1.
PENDAHULUAN
Perkembangan pasar obligasi di Indonesia mengakibatkan semakin pentingnya ketersediaan informasi bagi investor atau kreditor untuk mengukur risiko investasi obligasi (Christina et al, 2010).Tujuan utama dari investor atau kreditor mengetahui resiko investasi obligasi yaitu untuk melihat para emiten obligasi atau debitur dapat membayar pinjaman pokok beserta bunganya atau tidak. Jika emiten obligasi atau debitur tidak dapat membayar pinjaman pokok beserta bunga mereka dapat dikatakan bahwa resiko investasi yang dipegang oleh para investor atau kreditor sangat besar. Adanya risiko emiten obligasi/debitor tidak mampu membayar pinjaman pokok beserta bunganya (risiko default) menyebabkan keberadaan lembaga pemeringkat obligasi seperti Moody’s dan Standard & Poor’s (di Amerika Serikat), atau PT Pemeringkat Efek Indonesia (PEFINDO) dan PT Moody’s Indonesia (di Indonesia) semakin dibutuhkan untuk membantu investor dalam melakukan estimasi atas risiko tidak terbayarnya pokok pinjaman dan bunga obligasi (Christina et al, 2010). Hal tersebut menyebabkan semakin bertambah pentingnya peringkat kredit yang diberikan untuk setiap penerbitan obligasi oleh suatu perusahaan (Frost, 2007).
Manajemen laba adalah salah satu faktor yang menentukan kualitas laporan keuangan perusahaan. Penelitian yang dilakukan oleh Mills dan Newberry (2001), Manzon dan Plesko (2002), serta Ayers et al (2008) menemukan bahwa taxable income dapat menjadi indikator atas kualitas laba yang lebih informatif dibandingkan dengan book income untuk perusahaan-perusahaan yang melakukan manajemen laba.
Menurut Crabtree dan Maher (2009), book-tax differences dalam jumlah besar dapat menjadi pertanda kualitas laba perusahaan yang rendah. Apabila laba yang dilaporkan perusahaan telah menjadi objek manipulasi dan manajemen laba, laba perusahaan akan menunjukkan persistensi yang rendah di masa depan, maka hal ini akan semakin meningkatkan risiko perusahaan tidak mampu membayar pokok obligasi dan bunganya di masa depan (risiko default). Untuk itu Crabtree dan Maher (2009) dalam Christina et al (2010) melakukan penelitian mengenai pengaruh book-tax differences
terhadap penentuan peringkat obligasi oleh analis kredit atau lembaga pemeringkat.
Penelitian Crabtree dan Maher (2009) menemukan bahwa perusahaan yang memiliki book-tax differences yang besar akan menghasilkan penurunan pada peringkat obligasi perusahaan tersebut dan large(small) tax-to-book ratios akan menghasilkan penurunan pada peringkat obligasi perusahaan tersebut. Hasil Penelitian tersebut berbeda dengan hasil dari penelitian serupa yang juga dilakukan oleh Christina et al (2010) pada perusahaan manufaktur di Indonesia dan hasilnya menyatakan bahwa perusahaan-perusahaan yang memiliki book-tax differences yang semakin besar akan menghasilkan peningkatan pada peringkat obligasi perusahaan tersebut demikian juga large(small) tax-to-book ratios.
Differences) terhadap peringkat obligasi pada Pasar Kredit Obligasi selama tahun 2003-2008 dengan sampel perusahaan manufaktur dan non-manufaktur. Akan tetapi, yang akan membedakan penelitian sebelumnya dengan penelitian ini yaitu menggunakan data sampel perusahaan jasa keuangan dengan memperpanjang periode tahun 2003-2010 untuk menambah jumlah observasi penelitian sehingga dengan data yang semakin banyak dapat memperoleh sampel yang konsisten setiap periode dalam jumlah banyak. Penelitian ini menggunakan dua komponen book-tax differences yang diduga mempengaruhi peringkat obligasi di Indonesia yaitu, pajak tangguhan (deffered tax) dan rasio pajak (tax-to-book ratios).
Penelitian ini diharapkan dapat memberikan manfaat bagi pihak investor untuk meminimalkan risiko investasinya yakni dengan mempertimbangakan nilai book-tax differences dan tax-to-book ratios. Juga diharapkan menjadi referensi bagi penelitian terkait.
2.
