Syntax Idea: p�ISSN: 2684-6853 e-ISSN: 2684-883X�
Vol. 4, No. 2, Februari 2022
Yuda Yogi Ananda, Antonius Hermawan Permana, Eva Rosdiana Pohan
Email: [email protected], [email protected], [email protected]
Abstrak
Penelitian ini bertujuan untuk menganalisis pengaruh Likuiditas, Profitabilitas, Interest Coverage Ratio, dan Free Cash Flow terhadap Financial Distress. Sampel penelitian terdiri dari 48 perusahaan yang terdaftar di BEI selama periode 2017-2020 (4 Tahun). Dalam penelitian ini menggunakan metode analisis regresi logistik dan data tipe kuantitatif yang diolah dengan menggunakan program SPSS versi 25. Hasil pengujian secara keseluruhan pada periode 2017-2020 menunjukan bahwa Likuiditas berpengaruh positif signifikan terhadap Financial Distress, Profitabilitas berpengaruh negatif signifikan terhadap Financial Distress. Sedangkan Interest Coverage Ratio dan Free Cash Flow tidak berpengaruh signifikan terhadap Financial Distress. Pada periode sebelum terjadi COVID-19 pada tahun 2017-2019 hasil penelitian menunjukan hasil signifikan yang sama dengan hasil secara keseluruhan. Sedangkan selama periode awal terjadi COVID-19 yaitu pada tahun 2020, hasil penelitian menunjukan bahwa Likuiditas, Profitabilitas, Interest Coverage Ratio, dan Free Cash Flow tidak berpengaruh signifikan terhadap Financial Distress.
Kata Kunci: Likuiditas; Profitabilitas; Interest Coverage Ratio; Free Cash Flow; Financial Distress
Abstract
This study aims to analyze the effect of Liquidity, Profitability, Interest Coverage Ratio, and Free Cash Flow on Financial Distress. The research sample consisted of 48 companies listed on the IDX during the 2017-2020 period (4 years). In this study using logistic regression analysis methods and quantitative type data processed using the SPSS version 25 program. The overall test results for the 2017-2020 period show that Liquidity has a significant positive effect on Financial Distress, Profitability has a significant negative effect on Financial Distress. Meanwhile, Interest Coverage Ratio and Free Cash Flow have no significant effect on Financial Distress. In the period before COVID-19 occurred in 2017-2019 the results of the study showed significant results which were the same as the overall results. Meanwhile, during the initial period of COVID-19, namely in 2020, the results showed that Liquidity, Profitability, Interest Coverage Ratio, and Free Cash Flow had no significant effect on Financial Distress.
Keywords: Liquidity; Profitability; Interest Coverage Ratio; Free Cash Flow; Financial Distress
Received: 2022-01-22; Accepted: 2022-2-05; Published: 2022-02-20
Pendahuluan
Krisis keuangan global telah menekankan pentingnya pengelolaan keuangan perusahaan dimasa pandemi COVID-19, untuk terhindar dari kondisi Financial Distress dan kebangkrutan. Berdasarkan data laporan keuangan yang dipublikasikan Bursa Efek Indonesia (BEI) kinerja keuangan sejumlah perusahaan properti dan real estate pada tahun 2020 mencatatkan penurunan yang besar dibandingkan tahun sebelumnya. Penurunan kinerja paling besar terjadi pada PT Alam Sutera Realty Tbk (ASRI) yang mencatatkan rugi bersih sebesar Rp 512,5 miliar, dimana pada tahun sebelumnya perseroan berhasil mencatatkan laba bersih sebesar Rp 158,8 miliar. Sementara itu, laba PT Ciputra Development Tbk (CTRA) tercatat turun 42,8% dari Rp 296,4 miliar menjadi Rp 169,5 miliar. Adapun, PT Pakuwon Jati Tbk (PWON) mendapatkan laba bersih tertinggi di antara lima emiten lainnya, yaitu Rp 482,6 miliar pada semester I-2020. Namun laba PWON tersebut juga turun cukup dalam sebesar 64,7% dari semester I-2019 yang berhasil mendapatkan laba bersih hingga Rp 1,4 triliun. Perusahaan sektor properti dan real estate memiliki karakteristik investasi yang besar dan berisiko tinggi.
Adapun fenomena terbaru pada tahun 2021 adalah kasus Evergrande Group. Hutang perusahaan tersebut mencapai US $300 atau sekitar Rp 4.275, Perusahaan tersebut dikabarkan terancam gagal dalam membayar utang. Arus kas perusahaan disebutkan saat ini tengah berada dalam tekanan yang besar. Bahkan perusahaan baru-baru ini menyebutkan bahwa dua anak usahanya telah gagal memenuhi kewajiban penjaminan untuk produk manajemen senilai US$ 145 juta atau setara Rp 2 triliun yang dikeluarkan pihak ketiga. Penting bagi perusahaan untuk mempelajari model pembiayaan yang tepat, memperluas saluran pembiayaan, dan mengoptimalkan struktur pembiayaan pembiayaan. Mengevaluasi kembali pembiayaan utang (pinjaman bank, pembiayaan obligasi, dll) dan pembiayaan ekuitas (Sun & Cao, 2021).
Kesulitan keuangan (Financial Distress) adalah tahap akhir penurunan perusahaan yang mendahului peristiwa yang lebih dahsyat seperti kebangkrutan atau likuidasi. Oleh karena itu, kebangkrutan adalah peristiwa hukum yang sesuai dengan jenis default tertentu. Hanya satu kemungkinan kegagalan makro, yaitu, tahap terakhir dari siklus hidup perusahaan yang mewakili jenis penghentian yang penting, yang memerlukan reaksi defensif (yaitu perubahan radikal) di perusahaan yang ingin bertahan (Agostini, 2018).
