ANALISIS FINANCIAL DISTRESS DENGAN PENDEKATAN DATA MINING PADA INDUSTRI MANUFAKTUR GO-PUBLIC DI INDONESIA Nabila Firdausi, Naning Aranti Wessiani dan Budi Santosa
Jurusan Teknik Industri Institut Teknologi Sepuluh Nopember (ITS) Surabaya Kampus ITS Sukolilo Surabaya 60111 Email:
[email protected] ;
[email protected] ;
[email protected]
ABSTRAK
Financial distress adalah tahapan penurunan kondisi keuangan suatu perusahaan sebelum terjadinya kebangkrutan ataupun likuidasi. Dengan mengetahui kondisi financial distress pada perusahaan manufaktur terbuka di Indonesia maka dapat dilakukan berbagai tindakan pencegahan kebangkrutan. Pada penelitian ini dilakukan dua tahapan yakni : clustering data mining dengan data-data keuangan 135 perusahaan manufaktur selama periode tahun 2004 hingga 2008 dan analisa rasio-rasio keuangan. Variabel yang digunakan dalam penelitian ini merujuk pada rumusan Z-Score Altman yang telah digunakan untuk menilai kebangkrutan perusahaan manufaktur di dunia. Tahap clustering dilakukan dengan metode K-Means dan Fuzzy C-Means. Setelah didapatkan hasil cluster, kedua metode ini dibandingkan untuk menemukan metode terbaik yang selanjutnya akan dianalisa. Hasil clustering yang digunakan adalah K-Means clustering karena memiliki nilai SSE (Sum of Squared Error) dan icdrate (internal cluster dispersion rate) terkecil dibandingkan Fuzzy C-Means. Kemudian hasil KMeans clustering dianalisis dengan pendekatan rasio-rasio keuangan dan didapatkan bahwa klaster 1 merupakan klaster perusahaan manufaktur yang non-financial distress sedangkan klaster 2 merupakan klaster perusahaan manufaktur yang mengalami kondisi financial distress. Perusahaan pada klaster 2 perlu melakukan pembenahan dan pencegahan agar tidak berlanjut pada kebangkrutan. Kata kunci: financial distress, clustering, data mining, K-Means, Fuzzy C-Means, analisis rasio keuangan ABSTRACT Financial distress is a stage of decline in a company's financial condition prior to the bankruptcy or liquidation. By knowing the condition of financial distress in an open manufacturing company in Indonesia, it can be done a variety of bankruptcy preventive action. This study conducted in two stages namely: clustering financial data of 135 manufacturing firms over the period 2004 to 2008 and financial ratios analysis. Used variables in this study refers to the Altman Z-Score formula that has been used to assess bankruptcy manufacturing companies in the world. Cluster phase performed by the K-Means and Fuzzy C-Means method. Having obtained the results of the cluster, these two methods compared to find the best method that will be analyzed further. The clustering results used K-Means clustering because it has a smallest value of SSE (Sum of Squared Error) and icdrate (internal cluster dispersion rate) than Fuzzy C-Means. The K-Means clustering results were analyzed with financial ratios approach and it found that the first cluster is non financial distress of manufacturing companies while the second cluster is financial distress manufacturing companies. The second cluster’s company need immediate action to prevent bankruptcy. Keyword : financial distress, clustering, data mining, K-Means, Fuzzy C-Means, financial ratios analysis
1
1.
Pendahuluan Financial distress adalah kondisi yang menunjukkan kondisi dimana arus kas perusahaan saat itu sangat rendah dan perusahaan sedang menderita kerugian akan tetapi belum sampai mengakibatkan kebangkrutan (Purnanandam, 2008). Dengan mendapatkan informasi kondisi financial distress perusahaan maka para pemegang saham dapat melakukan pengambilan keputusan terhadap modal yang ditanamkannya. Di Indonesia, penelitian terkait analisis financial distress sangat terbatas. Padahal jika ditinjau dari aspek manfaatnya, analisis kondisi financial distress sangat dibutuhkan oleh seluruh stakeholder perusahaan, termasuk didalamnya pemerintah Indonesia. Mhd Hasymi (2005) melakukan penelitian menentukan dan menganalisis faktor internal dan eksternal penyebab financial distress pada PT.X dan menurutnya faktor penyebab kesulitan keuangan secara internal : (1) Kesulitan arus kas, (2) Besar jumlah hutang, (3) Kerugian dari kegiatan operasi perusahaan. faktor eksternal yakni : (1) Kenaikan harga BBM memicu kenaikan biaya produksi, (2) Kenaikan tingkat bunga pinjaman. Berdasarkan Almilia (2003), penelitianpenelitian yang berkaitan dengan kondisi financial distress perusahaan pada umumnya menggunakan rasio keuangan perusahaan. Oleh karena itu, dalam penelitian ini akan dilakukan analisis financial distress dengan menggunakan pendekatan data mining dan mengambil studi kasus pada industri manufaktur yang telah go public di Indonesia. Data mining merupakan suatu kegiatan yang meliputi pengumpulan, pemakaian data historis untuk menentukan keteraturan, pola atau hubungan dalam set data berukuran besar (Santosa, 2007). Salah satu tugas utama dari data mining adalah pengelompokan (clustering) dimana data yang dikelompokkan belum mempunyai contoh kelompok. Data penelitian ini berasal dari laporan keuangan perusahaan manufaktur yang terdaftar di BEI (Bursa Efek Indonesia) dalam kurun waktu lima tahun yakni mulai tahun 2004 hingga 2008. Data yang digunakan adalah variabelvariabel model Z-Score (Altman, 1984)
yang telah digunakan secara luas dalam mengidentifikasi kondisi financial distress pada perusahaan manufaktur di dunia. Data ini kemudian akan dikelompokkan dengan metode K-Means Clustering dan Fuzzy CMeans Clustering sehingga didapatkan pengelompokan perusahaan manufaktur tersebut termasuk dalam kelompok financial distress atau tidak. Kemudian hasil pengelompokan akan dibandingkan sehingga dapat diketahui metode clustering apakah yang terbaik antara K-Means dan Fuzzy C-Means. Hasil pengelompokan berupa perusahaan manufaktur apa saja yang termasuk dalam pengelompokan financial distress atau non financial distress. 2.
