampai dengan tahun 2021.

Pada tahun 2017 nilai rata-rata penghindaran pajak sebesar 0,4095 dan pada tahun

2018 mengalami penurunan sebesar 0,3809 namun pada tahun 2019 mengalami

kenaikan kembali sebesar 0,4222 yang kemudian mengalami penurunan kembali

107
pada tahun 2020 sebesar 0,2938 pada tahun 2021 mengalami kenaikan kembali

sebesar 0,3439. Berdasarkan grafik diatas dapat ditarik kesimpulan bahwa rata-rata

maksimal tax avoidance terjadi pada tahun 2019 sebesar 0,4222 sedangkan

minimum tax avoidance terdapat pada tahun 2020 sebesr 0,2938.

Maka dapat ditarik kesimpulan bahwa perusahaan sedang mengalami

penurunan berkemungkinan penghindaran pajak yang bisa dilakukan oleh

perusahaan dapat terjadi.

4.3. Rata-rata dan Standar Deviasi

Dalam penelitian ini statistik deskriptif dipergunakan untuk menunjukkan

data yang digunakan dalam penelitian serta dapat menunjukkan nilai rata-rata dan

standar deviasi dari masing-masing variabel penelitian. Hasil statistik deskriptif

dari masing-masing variabel penelitian sebagai berikut:

Tabel 4. 6 Hasil Analisis Deskriptif Financial Distress Z-Score

Descriptive Statistics

Mean Std. Deviation N

Tax avoidance .37006596 .449188200 235

FS_ZSCORE 4.43753191 2.571222800 235

Profitabilitas .21579149 .135935454 235

108
 Tabel 4. 7 Hasil Analisis Deskriptif Financial Distress G-Score
Descriptive Statistics

Mean Std. Deviation N

Tax avoidance .37006596 .449188200 235

FS_GSCORE .69115362 .523152514 235

Profitabilitas .21579149 .135935454 235

Tabel 4. 8 Descriptive Statistics

Descriptive Statistics

N Minimum Maximum Mean Std. Deviation

FS_ZScore 235 -19130.00 130165.00 44375.3191 25712.22800

FS_GScore 235 -5649.00 21191.00 6911.5362 5231.52514
Profitabilitas 235 -1747.00 9556.00 2157.9149 1359.35454
Tax Avoidance 235 .00 26216.00 3700.6596 4491.88200
Valid N (listwise) 235

Sumber: SPSS22

Berdasarkan uji statistik deskriptif pada tabel 4.8 sampai 4.10. diatas dapat

disimpulkan bahwa jumlah sampel (N) adalah 235 sampel dalam periode selama 5

tahun yaitu dari tahun 2017 sampai dengan tahun 2021. Berikut ini juga dapat

dijelaskan mengenai hasil analisi deskriptif:

1. Variabel financial distress menggunakan z-Score dan g-Score pada

perusahaan manufaktur yang telah diteliti memiliki nilai minimum z-Score

sebesar -19130,00 dan g-Score sebesar -5649,00 dan nilai maksimum

menggunakan z-Score sebesar 130165,00 dan g-Score sebesar 21191,00

dan nilai rata-rata menggunak z-Score sebesar 44375,3191 dan

menggunakan g-Score sebesar 6911,5362 serta nilai standar deviasi dari

109
 menggunakan z-Score sebesar 25712,22800 dan menggunakan g-Score

sebesar 5231,52514

2. Variabel Profitabilitas pada perusahaan manufaktur yang telah diteliti

memiliki nilai minimum sebesar -1747,00 nilai maksimum sebesar

9556,00 dan nilai rata-rata sebesar 2157,9149 serta nilai standar deviasi

sebesar 1359,35454.

3. Variabel tax avoidance pada perusahaan manufaktur yang telah diteliti

memiliki nilai minimum sebesar 000,00 nilai maksimum sebesar 26216,00

dan nilai rata-rata sebesar 3700,6596 serta nilai standar deviasi sebesar

4491,88200.

4.4. Uji Asumsi Klasik

Dalam analisis ini yaitu analisis regresi linier berganda diharuskan

pertamakali mencari keabsahan. Dalam penelitian ini akan diuji dengan

menggunakan uji asumsi klasik terlebih dahulu. Uji ini digunakan untuk memenuhi

syarat melakukan pengujian analisis regresi linier berganda. Persamaan regresi

linier yang diperoleh melalui metode penaksiran OLS (Ordinary Least Squares)

dapat dikatakan baik untuk menggambarkan hubungan fungsional sekelompok

variable bebas terhadap variable tak bebas jika persamaan tersebut memenuhi

asumsi-asumsi regresi klasik. Asumsi regresi yang dilihat adalah asumsi error

mengikuti distribusi normal, asumsi bebas kolinearitas, asumsi tidak terdapat

heteroskedastis dan asumsi bebas autokorelasi. Uji asumsi klasik yang digunakan

yaitu uji normalitas, uji multikolonieritas, uji heteroskedastisitas dan uji

autokorelasi yang dapat dijelaskan sebagai berikut:

110
4.4.1. Uji Normalitas

Uji normalitas bertujuan untuk menguji apakah dalam model regresi,

variabel dependen dan independen keduanya mempunyai distribusi normal atau

tidak. Berdasarkan hasil pengujian normalitas menggunakan Kolmogorov-Smirnov

diperolah hasil sebagai berikut:

Tabel 4. 9 Hasil Uji Normalitas Z-Score

One-Sample Kolmogorov-Smirnov Test

Unstandardized Residual
N 235
Normal Parametersa,b Mean .0000000
Std. Deviation .15874231
Most Extreme Differences Absolute .068
Positive .068
Negative -.041
Kolmogorov-Smirnov Z 1.041
Asymp. Sig. (2-tailed) .229
a. Test distribution is Normal.
b. Calculated from data.
Sumber: Output SPSS 20

Nilai Kolmogorov-Smirnov untuk model X –Y (Z-Score) diperoleh

sebesar 1,041 dengan probabiliti (p-value) sebesar 0,229. Nilai probability uji

Kolmogorov-Smirnov model lebih besar dari <0,05 sehingga dapat disimpulkan

nilai residual dari model regresi berdistribusi normal.

111
 Tabel 4. 10 Hasil Uji Normalitas Z-Score
One-Sample Kolmogorov-Smirnov Test

Unstandardized Residual
N 235
Normal Parametersa,b Mean .0000000
Std. Deviation .15996173
Most Extreme Differences Absolute .084
Positive .084
Negative -.055
Kolmogorov-Smirnov Z 1.293
Asymp. Sig. (2-tailed) .071
a. Test distribution is Normal.
b. Calculated from data.
Sumber: Output SPSS 20

Nilai Kolmogorov-Smirnov untuk model X –Y (G-Score) diperoleh

sebesar 1,293 dengan probabiliti (p-value) sebesar 0,071. Nilai probability uji

Kolmogorov-Smirnov model lebih besar < 0,05 sehingga dapat disimpulkan nilai

residual dari model regresi berdistribusi normal.

Selain menggunakan uji statistik, dalam penelitian ini dapat melihat

normalitas dengan model lain yang dapat digunakan cara lain dengan melihat

grafik normal P Plot of Regression Statistic. Model regresi telah memenuhi asumsi

normalitas bila titik-titik data pada grafik P-P Lot menyebar di sekitar garis

diagonal dan mengikuti arah garis diagonal. Hasil Grafik uji normalitas pada

penelitian ini dapat dilihat pada gambar berikut:

112
Grafik 4. 3 Grafik Normal P-Plot model X –Y (Z-Score)

Grafik 4. 4 Grafik Normal P-Plot model X –Y (G-Score)

113
4.4.2. Multikolonieritas

Pengujian ini untuk mengkaji apakah didalam model analisis regresi

ditemukan adanya korelasi antar variabel bebas (independen). Model korelasi yang

seharusnya tidak terjadi korelasi diantara variael independen. Dengan

multikolonieritas menunjukkan adanya hubungan yang kuat diantara variabel

bebas dalam model regresi. Jika terdapat multikolinieritas maka koefisien regresi

menjadi tidak akurat dalam mencerminkan perubahan variabel Y dan tingkat

kesalahannya menjadi besar. Indikator yang digunakan dalam menilai ada tidaknya

multikolinieritas diantara variabel bebas pada model regresi yang diperoleh pada

penelitian ini digunakan nilai Variance Inflation Factors (VIF). Jika nilai tolerance

> 0,10 dan VIF <10, maka dapat diartikan bahwa tidak terdapat multikolinearitas

pada penelitian tersebut. Hasil uji multikolinearitas dapat dilihat pada tabel berikut

ini:

Tabel 4. 11 Hasil Uji Asumsi Multikolinearitas

Coefficientsa

Standardized
Unstandardized Coefficients Coefficients Collinearity Statistics

Model B Std. Error Beta Tolerance VIF

1 (Constant) 1372.461 248.793

FS_Z-Score .014 .006 .183 .699 1.431

FS_G-Score .052 .032 .121 .661 1.512

Profitabilitas .204 .082 .161 .903 1.107

a. Dependent Variable: Tax Avoidance

Sumber: Output SPSS

114
 Hasil uji multikolinearitas dengan melihat nilai VIF dan Tolerance

menunjukanm bahwa semua variabel dalam penelitian ini memiliki nilai tolerance

diatas 1 dan semua nilai VIF dibawah 10. Berdasarkan hasil menunjukkan

multikoleniaritas bahwa nilai tolerance ssemua variabel independen < 0,10 yaitu

0,699 untuk variabel financial distress menggunakan z-Score dan 0,661 yang

menggunakan g-Score dan variabel profitabilitas 0,903 dan hasil perhitungan VIF

memiliki nilai dibawah < 0,10 semua, maka dapat kita simpulkan bahwa pada

model regresi yang digunkan dalam penelitian ini tidak terjadi multikolinieritas

dalam model regresi penelitian ini.

4.4.3. Uji Heteroskedastisitas

Uji heteroskedastisitas dalam penelitian ini diuji dengan scaterplots yaitu

grafik plot antara nilai prediksi variabel terikat (ZPRED) dengan nilai residualnya

(SDRESID). Hasil uji heteroskedastisitas persamaan regresi menunjukan bahwa

titik-titik tersebar di atas dan dibawa angka nol dan menyebar dan menyempit ke

arah kiri, sehingga dapat disimpulkan bahwa dalam model regresi persamaan tidak

terjadi heteroskedastisitas. Hasil pengujian heterokedastisitas pada penelitian ini

dapat dilihat pada gambar berikut ini:

115
Grafik 4. 5 Grafik Uji Heteroskedastisitas Model X –Y (Z-Score)

Grafik 4. 6 Grafik Uji Heteroskedastisitas Model X –Y (G-Score)

116
 Berdasarkan hasil uji pada heteroskedastisitas dapat dilihat titik-titik

tersebut meneybar diatas angka 0 pada sumbu Y dan tidak ada pola tertentu maka

dapat disimpulkan bahwa tidak terjadi heteroskedastisitas.

4.4. Uji Autokorelasi

Analisis autokorelasi dalam penelitian ini dideteksi dengan menggunakan

uji Durbin Watson yaitu dengan membandingkan nilai Durbin Watson hitung (d)

dengan nilai Durbin Watson tabel dengan batas lebih tinggi (upper bond atau du)

dan batas lebih rendah (lower bond atau d1).

Data dikatakan tidak terjadi autokorelasi apabila du < d < 4-du. d

merupakan D-W hitung sedangkan nilai du berasal dari tabel Durbin Watson. Atau

kriteria lain adalah bila D-W hitung mendekati + 2 hal tersebut menunjukan dalam

model regresi tidak terjadi autokorelasi. Hasil uji autokorelasi dengan Durbin

Watson dapat dilihat pada tabel berikut:

Tabel 4. 12 Hasil Uji Durbin-Watson

Model Summaryb

Adjusted R Std. Error of the

Model R R Square Square Estimate Durbin-Watson

1 .350a .123 .111 1588.90456 1.892

a. Predictors: (Constant), Profitabilitas, FS_Z-Score, FS_G-Score

b. Dependent Variable: Tax Avoidance
Sumber: Lampiran Output SPSS

Hasil perhitungan statistik Durbin-Watson (D-W) diperoleh Nilai D-W

berada dalam rentang du (1,789) – 4-du (2,211) yaitu daerah tidak ada autokorelasi.

Hasil uji menunjukkan dapat disimpulkan tidak terjadi masalah autokoelasi.

117
Hasil = du < d < 4 - Du

N = 235
D = 1,892
Dl = 1,748
Du = 1,789
4-dl = 4 - 1,571 = 2,252
4-du = 4 - 1,789 = 2,211
Hasil = 1,789 < 1,892 < 2,211

Berdasarkan uji autokorelasi diatas diketahui nilai Durbin-Watson (WD)

sebesar 1,892. Untuk nilai Du dapat dilihat pada tabel Durbin-Watson, dimana

dengan jumlah (n) yaitu sebanyak 235 dan jumlah variabel (k) yaitu 2 maka di

peroleh nilai du sebesar 1,789 dan nilai Durbin-Watson (WD) lebih kecil dari 4

dikurangi nilai du maka dapat disimpulkan tidak ada auto korelasi positif ataupin

negatif.

4.5. Analisis Korelasi

Korelasi menunjukkan keeratan hubungan variabel bebas dengan variabel

terikat. Berdasarkan hasil perhitungan diperoleh korelasi financial distress (X1)

dengan Penghindaran pajak (tax avoidance) (Y) sebagai berikut:

118
 Tabel 4. 13 Koefisien Korelasi
Correlationsb
FS_ZSCORE FS_GSCORE Profitabilitas Tax avoidance
** **
FS_ZSCORE Pearson Correlation 1 .547 .208 .283**

Sig. (2-tailed) .000 .001 .000

FS_GSCORE Pearson Correlation .547** 1 .307** .271**
Sig. (2-tailed) .000 .000 .000
Profitabilitas Pearson Correlation .208** .307** 1 .236**

Sig. (2-tailed) .001 .000 .000

Tax avoidance Pearson Correlation .283** .271** .236** 1

Sig. (2-tailed) .000 .000 .000

**. Correlation is significant at the 0.01 level (2-tailed).
b. Listwise N=235

Sumber: Output SPSS20

Hasil perhitungan nilai koefisien korelasi financial distress (Z-Scor)

dengan Penghindaran pajak (tax avoidance) pada tabel di atas diperoleh sebesar

0,283. Nilai korelasi financial distress (Z-Score) dengan Penghindaran pajak (tax

avoidance) positif, jadi Penghindaran pajak (tax avoidance) memiliki hubungan

yang searah dengan nilai Z-Score financial distress.

Nilai koefisien korelasi financial distress (G-Score) dengan Penghindaran

pajak (tax avoidance) pada tabel di atas diperoleh sebesar 0,271. Nilai korelasi

financial distress (G-Score) dengan Penghindaran pajak (tax avoidance) positif,

jadi Penghindaran pajak (tax avoidance) memiliki hubungan yang searah dengan

nilai G-Score financial distress.

Nilai koefisien korelasi Profitabilitas dengan Penghindaran pajak (tax

avoidance) pada tabel di atas diperoleh sebesar 0,236. Nilai korelasi Profitabilitas

dengan Penghindaran pajak (tax avoidance) positif, jadi Profitabilitas memiliki

hubungan yang searah dengan nilai tax avoidance.

119
 Nilai dari tiga pengukuran tersebut financial distress menggunakan z-

score dan g-score sedangkan profitabilitas menggunakan gross profit margin yang

disimpulkan bahwa financial distress dan profitabilitas memiliki nilai korelasi

positif maka dapat disimpulkan bahwa variabel indepen memiliki hubungan yang

searah dengan variabel dependen yaitu tax avoidance.

4.6. Pengujian Hipotesis

Dalam penelitian ini pengujian hipotesis yang digunakan yaitu

menggunakan analisis regresi berganda untuk menguji pengaruh financial distress

dan profitabilitas terhadap penghindaran pajak (tax avoidance). Ada beberapa

analisa yang dilakukan dalam penelitian ini sebagai beritu:

4.6.1. Analisis Regresi Linier Berganda

Untuk menguji hipotesis dalam penelitian ini penulis menggunakan

analisis regresi linear berganda. Analisis regresi linear berganda dilakukan untuk

mengetahui signifikansi pengaruh variabel bebas yaitu financial distress (X1) dan

Profitabilitas (X2) terhadap variabel terikat yaitu Penghindaran pajak (tax

avoidance) (Y). Persamaan regresi yang peneliti gunakan adalah sebagai berikut:

Y = α + β1X1 + β2X2 + ε

Keterangan:

Y = Penghindaran pajak (tax avoidance)

X1 = Financial distress

X2 = Profitabilitas

e = error

120
1. Model Regresi Financial distress (Z-Score) dan Profitabilitas terhadap

Penghindaran pajak (tax avoidance)

Berdasarkan data financial distress (Z-Score), Profitabilitas dan Penghindaran

pajak (tax avoidance) diperoleh hasil estimasi regresi linier berganda yang

diolah menggunakan program SPSS versi 20 sebagai berikut:

Tabel 4. 14 Hasil Regresi Linier Berganda

Coefficientsa
Standardized
Unstandardized Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) .139 .025 5.575 .000

FS_ZSCORE .019 .005 .244 3.867 .000

Profitabilitas .235 .080 .185 2.931 .004
a. Dependent Variable: Tax avoidance
Sumber: Output SPSS20

Berdasarkan hasil perhitungan pada tabel di atas dapat dibuat persamaan

regresi linear berganda sebagai berikut:

Y = 0,139 + 0,019 X1 + 0,235 X2

Keterangan:

Y = Penghindaran pajak (tax avoidance)

X1 = Financial distress (Z-Score)

X2 = Profitabilitas

e = error

Model regresi yang diperoleh dapat diperjelas sebagai berikut:

Nilai konstanta sebesar 0,139 menunjukan rata-rata skor Penghindaran pajak (tax

avoidance) (Y) jika pada kondisi financial distress dan Profitabilitas tidak berubah

(konstan) atau nol (0). Hasil perhitungan koefisien regresi untuk X1 (1) diperoleh

121
sebesar 0,019. Koefisien regresi X1 bertanda positif artinya jika nilai Z-Score

financial distress meningkat dan variabel lainnya tidak berubah maka nilai

Penghindaran pajak (tax avoidance) meningkat sebesar 0,019. Maka ada hubungan

yang searah antara Penghindaran pajak (tax avoidance) dengan financial distress

yang diukur dengan nilai Z-Score. Yang artinya semakin tinggi financial distress

akan meningkatkan Penghindaran pajak (tax avoidance).

Hasil perhitungan koefisien regresi untuk X2 (2) diperoleh sebesar 0,253.

Koefisien regresi X2 bertanda positif artinya jika Profitabilitas meningkat dan

variabel lainnya tidak berubah maka penghindaran pajak (tax avoidance) naik

sebesar 0,253. Jadi ada hubungan yang searah antara Penghindaran pajak (tax

avoidance) dengan Profitabilitas. Yang artinya semakin tinggi Profitabilitas akan

meningkatakan Penghindaran pajak (tax avoidance). Maupun profitabilitas

menurun maka tindakan penghindaran pajak yang dilakukan oleh perusahaan akan

meningkat pula.

2. Model Regresi Financial distress (G-Score) dan Profitabilitas terhadap

Penghindaran pajak (tax avoidance)

Berdasarkan data financial distress (G-Score), Profitabilitas dan Penghindaran

pajak (tax avoidance) diperoleh hasil estimasi regresi linier berganda yang

diolah menggunakan program SPSS versi 20 sebagai berikut :

122
 Tabel 4. 15 Hasil Regresi Linier Berganda
Coefficientsa
Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta T Sig.
1 (Constant) .168 .022 7.672 .000

FS_GSCORE .093 .028 .219 3.347 .001

Profitabilitas .214 .083 .169 2.577 .011
a. Dependent Variable: Tax avoidance
Sumber: Output SPSS20

Berdasarkan hasil perhitungan pada tabel di atas dapat dibuat persamaan

regresi linear berganda sebagai berikut:

Y= 0,168 + 0,093 X1 + 0,214 X2

Keterangan :

Y = Penghindaran pajak (tax avoidance)

X1 = Financial distress (G-Score)

X2 = Profitabilitas

Model regresi yang diperoleh dapat diinterpretasikan sebagai berikut:

Nilai konstanta sebesar 0,168 menunjukan rata-rata penghindaran pajak (tax

avoidance) (Y) jika pada kondisi financial distress dan Profitabilitas tidak berubah

(konstan) atau nol (0).

Hasil perhitungan koefisien regresi untuk X1 (1) diperoleh sebesar 0,093.

Koefisien regresi X1 bertanda positif artinya jika nilai G-Score financial distress

meningkat dan variabel lainnya tidak berubah maka nilai Penghindaran pajak (tax

avoidance) meningkat sebesar 0,093. Jadi ada hubungan yang searah antara

Penghindaran pajak (tax avoidance) dengan financial distress yang diukur dengan

nilai G-Score. Artinya semakin tinggi financial distress akan meningkatkan

123
Penghindaran pajak (tax avoidance).

Hasil perhitungan koefisien regresi untuk X2 (2) diperoleh sebesar 0,214.

Koefisien regresi X2 bertanda positif artinya jika Profitabilitas meningkat dan

variabel lainnya tidak berubah maka Penghindaran pajak (tax avoidance) naik

sebesar 0,214. Maka ada hubungan yang searah antara Penghindaran pajak (tax

avoidance) dengan Profitabilitas. Yang artinya semakin tinggi Profitabilitas akan

meningkatakan Penghindaran pajak (tax avoidance).

4.6.2. Uji Signifikan Simultan (Uji-F)

Uji statistik F pada dasarnya menunjukkan apakah semua variabel bebas

atau bebas yang dimasukkan dalam model mempunyai pengaruh secara bersama –

sama terhadap variabel terikat atau terikat. Berdasarkan hasil pengkajian

menggunakan analisis regresi linier berganda maka hasil yang didapatkan sebagai

berikut:

Berdasarkan data financial distress (Z-Score dan G-Score), Profitabilitas

dan Penghindaran pajak (tax avoidance) diperoleh hasil nilai Uji F yang diolah

menggunakan program SPSS versi 20 sebagai berikut:

Tabel 4. 16 Hasil Uji F

ANOVAa

Model Sum of Squares df Mean Square F Sig.

1 Regression 81545202.394 3 27181734.131 10.767 .000b

Residual 583186688.100 231 2524617.697

Total 664731890.494 234

a. Dependent Variable: Tax Avoidance

b. Predictors: (Constant), Profitabilitas, FS_Z-Score, FS_G-Score

124
 Berdasarkan tabel 4.18 diperoleh nilai sebesar 10.767 dengan signifikan

sebesar 0,000 yang artinya nilai signifikan lebih kecil daripada nilai profibilitas

yanitu 0,05 atau 0,000 < 0,05 maka dapat di artikan bahwa koefisien regresi positif

dan signifikan dengan demikian dapat ditarik kesimpulan bahwa secara simultan

financial distress dan profitabilitas memiliki pengaruh positif terhadap tax

avoidance.

4.6.3. Uji Persial (Uji-t)

Pengujian ini bertujuan untuk menunjukkan pengaruh variabel

independen secara individual terhadap variabel dependen. Jika nilai probabilitas

<0,05 maka H0 ditolak, jika nilai probabilitas > 0,05 maka Ha diterima berdasarkan

hasil pengujian hipotesis secara persial diperoleh hasil sebagai berikut:

Tabel 4. 17 Hasil Uji t

Coefficientsa

Standardized
Unstandardized Coefficients Coefficients

Model B Std. Error Beta t Sig.

1 (Constant) 1372.461 248.793 5.516 .000

FS_Z-Score .014 .006 .183 2.484 .014

FS_G-Score .052 .032 .121 1.603 .110

Profitabilitas .204 .082 .161 2.478 .014

a. Dependent Variable: Tax Avoidance

Sumber: Output SPSS
CETR = 0,1372.461 + 0,014 (z-Score) + 0,204 GPM + e

125
 Berdasarkan tabel 4.21 menunjukkan hasil pengaruh Financial distress

menggunakan ukuran nilai Z-Score terhadap Penghindaran pajak (tax avoidance).

Financial distress dihipotesiskan berpengaruh terhadap Penghindaran pajak (tax

avoidance). Financial distress menggunakan nilai z-Score mempunyai koefisien

sebesar 0,014. Maka dapat diasumsikan bahwa setiap kenaikan satuan finacial

distress akan berdampak pada kenaikan CETR sebesar 0,014. Berdasarkan teori

bahwa semakin tinggi nilai CETR makan tax avoidace semakin rendah sehingga

dapat ditarik kesimpulan bahwa setiap kenaikan financial distress akan berdampak

pada kenaikan variabel tax avoidance sebesar 0,014 dengan asumsi independen

lainnya konstan.

Hasil di atas menunjukkan finacial distress menggunakan nilai G-Score

mempunyai nilai koefisiensi sebesar 0,052. Dapat ditarik kesimpulan bahwa setiap

kenaikan satuan financial distress akan berdampak pada kenaikan nilai CETR

sebesar 0,52 dengan asumsi variabel independen lainnya konstan.

Hasil di atas menunjukkan varibel profitabilitas menggunakan nilai GPM

mempunyai nilai koefisiensi sebesar 0,204. Dapat ditarik kesimpulan bahwa setiap

kenaikan profitabilitas akan berdampak pada kenaikan nilai CETR sebesar 0,204

dengan asumsi independen konstan.

Dari tabel diatas dapat juga disimpulkan koefisien regresi untuk financial

distress menggunakan nilai z-Score 0,014 dan nilai signifikan sebesar 0,014 karena

0.014 < 0,05 maka H1 dapat dikonfirmasi bahwa financial distress menggunakan

nilai z-Score memiliki pengaruh positif signifikan terhadap tax avoidance.

Sedangkan menggunakan G-Score memiliki nilai signifikan sebesar 0,110 yang

126
artinya 0,110 < 0,05 maka dapat di artikan menggunakan g-Score tidak signifikan

yang artinya financial distress menggunakan pengukuran g-Score berpengaruh

postif tetapi tidak signifikan terhadap tax avoidance.

Sedangkan dari tabel di atas menunjukan variabel profitabilitas memiliki

nilai koefisien regresi sebesar 0,204 dan memiliki nilai signifikan sebesar 0,014

yang artinya 0,014 < 0,05 artinya variabel profitabilitas berpengaruh positif

signifikan terhadap tax avoidance.

4.6.4. Uji Koefisien Determinasi (R2)

Uji koefisiensi determinasi digunakan untuk mengukur kemampuan

model dalam menerangkan variasi variabel independen terhadap variabel

dependen. Nilai koefisien determinasi yang ditunjukkan dengan nilai R 2 dari model

regresi digunakan untuk mengetahui besarnya variabel dependen.

Tabel 4. 18 Uji Koefisien Determinasi

Model Summaryb

Std. Error of the

Model R R Square Adjusted R Square Estimate

1 .350a .123 .111 1588.90456

a. Predictors: (Constant), Profitabilitas, FS_Z-Score, FS_G-Score

b. Dependent Variable: Tax Avoidance

Sumber: Output SPSS

Besarknya koefisien determinasi sebagai berikut:

Kd = R2 x 100%
Keterangan:
Kd = Koefisien determinasi
R = Koefisien Korelasi

127
 Kd = R2 x 100%
= 0,123 x 100%
= 12,3 %
Berdasarkan tabel diatas menunjukkan bahwa nilai Nagleke’s R.Square

sebesar 0,123 yang berarti variabel dependen dapat dijelaskan oleh variabel

independen artinya bahwa financial distress dan profitabilitas dapat menjelaskan

sebesar 12,3% terhadap penghindaran pajak sedangkan 87,7% dapat dijelaskan

oleh variabel-variabel lain yang ada diluar pada penelitian ini yaitu ukuran

perusahaan, leveraga, pertumbuhan penjualan, komposisi komisaris

independen,sales growth, komite audit, umur perusahaan, intensitas aset tetap dan

variabel-variabel lainnya yang tidak ditelidi dalam penelitian ini. (Rusydi, 2014),

(Ayu dan Ery, 2016), (Diantari dan Ulupui, 2016), (Oktamawati, 2017).

4.7. Pembahasan Hasil Penelitian dan Keterbatasan

4.7.1. Pembahasan

Berdasarkan hasil penelitian yang telah diteliti dan diuraikan melalui

beberapa pengujian seperti regresi secara persial maupun simultan financial

distress dan profitabilitas terhadap tax avoidance dapat dijelaskan dan diartikan

memiliki pengaruh dari masing-masing variabel bebas terhadap variabel terikat,

berikut ini penjelasannya:

Hasil penelitian statistik simultan (Uji-F) menunjukkan bahwa secara

bersama-sama financial distress dan profitabilitas berpengaruh terhadap tax

avoidance.

128
 Hasil penelitian statistik persial (Uji-t) dari hasil analisis diatas

menunjukkan bahwa financial distress dan profitabilitas terhdap tax avoidance

berpengaruh positif signifikan terhadap tax avoidance.

Berikut ini juga merupakan penjelasan pengaruh yang terjadi antara variabel-

variabel tersebut:

1. Pengaruh financial distress (Z-Score) terhadap tax avoidance

Dari hasil pengujian hipotesis di atas maka dapat disimpulkan bahwa financial

distress berpengaruh positif signifikan terhadap tax avoidance yang dapat

dijelaskan diakrenakan menggunakan z-score memiliki tiga keadaan

perusahaan yang dapat dijelaskan sebagaimana kondisi perusahaan tersebut

dalam z-score yaitu keadaan perusahaan nondistress yang dimana perusahaan

tidak mengalami kebangkrutan, grey area yang dimana perusahaan yang

berada di tengah-tengah nondistress dan financial distress, sedangkan

financial distress perusahaan yang mengalami kebangkrutan dalam penelitian

ini perusahaan yang mengalami kebangkrutan hanya ada 2 perusahaan, namun

dalam penelitian ini setiap perusahaan tiap tahunnya selama 5 tahun

perusahaan mengalami naik turun.

Hal ini menunjukkan jika perusahaan mengalami financial distress maka

perusahaan dapat melakukan penghindaran pajak disebabkan kurang

mampunya perusahaan membayar kewajiban sehingga penghindaran pajak

memungkinakan terjadi, jika perusahaan melakukan penghindaran pajak dapat

melumpuhkan hubungan perusahaan dengan pemerintah dalam jangka pendek

sehingga perusahaan dapat dikatakan tidak memiliki kemampuan memberikan

129
 dividen bagi pemegang saham. Hasil penelitian ini sejalan dengan penelitian

Nurul, (2020) , Yuliana et al., (2021).

2. Pengaruh financial distress (G-Score) terhadap tax avoidance

Hasil dalam pengujian hipotesis diatas hasil pengukuran financial distress

mengguanakan g-score medapatkan hasil yang menyatakan financial distress

memiliki pengaruh positif namun tidak signifikan, dalam penelitian ini

financial distress memiliki 2 keadaan perusahaan yang dapat dijelaskan yaitu

keadaan perusahaan yang nondistress dan financial distress.

Hal ini dapat diartikan bahwa perusahaan yang diukur menggunakan grover

tidak dapat dilakukan oleh penelitian yang secara bersamaan untuk periode

2017 sampai 2021 dikarenakan nilai tingkat dalam peengukuran grover hanya

terdapat 2 perbandingan yang dimana jika dalam z-score nilai grover rata-rata

di bawah pengukuran z-score.

Dalam penelitian ini pertama diukur menggunakan Alman Z-score

mendapatkan hasil yang posistif signifikan namun pengukuran kedua

menggunakan G-score mendapatkan hasil yang sama positif namun tidak

signifikan dalam hal ini terdapat hasil yang tidak konsisten.

3. Pengaruh profitabilitas terhadap tax avoidance

Berdasarkan hasil pengujian hipotesisi yang telah dirumuskan di atas

penelitian ini menunjukkan bahwa variabel profitabilitas yang diukur

menggunakan gross profit margin berpengaruh positif signifikan terhadap tax

avoidance.

130
Hal ini menunjukkan bahwa semakin tinggi profitabilitas maka semakin tinggi

tax avoidance. Maka semakin tinggi Gross Profit Margin maka semakin baik

kinerja perusahaan begitu juga pembayaran pajak maka akan semakin tinggi,

dalam hal ini pula menjadi faktor perusahaan melakukan penghindaran pajak

jika perusahaan memiliki laba pendapatan yang cukup besar maka penarikan

atau pembayaran pajak kepada negara juga akan besar sehingga perusahaan

tidak mau mengurangi kas yang ada pada perusahaan sehingga dapat ditarik

kesimpulan perusahaan akan melakukan penghindaran pajak.

Untuk keuntungan apa berapapun perusahaan semakin tinggi

keuntungan yang diperoleh perusahaan atau semakin tinggi keuntungan yang

diperoleh perusahaan maka berpengaruh terhadap penghindaran pajak. Jadi

dalam hal ini perusahaan mengabaikan pajak yang harus dibayar yang berarti

perusahaan akan tetap melakukan pembayaran berdasarkan temuan yang ada

karena perusahaan mengetahui bahwa pajak adalah bagian yang wajib dan

sudah diatur undang-undang. sehingga Perusahaan harus menggunakan

peraturan yang ada.

Hasil ini sejalan dengan penelitian yang dilakukan oleh Rachel, (2021) ,

Sidauruk & Putri, (2022). Yang menyatakan bahwa profitabilitas

berpengaruh secara signifikan terhadap tax avoidance.

131
4.8. Implikasi

4.8.1. Implikasi Teoritis

Impilkasi teoritis yaitu dari hasil penelitian ini mendukung dan

membantah hasil penelitian yang dilakukan oleh peneliti-peneliti terdahulu.

Dalam penelitian ini diperoleh hasil bahwa financial distress dan profitabilitas

berpengaruh positif signifikan terhadap tax avoidance. Hasil penelitian ini sejalan

dengan penelitian Meilia & Adnan, (2017), Halim, (2019), Suwanta at al., (2022),

Alwan at al., (2022), Anisa, (2022), Christy Susanto et al., (2022) yang

menyatakan bahwa financial distress dan profitabilitas berpengaruh postif

signifikan antara penghindaran pajak (tax avoidance). Hal ini bertentangan

dengan penelitian Reza, (2022), Suhaidar et al., (2022), Estevania & Wi, (2022),

Astriyani et al., (2022) yang membuktikan bahwa finacial distress dan

profitabilitas tidak berpengaruh signifikan dan berpengaruh negatif terhadap tax

avoidance.

4.8.2. Implikasi Praktis

Implikasi praktis yaitu dari hasil penelitian ini bagi pihak yang

berkepentingan untuk mencegah kemungkinan terjadinya penghindaran pajak

(tax avoidance) untuk waktu yang akan datang. Berdasarkan hasil pengujian yang

telak dilakukan bahwa financial distress dan profitabilitas berpengaruh terhadap

tax avoidance.

Pada penelitian ini financial distress dan profitabilitas yang

mempengaruhi penghindaran pajak (tax avoidance), semakin tinggi jumlah laba

yang didaptkan perusahaan atau rendah maka akan meningkatkan jumlah pajak

132
serta hutang pajak dikarenakan laba yang dihasilkan perusahaan merupakan

pengenaan pajak penghasilan. Semakin tinggi jumlah laba maka nilai CETR

perusahaan akan semakin tinggi pula.

4.9. Keterbatasan

Setelah melakukan penelitian dengan menganalisis data, pengujian data,

dan menghasilkan bebrapa hal menjadi keterbatasan dalam penelitian ini.