Sebagian besar perusahaan yang mengalami kesulitan keuangan, hingga 32% perusahaan ketika pendapatan turun 80% dan salah satu faktor utamanya adalah ketersediaan sumber keuangan untuk pembiayaan modal perusahaan. Termasuk ketersediaan kredit dalam untuk kebutuhan perusahaan akan meringankan masalah likuiditas perusahaan, menyediakan sumber daya keuangan yang diperlukan untuk membayar perkiraan laba bersih negatif pada setiap tahunnya �(Cladera, Rafel C., Alfredo M. Oliver, 2021).
Menurut (Ahmad & Ali, 2014), Financial Distress terjadi pada perusahaan yang dalam beberapa tahun mengalami laba bersih operasi yang negatif (net operating income negatif) dan selama lebih dari satu tahun tidak melakukan pembayaran dividen. Kemudian perusahaan mengalami delisted akibat dari laba bersih dan nilai buku ekuitas negatif berturut-turut serta perusahaan tersebut telah demerger. Ditinjau dari aspek keuangan terdapat tiga keadaan yang dapat menyebabkan Financial Distress yaitu faktor ketidakcukupan modal atau kekurangan modal, besarnya beban utang dan bunga, dan menderita kerugian.
Ketiga aspek tersebut saling berkaitan. Oleh karena itu, harus dijaga keseimbangan agar perusahaan terhindar dari kondisi Financial Distress yang mengarah kepada kebangkrutan. Caranya adalah dengan kemampuan memperoleh laba, Likuiditas, dan tingkat utang dalam struktur permodalan. Untuk mengetahui kinerja dari suatu perusahaan terdapat beberapa rasio keuangan yang dapat mempengaruhi kondisi Financial Distress pada perusahaan seperti; Rasio Likuiditas, Rasio Financial Leverage, Rasio Profit Margin, Rasio Profitabilitas, Rasio Aktivitas, Ukuran Perusahaan, Tren Harga Saham, dan Return Saham (Ahmad & Ali, 2014).
Kajian tentang Financial Distress hingga kini masih menjadi topik yang menarik perhatian peneliti keuangan di seluruh dunia, terbukti dari banyaknya penelitian-penelitian terdahulu mengenai topik ini. Model-model yang digunakan untuk memprediksi Financial Distress ini sangat beragam. Menurut sejumlah literatur keuangan, indikasi Financial Distress dikategorikan ke dalam beberapa tipe, yaitu kegagalan pendanaan, kegagalan Profitabilitas bisnis, kegagalan Likuiditas, kegagalan solvabilitas, dan kebangkrutan (Irfani, 2020).
Menurut (Zizi, Jamali-Alaoui, El Goumi, Oudgou, & El Moudden, 2021), dalam penelitiannya terkait model optimal prediksi Financial Distress dengan studi komparatif neural networks dan regresi logistik Pendekatan teori yang digunakan adalah komparatif neural network pada perusahaan maroko. Hasil penelitian menunjukkan dengan melakukan penelitian terkait Financial Distress perusahan dapat memprediksikanakurasi keseluruhan 93,33% dua tahun sebelum kesulitan keuangan dan 95,00% satu tahun sebelum kesulitan keuangan. Adapun faktor-faktor yang diteliti terkait dengan bebas (independen) adalah likuiditas, profitabilitas, solvabilitas, dan struktur modal.
Kesulitan keuangan adalah masalah sosial dan ekonomi yang signifikan yang mempengaruhi hampir setiap perusahaan di seluruh dunia. Memprediksi kesulitan keuangan dalam perusahaan secara substansial dapat membantu dalam pengurangan kerugian dan dapat membantu menghindari misalokasi sumber daya keuangan bank. Model untuk prediksi kesulitan keuangan perusahaan semakin banyak digunakan sebagai alat penting untuk mengidentifikasi sinyal peringatan dini untuk keseluruhan sistem perusahaan (Mishraz, Ashok, & Tandon, 2021).
Banyak hal yang bisa menyebabkan Financial Distress perusahaan manajemen dan produk yang buruk bisa menjadi penyebab perusahaan mengalami hal itu. Masalah masalah keuangan seperti arus kas, praktek akuntansi, anggaran dan penetapan harga adalah penyebab lain yang bisa membuat perusahaan mengalami Financial Distress (Kristanti, 2019).
Kondisi perusahaan dari waktu ke waktu mengalami dinamika. Kemampuan perusahaan dalam memperoleh laba tidak selalu dibarengi dengan kemampuan menangani utang. Laporan keuangan perusahaan selama bertahun-tahun menjadi bukti resiliensi (resiliance) perusahaan dalam menghadapi berbagai situasi. Ketidakmampuan bersaing bisa berakibat pada penurunan profitabilitas. Beban utang yang terlalu banyak juga bisa menyebabkan perusahaan mengalami tekanan arus kas. Bagi pemberi pinjaman, penurunan kemampuan membayar dapat berakibat pada penurunan pendapatan kreditor. Dalam bentuknya yang paling parah, kreditor mendapati sebagian dari peminjam mengalami gagal bayar. Oleh karena itu, salah satu analisis yang dikembangkan dari sisi pemberi kredit adalah analisis kebangkrutan (Prihadi, 2020).