Metodologi Penelitian Metodologi penelitian yang digunakan dalam penelitian ini adalah menggunakan metode K-Means dan Fuzzy C-Means clustering serta menganalisinya dengan pendekatan rasio keuangan. Akan tetapi, sesuai dengan ruang lingkup permasalahan yang dibahas dalam penelitian ini maka metode yang digunakan dibatasi pada data perusahaan manufaktur terbuka di Indonesia saja. Adapun tahapan dalam penelitian ini adalah tahap identifikasi yaitu identifikasi permasalahan, perumusan tujuan dan manfaat. Dilanjutkan dengan studi literatur dilakukan untuk mendapatkan gambaran mengenai permasalahan yang ada. Selanjutnya adalah tahap pengumpulan data, Data yakni laporan keuangan 135 perusahaan manufaktur terbuka di Indonesia selama periode tahun 2004 – 2008. Dalam penelitian ini digunakan lima variabel Z-Score Altman dan dilakukan operasionalisasi laporan keuangan tersebut kedalam lima variabel. Setelah itu dilakukan pengolahan data dengan metode K-Means dan FCM untuk kemudian hasilnya dibandingkan. Perbandingan dilakukan dengan cara menghitung nilai SSE (Sum of Squared Error) serta icdrate (internal cluster disprersion rate). Metode yang memiliki nilai SSE dan icdrate terkecil merupakan metode terbaik. Hasil olah data dengan metode terbaik tersebut dianalisis dengan pendekatan analisis rasio keuangan. 3.
Pengumpulan dan Pengolahan Data Berikut menjelaskan menganai tahap pengumpulan dan pengolahan data yang 2
dilakukan dalam penelitian. Data digunakan diperoleh dari website BEI.
yang
3.1 Operasionalisasi Variabel Terdapat perbedaan klasifikasi perusahaan manufaktur terbuka antara JASICA dengan ICMD, setelah berdiskusi dengan Pak Rudy Yulianto selaku Information & Marketing Unit Staff dari BEI (Bursa Efek Indonesia), beliau menyatakan klasifikasi yang digunakan adalah klasifikasi ICMD untuk perusahaan manufaktur namun hanya hingga kode B19 saja. Oleh karena itu, penulis mendaftar semua perusahaan manufaktur yang memiliki kode ICMD B01 hingga B19 sebagai perusahaan manufaktur amatan. Terdapat total 168 perusahaan manufaktur terbuka yang terdaftar di Indonesia, namun dari jumlah tersebut terdapat perusahaan yang telah merger dengan perusahaan lain maupun sudah tidak beroperasi lagi. Terpilih 135 perusahaan yang konsisten mengeluarkan laporan keuangan selama periode amatan sebagai perusahaan . Setelah data laporan keuangan seluruh perusahaan manufaktur terbuka diperoleh, dilaksanakan operasionalisasi variabel dari laporan keuangan tersebut sehingga didapatkan nilai variabel X1, X2, X3, X4, dan X5. Kelima variabel ini merupakan variabel yang bersumber dari rumusan Z-Score Altman revisi yang ditemukan pada tahun 1984, sebagai berikut: X1 = (current assets-current liabilities) / total assets X2 = retained earnings / total assets X3 = EBIT / total assets X4 = book value of equity / book value of total debt X5 = sales / total assets 3.1.1 X1, Working Capital/Total Assets Variabel X1 ini adalah rasio (perbandingan) working capital yakni current assets dikurangi current liabilities dibagi total assets. Ini adalah pengukuran dari total assets perusahaan sehubungan dengan total kapitalisasi. Working capital ditetapkan sebagai perbedaan antara aktiva lancar (current assets) dan kewajiban lancar (current liabilities). Likuiditas dan karakteristik ukurannya dipertimbangan dengan tegas. Pada umumnya sebuah perusahaan yang mengalami kerugian operasional terus menerus akan
mengalami penyusutan aktiva lancar (current assets) dalam hubungannya dengan total assets. Dari tiga rasio likuiditas yang dievaluasi, rasio ini yang paling baik (Altman, 2000). Variabel X1 ini didapatkan dengan mengambil data nilai aktiva lancar (current assets) dan kewajiban lancar (current liabilities) dari laporan keuangan setiap perusahaan beserta nilai total aktiva (total assets). Aktiva lancar ini dikurangi dengan kewajiban lancar kemudian dibagi dengan total aktiva sehingga didapatkan nilai variabel X1. 3.1.2 X2, Retained Earnings/Total Assets Retained earnings (laba ditahan) adalah akun (nilai) yang melaporkan jumlah total pendapatan yang diinvestasikan kembali dan/atau kerugian dari perusahaan atas keseluruhan masa berdirinya. Akun tersebut juga disebut sebagai surplus yang diperoleh (earned surplus). X2 ini mengukur profitabilitas kumulatif dari waktu ke waktu adalah apa yang disebut sebelumnya sebagai rasio "baru". Usia perusahaan secara implisit dipertimbangkan dalam rasio ini. Misalnya, perusahaan yang relatif muda (baru saja berdiri) mungkin akan menunjukkan rasio RE/TA rendah karena tidak memiliki waktu untuk membangun dan menambah laba kumulatifnya 3.1.3 X3, EBIT / Total Assets Rasio ini adalah ukuran dari produktivitas asli dari aset perusahaan, rasio ini bersifat independen dari setiap pajak atau faktor leverage. Insolvency dalam pengertian kebangkrutan terjadi saat total kewajiban melebihi penilaian aktiva (assets) perusahaan dengan nilai yang ditentukan oleh kemampuan menghasilkan laba dari aset. Rasio ini secara terus menerus melebihi ukuran profitabilitas lain, termasuk arus kas (Altman, 2000). 3.1.4 X4, Book Value of Equity / Book Value of Liabilities Ekuitas menggambarkan dana yang disediakan untuk bisnis perusahaan oleh pemilik perusahaan. Dana ini terbagi menjadi dua bentuk, investasi langsung dan retained earnings. Investasi langsung terjadi ketika saham sudah terjual habis atau seorang pengusaha menanamkan uangnya pada bisnis 3
perusahaan (Lasher, 1997). Ekuitas diukur dengan nilai pasar gabungan dari semua saham, lebih disukai dan umum, sementara kewajiban (liabilities) mencakup kewajiban lancar (kewajiban jangka pendek) dan kewajiban tidak lancar (kewajiban jangka panjang). Pengukuran ini menunjukkan berapa banyak aset perusahaan dapat mengalami penurunan nilai (diukur dengan nilai pasar ekuitas ditambah hutang) sebelum kewajiban melebihi aset dan perusahaan menjadi bangkrut. 3.1.5 X5, Sales / Total Assets Rasio perputaran modal adalah rasio keuangan standar yang menggambarkan kemampuan menghasilkan penjualan dari aset perusahaan. Ini adalah salah satu pengukuran dari kapasitas manajemen dalam berurusan dengan kondisi kompetitif. Rasio akhir ini cukup penting karena merupakan rasio yang paling sedikit signifikan secara individual. Bahkan, berdasarkan uji signifikansi statistik univariat, rasio ini tidak muncul sama sekali. Namun, karena hubungan yang unik pada variabel lain dalam model Z-Score, sales / total assets rasio menempati peringkat kedua dalam kontribusinya terhadap kemampuan diskriminatif keseluruhan model. (Altman, 2000). K-Means Clustering Algoritma K-Means Clustering adalah sebagai berikut : 1. Pilih jumlah klaster k. Inisialisasi k pusat klaster ini dapat dilakukan dengan berbagai cara. Cara random sering digunakan, pusat-pusat klaster diberi nilai awal dengan angka-angka random dan digunakan sebagai pusat klaster awal. 2. Tempatkan setiap data/obyek ke klaster terdekat, kedekatan kedua obyek ditentukan berdasarkan jarak kedua obyek tersebut. Demikian juga kedekatan suatu data ke klaster tertentu ditentukan jarak antara data dengan pusat klaster. Dalam tahap ini perlu dihitung jarak tiap data ke tiap pusat klaster. Jarak paling dekat antara satu data dengan satu klaster tertentu akan menentukan suatu data masuk dalam klaster mana.
