DISUSUN OLEH:
AUDRI WIDIASTIKA
5170111186
DISUSUN OLEH:
AUDRI WIDIASTIKA
5170111186
i
LEMBAR PERSETUJUAN PEMBIMBING
FAKULTAS BISNIS & HUMANIORA
UNIVERSITAS TEKNOLOGI YOGYAKARTA
Disusun oleh:
Nama: Audri Widiastika
Nomor Pokok Mahasiswa: 5170111186
Saya nyatakan telah saya baca dengan seksama dan telah memenuhi standar
ilmiah sebagai Laporan Tugas Akhir jenjang Pendidikan Sarjana.
ii
HALAMAN PENGESAHAN
LAPORAN TUGAS AKHIR
Dengan Judul:
Oleh:
1. ______________
2. ______________
3. ______________
Mengetahui,
Ketua Program Studi Akuntansi
Program Sarjana
iii
HALAMAN PERNYATAAN
Menyatakan benar-benar telah melakukan studi empiris dan skripsi yang ditulis
dengan judul “Pengaruh Fraud Pentagon dalam Mendeteksi Kecurangan Laporan
Keuangan” ini benar-benar merupakan hasil karya sendiri, kecuali pada bagian
yang dirujuk sumbernya dan disebutkan dalam daftar pustaka. Jika dikemudian hari
pernyataan saya ini tidak benar, maka saya sanggup menerima sanksi dengan
Undang-Undang dan peraturan yang berlaku.
Audri Widiastika
iv
MOTO
“Sesungguhnya sesudah kesulitan itu pasti ada kemudahan. Maka apabila kamu
telah selesai (dari suatu urusan), tetaplah bekerja keras (untuk urusan yang lain),
dan hanya kepada Tuhanmulah hendaknya engkau berharap.”
[QS. Al-Insyirah 6-8]
“Success is not final, failure is not fatal; it is the courage to continue that counts.”
[Winston Churchill]
v
HALAMAN PERSEMBAHAN
Dengan rasa syukur dan penuh harap ridho Allah SWT Laporan Tugas Akhir ini
saya persembahkan untuk:
1. Kedua orang tua saya yaitu M. Irwan Arifin dan Nani Sulandari yang sangat
mendukung, memberikan semangat sekaligus doanya, memfasilitasi, dan
memotivasi agar saya mampu menyelesaikan tugas akhir ini. Terimakasih telah
mendengarkan segala keluh kesah dan menjadi support system terbaik yang
saya punya.
2. Keluarga saya Owin, Rara, Mbak Nunuk & Om Fathur sekeluarga, Mbah,
Nenek, dan keluarga besar yang telah ikut membantu mendoakan selama saya
merantau.
3. Bapak Dr. Junaidi, M.Si., Ak., CA., CSRS. selaku dosen pembimbing yang
telah membantu dan memberikan nasihat maupun masukan ketika membuat
tugas akhir ini. Terima kasih dan sehat selalu pak.
4. Sobat sambat Wulan, Putri, Riska, Anisa, dan Rahmi yang telah membantu
saya selama di perkuliahan. Terima kasih telah menjadi teman dekat dan selalu
ada ketika saya membutuhkan. Semoga sukses kedepannya dan kita tidak
saling melupakan.
5. Anna dan Nisa yang telah membantu saya melepaskan sejenak beban-beban di
pikiran saya dengan fangirl. Terima kasih karena menjadi sahabat sekaligus
teman fangirl sejak SMA.
6. Mentari dan Fika terima kasih karena sudah mendengarkan keluh kesah saya
ketika sedang homesick.
7. Teman-teman Sarjana Akuntansi Kelas D 2017 yang sedang menyelesaikan
tugas akhir. Semoga sukses.
8. KSPM UTY yang telah memberikan saya teman yang beragam dan ilmu
organisasi yang sangat bermanfaat. Terima kasih.
9. Teman-teman lain yang telah bertegur sapa.
10. Almamater Tercinta Universitas Teknologi Yogyakarta.
vi
KATA PENGANTAR
Puji Syukur penulis panjatkan kehadirat Allah Yang Maha Kuasa, atas
Ridho dan Rahmat serta BarokahNya penulis dapat menyelesaikan Laporan Tugas
Akhir yang berjudul “Pengaruh Fraud Pentagon dalam Mendeteksi Kecurangan
Laporan Keuangan.”
Laporan Tugas Akhir ini disusun untuk memenuhi salah satu persyaratan
guna memperoleh gelar Sarjana Akuntansi pada Fakultas Bisnis & Humaniora
Universitas Teknologi Yogyakarta. Penulis menyampaikan terima kasih kepada
semua pihak yang telah membantu dan memberikan dukungan baik moral maupun
spiritual sehingga Laporan Tugas Akhir ini dapat terselesaikan dengan baik. Rasa
terima kasih yang mendalam penulis sampaikan kepada:
1. Dekan dan Wakil Dekan Fakultas Bisnis & Humaniora Universitas Teknologi
Yogyakarta, yang saat ini dijabat oleh Bapak Dr. R. Yohanes Radjaban,
M.Hum dan Ibu Sekar Akrom Faradiza, S.E., M.Sc., Ak., CA.
2. Ketua Program Studi Akuntansi Program Sarjana Fakultas Bisnis &
Humaniora Universitas Teknologi Yogyakarta, yang saat ini dijabat oleh
Bapak Wawan Setiawan, S.E., M.Si., Ak., CA.
3. Bapak Dr. Junaidi, M.Si., Ak., CA., CSRS. selaku Dosen Pembimbing. Terima
kasih atas segala bimbingan dan arahan sehingga laporan tugas akhir ini dapat
selesai tepat pada waktunya.
4. Ibu Dra. Lilis Endang Wijayanti, M.Si., Ak., CA selaku Dosen Pembimbing
Akademik.
5. Seluruh keluarga besar Fakultas Bisnis & Humaniora Universitas Teknologi
Yogyakarta.
6. Orangtua dan teman-teman yang selalu mendukung dalam suka maupun duka.
7. Semua pihak yang tidak dapat penulis sebutkan satu persatu. Terima kasih
untuk semuanya.
Penulis menyadari bahwa Laporan Tugas Akhir ini masih jauh dari
kesempurnaan. Oleh karena itu, penulis sangat berharap adanya kritik dan saran
untuk pengembangan penulisan selanjutnya. Penulis berharap semoga laporan ini
dapat memberikan manfaat bagi para pembaca.
Penulis
vii
DAFTAR ISI
viii
C. Saran ................................................................................................................. 73
ix
DAFTAR TABEL
x
DAFTAR GAMBAR
xi
DAFTAR LAMPIRAN
xii
ABSTRAK
Audri Widiastika
5170111186
Kata Kunci: Kecurangan Laporan Keuangan, Teori Fraud Pentagon, dan Fraud
Score Model
xiii
ABSTRACT
Audri Widiastika
5170111186
This study aims to examine empirically the effect of the fraud pentagon theory
in detecting fraudulent financial statement. the sample used is manufacturing sector
companies listed on the Indonesia Stock Exchange for the period 2017-2019. The
number of samples in this study was 286. The sampling technique used the
purposive sampling method. The data is secondary data from annual report and the
2017 edition of the IDX fact book. Data collection techniques used the method of
documentation. The data analysis technique uses multiple linear regression test.
The dependent variable in this study is fraudulent financial statement as proxied by
the Fraud Score Model. While the independent variable is the fraud pentagon
theory which consists of pressure, opportunity, rationalization, capability, and
arrogance. Pressure consisting of financial stability, external pressure, and
financial target. Financial stability is measured by the ratio of changes in total
assets, external pressure is measured by leverage, financial target is measured by
ROA. Opportunities are proxied by ineffective monitoring can be measured by the
composition the board of independent commissioners. Rationalization proxied by
change in auditor. Capability to be proxied by change in director. Arrogance
proxied by frequent number of CEO’s picture. The control variable in this study
was KAP affiliated with BIG4. The results showed that H1, financial stability had a
negative effect on fraudulent financial statement was statistically supported. H2 and
H3 are not supported statistically because external pressure and financial targets
are significant but had a negative effect. Meanwhile H4, H5, H6, and H7 are not
supported statistically because ineffective monitoring, change in auditor, change in
director, and frequent number of CEO’s picture have no significant effect on
fraudulent financial statement. Control variable reputation of the Public
Accounting Firm has no significant effect on fraudulent financial statement.
Keywords: Fraudulent Financial Statement, Fraud Pentagon Theory, and Fraud
Score Model
xiv
BAB I
PENDAHULUAN
A. Latar Belakang
dengan menggunakan teori yang dikembangkan oleh Crowe (2011) yaitu fraud
kecurangan ini sangat sulit diketahui sebelum mengalami kerugian yang sangat
kerugian yang material serta berakibat hilang reputasi, relasi bisnis maupun
Hal ini sangat penting dilakukan karena ketika sebuah perusahaan terlibat
yaitu fraud triangle, fraud diamond, dan fraud pentagon. Penelitian ini menguji
1
2
tentang teori fraud pentagon yang dikemukakan oleh Crowe (2011) sebagai
elemen-elemen yang ada dalam teori fraud triangle dan teori fraud diamond,
misleading and, when considered with all the information made available,
would cause the reader to change or alter his or her judgement or decision”
Examiner (ACFE) tahun 2018 terdapat 220 kasus fraud yang terjadi pada
wilayah Asia Pasifik dengan median loss mencapai 236.000 USD. Korupsi
3
fraud merupakan skema fraud yang sangat merugikan dengan median loss
merupakan sektor yang paling banyak melakukan kecurangan dengan 17% atau
melakukan fraud dengan masing-masing 11% dan 10% dari total kasus di
wilayah Asia Pasifik. Indonesia tercatat sebagai urutan ke-3 negara yang paling
perusahaan Enron yang bekerja sama dengan KAP Arthur Andersen. Pada
keuangan sebesar 600 juta USD yang pada kenyataan mengalami kerugian.
Selain kasus Enron, pada tahun 2009 ditemukan rekayasa laporan keuangan
yang dilakukan oleh PT Waskita Karya dalam kurun waktu empat tahun
untuk Initial Public Offering (IPO). Laporan keuangan dicatat lebih banyak
sebesar Rp500 milyar yang diduga dilakukan oleh direksi sebelumnya dengan
(Tuanakotta, 2013).
4
menawarkan pembelian barang rumah tangga secara kredit atau cicil. SNP
Soepriyanto, 2018).
Kasus fraud terjadi pada PT Garuda Indonesia Tbk (GIAA) yang dinilai
dalam pesawat dan manajemen konten” yang dimana aliran kas tersebut belum
5
2019).
pentagon. Menurut Bawekes et al. (2018) dan Sihombing (2014) tekanan yang
laporan keuangan. Hal ini berbanding terbalik dengan hasil penelitian Aprilia
(2017) dan Oman & Tanjung (2019) yang membuktikan bahwa financial
peneliti Ulfah et al. (2017) dan Chomariza & Suhendi (2020) yang
(2018), Agusputri & Sofie (2019) membuktikan bahwa tekanan yang diukur
Penelitian yang dilakukan oleh Utomo (2018), Agusputri & Sofie (2019),
dan Hoshibikari & Sukarno (2020) menunjukkan bahwa peluang yang diukur
dan Ulfah et al. (2017) menunjukkan bahwa rasionalisasi yang diukur dengan
dan Oman & Tanjung (2019) menunjukkan hasil yang berbeda, bahwa
B. Rumusan Masalah
laporan keuangan?
C. Batasan Masalah
D. Tujuan
laporan keuangan.
laporan keuangan.
9
E. Manfaat
1. Manfaat Teoritis
secara teoritis.
2. Manfaat Praktis
a. Bagi Peneliti
perkuliahan.
b. Bagi Perusahaan
c. Bagi Investor
d. Bagi Pembaca
F. Outcome
Outcome penelitian ini adalah rumusan kebijakan yang dapat menjadi bahan
pasar modal. Selain itu, dengan adanya penelitian ini diharapkan para investor,
LANDASAN TEORI
A. Landasan Teori
kontrak antara satu orang atau lebih (prinsipal) yang memberikan perintah
kepada orang lain (agen) untuk melakukan kegiatan jasa atas nama
et al., 2018).
11
12
sumber dana dari investor maupun kreditur. Investor harus menilai kinerja
baik dan meningkat lebih menarik untuk investor. Maka dari itu,
2. Kecurangan (fraud)
cabangnya sebagai pohon atau fraud tree. Dalam fraud tree terdapat tiga
tidak langsung.
dilakukan oleh seseorang yang berakibat salah saji material yang dapat
dan arogansi.