Menurut (Curry & Banjarnahor, 2018) pada penelitian yang bertujuan untuk menganalisis faktor yang mempengaruhi Financial Distress pada perusahaan properti yang go public di Indonesia. Kesulitan keuangan (Financial Distress) bisa dialami oleh semua perusahaan, termasuk perusahaan sektor properti. Sektor properti merupakan salah satu sektor yang memerlukan modal/pembiayaan yang besar dengan tingkat pengembalian di masa yang akan datang juga cukup tinggi, sehingga sektor ini menarik untuk diteliti. Hasil penelitian selama kurun waktu 2014 � 2016, menjelaskan bahwa likuiditas, profitabilitas dan financial leverage berpengaruh negatif terhadap Financial Distress. EPS berpengaruh positif terhadap Financial Distress, sedangkan pertumbuhan penjualan (growth) tidak berpengaruh terhadap Financial Distress.
Menurut (Dirman, 2020), dengan melakukan analisis terkait Financial Distress dapat memberikan pemahaman dan pengetahuan kepada masyarakat khususnya investor dan kreditur tentang pengaruh profitabilitas, likuiditas, leverage, ukuran perusahaan, dan arus kas bebas terhadap Financial Distress dan dapat digunakan sebagai acuan bagi peneliti dan pemangku kepentingan masa depan (investor, kreditur, dan pemerintah) dalam mengambil keputusan yang relevan dan andal. Hasil penelitian menunjukan bahwa variabel profitabilitas berpengaruh positif terhadap Financial Distress; likuiditas variabel, leverage, dan arus kas bebas tidak mempengaruhi kesulitan keuangan; dan variabel ukuran perusahaan berpengaruh negatif terhadap Financial Distress.
Menurut (Setiany, 2021), dalam penelitiannya terkait pengaruh investasi, arus kas bebas, manajemen laba, dan rasio cakupan bunga terhadap kesulitan keuangan�. Hasil penelitian menunjukkan free cash flow dan interest coverage ratio berpengaruh signifikan terhadap Financial Distress, sedangkan investment dan earning management tidak berpengaruh signifikan terhadap Financial Distress.
Menurut (Mahaningrum & Merkusiwati, 2020), berdasarkan penelitian terkait pengaruh rasio keuangan pada Financial Distress. Hasil penelitian menunjukan rasio likuiditas tidak berpengaruh pada Financial Distress, rasio leverage berpengaruh positif pada Financial Distress, rasio profitabilitas berpengaruh negatif pada Financial Distress, rasio aktivitas tidak berpengaruh pada Financial Distress dan pertumbuhan tidak berpengaruh pada Financial Distress. Manajemen perusahaan diharapkan untuk memerhatikan rasio keuangan seperti rasio leverage, dan rasio profitabilitas, karena rasio tersebut memiliki pengaruh untuk memprediksi Financial Distress. Memerhatikan tingkat interent coverage ratio, laba bersih perusahaan, market value, dan operating cash flow, bila mengalami penurunan maka menunjukkan bahwa perusahaan sedang mengalami Financial Distress. Manejemen perusahaan harus mengambil keputusan yang tepat dalam kewajiban utang yang akan jatuh tempo.
Berdasarkan hal tersebut maka tujuan dari penelitian ini adalah: (1.) Untuk menganalisis pengaruh Likuiditas, Profitabilitas, Interest Coverage Ratio, dan Free Cash Flow terhadap kondisi Financial Distress sektor properti dan real estate di Indonesia secara keseluruhan pada periode 2017-2020. (2.) Untuk menganalisis pengaruh Likuiditas, Profitabilitas, Interest Coverage Ratio, dan Free Cash Flow terhadap kondisi Financial Distress sektor properti dan real estate di Indonesia sebelum yaitu periode 2017-2019 dan selama terjadi COVID-19 yaitu pada periode 2020.
Metode Penelitian
Menurut Sugiyono (2020), penelitian merupakan cara yang sistematis untuk mengumpulkan data dan mempresentasikan hasilnya. Metode penelitian merupakan proses kegiatan dalam bentuk pengumpulan data, analisis dan memberikan interpretasi yang terkait dengan judul penelitian. Dalam menentukan metode penelitian penulis menerapkan cara yang ilmiah, rasional, empiris, dan sistematis. Adapun data dalam penelitian ini akan disajikan sesuai dengan dengan kriteria yang valid, reliable, dan objektif.
Dalam penelitian ini teknik analisis yang digunakan adalah analisis kuantitatif dengan menggunakan metode regresi logistik. Jumlah sampel yang digunakan sebanyak 48 perusahaan properti dan real estate yang terdaftar di Bursa Efek Indonesia selama periode 2017-2020. Menurut (Ghozali, 2018) analisis regresi logistik (logistic regression) merupakan regresi yang menguji apakah terdapat probabilitas terjadinya variabel dependen dapat diprediksi oleh variabel independen. Analisis regresi logistik tidak memerlukan distribusi normal dalam variabel independen (Ghozali, 2018).
Oleh karena itu, analisis regresi logistik tidak memerlukan uji normalitas, uji heteroskedastisitas, dan uji asumsi klasik pada variabel independennya. Analisis regresi logistik memiliki empat pengujian diantaranya, yaitu Menilai Keseluruhan Model (Overall Model Fit), Menguji Kelayakan Model Regresi (Goodness Of Fit Test), Koefisien Determinasi (Nagelkerke�s R Square) dan Matriks Klasifikasi (Ghozali, 2018:332-334). Adapun dalam pengujian hipotesis dalam penelitian ini secara parsial (Uji t) dilakukan dengan Uji Wald dan secara simultan (Uji f) dilakukan dengan uji Ombibus Test Of Model Coefficient. Dalam penelitian ini akan menyajikan hasil dan pembahasan secara keseluruhan untuk periode 2017-2020 selama 4 tahun terakhir, dengan membagi ke dalam dua bahasan yaitu periode sebelum terjadi COVID-19 (tahun 2017-2019) dan selama periode awal COVID-19 terjadi (tahun 2020).