3. Hitung kembali pusat klaster dengan keanggotaan klaster yang sekarang. Pusat klaster adalah rata-rata dari semua data/obyek dalam klaster tertentu. Jika dikehendaki dapat juga memakai median dari klaster tersebut. Rata-rata (mean) bukan satu-satunya ukuran yang dapat digunakan. 4. Tugaskan kembali setiap obyek dengan menggunakan pusat klaster yang baru. Jika pusat klaster sudah tidak berubah lagi, maka proses pengklasteran selesai. Bila berubah, maka kembali ke langkah no.3 hingga pusat klaster tidak berubah lagi. Fuzzy C-Means Clustering Algoritma Fuzzy C-Means Clustering sederhana (Irawan&Satriyanto, 2008) adalah sebagai berikut : 1. Input data yang akan di cluster X, berupa matriks ukuran n x m (n=jumlah sampel data, m=atribut setiap data) 2. Tentukan: Jumlah cluster (c) Pangkat (w) Maksimum iterasi (MaxIter) Error terkecil yang diharapkan (ε) Fungsi obyektif awal (P0 = 0) Iterasi awal (t=1) 3. Bangkitkan bilangan random Uik, dimana i=1,2,3..,n; k=1,2,..,c; sebagai elemenelemen partisi awal U.
Uik =
4. Hitung pusat cluster ke-k: Vkj, dengan k=1,2,..,c; dan j=1,2…,m. Vkj = 5. Hitung fungsi obyektif pada iterasi ke-t, Pt: Pt=
6. Hitung perubahan matriks partisi, dengan: i=1,2,..n; dan k=1,2,..c. :
4
7. Cek kondisi berhenti : Jika: ( | Pt – Pt-1 | < ε) atau ( t > maxIter) : maka berhenti. Jika tidak : t=t+1, maka ulangi langkah ke-4. Data diolah dengan metode K-Means dan FCM dengan bantuan software Matlab® sehingga hasilnya didapatkan sebagai berikut :
nilai SSE menunjukkan performansi klaster menghitung jumlah kuadrat error tiap metode. Eviritt dalam Mingoti & Lima (2006) membandingkan metode klaster yang terbaik dengan mengevaluasi performansi algoritma dengan menggunakan prosentase rata-rata dari klasifikasi yang benar (recovery rate) dan nilai persebaran data-data dalam klaster (internal cluster dispersion rate) dari hasil akhir pengelompokan yang didefinisikan dengan rumusan berikut:
icdrate = 1 -
= 1 – R2
Tabel 1 Hasil Pengelompokan Kedua Metode K-Means Fuzzy C-Means Anggota Anggota Anggota Anggota Tahun Klaster 1 Klaster 2 Klaster 1 Klaster 2 2004 15 120 17 118 2005 19 116 19 116 2006 6 129 7 128 2007 16 119 24 111 2008 20 115 24 111
Metode
3.2 Perbandingan FCM dan K-Means Cluster Membandingkan antara hasil pengelompokan metode klastering dapat dilakukan dengan berbagai cara dan rumusan. Salah satunya adalah dengan menghitung performansi klaster dengan cara menghitung nilai SSE dari hasil pengolahan data dan menghitung persebaran (internal cluster dispersion rate) dalam masing-masing klaster yang telah dibentuk. Salah satu cara yang paling sering dipakai dan cukup sederhana adalah jumlah dari kesalahan kuadrat yakni SSE (Sum Squared4.2 Error) dengan rumusan sebagai berikut : SSE = Keterangan : k = Jumlah Klaster Di = Set Data D ke-i x = Nilai Set Data mi = Mean (rata-rata) dari Setiap Klaster Nilai icdrate yang semakin kecil menunjukkan perbedaan keanggotaan tiap kelompok klaster kecil yang artinya pengelompokan berdasar data yang sangat mirip dikelompokkan dalam satu klaster sedangkan
Keterangan = SSB = Sum of Squared Between-Groups = SST
= Total Sum of Squared Partition =
R2 k n dj0
= Recovery Rate = SSB/SST = Jumlah Klaster = Jumlah Data dalam Klaster = Jarak Euclidean antara nilai tengah klaster jth dan keseluruhan nilai rata-rata data = Jarak Euclidean antara data observasi lth dan keseluruhan contoh rata-rata data
dl
4.