Beberapa keterbatasan dalam penelitian ini:

1. Sampel yang digunakan dalam penelitian ini sebanyak 47 perusahaan

sektor manufaktur yang terdaftar di Bursa Efek Indonesia. Jumlah sampel

ini sedikit yang digunakan dari total perusahaan sub sektor manufaktur

yang stotal keseluruhannya sebanyan 220 perusahaan.

2. Penelitian ini juga dilakukan pada seluruh sektor manufaktur yang terdaftar

di Bursa Efek Indonesia, maka hasil yang dimiliki berkemungkinan tidak

sama dengan sektor lainya.

3. Dalam mendeteksi penghindaran pajak, peneliti hanya menggunakan 2

variabel independen yaitu financial distress dan profitabilitas. Namun jika

ditambahkan variabel-variabel lain yang dapat digunakan untuk mendeteksi

penghindaran pajak (tax avoidance) mungkin bisa memberikan hasil yang

lebih mendeteksi teori yang telah dipaparkan pada landasan teoritis.

4. Waktu penelitian yang terbatas sehingga penelitian kurang maksimal

sehingga penelitian tidak bisa mendapatkan hasil yang maksimal.

133
 BAB V

KESIMPULAN DAN SARAN

5.1. Kesimpulan

Berdasarkan penelitian yang telah di lakukan dengan sampel sebanyak

235 yang terdiri dari 47 perusahaan sektor manufaktur yang terdaftar di Bursa Efek

Indonesia (BEI), tetapi terdapat pada penelitian ini data perusahaan outlier

sebanyak 27 perusahaan. Untuk peneliti menarik kesimpulan sebagai berikut:

1. Perusahaan sektor manufaktur yang terdaftar di Bursa Efek Indonesia tahun

2017-2021 tidak mengalami kesulitan keuangan (financial distress)

sehingga perusahaan berpotensi lebih besar untuk melakukan penghindaran

pajak.

2. Perusahaan diakhir periode mengalami penurunan profit yang signifikan

dibandingkan dengan periode-periode sebelumnya sehingga akan diikuti

penurunan pajak terhutang perusahaan yang memungkinkan perusahaan

melakukan penghindaran pajak.

134
5.2. Saran

Berdasarkan hasil penelitian dapat diberikan kesimpulan yang

menunjukkan saran-saran sebagai berikut:

5.2.1. Saran Teoritis

1. Bagi peneliti selanjutnya diharapkan hasil penelitian ini dapat dijadikan

referensi untuk penelitian sejenis lainnya serta diharapkan menambah

variabel lain yang tidak berpaku pada financial distress dan profitabilitas

saja. Untuk penelitian selajutnya mungkin dapat menggunakan

pertumbuhan penjualan, intensitas modal, dan intensitas aset tetap atau

kondisi perusahaan secara terkait penghindaran pajak.

2. Bagi peneliti selanjutnya diharapkan dapat memperluas sektor yang akan

diteliti diharpkan tidak hanya pada perusahaan sektor manufaktur saja.

3. Bagi peneliti selanjutnya diharapkan dapat menambah uji analisis data agar

dapat menghasilkan pengujian hipotesis yang berbeda.

4. Bagi peneliti selanjutnya diharapkan dapat melakukan pengukuran finacial

distress ataupun profitabilitas dengan model yang berbeda dan terbaru agar

dapat dilihat tingkat keakuratan hasilnya seperti financial distress

menggunakan Springate, Zmijewski, Ohlsn sedangkan profitabilitas dapat

menggunakan Net Profit Margin, EPS, ROS.

5. Berdasarkan model regresi dalam penelitian ini, kedua variabel independen

hanya mampu menjelaskan variasi variabel dependen yaitu penghindaran

pajak sebesar 12,3% dan untuk sisanya yaitu sebesar 87,7% yang dijelaskan

oleh variabel-variabel yang lain di luar persamaan.

135
5.2.2. Saran Praktis

Saran-saran praktis yang dapat peneliti berikan bagi perusahaan, pemakai

laporan keuangan ataupun pihak-pihak yang berkepentingan lainnya yaitu sebagai

berikut:

1. Bagi perusahaan dan pimpinan, penelitian ini diharapkan dapat

memberikan gambaran dalam mengamati prilaku manajemen dalam

melakukan tindakan tax avoidance, sehingga perusahaan dapat lebih bijak

dalam mengambil keputusan untuk melakukan penghindaran pajak dan

tetap dalam batas koridor peraturan yang telah ditetapkan oleh pemerintah.

2. Bagi investor, dalam hal ini jika akan menginvestasikan untuk dapat lebih

mengkaji terlebih dahulu bagaimana kinerja perusahaan dan tetap

mematuhi peraturan pajak yang berlaku saat ini, tax aoidance ini bukan

prilaku yang baik yang dapat memberikan dampak pada seluruh para

investor.

3. Bagi pemerintah, sebaiknya untuk memberikan aturan yang dapat

memberikan efek jera bagi perusahaan yang akan mengambil tindakan

penghindaran pajak.

136
 DAFTAR PUSTAKA

Adi Nurdiansyah. (2021). Pengaruh Financial Distress Terhadap Manajemen Laba.

epub.imandiri.
Alfarizi Renal Ijlal, Sari Ratna Hindria Dyah Pita dan Ajengtiyas Ayunita. (2021).
Pengaruh Profitabilitas, Transfer Pricing, dan Manajemen Laba Terhadap Tax
Avoidance. Universitas Pembangunan Nasional Veteran, 898-917.
Alwan, (2022). Pengaruh Profitabilitas, Leverage, dan Pengukuran Coroprate
Social Responibility Terhadap Tax Avoidance (Studi Pada Perusahaan
Subsektor Batubara yang Terdaftar di Bursa Efek Indonesia (BEI) Periode
2015-2019. Jurnal Pasundan.
AlAli Musaed S. (2019). Examining the Effect of Altman’s Zeta Model Score on the
Share Price of Healthcare Companies Listed at Kuwait Stock Exchange.
International Journal of Economics and Finance, 11(4), 25.
Amanda Putri Ramadanty. (2022). Pengaruh Intellectual Capital dan Diversity
Gender terhadap Financial Distress Dimoderasi oleh Firm Size. Universitas
Trisakti, 3743-3750.
Andiny Fitriyani. (2022). Pengaruh Capital Intensity, Inventory. Universitas
Pasundan.
Anisa Ika Nurfitri. (2022). Pengaruh Ukuran Perusahaan, Leverage, Profitabilitas
dan Tax Avoidance Terhadap Nilai Perusahaan (Studi Pada Perusahaan
Manufaktur Sektor Industri Barang Konsumsi Yang Terdaftar di Bursa Efek
Indonesia Periode 2016-2020). epub. imandiri.
Anugerah Gian, Herianti Eva dan Sabaruddin. (2022). Pengaruh Financial Distress
Dan Intensitas Aset Tetap Terhadap Tax Avoidance : Peran good corporate
governance sebagai pemoderasi. Universitas Muhammadiyah, 190-207.
Astriyani Riza Dwi dan Safii Mohamad. (2022). Pengaruh Financial Distress ,
Karakteristik Eksekutif , Dan Family Ownership Terhadap Tax Avoidance (
Studi Empiris Pada Perusahaan Property dan Real Estate Yang Terdaftar di
BEI Periode 2016-2020 ). Universitas Pamulang, 359-367.

cxxxvii
Atika Saputri Friska. (2018). Leverage, Intensitas Modal Dan Proporsi Dewan
Komisaris Independen Terhadap Tax Avoidance (Studi Pada Perusahaan Jasa
Subsektor Bank yang Terdaftar di Bursa Efek Indonesia Tahun 2012-2016).
Jurnal Ekobis Dewantara, 37-39.
Bagaskara Alvie. (2022). Pengaruh Corporate Governance Dan Insentif Eksekutif
Terhadap Tax Avoidance Pada Perusahaan (Studi Empiris Pada Perusahaan
Manfaktur Sub Sektor Barang Konsumsi Yang Terdaftar Di Bursa Efek
Indonesia Periode 2015-2019). Indonesia Banking School.
Estevania Kattrine dan Wi Peng. (2022). Pengaruh Profitabilitas, Leverage, Sales
Growth, Dan Financial Distress Terhadap Tax Avoidance Pada Perusahaan
Manufaktur Subsektor Food And Beverages Yang Terdaftar Di Bursa Efek
Indonesia (Bei) Tahun 2017-2021. Jurnal Akuntansi, 113-122
Faradilla Ivory Candra dan Bhilawa Loggar. (2022). Pengaruh profitabilitas,
leverage, ukuran perusahaan dan sales growth terhadap Tax Avoidance. Jurnal
Ilmiah Akuntansi dan Keuangan, 34-44.
Lukito Dicky Putra dan Sandra Amelia. (2021). Pengaruh Capital Intensity,
Profitabilitas, Dan Financial Distress Terhadap Tax Avoidance. Universitas
Kwik Kian Gie, 114-125.
Ni Made Nita Saputri dan Kadek Dewi Padnyawati. (2021). Pengaruh Profitabilitas,
Likuiditas, Dan Leverage Terhadap Financial Distress (Studi Kasus pada
Perusahaan Sektor Property dan Real Estate Yang Terdaftar di Bursa Efek
Indonesia (BEI) Periode 2017-2019). Universitas Hindu Indonesia.
Putri Yoana Aulia dan Yanti Harti Budi. (2022). Pengaruh Corporate Social
Responsibility , Kompensasi Manajemen , Intensitas Modal , Financial
Distress Terhadap Tax Avoidance. Universitas Trisakti, 487-500.
Rosalian N. (2021). Pengaruh Ketidakpastian Lingkungan Dan Financial Distress
Terhadap Tax Avoidance Dengan Strategi Bisnis. Universitas Islam Indonesia
.
Sinduarta Putu Wahyudi dan Hapsari Dini Wahjoe. (2022). Determinan
Penghindaran Pajak: Studi pada Perusahaan Makanan dan Minuman dari
Indonesia. SEIKO : Journal of Management & Business, 390-400.

cxxxviii
Sudaryo Yoyo, Purnamasari Dyah dan Kartikawati Gustiani. (2018). Pengaruh
Profitabilitas, Leverage, Kualitas Audit, dan Komite Audit Terhadap Tax
Avoidance Pada Perusahaan Manufaktur Yang Terdaftar Pada Bursa Efek
Indonesia Periode 2013-2017. Indonesia Membangun, 15-32.
Suhaidar, Erwandy, Ridwan Muhammad Qomaruddin, Sitorus Berkati. (2020).
Pengaruh Financial Distress, Likuiditas, Dan Sales Growth Terhadap
Penghindaran Pajak Pada Perusahaan Property Dan Real Estate. Bisnin dan
Ekonomi, 16-19.
Syalsabila Haya dan Sekar Mayangsari. (2022). pengaruh risiko perusahaan, ukuran
perusahaan, dan Financial Distress terhadap Tax Avoidance. Universitas
Trisakti.
Tri, P. W. (2022). Pengaruh Ukuran Perusahaan dan Transfer Pricing Terhadap Tax
Avoidance (Studi Pada Perusahaan Manufaktur Yang Terdaftar di Bursa Efek
Indonesia Periode 2016-2020). IM & STIE STAN-IM.
vani Mailia Apollo. (2020). Pengaruh Profitabilitas, Ukuran Perusahaan Dan
Capital Intensity Terhadap Tax Avoidance. Universitas Mercu Buana, 506-
515.
Yuni Ni Putu Ayu Indira dan Setiawan Putu Ery. (2019). Pengaruh Corporate
Governance dan Profitabilitas terhadap Penghindaran Pajak dengan Ukuran
Perusahaan. Jurnal Akuntansi, 128-144.
Christy Susanto Lovena, Julianetta Vennecia, Excel Alexander, Tantya Fiorin,
Kristiana Stefanie dan Salsalina Ita. (2022). Pengaruh Transfer Pricing dan
Profitabilitas terhadap Penghindaran Pajak Perusahaan Publik Sektor
Pertambangan di Indonesia. Akuntansi, Bisnis dan Ekonomi, 2(1), 59-69.
Febrilyantri Candra. (2022). Pengaruh Likuiditas , Leverage , Ukuran Perusahaan
Terhadap Tax Avoidance Pada Perusahaan Manufaktur Sub-Sektor Otomotif
Tahun 2018-2021. Journal of Islamic Banking and Finance, 128-141.
Fiqotus Sa'idah. (2022). Analisis Model Altman Z-Score, Grover, Springate Dan
Zmijewski Dalam Memprediksi Kondisi Financial Distress. UIN Raden Intan
Lampung, 30-31.

cxxxix
Maulida Rezi Atika. (2022). Pengaruh Profitabilitas, Current Ratio, Debt to Equity
Ratio dan Collateralizable Asset Terhadap Kebijikan Dividen Perusahaan
Transportasi dan Logistik Periode 2017-2021. Universitas Hayam Wuruk, 44-
45.
Nidha Fadhila dan Sari Andayani. (2022). Pengaruh Financial Distress,
Profitabilitas, dan Leverage terhadap Tax Avoidance. Universitas UPN, 6(4),
3489-3500.
Nurul Yusi Fauziah. (2020). Pengaruh Financial Distress Terhadap Tax Avoidance.
epub. imandiri.
Putri Yoana Aulia dan Yanti Harti Budi. (2022). Pengaruh Corporate Social
Responsibility , Kompensasi Manajemen , Intensitas Modal , Financial
Distress Terhadap Tax Avoidance. Universitas Trisakti, 2(2), 487-500.
Rafidah I. (2018). Pengaruh Financial Distress, Corporate Governance dan
Konservatisme Akuntansi Terhadap Tax Avoidance (Studi Empiris pada
perusahaan perbankan yang listing di BEI tahun 2015-2017). Universitas
UII(3), 1-13.
Rahmah Annisa Aulia dan Murtanto. (2022). Determinasi Tax Avoidance Masa
Pandemi COVID-19. Ekonomi Trisakti, 2(2), 1861-1874.
Ramdhan. (2021). Pengaruh Kepemilikan Institusional, Kepemilikan Manajerial,
Karakteristik Eksekutif Dan Capital Intensity Terhadap Tax Avoidance.
epub.imandiri.
Reza Arifin. (2022). Pengaruh Profitabilitas, Ukuran Perusahaan dan Pertumbuhan
Penjualan Terhadap Tax Avoidance (Studi pada Perusahaan Sektor
Manufaktur yang Terdaftar di Bursa Efek Indonesia Periode 2016-2020).
epub. imandiri.
Salsabila, R. S., Dhia, N. R., & Hasnawati. (2022). Pengaruh Advertising, Capital
Expenditure, Pendidikan Ceo Dan Pendidikan Cfo Terhadap Tax Avoidance
Pada Sektor Perbankan Di Indonesia. Akuntansi Trisakti, 340-355.
Sidauruk Tagor Darius dan Putri Nandini Trimelinia Pebriani. (2022). Pengaruh
Komisaris Independen, Karakter Eksekutif, Profitabiltas dan Ukuran
Perusahaan terhadap Tax Avoidance. Akuntansi Keuangan, 2(1), 45-57.

cxl
Sitorus Paskah Ria. (2022). Pengaruh Likuiditas, Leverage, Profitabilitas, Dan
Pertumbuhan Perusahaan Terhadap Kebijakan Dividen Pada Perusahaan
Manufaktur Sektor Food And Beverage Yang Terdaftar di BEI. Akuntansi
Prima, 4(2), 1-17.
Suwanta Tata dan Herijawati Etty. (2022). Pengaruh Profitabilitas, Likuiditas Dan
Leverage Terhadap Tax Avoidance (Studi Kasus Pada Perusahaan Manufaktur
Industri Barang Konsumsi Yang Terdaftar Di Bursa Efek Indonesia Tahun
2018-2021). Ekonomi dan Bisnis, 2(2), 902-911.
Tania Putri Astari. (2021). Pengaruh Struktur Modal dan Tax Avoidance terhadap
Nilai Perusahaan (Studi Pada Peusahaan Manufaktur Yang Terdaftar di Bursa
Efek Indonesia Periode 2016-2020). epub imandiri.
Tresna Syah Rozak, Arief Tri Hardiyanto dan Haqi Fadilah. (2018). Pengaruh
Profitabilitas, Likuiditas, Dan Leverage Terhadap Tax Avoidance. Akuntansi
Universitas Pakuan, 5.
Wati Rivaldy Yohannes Yosis, Karamoy Herman dan Kalangi Lintje. (2022).
Pengaruh Struktur Corporate Governance Dan Financial Ratios Terhadap
Financial Distress Perusahaan Otomotif. Riset Akuntansi Dan Auditing, 84-
100.
Widiasmara Anny dan Rahayu Henny Catur. (2019). Perbedaan Model Ohlson,
Model Taffler Dan Model Springate Dalam Memprediksi Financial Distress.
Jurnal Akuntansi, No. 3.
Windi Oktavia dan Momamad Safii. (2022). Pengaruh Karakter Eksekutif Dan
Financial Distress Terhadap Tax Avoidance. Jurnal Akuntansi, 3(2), 414-420.
Yuliana Dinda, Susanti Santi dan Zulaihati Sri. (2021). Pengaruh Financial Distress
dan Corporate Governance terhadap Tax Avoidance. Akuntansi dan Audit,
2(2), 435-451.
Rachel Alchusna dan Zati Rizka Fadhilab. (2021). Pengaruh Profitabilitas, Rasio
Leverage Dan Ukuran Perusahaan Terhadap Tax Avoidance Pada Perusahaan
Manufaktur Sektor Industri Barang Konsumsi Yang Terdaftar Di Bei Tahun
2017 – 2021. Ekonomi Bisnis dan Akuntansi, 1(3), 1-9.

cxli
Sumber dari E-BOOK
Adrian Sutedi. (2018). Hukum Pajak. Jakarta Pusat: Sinar Grafik.
Adrianto Dwi Nugroho, SH., Adv., LL.M. (2018). Hukum Pidana Pajak Indonesia.
Jakarta: PT. Citra Aditya Bakti.
Auliya Nur Hikmatul, Hardani, Andriani Helmina, Asri Fardani Roushandy,
Ustiawaty Jumari, Utami Evi Fatm, Istiqomah Ria Rahmatul dan Sukmana,
Dhika Juliana. (2020). Metode Penelitian Kualitatif & Kuantitatif.
Yogyakarta: CV. Pustaka Ilmu.
Dr. Alexander Thian, M.Si. (2021). Dasar-Dasar Perpajakan. Yogyakarta: Anggota
IKAPI.
Aloisius hama. (2020). Analisi Kecendrungan Penghindaran Pajak Penghasilan
(Vol. 5). Jakarta: Mitra Abisatya.
Catharina Vista Okta Frida. (2020). Hukum Pajak di Indonesia: Pengantar atau
Dasar-Dasar Perpajakan. Yogyakarta: Garudhawaca.
Setu Satyawan. (2022). PERPAJAKAN Pengantar, KUP, Pajak Penghasilan, PPN
& PPn-Bm, Pajak Bea. Malang: Universitas Muhammadiyah Malang.
Sugiyono Prof. Dr. (2018). Metode Penelitian Kunatitatif Kualitatif dan R&D.
Bandung: CV. ALFABETA.
Toto Prihadi. (2020). Analisis Laporan Keuangan Konsep & Aplikasi. Jakarta:
PT. Gramedia Pustaka Utama.

Sumber dari Internet

JDIH BPK RI. (2021, oktober 29). Harmonisasi Peraturan Perpajakan. Retrieved
from Data Base Website:
https://peraturan.bpk.go.id/Home/Details/185162/uu-no-7-tahun-2021
(diakses 11 Agustus 2022)

cxlii
LAMPIRAN
 LAMPIRAN 1 Daftra Populasi Penelitian Subsektor Manufaktur

NO KODE Nama Perusahaan Keterangan

1 ADES Akasha Wira International Tbk. CONSUMER GOODS INDUSTRI
2 AISA Tiga Pilar Sejahtera Food Tbk. CONSUMER GOODS INDUSTRI
3 ALTO Tri Banyan Tirta Tbk. CONSUMER GOODS INDUSTRI
4 BOBA Formosa Ingredient Factory Tbk CONSUMER GOODS INDUSTRI
5 BTEK Bumi Teknokultura Unggul Tbk CONSUMER GOODS INDUSTRI
6 BUDI Budi Starch & Sweetener Tbk. CONSUMER GOODS INDUSTRI
7 CAMP Campina Ice Cream Industry Tbk CONSUMER GOODS INDUSTRI
8 CBMF Cahaya Bintang Medan Tbk. CONSUMER GOODS INDUSTRI
9 CEKA Wilmar Cahaya Indonesia Tbk. CONSUMER GOODS INDUSTRI
10 CINT Chitose Internasional Tbk. CONSUMER GOODS INDUSTRI
11 CLEO Sariguna Primatirta Tbk. CONSUMER GOODS INDUSTRI
12 CMRY Cisarua Mountain Dairy Tbk. CONSUMER GOODS INDUSTRI
13 COCO Wahana Interfood Nusantara Tbk CONSUMER GOODS INDUSTRI
14 DLTA Delta Djakarta Tbk. CONSUMER GOODS INDUSTRI
15 DMND Diamond Food Indonesia Tbk. CONSUMER GOODS INDUSTRI
16 DVLA Darya-Varia Laboratoria Tbk. CONSUMER GOODS INDUSTRI
17 ENZO Morenzo Abadi Perkasa Tbk. CONSUMER GOODS INDUSTRI
18 FAPA FAP Agri Tbk. CONSUMER GOODS INDUSTRI
19 FOOD Sentra Food Indonesia Tbk. CONSUMER GOODS INDUSTRI
20 GGRM Gudang Garam Tbk. CONSUMER GOODS INDUSTRI
21 GOOD Garudafood Putra Putri Jaya Tb CONSUMER GOODS INDUSTRI
22 HMSP H.M. Sampoerna Tbk. CONSUMER GOODS INDUSTRI
23 HOKI Buyung Poetra Sembada Tbk. CONSUMER GOODS INDUSTRI
24 HRTA Hartadinata Abadi Tbk. CONSUMER GOODS INDUSTRI
25 ICBP Indofood CBP Sukses Makmur Tbk CONSUMER GOODS INDUSTRI
26 IIKP Inti Agri Resources Tbk CONSUMER GOODS INDUSTRI
27 IKAN Era Mandiri Cemerlang Tbk. CONSUMER GOODS INDUSTRI
28 INAF Indofarma Tbk. CONSUMER GOODS INDUSTRI
29 INDF Indofood Sukses Makmur Tbk. CONSUMER GOODS INDUSTRI
30 IPPE Indo Pureco Pratama Tbk. CONSUMER GOODS INDUSTRI
31 ITIC Indonesian Tobacco Tbk. CONSUMER GOODS INDUSTRI
32 KAEF Kimia Farma Tbk. CONSUMER GOODS INDUSTRI
33 KEJU Mulia Boga Raya Tbk. CONSUMER GOODS INDUSTRI
34 KICI Kedaung Indah Can Tbk CONSUMER GOODS INDUSTRI
35 KINO Kino Indonesia Tbk. CONSUMER GOODS INDUSTRI
36 KLBF Kalbe Farma Tbk. CONSUMER GOODS INDUSTRI
37 KPAS Cottonindo Ariesta Tbk. CONSUMER GOODS INDUSTRI
38 LMPI Langgeng Makmur Industri Tbk. CONSUMER GOODS INDUSTRI
NO KODE Nama Perusahaan Keterangan
39 MBTO Martina Berto Tbk. CONSUMER GOODS INDUSTRI
40 MERK Merck Tbk. CONSUMER GOODS INDUSTRI
41 MLBI Multi Bintang Indonesia Tbk. CONSUMER GOODS INDUSTRI
42 MRAT Mustika Ratu Tbk. CONSUMER GOODS INDUSTRI
43 MYOR Mayora Indah Tbk. CONSUMER GOODS INDUSTRI
44 NASI Wahana Inti Makmur Tbk. CONSUMER GOODS INDUSTRI
45 OILS Indo Oil Perkasa Tbk. CONSUMER GOODS INDUSTRI
46 PANI Pratama Abadi Nusa Industri Tb CONSUMER GOODS INDUSTRI
47 PCAR Prima Cakrawala Abadi Tbk. CONSUMER GOODS INDUSTRI
48 PEHA Phapros Tbk. CONSUMER GOODS INDUSTRI
49 PMMP Panca Mitra Multiperdana Tbk. CONSUMER GOODS INDUSTRI
50 PSDN Prasidha Aneka Niaga Tbk CONSUMER GOODS INDUSTRI
51 PSGO Palma Serasih Tbk CONSUMER GOODS INDUSTRI
52 PYFA Pyridam Farma Tbk CONSUMER GOODS INDUSTRI
53 RMBA Bentoel Internasional Investam CONSUMER GOODS INDUSTRI
54 ROTI Nippon Indosari Corpindo Tbk. CONSUMER GOODS INDUSTRI
55 SCPI Merck Sharp Dohme Pharma Tbk. CONSUMER GOODS INDUSTRI
56 SIDO Industri Jamu dan Farmasi Sido CONSUMER GOODS INDUSTRI
57 SKBM Sekar Bumi Tbk. CONSUMER GOODS INDUSTRI
58 SKLT Sekar Laut Tbk. CONSUMER GOODS INDUSTRI
59 SOFA Boston Furniture Industries Tb CONSUMER GOODS INDUSTRI
60 SOHO Soho Global Health Tbk. CONSUMER GOODS INDUSTRI
61 STTP Siantar Top Tbk. CONSUMER GOODS INDUSTRI
62 TAYS Jaya Swarasa Agung Tbk. CONSUMER GOODS INDUSTRI
63 TBLA Tunas Baru Lampung Tbk. CONSUMER GOODS INDUSTRI
64 TCID Mandom Indonesia Tbk. CONSUMER GOODS INDUSTRI
65 TOYS Sunindo Adipersada Tbk. CONSUMER GOODS INDUSTRI
66 TSPC Tempo Scan Pacific Tbk. CONSUMER GOODS INDUSTRI
67 ULTJ Ultra Jaya Milk Industry & Tra CONSUMER GOODS INDUSTRI
68 UNVR Unilever Indonesia Tbk. CONSUMER GOODS INDUSTRI
69 VICI Victoria Care Indonesia Tbk. CONSUMER GOODS INDUSTRI
70 WIIM Wismilak Inti Makmur Tbk. CONSUMER GOODS INDUSTRI
71 WMPP Widodo Makmur Perkasa Tbk. CONSUMER GOODS INDUSTRI
72 WMUU Widodo Makmur Unggas Tbk. CONSUMER GOODS INDUSTRI
73 WOOD Integra Indocabinet Tbk. CONSUMER GOODS INDUSTRI
74 NPGF Nusa Palapa Gemilang Tbk BASIC INDUSTRY AND CHEMICALS
75 ADMG Polychem Indonesia Tbk BASIC INDUSTRY AND CHEMICALS
76 AGII Aneka Gas Industri Tbk. BASIC INDUSTRY AND CHEMICALS
77 AKPI Argha Karya Prima Industry Tbk BASIC INDUSTRY AND CHEMICALS
78 ALDO Alkindo Naratama Tbk. BASIC INDUSTRY AND CHEMICALS
NO KODE Nama Perusahaan Keterangan
79 ALKA Alakasa Industrindo Tbk BASIC INDUSTRY AND CHEMICALS
80 ALMI Alumindo Light Metal Industry BASIC INDUSTRY AND CHEMICALS
81 AMFG Asahimas Flat Glass Tbk. BASIC INDUSTRY AND CHEMICALS
82 APLI Asiaplast Industries Tbk. BASIC INDUSTRY AND CHEMICALS
83 ARNA Arwana Citramulia Tbk. BASIC INDUSTRY AND CHEMICALS
84 AVIA Avia Avian Tbk BASIC INDUSTRY AND CHEMICALS
85 BAJA Saranacentral Bajatama Tbk. BASIC INDUSTRY AND CHEMICALS
86 BRNA Berlina Tbk. BASIC INDUSTRY AND CHEMICALS
87 BRPT Barito Pacific Tbk. BASIC INDUSTRY AND CHEMICALS
88 BTON Betonjaya Manunggal Tbk. BASIC INDUSTRY AND CHEMICALS
89 CAKK Cahayaputra Asa Keramik Tbk. BASIC INDUSTRY AND CHEMICALS
90 CPIN Charoen Pokphand Indonesia Tbk BASIC INDUSTRY AND CHEMICALS
91 CPRO Central Proteina Prima Tbk. BASIC INDUSTRY AND CHEMICALS
92 CTBN Citra Tubindo Tbk. BASIC INDUSTRY AND CHEMICALS
93 DPNS Duta Pertiwi Nusantara Tbk. BASIC INDUSTRY AND CHEMICALS
94 EKAD Ekadharma International Tbk. BASIC INDUSTRY AND CHEMICALS
95 EPAC Megalestari Epack Sentosaraya BASIC INDUSTRY AND CHEMICALS
96 ESIP Sinergi Inti Plastindo Tbk. BASIC INDUSTRY AND CHEMICALS
97 ESSA Surya Esa Perkasa Tbk. BASIC INDUSTRY AND CHEMICALS
98 ETWA Eterindo Wahanatama Tbk BASIC INDUSTRY AND CHEMICALS
99 FASW Fajar Surya Wisesa Tbk. BASIC INDUSTRY AND CHEMICALS
100 FLMC Falmaco Nonwoven Industri Tbk. BASIC INDUSTRY AND CHEMICALS
101 FPNI Lotte Chemical Titan Tbk. BASIC INDUSTRY AND CHEMICALS
102 GDST Gunawan Dianjaya Steel Tbk. BASIC INDUSTRY AND CHEMICALS
103 GGRP Gunung Raja Paksi Tbk. BASIC INDUSTRY AND CHEMICALS
104 IFII Indonesia Fibreboard Industry BASIC INDUSTRY AND CHEMICALS
105 IGAR Champion Pacific Indonesia Tbk BASIC INDUSTRY AND CHEMICALS
106 IMPC Impack Pratama Industri Tbk. BASIC INDUSTRY AND CHEMICALS
107 INAI Indal Aluminium Industry Tbk. BASIC INDUSTRY AND CHEMICALS
108 INCF Indo Komoditi Korpora Tbk. BASIC INDUSTRY AND CHEMICALS
109 INCI Intanwijaya Internasional Tbk BASIC INDUSTRY AND CHEMICALS
110 INKP Indah Kiat Pulp & Paper Tbk. BASIC INDUSTRY AND CHEMICALS
111 INOV Inocycle Technology Group Tbk. BASIC INDUSTRY AND CHEMICALS
112 INRU Toba Pulp Lestari Tbk. BASIC INDUSTRY AND CHEMICALS
113 INTP Indocement Tunggal Prakarsa Tb BASIC INDUSTRY AND CHEMICALS
114 IPOL Indopoly Swakarsa Industry Tbk BASIC INDUSTRY AND CHEMICALS
115 ISSP Steel Pipe Industry of Indones BASIC INDUSTRY AND CHEMICALS
116 JKSW Jakarta Kyoei Steel Works Tbk. BASIC INDUSTRY AND CHEMICALS
117 JPFA Japfa Comfeed Indonesia Tbk. BASIC INDUSTRY AND CHEMICALS
118 KBRI Kertas Basuki Rachmat Indonesi BASIC INDUSTRY AND CHEMICALS
NO KODE Nama Perusahaan Keterangan
119 KDSI Kedawung Setia Industrial Tbk. BASIC INDUSTRY AND CHEMICALS
120 KIAS Keramika Indonesia Assosiasi T BASIC INDUSTRY AND CHEMICALS
121 KMTR Kirana Megatara Tbk. BASIC INDUSTRY AND CHEMICALS
122 KRAS Krakatau Steel (Persero) Tbk. BASIC INDUSTRY AND CHEMICALS
123 KUAS Ace Oldfields Tbk. BASIC INDUSTRY AND CHEMICALS
124 LABA Ladangbaja Murni Tbk. BASIC INDUSTRY AND CHEMICALS
125 LION Lion Metal Works Tbk. BASIC INDUSTRY AND CHEMICALS
126 LMSH Lionmesh Prima Tbk. BASIC INDUSTRY AND CHEMICALS
127 MAIN Malindo Feedmill Tbk. BASIC INDUSTRY AND CHEMICALS
128 MARK Mark Dynamics Indonesia Tbk. BASIC INDUSTRY AND CHEMICALS
129 MDKI Emdeki Utama Tbk. BASIC INDUSTRY AND CHEMICALS
130 MLIA Mulia Industrindo Tbk BASIC INDUSTRY AND CHEMICALS
131 MOLI Madusari Murni Indah Tbk. BASIC INDUSTRY AND CHEMICALS
132 NIKL Pelat Timah Nusantara Tbk. BASIC INDUSTRY AND CHEMICALS
133 OBMD OBM Drilchem Tbk BASIC INDUSTRY AND CHEMICALS
134 PBID Panca Budi Idaman Tbk. BASIC INDUSTRY AND CHEMICALS
135 PICO Pelangi Indah Canindo Tbk BASIC INDUSTRY AND CHEMICALS
136 PURE Trinitan Metals and Minerals T BASIC INDUSTRY AND CHEMICALS
137 SAMF Saraswanti Anugerah Makmur Tbk BASIC INDUSTRY AND CHEMICALS
138 SBMA Surya Biru Murni Acetylene Tbk BASIC INDUSTRY AND CHEMICALS
139 SINI Singaraja Putra Tbk. BASIC INDUSTRY AND CHEMICALS
140 SIPD Sreeya Sewu Indonesia Tbk. BASIC INDUSTRY AND CHEMICALS
141 SMBR Semen Baturaja (Persero) Tbk. BASIC INDUSTRY AND CHEMICALS
142 SMCB Solusi Bangun Indonesia Tbk. BASIC INDUSTRY AND CHEMICALS
143 SMGR Semen Indonesia (Persero) Tbk. BASIC INDUSTRY AND CHEMICALS
144 SMKL Satyamitra Kemas Lestari Tbk. BASIC INDUSTRY AND CHEMICALS
145 SPMA Suparma Tbk. BASIC INDUSTRY AND CHEMICALS
146 SRSN Indo Acidatama Tbk BASIC INDUSTRY AND CHEMICALS
147 SULI SLJ Global Tbk. BASIC INDUSTRY AND CHEMICALS
148 SWAT Sriwahana Adityakarta Tbk. BASIC INDUSTRY AND CHEMICALS
149 TALF Tunas Alfin Tbk. BASIC INDUSTRY AND CHEMICALS
150 TBMS Tembaga Mulia Semanan Tbk. BASIC INDUSTRY AND CHEMICALS
151 TDPM Tridomain Performance Material BASIC INDUSTRY AND CHEMICALS
152 TIRT Tirta Mahakam Resources Tbk BASIC INDUSTRY AND CHEMICALS
153 TKIM Pabrik Kertas Tjiwi Kimia Tbk. BASIC INDUSTRY AND CHEMICALS
154 TOTO Surya Toto Indonesia Tbk. BASIC INDUSTRY AND CHEMICALS
155 TPIA Chandra Asri Petrochemical Tbk BASIC INDUSTRY AND CHEMICALS
156 TRST Trias Sentosa Tbk. BASIC INDUSTRY AND CHEMICALS
157 UNIC Unggul Indah Cahaya Tbk. BASIC INDUSTRY AND CHEMICALS
158 WSBP Waskita Beton Precast Tbk. BASIC INDUSTRY AND CHEMICALS
NO KODE Nama Perusahaan Keterangan
159 WTON Wijaya Karya Beton Tbk. BASIC INDUSTRY AND CHEMICALS
160 YPAS Yanaprima Hastapersada Tbk BASIC INDUSTRY AND CHEMICALS
161 AMIN Ateliers Mecaniques D Indonesi MISCELLANEOUS INDUSTRY
162 ARGO Argo Pantes Tbk MISCELLANEOUS INDUSTRY
163 ARKA Arkha Jayanti Persada Tbk. MISCELLANEOUS INDUSTRY
164 ASII Astra International Tbk. MISCELLANEOUS INDUSTRY
165 AUTO Astra Otoparts Tbk. MISCELLANEOUS INDUSTRY
166 BATA Sepatu Bata Tbk. MISCELLANEOUS INDUSTRY
167 BELL Trisula Textile Industries Tbk MISCELLANEOUS INDUSTRY
168 BIMA Primarindo Asia Infrastructure MISCELLANEOUS INDUSTRY
169 BINO Perma Plasindo Tbk. MISCELLANEOUS INDUSTRY
170 BOLT Garuda Metalindo Tbk. MISCELLANEOUS INDUSTRY
171 BRAM Indo Kordsa Tbk. MISCELLANEOUS INDUSTRY
172 CCSI Communication Cable Systems In MISCELLANEOUS INDUSTRY
173 CNTX Century Textile Industry Tbk. MISCELLANEOUS INDUSTRY
174 DEPO Caturkarda Depo Bangunan Tbk MISCELLANEOUS INDUSTRY
175 DRMA Dharma Polimetal Tbk MISCELLANEOUS INDUSTRY
176 ERTX Eratex Djaja Tbk. MISCELLANEOUS INDUSTRY
177 ESTI Ever Shine Tex Tbk. MISCELLANEOUS INDUSTRY
178 GDYR Goodyear Indonesia Tbk. MISCELLANEOUS INDUSTRY
179 GJTL Gajah Tunggal Tbk. MISCELLANEOUS INDUSTRY
Garuda Maintenance Facility Aero
180 GMFI MISCELLANEOUS INDUSTRY
Asia Tbk
181 GPSO Geoprima Solusi Tbk MISCELLANEOUS INDUSTRY
182 HDTX Panasia Indo Resources Tbk. MISCELLANEOUS INDUSTRY
183 HOPE Harapan Duta Pertiwi Tbk. MISCELLANEOUS INDUSTRY
184 IKBI Sumi Indo Kabel Tbk. MISCELLANEOUS INDUSTRY
185 IMAS Indomobil Sukses Internasional MISCELLANEOUS INDUSTRY
186 INDR Indo-Rama Synthetics Tbk. MISCELLANEOUS INDUSTRY
187 INDS Indospring Tbk. MISCELLANEOUS INDUSTRY
188 JECC Jembo Cable Company Tbk. MISCELLANEOUS INDUSTRY
189 JSKY Sky Energy Indonesia Tbk. MISCELLANEOUS INDUSTRY
190 KBLI KMI Wire & Cable Tbk. MISCELLANEOUS INDUSTRY
191 KBLM Kabelindo Murni Tbk. MISCELLANEOUS INDUSTRY
192 KPAL Steadfast Marine Tbk. MISCELLANEOUS INDUSTRY
193 KRAH Grand Kartech Tbk. MISCELLANEOUS INDUSTRY
194 LPIN Multi Prima Sejahtera Tbk MISCELLANEOUS INDUSTRY
195 LUCY Lima Dua Lima Tiga Tbk. MISCELLANEOUS INDUSTRY
196 MASA Multistrada Arah Sarana Tbk. MISCELLANEOUS INDUSTRY
197 MGLV Panca Anugrah Wisesa Tbk. MISCELLANEOUS INDUSTRY
NO KODE Nama Perusahaan Keterangan
198 MYTX Asia Pacific Investama Tbk. MISCELLANEOUS INDUSTRY
199 NIPS Nipress Tbk. MISCELLANEOUS INDUSTRY
200 PBRX Pan Brothers Tbk. MISCELLANEOUS INDUSTRY
201 POLU Golden Flower Tbk. MISCELLANEOUS INDUSTRY
202 POLY Asia Pacific Fibers Tbk MISCELLANEOUS INDUSTRY
203 PRAS Prima Alloy Steel Universal Tb MISCELLANEOUS INDUSTRY
204 PTSN Sat Nusapersada Tbk MISCELLANEOUS INDUSTRY
205 RICY Ricky Putra Globalindo Tbk MISCELLANEOUS INDUSTRY
206 SBAT Sejahtera Bintang Abadi Textil MISCELLANEOUS INDUSTRY
207 SCCO Supreme Cable Manufacturing & MISCELLANEOUS INDUSTRY
208 SCNP Selaras Citra Nusantara Perkas MISCELLANEOUS INDUSTRY
209 SLIS Gaya Abadi Sempurna Tbk. MISCELLANEOUS INDUSTRY
210 SMSM Selamat Sempurna Tbk. MISCELLANEOUS INDUSTRY
211 SRIL Sri Rejeki Isman Tbk. MISCELLANEOUS INDUSTRY
212 SSTM Sunson Textile Manufacture Tbk MISCELLANEOUS INDUSTRY
213 STAR Star Petrochem Tbk MISCELLANEOUS INDUSTRY
214 TAPG Triputra Agro Persada Tbk. MISCELLANEOUS INDUSTRY
215 TFCO Tifico Fiber Indonesia Tbk. MISCELLANEOUS INDUSTRY
216 TRIS Trisula International Tbk. MISCELLANEOUS INDUSTRY
217 UCID Uni-Charm Indonesia Tbk. MISCELLANEOUS INDUSTRY
218 UNIT Nusantara Inti Corpora Tbk MISCELLANEOUS INDUSTRY
219 VOKS Voksel Electric Tbk. MISCELLANEOUS INDUSTRY
220 ZONE Mega Perintis Tbk. MISCELLANEOUS INDUSTRY