Teori ini dikemukakan oleh Crowe Horwart pada Tahun 2011. Teori
dikemukakan oleh Cressey (1953) dan teori fraud diamond oleh Wolfe &
superioritas dan serakah pada diri seseorang yang percaya bahwa dirinya
Gambar 2.1
Crowe’s Fraud Pentagon
arogansi (arrogance).
a. Tekanan (pressure)
Sukarno, 2020).
yang harus segera diselesaikan (tekanan keuangan) dan hal ini tidak
16
dapat dibagikan kepada orang lain. Masalah tersebut akan ditutup rapat-
b. Peluang (opportunity)
statement fraud dapat terjadi pada tiga kategori yaitu nature of industry,
c. Rasionalisasi (rationalization)
pelaku untuk tetap aman dan terbebas dalam hukuman (Aprilia, 2017).
d. Kapabilitas (capability)
e. Arogansi (arrogance).
bahwa orang yang mementingkan diri sendiri, percaya diri, dan arogan
5. F-Score
B. Penelitian Terdahulu
Tabel 2.1
Penelitian Terdahulu
No Peneliti Judul Variabel Hasil
1 Cintia Zelin Analisis Fraud Dependen: Hasil penelitian menjelaskan
(2018) Pentagon dalam Kecurangan laporan bahwa variabel target keuangan
Mendeteksi keuangan. dan stabilitas keuangan
Kecurangan Independen: berpengaruh positif terhadap
Laporan Target keuangan, kecurangan laporan keuangan.
Keuangan stabilitas keuangan, Variabel sifat industri
dengan tekanan eksternal, berpengaruh negatif terhadap
Menggunakan ketidakefetifan kecurangan laporan keuangan.
Fraud Score pengawasan, sifat Variabel tekanan eksternal,
Model industri, pergantian ketidak efektifan pengawasan,
auditor, pergantian pergantian auditor, pergantian
direksi, jumlah foto CEO direksi, jumlah foto CEO yang
yang terpampang, terpampang, hubungan politik,
hubungan politik, dan dualisme jabatan tidak
dualisme jabatan. berpengaruh terhadap
kecurangan laporan keuangan.
2 Helda F. Pengujian Teori Dependen: Variabel financial stability,
Bawakes, Fraud Pentagon Kecurangan laporan frequent number of CEO’s
Aaron M.A Terhadap keuangan yang picture berpengaruh secara
Simanjuntak, Fraudulent menggunakan variabel positif dan signifikan terhadap
dan Sylvia Financial dummy terhadap kecurangan laporan keuangan.
Christina Daat Reporting (Studi perusahaan yang Variabel financial target,
(2018) Empiris pada mengeluarkan kembali external pressure, institional
Perusahaan yang laporan keuangan ownership, ineffective
Terdaftar di (restatement) monitoring kualitas auditor
Bursa Efek Independen: eksternal, changes in auditor,
Indonesia Tahun financial target, financial dan pergantian direksi tidak
2011-2015) stability, external berpengaruh secara signifikan
pressure, institutional terhadap kecurangan laporan
ownership, ineffective keuangan.
monitoring, kualitas
auditor eksternal,
changes in auditor,
pergantian direksi
perusahaan (change of
company directors), dan
frequent number of
CEO’s picture (jumlah
gambar CEO)
3 Ema Herviana Fraudulent Dependen: Hasil penelitian ini mengatakan
(2017) Financial Fraudulent financial bahwa variabel financial
Reporting: reporting yang diukur stability dan ineffective
Pengujian Teori dengan Beneish M- monitoring berpengaruh
Fraud Pentagon Score. terhadap fraudulent financial
21
C. Kerangka Pemikiran
dengan fraud score model sebagai variabel dependen yang dipengaruhi fraud
berikut ini:
Tekanan
1. Financial Stability
2. External Pressure
3. Financial Target
Peluang
4. Ineffective Monitoring
Kecurangan
Rasionalisasi Laporan
5. Change in Auditor
Keuangan
Kemampuan
6. Change in Director
Arogansi
7. Frequent Number of
CEO’s Picture
Gambar 2.2
Kerangka Pemikiran
23
D. Perumusan Hipotesis
Keuangan
usaha jangka panjang yang selalu berdiri ketika terancam keadaan ekonomi.
return yang tinggi pula untuk para investor. Oleh sebab itu, manajemen
beroperasi, salah satu bentuk agar perusahaan terlihat baik maka manipulasi
al, 2009). Aset merupakan kekayaan perusahaan yang akan dilihat investor
24
pertama kali ketika ingin berinvestasi. Investor akan lebih tertarik ketika
laporan keuangan
Keuangan
menampilkan performa rasio keuangan dan laba yang baik agar investor
yang besar sehingga risiko kreditnya tinggi. Risiko kredit yang tinggi
pinjaman. Maka dari itu, external pressure dapat diukur dengan rasio
eksternal agar tetap kompetitif. Tekanan yang diukur dengan rasio leverage
laporan keuangan
Keuangan
laba yang tinggi dan akan menargetkan perolehan laba yang lebih tinggi
berikut:
keuangan
Laporan Keuangan
Menurut Yulia dan Basuki (dalam Edi & Victoria, 2018) Ineffective
pengawasan dapat terjadi ketika adanya dominasi oleh satu orang atau
merasa tidak diawasi secara ketat sehingga semakin bebas mencari cara
laporan keuangan
Keuangan
dengan standar akuntansi yang berlaku. Dalam proses audit, auditor dapat
merugikan perusahaan.
Menurut penelitian Ulfah et al. (2017) dan Christian et al. (2019) change in
publik dengan kualitas auditor yang lebih rendah dari auditor sebelumnya.
laporan keuangan.
29
Keuangan
dari direksi lama kepada direksi baru dengan tujuan memperbaiki kinerja
dapat terjadi apabila dilaksanakan oleh orang yang tepat serta memahami
laporan keuangan
30
tersebut.
kontrol internal apapun tidak akan berlaku bagi dirinya karena status dan
sebagai berikut:
METODE PENELITIAN
Data dalam penelitian ini berupa data sekunder yaitu laporan keuangan
keuangan. Data diperoleh dari laporan tahunan (annual report) yang diunduh
Metode yang digunakan dalam pengolahan data dalam penelitian ini yaitu
Komponen pada data variabel dependen terdiri dari aset lancar, liabilitas
jangka pendek, total aset, investasi, total liabilitas, liabilitas jangka panjang,
piutang, dan penjualan. Data aset lancar, liabilitas jangka pendek, total aset,
investasi, total liabilitas, liabilitas jangka pendek, dan piutang diperoleh dari
laporan posisi keuangan atau neraca. Data penjualan diperoleh dari laporan
Komponen data dari variabel independen terdiri dari total aset, total
31
32
direksi perusahaan, jumlah foto CEO pada laporan tahunan. Data mengenai
total aset dan total liabilitas diperoleh dari laporan posisi keuangan atau neraca
total dewan komisaris diperoleh dari susunan dewan komisaris pada laporan
B. Variabel Penelitian
1. Variabel Dependen
keuangan yang diukur dengan Fraud Score Model atau biasa yang disebut
2. Variabel Independen
Variabel tekanan dibagi menjadi tiga kategori yaitu financial stability yang
diukur dengan rasio leverage (LEV), dan financial target diukur dengan
33
tidak dapat diteliti secara langsung. Oleh karena itu, diperlukan variabel
mengukurnya.
3. Variabel Kontrol
perusahaan yang diaudit oleh KAP berafiliasi Big 4 ataupun selain Big 4.
1. Variabel Dependen
laporan keuangan yang diukur dengan Fraud Score Model. Fraud Score
persamaan berikut:
Keterangan:
WC = Working Capital
NCO = Non-Current Operating Assets
FIN = Financial Assets
a. Financial Stability
dilihat dari kondisi aset perusahaan yang baik. Dalam penelitian ini,
oleh para penggunanya. Maka dari itu, financial stabilty dapat diukur
kecurangan. Maka dari itu, perusahaan dengan tingkat hutang yang tinggi
khususnya investor dan kreditur. Semakin tinggi tingkat hutang atau rasio
𝐾𝑒𝑤𝑎𝑗𝑖𝑏𝑎𝑛
𝐿𝐸𝑉 =
𝑇𝑜𝑡𝑎𝑙 𝐴𝑠𝑒𝑡
…………… (7)
c. Financial Target
Menurut SAS No. 99, financial target adalah risiko adanya tekanan
berikut:
d. Ineffective Monitoring
keuangan karena auditor melihat dan menilai proses bisnis dari suatu
Kantor Akuntan Publik maka diberi kode 1, sedangkan jika tidak terjadi
f. Change in director
wewenang dari direksi lama kepada direksi baru dengan tujuan untuk
kepada semua orang akan status dan posisi yang dimiliki dalam
tersebut (atau merasa tidak dianggap). Hal ini sesuai dengan salah satu
diukur dengan melihat total foto CEO yang ada dalam sebuah laporan
3. Variabel Kontrol
audit (Tessa & Harto, 2016). Menurut penelitian yang dilakukan oleh
audit yang efektif dan efisien. Oleh karena itu, apabila suatu perusahaan
(BIG) maka peluang untuk dapat mendeteksi fraud akan semakin besar
perusahaan yang diaudit oleh KAP tidak berafiliasi BIG4 periode 2017-
Tabel 3.1
Operasionalisasi Variabel
Variabel Indikator Skala
Kecurangan
Menggunakan Fraud Score Model yang
Dependen laporan Rasio
dikemukakan oleh Dechow
keuangan
Financial 𝑇𝑜𝑡𝑎𝑙 𝐴𝑠𝑒𝑡 (𝑡) − 𝑇𝑜𝑡𝑎𝑙 𝐴𝑠𝑒𝑡 (𝑡 − 1)
Independen 𝐴𝐶𝐻𝐴𝑁𝐺𝐸 =
𝑇𝑜𝑡𝑎𝑙 𝐴𝑠𝑒𝑡 (𝑡 − 1)
Rasio
stability
External 𝐾𝑒𝑤𝑎𝑗𝑖𝑏𝑎𝑛
𝐿𝐸𝑉 = Rasio
Pressure 𝑇𝑜𝑡𝑎𝑙 𝐴𝑠𝑒𝑡
Frequent
number of Indikator menggunakan jumlah foto CEO
Nominal
CEO’s dalam laporan tahunan
picture
Reputasi Menggunakan variabel dummy, jika
Kantor perusahaan diaudit oleh KAP berafiliasi
Kontrol Nominal
Akuntan BIG 4 maka diberi nilai 1 dan jika tidak
Publik diberi nilai 0.
pada penelitian ini memenuhi syarat yaitu lolos uji asumsi klasik. Uji
(Sihombing, 2014). Uji asumsi klasik terdiri dari uji normalitas, uji
a. Uji Normalitas
ketentuan apabila nilai signifikan > 0,05 maka dapat disimpulkan data
b. Uji Multikolonieritas
berikut:
1) Jika nilai tolerance > 0,10 atau nilai VIF < 10, berarti tidak terjadi
multikolinearitas.
2) Jika nilai tolerance < 0,10 atau nilai VIF > 10, berarti terjadi
multikolinearitas.
c. Uji Heteroskedastisitas
salah satunya yaitu Uji Park. Pengambilan keputusan dalam uji park
yaitu apabila nilai siginifikan > 0,05 menunjukkan bahwa dalam data
d. Uji Autokorelasi
satu sama lainnya. Salah satu cara untuk menguji autokorelasi adalah
dengan menggunakan uji Run Test. Uji Run Test digunakan untuk
acak. Pengambilan keputusan dalan uji Run Test yaitu ketika nilai
signifikan > 0,05 maka tidak terjadi autokorelasi dalam model regresi.
3. Uji Hipotesis
a. Analisis Regresi
berikut:
Keterangan:
FSCORE : Fraud Score Model
α : Kostanta
β1 – β8 : Koefisien Regresi Variabel Independen dan
Variabel Kontrol
ACHANGE : Rasio Perubahan Total Aset
LEV : Rasio Leverage
ROA : Return on Assets
45
d. Koefisien Determinasi
koefisiensi determinasi adalah antara nol dan satu. Nilai R2 yang kecil
(Ghozali, 2013).
ANALISIS DATA
A. Deskripsi Sampel
Indonesia (BEI) untuk periode 2017-2019. Populasi pada penelitian ini adalah
(Rp).