Analisis Hasil Penelitian Berikut merupakan analisis dari hasil klastering FCM, K-Means, perbedaan pengelompokan kedua metode serta analisis rasio keuangan. 4.1 Klastering Fuzzy C-Means Klastering Fuzzy C-Means (FCM) memiliki keanggotaan tidak mutlak, dimana satu data dapat menjadi anggota lebih dari satu klaster. Batas-batas klaster dalam KMeans adalah tegas (hard) sedangkan dalam Fuzzy C-Means adalah samar (soft). Dalam FCM, pusat klaster dihitung dengan mencari rata-rata dari semua titik dalam suatu klaster dengan diberi bobot berupa tingkat keanggotaan (degree of belonging) dalam klaster tersebut. Klaster yang terbentuk dengan metode ini memiliki anggota yang berbeda dan jumlah anggota berbeda dengan hasil klaster dengan K-Means. Perbedaan jumlah anggota klaster dengan K-Means tidak terlalu besar seperti tercantum pada Tabel 4.8 di bab sebelumnya.
5
Pada tahun 2004 dengan metode K-Means, jumlah anggota klaster 1 sebesar 15 perusahaan dan klaster 2 sebesar 120 perusahaan. Sedangkan dengan metode Fuzzy C-Means, jumlah anggota klaster 1 sebesar 17 perusahaan dan klaster 2 sebesar 118 perusahaan. Tabel 2. Perbandingan Nilai SSE dan icdrate SSE icdrate Tahun Amatan K-Means Fuzzy C-Means K-Means Fuzzy C-Means 2004
193.9716
195.2958
0.4238
0.4267
2005
194.1835
194.1835
0.4086
0.4086
2006 2007
332.623 258.2303
336.5744 262.5563
0.4310 0.5335
0.4361 0.5424
2008
266.9591
273.2748
0.5204
0.5327
4.2 Klastering K-Means Tujuan dari klastering K-Means adalah memisahkan data menjadi sejumlah k klaster tertentu. Konsep klaster ini berdasarkan tingkat kemiripan data berdasarkan jarak Euclidean. Pada penelitian ini dilakukan proses klastering menjadi dua klaster. Perbedaan jumlah anggota klaster dengan Fuzzy C-Means tidak terlalu besar seperti tercantum pada Tabel 3. Setelah dilakukan perbandingan pengolahan data dengan menghitung nilai SSE dan icdrate, didapatkan bahwa pada penelitian ini metode K-Means lebih baik daripada metode Fuzzy C-Means. Sehingga hasil pengelompokan yang dianalisis lebih lanjut adalah hasil pengelompokan K-Means. Tabel 3. Tabel Perbandingan Nilai Metode K-Means Clustering Tahun
Anggota Anggota Klaster 1 Klaster 2
SSE
icdrate
2004
15
120
193.9716
0.4238
2005
19
116
194.1835
0.4086
2006
6
129
332.623
0.4310
2007 2008
16 20
119 115
258.2303 266.9591
0.5335 0.5204
Keanggotaan perusahaan manufaktur terbuka masing-masing klaster tiap periode terlampir dalam lampiran C, D, E, F, G. Pada sub bab selanjutnya akan dianalisis klaster 1 dan
klaster 2 dengan menganalisis latar belakang keuangan setiap anggota klaster sehingga dapat ditarik kesimpulan manakah klaster yang merupakan klaster berisi perusahaan dengan kondisi financial distress dan perusahaan manakah yang tidak terkena kondisi financial distress (non-financial distress). Suatu perusahaan dapat dikatakan mengalami kondisi financial distress jika memiliki indikasi sebagai berikut: 1. Beberapa tahun mengalami laba bersih (net income) operasi negatif (dalam penelitian Whitaker 1999 dan Almilia & Kristijadi 2003, menggunakan laba bersih operasi atau net operating income). 2. Selama dua tahun berturut-turut tidak melakukan pembayaran deviden (sesuai dengan penelitian Lau 1987). 3. Analisis laporan keuangan dari perusahaan serta perbandingannya dengan perusahaan lain. (sesuai dengan penelitian Foster 1986). 4.3 Analisis Perbedaan Pengelompokan Perusahaan Pada tahun 2007 terdapat perbedaan pengelompokan antara pengelompokan dengan K-Means dan FCM terbanyak bila dibandingkan dengan tahun-tahun yang lain. PT Eterindo Wahanatama Tbk (ETWA) dikelompokkan dalam klaster 1 oleh K-Means sedangkan oleh FCM dikelompokkan dalam klaster 2. Terdapat pula beberapa perusahaan yang dikelompokkan K-Means kedalam klaster 2 namun dikelompokkan FCM dalam klaster 1 sebagai berikut : 1. 2. 3. 4. 5. 6. 7. 8. 9.
PT Asahimas Flast Glass Tbk PT Astra Otoparts Tbk PT Delta Djakarta Tbk PT Duta Pertiwi Nusantara Tbk PT Indocement Tunggal Prakasa Tbk PT Langgeng Makmur Industry Tbk PT Pyridam Farma Tbk PT Roda Vivatex Tbk PT Taisho Pharmaceutical Indonesia Tbk (Sebelumnya: PT Bristol-Myers Squibb Indonesia)
Kemudian diperiksa kondisi keuangan perusahaan-perusahaan tersebut dan didapatkan hasil bahwa semua perusahaan tersebut tidak memiliki nilai EBITDA negatif dan selalu
6
membayarkan dividennya selama periode lima tahun amatan. Nilai variabel-variabel X1 hingga X5 bernilai positif kecuali variabel X1 PT Roda Vivatex Tbk. Karena nilai-nilai variabelnya positif dan tidak terpaut jauh sehingga pengelompokan cenderung samar yang berakibat nilai dapat dimasukkan ke klaster yang berbeda untuk metode yang berbeda. Perbedaan ini dapat terjadi karena metode FCM memiliki perbedaan dengan K-Means, batas-batas klaster dalam FCM bersifat samar (soft) sehingga pada pengelompokan variabel-variabel perusahaan diatas tidak terdapat batas yang jelas sehingga perusahaan diatas termasuk dalam klaster 1 sementara pada metode K-Means dengan batas klaster yang jelas, karena nilai nilai variabel kedua perusahaan ini memiliki kemiripan dengan variabel dalam klaster 2 maka digolongkan dalam klaster 2 yakni klaster financial distress. 4.4 Analisis Rasio Keuangan Menurut Hadibroto,dkk (1994) terdapat dua cara pembandingan untuk menilai rasiorasio yang telah diperoleh, yaitu : membandingkan rasio sekarang dengan rasio tahun lalu pada perusahaan yang sama dan membandingkan rasio-rasio suatu perusahaan dengan rasio-rasio kelompok perusahaan yang sejenis (rasio industri). 4.4.1 Rasio X1 Pada umumnya sebuah perusahaan yang mengalami kerugian operasional terus menerus akan mengalami penyusutan aktiva lancar (current assets) dalam hubungannya dengan total assets. Semakin tinggi nilai rasio-nya semakin bagus karena berarti perusahaan mampu membayar hutang jangka pendeknya dengan lancar (Fess, 1984). 4.4.2. Rasio X2 Perusahaan dengan nilai RE/TA tinggi memiliki sejarah profitabilitas yang baik dan kemampuan untuk berdiri dari tahun kerugian yang buruk (McClure, 2011). Ini menunjukkan semakin tinggi nilai RE/TA semakin baik dan semakin rendah nilai RE/TA semakin buruk.