LAMPIRAN 2 Data Perusahaan Outlier

No KODE Nama Perusahaan

1 CEKA Wilmar Cahaya Indonesia Tbk.
2 GGRM Gudang Garam Tbk.
3 HMSP H.M. Sampoerna Tbk.
4 IIKP Inti Agri Resources Tbk
5 MERK Merck Tbk.
6 BUDI Budi Starch & Sweetener Tbk.
7 DVLA Darya-Varia Laboratoria Tbk.
8 MRAT Mustika Ratu Tbk.
9 ULTJ Ultra Jaya Milk Industry & Tra
10 SIDO Industri Jamu dan Farmasi Sido
11 KAEF Kimia Farma Tbk.
12 KINO Kino Indonesia Tbk.
13 INCI Intanwijaya Internasional Tbk
14 MLIA Mulia Industrindo Tbk
15 ALMI Alumindo Light Metal Industry
16 AMFG Alumindo Light Metal Industry
17 ARNA Arwana Citramulia Tbk.
18 GDST Gunawan Dianjaya Steel Tbk.
19 TIRT Tirta Mahakam Resources Tbk
20 KIAS Keramika Indonesia Assosiasi T
21 KMTR Kirana Megatara Tbk.
22 WSBP Waskita Beton Precast Tbk.
23 LPIN Multi Prima Sejahtera Tbk
24 IMAS Indomobil Sukses Internasional
25 SMCB Solusi Bangun Indonesia Tbk.
26 TOTO Surya Toto Indonesia Tbk.
27 WTON Wijaya Karya Beton Tbk.