47
48
berikut:
Tabel 4.1
Deskripsi Pemilihan Sampel
Deskripsi Jumlah
Perusahaan yang terdaftar di Bursa Efek Indonesia tahun 2017 559
Perusahaan non manufaktur tahun 2017 (411)
Perusahaan manufaktur yang terdaftar di BEI tahun 2017 148
Perusahaan yang tidak menerbitkan laporan keuangan tahunan secara (24)
lengkap
Perusahaan yang tidak menerbitkan laporan keuangan dalam mata uang (14)
rupiah (Rp)
Laporan keuangan tahunan milik perusahaan tidak memuat informasi (0)
lengkap terkait dengan variabel
Jumlah sampel perusahaan yang memenuhi kriteria 110
Periode Penelitian 3 tahun
Jumlah sampel perusahaan 330
Data Outlier (44)
Jumlah sampel perusahaan setelah data outlier dihilangkan 286
Bursa Efek Indonesia selama tahun 2017 adalah 559 perusahaan. Dari total 559,
Sehingga jumlah sampel sebanyak 330. Namun, terdapat data outlier sebanyak
B. Deskripsi Data
informasi, maupun deskripsi terkait dengan sampel yang telah ditentukan dengan
Tabel 4.2
Hasil Analisis Deskriptif Statistik
Variabel N Minimum Maximum Mean Std. Deviation
FSCORE 286 -3,76 1.28 0,2760 0,49184
ACHANGE 286 -0,79 4,82 0,1123 0,36417
LEV 286 6,51 289,99 45,4077 29,97199
ROA 286 -2,65 0,92 0,0464 0,19457
BDOUT 286 0,20 0,80 0,4038 0,10529
CEOPIC 286 0,00 12,00 2,6084 1,57407
Categorical Variables
Variable N %
CPA
1 = Melakukan pergantian auditor 26 9,1
0 = tidak melakukan pergantian auditor 260 90,9
DIRCHANGE
1 = Melakukan pergantian direktur 20 7
0 = tidak melakukan pergantian direktur 266 93
RKAP
1 = Diaudit oleh KAP yang berafiliasi BIG4 103 36
0 = Diaudit oleh KAP yang tidak berafiliasi BIG4 183 64
Keterangan:
FSCORE : Fraud Score Model
ACHANGE : Rasio Perubahan Total Aset
LEV : Rasio Leverage
ROA : Return on Assets
BDOUT : Rasio Dewan Komisaris Independen
CPA : Change in Auditor atau Pergantian Auditor
DIRCHANGE : Pergantian Direksi
CEOPIC : Frequent Number of CEO’s Picture
RKAP : Reputasi Kantor Akuntan Publik
keuangan yang diukur dengan FSCORE menunjukkan bahwa nilai mean sebesar
0,2760 dan standar deviasi yang dihasilkan yaitu 0,49184. Penelitian Skousen et
al. (2009) menyatakan bahwa jika nilai mean yang dihasilkan rendah sedangkan
standar deviasi menunjukkan nilai yang tinggi maka potensi terjadinya fraud
semakin tinggi. Pada penelitian ini, standar deviasi yang dihasilkan lebih tinggi
kecurangan laporan keuangan cukup tinggi. Sesuai pada tabel, nilai terendah -
3,76 yaitu perusahaan PT Tiga Pilar Sejahtera Food Tbk sedangkan nilai
pressure, dan financial target. Financial stability yang dapat diukur dengan rasio
dimiliki oleh perusahaan PT Tiga Pilar Sejahtera Food Tbk. Sedangkan untuk
nilai tertinggi yaitu 4,82 pada PT Inti Keramik Alam Asri Industri Tbk.
0,1123. Dengan nilai rata-rata ACHANGE sebesar 0,1123 dapat diartikan bahwa
deviasi menunjukkan nilai 0,36417. Selain itu, standar deviasi yang dihasilkan
lebih besar dibandingkan nilai rata-rata yang artinya terdapat perbedaan nilai
nilai mean 45.4077 dan standar deviasi sebesar 29,97199. Nilai minimum sebesar
6,51 dimiliki oleh PT Inti Indah Karya Plasindo Tbk sedangkan nilai maximum
dimiliki pada perusahaan PT Tiga Pilar Sejahtera Food Tbk dengan nilai sebesar
yang sangat tinggi dibanding dengan aset yang dimiliki. Selain itu, tidak terdapat
perbedaan nilai yang signifikan dalam persebaran data karena nilai standar
Financial target yang diukur dengan ROA menunjukkan hasil analisis nilai
minimum sebesar -2,65 yang dimiliki oleh PT Tiga Pilar Sejahtera Food Tbk dan
kinerja yang baik. Nilai rata-rata yang dihasilkan adalah 0,0464. Hal ini
Sedangkan nilai standar deviasi sebesar 0,19457. Selain itu, terdapat perbedaan
nilai yang signifikan dalam persebaran data karena nilai standar deviasi lebih
(BDOUT). Hasil analisis deskriptif menghasilkan nilai mean 0,4038 dan standar
deviasi sebesar 0,10529. Nilai minimum sebesar 0,20 oleh perusahaan PT Semen
Unilever Indonesia Tbk. Selain itu, nilai standar deviasi yang dihasilkan lebih
kecil dibandingkan nilai mean menunjukkan tidak terdapat perbedaan nilai yang
maka diberi skor 0. Pada 286 sampel yang diteliti 9,1% atau sebanyak 26
52
pada periode penelitian sedangkan sisanya sebesar 93,1% atau 266 perusahaan
number of CEO’s picture diukur dengan menghitung jumlah foto CEO dalam
Citra Mulia Tbk dengan total 12 foto CEO dalam annual report tahun 2019.
Sedangkan nilai minimum yaitu 0 yang artinya tidak ada foto CEO dalam
2,6084 dan standar deviasi sebesar 1,57407. Selain itu, nilai standar deviasi yang
dihasilkan lebih kecil dibandingkan nilai mean atau nilai rata-rata yang
data penelitian.
yang diaudit KAP berafiliasi BIG4 diberi skor 1 dan diberi skor 0 ketika
perusahaan diaudit dengan KAP yang tidak berafiliasi BIG4. Dari 286 sampel
yang diteliti, 36% atau sebanyak 103 perusahaan diaudit oleh KAP yang
53
berafiliasi BIG4 sedangkan sisanya 183 perusahaan atau 64% diaudit oleh KAP
atas model regresi yang digunakan. Uji asumsi klasik terdiri dari uji
a. Uji Normalitas
Model regresi yang baik adalah model regresi yang memiliki nilai
Tabel 4.3
Hasil uji Kolmogorov-Smirnov
Unstandardize
d Residual
N 330
Normal Parametersa,b Mean ,0000000
Std. Deviation 5,25345346
Most Extreme Differences Absolute ,385
Positive ,297
Negative -,385
Test Statistic ,385
Asymp. Sig. (2-tailed) ,000c
sebesar 0,000 yang artinya data belum terdistribusi secara normal. Data
54
dikatakan terdistribusi normal ketika nilai signifikan > 0,05. Maka dari
itu, dilakukan penghilangan data yang bersifat ekstrem atau data outlier.
Tabel 4.4
Hasil Uji Kolmogorov-Smirnov Setelah Outlier
Unstandardized
Residual
N 286
Normal Parametersa,b Mean ,0000000
Std. Deviation ,20941513
Most Extreme Differences Absolute ,044
Positive ,044
Negative -,035
Test Statistic ,044
Asymp. Sig. (2-tailed) ,200c,d
dihapus, menghasilkan nilai Asymp. Sig sebesar 0,200. Hal ini dapat
persyaratan uji normalitas dengan nilai signifikan > 0,05. Oleh karena
telah terpenuhi.
b. Uji Multikolinieritas
adanya korelasi antar variabel. Model regresi yang baik adalah model
dengan melihat nilai tolerance > 0,1 dan VIF < 10. Berikut hasil uji
multikolinieritas:
Tabel 4.5
Hasil Uji Multikolinieritas
Collinearity
Variabel Statistic Keterangan
Tolerance VIF
ACHANGE 0,92 1,08 Tidak terjadi multikolinieritas
LEV 0,76 1,31 Tidak terjadi multikolinieritas
ROA 0,72 1,37 Tidak terjadi multikolinieritas
BDOUT 0,95 1,04 Tidak terjadi multikolinieritas
CPA 0,95 1,05 Tidak terjadi multikolinieritas
DIRCHANGE 0,94 1,05 Tidak terjadi multikolinieritas
CEOPIC 0,89 1,11 Tidak terjadi multikolinieritas
RKAP 0,87 1,14 Tidak terjadi multikolinieritas
Keterangan:
ACHANGE : Rasio Perubahan Total Aset
LEV : Rasio Leverage
ROA : Return on Assets
BDOUT : Rasio Dewan Komisaris Independen
CPA : Change in Auditor atau Pergantian Auditor
DIRCHANGE : Pergantian Direksi
CEOPIC : Frequent Number of CEO’s Picture
RKAP : Reputasi Kantor Akuntan Publik
tolerance > 0,1 dan VIF < 10. Oleh karena itu, hasil uji mulitkolinieritas
telah memenuhi syarat sebagai model regresi yang bebas dalam hal
multikolinieritas.
c. Uji Heterokedastisitas
Tabel 4.6
Hasil Uji Heterokedastisitas
Variabel Correlation Coefficient Sig. (2-tailed)
ACHANGE -0,00 0,91
LEV 0,10 0,12
ROA -0,06 0,31
BDOUT 0,09 0,12
CPA -0,06 0,25
DIRCHANGE 0,01 0,80
CEOPIC -0,00 0,90
RKAP -0,09 0,12
Keterangan:
ACHANGE : Rasio Perubahan Total Aset
LEV : Rasio Leverage
ROA : Return on Assets
BDOUT : Rasio Dewan Komisaris Independen
CPA : Change in Auditor atau Pergantian Auditor
DIRCHANGE : Pergantian Direksi
CEOPIC : Frequent Number of CEO’s Picture
RKAP : Reputasi Kantor Akuntan Publik
Menurut Tabel 4.6, Nilai signifikan dari setiap variabel telah > 0,05
d. Uji Autokorelasi
Tabel 4.7
Hasil Uji Autokorelasi
Unstandardized Residual
a
Test Value ,55318b
Cases < Test Value 285
Cases >= Test Value 1
Total Cases 286
Number of Runs 3
Z ,084
Asymp. Sig. (2-tailed) ,933
2. Uji Hipotesis
Tabel 4.8
Hasil Regresi Linear Berganda
Unstandardized Standardized
Coefficients Coefficients
Model t Sig.
Std
B Beta
Error
(Constant) 1,002 0,060 16,760 0,000
ACHANGE -0,090 0,036 -0,067 -2,517 0,012
LEV -0,016 0,000 -0,996 -33.983 0,000
ROA -0,703 0,076 -0,278 -9,260 0,000
BDOUT 0,138 0,122 0,030 1,129 0,260
CPA 0,017 0,045 0,010 0,388 0,698
DIRCHANGE -0,039 0,051 -0,020 -0,760 0,448
CEOPIC 0,000 0,008 0,000 -0,010 0,992
RKAP 0,011 0,028 0,011 0,398 0,691
58
Keterangan:
ACHANGE : Rasio Perubahan Total Aset
LEV : Rasio Leverage
ROA : Return on Assets
BDOUT : Rasio Dewan Komisaris Independen
CPA : Change in Auditor atau Pergantian Auditor
DIRCHANGE : Pergantian Direksi
CEOPIC : Frequent Number of CEO’s Picture
RKAP : Reputasi Kantor Akuntan Publik
berikut:
+ (−0,039)DIRCHANGE + (0,000)CEOPIC
+ (0,011)RKAP + ε
yaitu ketika nilai signifikan < 0,05. Berikut hasil uji statistik t:
Tabel 4.9
Hasil Uji Statistik t
Unstandardized Standardized
Coefficients Coefficients
Model T Sig.