TINJAUAN PUSTAKA DAN PENYUSUNAN HIPOTESISPrinsip Akuntansi yang Berlaku Umum (PABU) dianggap memberikan diskresi yang lebih besar kepada pihak manajemen perusahaan dibandingkan dengan Undang-Undang perpajakan sehingga manajemen menggunakan diskresi tersebut untuk melakukan manajemen laba. Akibatnya dapat terjadi perbedaan yang besar antara book income dan
taxable income (book-tax differences) yang kemudian berdampak pada jumlah beban pajak tangguhan (deffered tax expense) yang meningkat. Phillips et al. (2003) mengemukakan bahwa book-tax differences yang bersifat temporer yang tercermin dalam deferred tax expense akan membantu memisahkan tindakan diskresi manajer dari pilihan-pilihan non-diskresi. Deferred tax expense lebih akurat dibandingkan dengan ukuran-ukuran akrual lainnya dalam mengklasifikasikan perusahaan yang melakukan manajemen laba untuk menghindari kerugian dan penurunan laba. Oleh karena itu Phillips et al. (2003) berpendapat bahwa informasi yang terkandung dalam deferred tax expense lebih berguna untuk mendeteksi manajemen laba daripada model akrual yang dikembangkan oleh Healy (1985), Jones (1991), dan Dechow et al. (1995).
Penelitian Crabtree dan Maher (2009) menggunakan kerangka pemikiran Phillips
et al. (2003) dan hasil penelitian Hanlon (2005) tersebut untuk melanjutkan penelitian mengenai pengaruh book-tax differences terhadap penentuan peringkat obligasi oleh analis kredit atau lembaga pemeringkat. Penelitian yang dilakukan oleh Crabtree dan Maher (2009) menemukan bahwa large positive deferred taxes dan large negative deferred taxes
berpengaruh negatif dan signifikan terhadap RATING, artinya perusahaan-perusahaan yang memiliki large positive deferred taxes dan large negative deferred taxes akan mengalami penurunan peringkat obligasi. Large positive deferred taxes (pajak tangguhan yang harus dibayar perusahaan)adalah pajak tangguhan bernilai positif dan besar yang harus dibayar perusahaan.
Hal ini berlawanan dengan penelitian Christina et al(2010) pada perusahaan manufaktur yang terdaftar di BEI yang menemukan bahwa large positive deferred taxes
berpengaruh positif namun tidak signifikan dan large negative deferred taxes berpengaruh positif dan siginifikan terhadap RATING. Artinya perusahaan-perusahaan yang memiliki
book-tax differences yang besar akan menghasilkan peningkatan pada peringkat obligasi perusahaan tersebut.
Crabtree dan Maher (2009) menyimpulkan bahwa book-tax differences dalam jumlah besar dapat menjadi pertanda kualitas laba perusahaan yang rendah. Selain itu,
book-tax differences yang sangat besar juga menunjukkan adanya kemungkinan perusahaan melakukan off-balance sheet financing, misalnya dengan tidak mengakui hutang atau kewajiban perusahaan dalam laporan keuangan. Hal tersebut dapat menjadi peringatan dini bagi analis kredit atau lembaga pemeringkat bahwa mereka tidak dapat lagi bergantung pada laba yang dilaporkan untuk menilai kinerja perusahaan di masa depan.
pembayaran pajak tangguhan dan bernilai positif sehingga akan semakin besar kemungkinan manajemen melakukan manajemen laba. Hal ini menyebabkan laba akuntansi (book income) yang dilaporkan menjadi terdistorsi dan meningkatkan ketidakpastian bagi analis kredit dan lembaga pemeringkat dalam menilai kinerja perusahaan di masa depan. Hal ini meningkatkan risiko kredit dan sehingga menurunkan peringkat obligasi perusahaan tersebut. Jadi perusahaan yang memiliki pajak tangguhan besar bernilai positif tentunya akan memperoleh peringkat obligasi lebih rendah. Oleh karena itu, maka dirumuskan hipotesis penelitian sebagai berikut :
H1a: Perusahaan-perusahaan yang memiliki pajak tangguhan besar yang bernilai
positif (large positive deferred taxes) akan memperoleh peringkat (rating)
obligasi yang lebih rendah pada saat penentuan peringkat (rating) obligasi.