LAMPIRAN 3 Daftar Sampel Perusahaan Manufaktur

NO KODE Nama Perusahaan

1 ADES Akasha Wira International Tbk.
2 CINT Chitose Internasional Tbk.
3 CLEO Sariguna Primatirta Tbk.
4 HOKI Buyung Poetra Sembada Tbk.
5 HRTA Hartadinata Abadi Tbk.
6 ICBP Indofood CBP Sukses Makmur Tbk
7 INDF Indofood Sukses Makmur Tbk.
8 KLBF Kalbe Farma Tbk.
9 LMPI Langgeng Makmur Industri Tbk.
10 MBTO Martina Berto Tbk.
11 MYOR Mayora Indah Tbk.
12 UNVR Unilever Indonesia Tbk.
13 AGII Aneka Gas Industri Tbk.
14 ALDO Alkindo Naratama Tbk.
15 BAJA Saranacentral Bajatama Tbk.
16 BRNA Berlina Tbk.
17 BTON Betonjaya Manunggal Tbk.
18 CPIN Charoen Pokphand Indonesia Tbk
19 CPRO Central Proteina Prima Tbk.
20 DPNS Duta Pertiwi Nusantara Tbk.
21 EKAD Ekadharma International Tbk.
22 IGAR Champion Pacific Indonesia Tbk
NO KODE Nama Perusahaan
23 INAI Indal Aluminium Industry Tbk.
24 ISSP Steel Pipe Industry of Indones
25 JPFA Japfa Comfeed Indonesia Tbk.
26 LION Lion Metal Works Tbk.
27 TRST Trias Sentosa Tbk.
28 PBID Panca Budi Idaman Tbk.
29 PICO Pelangi Indah Canindo Tbk
30 SMGR Semen Indonesia (Persero) Tbk.
31 SPMA Suparma Tbk.
32 SRSN Indo Acidatama Tbk
33 SIPD Sreeya Sewu Indonesia Tbk.
34 AMIN Ateliers Mecaniques D Indonesi
35 ASII Astra International Tbk.
36 BATA Sepatu Bata Tbk.
37 BELL Trisula Textile Industries Tbk
38 BIMA Primarindo Asia Infrastructure
39 BOLT Garuda Metalindo Tbk.
40 GJTL Gajah Tunggal Tbk.
41 INDS Indospring Tbk.
42 JECC Jembo Cable Company Tbk.
43 KBLI KMI Wire & Cable Tbk.
44 KBLM Kabelindo Murni Tbk.
45 RICY Ricky Putra Globalindo Tbk
46 SMSM Selamat Sempurna Tbk.
47 SSTM Sunson Textile Manufacture Tbk
 LAMPIRAN 4 Olah Data Financial Distress Z-Score
ADES
PERHITUNGAN
2017 2018 2019 2020 2021 2017 2018
X1 6,56 a aset lancar 294.244 364.138 351.120 545.239 673.394 210.584.866.561 219.577.845.340
b liabilitas lancar 244.888 262.397 175.191 183.559 268.167 66.014.779.104 81.075.913.501
c modal kerja (a-b) 49.356 101.741 175.929 361.680 405.227 144.570.087.457 138.501.931.839
d total aset 840.239 881.275 822.375 958.791 1.304.108 476.577.841.605 491.382.035.136
e modal kerja / total aset 0,0587 0,1154 0,2139 0,3772 0,3107 0,3034 0,2819
f nilai *6,56 0,3853 0,7573 1,4034 2,4746 2,0384 1,9900 1,8490
X2 3,26 g laba ditahan atau saldo laba - 388.537 - 335.579 - 251.694 119.099 144.659 98.540.614.387 106.137.018.636
h total aset 840.236 881.275 822.375 958.791 1.304.108 144.570.087.457 138.501.931.839
i laba ditahan/total aset - 0,4624 - 0,3808 - 0,3061 0,1242 0,1109 0,6816 0,7663
j nilai *3,26 - 1,5075 - 1,2414 - 0,9977 0,4050 0,3616 2,2221 2,4982
X3 6,72 k laba sebelum pajak 51.095 70.060 110.179 167.919 337.828 38.318.872.398 22.090.078.956
l beban bunga 23.247 22.957 15.478 838 747 2.076.848.901 3.331.144.467
m laba sebelum bunga dan pajak (ebit) 74.342 93.017 125.657 168.757 338.575 40.395.721.299 25.421.223.423
n total aset 840.236 881.275 822.375 958.791 1.304.108 144.570.087.457 138.501.931.839
o laba sebelum bunga dan pajak (ebit)/total aset 0,0885 0,1055 0,1528 0,1760 0,2596 0,2794 0,1835
p nilai *6,72 0,5946 0,7093 1,0268 1,1828 1,7447 1,8777 1,2334
X4 1,05 q nilai buku equitas (ekuitas + laba ditahan) 423.011 481.914 567.937 700.508 969.817 382.273.759.946 388.678.577.828
r liabilitas lancar 244.888 262.397 175.191 183.559 268.167 66.014.779.104 81.075.913.501
s liabilitas jangka panjang 172.337 136.964 79.247 74.724 65.924 28.289.302.555 21.627.543.807
t nilai buku utang 417.225 399.361 254.438 258.283 334.091 94.304.081.659 102.703.457.308
u nilai buku ekuitas / nilai buku utang 1,0139 1,2067 0,4480 0,3687 0,3445 4,0536 3,7845
v nilai *1,05 1,0646 1,2670 0,4704 0,3871 0,3617 4,2563 3,9737
HASIL 0,5370 1,4923 1,9028 4,4495 4,5064 10,3460 9,5543
 CINT CLEO
2019 2020 2021 2017 2018 2019 2020 2021
250.724.734.274 235.891.593.162 160.631.354.635 144.179.181.317 198.544.322.066 240.755.729.131 254.187.665.140 279.804.122.714
105.476.752.401 94.587.795.350 121.622.353.656 116.843.320.205 121.061.155.519 204.953.165.337 147.545.013.406 182.882.815.706
145.247.981.873 141.303.797.812 39.009.000.979 27.335.861.112 77.483.166.547 35.802.563.794 106.642.651.734 96.921.307.008
521.493.784.876 498.020.612.974 492.697.209.711 660.917.775.322 833.933.861.594 1.245.144.303.719 1.310.940.121.622 667.599.300.000
0,2785 0,2837 0,0792 0,0414 0,0929 0,0288 0,0813 0,1452
1,8271 1,8613 0,5194 0,2713 0,6095 0,1886 0,5336 0,9524
107.123.877.608 104.783.838.440 5.668.004.464 71.106.936.867 133.616.251.059 261.480.124.256 391.629.022.761 513.387.182.577
521.493.784.876 498.020.612.974 492.697.209.711 27.335.861.112 77.483.166.547 1.245.144.303.719 1.310.940.121.622 667.599.300.000
0,2054 0,2104 0,0115 0,3844 0,5799 0,2100 0,2987 0,7690
0,6697 0,6859 0,0375 1,2533 1,8905 0,6846 0,9739 2,5070
13.896.350.693 6.564.977.193 - 99.225.082.862 62.342.385.255 81.356.830.315 172.667.589.552 168.964.556.985 229.981.620.687
4.830.777.929 6.860.466.956 6.558.555.742 21.437.623.500 23.058.101.482 14.850.093.220 25.461.582.184 13.804.081.705
18.727.128.622 13.425.444.149 - 92.666.527.120 83.780.008.755 104.414.931.797 187.517.682.772 194.426.139.169 243.785.702.392
521.493.784.876 498.020.612.974 492.697.209.711 27.335.861.112 77.483.166.547 1.245.144.303.719 1.310.940.121.622 667.599.300.000
0,0359 0,0270 - 0,1881 0,3263 0,7421 0,1506 0,1483 0,3652
0,2413 0,1812 - 1,2639 2,1926 4,9867 1,0120 0,9966 2,4539
389.671.404.669 385.357.367.073 349.514.463.085 297.969.528.163 635.478.469.892 766.299.436.026 894.746.110.680 1.001.579.893.307
105.476.752.401 94.587.795.350 121.622.353.656 116.843.320.205 121.061.155.519 204.953.165.337 147.545.013.406 182.882.815.706
26.345.627.806 18.075.450.551 21.560.392.970 246.104.926.954 77.394.236.183 273.891.702.356 268.648.997.536 163.718.867.900
131.822.380.207 112.663.245.901 143.182.746.626 362.948.247.159 198.455.391.702 478.844.867.693 416.194.010.942 346.601.683.606
2,9560 3,4204 2,4410 0,8210 3,2021 1,6003 0,4652 0,3461
3,1038 3,5915 2,5631 0,8620 3,3622 1,6803 0,4884 0,3634
5,8419 6,3198 1,8561 4,5792 10,8489 3,5656 2,9926 6,2766
 HOKI HRTA
2017 2018 2019 2020 2021 2017 2018 2019
402.492.112.857 490.747.589.782 483.422.211.591 423.486.192.138 450.325.961.390 1.312.626.412.274 1.430.530.685.815 2.195.435.613.977
183.224.424.681 88.130.681.014 161.901.915.986 188.719.266.211 280.958.063.589 347.059.973.082 388.009.846.474 217.969.291.457
219.267.688.176 402.616.908.768 321.520.295.605 234.766.925.927 169.367.897.801 965.566.439.192 1.042.520.839.341 1.977.466.322.520
576.963.542.579 758.846.556.031 848.676.035.300 906.924.214.166 989.119.315.334 1.418.447.342.330 1.537.031.552.479 2.311.190.054.987
0,3800 0,5306 0,3788 0,2589 0,1712 0,6807 0,6783 0,8556
2,4930 3,4805 2,4853 1,6981 1,1233 4,4655 4,4494 5,6128
100.445.995.671 178.718.030.931 256.149.083.500 262.431.338.569 268.202.435.517 331.736.201.805 405.439.657.112 498.807.216.617
219.267.688.176 402.616.908.768 848.676.035.300 906.924.214.166 989.119.315.334 1.418.447.342.330 1.537.031.552.479 2.311.190.054.987
0,4581 0,4439 0,3018 0,2894 0,2712 0,2339 0,2638 0,2158
1,4934 1,4471 0,9839 0,9433 0,8840 0,7624 0,8599 0,7036
64.384.420.849 120.822.298.064 142.179.083.420 50.874.681.549 17.997.743.133 147.185.345.549 165.784.070.062 200.120.811.411
10.012.722.452 12.974.049.318 16.749.467.477 18.578.305.433 22.605.423.222 42.346.460.707 41.993.948.906
74.397.143.301 133.796.347.382 158.928.550.897 69.452.986.982 40.603.166.355 147.185.345.549 208.130.530.769 242.114.760.317
219.267.688.176 402.616.908.768 848.676.035.300 906.924.214.166 989.119.315.334 1.418.447.342.330 1.537.031.552.479 2.311.190.054.987
0,3393 0,3323 0,1873 0,0766 0,0410 0,1038 0,1354 0,1048
2,2801 2,2332 1,2584 0,5146 0,2759 0,6973 0,9100 0,7040
475.980.511.759 563.167.578.239 641.567.444.819 662.560.916.609 668.660.599.446 996.515.466.805 1.092.723.219.024 1.211.246.898.396
183.224.424.681 88.130.681.014 161.901.915.986 188.719.266.211 280.958.063.589 347.059.973.082 388.009.846.474 217.969.291.457
12.454.553.111 12.852.349.806 45.206.674.495 55.644.031.346 39.500.652.299 74.871.902.443 56.298.486.981 881.973.865.134
195.678.977.792 100.983.030.820 207.108.590.481 244.363.297.557 320.458.715.888 421.931.875.525 444.308.333.455 1.099.943.156.591
2,43 5,58 3,10 2,71 2,09 2,3618 2,4594 1,1012
2,55 5,86 3,25 2,85 2,19 2,4799 2,5823 1,1562
8,8206 13,0165 7,9802 6,0030 4,4740 8,4051 8,8017 8,1766
 ICBP INDF
2020 2021 2017 2018 2019 2020 2021 2017 2018 2019 2020
2.669.836.303.087 3.300.516.538.001 16.579.331 14.121.568 16.624.925 20.716.223 33.997.637 32.948.131 33.272.618 31.403.445 38.418.238
209.281.141.857 708.362.034.511 6.827.588 7.235.398 6.556.359 9.176.164 18.896.133 21.637.763 31.204.102 24.686.862 27.975.875
2.460.555.161.230 2.592.154.503.490 9.751.743 6.886.170 10.068.566 11.540.059 15.101.504 11.310.368 2.068.516 6.716.583 10.442.363
2.830.686.417.461 3.478.074.220.547 31.619.514 34.367.153 38.709.314 103.588.325 118.066.628 88.400.877 96.537.796 96.198.559 96.198.559
0,8692 0,7453 0,3084 0,2004 0,2601 0,1114 0,1279 0,1279 0,0214 0,0698 0,1086
5,7022 4,8891 2,0232 1,3144 1,7063 0,7308 0,8391 0,8393 0,1406 0,4580 0,7121
611.679.691.033 735.198.160.872 12.764.244 14.989.629 18.450.204 22.526.202 26.862.455 21.397.123 23.193.960 26.664.999 30.995.800
2.830.686.417.461 3.478.074.220.547 31.619.514 34.367.153 38.709.314 103.588.325 118.066.628 88.400.877 96.537.796 96.198.559 96.198.559
0,2161 0,2114 0,4037 0,4362 0,4766 0,2175 0,2275 0,2420 0,2403 0,2772 0,3222
0,7044 0,6891 1,3160 1,4219 1,5538 0,7089 0,7417 0,7891 0,7832 0,9036 1,0504
218.204.833.971 248.165.327.819 5.206.561 6.446.785 7.436.972 9.958.647 9.935.232 7.594.822 7.446.966 8.749.397 12.426.334
114.084.173.919 150.914.980.000 153.935 225.568 53.454 49.983 26.862.455 1.486.027 2.022.215 1.727.018 1.875.812
332.289.007.890 399.080.307.819 5.360.496 6.672.353 7.490.426 10.008.630 36.797.687 9.080.849 9.469.181 10.476.415 14.302.146
2.830.686.417.461 3.478.074.220.547 31.619.514 34.367.153 38.709.314 103.588.325 118.066.628 88.400.877 96.537.796 96.198.559 96.198.559
0,1174 0,1147 0,1695 0,1941 0,1935 0,0966 0,3117 0,1027 0,0981 0,1089 0,1487
0,7888 0,7711 1,1393 1,3047 1,3004 0,6493 2,0944 0,6903 0,6592 0,7318 0,9991
1.358.133.190.500 1.515.552.418.426 20.324.330 22.707.150 26.671.104 50.318.053 54.723.863 47.102.766 49.916.800 54.202.488 79.138.044
209.281.141.857 708.362.034.511 6.827.588 7.235.398 6.556.359 9.176.164 18.896.133 21.637.763 31.204.102 24.686.862 27.975.875
1.263.272.085.104 1.254.159.767.610 4.467.596 4.424.605 2.495.400 2.688.770 44.446.632 7.489.575 11.607.093 17.309.209 56.022.597
1.472.553.226.961 1.962.521.802.121 11.295.184 11.660.003 9.051.759 11.864.934 63.342.765 29.127.338 42.811.195 41.996.071 83.998.472
0,9223 0,7722 1,7994 1,9474 2,9465 4,2409 0,8639 0,6184 0,8577 0,7748 0,9421
0,9684 0,8109 1,8893 2,0448 3,0938 4,4529 0,9071 0,6493 0,9005 0,8135 0,9892
8,1639 7,1601 6,3678 6,0858 7,6543 6,5420 4,5823 2,9680 2,4835 2,9070 3,7508
 KLBF
2021 2017 2018 2019 2020 2021 2017 2018
54.183.399 10.042.738.649.964 10.648.288.386.726 11.222.490.978.401 13.075.331.880.715 15.712.209.507.638 572.240.218.362 525.674.069.930
40.403.404 2.227.336.011.715 2.286.167.471.594 2.577.108.805.851 3.176.726.211.674 3.534.656.089.431 360.471.900.688 379.536.352.404
13.779.995 7.815.402.638.249 8.362.120.915.132 8.645.382.172.550 9.898.605.669.041 12.177.553.418.207 211.768.317.674 146.137.717.526
179.356.193 16.616.239.416.335 18.146.206.145.369 20.264.726.862.584 22.564.300.317.374 25.666.635.156.271 834.548.374.286 786.704.752.983
0,0768 0,4703 0,4608 0,4266 0,4387 0,4745 0,2538 0,1858
0,5040 3,0855 3,0230 2,7986 2,8778 3,1124 1,6646 1,2186
36.730.458 12.610.504.063.055 13.871.718.983.242 15.135.159.090.134 16.624.641.634.148 18.468.487.826.465 125.439.556.521 171.830.260.811
179.356.193 16.616.239.416.335 18.146.206.145.369 20.264.726.862.584 22.564.300.317.374 25.666.635.156.271 834.548.374.286 786.704.752.983
0,2048 0,7589 0,7644 0,7469 0,7368 0,7196 0,1503 0,2184
0,6676 2,4741 2,4921 2,4348 2,4019 2,3457 0,4900 0,7120
14.456.085 3.241.186.725.992 3.306.399.669.021 3.402.616.824.533 3.627.632.574.744 4.143.264.634.774 - 34.598.578.079 - 58.874.992.358
2.884.772 36.391.625.753 29.738.266.966 40.420.271.275 89.580.314.845 57.384.355.149 29.359.988.718 27.355.690.148
17.340.857 3.277.578.351.745 3.336.137.935.987 3.443.037.095.808 3.717.212.889.589 4.200.648.989.923 - 5.238.589.361 - 31.519.302.210
179.356.193 16.616.239.416.335 18.146.206.145.369 20.264.726.862.584 22.564.300.317.374 25.666.635.156.271 834.548.374.286 786.704.752.983
0,0967 0,1973 0,1838 0,1699 0,1647 0,1637 - 0,0063 - 0,0401
0,6497 1,3255 1,2355 1,1417 1,1070 1,0998 - 0,0422 - 0,2692
86.632.111 13.894.031.782.689 15.294.594.796.354 16.705.582.476.031 18.276.082.144.080 21.265.877.793.123 376.256.327.751 330.490.664.696
40.403.404 2.227.336.011.715 2.286.167.471.594 2.577.108.805.851 3.176.726.211.674 3.534.656.089.431 360.471.900.688 379.536.352.404
44.463.099 494.871.621.931 565.443.877.421 982.035.580.702 1.111.491.961.620 866.101.273.717 97.820.145.847 76.677.735.883
84.866.503 2.722.207.633.646 2.851.611.349.015 3.559.144.386.553 4.288.218.173.294 4.400.757.363.148 458.292.046.535 456.214.088.287
1,0208 5,1040 0,1864 0,2131 0,2346 0,2069 0,8210 0,7244
1,0718 5,3592 0,1958 0,2237 0,2464 0,2173 0,8620 0,7606
2,8932 12,2443 6,9463 6,5989 6,6330 6,7752 2,9745 2,4220
 LMPI MBTO
2019 2020 2021 2017 2018 2019 2020 2021 2017
479.994.366.854 458.427.633.362 479.910.051.703 520.384.083.342 392.357.840.917 317.285.450.420 182.202.105.658 170.318.544.063 10.674.199.571.313
403.747.604.778 407.671.137.398 409.140.402.432 252.247.858.307 240.203.560.883 254.266.866.831 295.518.213.807 225.904.727.379 4.473.628.322.956
76.246.762.076 50.756.495.964 70.769.649.271 268.136.225.035 152.154.280.034 63.018.583.589 - 113.316.108.149 - 55.586.183.316 6.200.571.248.357
737.642.257.697 698.252.022.979 704.070.618.412 780.669.761.787 648.016.880.325 591.063.928.037 982.882.686.217 714.647.740.684 14.915.849.800.251
0,1034 0,0727 0,1005 0,3435 0,2348 0,1066 - 0,1153 - 0,0778 0,4157
0,6781 0,4769 0,6594 2,2532 1,5403 0,6994 - 0,7563 - 0,5102 2,7270
213.499.854.720 254.831.126.239 254.831.126.239 87.449.514.135 24.770.878.588 90.773.530.900 285.090.883.971 267.814.124.507 6.702.645.888.746
737.642.257.697 698.252.022.979 704.070.618.412 780.669.761.787 648.016.880.325 591.063.928.037 982.882.686.217 714.647.740.684 14.915.849.800.251
0,2894 0,3650 0,3619 0,1120 0,0382 0,1536 0,2901 0,3747 0,4494
0,9436 1,1898 1,1799 0,3652 0,1246 0,5007 0,9456 1,2217 1,4649
- 56.356.644.949 - 49.123.405.851 - 10.586.019.650 - 31.658.218.720 - 155.155.168.378 - 88.263.038.281 - 189.413.036.663 - 117.769.279.024 2.186.884.603.474
25.533.836.273 23.357.068.345 1.783.030.000 14.818.644.267 17.848.642.603 20.433.763.651 21.277.269.462 19.029.539.174 386.922.167.017
- 30.822.808.676 - 25.766.337.506 - 8.802.989.650 - 16.839.574.453 - 137.306.525.775 - 67.829.274.630 - 168.135.767.201 - 98.739.739.850 2.573.806.770.491
737.642.257.697 698.252.022.979 704.070.618.412 780.669.761.787 648.016.880.325 591.063.928.037 982.882.686.217 714.647.740.684 14.915.849.800.251
- 0,0418 - 0,0369 - 0,0125 - 0,0216 - 0,2119 - 0,1148 - 0,1711 - 0,1382 0,1726
- 0,2808 - 0,2480 - 0,0840 - 0,1450 - 1,4239 - 0,7712 - 1,1495 - 0,9285 1,1596
289.321.381.716 24.649.450.828 228.005.098.486 412.742.622.543 300.499.756.873 235.171.201.739 589.856.359.467 440.334.294.044 7.354.346.366.072
403.747.604.778 407.671.137.398 409.140.402.432 252.247.858.307 240.203.560.883 254.266.866.831 295.518.213.807 225.904.727.379 4.473.628.322.956
44.573.271.203 44.086.334.753 66.925.117.494 115.679.280.937 107.313.562.569 101.625.859.467 97.505.112.943 48.408.719.261 3.087.875.111.223
448.320.875.981 451.757.472.151 476.065.519.926 367.927.139.244 347.517.123.452 355.892.726.298 393.023.326.750 274.313.446.640 7.561.503.434.179
0,6453 0,0546 0,4789 1,1218 0,8647 0,6608 1,5008 1,6052 0,9726
0,6776 0,0573 0,5029 1,1779 0,9079 0,6938 1,5759 1,6855 1,0212
2,0184 1,4759 2,2582 3,6513 1,1490 1,1227 0,6156 1,4685 6,3727
 MYOR UNVR
2018 2019 2020 2021 2017 2018 2019 2020 2021 2017
12.647.858.727.872 12.776.102.781.513 12.838.729.162.094 12.969.783.874.643 7.941.635 8.325.029 8.530.334 8.828.360 7.642.208 1.526.964
4.764.510.387.113 3.714.359.539.201 3.475.323.711.943 5.570.773.468.770 12.532.304 11.134.786 13.065.308 13.357.536 12.445.152 1.014.745
7.883.348.340.759 9.061.743.242.312 9.363.405.450.151 7.399.010.405.873 - 4.590.669 - 2.809.757 - 4.534.974 - 4.529.176 - 4.802.944 512.219
17.591.706.426.634 19.037.918.806.473 19.777.500.514.550 19.917.653.265.528 18.906.413 19.522.970 20.649.371 20.534.632 19.068.532 6.403.543
0,4481 0,4760 0,4734 0,3715 - 0,2428 - 0,1439 - 0,2196 - 0,2206 - 0,2519 0,0800
2,9397 3,1225 3,1057 2,4369 - 1,5928 - 0,9441 - 1,4407 - 1,4469 - 1,6523 0,5247
7.857.855.271.848 9.185.875.521.684 10.524.377.924.687 10.634.916.958.291 4.985.828 7.390.573 5.094.302 20.534.632 4.133.709 151.857
17.591.706.426.634 19.037.918.806.473 19.777.500.514.550 19.917.653.265.528 18.906.413 19.522.970 20.649.371 20.534.632 19.068.532 6.403.543
0,4467 0,4825 0,5321 0,5339 0,2637 0,3786 0,2467 1,0000 0,2168 0,0237
1,4562 1,5730 1,7348 1,7407 0,8597 1,2341 0,8043 3,2600 0,7067 0,0773
2.381.942.198.855 2.704.466.581.011 2.683.890.279.936 1.549.648.556.686 9.371.661 12.185.764 9.901.772 9.206.869 7.496.592 133.820
492.638.756.739 355.074.879.758 353.822.336.007 320.535.214.840 6.785 108.642 230.230 248.790 184.876 286.044
2.874.580.955.594 3.059.541.460.769 3.037.712.615.943 1.870.183.771.526 9.378.446 12.294.406 10.132.002 9.455.659 7.681.468 419.864
17.591.706.426.634 19.037.918.806.473 19.777.500.514.550 19.917.653.265.528 18.906.413 19.522.970 20.649.371 20.534.632 19.068.532 6.403.543
0,1634 0,1607 0,1536 0,0939 0,4960 0,6297 0,4907 0,4605 0,4028 0,0656
1,0981 1,0800 1,0322 0,6310 3,3334 4,2319 3,2973 3,0944 2,7070 0,4406
8.542.544.481.694 9.911.940.195.318 11.271.468.049.958 11.360.031.396.135 5.173.388 7.578.133 5.281.862 4.937.368 4.321.269 3.358.010
4.764.510.387.113 3.714.359.539.201 3.475.323.711.943 5.570.773.468.770 12.532.304 11.134.786 13.065.308 13.357.536 12.445.152 1.014.745
4.284.651.557.827 5.411.619.071.954 5.030.708.752.649 5.030.708.752.649 855.756 412.004 2.302.201 2.239.728 2.302.111 1.956.860
9.049.161.944.940 9.125.978.611.155 8.506.032.464.592 10.601.482.221.419 13.388.060 11.546.790 15.367.509 15.597.264 14.747.263 2.971.605
0,9440 1,0861 1,3251 1,0716 0,3864 0,6563 0,3437 0,3166 0,2930 1,1300
0,9912 1,1404 1,3914 1,1251 0,4057 0,6891 0,3609 0,3324 0,3077 1,1865
6,4852 6,9158 7,2640 5,9337 3,0060 5,2109 3,0217 5,2399 2,0691 2,2292
 AGII ALDO
2018 2019 2020 2021 2017 2018 2019 2020 2021 2017
1.585.943 1.696.015 1.629.893 2.044.419 348.662.337.262 373.344.346.111 527.212.418.930 536.525.873.066 710.233.784.991 727.240.100.955
1.297.840 1.938.711 1.615.068 1.979.987 242.051.192.180 231.453.796.427 291.076.212.712 303.886.581.958 387.942.345.634 760.156.840.021
288.103 - 242.696 14.825 64.432 106.611.145.082 141.890.549.684 236.136.206.218 232.639.291.108 322.291.439.357 - 32.916.739.066
6.647.755 7.020.980 7.121.458 8.164.599 498.701.656.995 526.129.315.163 925.114.449.507 953.551.967.212 1.210.809.442.028 946.448.936.464
0,0433 - 0,0346 0,0021 0,0079 0,2138 0,2697 0,2553 0,2440 0,2662 - 0,0348
0,2843 - 0,2268 0,0137 0,0518 1,4024 1,7692 1,6744 1,6005 1,7461 - 0,2282
251.589 327.593 419.005 608.600 80.460.374.600 103.829.398.597 158.550.637.496 207.810.543.742 276.900.978.702 66.142.721.394
6.647.755 7.020.980 7.121.458 8.164.599 498.701.656.995 526.129.315.163 925.114.449.507 953.551.967.212 1.210.809.442.028 946.448.936.464
0,0378 0,0467 0,0588 0,0745 0,1613 0,1973 0,1714 0,2179 0,2287 0,0699
0,1234 0,1521 0,1918 0,2430 0,5260 0,6433 0,5587 0,7105 0,7455 0,2278
147.639 138.137 96.179 275.898 38.621.790.950 57.208.486.144 121.937.309.241 83.963.236.519 129.768.148.235 - 28.628.554.806
295.098 332.058 355.724 9.420.721.207 11.380.269.019 21.611.314.605 16.276.022.165 12.759.329.124 26.782.998.764
442.737 470.195 451.903 275.898 48.042.512.157 68.588.755.163 143.548.623.846 100.239.258.684 142.527.477.359 - 1.845.556.042
6.647.755 7.020.980 7.121.458 8.164.599 498.701.656.995 526.129.315.163 925.114.449.507 953.551.967.212 1.210.809.442.028 946.448.936.464
0,0666 0,0670 0,0635 0,0338 0,0963 0,1304 0,1552 0,1051 0,1177 - 0,0019
0,4475 0,4500 0,4264 0,2271 0,6474 0,8761 1,0427 0,7064 0,7910 - 0,0131
3.147.792 3.299.564 3.382.141 3.582.925 229.422.823.176 271.590.217.470 533.406.306.270 590.123.647.820 703.402.561.482 172.016.210.273
1.297.840 1.938.711 1.615.068 1.979.987 242.051.192.180 231.453.796.427 291.076.212.712 303.886.581.958 387.942.345.634 760.156.840.021
2.202.123 1.782.705 2.124.249 2.601.687 27.227.641.639 23.085.301.266 100.631.930.525 59.541.737.434 119.464.534.912 14.275.886.170
3.499.963 3.721.416 3.739.317 4.581.674 269.278.833.819 254.539.097.693 391.708.143.237 363.428.319.392 507.406.880.546 774.432.726.191
0,8994 0,8866 0,9045 0,7820 0,8520 1,0670 1,3617 1,6238 1,3863 0,2221
0,9443 0,9310 0,9497 0,8211 0,8946 1,1203 1,4298 1,7050 1,4556 0,2332
1,7996 1,3064 1,5816 1,3430 3,4703 4,4089 4,7057 4,7223 4,7383 0,2198
 BAJA BRNA
2018 2019 2020 2021 2017 2018 2019 2020 2021
692.169.207.950 636.445.607.431 562.587.933.413 543.722.430.669 718.757.530 811.798.388 665.275.229 494.691.709 405.198.035
811.365.493.384 748.332.823.419 619.717.175.037 211.939.279.423 654.032.840 825.079.803 840.292.748 742.677.853 653.818.710
- 119.196.285.434 - 111.887.215.988 - 57.129.241.624 331.783.151.246 64.724.690 - 13.281.415 - 175.017.519 - 247.986.144 - 248.620.675
901.181.796.270 836.870.774.001 760.425.479.634 726.173.017.525 1.964.877.082 2.461.326.183 2.263.112.918 1.965.718.547 2.020.640.257
- 0,1323 - 0,1337 - 0,0751 0,4569 0,0329 - 0,0054 - 0,0773 - 0,1262 - 0,1230
- 0,8677 - 0,8771 - 0,4928 2,9972 0,2161 - 0,0354 - 0,5073 - 0,8276 - 0,8071
161.637.583.054 163.971.737.951 110.319.843.181 24.074.580.018 86.645.525 98.179.198 14.810.645 145.333.991 269.229.532
901.181.796.270 836.870.774.001 760.425.479.634 726.173.017.525 1.964.877.082 2.461.326.183 2.263.112.918 1.965.718.547 2.020.640.257
0,1794 0,1959 0,1451 0,0332 0,0441 0,0399 0,0065 0,0739 0,1332
0,5847 0,6387 0,4729 0,1081 0,1438 0,1300 0,0213 0,2410 0,4344
90.434.239.905 5.026.701.131 48.827.525.559 130.605.249.884 - 224.189.380 - 21.224.294 - 163.083.992 187.053.341 216.722.795
30.499.688.935 26.797.517.030 22.838.297.166 15.783.194.069 77.812.790 88.859.686 95.426.650 95.818.580 85.837.237
120.933.928.840 31.824.218.161 71.665.822.725 146.388.443.953 - 146.376.590 67.635.392 - 67.657.342 282.871.921 302.560.032
901.181.796.270 836.870.774.001 760.425.479.634 726.173.017.525 1.964.877.082 2.461.326.183 2.263.112.918 1.965.718.547 2.020.640.257
0,1342 0,0380 0,0942 0,2016 - 0,0745 0,0275 - 0,0299 0,1439 0,1497
0,9018 0,2555 0,6333 1,3547 - 0,5006 0,1847 - 0,2009 0,9670 1,0062
76.521.348.613 74.187.193.716 127.839.088.486 214.084.351.649 853.029.437 1.123.271.562 953.780.791 766.723.518 851.035.084
811.365.493.384 748.332.823.419 619.717.175.037 211.939.279.423 654.032.840 825.079.803 840.292.748 742.677.853 653.818.710
13.294.954.273 14.350.756.866 12.869.216.111 300.149.386.453 457.814.805 512.974.818 469.039.379 456.317.176 515.786.463
824.660.447.657 762.683.580.285 632.586.391.148 512.088.665.876 1.111.847.645 1.338.054.621 1.309.332.127 1.198.995.029 1.169.605.173
0,0928 0,0973 0,2021 0,4181 0,7672 0,8395 0,7284 0,6395 0,7276
0,0974 0,1021 0,2122 0,4390 0,8056 0,8815 0,7649 0,6714 0,7640
0,7163 0,1194 0,8256 4,8989 0,6648 1,1608 0,0780 1,0519 1,3974
 BTON CPIN
2017 2018 2019 2020 2021 2017 2018 2019 2020 2021 2017
138.161.399.969 176.074.193.688 189.163.251.018 194.827.419.339 233.819.274.627 11.730.468 14.097.959 12.995.504 13.531.817 15.715.060 2.313.279
25.235.541.036 30.419.618.514 41.766.036.803 41.344.686.413 67.363.136.940 5.059.551 4.732.868 5.120.390 5.356.453 7.836.101 8.254.627
112.925.858.933 145.654.575.174 147.397.214.215 153.482.732.926 166.456.137.687 6.670.917 9.365.091 7.875.114 8.175.364 7.878.959 - 5.941.348
183.501.650.442 217.362.960.011 230.561.123.774 234.905.016.318 270.669.540.064 24.532.331 27.645.118 29.109.408 31.159.291 35.446.051 7.008.719
0,6154 0,6701 0,6393 0,6534 0,6150 0,2719 0,3388 0,2705 0,2624 0,2223 - 0,8477
4,0370 4,3958 4,1938 4,2862 4,0343 1,7838 2,2223 1,7747 1,7212 1,4582 - 5,5610
136.652.926.565 164.465.638.726 165.833.250.855 170.319.334.794 179.955.293.292 15.520.066 19.203.849 20.711.036 23.161.160 24.963.417 8.136.777
183.501.650.442 217.362.960.011 230.561.123.774 234.905.016.318 270.669.540.064 24.532.331 27.645.118 29.109.408 31.159.291 35.446.051 7.008.719
0,7447 0,7566 0,7193 0,7251 0,6649 0,6326 0,6947 0,7115 0,7433 0,7043 1,1610
2,4277 2,4666 2,3448 2,3637 2,1674 2,0624 2,2646 2,3195 2,4232 2,2959 3,7847
14.737.057.056 34.236.874.970 2.890.115.839 4.697.219.006 12.564.074.567 3.259.822 5.907.351 4.608.641 4.767.698 4.633.546 2.499.913
496.087 513.239 443.233 661.879.438 496.087 513.239 447.885 443.233 328.551 385.315
14.737.553.143 34.237.388.209 2.890.559.072 4.697.219.006 13.225.954.005 3.755.909 6.420.590 5.056.526 5.210.931 4.962.097 2.885.228
183.501.650.442 217.362.960.011 230.561.123.774 234.905.016.318 270.669.540.064 24.532.331 27.645.118 29.109.408 31.159.291 35.446.051 7.008.719
0,0803 0,1575 0,0125 0,0200 0,0489 0,1531 0,2323 0,1737 0,1672 0,1400 0,4117
0,5397 1,0585 0,0842 0,1344 0,3284 1,0288 1,5607 1,1673 1,1238 0,9407 2,7664
154.638.932.325 183.155.228.930 184.234.096.343 188.706.429.061 197.765.605.633 15.710.129 19.391.174 20.895.858 23.349.683 25.149.999 - 1.778.878
25.235.541.036 30.419.618.514 41.766.036.803 41.344.686.413 67.363.136.940 5.059.551 4.732.868 5.120.390 5.356.453 7.836.101 8.254.627
3.627.177.081 3.788.112.567 4.560.990.628 4.853.900.844 5.540.797.491 3.762.651 3.521.076 3.093.160 2.453.155 2.459.951 532.970
28.862.718.117 34.207.731.081 46.327.027.431 46.198.587.257 72.903.934.431 8.822.202 8.253.944 8.213.550 7.809.608 10.296.052 8.787.597
0,1866 0,1868 0,2515 0,2448 2,7127 1,7807 2,3493 2,5441 2,9899 2,4427 - 0,2024
0,1960 0,1961 0,2640 0,2571 2,8483 1,8698 2,4668 2,6713 3,1394 2,5648 - 0,2126
7,2004 8,1171 6,8869 7,0413 9,3784 6,7448 8,5144 7,9328 8,4076 7,2596 0,7776
 CPRO DPNS
2018 2019 2020 2021 2017 2018 2019 2020 2021 2017
1.959.723 1.574.516 1.702.148 1.818.753 181.198.774.207 192.296.998.181 185.274.219.728 184.653.012.538 225.928.824.403 413.617.087.456
3.192.796 5.077.465 5.085.064 2.055.151 18.832.789.797 24.857.084.132 8.536.205.993 885.861.221 23.888.996.571 91.524.721.725
- 1.233.073 - 3.502.949 - 3.382.916 - 236.398 162.365.984.410 167.439.914.049 176.738.013.735 183.767.151.317 202.039.827.832 322.092.365.731
6.572.440 6.000.259 6.326.293 6.448.014 308.491.173.960 322.185.012.261 318.141.387.900 317.310.718.779 362.242.571.405 796.767.646.172
- 0,1876 - 0,5838 - 0,5347 - 0,0367 0,5263 0,5197 0,5555 0,5791 0,5577 0,4042
- 1,2307 - 3,8297 - 3,5079 - 0,2405 3,4527 3,4092 3,6443 3,7992 3,6588 2,6519
6.376.830 6.735.373 6.366.727 4.142.714 377.524.814.558 238.837.142.917 150.811.529.729 153.283.318.427 174.079.171.724 378.699.075.653
6.572.440 6.000.259 6.326.293 6.448.014 308.491.173.960 322.185.012.261 318.141.387.900 317.310.718.779 362.242.571.405 796.767.646.172
0,9702 1,1225 1,0064 0,6425 1,2238 0,7413 0,4740 0,4831 0,4806 0,4753
3,1630 3,6594 3,2808 2,0945 3,9895 2,4167 1,5454 1,5748 1,5666 1,5495
1.831.870 350.149 195.391 2.286.758 7.568.252.565 12.347.569.714 5.302.563.264 4.461.029.495 28.186.888.107 102.649.309.681
390.072 392.474 397.827 247.407 347.155.120 600.175.340 726.084.740 1.979.979.070
2.221.942 742.623 593.218 2.534.165 7.568.252.565 12.347.569.714 5.649.718.384 5.061.204.835 28.912.972.847 104.629.288.751
6.572.440 6.000.259 6.326.293 6.448.014 308.491.173.960 322.185.012.261 318.141.387.900 317.310.718.779 362.242.571.405 796.767.646.172
0,3381 0,1238 0,0938 0,3930 0,0245 0,0383 0,0178 0,0160 0,0798 0,1313
2,2718 0,8317 0,6301 2,6411 0,1649 0,2575 0,1193 0,1072 0,5364 0,8825
674.343 329.492 707.584 2.861.207 267.835.387.367 277.708.599.001 282.101.635.876 284.823.663.685 307.956.854.988 662.817.725.465
3.192.796 5.077.465 5.085.064 2.055.151 18.832.789.797 24.857.084.132 8.536.205.993 885.861.221 23.888.996.571 91.524.721.725
2.705.301 593.302 533.645 1.531.656 21.822.996.796 19.619.329.128 27.503.546.031 31.601.193.873 30.396.719.846 42.425.198.982
5.898.097 5.670.767 5.618.709 3.586.807 40.655.786.593 44.476.413.260 36.039.752.024 32.487.055.094 54.285.716.417 133.949.920.707
0,1143 0,0581 0,1259 0,7977 0,1518 0,1602 0,1278 0,1141 0,1763 0,2021
0,1200 0,0610 0,1322 0,8376 0,1594 0,1682 0,1341 0,1198 0,1851 0,2122
4,3241 0,7224 0,5353 5,3326 7,7664 6,2516 5,4431 5,6009 5,9469 5,2960
 EKAD IGAR
2018 2019 2020 2021 2017 2018 2019 2020 2021
461.472.621.715 486.522.278.448 552.493.858.098 643.773.422.158 396.252.892.753 396.252.892.753 446.573.796.440 509.735.319.690 664.451.418.649
91.381.683.504 70.337.529.585 68.166.758.308 82.981.081.779 60.941.267.200 72.223.978.098 57.853.674.597 48.639.860.188 91.677.487.054
370.090.938.211 416.184.748.863 484.327.099.790 560.792.340.379 335.311.625.553 324.028.914.655 388.720.121.843 461.095.459.502 572.773.931.595
853.267.454.400 968.234.349.565 1.081.979.820.386 1.165.564.745.263 513.022.591.574 570.197.810.698 617.594.780.669 665.863.417.235 809.371.584.010
0,4337 0,4298 0,4476 0,4811 0,6536 0,5683 0,6294 0,6925 0,7077
2,8453 2,8197 2,9365 3,1562 4,2876 3,7279 4,1289 4,5427 4,6424
443.309.716.309 500.231.376.509 571.664.170.983 646.926.708.288 233.982.611.198 263.379.661.035 301.788.834.053 339.422.046.889 407.778.240.194
853.267.454.400 968.234.349.565 1.081.979.820.386 1.165.564.745.263 513.022.591.574 570.197.810.698 617.594.780.669 665.863.417.235 809.371.584.010
0,5195 0,5166 0,5284 0,5550 0,4561 0,4619 0,4887 0,5097 0,5038
1,6937 1,6843 1,7224 1,8094 1,4868 1,5058 1,5930 1,6618 1,6425
101.455.415.901 111.834.501.956 123.522.654.770 137.720.156.180 95.764.791.063 61.747.960.127 83.534.447.014 83.166.786.329 135.948.996.651
1.104.454.880 1.580.092.320 1.743.708.910 1.816.242.210 1.412.395.662 1.085.304.026 1.020.381.203 255.230.277
102.559.870.781 113.414.594.276 125.266.363.680 139.536.398.390 95.764.791.063 63.160.355.789 84.619.751.040 84.187.167.532 136.204.226.928
853.267.454.400 968.234.349.565 1.081.979.820.386 1.165.564.745.263 513.022.591.574 570.197.810.698 617.594.780.669 665.863.417.235 809.371.584.010
0,1202 0,1171 0,1158 0,1197 0,1867 0,1108 0,1370 0,1264 0,1683
0,8077 0,7872 0,7780 0,8045 1,2544 0,7444 0,9207 0,8496 1,1309
724.582.501.247 852.543.550.822 952.362.557.662 1.030.399.446.064 441.946.749.143 482.914.243.337 536.925.371.505 593.582.375.012 691.468.538.398
91.381.683.504 70.337.529.585 68.166.758.308 82.981.081.779 60.941.267.200 72.223.978.098 57.853.674.597 48.639.860.188 91.677.487.054
37.303.269.649 45.353.269.158 61.450.504.416 52.184.217.420 10.134.575.231 15.059.589.263 22.815.734.567 23.641.182.035 26.225.558.558
128.684.953.153 115.690.798.743 129.617.262.724 135.165.299.199 71.075.842.431 87.283.567.361 80.669.409.164 72.281.042.223 117.903.045.612
0,1776 0,1357 0,1361 0,1312 0,1608 0,1807 0,1502 0,1218 0,1705
0,1865 0,1425 0,1429 0,1377 0,1689 0,1898 0,1578 0,1279 0,1790
5,5332 5,4336 5,5798 5,9079 7,1977 6,1679 6,8004 7,1819 7,5947
 INAI ISSP
2017 2018 2019 2020 2021 2017 2018 2019 2020 2021
860.749.259.575 1.053.375.131.067 883.710.927.664 1.096.189.237.368 1.108.631.451.996 3.431.703 3.640.720 3.547.289 3.113.612 4.422.689
867.251.288.494 1.029.377.481.187 819.488.911.354 985.505.542.124 1.086.320.642.719 2.279.714 2.579.383 2.542.901 2.162.323 2.761.503
- 6.502.028.919 23.997.649.880 64.222.016.310 110.683.695.244 22.310.809.277 1.151.989 1.061.337 1.004.388 951.289 1.661.186
1.213.916.545.120 1.400.683.598.096 1.212.894.403.676 1.395.969.637.457 1.543.478.061.330 6.269.365 6.494.070 6.424.507 6.076.604 7.097.322
- 0,0054 0,0171 0,0529 0,0793 0,0145 0,1837 0,1634 0,1563 0,1565 0,2341
- 0,0351 0,1124 0,3473 0,5201 0,0948 1,2054 1,0721 1,0256 1,0270 1,5354
71.962.834.969 98.442.095.466 113.826.569.832 91.626.445.763 32.725.079.210 639.763 688.486 874.181 1.050.006 1.483.676
1.213.916.545.120 1.400.683.598.096 1.212.894.403.676 1.395.969.637.457 1.543.478.061.330 6.269.365 6.494.070 6.424.507 6.076.604 7.097.322
0,0593 0,0703 0,0938 0,0656 0,0212 0,1020 0,1060 0,1361 0,1728 0,2090
0,1933 0,2291 0,3059 0,2140 0,0691 0,3327 0,3456 0,4436 0,5633 0,6815
52.292.073.203 64.757.097.094 48.116.436.880 26.221.826.142 32.725.079.210 20.430 59.640 233.293 155.068 659.402
34.814.141.308 35.984.734.015 37.962.767.734 42.751.895.696 56.075.390.254 269.760 257.413 261.675 205.664 174.578
87.106.214.511 100.741.831.109 86.079.204.614 68.973.721.838 88.800.469.464 290.190 317.053 494.968 360.732 833.980
1.213.916.545.120 1.400.683.598.096 1.212.894.403.676 1.395.969.637.457 1.543.478.061.330 6.269.365 6.494.070 6.424.507 6.076.604 7.097.322
0,0718 0,0719 0,0710 0,0494 0,0575 0,0463 0,0488 0,0770 0,0594 0,1175
0,4822 0,4833 0,4769 0,3320 0,3866 0,3110 0,3281 0,5177 0,3989 0,7896
277.404.670.750 303.883.931.247 319.268.405.613 321.404.082.596 386.643.502.594 2.840.941 2.915.416 3.098.666 3.335.340 3.787.113
867.251.288.494 1.029.377.481.187 819.488.911.354 985.505.542.124 1.086.320.642.719 2.279.714 2.579.383 2.542.901 2.162.323 2.761.503
69.260.585.876 67.422.185.662 74.137.086.709 89.060.012.737 70.513.916.017 1.148.710 999.271 782.940 578.941 548.706
936.511.874.370 1.096.799.666.849 893.625.998.063 1.074.565.554.861 1.156.834.558.736 3.428.424 3.578.654 3.325.841 2.741.264 3.310.209
0,2962 0,2771 0,3573 0,2991 0,3342 0,8286 0,8147 0,9317 1,2167 1,1441
0,3110 0,2909 0,3751 0,3141 0,3509 0,8701 0,8554 0,9783 1,2776 1,2013
0,9513 1,1158 1,5053 1,3802 0,9015 2,7192 2,6012 2,9652 3,2668 4,2078
 JPFA LION
2017 2018 2019 2020 2021 2017 2018 2019 2020 2021
11.189.325 13.334.804 12.873.148 11.745.138 14.161.153 503.156.333.673 516.186.639.128 503.134.003.908 465.603.517.298 473.632.576.449
4.769.640 7.689.521 7.741.958 6.007.679 7.064.166 153.806.819.548 146.900.045.005 96.795.209.943 75.454.398.417 145.920.423.985
6.419.685 5.645.283 5.131.190 5.737.459 7.096.987 349.349.514.125 369.286.594.123 406.338.793.965 390.149.118.881 327.712.152.464
19.959.548 24.827.355 26.650.895 25.951.760 28.589.656 681.937.947.736 696.192.628.101 688.017.892.312 647.829.858.922 692.582.711.193
0,3216 0,2274 0,1925 0,2211 0,2482 0,5123 0,5304 0,5906 0,6022 0,4732
2,1099 1,4916 1,2630 1,4503 1,6284 3,3606 3,4797 3,8743 3,9507 3,1040
4.701.979 5.861.050 6.975.985 7.459.437 9.097.884 388.668.457.796 411.431.931.854 404.860.999.509 379.252.821.525 381.454.971.274
19.959.548 24.827.355 26.650.895 25.951.760 28.589.656 681.937.947.736 696.192.628.101 688.017.892.312 647.829.858.922 692.582.711.193
0,2356 0,2361 0,2618 0,2874 0,3182 0,5699 0,5910 0,5884 0,5854 0,5508
0,7680 0,7696 0,8533 0,9370 1,0374 1,8580 1,9266 1,9183 1,9085 1,7955
1.710.054 2.918.114 2.494.477 1.679.091 2.793.847 20.175.438.794 23.908.625.171 5.763.388.287 - 7.110.199.333 - 3.693.250.636
471.772 561.117 752.155 799.928 600.980 2.040.451.387 2.003.749.999 2.169.756.944 2.259.394.908 1.510.473.718
2.181.826 3.479.231 3.246.632 2.479.019 3.394.827 22.215.890.181 25.912.375.170 7.933.145.231 - 4.850.804.425 - 2.182.776.918
19.959.548 24.827.355 26.650.895 25.951.760 28.589.656 681.937.947.736 696.192.628.101 688.017.892.312 647.829.858.922 692.582.711.193
0,1093 0,1401 0,1218 0,0955 0,1187 0,0326 0,0372 0,0115 - 0,0075 - 0,0032
0,7346 0,9417 0,8186 0,6419 0,7980 0,2189 0,2501 0,0775 - 0,0503 - 0,0212
8.662.040 10.765.677 11.896.814 11.411.970 13.102.710 452.307.088.017 475.170.562.075 468.699.629.730 443.141.451.746 445.343.601.495
4.769.640 7.689.521 7.741.958 6.007.679 7.064.166 153.806.819.548 146.900.045.005 688.017.892.312 647.829.858.922 145.920.423.985
6.527.868 6.372.157 7.012.123 8.532.111 8.422.780 75.824.040.171 74.122.021.021 122.523.052.639 129.234.008.759 247.239.109.698
11.297.508 14.061.678 14.754.081 14.539.790 15.486.946 229.630.859.719 221.022.066.026 810.540.944.951 777.063.867.681 393.159.533.683
0,7667 0,7656 0,8063 0,7849 0,8460 1,9697 2,1499 0,5783 0,5703 1,1327
0,8051 0,8039 0,8467 0,8241 0,8884 2,0682 2,2574 0,6072 0,5988 1,1894
4,4175 4,0068 3,7816 3,8534 4,3521 7,5058 7,9137 6,4773 6,4076 6,0677
 TRST PBID
2017 2018 2019 2020 2021 2017 2018 2019 2020
1.189.727.024.906 1.494.150.559.018 1.394.497.849.782 1.337.085.097.940 1.814.243.649.259 1.177.435.699 1.689.893.416 1.550.097.999 1.486.968.395
968.421.072.104 1.314.074.889.815 1.300.374.327.083 1.163.590.483.941 1.547.234.666.976 442.229.374 708.309.176 594.735.136 390.799.927
221.305.952.802 180.075.669.203 94.123.522.699 173.494.613.999 267.008.982.283 735.206.325 981.584.240 955.362.863 1.096.168.468
3.332.905.936.010 4.284.901.587.126 4.349.022.887.699 4.223.302.387.771 4.628.831.951.931 1.818.904.603 2.295.734.967 2.338.919.728 2.421.301.079
0,0664 0,0420 0,0216 0,0411 0,0577 0,4042 0,4276 0,4085 0,4527
0,4356 0,2757 0,1420 0,2695 0,3784 2,6516 2,8049 2,6795 2,9698
999.422.236.810 1.062.851.855.794 1.093.762.390.813 1.148.366.143.866 1.290.685.711.673 386.675.815 645.818.828 779.077.462 1.044.779.102
3.332.905.936.010 4.284.901.587.126 4.349.022.887.699 4.223.302.387.771 4.628.831.951.931 1.818.904.603 2.295.734.967 2.338.919.728 2.421.301.079
0,2999 0,2480 0,2515 0,2719 0,2788 0,2126 0,2813 0,3331 0,4315
0,9776 0,8086 0,8199 0,8864 0,9090 0,6930 0,9171 1,0859 1,4067
12.513.681.277 36.216.675.439 17.514.074.859 46.317.333.298 218.345.343.985 302.782.707 385.012.265 297.821.465 489.217.622
439.820.570 41.725.913.348 48.925.041.492 45.946.088.409 46.388.108.684 324.585.495 389.049.923 308.769.926 488.542.357
12.953.501.847 77.942.588.787 66.439.116.351 92.263.421.707 264.733.452.669 627.368.202 774.062.188 606.591.391 977.759.979
3.332.905.936.010 4.284.901.587.126 4.349.022.887.699 4.223.302.387.771 4.628.831.951.931 1.818.904.603 2.295.734.967 2.338.919.728 2.421.301.079
0,0039 0,0182 0,0153 0,0218 0,0572 0,3449 0,3372 0,2593 0,4038
0,0261 0,1222 0,1027 0,1468 0,3843 2,3178 2,2658 1,7428 2,7136
1.975.569.497.486 2.237.384.616.122 2.174.460.936.275 2.266.810.434.281 2.462.688.053.534 1.319.914.424 1.544.137.386 1.668.225.498 1.928.809.281
968.421.072.104 1.314.074.889.815 1.300.374.327.083 1.163.590.483.941 1.547.234.666.976 442.229.374 708.309.176 594.735.136 390.799.927
388.915.366.420 733.442.081.189 874.187.624.341 792.901.469.549 618.909.231.421 56.760.805 43.288.405 75.959.094 101.691.871
1.357.336.438.524 2.047.516.971.004 2.174.561.951.424 1.956.491.953.490 2.166.143.898.397 498.990.179 751.597.581 670.694.230 492.491.798
1,4555 1,0927 1,0000 1,1586 1,1369 0,3780 0,4867 0,4020 0,2553
1,5282 1,1474 1,0500 1,2165 1,1937 0,3969 0,5111 0,4221 0,2681
2,9675 2,3539 2,1145 2,5193 2,8655 6,0594 6,4988 5,9304 7,3583
 PICO SMGR
2021 2017 2018 2019 2020 2021 2017 2018 2019
1.613.132.890 487.491.234.444 508.708.851.191 497.758.020.429 453.825.685.262 443.050.554.108 13.801.818.533 16.007.685.627 16.658.531
427.148.628 323.802.228.719 411.184.672.224 713.976.150.439 753.517.686.681 785.092.247.247 8.803.577.054 8.202.837.599 12.240.252
1.185.984.262 163.689.005.725 97.524.178.967 - 216.218.130.010 - 299.692.001.419 - 342.041.693.139 4.998.241.479 7.804.848.028 4.418.279
2.801.186.958 723.062.823.329 852.932.442.585 1.128.475.286.643 1.092.811.641.343 1.073.888.124.689 19.022.617.574 18.419.594.705 79.807.067
0,4234 0,2264 0,1143 - 0,1916 - 0,2742 - 0,3185 0,2628 0,4237 0,0554
2,7774 1,4851 0,7501 - 1,2569 - 1,7990 - 2,0894 1,7237 2,7796 0,3632
1.274.529.883 146.434.636.048 162.946.927.628 165.025.210.401 99.892.514.484 52.865.514.206 26.087.003.278 28.360.440.327 29.520.945
2.801.186.958 723.062.823.329 852.932.442.585 1.128.475.286.643 1.092.811.641.343 1.073.888.124.689 19.022.617.574 18.419.594.705 79.807.067
0,4550 0,2025 0,1910 0,1462 0,0914 0,0492 1,3714 1,5397 0,3699
1,4833 0,6602 0,6228 0,4767 0,2980 0,1605 4,4707 5,0194 1,2059
525.914.220 22.614.674.874 17.802.088.413 9.512.852.655 64.269.139.438 - 52.076.301.857 2.253.893.318 4.104.959.323 3.195.775
523.918.890 47.194.772.369 51.609.655.384 4.313.903.022 3.116.684.800 18.675.588.918 61.921.414 930.677.056 3.179.581
1.049.833.110 69.809.447.243 69.411.743.797 13.826.755.677 67.385.824.238 - 33.400.712.939 2.315.814.732 5.035.636.379 6.375.356
2.801.186.958 723.062.823.329 852.932.442.585 1.128.475.286.643 1.092.811.641.343 1.073.888.124.689 19.022.617.574 18.419.594.705 79.807.067
0,3748 0,0965 0,0814 0,0123 0,0617 - 0,0311 0,1217 0,2734 0,0799
2,5185 0,6488 0,5469 0,0823 0,4144 - 0,2090 0,8181 1,8371 0,5368
2.277.078.807 283.048.886.048 299.561.177.628 301.639.460.401 236.506.764.484 189.479.764.206 30.046.032.639 32.736.295.522 33.891.924
427.148.628 323.802.228.719 411.184.672.224 713.976.150.439 753.517.686.681 785.092.247.247 8.803.577.054 8.202.837.599 12.240.252
96.959.523 116.211.708.563 142.186.592.732 112.859.675.802 102.787.190.178 99.316.113.236 10.219.040.520 10.216.757.106 31.674.891
524.108.151 440.013.937.282 553.371.264.956 826.835.826.241 856.304.876.859 884.408.360.483 19.022.617.574 18.419.594.705 43.915.143
0,2302 0,6433 0,5413 0,3648 0,2762 0,2142 0,6331 0,5627 0,7718
0,2417 0,6754 0,5684 0,3831 0,2900 0,2250 0,6648 0,5908 0,8103
7,0209 3,4695 2,4882 -0,3148 -0,7966 -1,9130 7,6772 10,2270 2,9162
 SPMA SRSN
2020 2021 2017 2018 2019 2020 2021 2017 2018 2019
15.564.604 15.270.235 750.237.084.349 887.986.684.146 916.211.954.071 645.476.167.999 1.004.400.966.183 422.532.126 448.247.260 537.425.364
11.506.163 14.210.166 733.771.730.418 236.077.148.880 565.569.011.340 372.561.061.935 450.774.754.651 198.217.020 182.749.220 217.673.718
4.058.441 1.060.069 16.465.353.931 651.909.535.266 350.642.942.731 272.915.106.064 553.626.211.532 224.315.106 265.498.040 319.751.646
78.006.244 76.504.240 2.175.660.855.114 2.282.845.632.924 2.372.130.750.775 2.316.065.006.133 2.746.153.295.147 652.726.454 686.777.211 779.246.858
0,0520 0,0139 0,0076 0,2856 0,1478 0,1178 0,2016 0,3437 0,3866 0,4103
0,3413 0,0909 0,0496 1,8733 0,9697 0,7730 1,3225 2,2544 2,5360 2,6918
31.786.487 32.690.749 319.004.245.619 400.016.840.668 521.132.145.606 673.100.230.747 517.634.146.869 34.171.986 80.211.661 117.024.208
78.006.244 76.504.240 2.175.660.855.114 2.282.845.632.924 2.372.130.750.775 2.316.065.006.133 2.746.153.295.147 652.726.454 686.777.211 779.246.858
0,4075 0,4273 0,1466 0,1752 0,2197 0,2906 0,1885 0,0524 0,1168 0,1502
1,3284 1,3930 0,4780 0,5712 0,7162 0,9474 0,6145 0,1707 0,3807 0,4896
3.488.650 3.470.137 121.308.934.629 109.673.317.782 176.640.361.124 195.503.438.222 377.509.626.634 18.969.208 50.845.763 57.029.659
2.287.387 1.578.692 55.860.722.659 54.495.878.339 48.588.991.364 38.341.710.293 33.097.538.139 22.383.842 14.069.972 13.705.410
5.776.037 5.048.829 177.169.657.288 164.169.196.121 225.229.352.488 233.845.148.515 410.607.164.773 41.353.050 64.915.735 70.735.069
78.006.244 76.504.240 2.175.660.855.114 2.282.845.632.924 2.372.130.750.775 2.316.065.006.133 2.746.153.295.147 652.726.454 686.777.211 779.246.858
0,0740 0,0660 0,0814 0,0719 0,0949 0,1010 0,1495 0,0634 0,0945 0,0908
0,4976 0,4435 0,5472 0,4833 0,6381 0,6785 1,0048 0,4257 0,6352 0,6100
35.653.335 39.782.883 1.172.195.335.156 1.254.609.679.208 1.377.538.593.804 1.531.392.057.559 1.815.473.344.846 415.505.899 477.788.016 514.600.563
11.506.163 14.210.166 733.771.730.418 236.077.148.880 565.569.011.340 372.561.061.935 450.774.754.651 198.217.020 182.749.220 217.673.718
29.065.511 20.729.956 246.351.552.190 777.188.966.678 429.023.145.631 412.111.886.639 479.905.195.650 39.003.535 26.239.975 46.972.577
40.571.674 34.940.122 980.123.282.608 1.013.266.115.558 994.592.156.971 784.672.948.574 930.679.950.301 237.220.555 208.989.195 264.646.295
0,8788 1,1386 1,1960 1,2382 1,3850 1,9516 1,9507 1,7516 2,2862 1,9445
0,9227 1,1955 1,2558 1,3001 1,4543 2,0492 2,0482 1,8391 2,4005 2,0417
3,0900 3,1229 2,3306 4,2279 3,7782 4,4481 4,9900 4,6899 5,9524 5,8331
 SIPD AMIN
2020 2021 2017 2018 2019 2020 2021 2017 2018 2019 2020
579.393.962 528.387.932 1.168.670 1.154.203 1.481.676 1.604.213 1.843.743 198.101.001.850 257.665.373.808 292.588.867.203 307.856.159.370
266.837.335 213.017.466 1.072.809 1.047.350 1.251.213 1.483.479 1.728.951 89.715.515.949 144.509.470.711 167.420.913.753 180.655.241.982
312.556.627 315.370.466 95.861 106.853 230.463 120.734 114.792 108.385.485.901 113.155.903.097 125.167.953.450 127.200.917.388
906.846.895 860.162.908 2.239.699 2.187.879 2.470.793 2.592.850 2.794.113 252.452.307.121 360.906.218.575 404.722.056.954 420.680.923.158
0,3447 0,3666 0,0428 0,0488 0,0933 0,0466 0,0411 0,4293 0,3135 0,3093 0,3024
2,2610 2,4052 0,2808 0,3204 0,6119 0,3055 0,2695 2,8164 2,0568 2,0288 1,9835
147.514.029 167.834.059 572.269 546.335 467.856 453.899 469.311 39.401.336.000 69.844.209.015 93.556.368.269 95.147.598.198
906.846.895 860.162.908 2.239.699 2.187.879 2.470.793 2.592.850 2.794.113 252.452.307.121 360.906.218.575 404.722.056.954 420.680.923.158
0,1627 0,1951 0,2555 0,2497 0,1894 0,1751 0,1680 0,1561 0,1935 0,2312 0,2262
0,5303 0,6361 0,8330 0,8141 0,6173 0,5707 0,5476 0,5088 0,6309 0,7536 0,7373
61.027.867 32.257.288 - 237.482 33.989 110.041 46.806 6.163 43.285.170.463 51.284.231.355 44.656.540.624 14.637.584.276
20.816.785 24.269.814 96.907 92.937 89.773 73.546 62.711 879.792.922 909.649.045
81.844.652 56.527.102 - 140.575 126.926 199.814 120.352 68.874 44.164.963.385 52.193.880.400 44.656.540.624 14.637.584.276
906.846.895 860.162.908 2.239.699 2.187.879 2.470.793 2.592.850 2.794.113 252.452.307.121 360.906.218.575 404.722.056.954 420.680.923.158
0,0903 0,0657 - 0,0628 0,0580 0,0809 0,0464 0,0246 0,1749 0,1446 0,1103 0,0348
0,6065 0,4416 - 0,4218 0,3898 0,5434 0,3119 0,1656 1,1756 0,9718 0,7415 0,2338
587.887.398 608.207.428 791.312 840.488 916.213 930.675 926.013 151.366.178.112 182.138.438.811 207.223.731.255 209.961.645.652
266.837.335 213.017.466 1.072.809 1.047.350 1.251.213 1.483.479 1.728.951 89.715.515.949 144.509.470.711 167.420.913.753 180.655.241.982
52.122.162 38.938.014 375.578 300.041 303.367 178.696 139.149 11.370.613.060 34.258.309.053 30.077.411.946 30.064.035.524
318.959.497 251.955.480 1.448.387 1.347.391 1.554.580 1.662.175 1.868.100 101.086.129.009 178.767.779.764 197.498.325.699 210.719.277.506
1,8431 2,4139 0,5463 0,6238 0,5894 0,5599 0,4957 1,4974 1,0189 1,0492 0,9964
1,9353 2,5346 0,5737 0,6550 0,6188 0,5879 0,5205 1,5723 1,0698 1,1017 1,0462
5,3331 6,0175 1,2656 2,1793 2,3915 1,7760 1,5032 6,0731 4,7293 4,6256 4,0009
 ASII BATA
2021 2017 2018 2019 2020 2021 2017 2018 2019 2020 2021 2017
240.379.288.600 121.528 133.609 129.058 132.308 160.262 567.954.415 569.545.551 544.652.375 343.779.513 297.612.923 333.171.768.612
182.669.165.262 98.722 116.467 99.962 85.736 103.778 230.497.528 194.538.478 164.585.862 248.721.907 197.108.646 187.735.291.863
57.710.123.338 22.806 17.142 29.096 46.572 56.484 337.456.887 375.007.073 380.066.513 95.057.606 100.504.277 145.436.476.749
350.375.482.319 295.830 344.711 351.958 338.203 367.311 855.691.231 876.856.225 863.146.554 775.324.937 652.742.235 465.965.155.745
0,1647 0,0771 0,0497 0,0827 0,1377 0,1538 0,3944 0,4277 0,4403 0,1226 0,1540 0,3121
1,0805 0,5057 0,3262 0,5423 0,9033 1,0088 2,5871 2,8055 2,8885 0,8043 1,0101 2,0475
28.557.017.891 113.138 127.307 140.062 148.643 163.375 574.871.079 624.227.946 636.218.284 458.407.254 407.199.285 42.769.088.683
350.375.482.319 295.830 344.711 351.958 338.203 367.311 855.691.231 876.856.225 863.146.554 775.324.937 652.742.235 465.965.155.745
0,0815 0,3824 0,3693 0,3980 0,4395 0,4448 0,6718 0,7119 0,7371 0,5912 0,6238 0,0918
0,2657 1,2468 1,2040 1,2973 1,4328 1,4500 2,1901 2,3208 2,4029 1,9275 2,0337 0,2992
- 56.805.130.187 29.137 34.995 34.054 21.741 3.235 79.524.179 92.878.105 35.857.813 - 225.041.792 - 64.001.214 20.231.713.304
2.042 3.105 1.360.440 2.832.683 2.361.949 13.372.797 5.977.735 14.589.629.041
- 56.805.130.187 31.179 38.100 34.054 21.741 3.235 80.884.619 95.710.788 38.219.762 - 211.668.995 - 58.023.479 34.821.342.345
350.375.482.319 295.830 344.711 351.958 338.203 367.311 855.691.231 876.856.225 863.146.554 775.324.937 652.742.235 465.965.155.745
- 0,1621 0,1054 0,1105 0,0968 0,0643 0,0088 0,0945 0,1092 0,0443 - 0,2730 - 0,0889 0,0747
- 1,0895 0,7083 0,7427 0,6502 0,4320 0,0592 0,6352 0,7335 0,2976 - 1,8346 - 0,5974 0,5022
141.315.873.220 156.505 174.363 186.763 195.454 215.615 579.308.728 636.807.359 653.251.326 477.944.179 426.925.493 240.879.358.132
182.669.165.262 98.722 116.467 99.962 85.736 103.778 230.497.528 194.538.478 164.585.862 248.721.907 197.108.646 187.735.291.863
26.390.443.837 40.603 53.881 65.233 57.013 47.918 45.884.975 45.510.388 45.309.366 48.658.851 28.708.096 37.350.505.750
209.059.609.099 139.325 170.348 165.195 142.749 151.696 276.382.503 240.048.866 209.895.228 297.380.758 225.816.742 225.085.797.613
0,6760 1,1233 1,0236 1,1306 1,3692 1,4214 2,0960 2,6528 3,1123 1,6072 1,8906 1,0702
0,7098 1,1795 1,0747 1,1871 1,4377 1,4924 2,2008 2,7855 3,2679 1,6875 1,9851 1,1237
0,9665 3,6402 3,3477 3,6769 4,2058 4,0104 7,6132 8,6453 8,8569 2,5847 4,4315 3,9726
 BELL BIMA
2018 2019 2020 2021 2017 2018 2019 2020 2021
342.554.523.490 404.187.217.742 356.315.769.740 348.622.477.814 72.385.157.397 80.207.862.904 83.827.868.074 51.714.591.960 40.245.606.224
218.191.271.919 279.731.191.535 260.049.224.077 228.429.369.228 84.180.581.813 84.043.258.686 56.494.542.352 54.832.811.345 65.422.923.082
124.363.251.571 124.456.026.207 96.266.545.663 120.193.108.586 - 11.795.424.416 - 3.835.395.782 27.333.325.722 - 3.118.219.385 - 25.177.316.858
514.962.171.773 590.884.444.113 554.235.931.111 524.473.606.697 89.327.328.853 98.190.640.839 246.536.771.775 223.781.482.859 218.663.866.293
0,2415 0,2106 0,1737 0,2292 - 0,1320 - 0,0391 0,1109 - 0,0139 - 0,1151
1,5842 1,3817 1,1394 1,5033 - 0,8662 - 0,2562 0,7273 - 0,0914 - 0,7553
74.331.611.137 90.315.151.650 71.002.824.342 72.672.607.454 208.643.411.652 206.293.555.691 203.244.954.791 234.764.587.773 255.030.362.533
514.962.171.773 590.884.444.113 554.235.931.111 524.473.606.697 89.327.328.853 98.190.640.839 246.536.771.775 223.781.482.859 218.663.866.293
0,1443 0,1528 0,1281 0,1386 2,3357 2,1009 0,8244 1,0491 1,1663
0,4706 0,4983 0,4176 0,4517 7,6144 6,8491 2,6875 3,4200 3,8022
30.583.858.545 35.318.255.384 - 14.071.086.133 8.485.241.219 10.901.810.252 3.179.255.211 35.318.255.384 - 14.071.086.133 - 25.979.196.419
14.824.413.595 17.132.646.241 23.677.639.276 15.775.704.613 6.827.940.640 13.920.936.116 7.586.063.186 3.172.006.941 4.083.284.931
45.408.272.140 52.450.901.625 9.606.553.143 24.260.945.832 17.729.750.892 17.100.191.327 42.904.318.570 - 10.899.079.192 - 21.895.911.488
514.962.171.773 590.884.444.113 554.235.931.111 524.473.606.697 89.327.328.853 98.190.640.839 246.536.771.775 223.781.482.859 218.663.866.293
0,0882 0,0888 0,0173 0,0463 0,1985 0,1742 0,1740 - 0,0487 - 0,1001
0,5926 0,5965 0,1165 0,3109 1,3338 1,1703 1,1695 - 0,3273 - 0,6729
260.198.089.842 277.052.787.220 256.527.353.965 259.772.569.960 - 84.637.373.721 - 80.847.643.921 64.487.893.211 29.459.586.724 9.376.220.686
218.191.271.919 279.731.191.535 260.049.224.077 228.429.369.228 84.180.581.813 84.043.258.686 56.494.542.352 54.832.811.345 65.422.923.082
36.572.810.012 34.100.465.358 37.659.353.069 36.271.667.509 89.784.120.761 94.995.026.074 125.554.336.212 139.489.084.790 143.864.722.524
254.764.081.931 313.831.656.893 297.708.577.146 264.701.036.737 173.964.702.574 179.038.284.760 182.048.878.564 194.321.896.135 209.287.645.606
1,0213 0,8828 0,8617 0,9814 - 0,4865 - 0,4516 0,3542 0,1516 0,0448
1,0724 0,9269 0,9048 1,0305 - 0,5108 - 0,4741 0,3719 0,1592 0,0470
3,7198 3,4035 2,5783 3,2964 7,5712 7,2890 4,9563 3,1605 2,4210
 BOLT GJTL
2017 2018 2019 2020 2021 2017 2018 2019 2020 2021
540.253.003.059 633.450.427.483 588.364.013.036 468.643.906.952 643.891.066.337 7.168.378 8.673.407 8.097.861 7.624.956 8.320.220
172.769.473.994 352.222.592.938 293.371.404.511 291.939.087.063 419.979.414.846 4.397.957 5.797.360 5.420.942 4.749.681 4.720.225
367.483.529.065 281.227.834.545 294.992.608.525 176.704.819.889 223.911.651.491 2.770.421 2.876.047 2.676.919 2.875.275 3.599.995
1.188.798.795.362 1.312.376.999.120 1.265.912.330.625 1.119.076.870.425 1.368.411.097.483 18.191.176 19.711.478 18.856.075 17.781.660 18.449.075
0,3091 0,2143 0,2330 0,1579 0,1636 0,1523 0,1459 0,1420 0,1617 0,1951
2,0278 1,4057 1,5287 1,0358 1,0734 0,9991 0,9572 0,9313 1,0607 1,2801
177.000.040.667 186.075.650.697 202.179.435.151 136.081.938.243 229.422.243.353 4.182.771 4.103.214 4.372.321 4.746.949 4.793.465
1.188.798.795.362 1.312.376.999.120 1.265.912.330.625 1.119.076.870.425 1.368.411.097.483 18.191.176 19.711.478 18.856.075 17.781.660 18.449.075
0,1489 0,1418 0,1597 0,1216 0,1677 0,2299 0,2082 0,2319 0,2670 0,2598
0,4854 0,4622 0,5207 0,3964 0,5466 0,7496 0,6786 0,7559 0,8703 0,8470
131.970.355.069 102.840.767.511 69.263.833.897 - 63.652.188.438 105.700.098.809 106.824 - 85.585 457.876 476.377 87.097
25.098.279.325 31.533.959.147 32.572.743.862 25.674.819.186 24.323.751.100 814.459 883.046 872.872 745.051 801.887
157.068.634.394 134.374.726.658 101.836.577.759 - 37.977.369.252 130.023.849.909 921.283 797.461 1.330.748 1.221.428 888.984
1.188.798.795.362 1.312.376.999.120 1.265.912.330.625 1.119.076.870.425 1.368.411.097.483 18.191.176 19.711.478 18.856.075 17.781.660 18.449.075
0,1321 0,1024 0,0804 - 0,0339 0,0950 0,0506 0,0405 0,0706 0,0687 0,0482
0,8879 0,6881 0,5406 - 0,2281 0,6385 0,3403 0,2719 0,4743 0,4616 0,3238
720.676.693.568 738.035.474.182 761.027.824.707 700.034.091.362 817.607.645.573 5.689.466 5.875.830 6.235.631 6.855.147 6.967.889
172.769.473.994 352.222.592.938 293.371.404.511 291.939.087.063 419.979.414.846 4.397.957 5.797.360 5.420.942 4.749.681 4.720.225
295.352.627.800 222.118.932.000 211.513.101.407 127.103.692.000 130.824.037.064 8.103.753 8.038.288 7.199.502 6.176.832 6.760.961
468.122.101.794 574.341.524.938 504.884.505.918 419.042.779.063 550.803.451.910 12.501.710 13.835.648 12.620.444 10.926.513 11.481.186
1,5395 1,2850 1,5073 1,6706 1,4844 0,4551 0,4247 0,4941 0,6274 0,6069
1,6165 1,3493 1,5827 1,7541 1,5586 0,4778 0,4459 0,5188 0,6588 0,6372
5,0176 3,9053 4,1726 2,9583 3,8171 2,5668 2,3536 2,6803 3,0514 3,0881
 INDS JECC
2017 2018 2019 2020 2021 2017 2018 2019 2020
1.044.177.985.635 1.134.664.034.610 959.368.453.499 1.001.966.532.378 1.401.800.862.936 1.294.457.697 1.415.578.044 1.287.480.241 931.144.662
203.724.817.070 217.729.909.744 164.608.081.444 162.477.563.520 401.426.894.926 1.220.226.620 1.288.252.935 1.028.264.298 683.973.802
840.453.168.565 916.934.124.866 794.760.372.055 839.488.968.858 1.000.373.968.010 74.231.077 127.325.109 259.215.943 247.170.860
2.434.617.337.849 2.482.337.567.967 2.834.422.741.208 2.826.260.084.696 3.165.018.057.203 1.927.985.352 2.081.620.993 1.888.753.850 1.513.949.141
0,3452 0,3694 0,2804 0,2970 0,3161 0,0385 0,0612 0,1372 0,1633
2,2646 2,4232 1,8394 1,9485 2,0734 0,2526 0,4013 0,9003 1,0710
553.382.051.067 606.433.943.248 636.103.685.459 621.795.267.614 745.824.827.430 151.328.647 211.705.027 365.479.012 338.012.378
2.434.617.337.849 2.482.337.567.967 2.834.422.741.208 2.826.260.084.696 3.165.018.057.203 1.927.985.352 2.081.620.993 1.888.753.850 1.513.949.141
0,2273 0,2443 0,2244 0,2200 0,2356 0,0785 0,1017 0,1935 0,2233
0,7410 0,7964 0,7316 0,7172 0,7682 0,2559 0,3315 0,6308 0,7278
160.340.854.561 147.982.768.771 130.070.871.745 75.316.440.467 213.789.217.074 111.623.616 122.048.569 144.970.437 21.247.754
7.782.103.244 4.101.092.987 3.247.625.157 674.069.588 3.461.695.814 48.209.496 57.079.103 50.453.888 27.484.555
168.122.957.805 152.083.861.758 133.318.496.902 75.990.510.055 217.250.912.888 159.833.112 179.127.672 195.424.325 48.732.309
2.434.617.337.849 2.482.337.567.967 2.834.422.741.208 2.826.260.084.696 3.165.018.057.203 1.927.985.352 2.081.620.993 1.888.753.850 1.513.949.141
0,0691 0,0613 0,0470 0,0269 0,0686 0,0829 0,0861 0,1035 0,0322
0,4641 0,4117 0,3161 0,1807 0,4613 0,5571 0,5783 0,6953 0,2163
2.144.818.918.530 2.194.231.835.853 2.572.287.128.060 2.563.740.312.761 2.662.433.401.892 547.361.482 609.241.164 756.131.724 745.051.172
203.724.817.070 217.729.909.744 164.608.081.444 162.477.563.520 401.426.894.926 1.220.226.620 1.288.252.935 1.028.264.298 683.973.802
86.073.602.249 70.375.822.370 97.527.531.704 100.042.208.415 101.157.760.385 160.397.250 184.126.894 104.357.828 94.924.167
289.798.419.319 288.105.732.114 262.135.613.148 262.519.771.935 502.584.655.311 1.380.623.870 1.472.379.829 1.132.622.126 778.897.969
0,1351 0,1313 0,1019 0,1024 0,1888 0,3965 0,4138 0,6676 0,9565
0,1419 0,1379 0,1070 0,1075 0,1982 0,4163 0,4345 0,7010 1,0044
3,6115 3,7691 2,9941 2,9539 3,5011 1,4818 1,7455 2,9274 3,0195
 KBLI
2021 2017 2018 2019 2020 2021 2017 2018
1.153.286.914 1.843.100.256.808 2.173.538.859.435 2.558.063.940.045 2.504.430.163.660 1.852.292.728.366 548.840.102.130 604.353.216.583
976.527.816 933.490.170.009 882.122.694.126 801.392.763.187 444.586.491.782 157.474.430.663 434.423.462.965 463.589.374.916
176.759.098 909.610.086.799 1.291.416.165.309 1.756.671.176.858 2.059.843.671.878 1.694.818.297.703 114.416.639.165 140.763.841.667
1.736.977.382 3.013.760.616.985 3.244.821.647.076 3.188.110.217.065 2.745.683.692.051 2.725.242.711.423 1.235.198.847.468 1.298.358.478.375
0,1018 0,3018 0,3980 0,5510 0,7502 0,6219 0,0926 0,1084
0,6676 1,9799 2,6108 3,6146 4,9214 4,0796 0,6077 0,7112
290.820.679 976.938.844.735 1.190.639.069.905 1.467.263.222.860 1.398.729.700.488 1.596.737.973.397 521.132.145.606 138.873.206.419
1.736.977.382 3.013.760.616.985 3.244.821.647.076 3.188.110.217.065 2.745.683.692.051 2.725.242.711.423 1.235.198.847.468 1.298.358.478.375
0,1674 0,3242 0,3669 0,4602 0,5094 0,5859 0,4219 0,1070
0,5458 1,0568 1,1962 1,5003 1,6607 1,9101 1,3754 0,3487
- 73.684.940 428.884.879.225 308.977.208.238 519.755.795.380 47.842.072.699 108.753.123.504 64.508.435.214 44.548.264.596
16.383.635 12.445.693.460 22.326.612.542 21.253.317.770 6.493.282.760 722.001.702 4.531.693.797 2.959.579.091
- 57.301.305 441.330.572.685 331.303.820.780 541.009.113.150 54.335.355.459 109.475.125.206 69.040.129.011 47.507.843.687
1.736.977.382 3.013.760.616.985 3.244.821.647.076 3.188.110.217.065 2.745.683.692.051 2.725.242.711.423 1.235.198.847.468 1.298.358.478.375
- 0,0330 0,1464 0,1021 0,1697 0,0198 0,0402 0,0559 0,0366
- 0,2217 0,9841 0,6861 1,1404 0,1330 0,2699 0,3756 0,2459
696.234.481 1.786.746.385.283 2.030.980.758.929 2.138.647.708.235 2.126.244.476.753 2.452.984.793.844 791.428.577.199 821.471.284.053
976.527.816 933.490.170.009 882.122.694.126 801.392.763.187 444.586.491.782 157.474.430.663 434.423.462.965 463.589.374.916
84.215.085 293.524.061.693 331.718.194.021 248.069.745.643 174.852.723.516 114.783.486.916 9.346.807.304 13.297.819.406
1.060.742.901 1.227.014.231.702 1.213.840.888.147 1.049.462.508.830 619.439.215.298 272.257.917.579 443.770.270.269 476.887.194.322
0,6564 1,4562 1,6732 2,0379 0,2913 0,1110 1,7834 1,7226
0,6892 1,5290 1,7568 2,1397 0,3059 0,1165 1,8726 1,8087
1,6809 5,5497 6,2500 8,3951 7,0210 6,3762 4,2313 3,1145
 KBLM RICY
2019 2020 2021 2017 2018 2019 2020 2021
575.917.900.166 320.497.087.517 412.346.379.347 1.037.820.994.280 1.211.372.836.329 1.305.243.383.701 1.449.567.170.329 1.437.105.604.640
422.310.102.458 168.071.546.757 266.614.137.737 873.224.844.014 994.288.048.839 1.087.957.118.166 1.086.614.763.328 533.524.048.039
153.607.797.708 152.425.540.760 145.732.241.610 164.596.150.266 217.084.787.490 217.286.265.535 362.952.407.001 903.581.556.601
1.284.437.358.420 1.026.762.882.496 1.497.181.021.456 1.371.570.948.138 1.539.602.054.832 1.619.854.736.252 1.736.897.169.061 1.694.313.967.553
0,1196 0,1485 0,0973 0,1200 0,1410 0,1341 0,2090 0,5333
0,7845 0,9738 0,6385 0,7872 0,9250 0,8800 1,3708 3,4985
200.822.978.846 195.786.750.306 177.087.047.628 73.623.719.116 82.220.730.980 95.619.985.373 13.861.457.635 35.114.702.265
1.284.437.358.420 1.026.762.882.496 1.497.181.021.456 1.371.570.948.138 1.539.602.054.832 1.619.854.736.252 1.736.897.169.061 1.694.313.967.553
0,1564 0,1907 0,1183 0,0537 0,0534 0,0590 0,0080 0,0207
0,5097 0,6216 0,3856 0,1750 0,1741 0,1924 0,0260 0,0676
9.130.021.231 195.503.438.222 - 11.041.672.531 25.808.846.585 29.841.866.355 28.833.894.902 - 74.667.321.363 - 61.003.697.225
9.144.450.000 5.109.895.833 11.593.568.916 71.550.000 61.300.140.003 72.670.309.977 81.857.284.138 92.792.591.956
18.274.471.231 200.613.334.055 551.896.385 25.880.396.585 91.142.006.358 101.504.204.879 7.189.962.775 31.788.894.731
1.284.437.358.420 1.026.762.882.496 1.497.181.021.456 1.371.570.948.138 1.539.602.054.832 1.619.854.736.252 1.736.897.169.061 1.694.313.967.553
0,0142 0,1954 0,0004 0,0189 0,0592 0,0627 0,0041 0,0188
0,0956 1,3130 0,0025 0,1268 0,3978 0,4211 0,0278 0,1261
848.427.028.426 841.612.855.945 1.213.430.505.559 430.265.371.696 444.909.486.046 457.256.377.463 372.970.292.357 303.507.215.685
422.310.102.458 168.071.546.757 266.614.137.737 873.224.844.014 994.288.048.839 1.087.957.118.166 1.086.614.763.328 533.524.048.039
13.700.227.536 17.078.479.794 17.136.378.160 68.080.732.428 100.404.519.947 74.641.240.623 277.312.113.375 857.282.703.829
436.010.329.994 185.150.026.551 283.750.515.897 941.305.576.442 1.094.692.568.786 1.162.598.358.789 1.363.926.876.703 1.390.806.751.868
1,9459 4,5456 4,2764 0,4571 0,4064 0,3933 0,2735 0,2182
2,0432 4,7729 4,4902 0,4799 0,4267 0,4130 0,2871 0,2291
3,4330 7,6813 5,5168 1,5690 1,9236 1,9065 1,7118 3,9212
 SMSM SSTM
2017 2018 2019 2020 2021 2017 2018 2019 2020 2021
1.570.110 1.853.782 2.138.324 2.294.976 2.795.010 311.547.858.349 294.172.560.216 263.602.799.221 246.379.557.480 256.580.539.718
419.913 470.116 461.192 398.392 669.419 182.421.582.456 131.917.686.499 166.219.539.040 164.959.909.413 111.926.833.396
1.150.197 1.383.666 1.677.132 1.896.584 2.125.591 129.126.275.893 162.254.873.717 97.383.260.181 81.419.648.067 144.653.706.322
2.443.341 2.801.203 3.106.981 3.375.526 3.868.862 605.643.301.307 562.174.180.897 514.765.731.890 482.065.294.095 471.128.491.654
0,4707 0,4940 0,5398 0,5619 0,5494 0,2132 0,2886 0,1892 0,1689 0,3070
3,0881 3,2403 3,5411 3,6858 3,6041 1,3986 1,8933 1,2410 1,1080 2,0142
1.363.029 1.637.306 1.864.172 2.020.171 2.268.889 147.111.482.423 145.999.444.506 162.266.176.683 177.620.554.126 120.856.541.013
2.443.341 2.801.203 3.106.981 3.375.526 3.868.862 605.643.301.307 562.174.180.897 514.765.731.890 482.065.294.095 471.128.491.654
0,5579 0,5845 0,6000 0,5985 0,5864 0,2429 0,2597 0,3152 0,3685 0,2565
1,8186 1,9055 1,9560 1,9510 1,9118 0,7919 0,8466 1,0276 1,2012 0,8363
720.638 828.281 822.042 684.268 922.168 - 31.048.829.703 1.820.189.102 - 21.323.408.393 - 19.399.505.768 57.285.097.059
9.616 9.822 7.310 18.553 19.040 26.532.389.857 24.691.421.002 20.457.460.635 14.172.948.763 8.206.355.273
730.254 838.103 829.352 702.821 941.208 - 4.516.439.846 26.511.610.104 - 865.947.758 - 5.226.557.005 65.491.452.332
2.443.341 2.801.203 3.106.981 3.375.526 3.868.862 605.643.301.307 562.174.180.897 514.765.731.890 482.065.294.095 471.128.491.654
0,2989 0,2992 0,2669 0,2082 0,2433 - 0,0075 0,0472 - 0,0017 - 0,0108 0,1390
2,0084 2,0106 1,7938 1,3992 1,6348 - 0,0501 0,3169 - 0,0113 - 0,0729 0,9341
1.828.184 2.150.277 2.442.303 2.648.510 2.911.633 212.465.671.723 215.250.324.630 200.348.925.308 186.331.318.094 244.339.083.491
419.913 470.116 461.192 398.392 669.419 182.421.582.456 131.917.686.499 166.219.539.040 164.959.909.413 111.926.833.396
180.810 195.244 203.486 328.624 287.810 210.756.047.129 215.006.169.768 148.197.267.542 130.774.066.588 244.339.083.491
600.723 665.360 664.678 727.016 957.229 393.177.629.585 346.923.856.267 314.416.806.582 295.733.976.001 356.265.916.887
0,3286 0,3094 0,2722 0,2745 0,3288 0,5404 0,6205 0,6372 0,6301 0,6858
0,3450 0,3249 0,2858 0,2882 0,3452 0,5674 0,6515 0,6691 0,6616 0,7201
7,2602 7,4813 7,5766 7,3243 7,4960 2,7078 3,7084 2,9264 2,8978 4,5047
 LAMPIRAN 5 Hasil Data Financial Distess Z-Score
Financial Distress (Z-Score Modifikasi)
NO KODE MEAN Keterangan
2017 2018 2019 2020 2021
1 ADES 0,537 1,4923 1,9028 4,4495 4,5064 2,5776 Grey Area
Non Financial
2 CINT 10,346 9,5543 5,8419 6,3198 1,8561 6,7836 Distress
Non Financial
3 CLEO 4,5792 10,8489 3,5656 2,9926 6,2766 5,6526 Distress
Non Financial
4 HOKI 8,8206 13,0165 7,9802 6,003 4,474 8,0589 Distress
Non Financial
5 HRTA 8,4051 8,8017 8,1766 8,1639 7,1601 8,1415 Distress
Non Financial
6 ICBP 6,3678 6,0858 7,6543 6,542 4,5823 6,2464 Distress
Non Financial
7 INDF 2,968 2,4835 2,907 3,7508 2,8932 3,0005 Distress
Non Financial
8 KLBF 12,2443 6,9463 6,5989 6,633 6,7752 7,8395 Distress
9 LMPI 2,9745 2,422 2,0184 1,4759 2,2582 2,2298 Grey Area
10 MBTO 3,6513 1,149 1,1227 0,6156 1,4685 1,6014 Grey Area
Non Financial
11 MYOR 6,3727 6,4852 6,9158 7,264 5,9337 6,5943 Distress
Non Financial
12 UNVR 3,006 5,2109 3,0217 5,2399 2,0691 3,7095 Distress
13 AGII 2,2292 1,7996 1,3064 1,5816 1,343 1,6519 Grey Area
Non Financial
14 ALDO 3,4703 4,4089 4,7057 4,7223 4,7383 4,4091 Distress
15 BAJA 0,2198 0,7163 0,1194 0,8256 4,8989 1,356 Grey Area
Financial
16 BRNA 0,6648 1,1608 0,078 1,0519 1,3974 0,8706 Distress
Non Financial
17 BTON 7,2004 8,1171 6,8869 7,0413 9,3784 7,7248 Distress
Non Financial
18 CPIN 6,7448 8,5144 7,9328 8,4076 7,2596 7,7718 Distress
19 CPRO 0,7776 4,3241 0,7224 0,5353 5,3326 2,3384 Grey Area
Non Financial
20 DPNS 7,7664 6,2516 5,4431 5,6009 5,9469 6,2018 Distress
Non Financial
21 EKAD 5,296 5,5332 5,4336 5,5798 5,9079 5,5501 Distress
Non Financial
22 IGAR 7,1977 6,1679 6,8004 7,1819 7,5947 6,9885 Distress
23 INAI 0,9513 1,1158 1,5053 1,3802 0,9015 1,1708 Grey Area
Non Financial
24 ISSP 2,7192 2,6012 2,9652 3,2668 4,2078 3,152 Distress
Non Financial
25 JPFA 4,4175 4,0068 3,7816 3,8534 4,3521 4,0823 Distress
Non Financial
26 LION 7,5058 7,9137 6,4773 6,4076 6,0677 6,8744 Distress
27 TRST 2,9675 2,3539 2,1145 2,5193 2,8655 2,5641 Grey Area
Non Financial
28 PBID 6,0594 6,4988 5,9304 7,3583 7,0209 6,5735 Distress
Financial
29 PICO 3,4695 2,4882 -0,3148 -0,7966 -1,913 0,5867 Distress
Non Financial
30 SMGR 7,6772 10,227 2,9162 3,09 3,1229 5,4067 Distress
Non Financial
31 SPMA 2,3306 4,2279 3,7782 4,4481 4,99 3,955 Distress
Non Financial
32 SRSN 4,6899 5,9524 5,8331 5,3331 6,0175 5,5652 Distress
33 SIPD 1,2656 2,1793 2,3915 1,776 1,5032 1,8231 Grey Area
 Non Financial
34 AMIN 6,0731 4,7293 4,6256 4,0009 0,9665 4,0791 Distress
Non Financial
35 ASII 3,6402 3,3477 3,6769 4,2058 4,0104 3,7762 Distress
Non Financial
36 BATA 7,6132 8,6453 8,8569 2,5847 4,4315 6,4263 Distress
Non Financial
37 BELL 3,9726 3,7198 3,4035 2,5783 3,2964 3,3941 Distress
Non Financial
38 BIMA 7,5712 7,289 4,9563 3,1605 2,421 5,0796 Distress
Non Financial
39 BOLT 5,0176 3,9053 4,1726 2,9583 3,8171 3,9742 Distress
Non Financial
40 GJTL 2,5668 2,3536 2,6803 3,0514 3,0881 2,748 Distress
Non Financial
41 INDS 3,6115 3,7691 2,9941 2,9539 3,5011 3,366 Distress
42 JECC 1,4818 1,7455 2,9274 3,0195 1,6809 2,171 Grey Area
Non Financial
43 KBLI 5,5497 6,25 8,3951 7,021 6,3762 6,7184 Distress
Non Financial
44 KBLM 4,2313 3,1145 3,433 7,6813 5,5168 4,7954 Distress
45 RICY 1,569 1,9236 1,9065 1,7118 3,9212 2,2064 Grey Area
Non Financial
46 SMSM 7,2602 7,4813 7,5766 7,3243 7,496 7,4277 Distress
Non Financial
47 SSTM 2,7078 3,7084 2,9264 2,8978 4,5047 3,349 Distress
MAX 12,2443 13,0165 8,8569 8,4076 9,3784 8,1415
MIN 0,2198 0,7163 -0,3148 -0,7966 -1,913 0,5867
MEAN 4,6544 4,9582 4,1924 4,1652 4,2173 4,4375
 LAMPIRAN 6 Perhitungan Financial Distress G-Score
ADES CINT
PERHITUNGAN
2017 2018 2019 2020 2021 2017 2018 2019
X1 1,65 a aset lancar 294.244 364.138 351.120 545.239 673.394 210.584.866.561 219.577.845.340 250.724.734.274
b liabilitas lancar 244.888 262.397 175.191 183.559 268.167 66.014.779.104 81.075.913.501 105.476.752.401
c modal kerja (a-b) 49.356 101.741 175.929 361.680 405.227 144.570.087.457 138.501.931.839 145.247.981.873
d total aset 840.239 881.275 822.375 958.791 1.304.108 476.577.841.605 491.382.035.136 521.493.784.876
e modal kerja / total aset 0,0587 0,1154 0,2139 0,3772 0,3107 0,3034 0,2819 0,2785
f nilai *1,65 0,0969 0,1905 0,3530 0,6224 0,5127 0,5005 0,4651 0,4596
X2 3,404 k laba sebelum pajak 51.095 70.060 110.179 167.919 337.828 38.318.872.398 22.090.078.956 13.896.350.693
l beban bunga 23.247 22.957 15.478 838 747 -2.076.848.901 -3.331.144.467 -4.830.777.929
m laba sebelum bunga dan pajak (ebit) 74.342 93.017 125.657 168.757 338.575 36.242.023.497 18.758.934.489 9.065.572.764
n total aset 840.239 881.275 822.375 958.791 1.304.108 476.577.841.605 491.382.035.136 521.493.784.876
o laba sebelum bunga dan pajak (ebit)/total aset 0,0885 0,1055 0,1528 0,1760 0,2596 0,0760 0,0382 0,0174
p nilai *3,404 0,3012 0,3593 0,5201 0,5991 0,8838 0,2589 0,1300 0,0592
X3 0,016 q NET INCOME 38.242 52.958 83.885 135.789 265.758 29.648.261.092 13.554.152.161 7.082.407.570
0,057 r total aset 840.239 881.275 822.375 958.791 1.304.108 476.577.841.605 491.382.035.136 521.493.784.876
s NET INCOME / Total aset 0,04551 0,06009 0,10200 0,14163 0,20379 0,06221 0,02758 0,01358
t nilai *0,016+0,057 0,00073 0,00096 0,00163 0,00227 0,00326 0,00100 0,00044 0,00022