Std
B Beta
Error
(Constant) 1,002 0,060 16,760 0,000
ACHANGE -0,090 0,036 -0,067 -2,517 0,012
LEV -0,016 0,000 -0,996 -33.983 0,000
ROA -0,703 0,076 -0,278 -9,260 0,000
BDOUT 0,138 0,122 0,030 1,129 0,260
CPA 0,017 0,045 0,010 0,388 0,698
DIRCHANGE -0,039 0,051 -0,020 -0,760 0,448
CEOPIC 0,000 0,008 0,000 -0,010 0,992
RKAP 0,011 0,028 0,011 0,398 0,691
Keterangan:
ACHANGE : Rasio Perubahan Total Aset
LEV : Rasio Leverage
ROA : Return on Assets
BDOUT : Rasio Dewan Komisaris Independen
CPA : Change in Auditor atau Pergantian Auditor
DIRCHANGE : Pergantian Direksi
CEOPIC : Frequent Number of CEO’s Picture
RKAP : Reputasi Kantor Akuntan Publik
keuangan
signifikan yang dihasilkan yaitu 0,012 < 0,05 dan koefisien bernilai
laporan keuangan.
aset yang terlalu tinggi atau terlalu rendah selama periode tertentu. Hal
Aprilia (2017), Quraini & Rimawati (2019), dan Oman & Tanjung (2019)
61
dengan rasio leverage (LEV) menunjukkan nilai signifikan 0,00 < 0,05
(2009), Yesiariani & Rahayu (2016), dan Kayoi (2019) yang menyatakan
tidak mendapat sanksi dari OJK. Oleh sebab itu, perusahaan harus
Return on Assets (ROA) menunjukkan nilai signifikan 0,00 < 0,05 dan
buruk, hal ini akan menimbulkan tekanan bagi manajemen dan berakibat
memberikan bonus atau insentif kepada agen atas hasil kerja keras
tersebut. Hal ini sejalan dengan teori agensi yang dikemukakan oleh
Jensen & Meckeling (1976). Kondisi ini dapat mengurangi resiko fraud
keuangan
kecurangan laporan keuangan. Hal ini karena nilai signifikan 0,260 >
Yulianti et al. (2019), Zelin (2018), dan Chomariza & Suhendi (2020)
komisaris independen wajib paling kurang 30% (tiga puluh persen) dari
potensi kecurangan.
yang dilakukan oleh Agusputri & Sofie (2019), Utomo (2018), Edi &
65
> 0,05 dan nilai koefisien sebesar 0,017 sehingga H5 tidak terdukung
Tiffani & Marfuah (2015), Fabiolla et al. (2021), Yesiariani & Rahayu
pemberian jasa audit atas laporan keuangan terhadap suatu entitas oleh
Ulfah et al. (2017), Santoso (2019) dan Emalia et al. (2020) yang
keuangan
signifikan 0,448 > 0,05 dan nilai koefisien sebesar -0,039 sehingga H6
keuangan.
Agusputri & Sofie (2019) dan Aprilia (2017) yang menyatakan bahwa
direksi dapat terjadi ketika adanya alasan khusus seperti ketika direksi
laporan keuangan
dikarenakan nilai signifikan 0,992 > 0,05 dan nilai koefisien sebesar -
penelitian dari Bawekes et al. (2018) dan Haqq & Budiwitjaksono (2020)
laporan keuangan
nilai signifikan 0,691 > 0,05 dan nilai koefisien sebesar 0,011 sehingga
Ulfah et al. (2017), dan Hanifa (2015) yang menyatakan bahwa peran
Kantor Akuntan Publik baik yang berafiliasi dengan BIG4 maupun tidak
Tabel 4.10
Hasil Uji Statistik F
Sum of Mean
Model df F Sig.
Squares Square
Regression 56,446 8 7,056 156,373 0,000
Residual 12,499 277 0,045
Total 68,945 285
Sig. 0,000 < 0,05 maka model regresi linear dapat diterima. Selain itu,
Tabel 4.11
Hasil Uji Koefisien Determinasi (R2)
Std. Error
Adjusted R
Model R R Square of the
Square
Estimate
1 0,905 0,819 0,813 0,21242
70
sebesar 0,813 atau 81,3%. Hal ini dapat disimpulkan bahwa variabel
A. Kesimpulan
pengaruh dari fraud pentagon yang terdiri dari komponen tekanan (financial
dari pihak luar maka semakin rendah kecurangan laporan keuangan yang
71
72
B. Keterbatasan
2. Pada penelitian ini terdapat banyak data ekstrem yang mengakibatkan data
Sampel pada penelitian yang semula sebanyak 330 sampel, menjadi 286
3. Pada penelitian ini, hasil dari variabel tekanan yang diproksikan external
C. Saran
ACFE. 2016. Report To The Nations - on Occupational Fraud and Abuse: Asia
Pacific. Asia Pacific Edition.
ACFE. 2018. Report To The Nations - Global Study on Occupational Fraud and
Abuse: Asia Pacific. Asia Pacific Edition.
Agusputri, H., & Sofie. 2019. Faktor - Faktor yang Berpengaruh Terhadap
Fraudulent Financial Reporting dengan Menggunakan Analisis Fraud
Pentagon. Jurnal Informasi, Perpajakan, Akuntansi, Dan Keuangan Publik,
14(2), 105–124. https://doi.org/10.25105/jipak.v14i2.5049
Agustina, R. D., & Pratomo, D. 2019. Pengaruh Fraud Pentagon dalam Mendeteksi
Kecurangan Pelaporan Keuangan. Jurnal Ilmiah Manajemen, Ekonomi, &
Akuntansi (MEA), 3(1), 44–62. https://doi.org/10.31955/mea.vol3.iss1.pp44-
62
Amarakamini, N. P., & Suryani, E. 2019. Pengaruh Fraud Pentagon terhadap
Fraudulent Financial Statement pada Perusahaan Manufaktur yang Terdaftar
di Bursa Efek Indonesia (BEI) Tahun 2016 Dan 2017. Jurnal Akuntansi, Vol
7(2), 125–136.
Annisya, M., Lindrianasari, & Asmaranti, Y. 2016. Pendeteksian Kecurangan
Laporan Keuangan Menggunakan Fraud Diamond. Jurnal Bisnis Dan
Ekonomi (JBE), 23(1), 72–89.
Antawirya, R. D. E. P., Putri, I. G. A. M. D., Wirajaya, I. G. A., Suaryana, I. G. N.
A., & Suprasto, H. B. 2019. Application of Fraud Pentagon in Detecting
Financial Statement Fraud. International Research Journal of Management,
IT and Social Sciences, 6(5), 73–80. https://doi.org/10.21744/irjmis.v6n5.706
Aprilia. 2017. Analisis Pengaruh Fraud Pentagon Terhadap Kecurangan Laporan
Keuangan Menggunakan Beneish Model Pada Perusahaan yang Menerapkan
Asean Corporate Governance Scorecard. Jurnal ASET (Akuntansi Riset), 9(1),
101–132.
Aprilia, R. 2017. Pengaruh Financial Stability, Personal Financial Need, Ineffecive
Monitoring, Change in Auditor dan Change in Director Terhadap Financial
Statement Fraud dalam Perspektif Fraud Diamond. JOM Fekon, 4(1).
Ardiyani, S., & Utamaningsih, N. S. 2015. Analisis Determinan Financial
Statement Melalui Pendekatan Fraud Triangle. Accounting Analysis Journal,
4(1), 1–10.
Bawekes, H. F., Aaron M, A. S., & Daat, S. C. 2018. Pengujian Teori Fraud
Pentagon Terhadap Fraudulent Financial Reporting (Studi Empiris pada
Perusahaan yang Terdaftar di Bursa Efek Indonesia Tahun 2011-2015). Jurnal
Akuntansi & Keuangan Daerah, 13(1), 114–134.
https://doi.org/10.1088/1751-8113/44/8/085201
74
Beasley, M. S., Carcello, J. V, Hermanson, D. R., & Neal, T. L. 2010. Fraudulent
Financial Reporting 1998-2007 : An Analysis of US Public Companies. COSO
Report, 60.
Chomariza, N. A., & Suhendi, C. 2020. Analisis Fraud Triangle Terhadap Financial
Statement Fraud di Perusahaan Manufaktur yang Terdaftar di BEI Tahun
2016-2018. Prosiding Konferensi Ilmiah Mahasiswa Unisula (KIMU) 3, 216–
239.
Christian, N., Basri, Y. Z., & Arafah, W. 2019. Analysis of Fraud Pentagon To
Detecting Corporate Fraud in Indonesia. International Journal Of Economics,
Business and Management Reasearch, 3(08), 1–13.
Crowe, H. 2011. Putting the Freud in Fraud: Why the Fraud Triangle Is No Longer
Enough.
Dechow, P. M., Ge, W., Larson, C. R., & Sloan, R. G. 2011. Predicting Material
Accounting Misstatements. Contemporary Accounting Research, 28(1), 17–
82. https://doi.org/10.1111/j.1911-3846.2010.01041.x
Devy, K. L. S., Wahyuni, M. A., & Sulidawati, N. L. G. E. 2017. Pengaruh Frequent
Number of CEO’s Picture, Pergantian Direksi Perusahaan dan External
Pressure dalam Mendeteksi Fraudulent Financial Reporting (Studi Empiris
pada Perusahaan Farmasi yang Listing di BEI Periode 2012-2016). E-Journal
S1 Ak Universitas Pendidikan Ganesha, 8(2), 1–12.
Dewi, R. K. 2019. Sederet Kasus yang Menjerat Maskapai Garuda Indonesia di
2019. https://www.kompas.com/tren/read/2019/12/05/192430765/sederet-
kasus-yang-menjerat-maskapai-garuda-indonesia-di-2019?page=2
Edi, & Victoria, E. 2018. Pembuktian Fraud Triangle Theory Pada Financial Report
Quality. Jurnal Benefita, 3(3), 380–395.
https://doi.org/10.22216/jbe.v3i3.3247
Eisenhardt, K. M. 1989. Agency Theory: An Assessment and Review. Acedemy of
Management Review, 14(1), 57–74.
Emalia, D., Midiastuty, P. P., Suranta, E., & Indriani, R. 2020. Dampak dari Auditor
Quality, Financial Stability, dan Financial Target Terhadap Fraudulent
Financial Reporting. Studi Ilmu Manajemen Dan Organisasi, 1(1), 1–11.
https://doi.org/10.35912/simo.v1i1.21
Fabiolla, R. G., Andriyanto, W. A., & Julianto, W. 2021. Pengaruh Fraud Pentagon
Terhadap Fraudulent Financial Reporting. Konferensi Riset Nasional
Ekonomi, Manajemen, Dan Akuntansi, 2, 981–995.
Faradiza, S. A. 2019. Fraud Pentagon dan Kecurangan Laporan Keuangan. EkBis:
Jurnal Ekonomi Dan Bisnis, 2(1), 1.
https://doi.org/10.14421/ekbis.2018.2.1.1060
Ghozali, I. 2013. Aplikasi Analisis Multivariate dengan Program IBM SPSS 21 (7th
75
ed.). Semarang: Badan Penerbit Universitas Diponegoro.
Ghozali, I. 2018. Aplikasi Analisis Multivariate dengan Program IBM SPSS 25 (9th
ed.). Semarang: Badan Penerbit Universitas Diponegoro.
Handoko, B. L., & Soepriyanto, G. 2018. Merunut Kasus SNP Finance & Auditor
Deloitte Indonesia. https://accounting.binus.ac.id/2018/12/03/merunut-kasus-
snp-finance-auditor-deloitte-indonesia-1/
Hanifa, S. I., & Laksito, H. 2015. Pengaruh Fraud Indicators Terhadap Fraudulent
Financial Statement: Studi Empiris Pada Perusahaan yang Listed di Bursa
Efek Indonesia (BEI) Tahun 2008-2013. Diponegoro Journal of Accounting,
4(4), 1–15.
Haqq, A. P. N. A., & Budiwitjaksono, G. S. 2020. Fraud Pentagon for Detecting
Financial Statement Fraud. Journal Od Economics, and Accountancy Ventura,
22(3), 319–332. https://doi.org/10.1016/j.dss.2020.113421
Hardiansyah, M. F. 2020. Analisis Pengaruh Fraud Triangle Terhadap
Kecurangan Laporan Keuangan. Universitas Teknologi Yogyakarta.
Herviana, E. 2017. Fraudulent Financial Reporting : Pengujian Teori Fraud
Pentagon Pada Badan Usaha Milik Negara (BUMN) yang Terdaftar di Bursa
Efek Indonesia (BEI) Periode 2012-2016. Universitas Islam Negeri (UIN)
Syarif Hidayatullah Jakarta.
Hidayah, E., & Saptarini, G. D. 2019. Pentagon Fraud Analysis in Detecting
Potential Financial Statement Fraud of Banking Companies in Indonesia.
International Conference on Acoounting, Business, & Economics, 89–102.
Hoshibikari, S. B. Y., & Sukarno, A. 2020. Pengaruh Fraud Triangle Terhadap
Kecurangan Laporan Keuangan pada Perusahaan Sub Sektor Properti dan Real
Estate yang Terdaftar di Bursa Efek Indonesia (BEI) Periode 2015-2018.
Jurnal Ekonomi Universitas Gunadarma, 1–16.
Jensen, M. C., & Meckeling, W. H. 1976. Theory Of The Firm: Managerial
Behavior, Agency Costs and Ownership Structure. Journal of Financial
Economics 3, 305–360.
Kayoi, S. A. 2019. Faktor-Faktor yang Mempengaruhi Financial Statement Fraud
Ditinjau dari Fraud Triangle pada Perusahaan Manufaktur di Bursa Efek
Indonesia Periode 2015-2017. Diponegoro Journal of Accounting, 8(4), 1–13.