4.4.3 Rasio X3 Rasio Daya Laba Dasar (EBIT/TA) mencoba mengukur efektivitas perusahaan dalam memanfaatkan seluruh sumber dayanya, yang menunjukkan rentabilitas ekonomi perusahaan (Agnes Sawir, 2003). Semakin tinggi rasio ini berarti semakin efektif perusahaan dalam memanfaatkan seluruh sumber dayanya dalam pencapaian laba sehingga perusahaan dapat menunda terjadinya kondisi financial distress. Sembiring (2010) dalam hasil penelitiannya menyatakan bahwa semakin tinggi rasio EBIT/TA suatu perusahaan maka semakin besar kemungkinan perusahaan tersebut terhindar dari kondisi financial distress. Sehingga semakin tinggi nilai rasio ini semakin baik dan semakin rendah nilainya semakin buruk. 4.4.4 Rasio X4 Apabila nilai hutang (liabilities) lebih tinggi daripada nilai ekuitas, umumnya berarti bahwa perusahaan telah agresif dalam pertumbuhan dengan pembiayaan menggunakan hutang. Hal ini dapat menghasilkan laba yang mudah menguap sebagai akibat dari beban bunga tambahan. Jika banyak hutang digunakan untuk membiayai operasi meningkat (hutang yang tinggi terhadap ekuitas), perusahaan ini berpotensi menghasilkan pendapatan lebih dari itu tanpa pembiayaan luar yang bila dilanjutkan akan semakin memperbesar jumlah hutang. Hal ini dapat menyebabkan kebangkrutan, yang akan membuat pemegang saham tidak mendapatkan apa-apa. Bila nilai liabilities melebihi asset maka perusahaan akan menjadi insolvent (Altman, 1977). Sehingga semakin tinggi nilai rasio X4 ini semakin baik, semakin rendah nilainya semakin buruk. 4.4.5 Rasio X5 X5 merupakan rasio Sales / Total Assets (S/TA) yang menunjukkan efektivitas penggunaan seluruh harta perusahaan dalam rangka menghasilkan penjualan atau menggambarkan berapa rupiah penjualan bersih yang dapat dihasilkan 7
oleh setiap rupiah yang diinvestasikan dalam bentuk harta perusahaan. Jika perputarannya lambat, ini menunjukkan bahwa aktiva yang dimiliki terlalu besar dibanding dengan kemampuan untuk menjual (Agnes Sawir 2003 : 17). Dengan demikian semakin tinggi rasio S/TA, semakin kecil kemungkinan perusahaan mengalami kondisi financial distress. Semakin tinggi semakin baik, semakin rendah semakin buruk. Selanjutnya setiap rasio dinilai berdasarkan semakin tinggi nilainya semakin baik atau sebaliknya, kemudian didapatkan hasil sebagai berikut: Tabel 4. Hasil Analisis Klaster 1 Analisa Rasio Klaster 2 (non financial per Tahun (financial distress) distress) 2004 v financial distrees 2005 v financial distrees 2006 v financial distrees 2007 v financial distrees 2008 v financial distrees
Warna kuning dan tanda checklist pada tabel diatas ini menunjukkan bahwa nilai klaster 1 lebih baik daripada klaster 2 dan memperkecil kemungkinan mengalami kondisi kesulitan keuangan. Seperti yang ditunjukkan pada Tabel 4 bahwa mayoritas hasil analisis menyatakan nilai klaster 1 adalah nilai tertinggi dan klaster 2 meraih nilai terendah. Pada analisis rasio tahun 2008, klaster 1 merupakan kelompok perusahaan yang rawan terkena kondisi financial distress dibandingkan klaster 2. Hal ini terjadi karena nilai-nilai variabel pada klaster 1 dan 2 tidak terlalu berbeda jauh dan trend fluktuasi grafiknya pun tidak jauh berbeda. Secara keseluruhan, dapat ditarik kesimpulan bahwa klaster 1 merupakan kelompok perusahaan non financial distress sedangkan klaster 2 merupakan kelompok perusahaan yang mengalami kondisi financial distress.