Hasil 0,39737 0,54881 0,87147 1,21929 1,39320 0,75839 0,59458 0,51852

 CLEO
2020 2021 2017 2018 2019 2020 2021 2017
235.891.593.162 160.631.354.635 144.179.181.317 198.544.322.066 240.755.729.131 254.187.665.140 279.804.122.714 402.492.112.857
94.587.795.350 121.622.353.656 116.843.320.205 121.061.155.519 204.953.165.337 147.545.013.406 182.882.815.706 183.224.424.681
141.303.797.812 39.009.000.979 27.335.861.112 77.483.166.547 35.802.563.794 106.642.651.734 96.921.307.008 219.267.688.176
498.020.612.974 492.697.209.711 660.917.775.322 833.933.861.594 1.245.144.303.719 1.310.940.121.622 66.759.930.000.000 576.963.542.579
0,2837 0,0792 0,0414 0,0929 0,0288 0,0813 0,0015 0,3800
0,4682 0,1306 0,0682 0,1533 0,0474 0,1342 0,0024 0,6271
6.564.977.193 99.225.082.862 62.342.385.255 81.356.830.315 172.667.589.552 168.964.556.985 229.981.620.687 64.384.420.849
-6.860.466.956 6.558.555.742 -21.437.623.500 -23.058.101.482 -14.850.093.220 -25.461.582.184 -13.804.081.705 -10.012.722.452
- 295.489.763 105.783.638.604 40.904.761.755 58.298.728.833 157.817.496.332 143.502.974.801 216.177.538.982 54.371.698.397
498.020.612.974 492.697.209.711 660.917.775.322 833.933.861.594 1.245.144.303.719 1.310.940.121.622 66.759.930.000.000 576.963.542.579
- 0,0006 0,2147 0,0619 0,0699 0,1267 0,1095 0,0032 0,0942
- 0,0020 0,7308 0,2107 0,2380 0,4314 0,3726 0,0110 0,3208
249.076.655 - 98.210.943.293 50.173.768.390 63.262.127.840 130.756.566.410 132.772.234.500 180.711.667.020 475.980.511.759
498.020.612.974 492.697.209.711 660.917.775.322 833.933.861.594 1.245.144.303.719 1.310.940.121.622 66.759.930.000.000 576.963.542.579
0,00050 - 0,19933 0,07592 0,07586 0,10501 0,10128 0,00271 0,82498
0,00001 - 0,00319 0,00121 0,00121 0,00168 0,00162 0,00004 0,01320