Hasil dan Pembahasan
1. Uji Kelayakan Model
Analisis statistik data yang digunakan dalam penelitian ini adalah analisis regresi logistik binary. Analisis regresi logistik memiliki empat pengujian model yaitu, Menilai keseluruhan Model (Overall Model Test), Menguji Kelayakan Model Regresi (Goodness Fit Test), Koefisien Determinasi, dan Matriks Klasifikasi. Pengujian model berdasarkan data yang akan disajikan menggunakan alat pengolahan data Microsoft excel dan Statistical Package For Social Science (SPSS) Versi 25.
1) Analisis Keseluruhan Model (Overall Model Fit)
Tabel 1
�Iteration History -2 Log Likelihood
|
Iteration Historya,b,c |
|||
|
Iteration |
-2 Log Likelihood |
Coefficients |
|
|
Constant |
|||
|
Step 0 |
1 |
142,307 |
-1,542 |
|
2 |
136,822 |
-1,967 |
|
|
3 |
136,701 |
-2,042 |
|
|
4 |
136,701 |
-2,045 |
|
|
5 |
136,701 |
-2,045 |
|
Sumber: Data yang Diolah
Berdasarkan tabel 1 dan 2, Nilai -2 Log Likelihood pada awal adalah sebesar 136,701. Setelah empat variabel independen dimasukkan, nilai dari -2 Log Likelihood pada akhir menjadi 108,021. Nilai -2 Log Likelihood yang mengalami penurunan menunjukkan bahwa model regresi fit dengan data.
Tabel 2
�Hasil Output Menilai Model Fit
|
Iteration Historya,b,c,d |
||||
|
Coefficients |
||||
|
Constant |
LQ |
PF |
ICR |
FCF |
|
-1,544 |
0,043 |
-7,477 |
0,000 |
0,001 |
|
-2,024 |
0,061 |
-15,186 |
0,000 |
0,002 |
|
-2,190 |
0,067 |
-22,360 |
0,000 |
0,003 |
|
-2,241 |
0,069 |
-24,321 |
0,000 |
0,004 |
|
-2,239 |
0,069 |
-24,129 |
-0,001 |
0,004 |
|
-2,227 |
0,069 |
-23,386 |
-0,003 |
0,004 |
|
-2,225 |
0,069 |
-22,748 |
-0,005 |
0,003 |
|
-2,229 |
0,069 |
-22,521 |
-0,006 |
0,003 |
|
-2,230 |
0,069 |
-22,505 |
-0,006 |
0,003 |
|
-2,230 |
0,069 |
-22,505 |
-0,006 |
0,003 |
Sumber: Data yang Diolah
Dikarenakan pada saat penelitian terjadi kondisi pandemi COVID-19 berikut hasil penelitian Analisis Keseluruhan Model (Overall Model Fit) sebelum dan selama COVID-19:
a) Sebelum COVID-19: Nilai -2 Log Likelihood pada awal adalah sebesar 77,720. Setelah empat variabel independen dimasukkan, nilai dari -2 Log Likelihood pada akhir menjadi 46,240. Nilai -2 Log Likelihood yang mengalami penurunan menunjukkan bahwa sebelum Pandemi COVID-19 model regresi fit dengan data.
b) Selama COVID-19: Nilai -2 Log Likelihood pada awal adalah sebesar 51,674. Setelah empat variabel independen dimasukkan, nilai dari -2 Log Likelihood pada akhir menjadi 46,915. Nilai -2 Log Likelihood yang mengalami penurunan menunjukkan bahwa selama Pandemi COVID-19 model regresi fit dengan data.
2) Analisis Kelayakan Model Regresi (Goodness Of Fit Test)
Tabel 3
�Hasil Hosmer and Lemeshow�s Goodness of Fit Test
|
Hosmer and Lemeshow Test |
|||
|
Step |
Chi-square |
df |
Sig. |
|
1 |
13,669 |
8 |
0,091 |
Sumber: Data yang Diolah
Berdasarkan Tabel 3 menunjukkan bahwa besarnya nilai statistik Hosmer and Lemeshow�s Goodness of Fit sebesar 13,669 dengan probabilitas signifikansi 0,091 nilainya lebih besar daripada α (0,05 < 0,091) dengan demikian dapat disimpulkan bahwa tidak terdapat perbedaan signifikan antara model dengan nilai observasinya. Jadi model regresi logistik ini fit dan dapat diterima.
Dikarenakan pada saat penelitian terjadi kondisi pandemi COVID-19 berikut hasil penelitian Analisis Kelayakan Model Regresi (Goodness Of Fit Test) sebelum dan selama COVID-19:
a) Sebelum COVID-19: Hasil menunjukkan bahwa besarnya nilai statistik Hosmer and Lemeshow�s Goodness of Fit sebesar 4,902 dengan probabilitas signifikansi 0,768 nilainya lebih besar daripada α (0,05 < 0,768) dengan demikian dapat disimpulkan bahwa tidak terdapat perbedaan signifikan antara model dengan nilai observasinya. Jadi model regresi logistik ini fit dan dapat diterima.
b) Selama COVID-19: Hasil menunjukkan bahwa besarnya nilai statistik Hosmer and Lemeshow�s Goodness of Fit sebesar 13,745 dengan probabilitas signifikansi 0,089 nilainya lebih besar daripada α (0,05 < 0,089) dengan demikian dapat disimpulkan bahwa tidak terdapat perbedaan signifikan antara model dengan nilai observasinya. Jadi model regresi logistik ini fit dan dapat diterima.