Lennox, C., & Pittman, J. 2010. Auditing The Auditors: Evidence on The Recent
Reforms to The External Monitoring of Audit Firms. Journal of Accounting
and Economics, 49(1–2), 84–103.
https://doi.org/10.1016/j.jacceco.2009.04.002
Marks, J. 2012. The Mind Behind the Fraudsters Crime: Key Behavioral and
Environmental Elements. Horwath, Crowe, 94(8), 14.
Martantya, & Daljono. 2013. Pendeteksian Kecurangan Laporan Keuangan Melalui
76
Faktor Risiko Tekanan dan Peluang. Diponegoro Journal of Accounting, 2(2),
1–12.
Mohamed, N., Zakaria, N. B., & Mohammed, N. F. 2021. The Influencing Factors
of Employee Fraud in Malaysia Financial Instution: The Application of the
Fraud Pentagon Theory. Academy of Strategic Management Journal, 20(6).
Nugraheni, N. K., & Triatmoko, H. 2017. Analisis Faktor-Faktor yang
Mempengaruhi Terjadinya Financial Statement Fraud: Perspektif Diamond
Fraud Theory. Jurnal Akuntansi Dan Auditing Volume, 14(2), 118–143.
Oman, R., & Tanjung, H. 2019. Identifikasi Kecurangan Laporan Keuangan
Dengan Fraud Pentagon Studi Empiris BUMN Terdaftar di Bursa Efek
Indonesia. Jurnal Ekonomi, Bisnis Dan Akuntansi, 21(4).
Pasaribu, R. B. F., & Kharisma, A. 2018. Fraud Laporan Keuangan dalam
Perspektif Fraud Triangle. Jurnal Riset Akuntansi & Keuangan, 14(1), 53–65.
Peraturan Otoritas Jasa Keuangan Nomor 33/ POJK. 04/2014 Tentang Direksi dan
Dewan Komisaris Emiten atau Perusahaan Publik, Otoritas Jasa Keuangan 1
2014.
Peraturan Pemerintah Republik Indonesia Nomor 20 Tahun 2015 Tentang Praktik
Akuntan Publik, 2015.
Putriasih, K., Herawati, N. N. T., & Wahyuni, M. A. 2016. Analisis Fraud Diamond
dalam Mendeteksi Financial Statement Fraud: Studi Empiris Pada Perusahaan
Manufaktur yang Terdaftar di Bursa Efek Indonesia (BEI) Tahun 2016-2018.
E-Journal Ak Universitas Pendidikan Ganesha, 6(3).
https://doi.org/10.25105/semnas.v0i0.5780
Quraini, F., & Rimawati, Y. 2018. Determinan Fraudulent Financial Reporting
Using Fraud Pentagon Analysis. Journal of Auditing, Finance, and Forensic
Accounting, 6(2), 105–114. https://doi.org/10.21107/jaffa.v6i2.4938
Rachmania, A. 2017. Analisis Pengaruh Fraud Triangle Terhadap Kecurangan
Laporan Keuangan Pada Perusahaan Makanan dan Minuman yang Terdaftar
di Bursa Efek Indonesia Periode 2013-2015. Jurnal Online Mahasiswa.
Rahmadani, L. V. 2020. Pendeteksian Fraudulent Financial Statement melalui
Analisis Fraud Diamond dengan Peran GCG sebagai Moderating.
Universitas Negeri Semarang.
Rahmayuni, S. 2018. Analisis Pengaruh Fraud Diamond Terhadap Kecurangan
Laporan Keuangan (Studi Empiris pada Perusahaan Manufaktur yang
Terdaftar di BEI Tahun 2013-2016). Journal Akuntansi Universitas Negeri
Padang, 1–20.
Santoso, S. H. 2019. Fenomena Kecurangan Laporan Keuangan pada Perusahaan
Terbuka di Indonesia. Jurnal Magister Akuntansi Trisakti, 6(2), 173–200.
Sasongko, N., & Wijayantika, S. F. 2019. Faktor Resiko Fraud Terhadap
77
Pelaksanaan Fraudulent Financial Reporting (Berdasarkan Pendekatan
Crown’S Fraud Pentagon Theory). Riset Akuntansi Dan Keuangan Indonesia,
4(1), 67–76. https://doi.org/10.23917/reaksi.v4i1.7809
Septriyani, Y., & Handayani, D. 2018. Mendeteksi Kecurangan Laporan Keuangan
dengan Analisis Fraud Pentagon. Jurnal Akuntansi, Keuangan Dan Bisnis,
11(1), 11–23. http://jurnal.pcr.ac.id
Setiawati, E., & Baningrum, R. M. 2018. Deteksi Fraudulent Financial Reporting
Menggunakan Analisis Fraud Pentagon: Studi Kasus Pada Perusahaan
Manufaktur yang Listed di BEI Tahun 2014-2016. Riset Akuntansi Dan
Keuangan Indonesia, 3(2), 91–106. https://doi.org/10.23917/reaksi.v3i2.6645
Siddiq, F. R., & Hadinata, S. 2016. Fraud Diamond dalam Financial Statement
Fraud. Jurnal Bisnis Dan Manajemen Islam, 99–114.
https://doi.org/10.21043/bisnis.v4i2.2692
Sihombing, K. S. 2014. Analisis Fraud Diamond dalam Mendeteksi Financial
Statement Fraud: Studi Empiris pada Perusahaan Manufaktur yang Terdaftar
di Bursa Efek Indonesia (BEI) Tahun 2016-2018 [Universitas Diponegoro].
https://doi.org/10.25105/semnas.v0i0.5780
Skousen, C. J., Smith, K. R., & Wright, C. J. 2009. Detecting and Predicting
Financial Statement Fraud: The Effectiveness of The Fraud Triangle and SAS
No. 99. Advances in Financial Eonomics: Corporate Governance and
PerformancelSt Edition, JAI Publishing, Emerald Group, 13.
Sugiyono. 2010. Metode Penelitian Pendidikan Pendekatan Kuantitatif, Kualitatif,
dan R&D. Alfabeta.
Tessa, C., & Harto, P. 2016. Fraudulent Financial Reporting: Pengujian Teori Fraud
Pentagon pada Sektor Keuangan dan Perbankan di Indonesia. Simposium
Nasional Akuntansi XIX, 1–21.
Tiffani, L., & Marfuah. 2015. Deteksi Financial Statement Fraud dengan Analisis
Fraud Triangle pada Perusahaan Manufaktur yang Terdaftar di Bursa Efek
Indonesia. JAAI, 19(2), 112–125.
Tuanakotta, T. M. 2013. Mendeteksi Manipulasi Laporan Keuangan. Jakarta:
Salemba Empat.
Ulfah, M., Nuraina, E., & Wijaya, A. L. 2017. Pengaruh Fraud Pentagon dalam
Mendeteksi Fraudulent Financial Reporting (Studi Empiris Pada Perbankan di
Indonesia yang Terdaftar di BEI. Forum Ilmiah Pendidikan Akuntansi, 5(1),
399–418.
Utomo, L. P. 2018. Kecurangan dalam Laporan Keuangan “Menguji Teori Fraud
Triangle.” Jurnal Akuntansi Dan Pajak, 19(1), 77.
https://doi.org/10.29040/jap.v19i1.241
Vidella, A., & Afiah, E. T. 2020. Financial Stability, Financial Targets, Effective
78
Monitoring Dan Rationalization dan Kecurangan Laporan Keuangan. Jurnal
Revenue, 1(1), 90–100.
Vivianita, A., & Indudewi, D. 2018. Financial Statement Fraud pada Perusahaan
Pertambangan yang Dipengaruhi oleh Fraud Pentagon Theory (Studi Kasus di
Perusahaan Tambang yang Terdaftar Di BEI Tahun 2014-2016). Jurnal
Dinamika Sosial Budaya, 20(1), 1–15.
https://doi.org/10.26623/jdsb.v20i1.1229
Vousinas, G. L. 2019. Advancing Theory of Fraud: The S.C.O.R.E Model. Journal
of Financial Crime.
Wahyuni, & Budiwitjaksono, G. S. 2017. Fraud Triangle Sebagai Pendeteksi
Kecurangan Laporan Keuangan. Jurnal Akuntansi, 21(1), 47.
https://doi.org/10.24912/ja.v21i1.133
Wicaksana, E. A., & Suryandari, D. 2019. Pendeteksian Kecurangan Laporan
Keuangan pada Perusahaan Pertambangan di Bursa Efek Indonesia. Jurnal
RAK (Riset Akuntansi Keuangan), 4(1), 44–56.
Widarti. 2015. Pengaruh Fraud Triangle Terhadap Deteksi Kecurangan Laporan
Keuangan pada Perusahaan Manufaktur yang Terdaftar di Bursa Efek
Indonesia (BEI). Jurnal Manajemen Dan Bisnis Sriwijaya, 13(2).
Wolfe, D. T., & Hermanson, D. R. 2004. The Fraud Diamond: Considering The
Four Elements of Fraud. The CPA Journal, 74(12), 38–42.
Yesiariani, M., & Rahayu, I. 2016. Analisis Fraud Diamond dalam Mendeteksi
Financial Statement Fraud : Studi Empiris pada Perusahaan Manufaktur yang
Terdaftar di Bursa Efek Indonesia (BEI) Tahun 2010-2014. Simposium
Nasional Akuntansi XIX.
Yulianti, Pratama, S. R., Widowati, Y. S., & Prapti, L. 2019. Influence of Fraud
Pentagon Toward Fraudulent Financial Reporting in Indonesia an Empirical
Study on Financial Sector Listed in Indonesian Stock Exchange. International
Journal of Scientific & Technology Research, 8(8), 237–242.
Zelin, C. 2018. Analisis Fraud Pentagon dalam Mendeteksi Kecurangan Laporan
Keuangan Dengan Menggunakan Fraud Score Model. Universitas Islam
Indonesia.