0,46613 0,86468 0,27771 0,39006 0,47721 0,50523 0,01337 0,93465

 HOKI HRTA
2018 2019 2020 2021 2017 2018 2019 2020
490.747.589.782 483.422.211.591 423.486.192.138 450.325.961.390 1.312.626.412.274 1.430.530.685.815 2.195.435.613.977 2.669.836.303.087
88.130.681.014 161.901.915.986 188.719.266.211 280.958.063.589 347.059.973.082 388.009.846.474 217.969.291.457 209.281.141.857
402.616.908.768 321.520.295.605 234.766.925.927 169.367.897.801 965.566.439.192 1.042.520.839.341 1.977.466.322.520 2.460.555.161.230
758.846.556.031 848.676.035.300 906.924.214.166 989.119.315.334 1.418.447.342.330 1.537.031.552.479 2.311.190.054.987 2.830.686.417.461
0,5306 0,3788 0,2589 0,1712 0,6807 0,6783 0,8556 0,8692
0,8754 0,6251 0,4271 0,2825 1,1232 1,1191 1,4117 1,4343
120.822.298.064 142.179.083.420 50.874.681.549 17.997.743.133 147.185.345.549 165.784.070.062 200.120.811.411 218.204.833.971
-12.974.049.318 -16.749.467.477 -18.578.305.433 -22.605.423.222 42.346.460.707 41.993.948.906 114.084.173.919
107.848.248.746 125.429.615.943 32.296.376.116 - 4.607.680.089 147.185.345.549 208.130.530.769 242.114.760.317 332.289.007.890
758.846.556.031 848.676.035.300 906.924.214.166 989.119.315.334 1.418.447.342.330 1.537.031.552.479 2.311.190.054.987 2.830.686.417.461
0,1421 0,1478 0,0356 - 0,0047 0,1038 0,1354 0,1048 0,1174
0,4838 0,5031 0,1212 - 0,0159 0,3532 0,4609 0,3566 0,3996
563.167.578.239 641.567.444.819 662.560.916.609 668.660.599.446 110.301.225.571 123.393.863.438 149.990.636.633 171.084.530.868
758.846.556.031 848.676.035.300 906.924.214.166 989.119.315.334 1.418.447.342.330 1.537.031.552.479 2.311.190.054.987 2.830.686.417.461
0,74214 0,75596 0,73056 0,67602 0,07776 0,08028 0,06490 0,06044
0,01187 0,01210 0,01169 0,01082 0,00124 0,00128 0,00104 0,00097

1,34734 1,11610 0,53665 0,25586 1,47516 1,57880 1,76731 1,83287

 ICBP INDF
2021 2017 2018 2019 2020 2021 2017 2018 2019 2020 2021
3.300.516.538.001 16.579.331 14.121.568 16.624.925 20.716.223 33.997.637 32.948.131 33.272.618 31.403.445 38.418.238 54.183.399
708.362.034.511 6.827.588 7.235.398 6.556.359 9.176.164 18.896.133 21.637.763 31.204.102 24.686.862 27.975.875 40.403.404
2.592.154.503.490 9.751.743 6.886.170 10.068.566 11.540.059 15.101.504 11.310.368 2.068.516 6.716.583 10.442.363 13.779.995
3.478.074.220.547 31.619.514 34.367.153 38.709.314 103.588.325 118.066.628 88.400.877 96.537.796 96.198.559 96.198.559 179.356.193
0,7453 0,3084 0,2004 0,2601 0,1114 0,1279 0,1279 0,0214 0,0698 0,1086 0,0768
1,2297 0,5089 0,3306 0,4292 0,1838 0,2110 0,2111 0,0354 0,1152 0,1791 0,1268
248.165.327.819 5.206.561 6.446.785 7.436.972 9.958.647 9.935.232 7.594.822 7.446.966 8.749.397 12.426.334 14.456.085
150.914.980 - 153.935 - 225.568 -53454 -49983 26.862.455 -1.486.027 -2.022.215 -1.727.018 -1.875.812 -2.884.772
248.316.242.799 5.052.626 6.221.217 7.383.518 9.908.664 36.797.687 6.108.795 5.424.751 7.022.379 10.550.522 11.571.313
3.478.074.220.547 31.619.514 34.367.153 38.709.314 103.588.325 118.066.628 88.400.877 96.537.796 96.198.559 96.198.559 179.356.193
0,0714 0,1598 0,1810 0,1907 0,0957 0,3117 0,0691 0,0562 0,0730 0,1097 0,0645
0,2430 0,5439 0,6162 0,6493 0,3256 1,0609 0,2352 0,1913 0,2485 0,3733 0,2196
194.432.397.219 3.543.173 4.658.781 5.360.029 7.418.574 7.900.282 47.102.766 49.916.800 54.202.488 79.138.044 86.632.111
3.478.074.220.547 31.619.514 34.367.153 38.709.314 103.588.325 118.066.628 88.400.877 96.537.796 96.198.559 96.198.559 179.356.193
0,05590 0,11206 0,13556 0,13847 0,07162 0,06691 0,53283 0,51707 0,56344 0,82265 0,48302
0,00089 0,00179 0,00217 0,00222 0,00115 0,00107 0,00853 0,00827 0,00902 0,01316 0,00773

1,47185 1,05102 0,94464 1,07625 0,50828 1,27090 0,43781 0,21836 0,35468 0,53928 0,33865
 KLBF LMPI
2017 2018 2019 2020 2021 2017 2018 2019
10.042.738.649.964 10.648.288.386.726 11.222.490.978.401 13.075.331.880.715 15.712.209.507.638 572.240.218.362 525.674.069.930 4,79994E+11
2.227.336.011.715 2.286.167.471.594 2.577.108.805.851 3.176.726.211.674 3.534.656.089.431 360.471.900.688 379.536.352.404 4,03748E+11
7.815.402.638.249 8.362.120.915.132 8.645.382.172.550 9.898.605.669.041 12.177.553.418.207 211.768.317.674 146.137.717.526 76.246.762.076
16.616.239.416.335 18.146.206.145.369 20.264.726.862.584 22.564.300.317.374 25.666.635.156.271 834.548.374.286 786.704.752.983 7,37642E+11
0,4703 0,4608 0,4266 0,4387 0,4745 0,2538 0,1858 0,1034
0,7761 0,7604 0,7039 0,7238 0,7828 0,4187 0,3065 0,1706
3.241.186.725.992 3.306.399.669.021 3.402.616.824.533 3.627.632.574.744 4.143.264.634.774 -34598578079 58874992358 56356644949
-36.391.625.753 -29.738.266.966 -40.420.271.275 -89.580.314.845 -57.384.355.149 -29359988718 27355690148 25533836273
3.204.795.100.239 3.276.661.402.055 3.362.196.553.258 3.538.052.259.899 4.085.880.279.625 - 63.958.566.797 86.230.682.506 81.890.481.222
16.616.239.416.335 18.146.206.145.369 20.264.726.862.584 22.564.300.317.374 25.666.635.156.271 834.548.374.286 786.704.752.983 737.642.257.697
0,1929 0,1806 0,1659 0,1568 0,1592 - 0,0766 0,1096 0,1110
0,6565 0,6147 0,5648 0,5337 0,5419 - 0,2609 0,3731 0,3779
2.453.251.410.604 2.497.261.964.757 2.537.601.823.645 2.799.622.515.814 866.101.273.717 -31140558174 46390704290 -41669593909
16.616.239.416.335 18.146.206.145.369 20.264.726.862.584 22.564.300.317.374 25.666.635.156.271 834.548.374.286 786.704.752.983 737.642.257.697
0,14764 0,13762 0,12522 0,12407 0,03374 - 0,03731 0,05897 - 0,05649
0,00236 0,00220 0,00200 0,00199 0,00054 - 0,00060 0,00094 - 0,00090

1,43024 1,37281 1,26669 1,25559 1,32419 0,15841 0,67867 0,54936

 MBTO
2020 2021 2017 2018 2019 2020 2021 2017
4,58428E+11 4,7991E+11 520.384.083.342 392.357.840.917 317.285.450.420 182.202.105.658 170.318.544.063 10.674.199.571.313
4,07671E+11 4,0914E+11 252.247.858.307 240.203.560.883 254.266.866.831 295.518.213.807 225.904.727.379 4.473.628.322.956
50.756.495.964 70.769.649.271 268.136.225.035 152.154.280.034 63.018.583.589 - 113.316.108.149 - 55.586.183.316 6.200.571.248.357
6,98252E+11 7,04071E+11 780.669.761.787 648.016.880.325 591.063.928.037 982.882.686.217 714.647.740.684 14.915.849.800.251
0,0727 0,1005 0,3435 0,2348 0,1066 - 0,1153 - 0,0778 0,4157
0,1199 0,1658 0,5667 0,3874 0,1759 - 0,1902 - 0,1283 0,6859
49123405851 10586019650 -31.658.218.720 155.155.168.378 88.263.038.281 189.413.036.663 117.769.279.024 2.186.884.603.474
23357068345 1.783.030.000 14.818.644.267 17.848.642.603 -20.433.763.651 -21.277.269.462 -19.029.539.174 -386.922.167.017
72.480.474.196 12.369.049.650 - 16.839.574.453 173.003.810.981 67.829.274.630 168.135.767.201 98.739.739.850 1.799.962.436.457
698.252.022.979 704.070.618.412 780.669.761.787 648.016.880.325 591.063.928.037 982.882.686.217 714.647.740.684 14.915.849.800.251
0,1038 0,0176 - 0,0216 0,2670 0,1148 0,1711 0,1382 0,1207
0,3533 0,0598 - 0,0734 0,9088 0,3906 0,5823 0,4703 0,4108
-41331271519 -14362302768 -24.690.826.118 -114.131.026.847 -66.945.894.110 -203.214.931.752 -148.766.710.345 1.630.953.830.893
698.252.022.979 704.070.618.412 780.669.761.787 648.016.880.325 591.063.928.037 982.882.686.217 714.647.740.684 14.915.849.800.251
- 0,05919 - 0,02040 - 0,03163 - 0,17612 - 0,11326 - 0,20675 - 0,20817 0,10934
- 0,00095 - 0,00033 - 0,00051 - 0,00282 - 0,00181 - 0,00331 - 0,00333 0,00175

0,47423 0,22598 0,49380 1,29902 0,56837 0,39538 0,34531 1,09494

 MYOR UNVR
2018 2019 2020 2021 2017 2018 2019 2020 2021 2017
12.647.858.727.872 12.776.102.781.513 12.838.729.162.094 12.969.783.874.643 7941635 8325029 8530334 8828360 7642208 1.526.964
4.764.510.387.113 3.714.359.539.201 3.475.323.711.943 5.570.773.468.770 12532304 11134786 13065308 13357536 12445152 1.014.745
7.883.348.340.759 9.061.743.242.312 9.363.405.450.151 7.399.010.405.873 - 4.590.669 - 2.809.757 - 4.534.974 - 4.529.176 - 4.802.944 512.219
17.591.706.426.634 19.037.918.806.473 19.777.500.514.550 19.917.653.265.528 18906413 19522970 20649371 20534632 19068532 6.403.543
0,4481 0,4760 0,4734 0,3715 - 0,2428 - 0,1439 - 0,2196 - 0,2206 - 0,2519 0,0800
0,7394 0,7854 0,7812 0,6129 - 0,4006 - 0,2375 - 0,3624 - 0,3639 - 0,4156 0,1320
2.381.942.198.855 2.704.466.581.011 2.683.890.279.936 1.549.648.556.686 9371661 12185764 9901772 9206869 7496592 133.820
-492.638.756.739 -355.074.879.758 -353.822.336.007 -320.535.214.840 6.785 108.642 230.230 248.790 184.876 -286.044
1.889.303.442.116 2.349.391.701.253 2.330.067.943.929 1.229.113.341.846 9.378.446 12.294.406 10.132.002 9.455.659 7.681.468 - 152.224
17.591.706.426.634 19.037.918.806.473 19.777.500.514.550 19.917.653.265.528 18.906.413 19.522.970 20.649.371 20.534.632 19.068.532 6.403.543
0,1074 0,1234 0,1178 0,0617 0,4960 0,6297 0,4907 0,4605 0,4028 - 0,0238
0,3656 0,4201 0,4010 0,2101 1,6885 2,1436 1,6702 1,5675 1,3712 - 0,0809
1.760.434.280.304 2.051.404.206.764 2.098.168.514.645 1.211.062.647.953 7004562 9109445 7392837 7163536 5758148 3.358.010
17.591.706.426.634 19.037.918.806.473 19.777.500.514.550 19.917.653.265.528 18.906.413 19.522.970 20.649.371 20.534.632 19.068.532 6.403.543
0,10007 0,10775 0,10609 0,06080 0,37049 0,46660 0,35802 0,34885 0,30197 0,52440
0,00160 0,00172 0,00170 0,00097 0,00593 0,00747 0,00573 0,00558 0,00483 0,00839

1,10339 1,20372 1,18051 0,82203 1,28198 1,89870 1,30214 1,19794 0,95082 0,04267
 AGII ALDO
2018 2019 2020 2021 2017 2018 2019 2020 2021 2017
1.585.943 1.696.015 1.629.893 2.044.419 348.662.337.262 373.344.346.111 527.212.418.930 536.525.873.066 710.233.784.991 727.240.100.955
1.297.840 1.938.711 1.615.068 1.979.987 242.051.192.180 231.453.796.427 291.076.212.712 303.886.581.958 387.942.345.634 760.156.840.021
288.103 - 242.696 14.825 64.432 106.611.145.082 141.890.549.684 236.136.206.218 232.639.291.108 322.291.439.357 - 32.916.739.066
6.647.755 7.020.980 7.121.458 8.164.599 498.701.656.995 526.129.315.163 925.114.449.507 953.551.967.212 1.210.809.442.028 946.448.936.464
0,0433 - 0,0346 0,0021 0,0079 0,2138 0,2697 0,2553 0,2440 0,2662 - 0,0348
0,0715 - 0,0570 0,0034 0,0130 0,3527 0,4450 0,4212 0,4026 0,4392 - 0,0574
147.639 138.137 96.179 275.898 38.621.790.950 57.208.486.144 121.937.309.241 83.963.236.519 129.768.148.235 28.628.554.806
295.098 332.058 355.724 -9.420.721.207 -11.380.269.019 -21.611.314.605 -16.276.022.165 -12.759.329.124 26.782.998.764
442.737 470.195 451.903 275.898 29.201.069.743 45.828.217.125 100.325.994.636 67.687.214.354 117.008.819.111 55.411.553.570
6.647.755 7.020.980 7.121.458 8.164.599 498.701.656.995 526.129.315.163 925.114.449.507 953.551.967.212 1.210.809.442.028 946.448.936.464
0,0666 0,0670 0,0635 0,0338 0,0586 0,0871 0,1084 0,0710 0,0966 0,0585
0,2267 0,2280 0,2160 0,1150 0,1993 0,2965 0,3692 0,2416 0,3290 0,1993
3.147.792 3.299.564 3.382.141 3.582.925 229.422.823.176 271.590.217.470 533.406.306.270 590.123.647.820 703.402.561.482 172.016.210.273
6.647.755 7.020.980 7.121.458 8.164.599 498.701.656.995 526.129.315.163 925.114.449.507 953.551.967.212 1.210.809.442.028 946.448.936.464
0,47351 0,46996 0,47492 0,43884 0,46004 0,51620 0,57658 0,61887 0,58094 0,18175
0,00758 0,00752 0,00760 0,00702 0,00736 0,00826 0,00923 0,00990 0,00929 0,00291

0,29064 0,16341 0,21184 0,12103 0,54469 0,73323 0,78109 0,63428 0,75885 0,13900
 BAJA BRNA
2018 2019 2020 2021 2017 2018 2019 2020 2021
692.169.207.950 636.445.607.431 562.587.933.413 543.722.430.669 718.757.530 811.798.388 665.275.229 494.691.709 405.198.035
811.365.493.384 748.332.823.419 619.717.175.037 211.939.279.423 654.032.840 825.079.803 840.292.748 742.677.853 653.818.710
- 119.196.285.434 - 111.887.215.988 - 57.129.241.624 331.783.151.246 64.724.690 - 13.281.415 - 175.017.519 - 247.986.144 - 248.620.675
901.181.796.270 836.870.774.001 760.425.479.634 726.173.017.525 1.964.877.082 2.461.326.183 2.263.112.918 1.965.718.547 2.020.640.257
- 0,1323 - 0,1337 - 0,0751 0,4569 0,0329 - 0,0054 - 0,0773 - 0,1262 - 0,1230
- 0,2182 - 0,2206 - 0,1240 0,7539 0,0544 - 0,0089 - 0,1276 - 0,2082 - 0,2030
90.434.239.905 5.026.701.131 48.827.525.559 130.605.249.884 224.189.380 21.224.294 163.083.992 187.053.341 216.722.795
-30.499.688.935 26.797.517.030 22.838.297.166 -15.783.194.069 -77.812.790 88.859.686 95.426.650 95.818.580 85.837.237
59.934.550.970 31.824.218.161 71.665.822.725 114.822.055.815 146.376.590 110.083.980 258.510.642 282.871.921 302.560.032
901.181.796.270 836.870.774.001 760.425.479.634 726.173.017.525 1.964.877.082 2.461.326.183 2.263.112.918 1.965.718.547 2.020.640.257
0,0665 0,0380 0,0942 0,1581 0,0745 0,0447 0,1142 0,1439 0,1497
0,2264 0,1294 0,3208 0,5382 0,2536 0,1522 0,3888 0,4898 0,5097
76.521.348.613 74.187.193.716 127.839.088.486 214.084.351.649 853.029.437 1.123.271.562 953.780.791 766.723.518 851.035.084
901.181.796.270 836.870.774.001 760.425.479.634 726.173.017.525 1.964.877.082 2.461.326.183 2.263.112.918 1.965.718.547 2.020.640.257
0,08491 0,08865 0,16812 0,29481 0,43414 0,45637 0,42145 0,39005 0,42117
0,00136 0,00142 0,00269 0,00472 0,00695 0,00730 0,00674 0,00624 0,00674

0,00679 -0,09257 0,19416 1,28739 0,30099 0,13604 0,25449 0,27545 0,29994

 BTON CPIN
2017 2018 2019 2020 2021 2017 2018 2019 2020 2021 2017
138.161.399.969 176.074.193.688 189.163.251.018 194.827.419.339 233.819.274.627 11.730.468 14.097.959 12.995.504 13.531.817 15.715.060 2.313.279
25.235.541.036 30.419.618.514 41.766.036.803 41.344.686.413 67.363.136.940 5.059.551 4.732.868 5.120.390 5.356.453 7.836.101 8.254.627
112.925.858.933 145.654.575.174 147.397.214.215 153.482.732.926 166.456.137.687 6.670.917 9.365.091 7.875.114 8.175.364 7.878.959 - 5.941.348
183.501.650.442 217.362.960.011 230.561.123.774 234.905.016.318 270.669.540.064 24.532.331 27.645.118 29.109.408 31.159.291 35.446.051 7.008.719
0,6154 0,6701 0,6393 0,6534 0,6150 0,2719 0,3388 0,2705 0,2624 0,2223 - 0,8477
1,0154 1,1057 1,0548 1,0781 1,0147 0,4487 0,5590 0,4464 0,4329 0,3668 - 1,3987
14.737.057.056 34.236.874.970 2.890.115.839 4.697.219.006 12.564.074.567 3.259.822 5.907.351 4.608.641 4.767.698 4.633.546 2.499.913
496.087.000 -513.239 -443.233 -661.879.438 -496.087 -513.239 -447.885 -443.233 -328.551 385.315
15.233.144.056 34.236.361.731 2.889.672.606 4.697.219.006 11.902.195.129 2.763.735 5.394.112 4.160.756 4.324.465 4.304.995 2.885.228
183.501.650.442 217.362.960.011 230.561.123.774 234.905.016.318 270.669.540.064 24.532.331 27.645.118 29.109.408 31.159.291 35.446.051 7.008.719
0,0830 0,1575 0,0125 0,0200 0,0440 0,1127 0,1951 0,1429 0,1388 0,1215 0,4117
0,2826 0,5362 0,0427 0,0681 0,1497 0,3835 0,6642 0,4866 0,4724 0,4134 1,4013
154.638.932.325 183.155.228.930 184.234.096.343 188.706.429.061 197.765.605.633 15.710.129 19.391.174 20.895.858 23.349.683 25.149.999 -1.778.878
183.501.650.442 217.362.960.011 230.561.123.774 234.905.016.318 270.669.540.064 24.532.331 27.645.118 29.109.408 31.159.291 35.446.051 7.008.719
0,84271 0,84262 0,79907 0,80333 0,73065 0,64038 0,70143 0,71784 0,74937 0,70953 - 0,25381
0,01348 0,01348 0,01279 0,01285 0,01169 0,01025 0,01122 0,01149 0,01199 0,01135 - 0,00406

1,28450 1,62834 1,08472 1,13329 1,15271 0,82191 1,21192 0,92145 0,89335 0,76883 0,00664
 CPRO DPNS
2018 2019 2020 2021 2017 2018 2019 2020 2021 2017
1.959.723 1.574.516 1.702.148 1.818.753 181.198.774.207 192.296.998.181 185.274.219.728 184.653.012.538 225.928.824.403 413.617.087.456
3.192.796 5.077.465 5.085.064 2.055.151 18.832.789.797 24.857.084.132 8.536.205.993 885.861.221 23.888.996.571 91.524.721.725
- 1.233.073 - 3.502.949 - 3.382.916 - 236.398 162.365.984.410 167.439.914.049 176.738.013.735 183.767.151.317 202.039.827.832 322.092.365.731
6.572.440 6.000.259 6.326.293 6.448.014 308.491.173.960 322.185.012.261 318.141.387.900 317.310.718.779 362.242.571.405 796.767.646.172
- 0,1876 - 0,5838 - 0,5347 - 0,0367 0,5263 0,5197 0,5555 0,5791 0,5577 0,4042
- 0,3096 - 0,9633 - 0,8823 - 0,0605 0,8684 0,8575 0,9166 0,9556 0,9203 0,6670
1.831.870 350.149 195.391 2.286.758 7.568.252.565 12.347.569.714 5.302.563.264 4.461.029.495 28.186.888.107 102.649.309.681
-390.072 392.474 397.827 -247.407 347.155.120 600.175.340 726.084.740 1979979070
1.441.798 742.623 593.218 2.039.351 7.568.252.565 12.347.569.714 5.649.718.384 5.061.204.835 28.912.972.847 104.629.288.751
6.572.440 6.000.259 6.326.293 6.448.014 308.491.173.960 322.185.012.261 318.141.387.900 317.310.718.779 362.242.571.405 796.767.646.172
0,2194 0,1238 0,0938 0,3163 0,0245 0,0383 0,0178 0,0160 0,0798 0,1313
0,7467 0,4213 0,3192 1,0766 0,0835 0,1305 0,0604 0,0543 0,2717 0,4470
674.343 329.492 707.584 2.861.207 267.835.387.367 277.708.599.001 282.101.635.876 284.823.663.685 307.956.854.988 76.195.665.729
6.572.440 6.000.259 6.326.293 6.448.014 308.491.173.960 322.185.012.261 318.141.387.900 317.310.718.779 362.242.571.405 796.767.646.172
0,10260 0,05491 0,11185 0,44373 0,86821 0,86195 0,88672 0,89762 0,85014 0,09563
0,00164 0,00088 0,00179 0,00710 0,01389 0,01379 0,01419 0,01436 0,01360 0,00153

0,43553 -0,54285 -0,56492 1,00901 0,93805 0,97417 0,96289 0,99551 1,17838 1,11248
 EKAD IGAR
2018 2019 2020 2021 2017 2018 2019 2020 2021
461.472.621.715 486.522.278.448 552.493.858.098 643.773.422.158 396.252.892.753 396.252.892.753 446.573.796.440 509.735.319.690 664.451.418.649
91.381.683.504 70.337.529.585 68.166.758.308 82.981.081.779 60.941.267.200 72.223.978.098 57.853.674.597 48.639.860.188 91.677.487.054
370.090.938.211 416.184.748.863 484.327.099.790 560.792.340.379 335.311.625.553 324.028.914.655 388.720.121.843 461.095.459.502 572.773.931.595
853.267.454.400 968.234.349.565 1.081.979.820.386 1.165.564.745.263 513.022.591.574 570.197.810.698 617.594.780.669 665.863.417.235 809.371.584.010
0,4337 0,4298 0,4476 0,4811 0,6536 0,5683 0,6294 0,6925 0,7077
0,7157 0,7092 0,7386 0,7939 1,0784 0,9377 1,0385 1,1426 1,1677
101.455.415.901 111.834.501.956 123.522.654.770 137.720.156.180 95.764.791.063 61.747.960.127 83.534.447.014 83.166.786.329 135.948.996.651
1104454880 1580092320 1743708910 1816242210 1412395662 1085304026 1020381203 255230277
102.559.870.781 113.414.594.276 125.266.363.680 139.536.398.390 95.764.791.063 63.160.355.789 84.619.751.040 84.187.167.532 136.204.226.928
853.267.454.400 968.234.349.565 1.081.979.820.386 1.165.564.745.263 513.022.591.574 570.197.810.698 617.594.780.669 665.863.417.235 809.371.584.010
0,1202 0,1171 0,1158 0,1197 0,1867 0,1108 0,1370 0,1264 0,1683
0,4091 0,3987 0,3941 0,4075 0,6354 0,3771 0,4664 0,4304 0,5728
74.045.187.763 77.402.572.552 95.929.070.814 108.490.477.354 72.376.683.136 44.672.438.405 60.836.752.751 60.770.710.445 104.034.299.846
853.267.454.400 968.234.349.565 1.081.979.820.386 1.165.564.745.263 513.022.591.574 570.197.810.698 617.594.780.669 665.863.417.235 809.371.584.010
0,08678 0,07994 0,08866 0,09308 0,14108 0,07835 0,09851 0,09127 0,12854
0,00139 0,00128 0,00142 0,00149 0,00226 0,00125 0,00158 0,00146 0,00206

1,12342 1,10668 1,13127 1,19989 1,71160 1,31346 1,50335 1,57151 1,73845

 INAI ISSP
2017 2018 2019 2020 2021 2017 2018 2019 2020 2021
860.749.259.575 1.053.375.131.067 883.710.927.664 1.096.189.237.368 1.108.631.451.996 3.431.703 3.640.720 3.547.289 3.113.612 4.422.689
867.251.288.494 1.029.377.481.187 819.488.911.354 985.505.542.124 1.086.320.642.719 2.279.714 2.579.383 2.542.901 2.162.323 2.761.503
- 6.502.028.919 23.997.649.880 64.222.016.310 110.683.695.244 22.310.809.277 1.151.989 1.061.337 1.004.388 951.289 1.661.186
1.213.916.545.120 1.400.683.598.096 1.212.894.403.676 1.395.969.637.457 1.543.478.061.330 6.269.365 6.494.070 6.424.507 6.076.604 7.097.322
- 0,0054 0,0171 0,0529 0,0793 0,0145 0,1837 0,1634 0,1563 0,1565 0,2341
- 0,0088 0,0283 0,0874 0,1308 0,0239 0,3032 0,2697 0,2580 0,2583 0,3862
52.292.073.203 64.757.097.094 48.116.436.880 26.221.826.142 32.725.079.210 20.430 59.640 233.293 155.068 659.402
-34.814.141.308 -35.984.734.015 -37.962.767.734 -42.751.895.696 56.075.390.254 -269.760 -257.413 -261.675 -205.664 -174.578
17.477.931.895 28.772.363.079 10.153.669.146 - 16.530.069.554 88.800.469.464 - 249.330 - 197.773 - 28.382 - 50.596 484.824
1.213.916.545.120 1.400.683.598.096 1.212.894.403.676 1.395.969.637.457 1.543.478.061.330 6.269.365 6.494.070 6.424.507 6.076.604 7.097.322
0,0144 0,0205 0,0084 - 0,0118 0,0575 - 0,0398 - 0,0305 - 0,0044 - 0,0083 0,0683
0,0490 0,0699 0,0285 - 0,0403 0,1958 - 0,1354 - 0,1037 - 0,0150 - 0,0283 0,2325
38.651.704.520 40.463.141.352 33.558.115.185 3.991.581.552 4.319.665.242 8.634 48.741 185.694 175.835 486.061
1.213.916.545.120 1.400.683.598.096 1.212.894.403.676 1.395.969.637.457 1.543.478.061.330 6.269.365 6.494.070 6.424.507 6.076.604 7.097.322
0,03184 0,02889 0,02767 0,00286 0,00280 0,00138 0,00751 0,02890 0,02894 0,06849
0,00051 0,00046 0,00044 0,00005 0,00004 0,00002 0,00012 0,00046 0,00046 0,00110

0,03966 0,09773 0,11542 0,09047 0,21965 0,16779 0,16588 0,24246 0,22950 0,61763
 JPFA LION
2017 2018 2019 2020 2021 2017 2018 2019 2020 2021
11.189.325 13.334.804 12.873.148 11.745.138 14.161.153 503.156.333.673 516.186.639.128 503.134.003.908 465.603.517.298 473.632.576.449
4.769.640 7.689.521 7.741.958 6.007.679 7.064.166 153.806.819.548 146.900.045.005 96.795.209.943 75.454.398.417 145.920.423.985
6.419.685 5.645.283 5.131.190 5.737.459 7.096.987 349.349.514.125 369.286.594.123 406.338.793.965 390.149.118.881 327.712.152.464
19.959.548 24.827.355 26.650.895 25.951.760 28.589.656 681.937.947.736 696.192.628.101 688.017.892.312 647.829.858.922 692.582.711.193
0,3216 0,2274 0,1925 0,2211 0,2482 0,5123 0,5304 0,5906 0,6022 0,4732
0,5307 0,3752 0,3177 0,3648 0,4096 0,8453 0,8752 0,9745 0,9937 0,7807
1.710.054 2.918.114 2.494.477 1.679.091 2.793.847 20.175.438.794 23.908.625.171 5.763.388.287 -7.110.199.333 -3.693.250.636
471.772 561.117 752155 799.928 600980 -2.040.451.387 -2.003.749.999 -2.169.756.944 -2.259.394.908 -1.510.473.718
2.181.826 3.479.231 3.246.632 2.479.019 3.394.827 18.134.987.407 21.904.875.172 3.593.631.343 - 9.369.594.241 - 5.203.724.354
19.959.548 24.827.355 26.650.895 25.951.760 28.589.656 681.937.947.736 696.192.628.101 688.017.892.312 647.829.858.922 692.582.711.193
0,1093 0,1401 0,1218 0,0955 0,1187 0,0266 0,0315 0,0052 - 0,0145 - 0,0075
0,3721 0,4770 0,4147 0,3252 0,4042 0,0905 0,1071 0,0178 - 0,0492 - 0,0256
8.662.040 10.765.677 11.896.814 11.411.970 13.102.710 9.282.943.009 14.679.673.993 926.463.199 -9.571.328.569 -4.303.093.348
19.959.548 24.827.355 26.650.895 25.951.760 28.589.656 681.937.947.736 696.192.628.101 688.017.892.312 647.829.858.922 692.582.711.193
0,43398 0,43362 0,44639 0,43974 0,45830 0,01361 0,02109 0,00135 - 0,01477 - 0,00621
0,00694 0,00694 0,00714 0,00704 0,00733 0,00022 0,00034 0,00002 - 0,00024 - 0,00010

0,89585 0,84527 0,72522 0,68291 0,80646 0,93558 0,98199 0,99224 0,94470 0,75526
 TRST PBID
2017 2018 2019 2020 2021 2017 2018 2019 2020
1.189.727.024.906 1.494.150.559.018 1.394.497.849.782 1.337.085.097.940 1.814.243.649.259 1.177.435.699 1.689.893.416 1.550.097.999 1.486.968.395
968.421.072.104 1.314.074.889.815 1.300.374.327.083 1.163.590.483.941 1.547.234.666.976 442.229.374 708.309.176 594.735.136 390.799.927
221.305.952.802 180.075.669.203 94.123.522.699 173.494.613.999 267.008.982.283 735.206.325 981.584.240 955.362.863 1.096.168.468
3.332.905.936.010 4.284.901.587.126 4.349.022.887.699 4.223.302.387.771 4.628.831.951.931 1.818.904.603 2.295.734.967 2.338.919.728 2.421.301.079
0,0664 0,0420 0,0216 0,0411 0,0577 0,4042 0,4276 0,4085 0,4527
0,1096 0,0693 0,0357 0,0678 0,0952 0,6669 0,7055 0,6740 0,7470
12.513.681.277 36.216.675.439 17.514.074.859 46.317.333.298 218.345.343.985 302.782.707 385.012.265 297.821.465 489.217.622
439820570 41725913348 48925041492 45946088409 46388108684 324585495 389049923 308769926 488542357
12.953.501.847 77.942.588.787 66.439.116.351 92.263.421.707 264.733.452.669 627.368.202 774.062.188 606.591.391 977.759.979
3.332.905.936.010 4.284.901.587.126 4.349.022.887.699 4.223.302.387.771 4.628.831.951.931 1.818.904.603 2.295.734.967 2.338.919.728 2.421.301.079
0,0039 0,0182 0,0153 0,0218 0,0572 0,3449 0,3372 0,2593 0,4038
0,0132 0,0619 0,0520 0,0744 0,1947 1,1741 1,1477 0,8828 1,3746
38.199.681.742 63.193.899.099 38.911.968.283 73.277.742.422 200.975.805.947 230.873.967 297.628.915 223.626.619 373.653.845
3.332.905.936.010 4.284.901.587.126 4.349.022.887.699 4.223.302.387.771 4.628.831.951.931 1.818.904.603 2.295.734.967 2.338.919.728 2.421.301.079
0,01146 0,01475 0,00895 0,01735 0,04342 0,12693 0,12964 0,09561 0,15432
0,00018 0,00024 0,00014 0,00028 0,00069 0,00203 0,00207 0,00153 0,00247