6. Kesimpulan dan Saran Kesimpulan yang dapat ditarik dari penelitian ini antara lain sebagai berikut : 1. Dari metode unsupervised clustering (KMeans dan Fuzzy C-Means Clustering) didapatkan nilai SSE terkecil dan nilai icdrate terkecil diperoleh metode K-Means Clustering pada tahun 2004, 2005, 2006, 2007 dan 2008. Nilai SSE terkecil pada KMeans Clustering menunjukkan bahwa total kesalahan kuadrat yang terjadi pada pengelompokan metode tersebut kecil sehingga metode tersebut dapat dikatakan memiliki nilai error terkecil dan lebih baik dibandingkan metode Fuzzy C-Means. Pada metode FCM, keragaman dalam kelompok/klaster (Sum of Squared Within) pada kolom SSW bernilai tertinggi serta keragaman antar kelompok/klaster (Sum of Squared Between) pada kolom SSB bernilai paling rendah sehingga metode FCM memiliki nilai icdrate tertinggi dibandingkan K-Means. Hal ini menunjukkan pada pengelompokkan dengan menggunakan metode FCM, terdapat banyak data-data berbeda dalam tiap kelompok/klaster yang terbentuk dan tercermin pada nilai SSW yang tinggi. Serta sedikitnya perbedaan data antar kelompok/klaster yang terbentuk dapat dikatakan perbedaan antar klaster 1 dan 2 tidak jauh berbeda yang tercermin pada nilai SSB yang rendah. 2. Nilai icdrate terkecil pada seluruh metode K-Means tercipta karena keragaman dalam kelompok (SSW) yang terbentuk sangat kecil dan keragaman antar kelompok (SSB) sangat tinggi. Oleh karena itu antara metode K-Means dengan Fuzzy C-Means setelah dibandingkan dengan mempertimbangkan nilai SSE dan icdrate, didapatkan metode K-Means sebagai metode terbaik. 3. Hasil pengelompokan dengan metode KMeans Clustering didapatkan pada tahun 2004, jumlah anggota klaster 1 sebanyak 15 dan klaster 2 sebanyak 120 perusahaan. Pada tahun 2005, jumlah anggota klaster 1 sebanyak 19 dan klaster 2 sebanyak 116 perusahaan. Pada tahun 2006, jumlah anggota klaster 1 sebanyak 6 perusahaan dan klaster 2 sebanyak 129 perusahaan. Pada tahun 2007, jumlah anggota klaster 1 8
sebanyak 16 perusahaan dan klaster 2 sebanyak 119 perusahaan. Pada tahun 2008, jumlah anggota klaster 1 sebanyak 20 perusahaan dan klaster 2 sebanyak 115 perusahaan. 4. Dari hasil Analisis klaster dan Analisis kelima rasio keuangan (variabel X1,X2,X3,X4,X5) setiap tahun didapatkan kesimpulan bahwa: 1. Klaster 1 merupakan kelompok perusahaan manufaktur terbuka dengan kondisi non financial distress. Kelompok ini mempunyai jumlah anggota paling sedikit dan memiliki catatan nilai rasio-rasio positif serta nilai EBITDA positif. 2. Klaster 2 merupakan kelompok perusahaan manufaktur terbuka yang mengalami kondisi financial distress. Kelompok ini mempunyai kelompok dengan jumlah anggota terbanyak dan memiliki catatan nilai rasio-rasio negatif serta nilai EBITDA minus (negatif). 5. Perusahaan-perusahaan yang secara konsisten termasuk dalam klaster 1 selama periode amatan (2004-2008), adalah sebagai berikut : 1. PT Betonjaya Manunggal Tbk (BTON) 2. PT Duta Pertiwi Nusantara Tbk (DPNS) 3. PT Intanwijaya Internasional Tbk (INCI) 4. PT Lion Metal Works Tbk (LION) 5. PT Merck Tbk (MERK) 6. PT Mustika Ratu Tbk (MRAT) 7. PT Mandom Indonesia Tbk (TCID) 8. PT Tempo Scan Pacific Tbk (TSPC) Perusahaan INCI, MRAT dan TCID selama periode lima tahun amatan selalu berada di klaster 1. Hal ini menunjukkan bahwa kondisi keuangan tiga perusahaan ini sangat baik, dengan nilai rasio-rasio X1 hingga X5 yang positif dan bernilai lebih tinggi. 6. Perusahaan-perusahaan yang secara konsisten termasuk dalam klaster 2 selama periode amatan (2004-2008), adalah sebagai berikut :
1. PT Akasha Wira International Tbk (sebelumnya: PT Ades Waters Indonesia Tbk) (ADES) 2. PT Polychem Indonesia Tbk (ADMG) 3. PT Tiga Pilar Sejahtera Foof Tbk (AISA) 4. PT Argha Karya Prima Industry Tbk (AKPI) 5. PT Alumindo Light Metal Industry Tbk (ALMI) 6. PT Aqua Golden Mississippi Tbk (AQUA) 7. PT Astra-Graphia Tbk (ASGR) 8. PT Astra International Tbk (ASII) 9. PT Astra Otoparts Tbk (AUTO) 10. PT Sepatu Bata Tbk (BATA) 11. PT BAT Indonesia Tbk (BATI) 12. PT Primarindo Asia Infrastructure Tbk (BIMA) 13. PT Indo Kordsa Tbk (BRAM) 14. PT Berlina Tbk (BRNA) 15. PT Barito Pacific Tbk (BRPT) 16. PT Cahaya Kalbar Tbk (CEKA) 17. PT Colorpak Indonesia Tbk (CLPI) 18. PT Century Textile Industry (CENTEX) Tbk (CNTX) 19. PT Davomas Abadi Tbk (DAVO) 20. PT Dynaplast Tbk (DYNA) 21. PT Eratex Djaja Tbk (ERTX) 22. PT Ever Shine Textile Industry Tbk (ESTI) 23. PT Fast Food Indonesia Tbk (FAST) 24. PT Fajar Surya Wisesa Tbk (FASW) 25. PT Fortune Mate Indonesia Tbk (FMII) 26. PT Titan Kimia Nusantara Tbk (sebelumnya: PT Faprolindo Nusa Industri Tbk) (FPNI) 27. PT Goodyear Indonesia Tbk (GDYR) 28. PT Gudang Garam Tbk (GGRM) 29. PT Gajah Tunggal Tbk (GJTL) 30. PT Panasia Indosyntec Tbk (HDTX) 31. PT Hexindo Adiperkasa Tbk (HEXA) 32. PT HM Sampoerna Tbk (HMSP) 33. PT Kageo Igar Jaya Tbk (IGAR) 34. PT Intikeramik Alamasri Industry Tbk (IKAI) 35. PT Indomobil Sukses Internasional Tbk (IMAS) 36. PT Indofarma (Persero) Tbk (INAF) 37. PT Indal Aluminium Industry Tbk (INAI) 38. PT Indofood Sukses Makmur Tbk (INDF) 39. PT Indorama Syntetics Tbk (INDR) 9