3) Analisis Koefisien Determinasi (Nagelkerke R Square)
Tabel 4
Hasil Output SPSS: Nagelkerke R Square
|
Model Summary |
||
|
-2 Log Likelihood |
Cox & Snell R Square |
Nagelkerke R Square |
|
108,021a |
0,139 |
0,272 |
Sumber: Data yang Diolah
Pada Tabel 4 diketahui besarnya variasi prediksi dari variabel independen terhadap dependen dapat dilihat pada nilai Nagelkerke R Square. Hal ini berarti diketahui bahwa dengan ukuran Nagelkerke R Square diperoleh 27,2% variasi Financial Distress dapat diprediksi dari variabel independen (Likuiditas, Profitabilitas, Interest Coverage Ratio, dan Free Cash Flow). Jadi berapa persen variabel independen mempengaruhi dependen dijelaskan dari nilai Nagelkerke R Square yaitu sebesar 27,2% sedangkan sisanya sebesar 72,8% dipengaruhi oleh variabel yang lain.
Dikarenakan pada saat penelitian terjadi kondisi pandemi COVID-19 berikut hasil penelitian analisis Koefisien Determinasi (Nagelkerke R Square) sebelum dan selama COVID-19:
a) Sebelum COVID-19: Hasil menunjukkan bahwa dengan ukuran Nagelkerke R Square sebelum Pandemi COVID-19 diperoleh 47,1% variasi Financial Distress dapat diprediksi dari variabel independen (Likuiditas, Profitabilitas, Interest Coverage Ratio, dan Free Cash Flow). Jadi berapa persen variabel independen mempengaruhi dependen dijelaskan dari nilai Nagelkerke R Square yaitu sebesar 47,1% sedangkan sisanya sebesar 52,9% dipengaruhi oleh variabel yang lain.
b) Selama COVID-19: Hasil menunjukkan bahwa dengan ukuran Nagelkerke R Square selama Pandemi COVID-19 diperoleh 14,3% variasi Financial Distress dapat diprediksi dari variabel independen (Likuiditas, Profitabilitas, Interest Coverage Ratio, dan Free Cash Flow). Jadi berapa persen variabel independen mempengaruhi dependen dijelaskan dari nilai Nagelkerke R Square yaitu sebesar 14,3% sedangkan sisanya sebesar 85,7% dipengaruhi oleh variabel yang lain.
4) Matriks Klasifikasi
Tabel 5
Hasil Output SPSS Klasifkasi
|
Classification Tablea |
|
||||
|
Observed |
Predicted |
||||
|
FD |
Percentage Correct |
||||
|
Non Financial Distress |
Financial Distress |
||||
|
FD |
Non Financial Distress |
166 |
4 |
97,6 |
|
|
Financial Distress |
17 |
5 |
22,7 |
||
|
Overall Percentage |
|
|
89,1 |
||
Sumber: Data yang Diolah
Pada Tabel 5 dalam penelitian ini untuk memperjelas gambaran penjelasan ketepatan model regresi logistik. Hasil menunjukan bahwa dari 170 sampel perusahaan, yang termasuk non-Financial Distress sebanyak 166 perusahaan atau 97,2% yang secara tepat dapat diprediksikan oleh model regresi logistik ini sebagai perusahaan yang termasuk non-Financial Distress. Sedangkan dari 22 perusahaan yang termasuk Financial Distress sebanyak 5 perusahaan dapat diprediksi dengan tepat oleh model regresi logistic (22,7%). Dengan demikian secara keseluruhan dari 192 sampel yang perusahaan diambil, sebesar 89,1% yang dapat diprediksikan dengan tepat oleh model logistik ini. Tingginya persentase ketepatan tabel klasifikasi tersebut mendukung tidak adanya perbedaan yang signifikan terhadap data hasil prediksi dan data observasinya yang menunjukkan sebagai model regresi yang baik.
Dikarenakan pada saat penelitian terjadi kondisi pandemi COVID-19 berikut hasil penelitian Matriks Klasifikasi sebelum dan selama COVID-19:
a) Sebelum COVID-19: Hasil menunjukkan bahwa bahwa dari 144 sampel perusahaan, yang termasuk non-Financial Distress sebanyak 130 perusahaan atau 97,7% yang secara tepat dapat diprediksikan oleh model regresi logistik ini sebagai perusahaan yang termasuk non-Financial Distress. Sedangkan dari 11 perusahaan yang termasuk Financial Distress sebanyak 5 perusahaan dapat diprediksi dengan tepat oleh model regresi logistic (45,5%). Dengan demikian kondisi sebelum pandemi COVID-19 (Periode 2017-2019) dari 144 sampel yang perusahaan diambil, sebesar 93,8% yang dapat diprediksikan dengan tepat oleh model logistik ini. Tingginya persentase ketepatan tabel klasifikasi tersebut mendukung tidak adanya perbedaan yang signifikan terhadap data hasil prediksi dan data observasinya yang menunjukkan sebagai model regresi yang baik.