0,12261 0,13103 0,08757 0,14187 0,28917 1,83900 1,85115 1,55525 2,11911

 PICO SMGR
2021 2017 2018 2019 2020 2021 2017 2018 2019
1.613.132.890 487.491.234.444 508.708.851.191 497.758.020.429 453.825.685.262 443.050.554.108 13.801.818.533 16.007.685.627 16.658.531
427.148.628 323.802.228.719 411.184.672.224 713.976.150.439 753.517.686.681 785.092.247.247 8.803.577.054 8.202.837.599 12.240.252
1.185.984.262 163.689.005.725 97.524.178.967 - 216.218.130.010 - 299.692.001.419 - 342.041.693.139 4.998.241.479 7.804.848.028 4.418.279
2.801.186.958 723.062.823.329 852.932.442.585 1.128.475.286.643 1.092.811.641.343 1.073.888.124.689 19.022.617.574 18.419.594.705 79.807.067
0,4234 0,2264 0,1143 - 0,1916 - 0,2742 - 0,3185 0,2628 0,4237 0,0554
0,6986 0,3735 0,1887 - 0,3161 - 0,4525 - 0,5255 0,4335 0,6991 0,0913
525.914.220 22.614.674.874 17.802.088.413 9.512.852.655 64.269.139.438 52.076.301.857 2.253.893.318 4.104.959.323 3.195.775
523918890 -47.194.772.369 -51.609.655.384 4.313.903.022 3.116.684.800 18.675.588.918 61921414 930677056 3179581
1.049.833.110 - 24.580.097.495 - 33.807.566.971 13.826.755.677 67.385.824.238 70.751.890.775 2.315.814.732 5.035.636.379 6.375.356
2.801.186.958 723.062.823.329 852.932.442.585 1.128.475.286.643 1.092.811.641.343 1.073.888.124.689 19.022.617.574 18.419.594.705 79.807.067
0,3748 - 0,0340 - 0,0396 0,0123 0,0617 0,0659 0,1217 0,2734 0,0799
1,2758 - 0,1157 - 0,1349 0,0417 0,2099 0,2243 0,4144 0,9306 0,2719
412.552.472 20.189.516.036 15.730.408.346 7.487.452.045 -64.398.773.870 -52.076.301.857 1.650.006.251 3.085.704.236 2.371.233
2.801.186.958 723.062.823.329 852.932.442.585 1.128.475.286.643 1.092.811.641.343 1.073.888.124.689 19.022.617.574 18.419.594.705 79.807.067
0,14728 0,02792 0,01844 0,00664 - 0,05893 - 0,04849 0,08674 0,16752 0,02971
0,00236 0,00045 0,00030 0,00011 - 0,00094 - 0,00078 0,00139 0,00268 0,00048

1,97199 0,25737 0,05344 -0,27454 -0,24165 -0,30049 0,84656 1,62707 0,36280

 SPMA SRSN
2020 2021 2017 2018 2019 2020 2021 2017 2018 2019
15.564.604 15.270.235 750.237.084.349 887.986.684.146 916.211.954.071 645.476.167.999 1.004.400.966.183 422.532.126 448.247.260 537425364
11.506.163 14.210.166 733.771.730.418 236.077.148.880 565.569.011.340 372.561.061.935 450.774.754.651 198.217.020 182.749.220 217673718
4.058.441 1.060.069 16.465.353.931 651.909.535.266 350.642.942.731 272.915.106.064 553.626.211.532 224.315.106 265.498.040 319.751.646
78.006.244 76.504.240 2.175.660.855.114 2.282.845.632.924 2.372.130.750.775 2.316.065.006.133 2.746.153.295.147 652.726.454 686.777.211 779246858
0,0520 0,0139 0,0076 0,2856 0,1478 0,1178 0,2016 0,3437 0,3866 0,4103
0,0858 0,0229 0,0125 0,4712 0,2439 0,1944 0,3326 0,5670 0,6379 0,6771
3.488.650 3.470.137 121.308.934.629 109.673.317.782 176.640.361.124 195.503.438.222 377.509.626.634 18.969.208 50.845.763 57029659
2287387 1578692 -55.860.722.659 -54.495.878.339 -48.588.991.364 -38.341.710.293 -33.097.538.139 -22.383.842 -14.069.972 -13705410
5.776.037 5.048.829 65.448.211.970 55.177.439.443 128.051.369.760 157.161.727.929 344.412.088.495 - 3.414.634 36.775.791 43.324.249
78.006.244 76.504.240 2.175.660.855.114 2.282.845.632.924 2.372.130.750.775 2.316.065.006.133 2.746.153.295.147 652.726.454 686.777.211 779.246.858
0,0740 0,0660 0,0301 0,0242 0,0540 0,0679 0,1254 - 0,0052 0,0535 0,0556
0,2521 0,2246 0,1024 0,0823 0,1838 0,2310 0,4269 - 0,0178 0,1823 0,1893
2.674.343 2.082.347 92.280.117.234 82.232.722.269 131.005.670.940 162.524.650.713 294.325.560.054 17.698.567 38.735.092 42829128
78.006.244 76.504.240 2.175.660.855.114 2.282.845.632.924 2.372.130.750.775 2.316.065.006.133 2.746.153.295.147 652.726.454 686.777.211 779.246.858
0,03428 0,02722 0,04241 0,03602 0,05523 0,07017 0,10718 0,02711 0,05640 0,05496
0,00055 0,00044 0,00068 0,00058 0,00088 0,00112 0,00171 0,00043 0,00090 0,00088

0,33735 0,24707 0,11421 0,55289 0,42677 0,42429 0,75784 0,54880 0,81924 0,86543
 SIPD AMIN
2020 2021 2017 2018 2019 2020 2021 2017 2018 2019 2020
579393962 528387932 1.168.670 1.154.203 1.481.676 1.604.213 1843743 198.101.001.850 257.665.373.808 292.588.867.203 307.856.159.370
266837335 213017466 1.072.809 1.047.350 1.251.213 1.483.479 1728951 89.715.515.949 144.509.470.711 167.420.913.753 180.655.241.982
312.556.627 315.370.466 95.861 106.853 230.463 120.734 114.792 108.385.485.901 113.155.903.097 125.167.953.450 127.200.917.388
906846895 860162908 2.239.699 2.187.879 2.470.793 2.592.850 2794113 252.452.307.121 360.906.218.575 404.722.056.954 420.680.923.158
0,3447 0,3666 0,0428 0,0488 0,0933 0,0466 0,0411 0,4293 0,3135 0,3093 0,3024
0,5687 0,6050 0,0706 0,0806 0,1539 0,0768 0,0678 0,7084 0,5173 0,5103 0,4989
61027867 32257288 237.482 33.989 110.041 46.806 6163 43.285.170.463 51.284.231.355 44.656.540.624 14.637.584.276
-20816785 -24269814 -96907 92937 -89.773 -73546 62711 879.792.922 909.649.045
40.211.082 7.987.474 140.575 126.926 20.268 - 26.740 68.874 44.164.963.385 52.193.880.400 44.656.540.624 14.637.584.276
906.846.895 860.162.908 2.239.699 2.187.879 2.470.793 2.592.850 2.794.113 252.452.307.121 360.906.218.575 404.722.056.954 420.680.923.158
0,0443 0,0093 0,0628 0,0580 0,0082 - 0,0103 0,0246 0,1749 0,1446 0,1103 0,0348
0,1509 0,0316 0,2137 0,1975 0,0279 - 0,0351 0,0839 0,5955 0,4923 0,3756 0,1184
44152245 26542985 -354.925 25.934 79.776 28.266 15065 151.366.178.112 182.138.438.811 207.223.731.255 209.961.645.652
906.846.895 860.162.908 2.239.699 2.187.879 2.470.793 2.592.850 2.794.113 252.452.307.121 360.906.218.575 404.722.056.954 420.680.923.158
0,04869 0,03086 - 0,15847 0,01185 0,03229 0,01090 0,00539 0,59958 0,50467 0,51201 0,49910
0,00078 0,00049 - 0,00254 0,00019 0,00052 0,00017 0,00009 0,00959 0,00807 0,00819 0,00799

0,71885 0,63607 0,28681 0,27787 0,18131 0,04155 0,15161 1,29431 1,00154 0,87769 0,60937
 ASII BATA
2021 2017 2018 2019 2020 2021 2017 2018 2019 2020 2021 2017
240.379.288.600 121.528 133.609 129058 132308 160262 567.954.415 569.545.551 544.652.375 343.779.513 297.612.923 333.171.768.612
182.669.165.262 98.722 116.467 99962 85736 103778 230.497.528 194.538.478 164.585.862 248.721.907 197.108.646 187.735.291.863
57.710.123.338 22.806 17.142 29.096 46.572 56.484 337.456.887 375.007.073 380.066.513 95.057.606 100.504.277 145.436.476.749
350.375.482.319 295.830 344.711 351958 338203 367311 855.691.231 876.856.225 863.146.554 775.324.937 652.742.235 465.965.155.745
0,1647 0,0771 0,0497 0,0827 0,1377 0,1538 0,3944 0,4277 0,4403 0,1226 0,1540 0,3121
0,2718 0,1272 0,0821 0,1364 0,2272 0,2537 0,6507 0,7057 0,7265 0,2023 0,2541 0,5150
56.805.130.187 29.137 34.995 34054 21741 3235 79.524.179 92.878.105 35.857.813 225.041.792 64.001.214 20.231.713.304
-2042 -3105 -1.360.440 -2.832.683 -2.361.949 -13.372.797 -5.977.735 -14.589.629.041
56.805.130.187 27.095 31.890 34.054 21.741 3.235 78.163.739 90.045.422 33.495.864 211.668.995 58.023.479 5.642.084.263
350.375.482.319 295.830 344.711 351.958 338.203 367.311 855.691.231 876.856.225 863.146.554 775.324.937 652.742.235 465.965.155.745
0,1621 0,0916 0,0925 0,0968 0,0643 0,0088 0,0913 0,1027 0,0388 0,2730 0,0889 0,0121
0,5519 0,3118 0,3149 0,3294 0,2188 0,0300 0,3109 0,3496 0,1321 0,9293 0,3026 0,0412
141.315.873.220 156.505 174.363 186763 195454 215615 579.308.728 636.807.359 653.251.326 477.944.179 426.925.493 14.950.959.786
350.375.482.319 295.830 344.711 351.958 338.203 367.311 855.691.231 876.856.225 863.146.554 775.324.937 652.742.235 465.965.155.745
0,40333 0,52904 0,50582 0,53064 0,57792 0,58701 0,67701 0,72624 0,75683 0,61644 0,65405 0,03209
0,00645 0,00846 0,00809 0,00849 0,00925 0,00939 0,01083 0,01162 0,01211 0,00986 0,01046 0,00051

0,81720 0,43051 0,38887 0,45727 0,43679 0,27432 0,95082 1,04360 0,84653 1,12175 0,54618 0,55570
 BELL BIMA
2018 2019 2020 2021 2017 2018 2019 2020 2021
342.554.523.490 404.187.217.742 356.315.769.740 348.622.477.814 72.385.157.397 80.207.862.904 83.827.868.074 51.714.591.960 40.245.606.224
218.191.271.919 279.731.191.535 260.049.224.077 228.429.369.228 84.180.581.813 84.043.258.686 56.494.542.352 54.832.811.345 65.422.923.082
124.363.251.571 124.456.026.207 96.266.545.663 120.193.108.586 - 11.795.424.416 - 3.835.395.782 27.333.325.722 - 3.118.219.385 - 25.177.316.858
514.962.171.773 590.884.444.113 554.235.931.111 524.473.606.697 89.327.328.853 98.190.640.839 246.536.771.775 223.781.482.859 218.663.866.293
0,2415 0,2106 0,1737 0,2292 - 0,1320 - 0,0391 0,1109 - 0,0139 - 0,1151
0,3985 0,3475 0,2866 0,3781 - 0,2179 - 0,0645 0,1829 - 0,0230 - 0,1900
30.583.858.545 35.318.255.384 -14.071.086.133 8.485.241.219 10.901.810.252 3.179.255.211 35.318.255.384 14.071.086.133 25.979.196.419
-14.824.413.595 -17.132.646.241 -23.677.639.276 -15.775.704.613 6.827.940.640 13.920.936.116 -7.586.063.186 -3.172.006.941 -4.083.284.931
15.759.444.950 18.185.609.143 - 37.748.725.409 - 7.290.463.394 17.729.750.892 17.100.191.327 27.732.192.198 10.899.079.192 21.895.911.488
514.962.171.773 590.884.444.113 554.235.931.111 524.473.606.697 89.327.328.853 98.190.640.839 246.536.771.775 223.781.482.859 218.663.866.293
0,0306 0,0308 - 0,0681 - 0,0139 0,1985 0,1742 0,1125 0,0487 0,1001
0,1042 0,1048 - 0,2318 - 0,0473 0,6756 0,5928 0,3829 0,1658 0,3409
24.022.782.725 23.213.651.840 -16.558.668.514 4.172.725.902 -84.637.373.721 -80.847.643.921 64.487.893.211 29.459.586.724 9.376.220.686
514.962.171.773 590.884.444.113 554.235.931.111 524.473.606.697 89.327.328.853 98.190.640.839 246.536.771.775 223.781.482.859 218.663.866.293
0,04665 0,03929 - 0,02988 0,00796 - 0,94750 - 0,82337 0,26158 0,13164 0,04288
0,00075 0,00063 - 0,00048 0,00013 - 0,01516 - 0,01317 0,00419 0,00211 0,00069

0,50190 0,45167 0,05523 0,33068 0,47291 0,54154 0,56165 0,14069 0,15019

 BOLT GJTL
2017 2018 2019 2020 2021 2017 2018 2019 2020 2021
540.253.003.059 633.450.427.483 588.364.013.036 468.643.906.952 643.891.066.337 7.168.378 8.673.407 8.097.861 7.624.956 8.320.220
172.769.473.994 352.222.592.938 293.371.404.511 291.939.087.063 419.979.414.846 4.397.957 5.797.360 5.420.942 4.749.681 4.720.225
367.483.529.065 281.227.834.545 294.992.608.525 176.704.819.889 223.911.651.491 2.770.421 2.876.047 2.676.919 2.875.275 3.599.995
1.188.798.795.362 1.312.376.999.120 1.265.912.330.625 1.119.076.870.425 1.368.411.097.483 18.191.176 19.711.478 18.856.075 17.781.660 18.449.075
0,3091 0,2143 0,2330 0,1579 0,1636 0,1523 0,1459 0,1420 0,1617 0,1951
0,5101 0,3536 0,3845 0,2605 0,2700 0,2513 0,2407 0,2342 0,2668 0,3220
131.970.355.069 102.840.767.511 69.263.833.897 63.652.188.438 105.700.098.809 106.824 -85.585 457.876 476.377 87.097
-25.098.279.325 -31.533.959.147 -32.572.743.862 -25.674.819.186 -24.323.751.100 -814.459 -883.046 -872.872 -745.051 -801.887
106.872.075.744 71.306.808.364 36.691.090.035 37.977.369.252 81.376.347.709 - 707.635 - 968.631 - 414.996 - 268.674 - 714.790
1.188.798.795.362 1.312.376.999.120 1.265.912.330.625 1.119.076.870.425 1.368.411.097.483 18.191.176 19.711.478 18.856.075 17.781.660 18.449.075
0,0899 0,0543 0,0290 0,0339 0,0595 - 0,0389 - 0,0491 - 0,0220 - 0,0151 - 0,0387
0,3060 0,1850 0,0987 0,1155 0,2024 - 0,1324 - 0,1673 - 0,0749 - 0,0514 - 0,1319
93.225.253.756 75.738.099.614 51.492.605.525 -57.388.292.245 82.749.100.903 5.689.466 5.875.830 6.235.631 6.855.147 6.967.889
1.188.798.795.362 1.312.376.999.120 1.265.912.330.625 1.119.076.870.425 1.368.411.097.483 18.191.176 19.711.478 18.856.075 17.781.660 18.449.075
0,07842 0,05771 0,04068 - 0,05128 0,06047 0,31276 0,29809 0,33070 0,38552 0,37768
0,00125 0,00092 0,00065 - 0,00082 0,00097 0,00500 0,00477 0,00529 0,00617 0,00604

0,81481 0,53761 0,48251 0,37688 0,47145 0,11387 0,06870 0,15404 0,20920 0,18404
 INDS JECC
2017 2018 2019 2020 2021 2017 2018 2019 2020
1.044.177.985.635 1.134.664.034.610 959.368.453.499 1.001.966.532.378 1.401.800.862.936 1.294.457.697 1.415.578.044 1.287.480.241 931.144.662
203.724.817.070 217.729.909.744 164.608.081.444 162.477.563.520 401.426.894.926 1.220.226.620 1.288.252.935 1.028.264.298 683.973.802
840.453.168.565 916.934.124.866 794.760.372.055 839.488.968.858 1.000.373.968.010 74.231.077 127.325.109 259.215.943 247.170.860
2.434.617.337.849 2.482.337.567.967 2.834.422.741.208 2.826.260.084.696 3.165.018.057.203 1.927.985.352 2.081.620.993 1.888.753.850 1.513.949.141
0,3452 0,3694 0,2804 0,2970 0,3161 0,0385 0,0612 0,1372 0,1633
0,5696 0,6095 0,4627 0,4901 0,5215 0,0635 0,1009 0,2264 0,2694
160.340.854.561 147.982.768.771 130.070.871.745 75.316.440.467 213.789.217.074 111.623.616 122.048.569 144.970.437 21.247.754
-7.782.103.244 -4.101.092.987 -3.247.625.157 -674.069.588 3.461.695.814 -48.209.496 -57.079.103 -50.453.888 -27.484.555
152.558.751.317 143.881.675.784 126.823.246.588 74.642.370.879 217.250.912.888 63.414.120 64.969.466 94.516.549 - 6.236.801
2.434.617.337.849 2.482.337.567.967 2.834.422.741.208 2.826.260.084.696 3.165.018.057.203 1.927.985.352 2.081.620.993 1.888.753.850 1.513.949.141
0,0627 0,0580 0,0447 0,0264 0,0686 0,0329 0,0312 0,0500 - 0,0041
0,2133 0,1973 0,1523 0,0899 0,2337 0,1120 0,1062 0,1703 - 0,0140
2.144.818.918.530 2.194.231.835.853 2.572.287.128.060 2.563.740.312.761 2.662.433.401.892 547.361.482 609.241.164 756.131.724 745.051.172
2.434.617.337.849 2.482.337.567.967 2.834.422.741.208 2.826.260.084.696 3.165.018.057.203 1.927.985.352 2.081.620.993 1.888.753.850 1.513.949.141
0,88097 0,88394 0,90752 0,90711 0,84121 0,28390 0,29268 0,40033 0,49212
0,01410 0,01414 0,01452 0,01451 0,01346 0,00454 0,00468 0,00641 0,00787

0,76880 0,79264 0,60044 0,56549 0,74171 0,17095 0,20248 0,39039 0,24749

 KBLI
2021 2017 2018 2019 2020 2021 2017 2018
1.153.286.914 1.843.100.256.808 2.173.538.859.435 2.558.063.940.045 2.504.430.163.660 1.852.292.728.366 548.840.102.130 604.353.216.583
976.527.816 933.490.170.009 882.122.694.126 801.392.763.187 444.586.491.782 157.474.430.663 434.423.462.965 463.589.374.916
176.759.098 909.610.086.799 1.291.416.165.309 1.756.671.176.858 2.059.843.671.878 1.694.818.297.703 114.416.639.165 140.763.841.667
1.736.977.382 3.013.760.616.985 3.244.821.647.076 3.188.110.217.065 2.745.683.692.051 2.725.242.711.423 1.235.198.847.468 1.298.358.478.375
0,1018 0,3018 0,3980 0,5510 0,7502 0,6219 0,0926 0,1084
0,1679 0,4980 0,6567 0,9092 1,2378 1,0261 0,1528 0,1789
73.684.940 428.884.879.225 308.977.208.238 519.755.795.380 -47.842.072.699 108.753.123.504 64.508.435.214 44.548.264.596
-16.383.635 12445693460 22326612542 21253317770 6493282760 722001702 -4.531.693.797 -2.959.579.091
57.301.305 441.330.572.685 331.303.820.780 541.009.113.150 - 41.348.789.939 109.475.125.206 59.976.741.417 41.588.685.505
1.736.977.382 3.013.760.616.985 3.244.821.647.076 3.188.110.217.065 2.745.683.692.051 2.725.242.711.423 1.235.198.847.468 1.298.358.478.375
0,0330 0,1464 0,1021 0,1697 - 0,0151 0,0402 0,0486 0,0320
0,1123 0,4985 0,3476 0,5776 - 0,0513 0,1367 0,1653 0,1090
696.234.481 358.974.051.474 235.651.063.203 417.951.984.112 -56.914.203.864 93.371.439.103 791.428.577.199 821.471.284.053
1.736.977.382 3.013.760.616.985 3.244.821.647.076 3.188.110.217.065 2.745.683.692.051 2.725.242.711.423 1.235.198.847.468 1.298.358.478.375
0,40083 0,11911 0,07262 0,13110 - 0,02073 0,03426 0,64073 0,63270
0,00641 0,00191 0,00116 0,00210 - 0,00033 0,00055 0,01025 0,01012

0,27379 0,99457 1,00308 1,48471 1,18692 1,16232 0,30787 0,27780

 KBLM RICY
2019 2020 2021 2017 2018 2019 2020 2021
575.917.900.166 320.497.087.517 412.346.379.347 1,03782E+12 1,21137E+12 1,30524E+12 1,44957E+12 1,43711E+12
422.310.102.458 168.071.546.757 266.614.137.737 8,73225E+11 9,94288E+11 1,08796E+12 1,08661E+12 5,33524E+11
153.607.797.708 152.425.540.760 145.732.241.610 164.596.150.266 217.084.787.490 217.286.265.535 362.952.407.001 903.581.556.601
1.284.437.358.420 1.026.762.882.496 1.497.181.021.456 1,37157E+12 1,5396E+12 1,61985E+12 1,7369E+12 1,69431E+12
0,1196 0,1485 0,0973 0,1200 0,1410 0,1341 0,2090 0,5333
0,1973 0,2449 0,1606 0,1980 0,2327 0,2213 0,3448 0,8799
9.130.021.231 195.503.438.222 -11.041.672.531 25808846585 29841866355 28833894902 -74667321363 -61003697225
-9.144.450.000 -5.109.895.833 -11.593.568.916 71.550.000 61.300.140.003 72.670.309.977 81.857.284.138 92.792.591.956
- 14.428.769 190.393.542.389 - 22.635.241.447 25.880.396.585 91.142.006.358 101.504.204.879 7.189.962.775 31.788.894.731
1.284.437.358.420 1.026.762.882.496 1.497.181.021.456 1.371.570.948.138 1.539.602.054.832 1.619.854.736.252 1.736.897.169.061 1.694.313.967.553
- 0,0000 0,1854 - 0,0151 0,0189 0,0592 0,0627 0,0041 0,0188
- 0,0000 0,6312 - 0,0515 0,0642 0,2015 0,2133 0,0141 0,0639
848.427.028.426 841.612.855.945 1.213.430.505.559 16558562699 18480376458 17219044542 -77578476383 -66098078641
1.284.437.358.420 1.026.762.882.496 1.497.181.021.456 1.371.570.948.138 1.539.602.054.832 1.619.854.736.252 1.736.897.169.061 1.694.313.967.553
0,66054 0,81968 0,81048 0,01207 0,01200 0,01063 - 0,04466 - 0,03901
0,01057 0,01311 0,01297 0,00019 0,00019 0,00017 - 0,00071 - 0,00062

0,18672 0,86304 0,09618 0,26205 0,43397 0,43446 0,35960 0,94444

 SMSM SSTM
2017 2018 2019 2020 2021 2017 2018 2019 2020 2021
1.570.110 1.853.782 2.138.324 2.294.976 2.795.010 311.547.858.349 294.172.560.216 263.602.799.221 246.379.557.480 256.580.539.718
419.913 470.116 461.192 398.392 669.419 182.421.582.456 131.917.686.499 166.219.539.040 164.959.909.413 111.926.833.396
1.150.197 1.383.666 1.677.132 1.896.584 2.125.591 129.126.275.893 162.254.873.717 97.383.260.181 81.419.648.067 144.653.706.322
2.443.341 2.801.203 3.106.981 3.375.526 3.868.862 605.643.301.307 562.174.180.897 514.765.731.890 482.065.294.095 471.128.491.654
0,4707 0,4940 0,5398 0,5619 0,5494 0,2132 0,2886 0,1892 0,1689 0,3070
0,7767 0,8150 0,8907 0,9271 0,9065 0,3518 0,4762 0,3121 0,2787 0,5066
720.638 828.281 822.042 684.268 922.168 -31.048.829.703 1.820.189.102 -21.323.408.393 -19.399.505.768 57.285.097.059
-9.616 -9.822 -7.310 -18.553 -19.040 -26.532.389.857 -24.691.421.002 -20.457.460.635 -14.172.948.763 -8.206.355.273
711.022 818.459 814.732 665.715 903.128 - 57.581.219.560 - 22.871.231.900 - 41.780.869.028 - 33.572.454.531 49.078.741.786
2.443.341 2.801.203 3.106.981 3.375.526 3.868.862 605.643.301.307 562.174.180.897 514.765.731.890 482.065.294.095 471.128.491.654
0,2910 0,2922 0,2622 0,1972 0,2334 - 0,0951 - 0,0407 - 0,0812 - 0,0696 0,1042
0,9906 0,9946 0,8926 0,6713 0,7946 - 0,3236 - 0,1385 - 0,2763 - 0,2371 0,3546
1.828.184 2.150.277 2.442.303 2.648.510 2.911.633 -23.709.833.744 1.112.037.917 -16.266.732.177 -15.354.377.443 56.764.013.113
2.443.341 2.801.203 3.106.981 3.375.526 3.868.862 605.643.301.307 562.174.180.897 514.765.731.890 482.065.294.095 471.128.491.654
0,74823 0,76763 0,78607 0,78462 0,75258 - 0,03915 0,00198 - 0,03160 - 0,03185 0,12049
0,01197 0,01228 0,01258 0,01255 0,01204 - 0,00063 0,00003 - 0,00051 - 0,00051 0,00193

1,75534 1,79733 1,77070 1,58585 1,68910 0,02878 0,33771 0,03637 0,04213 0,85929
 LAMPIRAN 7 Hasil Data Financial Distress G-Score

Financial Distress (G-Score)

NO KODE MEAN Keterangan
2017 2018 2019 2020 2021
1 ADES 0,3974 0,5488 0,8715 1,2193 1,3932 0,886 Non Financial Distress
2 CINT 0,7584 0,5946 0,5185 0,4661 0,8647 0,6405 Non Financial Distress
3 CLEO 0,2777 0,3901 0,4772 0,5052 0,0134 0,3327 Non Financial Distress
4 HOKI 0,9346 1,3473 1,1161 0,5367 0,2559 0,8381 Non Financial Distress
5 HRTA 1,4752 1,5788 1,7673 1,8329 1,4719 1,6252 Non Financial Distress
6 ICBP 1,051 0,9446 1,0762 0,5083 1,2709 0,9702 Non Financial Distress
7 INDF 0,4378 0,2184 0,3547 0,5393 0,3387 0,3778 Non Financial Distress
8 KLBF 1,4302 1,3728 1,2667 1,2556 1,3242 1,3299 Non Financial Distress
9 LMPI 0,1584 0,6787 0,5494 0,4742 0,226 0,4173 Non Financial Distress
10 MBTO 0,4938 1,299 0,5684 0,3954 0,3453 0,6204 Non Financial Distress
11 MYOR 1,0949 1,1034 1,2037 1,1805 0,822 1,0809 Non Financial Distress
12 UNVR 1,282 1,8987 1,3021 1,1979 0,9508 1,3263 Non Financial Distress
13 AGII 0,0427 0,2906 0,1634 0,2118 0,121 0,1659 Non Financial Distress
14 ALDO 0,5447 0,7332 0,7811 0,6343 0,7589 0,6904 Non Financial Distress
15 BAJA 0,139 0,0068 -0,0926 0,1942 1,2874 0,307 Non Financial Distress
16 BRNA 0,301 0,136 0,2545 0,2754 0,2999 0,2534 Non Financial Distress
17 BTON 1,2845 1,6283 1,0847 1,1333 1,1527 1,2567 Non Financial Distress
18 CPIN 0,8219 1,2119 0,9214 0,8934 0,7688 0,9235 Non Financial Distress
19 CPRO 0,0066 0,4355 -0,5429 -0,5649 1,009 0,0687 Finacial Distress
20 DPNS 0,9381 0,9742 0,9629 0,9955 1,1784 1,0098 Non Financial Distress
21 EKAD 1,1125 1,1234 1,1067 1,1313 1,1999 1,1348 Non Financial Distress
22 IGAR 1,7116 1,3135 1,5033 1,5715 1,7384 1,5677 Non Financial Distress
23 INAI 0,0397 0,0977 0,1154 0,0905 0,2196 0,1126 Non Financial Distress
24 ISSP 0,1678 0,1659 0,2425 0,2295 0,6176 0,2846 Non Financial Distress
25 JPFA 0,8959 0,8453 0,7252 0,6829 0,8065 0,7911 Non Financial Distress
26 LION 0,9356 0,982 0,9922 0,9447 0,7553 0,922 Non Financial Distress
27 TRST 0,1226 0,131 0,0876 0,1419 0,2892 0,1544 Non Financial Distress
28 PBID 1,839 1,8512 1,5553 2,1191 1,972 1,8673 Non Financial Distress
29 PICO 0,2574 0,0534 -0,2745 -0,2417 -0,3005 -0,1012 Finacial Distress
30 SMGR 0,8466 1,6271 0,3628 0,3373 0,2471 0,6842 Non Financial Distress
31 SPMA 0,1142 0,5529 0,4268 0,4243 0,7578 0,4552 Non Financial Distress
32 SRSN 0,5488 0,8192 0,8654 0,7189 0,6361 0,7177 Non Financial Distress
33 SIPD 0,2868 0,2779 0,1813 0,0416 0,1516 0,1878 Non Financial Distress
34 AMIN 1,2943 1,0015 0,8777 0,6094 0,8172 0,92 Non Financial Distress
35 ASII 0,4305 0,3889 0,4573 0,4368 0,2743 0,3976 Non Financial Distress
36 BATA 0,9508 1,0436 0,8465 1,1217 0,5462 0,9018 Non Financial Distress
37 BELL 0,5557 0,5019 0,4517 0,0552 0,3307 0,379 Non Financial Distress
38 BIMA 0,4729 0,5415 0,5617 0,1407 0,1502 0,3734 Non Financial Distress
39 BOLT 0,8148 0,5376 0,4825 0,3769 0,4714 0,5367 Non Financial Distress
40 GJTL 0,1139 0,0687 0,154 0,2092 0,184 0,146 Non Financial Distress
41 INDS 0,7688 0,7926 0,6004 0,5655 0,7417 0,6938 Non Financial Distress
42 JECC 0,1709 0,2025 0,3904 0,2475 0,2738 0,257 Non Financial Distress
43 KBLI 0,9946 1,0031 1,4847 1,1869 1,1623 1,1663 Non Financial Distress
44 KBLM 0,3079 0,2778 0,1867 0,863 0,0962 0,3463 Non Financial Distress
45 RICY 0,262 0,434 0,4345 0,3596 0,9444 0,4869 Non Financial Distress
46 SMSM 1,7553 1,7973 1,7707 1,5859 1,6891 1,7197 Non Financial Distress
47 SSTM 0,0288 0,3377 0,0364 0,0421 0,8593 0,2609 Non Financial Distress
MAX 1,839 1,8987 1,7707 2,1191 1,972 1,8673
MIN 0,0066 0,0068 -0,5429 -0,5649 -0,3005 -0,1012
MEAN 0,6738 0,7694 0,6645 0,6357 0,7124 0,6912
 LAMPIRAN 8 Olah Data Profitabilitas