40. PT Indospring Tbk (INDS) 41. PT Indah Kiat Pulp & Paper Tbk (INKP) 42. PT Intraco Penta Tbk (INTA) 43. PT Inter Delta Tbk (INTD) 44. PT Jembo Cable Company Tbk (JECC) 45. PT Jakarta Kyoei Steel Works Tbk (JKSW) 46. PT Kimia Farma (Persero) Tbk (KAEF) 47. PT Karwell Indonesia Tbk (KARW) 48. PT KMI Wire and Cable Tbk (KBLI) 49. PT Kabelindo Murni Tbk (KBLM) 50. PT Kedawung Setia Industrial Tbk (KDSI) 51. PT Kedaung Indah Can Tbk (KICI) 52. PT Resource Alam Indonesia Tbk (KKGI) 53. PT Kalbe Farma Tbk (KLBF) 54. PT Perdana Bangun Pusaka Tbk (KONI) 55. PT Leyand International Tbk (Sebelumnya: PT Lapindo Internasional Tbk) (LAPD) 56. PT Langgeng Makmur Industry Tbk (LMPI) 57. PT Lionmesh Prima Tbk (LMSH) 58. PT Multi Prima Sejahtera Tbk (LPIN) 59. PT Lautan Luas Tbk (LTLS) 60. PT Modern Internasional Tbk (MDRN) 61. PT Multi Bintang Indonesia Tbk (MLBI) 62. PT Multipolar Tbk (MLPL) 63. PT Metrodata Electronics Tbk (MTDL) 64. PT Mayora Indah Tbk (MYOR) 65. PT Apac Citra Centertex Tbk (MYTX) 66. PT Nipress Tbk (NIPS) 67. PT Panasia Filament Inti Tbk (PAFI) 68. PT Pan Brothers Tex Tbk (PBRX) 69. PT Pelangi Indah Canindo Tbk (PICO) 70. PT Asia Pacific Fibers Tbk (Sebelumnya: PT Polysindo Eka Perkasa Tbk) (POLY) 71. PT Prima Alloy Steel Tbk (PRAS) 72. PT Prasidha Aneka Niaga Tbk (PSDN) 73. PT Pioneerindo Gourmet International Tbk (PTSP) 74. PT Ricky Putra Globalindo Tbk (RICY) 75. PT Bentoel International Investama Tbk (RMBA) 76. PT Surabaya Agung Industry Pulp & Kertas Tbk (SAIP) 77. PT Supreme Cable Manufacturing & Commerce Tbk (SCCO)
78. PT Schering-Plough Indonesia Tbk (SCPI) 79. PT Siwani Makmur Tbk (SIMA) 80. PT Surya Intrindo Makmur Tbk (SIMM) 81. PT Sekar Laut Tbk (SKLT) 82. PT SMART Tbk (SMAR) 83. PT Holcim Indonesia Tbk (SMCB) 84. PT Selamat Sempurna Tbk (SMSM) 85. PT Sorini Agro Asia Corporindo Tbk (SOBI) 86. PT Suparma Tbk (SPMA) 87. PT Taisho Pharmaceutical Indonesia Tbk (Sebelumnya: PT Bristol-Myers Squibb Indonesia) (SQBI) 88. PT Indo Acidatama Tbk (Sebelumnya: PT Sarasa Nugraha Tbk) (SRSN) 89. PT Sunson Textile Manufacture Tbk (SSTM) 90. PT Siantar Top Tbk (STTP) 91. PT Sumalindo Lestari Jaya Tbk (SULI) 92. PT Tunas Baru Lampung Tbk (TBLA) 93. PT Tembaga Mulia Semanan Tbk (TBMS) 94. PT Tifico Fiber Indonesia Tbk (Sebelumnya: PT Teijin Indonesia Fiber Tbk) (TFCO) 95. PT Tira Austenite Tbk (TIRA) 96. PT Tirta Mahakam Resources Tbk (TIRT) 97. PT Pabrik Kertas Tjiwi Kimia Tbk (TKIM) 98. PT Surya Toto Indonesia Tbk (TOTO) 99. PT Trias Sentosa Tbk (TRST) 100. PT Tunas Ridean Tbk (TURI) 101. PT Ultra Jaya Milk Tbk (ULTJ) 102. PT Unggul Indah Cahaya Tbk (UNIC) 103. PT Unilever Indonesia Tbk (UNVR) 104. PT Voksel Electric Tbk (VOKS) Dari total 138 perusahaan manufaktur, jumlah perusahaan manufaktur terbuka yang masuk dalam klaster 2 selama lima tahun berturut-turut berjumlah 103 perusahaan. Hal ini mengindikasikan perusahaan-perusahaan yang terancam terkena financial distress jika tidak melakukan perbaikan dan perubahan internal. Terdapat hal yang menarik yakni beberapa anggota klaster 2 ini merupakan perusahaan-perusahaan terkenal di kalangan masyarakat seperti PT Gudang Garam Tbk, PT Aqua Golden Mississippi Tbk, PT Sepatu Bata Tbk hingga PT Unilever 10
Indonesia Tbk. Hal ini harus menjadi perhatian pihak managemen sehingga dapat menghindarkan perusahaan dari keadaan insolvency atau kebangkrutan. Pengembangan kasus financial distress dengan metode data mining selain clustering dapat dilakukan jika terdapat data historis sebelumnya, namun pengukuran kondisi financial distress suatu perusahaan hingga sekarang masih dalam tahap penelitian berkelanjutan. Saran
Berikut adalah saran perbaikan untuk perusahaan sekaligus saran yang diberikan untuk usulan penelitian selanjutnya dengan topic atau bahasan yang sama : 1. Bagi Bursa Efek Indonesia (BEI) sebaiknya perlu dilakukan pendataan ulang serta melengkapi data laporan keuangan perusahaan di website maupun di arsip. Sejak BES (Bursa Efek Surabaya) dan BEJ (Bursa Efek Jakarta) merger pada tahun 2007, banyak data hilang dari server maupun perpustakaan BEI sehingga membuat penulis dan masyarakat kesulitan mendapatkan data-data keuangan dan pendukung yang lengkap secara online dan gratis. Dalam kenyataannya, data keuangan yang hilang tersebut sebagian besar dimiliki oleh pihak ketiga dan mengharuskan kompensasi materiil bila ingin mendapatkan data.
