KLASIFIKASI LAPORAN LABA-RUGI DAN KANDUNGANINFORMASINYA UNTUK PERAMALAN LABAPERUSAHAAN MANUFAKTURYANG TELAH GO PUBLIKDI INDONESIA

JAKA ISGIYARTA, - (2002) KLASIFIKASI LAPORAN LABA-RUGI DAN KANDUNGANINFORMASINYA UNTUK PERAMALAN LABAPERUSAHAAN MANUFAKTURYANG TELAH GO PUBLIKDI INDONESIA. Disertasi thesis, UNIVERSITAS AIRLANGGA.

[img]
Preview
Text (ABSTRAK)
isgiyartaa.pdf

Download (446kB) | Preview
[img]
Preview
Text (FULLTEXT)
gdlhub-gdl-s3-2007-isgiyartaa-3467-dise04-3.pdf

Download (2MB) | Preview
Official URL: http://lib.unair.ac.id

Abstract

Tujuan penggunaan laporan keuangan telah mengalami pergeseran, semula laporan keuangan lebih ditekankan sebagai laporan pertanggung-jawaban pengelolaan perusahaan (stewardship-historical perspective), tetapi sekarang laporan keuangan lebih digunakan sebagai informasi atau alat peramalan kemampuan perusahaan untuk meningkatkan kesejahteraan bagi para stake holder di masa mendatang (informational perspective). Usaha peningkatan pengungkapan laporan keuangan masih perlu dilakukan, agar peristiwa mendatang yang tidak diinginkan dapat diminimumkan. Bentuk peningkatan pengungkapan laporan keuangan dilakukan dengan cara, antara lain melalui peningkatan: informasi komponen laba, informasi segmental, informasi interim, dan informasi peramalan. Dalam penelitian ini lebih memfokuskan pada peningkatan pengungkapan melalui informasi komponen laba dan informasi peramalan. Dalam penelitian sebelumnya, yaitu: Lipe (1986) dan Fairfield, et al. (1996) mengemukakan bahwa informasi komponen laba yang lebih rinci (further disaggregation) tahun(t_1) mempunyai kandungan informasi yang lebih baik untuk peramalan labs pada satu tahun ke depan(t). Lipe (1986) dalam penelitian hanya menggunakan dua alternatif model, yaitu model labs agregat tahuna_1) sebagai peramal laba tahun(o, dan model full disagregation komponen laba tahun(t_1) sebagai peramal laba tahunO. Sedangkan Fairfield, et al., (1996) menggunakan lima model, yaitu ROE, NONREC, OPINC, SPECIAL, dan FULL. Kedua hasil penelitian itu menyatakan bawa informasi komponen laba yang lebih rinci (further disagregation) pada tahuno_1) mempunyai kandungan informasi yang lebih baik untuk peramalan laba tahun depan. Penelitian ini mengacu pada kedua penelitian tersebut. Namun model yang digunakan dalam penelitian ini mengacu dari interpretasi dari pernyataan A Statement of Financial Accounting Concept (SFAC) no 5, A Statement of Financial Accounting Concept (SFAC) no 6, dan Standar Akuntansi Keuangan (SAK). Model yang digunakan dalam penelitian ini adalah model NONREC, OPINC, dan FULL. Subyek penelitian ini meliputi tahun-tahun dalam kondisi ekonomi normal, yaitu tahun 1992, 1993, 1994, dan 1995; dan tahun-tahun dalam kondisi ekonomi krisis, yaitu tahun 1997 dan 1998, sedang tahun 1996 dalam penelitian merupakan tahun transisi untuk peramalan laba. Selain itu, dalam penelitian ini menggunakan data tahun tunggal seperti telah disebutkan di atas, dan menggunakan data tahun gabungan (pooling data), yaitu data tahun gabungan 1992-1995. Pengujian keakuratan hasil ramalan dalam penelitian ini menggunakan pendekatan ex post (within sample), dan tidak menggunakan pendekatan ev ante (out of sample). Pemilihan pendekatan ex post tersebut didasarkan pada jumlah anggota populasi yang relatif tidak banyak. Dalam penelitian Fairfield, et a]. (1996), pengujian keakuratan basil penelitian dengan pendekatan ex ante (out of sample), karena jumlah anggota populasi relatif sangat banyak, dan dalam penelitian tersebut besar sampel yang mampu dikumpulkan lebih dari 33.000 laporan keuangan perusahaan. Sedangkan dalam penelitian ini populasi laporan keuangan keseluruhan hanya sebanyak 597 perusahaan. Hasil penelitian ini ternyata menunjukkan bahwa model klasifikasi laporan laba rugi NONREC (Non-recurring) merupakan model klasifikasi terbaik bila dibandingkan dengan model klasifikasi laporan laba rugi OPINC (Operating Income) maupun model klasifikasi FULL (Full Disagregation) untuk melakukan peramalan laba tahun depan(t). Nilai adjusted R2 model klasifikasi