79
LAMPIRAN
Kode Tahun Fraud Score ACHANGE LEV ROA BDOUT CPA DIRCHANGE KAP CEOPIC
ADES 2017 0,18323251 0,094799988 49,65569197 0,045513403 0,333333333 0 0 0 0
ADES 2018 0,310064214 0,04884223 45,31627472 0,06009248 0,333333333 0 0 0 1
ADES 2019 0,482710012 -0,066834983 30,93941328 0,102003344 0,333333333 0 0 0 1
AGII 2017 0,423355398 0,095049149 46,40563825 0,01524125 0,333333333 0 0 0 4
AGII 2018 0,248997273 0,038137013 52,64879647 0,017204906 0,333333333 1 1 0 2
AGII 2019 0,181555719 0,056143014 53,00422448 0,014731704 0,333333333 0 0 0 2
AISA 2017 -0,934244352 -0,785841304 268,9204012 -2,646606355 0,4 0 0 0 5
AISA 2018 -3,761021069 -0,083521196 289,9873707 -0,067998564 0,333333333 0 1 0 2
AISA 2019 0,007211561 0,028936262 188,7042889 0,607167814 0,5 0 0 0 2
AKPI 2017 -0,068254891 0,049472911 58,96252177 0,004856972 0,333333333 0 0 1 0
AKPI 2018 0,048564389 0,118413871 59,81534859 0,020917813 0,333333333 0 0 1 1
AKPI 2019 0,095594926 -0,095633707 55,16541844 0,019574958 0,333333333 0 0 1 2
ALDO 2017 0,07855556 0,215365575 53,99597736 0,058221975 0,333333333 0 0 0 6
ALDO 2018 0,262993231 0,054998129 48,3795695 0,080790548 0,333333333 0 0 0 6
ALDO 2019 0,684515616 0,758340436 42,34158741 0,084769766 0,333333333 0 0 0 7
ALKA 2017 -0,442041841 1,234015964 87,38866991 0,050477774 0,5 0 0 0 1
ALKA 2018 -0,466255212 1,126309927 84,47821199 0,035353804 0,5 1 0 0 1
ALKA 2019 -0,876550605 -0,068021321 82,67392554 0,012160089 0,5 1 0 0 1
ALMI 2017 -0,597771156 0,103691748 84,05614317 0,003554484 0,5 0 0 0 2
ALMI 2018 0,139894911 0,170596072 88,23724157 0,002352775 0,5 0 0 0 2
ALMI 2019 -0,541442778 -0,379634581 99,87308535 -0,173157342 0,333333333 0 1 0 2
ALTO 2017 1,241098337 -0,047815609 62,20562045 -0,030645444 0,5 0 0 0 1
ALTO 2018 0,126316671 0,00041424 65,11880551 -0,029753042 0,5 0 0 0 1
ALTO 2019 0,428644356 -0,005760664 65,49635293 -0,006599564 0,5 1 0 0 1
AMFG 2017 0,4164396 0,138590599 43,37936851 0,006153499 0,333333333 0 0 1 5
AMFG 2018 0,344325661 0,345386016 57,34823955 0,000782199 0,333333333 0 0 1 3
AMFG 2019 -0,365134303 0,036337765 60,96910936 -0,015130126 0,333333333 0 1 1 3
AMIN 2017 1,260959121 0,268766619 40,04167368 0,127754281 0,5 0 0 0 4
AMIN 2018 0,5647913 0,429601586 49,53302841 0,108290938 0,5 0 0 0 3
AMIN 2019 -0,229197985 0,121405052 52,06518248 0,079936734 0,5 0 0 0 4
APLI 2017 0,251937726 0,042453921 43,01863741 -0,00333442 0,333333333 0 0 1 2
APLI 2018 -0,022516771 0,262049258 59,42090475 -0,046696586 0,5 0 0 1 2
APLI 2019 0,516701393 -0,166766141 49,25850973 0,022870242 0,5 0 0 1 2
ARNA 2017 -0,539177664 0,037668537 35,71661857 0,076300708 0,25 0 0 1 14
ARNA 2018 0,537863991 0,03219726 33,65645484 0,095714941 0,25 0 0 1 10
ARNA 2019 0,203446951 0,088469087 34,59187837 0,120988691 0,25 0 0 1 12
ASII 2017 0,724746305 0,1290447 47,12291051 0,078353842 0,333333333 0 0 1 4
ASII 2018 0,273245346 0,165958613 49,4176281 0,067801724 0,3 0 0 1 4
ASII 2019 0,23883315 0,021023408 46,93599805 0,075636866 0,3 0 0 1 5
AUTO 2017 0,493805557 0,00999126 27,11793257 0,037106729 0,375 0 0 1 4
AUTO 2018 0,626022487 0,076366035 26,40514126 0,042845568 0,375 0 0 1 4
AUTO 2019 0,531297128 0,00793353 25,4482396 0,05329199 0,375 0 0 1 4
BAJA 2017 -0,085873629 -0,036817651 81,82509349 -0,024285263 0,333333333 0 0 0 2
BAJA 2018 -0,926285484 -0,047828406 91,50877781 -0,107298862 0,333333333 0 0 0 2
BAJA 2019 -0,784403045 -0,071362984 91,13516734 0,001329935 0,333333333 0 0 0 2
BATA 2017 0,609205829 0,06331005 32,29932632 0,062702963 0,75 0 0 0 3
BATA 2018 0,565350683 0,024734382 27,3760805 0,077486896 0,666666667 0 0 0 1
BATA 2019 0,536073094 -0,015635027 24,31744957 0,027158005 0,75 0 0 0 3
BIMA 2017 -1,850446926 -0,029486181 194,7496973 0,122043392 0,666666667 0 0 0 1
BIMA 2018 -1,384330899 0,099222848 182,3374236 0,170671593 0,666666667 0 0 0 1
BIMA 2019 -0,097718484 1,510797054 73,84248494 0,026665909 0,666666667 1 0 0 1
BOLT 2017 0,490079582 -0,014336225 39,37774026 0,078419707 0,333333333 0 0 0 4
BOLT 2018 0,381375072 0,103952161 43,76345557 0,057710627 0,333333333 0 0 0 3
BOLT 2019 0,3555465 -0,03540497 39,88305459 0,040676281 0,333333333 0 0 0 4
BTEK 2017 0,424158736 0,087369858 62,54054346 -0,00807451 0,333333333 0 0 0 2
BTEK 2018 1,918810348 -0,026539235 56,2357177 0,014714085 0,333333333 1 0 0 3
BTEK 2019 0,230798154 -0,036782118 56,93449121 -0,016852185 0,333333333 0 0 0 3
BTON 2017 0,93021255 0,035032994 15,72886023 0,061966348 0,5 0 0 0 3
BTON 2018 0,842859297 0,184528638 15,73760823 0,127955159 0,5 1 0 0 3
BTON 2019 0,91143084 0,06071947 20,09316518 0,005931668 0,5 0 0 0 3
BUDI 2017 -0,136756046 0,002608971 59,35642513 0,015544033 0,333333333 0 0 0 2
BUDI 2018 -0,175418902 0,154288413 63,85230682 0,014873946 0,333333333 0 0 0 2
BUDI 2019 -0,20824203 -0,115890161 57,15273886 0,021341991 0,333333333 0 0 0 2
CEKA 2017 0,142650324 -0,023372052 35,15578379 0,07713491 0,5 0 0 1 4
CEKA 2018 0,397473505 -0,160616507 16,45130012 0,079258461 0,5 0 0 1 3
CEKA 2019 0,448909945 0,191729621 18,79180889 0,154663961 0,5 0 0 1 2
CINT 2017 1,120405523 -0,162074709 23,61518463 0,074243781 0,5 0 0 0 4
CINT 2018 0,636005434 0,230495783 20,90093857 0,027583736 0,5 0 0 0 3
CINT 2019 0,572850765 0,061279712 25,277843 0,013846888 0,5 0 0 0 5
CPIN 2017 0,70736408 0,012886001 35,96588664 0,101815783 0,333333333 0 0 1 1
CPIN 2018 0,604130911 0,126885089 29,85678701 0,164639739 0,333333333 0 0 1 1
CPIN 2019 0,514940201 0,061780275 28,2132301 0,123740978 0,333333333 0 0 1 1
DLTA 2017 0,907947191 0,119424374 14,63239219 0,20865432 0,4 0 0 1 2
DLTA 2018 0,771185339 0,136238498 15,71057817 0,221940384 0,4 0 0 1 3
DLTA 2019 0,475324234 -0,064018608 14,89641058 0,222874337 0,4 1 0 0 2
DPNS 2017 0,499674998 0,041743918 13,17891403 0,019330926 0,333333333 0 0 0 1
DPNS 2018 1,063167701 0,044389725 13,80461895 0,029114133 0,333333333 0 0 0 2
DPNS 2019 0,868116358 -0,012550628 11,32821865 0,012377155 0,5 0 0 0 2
DVLA 2017 1,030849469 0,071518253 31,96968168 0,098879068 0,428571429 0 0 1 4
DVLA 2018 0,507084947 0,025556674 28,67563835 0,119235427 0,428571429 0 0 1 4
DVLA 2019 0,599937873 0,087435865 28,6280313 0,109648238 0,428571429 0 0 1 4
EKAD 2017 0,807232448 0,134174886 16,81166666 0,095630974 0,5 0 0 0 0
EKAD 2018 0,839796551 0,070911273 15,08143226 0,086778404 0,5 0 0 0 0
EKAD 2019 0,867977241 0,134737232 11,94863607 0,079941982 0,5 1 0 0 0
ETWA 2017 -2,488903046 -0,038282542 110,8835648 -0,11441202 0,75 0 0 0 3
ETWA 2018 4,932258225 -0,02145224 123,7314349 -0,127012783 0,5 0 0 0 3
ETWA 2019 -1,165211089 0,030410164 130,7851011 -0,096256399 0,5 1 0 0 2
FASW 2017 0,002746248 0,091651803 64,90549037 0,063593925 0,4 0 0 1 1
FASW 2018 0,221711368 0,170250305 60,89110012 0,128167128 0,333333333 0 0 1 2
FASW 2019 0,265232268 -0,019436704 56,35601839 0,090107331 0,375 0 1 1 2
GDST 2017 0,723695198 0,023333827 34,31941321 -0,004244202 0,5 0 0 0 2
GDST 2018 0,480466502 0,050434592 33,72277914 -0,064946624 0,333333333 0 0 0 2
GDST 2019 0,116366362 0,300856512 47,83338966 -0,015243802 0,333333333 0 0 0 2
GGRM 2017 0,34580927 0,060495586 36,80690798 0,116167692 0,5 0 0 1 2
GGRM 2018 0,758769165 0,035014946 34,68147394 0,112784105 0,5 0 0 1 1
GGRM 2019 0,494257415 0,138211858 35,24154696 0,138348139 0,5 0 0 1 1
GJTL 2017 0,137456016 -0,027094288 68,72403411 0,002475266 0,222222222 0 1 1 2
GJTL 2018 0,049788227 0,083573596 70,19081979 -0,003782416 0,2 0 0 1 4
GJTL 2019 -0,028110921 -0,043396188 66,93038716 0,014271634 0,285714286 1 0 1 4
HDTX 2017 -1,214193457 -0,149358377 91,73412519 -0,101661009 0,333333333 0 0 0 1
HDTX 2018 -1,299312138 -0,854540743 76,80524631 -0,458829787 0,333333333 0 0 0 1
HDTX 2019 -55,97462416 -0,277966096 59,61286309 -0,154966277 0,333333333 0 0 0 1
HMSP 2017 0,909736052 0,014886183 20,92687888 0,293700088 0,4 0 0 1 4
HMSP 2018 0,597990955 0,080233466 24,12786074 0,290508905 0,333333333 0 0 1 5
HMSP 2019 0,475607781 0,092278169 29,90616274 0,269562998 0,428571429 0 0 1 5
ICBP 2017 0,427993577 0,094027088 35,72219358 0,112056529 0,5 0 0 1 5
ICBP 2018 0,576091977 0,08689694 33,92775363 0,135559119 0,5 0 0 1 4
ICBP 2019 0,673343993 0,126346253 31,09900113 0,138468716 0,5 0 0 1 4
IGAR 2017 0,720780973 0,167378075 13,85432993 0,141078939 0,333333333 0 0 1 4
IGAR 2018 0,727118859 0,111447761 15,30759426 0,108292173 0,333333333 0 0 1 5
IGAR 2019 0,765844391 0,083123732 13,06186705 0,135257696 0,333333333 0 0 1 6
IIKP 2017 2,788262091 -0,139775507 7,975345867 -0,04144428 0,333333333 0 0 0 0
IIKP 2018 0,975511574 -0,050438488 7,966337136 -0,05392347 0,333333333 1 0 0 1
IIKP 2019 0,73589052 0,289813044 6,512638215 0,222492431 0,333333333 1 0 0 1
IKAI 2017 0,329874873 -0,132828624 145,8727173 -0,189613773 0,5 0 0 0 1
IKAI 2018 -0,207473092 4,8175353 40,60417353 -0,053315996 0,333333333 0 0 0 7
IKAI 2019 2,471950981 0,015345351 32,4841983 -0,052828997 0,333333333 0 0 0 6
IMAS 2017 -0,238374382 0,224003916 70,41861272 -0,00204928 0,428571429 0 0 1 3
IMAS 2018 -0,220735156 0,308172241 75,14819786 0,002745993 0,428571429 0 0 1 3
IMAS 2019 -0,316397123 0,089034294 78,95208251 0,00348625 0,5 0 0 1 3
IMPC 2017 0,189599719 0,008191923 43,82564518 0,039789257 0,5 0 0 0 3
IMPC 2018 0,65566548 0,032911742 42,10513815 0,04452113 0,5 0 0 0 4