b) Selama COVID-19: Hasil menunjukkan bahwa dari 48 sampel perusahaan, yang termasuk non-Financial Distress sebanyak 36 perusahaan atau 97,3% yang secara tepat dapat diprediksikan oleh model regresi logistik ini sebagai perusahaan yang termasuk non-Financial Distress. Sedangkan dari 11 perusahaan yang termasuk Financial Distress sebanyak 2 perusahaan dapat diprediksi dengan tepat oleh model regresi logistic (18,2%). Dengan demikian kondisi selama periode awal pandemi COVID-19 (Tahun 2020) dari 48 sampel yang perusahaan diambil, sebesar 79,2% yang dapat diprediksikan dengan tepat oleh model logistik ini. Tingginya persentase ketepatan tabel klasifikasi tersebut mendukung tidak adanya perbedaan yang signifikan terhadap data hasil prediksi dan data observasinya yang menunjukkan sebagai model regresi yang baik.
2. Pengujian Hipotesis
1) Uji Wald (Uji Parsial t)
Tabel 6
�Hasil Output Uji Wald (Secara Keseluruhan)
|
Variables in the Equation |
|||||||
|
|
B |
S.E. |
Wald |
df |
Sig. |
Exp(B) |
|
|
Step 1a |
LQ |
0,069 |
0,028 |
5,929 |
1,000 |
0,015 |
1,072 |
|
PF |
-22,505 |
7,040 |
10,219 |
1,000 |
0,001 |
0,000 |
|
|
ICR |
-0,006 |
0,008 |
0,575 |
1,000 |
0,448 |
0,994 |
|
|
FCF |
0,003 |
0,004 |
0,678 |
1,000 |
0,410 |
1,003 |
|
|
Constant |
-2,230 |
0,303 |
54,341 |
1,000 |
0,000 |
0,108 |
|
Sumber: Data yang Diolah
Berdasarkan tabel 6 dalam penelitian ini maka diperoleh hasil sebagai berikut: Likuiditas dari hasil uji wald pada tabel 5, nilai Wald atau thitung diperoleh sebesar 5,929. Jadi nilai thitung lebih besar dari ttabel (5,929 > 1,973) dan memiliki nilai signifikansi sebesar 0,015 lebih kecil dari nilai probabilitas (0,015 < 0,05). Maka dapat disimpulkan bahwa H0 ditolak dan H1 diterima bahwa secara parsial variabel Likuiditas berpengaruh positif signifikan terhadap Financial Distress.
Nilai profitabilitas dari hasil uji wald pada tabel 7, nilai Wald atau thitung diperoleh sebesar 10,219. Jadi nilai thitung lebih besar dari ttabel (10,219 > 1,973) dan memiliki nilai signifikansi sebesar 0,001 lebih kecil dari nilai probabilitas (0,001 < 0,05). Maka dapat disimpulkan bahwa H0 ditolak dan H2 diterima bahwa secara parsial variabel Profitabilitas berpengaruh negatif signifikan terhadap Financial Distress.
Nilai dari Interest Coverage Ratio hasil uji wald pada tabel 7, nilai Wald atau thitung diperoleh sebesar 0,575. Jadi nilai thitung lebih kecil dari ttabel (0,575 < 1,973) dan memiliki nilai signifikansi sebesar 0,448 lebih besar dari nilai probabilitas (0,448 > 0,05). Maka dapat disimpulkan bahwa H0 diterima dan H3 ditolak bahwa secara parsial variabel Interest Coverage Ratio tidak berpengaruh signifikan terhadap Financial Distress.
Nilai dari Free Cash Flow uji wald pada tabel 7, nilai Wald atau thitung diperoleh sebesar 0,678. Jadi nilai thitung lebih kecil dari ttabel (0,678 < 1,973) dan memiliki nilai signifikansi sebesar 0,410 lebih besar dari nilai probabilitas (0,410 > 0,05). Maka dapat disimpulkan bahwa H0 diterima dan H4 ditolak bahwa secara parsial variabel Free Cash Flow tidak berpengaruh signifikan terhadap Financial Distress.
Dikarenakan pada saat penelitian terjadi kondisi pandemi COVID-19 berikut hasil penelitian Matriks Klasifikasi sebelum dan selama COVID-19:
a) Sebelum COVID-19: Pada tabel 8 hasil menunjukkan bahwa sebelum COVID-19 variabel Likuiditas berpengaruh positif signifikan terhadap Financial Distress. Variabel Profitabilitas berpengaruh negatif signifikan terhadap Financial Distress. Sedangkan, untuk variabel Interest Coverage Ratio dan Free Cash Flow tidak memiliki pengaruh signifikan terhadap Financial Distress.
Tabel 7
Hasil Output Uji Wald (Sebelum COVID-19)
|
Variables in the Equation |
|||||||
|
|
|
B |
S.E. |
Wald |
df |
Sig. |
Exp(B) |
|
Step 1a |
LQ |
0,096 |
0,041 |
5,664 |
1,000 |
0,017 |
1,101 |
|
PF |
-44,867 |
18,131 |
6,123 |
1,000 |
0,013 |
0,000 |
|
|
ICR |
-0,073 |
0,071 |
1,054 |
1,000 |
0,305 |
0,929 |
|
|
FCF |
0,005 |
0,007 |
0,471 |
1,000 |
0,492 |
1,005 |
|
|
|
Constant |
-2,615 |
0,503 |
26,976 |
1,000 |
0,000 |
0,073 |
Sumber: Data yang Diolah
b) Selama COVID-19: Pada tabel 8 hasil menunjukkan bahwa selama COVID-19 variabel Likuiditas, Profitabilitas, Interest Coverage Ratio, dan Free Cash Flow tidak ada yang berpengaruh signifikan terhadap Financial Distress.