2. Bagi penelitian yang akan datang, dengan bahasan yang sama sebaiknya mencoba memprediksi kondisi financial distress dengan pendekatan supervised learning, namun hal ini dapat tercapai apabila ada data historis yang akurat ataupun diadakan pra-penelitian terlebih dahulu. Dapat pula menggunakan metode clustering yang lainnya. 7. Daftar Pustaka Agusta, Yudi, 2007, “K-Means, Penerapan, Permasalahan dan Metode Terkait”, Jurnal Sistem dan Informatika, Vol. 3. Altman, E.I, Max L. Heine, 2000, “Predicting Financial Distres of Companies : Revisiting The Z-Score and ZETA® Models”, Journal of Finance Altman, E.I., 1968, "Financial Ratios, Discriminant Analysis and the
Prediction of Corporate Bankruptcy", Journal of Finance, Vol. 23, pp 589 – 609 Altman, E.I., R.G. Haldeman, dan P. Narayanan, 1997, "Zeta Analysis, a New Model for Identifying Bankruptcy Risk of Corporation", Journal of Banking and Finance, Vol. 1, pp 29 – 54 Dun & Bradstreet, 1994, “The Failure Record” and annually. Fisher, L., 1959, “Determinants of Risk Premiums on Corporate Bonds”, Journal of Political Economy, June Foster, George. 1986. “Financial Statement Analysis”. Prentice Hall, Englewood Cliffs, New Jersey. Hadibroto, S, Dachnial Lubis, Sudrajat Sukadam, 1994, Dasar-dasar Akuntansi, Pengantar Ilmu Akuntansi, Edisi Revisi Cetakan Pertama, Pustaka LP3ES Indonesia, Jakarta. Han, J. dan Kamber, M., 2006, “Data mining: Concepts and Techniques (2nd)”, Elsevier Inc. Helfert, Erich A., 1991, Analisis Laporan Keuangan, Edisi Ketujuh, Penerbit Erlangga, Jakarta. Helfert, Erich A., 1997, Teknik Analisis Keuangan: Petunjuk Praktis untuk Mengelola dan Mengukur Kinerja Perusahaan, Edisi Kedelapan, Erlangga, Jakarta. Husnan, Dr.Suad dan dra. Enny Pudjiastuti, MBA Akt., 1994, Dasar-Dasar Manajemen Keuangan, Unit Penerbit dan Percetakan AMP YKPN, Yogyakarta. Irandha, Irma P.W., 2008, “Analisis Keluarga Miskin dengan Menggunakan Metode Fuzzy C-Means Clustering”, Paper Tugas Akhir D4 Teknik Informatika. Politeknik Elektronika Negeri Surabaya, Surabaya Irawan M. Isa, Satriyanto Edi, 2008, "Virtual Pointer Untuk Identifikasi Isyarat Tangan Sebagai Pengendali Gerakan Robot Secara Real-Time", Bidang Ilmu Komputer – Jurusan Matematika FMIPA – Institut Teknologi Sepuluh Nopember Surabaya, Surabaya. Lailiya, Arinda Rachmi, 2010, “Pengelompokkan Kabupaten/Kota di Jawa Timur Berdasarkan Kesamaan 11
Faktor-Faktor yang Mempengaruhi Tingkat Pengangguran Terbuka dengan Metode Hirarki dan Non Hirarki”, Tugas Akhir tidak diterbitkan, Institut Teknologi Sepuluh Nopember Surabaya, Surabaya Lasher, William R., 1997, “Practical Financial Management”, West Publishing Company, St Paul, Minneapolis Lau, A.H, 1997, “A Five State Financial distress Prediction Model”, Journal of Accounting Research Volume 25: 127128 Luciana Spica Almilia & Kristijadi, 2003, "Analisis Rasio Keuangan untuk Memprediksi Kondisi Financial distress Perusahaan Manufaktur yang Terdaftar di Bursa Efek Jakarta", JAAI, Desember, Vol.7 No.2, pp 1-28 Mahiarestya Widiaputri, 2010, "Analisis Rasio Keuangan untuk Memprediksi Kondisi Financial distress pada Perusahaan Manufaktur yang Go Public", Tugas Akhir Jurusan Akuntansi Fakultas Ekonomi Universitas Pembangunan Nasional “Veteran” Jawa Timur, Mhd Hasymi, 2007, "Analisis Penyebab Kesulitan Keuangan (Financial distress) Studi Kasus pada Perusahaan Bidang Konstruksi PT. X", Tesis S2 Magister Sains Akuntansi Universitas Diponegoro Semarang, November, pp 33-54 Mingoti, Sueli A. & Lima, Joab O., 2007, “Comparing SOM Neural Network with Fuzzy C-Means, K-Means and Traditional Hierarchical Clustering Algorithms”, European Journal of Operational Research 174 : 1742-1759 Pungky Rionaldy, 2010, "Analisis Rasio Keuangan untuk Memprediksi Kondisi Financial distress Pada Perusahaan Manufaktur yang Terdaftar Di Bursa Efek Indonesia", Skripsi Jurusan Akuntansi Fakultas Ekonomi Universitas Pembangunan Nasional “ Veteran “ Jawa Timur, Mei, pp 81 – 112 Purnanandam, Amiyatosh., 2008, "Financial distress and Corporate Risk Management: Theory and Evidence", Journal of Financial Economics 87, pp 706-739 Qiu, Dingxi, 2010, "A Comparative Study of KMeans Algorithm and the Normal
Mixture Model for Clustering: Bivariate Homoscedastic Case", Journal of Statistical Planning and Inference, Elsevier B.V, Issue 140, pp 1701-1711 Santosa, Budi, 2007, Data mining Terapan dengan MATLAB, Edisi Pertama, Graha Ilmu, Yogyakarta Santosa, Budi, 2007, DATA MINING: Teknik Pemanfaatan Data untuk Keperluan Bisnis, Edisi Pertama, Graha Ilmu, Yogyakarta Sawir, Agnes, 2003, Analisis Kinerja Keuangan dan Perencanaan Keuangan Perusahaan, Cetakan Ketiga, Jakarta: PT Gramedia Pustaka Utama Wahyuni, Febriana Santi, 2009, “Penggunaan Cluster-Based Sampling Untuk Penggalian Kaidah Asosiasi Multi Obyektif”, Jurusan Teknik Informatika, Fakultas Teknologi Industri, Institut Teknologi Nasional-Malang Whitaker, R. B, 1999, "The Early Stages of Financial distress". Journal of Economics and Finance, Volume 23: 123-133. Mc Clure, Ben. 2011. Fundamental Analysis. http://www.investopedia.com/articles/fundamen tal/04/021104.asp#ixzz1hoUCmj5q diakses pada tanggal 23 September 2011 Bursa Efek Indonesia. http://www.idx.co.id diakses pada tanggal 18 April 2011
12
