Analisis Akurasi Model Prediksi Financial Distress Altman, Springate, Grover, dan Taffler

Abstract

Penelitian ini di latar belakangi pentingnya deteksi dini terhadap potensi kegagalan keuangan perusahaan, khususunya di sektor barang konsumen non primer yang rentan terhadap kondisi ekonomi karena bersifat siklis. Selain itu, sektor ini menghadapi tantangan akibat perubahan perilaku konsumen dan persaingan global yang semakin ketat. Sektor ini juga menunjukkan adanya potensi financial distress yang terlihat dari peningkatan kerugian dan mendominsi potensi delisting dari Bursa Efek Indonesia. Tujuan penelitian ini adalah untuk mengetahui hasil prediksi model Altman, Springate, Grover, dan Taffler serta menentukan model paling akurat dalam memprediksi financial distress pada perusahaan sektor barang konsumen non primer. Pendekatan yang digunakan dalam penelitian ini adalah kuantitatif deskriptif dengan objek penelitian berupa sektor barang konsumen non primer yang terdaftar di Bursa Efek Indonesia selama 2018-2023. Data penelitian ini menggunakan data sekunder berupa laporan keuangan perusahaan. Rasio keuangan yang relevan dihitung dan dimasukkan dalam fungsi diskriminan yang terdapat pada setiap model. Berikutnya, penentuan model terakurat menggunakan rumus tingkat akurasi yang didapat dengan membagi jumlah prediksi benar dan jumlah sampel. Penelitian ini juga menentukan tingkat error masing-masing model prediksi. Temuan penelitian menunjukkan terdapat perbedaan hasil prediksi dari keempat model tersebut. Beberapa perusahaan diklasifikasikan dalam kondisi distress oleh satu model, tidak selalu mendapatkan klasifikasi serupa oleh model lainnya. Hal ini menunjukkan bahwa setiap model memiliki sensitivitas yang berbeda dalam mendeteksi kesulitan keuangan. Pengukuran tingkat keakuratan setiap model dilakukan dengan membandingkan hasil prediksi dan realitas. Realitas perusahaan yang mengalami distress yaitu memiliki laba negatif dua tahun berturut-turut serta mendapatkan opini audit going concern dan termasuk non distress apabila berada dalam kondisi sebaliknya. Perbedaan hasil prediksi tersebut, membuat tingkat akurasi model bervariasi. Kesimpulan penelitian ini adalah setiap model prediksi memiliki tingkat akurasi dan error yang berbeda. Sementara itu, model Grover menjadi model paling akurat untuk memprediksi financial distress pada sektor barang konsumen non primer. Tingkat akurasi model Grover mencapai 80,6% dengan type I error 3,9% dan type II error 15,5%. Hal ini menunjukkan bahwa kombinasi variabel keuangan seperti Working Capital to Total Assets, EBIT to Total Assets, serta Return of Assets dapat memberikan gambaran kuat dalam mengukur risiko financial distress pada sektor barang konsumen non primer.