No. KODE Th. PENJUALAN HPP PENJUALAN HASIL

2017 814.490.000.000 375.546.000.000 814.490.000.000 0,5389
2018 804.302.000.000 415.212.000.000 804.302.000.000 0,4838
1 ADES
2019 764.703.000.000 417.280.000.000 764.703.000.000 0,4543
2020 673.364.000.000 330.799.000.000 673.364.000.000 0,5087
2021 935.072.000.000 41.530.700.000 935.072.000.000 0,9556
2017 373.955.852.243 248.752.335.546 373.955.852.243 0,3348
2018 370.390.736.433 256.947.701.878 370.390.736.433 0,3063
2 CINT
2019 407.452.029.013 292.192.033.789 407.452.029.013 0,2829
2020 330.675.687.019 233.761.111.651 330.675.687.019 0,2931
2021 287.145.581.206 273.255.025.402 287.145.581.206 0,0484
2017 614.677.561.202 388.877.393.195 614.677.561.202 0,3673
2018 831.104.026.853 562.460.279.774 831.104.026.853 0,3232
3 CLEO
2019 1.084.912.780.290 692.217.433.141 1.084.912.780.290 0,3620
2020 972.634.784.176 562.235.507.989 972.634.784.176 0,4219
2021 1.103.519.743.574 642.038.152.501 1.103.519.743.574 0,4182
2017 1.209.215.316.632 1.044.272.071.444 1.209.215.316.632 0,1364
2018 1.430.785.280.985 1.228.387.538.365 1.430.785.280.985 0,1415
4 HOKI
2019 1.653.031.823.505 1.412.661.195.702 1.653.031.823.505 0,1454
2020 1.173.189.488.886 1.029.660.122.589 1.173.189.488.886 0,1223
2021 933.597.187.584 820.501.051.093 933.597.187.584 0,1211
2017 2.482.758.909.609 2.257.188.788.489 2.482.758.909.609 0,0909
2018 2.745.593.297.236 2.487.493.630.022 2.745.593.297.236 0,0940
5 HRTA
2019 3.235.522.159.813 2.919.727.588.456 3.235.522.159.813 0,0976
2020 4.138.626.813.254 3.716.928.485.410 4.138.626.813.254 0,1019
2021 5.237.905.426.180 4.665.326.852.371 5.237.905.426.180 0,1093
2017 35.606.593 24.547.757 35.606.593 0,3106
2018 38.413.407 26.147.857 38.413.407 0,3193
6 ICBP
2019 42.296.703 27.892.690 42.296.703 0,3405
2020 46.641.048 29.416.673 46.641.048 0,3693
2021 56.803.733 36.526.493 56.803.733 0,3570
2017 70.186.618 50.416.667 70.186.618 0,2817
2018 73.394.728 53.182.723 73.394.728 0,2754
7 INDF
2019 76.592.955 53.876.594 76.592.955 0,2966
2020 81.731.469 53.876.594 81.731.469 0,3408
2021 99.345.618 66.881.557 99.345.618 0,3268
2017 20.182.120.166.616 10.369.836.693.616 20.182.120.166.616 0,4862
2018 21.074.306.186.027 11.226.380.392.484 21.074.306.186.027 0,4673
8 KLBF
2019 22.633.476.361.038 12.390.008.590.196 22.633.476.361.038 0,4526
2020 23.112.654.991.224 12.866.332.497.453 23.112.654.991.224 0,4433
2021 26.261.194.512.313 14.977.410.271.049 26.261.194.512.313 0,4297
2017 411.144.165.006 330.347.656.497 411.144.165.006 0,1965
2018 455.555.959.093 405.891.106.620 455.555.959.093 0,1090
9 LMPI 2019 517.512.379.678 467.568.796.589 517.512.379.678 0,0965
2020 513.607.183.458 468.817.048.351 513.607.183.458 0,0872
2021 568.644.535.159 489.824.535.380 568.644.535.159 0,1386
2017 731.577.343.628 355.796.818.935 731.577.343.628 0,5137
2018 502.517.714.607 288.808.650.976 502.517.714.607 0,4253
10 MBTO
2019 537.567.605.097 305.240.878.778 537.567.605.097 0,4322
2020 297.216.309.211 143.858.591.874 297.216.309.211 0,5160
2021 210.528.089.820 197.541.994.773 210.528.089.820 0,0617
2017 20.816.673.946.473 15.841.619.191.077 20.816.673.946.473 0,2390
2018 24.060.802.395.725 17.664.148.865.078 24.060.802.395.725 0,2659
11 MYOR
2019 25.026.739.472.547 17.109.498.526.032 25.026.739.472.547 0,3164
2020 24.476.953.742.651 17.177.830.782.966 24.476.953.742.651 0,2982
2021 27.904.558.322.183 20.981.574.813.403 27.904.558.322.183 0,2481
2017 1.631.317.499.096 1.348.504.215.451 1.631.317.499.096 0,1734
2018 1.592.979.941.258 1.308.760.117.807 1.592.979.941.258 0,1784
12 UNVR
2019 1.359.175.249.655 1.108.815.136.496 1.359.175.249.655 0,1842
2020 1.715.587.654.399 1.314.987.873.576 1.715.587.654.399 0,2335
2021 2.901.986.532.879 2.450.332.548.549 2.901.986.532.879 0,1556
2017 1.838.417 1.205.820 1.838.417 0,3441
2018 2.073.258 1.254.746 2.073.258 0,3948
13 AGII
2019 2.203.617 1.205.820 2.203.617 0,4528
2020 2.188.179 1.254.746 2.188.179 0,4266
2021 2.738.813 1.507.448 2.738.813 0,4496
2017 708.740.551.637 588.935.699.382 708.740.551.637 0,1690
2018 789.643.654.873 638.294.546.423 789.643.654.873 0,1917
14 ALDO
2019 1.096.435.817.888 821.595.543.791 1.096.435.817.888 0,2507
2020 1.105.920.883.249 870.991.419.206 1.105.920.883.249 0,2124
2021 1.457.266.932.664 1.163.053.476.830 1.457.266.932.664 0,2019
2017 1.218.317.826.843 1.209.851.123.279 1.218.317.826.843 0,0069
2018 1.279.809.883.694 1.289.502.735.209 1.279.809.883.694 - 0,0076
15 BAJA
2019 1.072.625.592.333 1.047.341.274.547 1.072.625.592.333 0,0236
2020 1.204.954.780.957 1.103.312.751.141 1.204.954.780.957 0,0844
2021 1.374.486.754.604 1.189.034.144.878 1.374.486.754.604 0,1349
2017 1.310.440.496 1.212.748.593 1.310.440.496 0,0745
2018 1.319.344.703 1.234.896.910 1.319.344.703 0,0640
16 BRNA
2019 1.221.535.436 1.156.300.343 1.221.535.436 0,0534
2020 1.123.569.559 1.076.231.623 1.123.569.559 0,0421
2021 1.076.231.623 1.038.263.672 1.076.231.623 0,0353
2017 88.010.862.980 68.011.442.761 88.010.862.980 0,2272
2018 117.489.192.060 85.707.312.659 117.489.192.060 0,2705
17 BTON
2019 122.325.708.570 106.515.138.255 122.325.708.570 0,1292
2020 113.551.660.060 103.930.791.766 113.551.660.060 0,0847
2021 112.730.081.720 91.430.640.021 112.730.081.720 0,1889
2017 49.367.386 43.118.451 49.367.386 0,1266
 2018 53.957.604 44.822.755 53.957.604 0,1693
18 CPIN
2019 42.501.146 34.525.979 42.501.146 0,1876
2020 42.518.782 34.236.799 42.518.782 0,1948
2021 51.698.249 43.559.424 51.698.249 0,1574
2017 6.575.570 5.414.679 6.575.570 0,1765
2018 7.390.580 6.155.948 7.390.580 0,1671
19 CPRO
2019 7.175.764 5.834.064 7.175.764 0,1870
2020 7.573.506 6.228.003 7.573.506 0,1777
2021 8.028.078 6.533.173 8.028.078 0,1862
2017 111.294.849.755 86.428.325.414 111.294.849.755 0,2234
2018 143.382.081.850 114.505.560.002 143.382.081.850 0,2014
20 DPNS
2019 118.917.403.800 92.610.497.907 118.917.403.800 0,2212
2020 96.644.910.643 75.915.198.723 96.644.910.643 0,2145
2021 147.210.449.631 100.630.682.833 147.210.449.631 0,3164
2017 643.591.823.505 450.211.453.881 643.591.823.505 0,3005
2018 739.578.860.399 536.822.941.320 739.578.860.399 0,2742
21 EKAD
2019 758.299.364.555 536.138.472.828 758.299.364.555 0,2930
2020 671.540.878.728 446.523.367.351 671.540.878.728 0,3351
2021 629.879.334.779 405.237.139.273 629.879.334.779 0,3566
2017 761.926.952.217 632.967.231.181 761.926.952.217 0,1693
2018 777.316.506.801 676.188.716.685 777.316.506.801 0,1301
22 IGAR
2019 776.541.441.414 652.946.761.824 776.541.441.414 0,1592
2020 739.402.296.030 610.537.250.674 739.402.296.030 0,1743
2021 970.111.806.482 791.413.142.457 970.111.806.482 0,1842
2017 980.285.748.450 795.476.989.375 980.285.748.450 0,1885
2018 1.130.297.518.656 947.040.583.629 1.130.297.518.656 0,1621
23 INAI
2019 1.216.136.763.334 1.073.916.730.785 1.216.136.763.334 0,1169
2020 1.028.910.711.144 916.808.325.035 1.028.910.711.144 0,1090
2021 1.436.934.034.909 1.271.211.579.097 1.436.934.034.909 0,1153
2017 3.662.810 3.100.253 3.662.810 0,1536
2018 4.467.590 3.935.894 4.467.590 0,1190
24 ISSP
2019 4.885.875 4.197.484 4.885.875 0,1409
2020 3.775.530 3.217.408 3.775.530 0,1478
2021 5.378.808 4.258.794 5.378.808 0,2082
2017 29.602.688 24.585.704 29.602.688 0,1695
2018 34.012.965 26.804.578 34.012.965 0,2119
25 JPFA
2019 38.872.084 31.000.234 38.872.084 0,2025
2020 36.964.948 29.535.739 36.964.948 0,2010
2021 44.878.300 36.858.209 44.878.300 0,1787
2017 349.690.796.141 226.264.507.840 349.690.796.141 0,3530
2018 424.128.420.727 268.502.935.903 424.128.420.727 0,3669
26 LION
2019 372.489.022.928 237.230.442.123 372.489.022.928 0,3631
2020 298.552.920.579 198.932.235.453 298.552.920.579 0,3337
2021 300.280.285.514 198.452.832.964 300.280.285.514 0,3391
 2017 2.354.938.016.436 2.159.382.022.383 2.354.938.016.436 0,0830
2018 2.630.918.557.954 2.410.651.375.897 2.630.918.557.954 0,0837
27 TRST
2019 2.566.094.747.992 2.358.430.472.066 2.566.094.747.992 0,0809
2020 2.991.912.117.541 2.644.989.179.914 2.991.912.117.541 0,1160
2021 3.652.442.192.823 3.164.714.349.819 3.652.442.192.823 0,1335
2017 3.490.087.264 2.969.444.832 3.490.087.264 0,1492
2018 4.353.287.585 3.733.538.921 4.353.287.585 0,1424
28 PBID
2019 4.632.864.612 4.030.942.873 4.632.864.612 0,1299
2020 3.870.552.460 3.051.870.631 3.870.552.460 0,2115
2021 4.441.512.773 3.562.016.302 4.441.512.773 0,1980
2017 747.064.722.530 652.278.911.641 747.064.722.530 0,1269
2018 776.045.443.574 683.773.216.728 776.045.443.574 0,1189
29 PICO
2019 770.160.690.837 676.101.330.104 770.160.690.837 0,1221
2020 308.444.212.106 296.253.291.118 308.444.212.106 0,0395
2021 455.740.836.133 439.126.393.720 455.740.836.133 0,0365
2017 27.813.664.176 19.854.065.409 27.813.664.176 0,2862
2018 30.687.625.970 21.357.095.645 30.687.625.970 0,3040
30 SMGR
2019 40.368.107 27.654.124 40.368.107 0,3150
2020 35.171.668 23.554.567 35.171.668 0,3303
2021 34.957.871 24.004.540 34.957.871 0,3133
2017 2.093.137.904.266 1.777.790.483.983 2.093.137.904.266 0,1507
2018 2.389.268.903.462 2.016.338.952.379 2.389.268.903.462 0,1561
31 SPMA
2019 2.514.161.429.045 2.139.362.218.312 2.514.161.429.045 0,1491
2020 2.151.494.981.968 1.758.714.475.191 2.151.494.981.968 0,1826
2021 2.794.452.671.851 2.205.296.922.973 2.794.452.671.851 0,2108
2017 521.481.727 407.409.419 521.481.727 0,2187
2018 600.986.872 458.091.261 600.986.872 0,2378
32 SRSN
2019 684.464.392 511.519.472 684.464.392 0,2527
2020 890.996.866 699.831.445 890.996.866 0,2146
2021 907.832.649 740.039.641 907.832.649 0,1848
2017 2.449.961 2.203.687 2.449.961 0,1005
2018 3.120.459 2.616.017 3.120.459 0,1617
33 SIPD
2019 4.049.392 3.459.707 4.049.392 0,1456
2020 4.341.295 3.805.701 4.341.295 0,1234
2021 5.439.581 4.899.483 5.439.581 0,0993
2017 213.761.005.553 147.132.371.971 213.761.005.553 0,3117
2018 246.403.880.622 165.625.372.516 246.403.880.622 0,3278
34 AMIN
2019 264.872.722.193 179.492.420.933 264.872.722.193 0,3223
2020 205.277.939.854 149.286.744.783 205.277.939.854 0,2728
2021 129.512.982.726 152.141.705.996 129.512.982.726 - 0,1747
2017 206.057 163.689 206.057 0,2056
2018 239.205 188.436 239.205 0,2122
35 ASII
2019 237.166 186.927 237.166 0,2118
2020 175.046 136.488 175.046 0,2203
 2021 233.485 182.452 233.485 0,2186
2017 974.536.083 526.713.772 974.536.083 0,4595
2018 992.696.071 516.928.103 992.696.071 0,4793
36 BATA
2019 931.271.436 502.693.372 931.271.436 0,4602
2020 459.584.146 361.651.349 459.584.146 0,2131
2021 438.484.972 242.719.799 438.484.972 0,4465
2017 446.128.910.614 341.205.640.381 446.128.910.614 0,2352
2018 561.373.657.827 412.792.116.221 561.373.657.827 0,2647
37 BELL
2019 714.325.706.006 509.360.697.332 714.325.706.006 0,2869
2020 538.299.250.841 411.576.072.447 538.299.250.841 0,2354
2021 428.170.870.794 307.788.071.414 428.170.870.794 0,2812
2017 153.713.878.373 88.499.522.950 153.713.878.373 0,4243
2018 146.138.557.283 81.568.040.718 146.138.557.283 0,4418
38 BIMA
2019 126.478.581.670 76.764.393.137 126.478.581.670 0,3931
2020 57.050.904.827 62.640.635.011 57.050.904.827 - 0,0980
2021 41.842.213.373 45.127.181.114 41.842.213.373 - 0,0785
2017 1.047.701.082.078 783.061.390.941 1.047.701.082.078 0,2526
2018 1.187.195.058.022 947.281.865.541 1.187.195.058.022 0,2021
39 BOLT
2019 1.206.818.443.326 996.098.454.419 1.206.818.443.326 0,1746
2020 788.873.091.221 696.902.028.465 788.873.091.221 0,1166
2021 1.181.849.268.110 963.909.237.990 1.181.849.268.110 0,1844
2017 14.146.918 11.682.799 14.146.918 0,1742
2018 15.349.939 12.896.103 15.349.939 0,1599
40 GJTL
2019 15.939.421 13.142.479 15.939.421 0,1755
2020 15.344.138 10.760.599 15.344.138 0,2987
2021 13.434.592 13.219.309 13.434.592 0,0160
2017 1.967.982.902.772 1.586.466.831.193 1.967.982.902.772 0,1939
2018 2.400.062.227.790 2.037.197.167.462 2.400.062.227.790 0,1512
41 INDS
2019 2.091.491.715.532 1.781.348.782.838 2.091.491.715.532 0,1483
2020 1.626.190.564.290 1.364.875.178.568 1.626.190.564.290 0,1607
2021 2.643.817.825.127 2.126.563.303.210 2.643.817.825.127 0,1956
2017 2.184.518.893 1.879.070.577 2.184.518.893 0,1398
2018 3.207.579.964 2.869.855.190 3.207.579.964 0,1053
42 JECC
2019 2.926.098.892 2.575.444.536 2.926.098.892 0,1198
2020 1.575.004.597 1.430.798.039 1.575.004.597 0,0916
2021 1.721.401.131 1.689.122.210 1.721.401.131 0,0188
2017 3.186.704.707.526 2.671.942.419.304 3.186.704.707.526 0,1615
2018 4.239.937.390.001 3.693.396.602.004 4.239.937.390.001 0,1289
43 KBLI
2019 4.343.585.154.017 3.560.440.360.549 4.343.585.154.017 0,1803
2020 1.954.212.566.439 1.841.850.295.227 1.954.212.566.439 0,0575
2021 1.761.740.449.027 1.585.775.254.924 1.761.740.449.027 0,0999
2017 1.215.476.677.995 1.109.571.811.710 1.215.476.677.995 0,0871
2018 1.243.465.775.218 1.122.034.987.713 1.243.465.775.218 0,0977
44 KBLM
2019 1.149.120.504.681 1.042.840.828.040 1.149.120.504.681 0,0925
 2020 883.822.892.518 833.504.758.330 883.822.892.518 0,0569
2021 1.214.204.113.826 1.190.160.404.860 1.214.204.113.826 0,0198
2017 1.600.432.168.098 1.177.773.110.864 1.600.432.168.098 0,2641
2018 2.107.868.384.272 1.757.395.964.083 2.107.868.384.272 0,1663
45 RICY
2019 2.151.323.988.585 1.827.626.415.501 2.151.323.988.585 0,1505
2020 1.286.059.282.439 1.085.721.445.836 1.286.059.282.439 0,1558
2021 1.375.931.426.011 1.177.773.110.864 1.375.931.426.011 0,1440
2017 3.339.964 2.333.049 3.339.964 0,3015
2018 3.933.353 2.740.108 3.933.353 0,3034
46 SMSM
2019 3.935.811 2.744.171 3.935.811 0,3028
2020 3.233.693 2.196.408 3.233.693 0,3208
2021 4.162.931 2.825.555 4.162.931 0,3213
2017 343.842.837.211 340.200.437.602 343.842.837.211 0,0106
2018 410.244.604.874 398.508.313.159 410.244.604.874 0,0286
47 SSTM
2019 356.988.893.834 340.474.551.624 356.988.893.834 0,0463
2020 220.499.855.235 214.249.373.220 220.499.855.235 0,0283
2021 226.838.383.304 220.837.864.307 226.838.383.304 0,0265
 LAMPIRAN 9 Olah Data Tax Avoidance

PEMBAYARAN LABA SEBELUM

No. KODE Th. HASIL
PAJAK PAJAK
2017 6.344.000.000 51.095.000.000 0,1242
2018 6.113.000.000 70.060.000.000 0,0873
1 ADES
2019 15.885.000.000 110.179.000.000 0,1442
2020 19.093.000.000 167.919.000.000 0,1137
2021 57.864.000.000 337.828.000.000 0,1713
2017 9.531.314.784 38.318.872.398 0,2487
2018 10.193.052.028 22.090.078.956 0,4614
2 CINT
2019 5.806.389.546 13.896.350.693 0,4178
2020 446.034.351 6.564.977.193 0,0679
2021 208.750.475 99.225.082.862 0,0021
2017 21.887.261.999 62.342.385.255 0,3511
2018 9.128.676.342 81.356.830.315 0,1122
3 CLEO
2019 27.000.838.885 172.667.589.552 0,1564
2020 28.882.717.979 168.964.556.985 0,1709
2021 39.838.906.262 229.981.620.687 0,1732
2017 21.897.931.481 64.384.420.849 0,3401
2018 30.452.617.379 120.822.298.064 0,2520
4 HOKI
2019 50.625.959.608 142.179.083.420 0,3561
2020 19.963.019.892 50.874.681.549 0,3924
2021 11.381.823.016 17.997.743.133 0,6324
2017 34.391.962.600 147.185.345.549 0,2337
2018 9.899.835.418 165.784.070.062 0,0597
5 HRTA
2019 90.950.757.742 200.120.811.411 0,4545
2020 53.564.377.390 218.204.833.971 0,2455
2021 42.648.174.995 248.165.327.819 0,1719
2017 1.862.383 5.206.561 0,3577
2018 2.005.525 6.446.785 0,3111
6 ICBP
2019 1.615.934 7.436.972 0,2173
2020 1.684.628 9.958.647 0,1692
2021 2.817.278 9.935.232 0,2836
2017 3.422.799 7.594.822 0,4507
2018 3.460.973 7.446.966 0,4647
7 INDF
2019 2.361.672 8.749.397 0,2699
2020 2.784.615 12.426.334 0,2241
2021 3.577.269 14.456.085 0,2475
2017 782.316.500.559 3.241.186.725.992 0,2414
2018 838.106.813.718 3.306.399.669.021 0,2535
8 KLBF
2019 839.509.478.376 3.402.616.824.533 0,2467
2020 602.524.461.985 3.627.632.574.744 0,1661
2021 967.557.071.735 4.143.264.634.774 0,2335
2017 3.583.237.439 34598578079 0,1036
 2018 8.059.992.221 58874992358 0,1369
9 LMPI 2019 18552081977 56356644949 0,3292
2020 18540152585 49123405851 0,3774
2021 19455196645 10586019650 1,8378
2017 17.310.983.095 31.658.218.720 0,5468
2018 26.574.992.046 155.155.168.378 0,1713
10 MBTO
2019 11.264.696.524 88.263.038.281 0,1276
2020 3.583.237.439 189.413.036.663 0,0189
2021 8.059.992.221 117.769.279.024 0,0684
2017 3.302.663.300.000 2.186.884.603.474 1,5102
2018 783.198.400.000 2.381.942.198.855 0,3288
11 MYOR
2019 1.216.312.916.000 2.704.466.581.011 0,4497
2020 1.716.530.019.000 2.683.890.279.936 0,6396
2021 237.676.672.000 1.549.648.556.686 0,1534
2017 2406049 9371661 0,2567
2018 2.340.586 12185764 0,1921
12 UNVR
2019 3120471 9901772 0,3151
2020 1693036 9206869 0,1839
2021 1848151 7496592 0,2465
2017 17.013 133.820 0,1271
2018 19.101 147.639 0,1294
13 AGII
2019 22.018 138.137 0,1594
2020 18.322 96.179 0,1905
2021 18.828 275.898 0,0682
2017 11.533.291.195 38.621.790.950 0,2986
2018 7.978.207.535 57.208.486.144 0,1395
14 ALDO
2019 22.545.291.220 121.937.309.241 0,1849
2020 24.962.387.219 83.963.236.519 0,2973
2021 29.914.777.877 129.768.148.235 0,2305
2017 13.350.975.938 26.782.998.764 0,4985
2018 13.784.758.568 30.499.688.935 0,4520
15 BAJA
2019 14.266.217.423 26.797.517.030 0,5324
2020 6.335.078.118 22.838.297.166 0,2774
2021 22.050.649.490 15.783.194.069 1,3971
2017 17.737.700 224.189.380 0,0791
2018 14.030.378 21.224.294 0,6611
16 BRNA
2019 14.001.316 163.083.992 0,0859
2020 5.041.008 187.053.341 0,0269
2021 4.998.016 216.722.795 0,0231
2017 14.786.159 14.737.057.056 0,0010
2018 3.421.230.379 34.236.874.970 0,0999
17 BTON
2019 5.738.079.066 2.890.115.839 1,9854
2020 75.116.000 4.697.219.006 0,0160
2021 923.934.720 12.564.074.567 0,0735
 2017 27.392 3.259.822 0,0084
2018 19.460 5.907.351 0,0033
18 CPIN
2019 146.225 4.608.641 0,0317
2020 45.138 4.767.698 0,0095
2021 204.410 4.633.546 0,0441
2017 72.982 2.499.913 0,0292
2018 56.180 1.831.870 0,0307
19 CPRO
2019 37.205 350.149 0,1063
2020 24.459 195.391 0,1252
2021 79.459 2.286.758 0,0347
2017 8.413.643.713 7.568.252.565 1,1117
2018 12.462.015.589 12.347.569.714 1,0093
20 DPNS
2019 12.901.146.529 5.302.563.264 2,4330
2020 8.048.722.963 4.461.029.495 1,8042
2021 11.487.339.603 28.186.888.107 0,4075
2017 38.261.692.997 102.649.309.681 0,3727
2018 29.115.691.717 101.455.415.901 0,2870
21 EKAD
2019 30.483.889.023 111.834.501.956 0,2726
2020 22.754.445.504 123.522.654.770 0,1842
2021 37.608.893.444 137.720.156.180 0,2731
2017 33.389.113.795 95.764.791.063 0,3487
2018 27.168.554.186 61.747.960.127 0,4400
22 IGAR
2019 21.766.110.579 83.534.447.014 0,2606
2020 18.889.933.731 83.166.786.329 0,2271
2021 28.512.723.615 135.948.996.651 0,2097
2017 12.992.559.962 52.292.073.203 0,2485
2018 14.901.843.664 64.757.097.094 0,2301
23 INAI
2019 15.884.967.201 48.116.436.880 0,3301
2020 11.432.741.653 26.221.826.142 0,4360
2021 15.614.449.134 32.725.079.210 0,4771
2017 21.179 20.430 1,0367
2018 10.055 59.640 0,1686
24 ISSP 2019 76.306 233.293 0,3271
2020 19.793 155.068 0,1276
2021 47.798 659.402 0,0725
2017 674.877 1.710.054 0,3947
2018 773.175 3.089.839 0,2502
25 JPFA
2019 1.222.093 2.494.477 0,4899
2020 335.394 1.679.091 0,1997
2021 796.896 2.793.847 0,2852
2017 12.430.253.792 20.175.438.794 0,6161
2018 7.979.956.206 23.908.625.171 0,3338
26 LION
2019 7.132.482.607 5.763.388.287 1,2376
2020 4.528.356.534 7.110.199.333 0,6369
 2021 542.148.063 3.693.250.636 0,1468
2017 15.003.168.012 12.513.681.277 1,1989
2018 20.328.919.188 36.216.675.439 0,5613
27 TRST
2019 18.416.717.612 17.514.074.859 1,0515
2020 9.445.689.085 46.317.333.298 0,2039
2021 25.918.029.281 218.345.343.985 0,1187
2017 103.024.923 302.782.707 0,3403
2018 144.430.374 385.012.265 0,3751
28 PBID
2019 119.518.148 297.821.465 0,4013
2020 86.753.190 489.217.622 0,1773
2021 126.175.182 525.914.220 0,2399
2017 5.705.316.394 22.614.674.874 0,2523
2018 6.445.591.543 17.802.088.413 0,3621
29 PICO
2019 1.021.694.702 9.512.852.655 0,1074
2020 2.732.344.653 64.269.139.438 0,0425
2021 136.730.994 52.076.301.857 0,0026
2017 1.147.544.131 2.253.893.318 0,5091
2018 542.907.169 4.104.959.323 0,1323
30 SMGR
2019 616.721 3.195.775 0,1930
2020 1.195.316 3.488.650 0,3426
2021 1.231.127 3.470.137 0,3548
2017 13.499.298.212 121.308.934.629 0,1113
2018 17.327.208.596 109.673.317.782 0,1580
31 SPMA
2019 16.294.816.033 176.640.361.124 0,0922
2020 21.909.978.434 195.503.438.222 0,1121
2021 45.837.863.354 377.509.626.634 0,1214
2017 1.005.112 18.969.208 0,0530
2018 8.338.542 50.845.763 0,1640
32 SRSN
2019 13167729 57029659 0,2309
2020 20779149 61027867 0,3405
2021 24259170 32257288 0,7521
2017 59.279 237.482 0,2496
2018 59.668 33.989 1,7555
33 SIPD
2019 110.041 -
2020 13.976 46.806 0,2986
2021 33,516 6163 0,0054
2017 9.634.998.241 43.285.170.463 0,2226
2018 14.991.875.380 51.284.231.355 0,2923
34 AMIN
2019 15.315.050.546 44.656.540.624 0,3430
2020 7.904.282.688 14.637.584.276 0,5400
2021 11.568.126.804 56.805.130.187 0,2036
2017 6.369 29.137 0,2186
2018 801 34.995 0,0229
35 ASII
2019 10.943 34.054 0,3213
 2020 6.052 21.741 0,2784
2021 5.538 3.235 1,7119
2017 22.005.123 79.524.179 0,2767
2018 34.031.709 92.878.105 0,3664
36 BATA 2019 25.482.096 35.857.813 0,7106
2020 6.409.273 225.041.792 0,0285
2021 15.333.683 64.001.214 0,2396
2017 8.044.010.270 20.231.713.304 0,3976
2018 5.928.798.050 30.583.858.545 0,1939
37 BELL
2019 7.492.122.126 35.318.255.384 0,2121
2020 8.044.010.270 14.071.086.133 0,5717
2021 5.928.798.050 8.485.241.219 0,6987
2017 8.710.330.725 10.901.810.252 0,7990
2018 4.805.452.285 3.179.255.211 1,5115
38 BIMA
2019 1.277.974.057 35.318.255.384 0,0362
2020 872.017.464 14.071.086.133 0,0620
2021 464.579.453 25.979.196.419 0,0179
2017 48.771.806.905 131.970.355.069 0,3696
2018 48.999.358.747 102.840.767.511 0,4765
39 BOLT
2019 36.233.546.462 69.263.833.897 0,5231
2020 13.811.742.365 63.652.188.438 0,2170
2021 5.672.636.604 105.700.098.809 0,0537
2017 239.880 106.824 2,2456
2018 162.840 85.585 1,9027
40 GJTL
2019 231.577 457.876 0,5058
2020 62.044 476.377 0,1302
2021 228.334 87.097 2,6216
2017 27.694.980.485 160.340.854.561 0,1727
2018 49.592.326.899 147.982.768.771 0,3351
41 INDS
2019 37.149.831.219 130.070.871.745 0,2856
2020 15.532.771.529 75.316.440.467 0,2062
2021 55.519.035.617 213.789.217.074 0,2597
2017 60.753.310 111.623.616 0,5443
2018 4.956.846 122.048.569 0,0406
42 JECC
2019 6.428.385 144.970.437 0,0443
2020 34.614.283 21.247.754 1,6291
2021 5.692.014 73.684.940 0,0772
2017 104.974.127.449 428.884.879.225 0,2448
2018 49.693.745.885 308.977.208.238 0,1608
43 KBLI
2019 95.998.063.785 519.755.795.380 0,1847
2020 47.622.963.782 47.842.072.699 0,9954
2021 2.184.020.304 108.753.123.504 0,0201
2017 27.458.663.018 64.508.435.214 0,4257
2018 9.104.072.397 44.548.264.596 0,2044
44 KBLM 2019 17.072.956.339 9.130.021.231 1,8700
2020 6.945.400.385 195.503.438.222 0,0355
2021 4.719.297.700 11.041.672.531 0,4274
2017 11350912364 25808846585 0,4398
2018 12205166082 29841866355 0,4090
45 RICY
2019 16112682569 28833894902 0,5588
2020 3984007243 74667321363 0,0534
2021 3344336929 61003697225 0,0548
2017 167.001 720.638 0,2317
2018 193.018 828.281 0,2330
46 SMSM
2019 201.818 822.042 0,2455
2020 137.832 684.268 0,2014
2021 167.902 922.168 0,1821
2017 244.367.196 31.048.829.703 0,0079
2018 2.143.719.825 1.820.189.102 1,1777
47 SSTM
2019 129.651.218 21.323.408.393 0,0061
2020 271.141.518 19.399.505.768 0,0140
2021 2.085.767.531 57.285.097.059 0,0364
 LAMPIRAN 10 Hasil Analisis Data SPSS

Hasil Analisis Deskriptif

Financial Distress Z-Score
Descriptive Statistics

Mean Std. Deviation N

Tax avoidance .37006596 .449188200 235

FS_ZSCORE 4.43753191 2.571222800 235

Profitabilitas .21579149 .135935454 235

Hasil Analisis Deskriptif

Financial Distress G-Score
Descriptive Statistics

Mean Std. Deviation N

Tax avoidance .37006596 .449188200 235

FS_GSCORE .69115362 .523152514 235

Profitabilitas .21579149 .135935454 235

Descriptive Statistics

N Minimum Maximum Mean Std. Deviation

FS_ZScore 235 -19130.00 130165.00 44375.3191 25712.22800

FS_GScore 235 -5649.00 21191.00 6911.5362 5231.52514
Profitabilitas 235 -1747.00 9556.00 2157.9149 1359.35454
Tax Avoidance 235 .00 26216.00 3700.6596 4491.88200
Valid N (listwise) 235

Sumber: SPSS22
 Hasil Uji Normalitas Z-Score
One-Sample Kolmogorov-Smirnov Test

Unstandardized Residual
N 235
Normal Parametersa,b Mean .0000000
Std. Deviation .15874231
Most Extreme Differences Absolute .068
Positive .068
Negative -.041
Kolmogorov-Smirnov Z 1.041
Asymp. Sig. (2-tailed) .229
a. Test distribution is Normal.
b. Calculated from data.

Hasil Uji Normalitas G-Score

One-Sample Kolmogorov-Smirnov Test

Unstandardized Residual
N 235
Normal Parametersa,b Mean .0000000
Std. Deviation .15996173
Most Extreme Differences Absolute .084
Positive .084
Negative -.055
Kolmogorov-Smirnov Z 1.293
Asymp. Sig. (2-tailed) .071
a. Test distribution is Normal.
b. Calculated from data.

Hasil Uji Asumsi Multikolinearitas

Coefficientsa

Standardized
Unstandardized Coefficients Coefficients Collinearity Statistics

Model B Std. Error Beta Tolerance VIF

1 (Constant) 1372.461 248.793

FS_Z-Score .014 .006 .183 .699 1.431

FS_G-Score .052 .032 .121 .661 1.512

Profitabilitas .204 .082 .161 .903 1.107

a. Dependent Variable: Tax Avoidance

 Hasil Uji Durbin-Watson
Model Summaryb

Adjusted R Std. Error of the

Model R R Square Square Estimate Durbin-Watson

1 .350a .123 .111 1588.90456 1.892

a. Predictors: (Constant), Profitabilitas, FS_Z-Score, FS_G-Score

b. Dependent Variable: Tax Avoidance

Koefisien Korelasi
Correlationsb
FS_ZSCORE FS_GSCORE Profitabilitas Tax avoidance
FS_ZSCORE Pearson Correlation 1 .547** .208** .283**

Sig. (2-tailed) .000 .001 .000

** **
FS_GSCORE Pearson Correlation .547 1 .307 .271**
Sig. (2-tailed) .000 .000 .000
Profitabilitas Pearson Correlation .208** .307** 1 .236**

Sig. (2-tailed) .001 .000 .000

** ** **
Tax avoidance Pearson Correlation .283 .271 .236 1

Sig. (2-tailed) .000 .000 .000

**. Correlation is significant at the 0.01 level (2-tailed).
b. Listwise N=235

Hasil Regresi Linier Berganda

Coefficientsa
Standardized
Unstandardized Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) .139 .025 5.575 .000

FS_ZSCORE .019 .005 .244 3.867 .000

Profitabilitas .235 .080 .185 2.931 .004
a. Dependent Variable: Tax avoidance

Hasil Regresi Linier Berganda

Coefficientsa
Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta T Sig.
1 (Constant) .168 .022 7.672 .000

FS_GSCORE .093 .028 .219 3.347 .001

Profitabilitas .214 .083 .169 2.577 .011
a. Dependent Variable: Tax avoidance
 Hasil Uji F (z-Score)
ANOVAa

Model Sum of Squares df Mean Square F Sig.

1 Regression 81545202.394 3 27181734.131 10.767 .000b

Residual 583186688.100 231 2524617.697

Total 664731890.494 234

a. Dependent Variable: Tax Avoidance

b. Predictors: (Constant), Profitabilitas, FS_Z-Score, FS_G-Score

Hasil Uji t
Coefficientsa

Standardized
Unstandardized Coefficients Coefficients

Model B Std. Error Beta t Sig.

1 (Constant) 1372.461 248.793 5.516 .000

FS_Z-Score .014 .006 .183 2.484 .014

FS_G-Score .052 .032 .121 1.603 .110

Profitabilitas .204 .082 .161 2.478 .014

a. Dependent Variable: Tax Avoidance

Uji Koefisien Determinasi

Model Summaryb

Std. Error of the

Model R R Square Adjusted R Square Estimate

1 .350 a
.123 .111 1588.90456

a. Predictors: (Constant), Profitabilitas, FS_Z-Score, FS_G-Score

b. Dependent Variable: Tax Avoidance

LAMPIRAN 11
BIODATA PENELITI

Nama : Indri Tri Juliyanti

Tempat Tanggal Lahir : Palembang, 21 Juli 1998
Alamat Rumah : Jl. Raya Cimindi, Gg. H martobi RT. 07/18, Cimahi
Selatan
No. Telpon : 0898-0969-040
E-mail : trijuliyantiindri@gmail.com
Pendidikan Formal
2020 – sekarang : Jurusan Akuntansi, Sekolah Tinggi Ilmu Ekonomi STAN –
Indonesia Mandiri
2014 - 2017 : SMK Mutiara 1 Bandung Jurusan Administrasi
Perkantoran
2011 – 2014 : SMP Mutiara 4 Bandung
2005 – 2011 : SDN Karang Taruna 1 Bandung
Pengalaman Organisasi
 Anggota PMR SMP Mutiara 4 Bandung 2011-2013
 Anggota Sekertaris OSIS SMP Mutiata 4 Bandung 2012-2013
 Anggota OSIS SMK Mutiara 1 Bandung 2014
 Anggota PASKIBRA SMK Mutiara 1 Bandung 2014-2016
Aktivitas dan Pelatihan
 Peserta Webminar Nasional “Implementasi Forensic Accounting Mendeteksi
Fraud” di UI tahun 2021
 Peserta Webminar “In Economics & Busines Perspective” UNPAS 2021
 Peserta Webminar Nasional “Steping into Financial Independance” di
UNJANI 2022
 Peserta Webminar Tax Talk “Batasan Jenis Baranga dan Jasa yang Tidak
Dikenai PPN berdasarkan UU HPP dan Aturan Turunannya” di TELKOM
2022