IMPC 2019 0,337732152 0,055241796 43,69400133 0,037241204 0,5 0 0 0 4
INAF 2017 0,184635705 -0,129168424 49,71104262 -0,038469013 0,333333333 0 0 0 5
INAF 2018 -0,520489654 0,198792108 65,56684228 -0,022696619 0,333333333 0 0 0 3
INAF 2019 -0,128335778 -0,040500149 63,51452517 0,005753135 0,333333333 1 1 0 3
INAI 2017 -0,70152127 -0,09343752 77,14796195 0,031840496 0,5 0 0 0 2
INAI 2018 -0,486903017 0,153854937 78,30459844 0,028888138 0,333333333 0 0 0 2
INAI 2019 -0,109889456 -0,134069675 73,67714744 0,027667796 0,333333333 0 0 0 2
INCF 2017 -0,288354083 0,321950856 75,41031083 0,006558932 0,5 0 0 0 1
INCF 2018 -0,874266144 -0,078092548 72,00278239 0,008360511 0,5 0 0 0 1
INCF 2019 -0,471264008 -0,125213616 68,34415737 -0,009030409 0,5 0 0 0 1
INCI 2017 0,943626649 0,127851615 11,65566767 0,054492774 0,333333333 0 0 0 2
INCI 2018 0,987992055 0,288274043 18,24657243 0,042609257 0,333333333 1 0 0 3
INCI 2019 0,494511487 0,035982866 16,1114949 0,034065619 0,333333333 0 0 0 3
INDF 2017 0,054772661 0,068939143 46,71685667 0,058201493 0,375 0 0 1 4
INDF 2018 0,258033875 0,092045682 48,29299811 0,051398014 0,375 0 0 1 5
INDF 2019 0,344581356 -0,003514033 43,65561339 0,061359848 0,375 0 0 1 3
INDS 2017 0,850911727 -0,0172186 11,90324306 0,046676551 0,333333333 0 0 0 1
INDS 2018 0,809010149 0,019600711 11,60622696 0,044589779 0,333333333 0 0 0 1
INDS 2019 1,093039823 0,141836138 9,248289231 0,03579761 0,333333333 0 0 0 1
INTP 2017 0,619898161 -0,042671816 14,92170177 0,064433828 0,285714286 0 0 1 2
INTP 2018 0,564946736 -0,0372588 16,43472231 0,041237722 0,333333333 0 0 1 2
INTP 2019 0,758501512 -0,002908139 16,70106078 0,066237968 0,333333333 0 0 1 3
ISSP 2017 0,132523831 0,037663211 54,68534692 0,001377173 0,2 0 0 0 2
ISSP 2018 0,336715414 0,035841748 55,10648946 0,007505463 0,2 0 0 0 6
ISSP 2019 0,027445405 -0,010711772 51,7680345 0,028904008 0,2 0 0 0 6
JECC 2017 0,748554556 0,214700419 71,60966594 0,043234442 0,666666667 0 0 0 1
JECC 2018 -0,004545357 0,090333045 66,31580861 0,042066 0,5 0 0 0 1
JECC 2019 -0,313908729 -0,101511634 59,96663488 0,054278046 0,5 0 0 0 1
JKSW 2017 -22,46577025 -0,076458316 276,6869872 -0,015558237 0,5 0 0 0 1
JKSW 2018 -71,40307016 -0,244411017 35,93281393 -0,254880609 0,5 0 1 0 1
JKSW 2019 -4,014107707 -0,052474072 374,4477387 -0,007702568 0,5 0 0 0 1
JPFA 2017 0,129682078 0,09547408 53,54924368 0,052530229 0,5 0 0 1 3
JPFA 2018 0,290326853 0,092419176 55,66109651 0,097803553 0,5 0 0 1 2
JPFA 2019 0,130422997 0,093192916 54,54372083 0,074800728 0,5 0 0 1 2
KAEF 2017 0,183071411 0,321640394 57,80088763 0,054412699 0,4 0 0 0 3
KAEF 2018 0,703442254 0,858401249 53,87870625 0,047231091 0,4 0 0 0 3
KAEF 2019 -0,735038732 0,619977927 59,60891159 0,000865828 0,4 1 1 0 4
KBLI 2017 0,435134126 0,610411733 40,71372573 0,119111667 0,333333333 0 0 1 2
KBLI 2018 0,329667589 0,076668674 37,40855493 0,072623734 0,333333333 0 1 1 3
KBLI 2019 0,345555461 0,096046285 33,01061244 0,111051025 0,5 1 1 0 3
KBLM 2017 0,25777859 0,932742189 35,92703079 0,035617706 0,333333333 0 0 0 2
KBLM 2018 0,164558701 0,051133169 36,73000964 0,031328094 0,666666667 0 0 0 2
KBLM 2019 0,79837843 -0,010722093 33,94562819 0,030089649 0,666666667 0 0 0 2
KDSI 2017 -0,058698823 0,162849841 63,44629042 0,051920217 0,5 0 0 0 2
KDSI 2018 0,074172249 0,047523033 60,10029753 0,055168172 0,333333333 0 0 0 2
KDSI 2019 0,751173057 -0,099011374 51,48524621 0,051123426 0,333333333 0 0 0 4
KIAS 2017 0,652558361 -0,049506862 19,28448364 -0,048257981 0,333333333 0 0 1 2
KIAS 2018 0,695774356 -0,035742703 20,51057877 -0,04647109 0,333333333 0 1 1 2
KIAS 2019 0,406381879 -0,277362824 28,38295543 -0,40142455 0,333333333 0 0 1 1
KICI 2017 0,862657079 -0,064321201 41,42903161 0,056841179 0,333333333 0 0 0 2
KICI 2018 0,19213726 -0,030299019 39,77991027 -0,005847561 0,333333333 0 0 0 2
KICI 2019 0,763411947 0,008308856 42,48457984 -0,02058956 0,333333333 0 0 0 2
KINO 2017 0,251046895 -0,014281973 36,52168536 0,033881938 0,5 0 0 0 4
KINO 2018 0,396147336 0,109516157 39,12026285 0,041789862 0,5 0 0 0 3
KINO 2019 0,341395317 0,307224473 42,4404287 0,109801778 0,5 0 0 0 4
KLBF 2017 0,711404539 0,091306276 16,38281422 0,147641795 0,428571429 0 0 1 3
KLBF 2018 0,67861249 0,092076594 15,71464209 0,137618957 0,428571429 0 0 1 3
KLBF 2019 0,735931275 0,116747308 17,56324875 0,125222602 0,428571429 0 0 1 3
LION 2017 0,306313074 -0,005650299 33,67327782 0,013612592 0,333333333 0 0 0 2
LION 2018 0,492557782 0,020903193 31,74725745 0,02108565 0,333333333 0 0 0 2
LION 2019 0,441479755 -0,01174206 31,87682545 0,001346568 0,333333333 0 0 0 1
LMPI 2017 0,087845836 0,029842793 54,91497685 -0,037314264 0,5 0 0 0 1
LMPI 2018 0,31656917 -0,057328757 57,99050871 -0,058968379 0,5 0 0 0 1
LMPI 2019 0,676619114 -0,062364559 60,77754783 -0,056490248 0,5 0 0 0 1
LMSH 2017 1,109073658 -0,010226543 19,57086924 0,080459621 0,333333333 0 0 0 1
LMSH 2018 0,588143934 -0,007047026 17,0815075 0,018038971 0,333333333 0 0 0 1
LMSH 2019 0,048611117 -0,080840209 22,74459968 -0,12404302 0,333333333 0 0 0 1
LPIN 2017 0,319702556 -0,438897018 13,67117129 0,716023462 0,333333333 0 0 0 1
LPIN 2018 2,249856299 0,124870908 9,292563376 0,108608144 0,666666667 0 0 0 1
LPIN 2019 0,923484494 0,077321049 6,653229721 0,092080726 0,333333333 0 1 0 2
MAIN 2017 -0,061368912 0,064121232 58,22568185 0,011958592 0,6 0 0 1 2
MAIN 2018 0,710854933 0,064730484 54,06555483 0,065557444 0,6 0 1 1 3
MAIN 2019 0,17793581 0,072127261 36,65817535 0,032789628 0,6 0 0 1 3
MBTO 2017 0,193439757 0,099598113 47,12967727 -0,031627748 0,333333333 0 0 0 2
MBTO 2018 -0,128691942 -0,16992189 53,62778872 -0,17612354 0,333333333 0 0 0 2
MBTO 2019 0,349033106 -0,087888069 60,2122223 -0,113263373 0,333333333 0 0 0 2
MDKI 2017 0,703909855 1,614851993 12,10304674 0,054295862 0,4 0 0 0 4
MDKI 2018 1,276785174 0,053736753 9,0379787 0,036964548 0,4 1 0 0 3
MDKI 2019 0,454318738 0,010644757 9,677146986 0,03556958 0,4 0 0 0 2
MERK 2017 0,47059099 0,138549288 27,33970648 0,170810125 0,333333333 0 0 1 3
MERK 2018 -0,364395368 0,491267922 58,96803229 0,920997195 0,333333333 0 0 1 3
MERK 2019 -0,534424523 -0,286635088 34,07642022 0,086849612 0,5 0 0 1 3
MGNA 2017 16,68493294 -0,152579133 76,31222451 -0,072524386 0,5 0 0 0 3
MGNA 2018 0,282809109 -0,095347198 91,90310408 -0,180401216 0,5 0 0 0 4
MGNA 2019 14,85949472 -0,565532144 218,2956739 -1,369320259 0,5 0 0 0 2
MLBI 2017 -0,320881957 0,10331256 57,57482437 0,526703553 0,5 0 0 1 4
MLBI 2018 -0,22243412 0,151159844 59,59385375 0,42388184 0,5 0 0 1 4
MLBI 2019 -0,383603093 0,002577954 60,44091199 0,416320268 0,571428571 1 1 1 4
MLIA 2017 -0,133581917 -0,328460831 66,17695354 0,009164633 0,4 0 0 1 1
MLIA 2018 0,343820821 0,014853511 57,41860553 0,035921747 0,4 0 0 1 2
MLIA 2019 -0,244211124 0,0939214 56,01039006 0,022016513 0,4 0 0 1 2
MRAT 2017 0,585382387 0,029640048 26,26356579 -0,002580317 0,333333333 0 0 0 2
MRAT 2018 0,43760611 0,029221344 28,11432342 -0,004408147 0,333333333 0 0 0 3
MRAT 2019 0,398579705 0,040780743 30,80571267 0,000247458 0,4 0 1 0 2
MYOR 2017 0,148985745 0,154261172 50,69441926 0,109343675 0,4 0 0 0 1
MYOR 2018 0,455169341 0,179396861 51,43993269 0,100071831 0,4 0 0 0 1
MYOR 2019 0,314780879 0,082209897 47,99883172 0,107123275 0,4 0 0 0 1
MYTX 2017 -0,563926924 1,135343141 89,90715397 -0,082829368 0,25 0 0 0 3
MYTX 2018 0,254809036 0,083508229 93,62691024 -0,045425436 0,333333333 0 1 0 3
MYTX 2019 -0,689548959 -0,016360201 91,54215697 -0,065385259 0,333333333 1 0 0 3
PICO 2017 -0,348034848 0,127899229 61,1679225 0,028031691 0,333333333 0 0 0 1
PICO 2018 -0,089270191 0,184235362 64,87867471 0,018442737 0,333333333 0 0 0 1
PICO 2019 -0,350158389 0,322046156 73,24093971 0,004335419 0,333333333 0 0 0 1
PRAS 2017 -0,137569008 0,695798516 56,1414779 -0,002091932 0,333333333 1 0 0 2
PRAS 2018 0,067405267 0,060495821 57,92656146 0,003886881 0,333333333 1 0 0 2
PRAS 2019 -0,740366973 0,013196992 61,03347129 -0,026325146 0,333333333 1 0 0 2
PSDN 2017 0,205930721 0,056872634 56,65788026 0,046528945 0,333333333 0 0 1 3
PSDN 2018 -0,348460116 0,009663861 65,1838955 -0,066794141 0,333333333 0 0 1 3
PSDN 2019 -0,142348175 0,094365687 76,95281483 -0,033743069 0,333333333 0 0 1 3
PYFA 2017 0,61518914 -0,044886502 31,77906811 0,044668003 0,5 0 0 0 1
PYFA 2018 0,506134319 0,172302303 36,42180906 0,045159714 0,5 0 0 0 1
PYFA 2019 0,512752009 0,01993532 34,62525687 0,048969567 0,5 0 0 0 1
RICY 2017 -0,026733698 0,066549184 68,69533245 0,012047456 0,333333333 0 0 0 1
RICY 2018 -0,072017217 0,120162896 71,1023063 0,012003346 0,333333333 0 0 0 1
RICY 2019 -0,266405424 0,0521256 71,71003256 0,010629993 0,333333333 0 0 0 1
RMBA 2017 0,142403909 0,045479741 36,63785348 -0,034086673 0,5 0 0 1 2
RMBA 2018 0,11407325 0,056519009 43,78224425 -0,04089246 0,333333333 0 0 1 5
RMBA 2019 -0,012051382 0,142526853 50,57952993 0,002977119 0,333333333 1 0 0 2
ROTI 2017 0,258341219 0,561689924 38,14979436 0,029687868 0,333333333 0 0 1 3
ROTI 2018 0,399499606 -0,036355006 33,6134046 0,028943315 0,333333333 0 0 1 2
ROTI 2019 0,517590459 0,065608991 33,94827001 0,05051566 0,333333333 0 0 1 2
SCCO 2017 0,472718415 0,638510321 32,03634151 0,067193289 0,333333333 0 0 0 3