Tabel 8
�Hasil Output Uji Wald (Selama COVID-19)
|
Variables in the Equation |
|||||||
|
|
B |
S.E. |
Wald |
df |
Sig. |
Exp(B) |
|
|
Step 1a |
LQ |
0,04 |
0,048 |
0,679 |
1 |
0,41 |
1,041 |
|
PF |
-4,843 |
5,648 |
0,735 |
1 |
0,391 |
0,008 |
|
|
ICR |
-0,004 |
0,006 |
0,378 |
1 |
0,538 |
0,996 |
|
|
FCF |
-0,004 |
0,006 |
0,343 |
1 |
0,558 |
0,996 |
|
|
Constant |
-1,457 |
0,441 |
10,899 |
1 |
0,001 |
0,233 |
|
Sumber: Data yang Diolah
2) Uji Ombibus Test Of Model Coefficient (Uji Simultan F)
Tabel 9
Hasil Ombibus Test Of Model Coefficient
(Secara Keseluruhan)
|
Omnibus Tests of Model Coefficients |
|||||
|
|
Chi-square |
df |
Sig. |
||
|
Step 1 |
Step |
28,679 |
4,000 |
0,000 |
|
|
Block |
28,679 |
4,000 |
0,000 |
||
|
Model |
28,679 |
4,000 |
0,000 |
||
Sumber: Data yang Diolah
Berdasarkan tabel 9 dapat diperoleh nilai fhitung lebih besar dari ftabel (28,679 > 2,242) dengan tingkat signifikansi (0.000 < 0.05), maka H5 diterima. Sehingga dapat disimpulkan bahwa Likuiditas, Profitabilitas, Interest Coverage Ratio, dan Free Cash Flow secara simultan berpengaruh signifikan terhadap Financial Distress.
Dikarenakan pada saat penelitian terjadi kondisi pandemi COVID-19 berikut hasil penelitian Uji Ombibus Test Of Model Coefficient (Uji Simultan F) sebelum dan selama COVID-19:
a) Sebelum COVID-19: Berdasarkan tabel 11 dapat diperoleh nilai fhitung lebih besar dari ftabel (31,479 > 2,4368) dengan tingkat signifikansi (0.000 < 0.05), maka H5 sebelum COVID-19 diterima. Sehingga dapat disimpulkan bahwa sebelum Pandemi COVID-19 berlangsung variabel Likuiditas, Profitabilitas, Interest Coverage Ratio, dan Free Cash Flow secara simultan berpengaruh signifikan terhadap Financial Distress.
Tabel 10
�Hasil Ombibus Test Of Model Coefficient
(Sebelum COVID-19)
|
Omnibus Tests of Model Coefficients |
||||
|
|
|
Chi-square |
df |
Sig. |
|
Step 1 |
Step |
31,479 |
4,000 |
0,000 |
|
Block |
31,479 |
4,000 |
0,000 |
|
|
|
Model |
31,479 |
4,000 |
0,000 |
Sumber: Data yang Diolah
b) Selama COVID-19: Pada tabel 10 dapat diperoleh nilai fhitung lebih besar dari ftabel (4,758 > 2,5889) dengan tingkat signifikansi (0.313 < 0.05), maka H5 selama COVID-19 ditolak. Sehingga dapat disimpulkan bahwa selama Pandemi COVID-19 berlangsung variabel Likuiditas, Profitabilitas, Interest Coverage Ratio, dan Free Cash Flow secara simultan tidak berpengaruh signifikan terhadap Financial Distress.
Tabel 11
�Hasil Ombibus Test Of Model Coefficient
(Selama COVID-19)
|
Omnibus Tests of Model Coefficients |
||||
|
|
|
Chi-square |
df |
Sig. |
|
Step 1 |
Step |
4,758 |
4,000 |
0,313 |
|
Block |
4,758 |
4,000 |
0,313 |
|
|
|
Model |
4,758 |
4,000 |
0,313 |
Sumber: Data yang Diolah
Kesimpulan
Kesimpulan dari hasil penelitian ini adalah sebagai berikut: (1) Likuiditas secara parsial berpengaruh positif signifikan terhadap Financial Distress. (2) Profitabilitas secara parsial berpengaruh negatif signifikan terhadap Financial Distress. (3) Interest Coverage Ratio secara parsial tidak berpengaruh signifikan terhadap Financial Distress. (4) Free Cash Flow secara parsial tidak berpengaruh signifikan terhadap Financial Distress. (5) Hasil penelitian sebelum terjadi COVID-19 (Tahun Periode 2017-2019) menunjukan bahwa variabel Likuiditas berpengaruh positif signifikan terhadap Financial Distress dan variabel Profitabilitas berpengaruh negatif signifikan terhadap Financial Distress. Sedangkan, variabel Interest Coverage Ratio dan Free Cash Flow tidak berpengaruh signifikan terhadap Financial Distress sebelum pandemi COVID-19 terjadi. (6) Hasil penelitian selama periode awal terjadi COVID-19 (2020) menunjukan bahwa variabel Likuiditas, Profitabilitas, Interest Coverage Ratio, dan Free Cash Flow tidak berpengaruh signifikan terhadap Financial Distress selama periode awal terjadi pandemi COVID-19.