NONREC relatif tinggi dan stabil bila dibandingkan dengan nilai adjusted R2 model OPINC maupun FULL. Dalam penelitian ini juga mampu menunjukkan bahwa peramalan laba hanya baik dilakukan untuk tahun-tahun dalam kondisi ekonomi normal, dan kurang akurat untuk tahun-tahun dalam kondisi ekonomi krisis. Pada kondisi ekonomi krisis, nilai adjusted R2 masing-masing model klasifikasi besarnya kurang dari 0.400, nilai itu menunjukkan bahwa komponen laba dalam tahun kondisi ekonomi krisis tidak mampu meramalkan laba tahun depan(o). Selain itu, peramalan data dengan menggunakan data tahun tunggal (single year) ternyata hasilnya lebih baik bila dibandingkan dengan menggunakan data tahun gabungan (pooling data). Hal ini karena adanya faktor forecast recency yang hilang pada data tahun gabungan. Indikator adanya faktor .forecast recency dapat dilihat dari banyaknya anggota sampel yang hilang dalam proses penormalan data dalam model data tahun gabungan (pooling data). Komponen laba operasi berulang dalam model klasifikasi NONREC, laba operasi dalam model klasifikasi OPINC, marjin kotor dan beban administrasi dan umum dalam model klasifikasi FULL merupakan komponen laba yang mampu menjadi prediktor laba tahun depan. Komponen laba operasi tidak berulang, hak minoritas, keuntungan aktivitas khusus, keuntungan kegiatan tidak berlanjut, dan keuntungan item luar biasa tidak mampu memenuhi asumsi normalitas data dalam masing-masing model klasifikasi. Sedangkan komponen laba lainya, seperti beban penjualan, laba bukan operasi, pajak penghasilan badan, tidak konsisten sebagai prediktor laba tahun depan untuk masing-masing model klasifikasi. Model klasifikasi yang terbaik dari model penelitian ini, yaitu model klasifikasi NONREC. Hasil penelitian ini ternyata berbeda dengan model klasifikasi terbaik dari penelitian Lipe (1986) dan Fairfield (1996), kedua penelitian tersebut mengemukakan bahwa model klasifikasi FULL lebih baik dari model klasifikasi alternatif lainnya. Perbedaan itu disebabkan oleh variabel prediktor komponen laba dari model klasifikasi yang lebih rinci (further disagregation), yaitu model klasifikasi OPINC dan FULL, banyak yang tidak signifikan. Sehingga cakupan informasi aktivitas bisnis dari variabel prediktor signifikan komponen laba model klasifikasi OPINC dan FULL tidak lebih luas daripada cakupan informasi aktivitas bisnis dari variabel prediktor signifikan komponen laba model klasifikasi NONREC. Namun demikian, secara teoritis hasil penelitian ini tidak berbeda dengan basil penelitian sebelumnya, yaitu penelitian Lipe (1986), Fairfield (1996), dan pernyataan normatif dari Underdown dan Taylor (1985), yaitu perlu adanya peningkatan pengungkapan laporan keuangan melalui peningkatan informasi komponen laba dan informasi peramalan. Informasi komponen laba yang lebih rinci (further disuggregation) akan mempunyai kandungan informasi yang lebih baik dalam peramalan laba, bilamana variabel komponen laba yang lebih rinci itu mampu menjadi variabel prediktor yang signifikan. Hal ini didukung pada temuan penelitian untuk subyek tahun 1992 dan 1995. Pada tahun 1992, model klasifikasi OPINC lebih baik daripada model klasifikasi NONREC, dan pada tahun 1995 model klasifikasi FULL lebih baik daripada model klasifikasi NONREC maupun OPINC. -----------------

Item Type: Thesis (Disertasi)
Additional Information: KKB KK-2 Dis E 04/03 Isg k tanpa keterangan NIM
Uncontrolled Keywords: Income component, income prediction, model of income statement classification
Subjects: H Social Sciences > HD Industries. Land use. Labor > HD9720-9975 Manufacturing industries
T Technology > TS Manufactures > TS1-2301 Manufactures
Divisions: 09. Sekolah Pasca Sarjana > Ilmu Ekonomi
Creators:
CreatorsEmail
JAKA ISGIYARTA, -UNSPECIFIED
Contributors:
ContributionNameEmail
ContributorV. Henky Supit, Prof.,SE.,AkUNSPECIFIED
Depositing User: Tn Yusuf Jailani
Date Deposited: 05 Oct 2016 04:51
Last Modified: 19 Jun 2017 16:57
URI: http://repository.unair.ac.id/id/eprint/32277
Sosial Share:

Actions (login required)

View Item View Item