SCCO 2018 0,539370713 0,037604059 30,11736294 0,060980396 0,333333333 0 0 0 2
SCCO 2019 0,646857015 0,056530142 28,62379584 0,068988339 0,333333333 0 0 0 3
SIDO 2017 0,78253891 0,057097068 8,306413974 0,169020118 0,333333333 0 0 1 3
SIDO 2018 0,927727769 0,056814044 13,03362747 0,198898439 0,5 0 0 1 3
SIDO 2019 0,704821609 0,059704077 13,35042741 0,22836084 0,4 0 1 1 3
SIPD 2017 -0,286499103 -0,127575022 64,6688238 -0,158469955 0,333333333 0 0 0 2
SIPD 2018 0,139205226 -0,023137038 61,58434721 0,011853489 0,333333333 0 1 0 4
SIPD 2019 -0,098028345 0,12930971 62,91826147 0,03228761 0,333333333 0 0 0 5
SKBM 2017 0,359753229 0,620342548 36,95501302 0,015945796 0,333333333 0 0 0 4
SKBM 2018 0,216296735 0,091396171 41,25569933 0,009006966 0,333333333 0 0 0 7
SKBM 2019 0,231028501 0,02767208 43,09877755 0,000525806 0,333333333 0 0 0 3
SKLT 2017 0,223448206 0,119745666 51,66157367 0,036101344 0,333333333 0 0 0 2
SKLT 2018 0,455447546 0,174465299 54,60472965 0,042759801 0,333333333 0 0 0 2
SKLT 2019 0,265029466 0,058279385 51,90186618 0,056829843 0,333333333 0 0 0 2
SMBR 2017 0,13313483 0,158269563 32,55667177 0,028979972 0,2 0 0 0 2
SMBR 2018 0,606514321 0,094409173 37,27661269 0,013736661 0,4 0 1 0 4
SMBR 2019 0,586516765 0,005993179 37,49552679 0,005398025 0,4 0 0 0 4
SMCB 2017 -0,01655702 -0,006918437 63,33025975 -0,038623736 0,428571429 0 0 1 2
SMCB 2018 0,167786577 -0,048873754 65,62765456 -0,044355103 0,375 0 1 1 2
SMCB 2019 0,088038831 0,048229602 64,31525379 0,025504129 0,333333333 1 0 1 5
SMGR 2017 0,097427544 0,107097884 37,83318092 0,041725485 0,285714286 0 0 1 3
SMGR 2018 0,456259362 0,044775948 36,00679144 0,060319627 0,285714286 0 0 1 3
SMGR 2019 0,475918085 0,560075812 55,02663442 0,029712068 0,285714286 1 0 1 3
SMSM 2017 -1,237986875 0,083646451 25,17687871 0,22730679 0,5 0 0 1 1
SMSM 2018 1,31390007 0,146464206 23,23737337 0,226170685 0,5 0 0 1 1
SMSM 2019 0,592301228 0,109159529 21,39305004 0,205561605 0,5 0 0 1 2
SPMA 2017 0,296614345 0,007785821 45,04945154 0,042414753 0,6 0 0 0 2
SPMA 2018 0,465300259 0,049265389 44,38609869 0,036022025 0,6 0 0 0 3
SPMA 2019 0,133693656 0,039111325 41,92821819 0,055227003 0,6 0 0 0 3
SRSN 2017 0,573510013 -0,089832359 36,34302755 0,02711483 0,375 0 0 0 2
SRSN 2018 0,348963227 0,052166963 30,43042076 0,056401248 0,375 0 0 0 2
SRSN 2019 0,800814775 0,134642859 33,96180457 0,054962208 0,333333333 0 0 0 2
SSTM 2017 1,838386894 -0,06774531 64,91900905 -0,039148181 0,4 0 0 0 1
SSTM 2018 0,338622115 -0,071773469 61,71109739 0,001978102 0,4 0 0 0 1
SSTM 2019 -0,132624961 -0,084330534 61,07959157 -0,031600262 0,5 0 0 0 1
STAR 2017 0,903482121 -0,109364965 20,24104941 0,000967499 0,5 0 0 0 0
STAR 2018 1,187234586 0,002035071 20,22894953 0,000281824 0,5 0 0 0 0
STAR 2019 0,188754762 -0,058677648 15,48679101 0,003365069 0,5 1 0 0 0
STTP 2017 0,558660076 0,00223568 40,88315877 0,092222117 0,5 0 0 0 3
STTP 2018 0,442635918 0,123272442 37,42800536 0,096948113 0,5 0 1 0 3
STTP 2019 0,742388287 0,095155915 25,45688068 0,167475259 0,5 0 0 0 2
TALF 2017 0,5973944 0,044878278 16,83339741 0,023301001 0,333333333 0 0 0 1
TALF 2018 0,765981534 0,068773301 17,89754052 0,044664669 0,333333333 0 0 0 1
TALF 2019 1,343844322 0,349874119 24,13632402 0,020658037 0,333333333 0 0 0 1
TCID 2017 0,653123088 0,080868641 21,31761031 0,075842932 0,5 0 0 1 3
TCID 2018 0,802444291 0,035284981 19,33139484 0,070772714 0,4 0 0 1 3
TCID 2019 0,663403732 0,043371323 20,85490525 0,056894702 0,5 1 1 1 2
TIRT 2017 -0,965350515 0,053065824 85,59030831 0,001165352 0,5 0 0 0 3
TIRT 2018 -0,059449835 0,074557719 90,52538451 -0,039504549 0,333333333 0 0 0 3
TIRT 2019 -1,366427765 -0,029980964 95,98672465 -0,057769207 0,333333333 0 0 0 3
TOTO 2017 0,417549088 0,094927555 40,07439942 0,098686259 0,4 0 0 1 1
TOTO 2018 0,762631781 0,02498822 33,40015973 0,119668091 0,4 0 0 1 1
TOTO 2019 0,213856921 0,007368512 34,06598747 0,048175117 0,4 0 0 1 2
TRIS 2017 0,039661358 0,595984128 40,12330333 0,013907487 0,333333333 0 0 0 5
TRIS 2018 0,597627471 0,134121245 45,43674139 0,023405678 0,333333333 0 0 0 3
TRIS 2019 0,368336577 -0,009187505 42,41745264 0,020254498 0,333333333 0 0 0 3
TRST 2017 0,306391523 0,012857765 40,72531492 0,011461374 0,5 0 0 1 5
TRST 2018 0,259659774 0,285635319 47,78445734 0,01474804 0,333333333 1 0 0 5
TRST 2019 0,12807216 0,014964475 50,00116135 0,00894729 0,333333333 0 0 0 3
TSPC 2017 0,372219441 0,128927695 31,64658304 0,074962617 0,6 0 0 0 1
TSPC 2018 0,447303107 0,0585179 30,96740423 0,06866326 0,6 0 0 0 2
TSPC 2019 0,548898956 0,063887689 30,83488189 0,071082204 0,6 0 0 0 2
ULTJ 2017 0,655134505 0,223565767 18,85861413 0,13720633 0,333333333 0 0 0 1
ULTJ 2018 0,827509627 0,071126907 14,05567192 0,12628209 0,333333333 0 0 0 1
ULTJ 2019 0,875808195 0,189448423 14,42527429 0,156749221 0,5 0 0 0 1
UNIT 2017 0,059465619 -0,015080524 42,47955598 0,002491 0,5 0 0 0 0
UNIT 2018 0,095411101 -0,015673581 41,3993053 0,001206866 0,5 0 1 0 0
UNIT 2019 0,116557691 -0,004685191 40,93529535 0,001620584 0,5 1 0 0 0
UNVR 2017 -0,538391359 0,129031253 72,63686137 0,370486036 0,8 0 0 1 6
UNVR 2018 -0,117178927 0,032610998 61,18350333 0,46515397 0,8 0 0 1 5
UNVR 2019 -0,525802777 0,057696191 74,42119666 0,35801754 0,8 0 0 1 5
VOKS 2017 -0,081317789 0,264928502 61,4190488 0,078763908 0,285714286 0 0 0 2
VOKS 2018 -0,237156531 0,177813496 62,87776252 0,042435618 0,333333333 0 0 0 4
VOKS 2019 -0,125234542 0,218300226 63,35404955 0,068775794 0,285714286 0 0 0 3
WIIM 2017 0,483911902 -0,09450267 20,20219376 0,033115273 0,333333333 0 0 0 5
WIIM 2018 0,558760945 0,024362835 19,93806251 0,040732648 0,333333333 0 0 0 4
WIIM 2019 0,553171844 0,035002076 20,49608328 0,021029347 0,333333333 0 0 0 4
WSBP 2017 -1,423411424 0,086301012 50,95926659 0,067048285 0,5 0 0 1 5
WSBP 2018 -3,494937056 0,020298196 48,21894643 0,072490121 0,6 1 0 0 4
WSBP 2019 -3,769531445 0,060879611 49,62852627 0,049919046 0,6 0 0 0 6
WTON 2017 -0,035765041 0,51573178 61,12133092 0,048169216 0,428571429 0 0 0 3
WTON 2018 -0,015359983 0,256622589 64,68261305 0,054790849 0,428571429 1 0 0 4
WTON 2019 -0,336914739 0,163944284 66,0622795 0,049401907 0,5 0 0 0 3
YPAS 2017 -0,379937703 0,083084969 58,13011752 -0,047769294 0,333333333 0 0 0 2
YPAS 2018 -0,028330818 0,090308184 64,30010114 -0,027318876 0,333333333 0 0 0 2
YPAS 2019 0,138891733 -0,159292628 56,38634301 0,012538748 0,333333333 0 0 0 3
= Data Outlier
Lampiran 3: Analisis Deskriptif
Descriptive Statistics
CPA
Valid Cumulative
Frequency Percent Percent Percent
Valid Tidak Melakukan
260 90,9 90,9 90,9
Pergantian Auditor
Melakukan Pergantian
26 9,1 9,1 100,0
Auditor
Total 286 100,0 100,0
DIRCHANGE
Valid Cumulative
Frequency Percent Percent Percent
Valid Tidak Melakukan
266 93,0 93,0 93,0
Pergantian Direktur
Melakukan Pergantian
Direktur 20 7,0 7,0 100,0
Total 286 100,0 100,0
RKAP
Valid Cumulative
Frequency Percent Percent Percent
Valid KAP Non Afiliasi
183 64,0 64,0 64,0
Big4
KAP Afiliasi Big4 103 36,0 36,0 100,0
Total 286 100,0 100,0
Lampiran 4: Uji Asumsi Klasik
1. Uji Normalitas
2. Uji Multikolonieritas
Coefficientsa
Unstandardized Standardized Collinearity
Coefficients Coefficients Statistics
Model B Std. Error Beta t Sig. Tolerance VIF
1 (Constant) 1,002 ,060 16,760 ,000
ACHANGE -,090 ,036 -,067 -2,517 ,012 ,926 1,080
LEV -,016 ,000 -,996 -33,983 ,000 ,762 1,312
ROA -,703 ,076 -,278 -9,260 ,000 ,726 1,378
BDOUT ,138 ,122 ,030 1,129 ,260 ,955 1,048
CPA ,017 ,045 ,010 ,388 ,698 ,951 1,051
DIRCHANGE -,039 ,051 -,020 -,760 ,448 ,944 1,059
CEOPIC -8,782E-5 ,008 ,000 -,010 ,992 ,896 1,116
RKAP ,011 ,028 ,011 ,398 ,691 ,876 1,141
a. Dependent Variable: FSCORE
3. Uji Autikorelasi
Runs Test
Unstandardized
Residual
Test Valuea ,55318b
Cases < Test Value 285
Cases >= Test Value
1
Total Cases 286
Number of Runs 3
Z ,084
Asymp. Sig. (2-tailed) ,933
4. Uji Heterokedastisitas
Coefficientsa
Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) -5,596 ,679 -8,239 ,000
ACHANGE -,042 ,408 -,006 -,103 ,918
LEV ,008 ,005 ,103 1,530 ,127
ROA -,861 ,862 -,069 -,999 ,319
BDOUT 2,162 1,389 ,093 1,557 ,121
CPA -,579 ,509 -,069 -1,139 ,256
DIRCHAN
,141 ,576 ,015 ,244 ,807
GE
CEOPIC -,012 ,096 -,008 -,125 ,900
RKAP -,484 ,317 -,096 -1,524 ,129
a. Dependent Variable: LN_RES
Lampiran 5: Uji Regresi Linear
1. Uji Statisik t
Coefficientsa
Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) 1,002 ,060 16,760 ,000
ACHANGE -,090 ,036 -,067 -2,517 ,012
LEV -,016 ,000 -,996 -33,983 ,000
ROA -,703 ,076 -,278 -9,260 ,000
BDOUT ,138 ,122 ,030 1,129 ,260
CPA ,017 ,045 ,010 ,388 ,698
DIRCHANG
-,039 ,051 -,020 -,760 ,448
E
CEOPIC -8,782E-5 ,008 ,000 -,010 ,992
RKAP ,011 ,028 ,011 ,398 ,691
a. Dependent Variable: FSCORE
2. Uji Signifikansi F
ANOVAa
Sum of
Model Squares df Mean Square F Sig.
1 Regression 56,446 8 7,056 156,373 ,000b
Residual 12,499 277 ,045
Total 68,945 285
a. Dependent Variable: FSCORE
b. Predictors: (Constant), RKAP, BDOUT, DIRCHANGE, ACHANGE, LEV, CPA,
CEOPIC, ROA
3. Uji Koefisien Determinasi (R2)
Model Summaryb
Adjusted R Std. Error of the
Model R R Square Square Estimate
a
1 ,905 ,819 ,813 ,21242
a. Predictors: (Constant), RKAP, BDOUT, DIRCHANGE, ACHANGE,
LEV, CPA, CEOPIC, ROA
b. Dependent Variable: FSCORE