Bagi peneliti selanjutnya diharapkan dapat menambah variabel penelitian lainnya seperti Leverage, Profit Margin, Rasio Aktivitas, Ukuran Perusahaan, Faktor Ekonomi Makro dan sebagainya. Sehingga faktor-faktor yang mempengaruhi Financial Distress dapat diketahui lebih jelas. Prediksi Financial Distress dalam penelitian ini hanya memperhatikan studi kasus yang telah terjadi pada perusahaan properti dan real estate Evergrande Group di China sebagai latar belakang penelitian, untuk melakukan komparasi penentuan variabel dengan perusahaan sektor properti dan real estate di Indonesia. Peneliti selanjutnya dapat menambah objek penelitian yang lebih luas seperti sektor pariwisata, hotel, restoran, dan sebagainya yang terdampak cukup signifikan pada saat Pandemi COVID-19. Bagi peneliti yang ingin melanjutkan penelitian ini sekiranya dapat menambahkan variabel tambahan yang belum ada dalam penelitian ini seperti variabel moderating atau intervening.
Berdasarkan kesimpulan hasil penelitian yang telah diuraikan di atas, maka rekomendasi yang diajukan penulis dari penelitian yang telah dilakukan tersebut antara lain adalah sebagai berikut : (a) Untuk perusahaan yang terindikasi mengalami kondisi Financial Distress sebaiknya pihak manajemen perusahaan segera menindaklanjuti kondisi keuangan perusahaan dengan cara mengelola aktiva perusahaan secara efektif dan efisien supaya dapat meningkatkan penjualan dan memaksimalkan laba dalam upaya menjaga Profitabilitas perusahaan, karena kondisi Financial Distress yang dialami oleh perusahaan disebabkan oleh rendahnya tingkat profitabilitas perusahaan, hal ini juga mempengaruhi kemampuan Likuiditas perusahaan. (b) Bagi para peneliti selanjutnya yang akan meneliti mengenai prediksi Financial Distress dengan menggunakan model prediksi klasik seperti model Altman, Springate dan Zmijewski agar menambahkan model prediksi alternatif lainnya seperti; Decision Trees, Artificial Neural Networks (ANN), Survival Analysis, dan lain-lain. Menambah jumlah perusahaan, jumlah sampel dan tahun penelitian laporan keuangan yang digunakan sebagai data penelitian. Sehingga diharapkan informasi mengenai hasil analisis Financial Distress mendapatkan hasil penelitian menjadi lebih baik.
BIBLIOGRAFI
Agostini, Marisa. (2018). Corporate Financial Distress: A Roadmap of the Academic Literature Concerning its Definition and Tools of Evaluation. In Corporate Financial Distress (pp. 5�47). Springer.Google Scholar
Ahmad, Rodoni, & Ali, Herni. (2014). Manajemen Keuangan Modern. Jakarta: Mitra Wacana Media. Google Scholar
Cladera, Rafel C., Alfredo M. Oliver, dan Bartolom�e P. Fuster. (2021). Financial Distress In The Hospitality Industry During The COVID-19 Disaster. Journal Elsevier - Tourism Management. Vol. 85 (2021). 85, 1�13. Google Scholar
Curry, Khirstina, & Banjarnahor, Erliana. (2018). Financial Distress Pada Perusahaan Sektor Properti Go Public di Indonesia. Prosiding Seminar Nasional Pakar, 207�221. Google Scholar
Dirman, Angela. (2020). Financial distress: The impacts of profitability, liquidity, leverage, firm size, and free cash flow. International Journal of Business, Economics and Law, 22(1), 17�25. Google Scholar
Ghozali, Imam. (2018). Aplikasi analisis multivariate dengan program IBM SPSS 25. Google Scholar
Irfani, Agus S. (2020). Manajemen Keuangan dan Bisnis; Teori dan Aplikasi. Gramedia Pustaka Utama. Google Scholar
Kristanti, Farida Titik. (2019). Financial Distress Teori dan Perkembangannya Dalam Konteks Indonesia. Inteligensia Media. Google Scholar
Mahaningrum, AAIA, & Merkusiwati, NKLA. (2020). Pengaruh Rasio Keuangan pada Financial Distress. E-Jurnal Akuntansi, 30(8), 1969. Google Scholar
Mishraz, Nandita, Ashok, Shruti, & Tandon, Deepak. (2021). Predicting Financial Distress in the Indian Banking Sector: A Comparative Study Between the Logistic Regression, LDA and ANN Models. Global Business Review, 09721509211026785. Google Scholar
Prihadi, Toto. (2020). Analisis Laporan Keuangan. Jakarta: Gramedia.
Setiany, Erna. (2021). The Effect of Investment, Free Cash Flow, Earnings Management, and Interest Coverage Ratio on Financial Distress. Journal of Social Science, 2(1), 64�69. Google Scholar
Sun, Yabing, & Cao, Zhongyue. (2021). Financing Mode Analysis of Chinese Real Estate Enterprises�A Case Study of Evergrande Group. 2021 2nd Asia-Pacific Conference on Image Processing, Electronics and Computers, 524�530. Google Scholar
Zizi, Youssef, Jamali-Alaoui, Amine, El Goumi, Badreddine, Oudgou, Mohamed, & El Moudden, Abdeslam. (2021). An Optimal Model of Financial Distress Prediction: A Comparative Study between Neural Networks and Logistic Regression. Risks, 9(11), 200. Google Scholar
|
Yuda Yogi Ananda, Antonius Hermawan Permana, Eva Rosdiana Pohan (2022)
|
|
First publication right:
|
|
This article is licensed under:
|