Semakin besar deferred taxes bernilai negatif mengindikasikan kinerja perusahaan dalam kondisi buruk karena kurang bayar sehingga akan semakin menurunkan kemungkinan perusahaan untuk melakukan manajemen laba sehingga semakin besar risiko
default perusahaan sehingga berpotensi tidak mampu membayar kewajiban jangka panjangnya di masa depan. Lembaga pemeringkat memberikan peringkat rendah karena adanya penghasilan sebelum pajak yang diperoleh lebih kecil daripada penghasilan setelah pajak yang dibayarkan sehingga menunjukkan kinerja perusahaan yang kurang baik. Jadi karena menunjukkan kinerja yang kurang baik maka perusahaan dengan pajak tangguhan besar negatif tentunya akan memperoleh peringkat obligasi lebih rendah. Oleh karena itu, hipotesis yang diajukan selanjutnya adalah:
H1b: Perusahaan-perusahaan yang memiliki pajak tangguhan besar yang bernilai
negatif (large negative deferred taxes) akan memperoleh peringkat (rating)
Large tax-to-book ratios merupakan rasio perbandingan penghasilan kena pajak dengan laba sebelum pajak menurut pembukuan perusahaan yang lebih besar sedangkan
small tax-to-book ratios merupakan perbandingan antara laba pajak dengan laba buku perusahaan yang kecil. Penelitian yang dilakukan oleh Crabtree dan Maher (2009) menyimpulkan bahwa perusahaan yang memiliki large tax-to-book ratios mengindikasikan perusahaan tidak memiliki kemampuan untuk melakukan perencanaan pajak (tax planning) untuk meminimalkan beban pajaknya dibandingkan dengan industri yang sejenis. Ketidakmampuan melakukan manajemen pajak menyebabkan penilaian yang negatif dari analis kredit bahwa perusahaan tersebut tidak mampu menggunakan sumber daya yang tersedia untuk meminimalkan pembayaran pajak dan meningkatkan jumlah arus kas perusahaan untuk membayar kewajiban jangka panjangnya. Oleh karena itu, analis kredit atau lembaga pemeringkat diduga akan memberikan peringkat obligasi yang lebih rendah kepada perusahaan yang memiliki large tax-to-book ratios.
Penelitian yang dilakukan oleh Crabtree dan Maher (2009) menemukan bahwa
large tax-to-book ratios dan small tax-to-book ratios berpengaruh negatif dan signifikan terhadap RATING. Artinya perusahaan-perusahaan yang memiliki large tax-to-book ratios dan small tax-to-book ratios akan memperoleh penurunan peringkat obligasi. Hal ini disebabkan karena perusahaan dengan pajak tangguhan besar menunjukkan kinerja kurang baik sehingga memiliki peringkat obligasi lebih rendah. Maka hipotesis pada penelitian ini adalah sebagai berikut:
H2a: Perusahaan-perusahaan yang memiliki rasio penghasilan kena pajak (taxable
income) terhadap laba akuntansi (book income) yang besar (large tax-to-book
ratios) akan memperoleh peringkat (rating) obligasi yang lebih rendah pada
Crabtree dan Maher (2009) juga mengeksplorasi kemungkinan perusahaan yang memiliki small tax-to-book ratios untuk memperoleh peringkat yang lebih rendah pada saat penentuan peringkat obligasi perusahaan tersebut. Argumen yang mendasari kerangka berpikir tersebut adalah small tax-to-book ratios yang dimiliki perusahaan dapat mengindikasikan bahwa manajemen berusaha melakukan manajemen laba dan off-balance sheet financing untuk meningkatkan book income pada periode saat ini sehingga mengakibatkan menurunnya book income di masa mendatang. Dengan adanya manajemen laba yang dilakukan ini berarti kinerja kurang baik sehingga perusahaan akan memiliki peringkat obligasi lebih rendah. Berdasarkan kerangka pemikiran ini, maka hipotesis selanjutnya yang diajukan adalah:
H2b: Perusahaan-perusahaan yang memiliki rasio penghasilan kena pajak (taxable
income) terhadap laba akuntansi (book income) yang kecil (small tax-to-book
ratios) akan memperoleh peringkat (rating) obligasi yang lebih rendah pada
saat penentuan peringkat (rating) obligasi.
3.
POPULASI DAN SAMPEL
Populasi pada penelitian ini adalah semua perusahaan keuangan yang terdaftar
di BEI pada tahun 2003-2011yakni sebanyak 15 perusahaan. Alasan digunakannya
perusahaan jasa keuangan karena perusahaan keuangan memiliki karakteristik yang
berbeda dan harus lebih memiliki reputasi yang baik dimata nasabahnya sehingga
Tabel 1. Kriteria Sampel
Keterangan Jumlah
Jumlah Perusahaan Jasa Keuangan yang terdaftar di BEI
23
Datanya tidak lengkap (8)
Sampel terpilih 15
4.
MODEL PENELITIAN
Penelitian ini menggunakan metode pengujian ordinal logit regression. Ordered logit model yang biasa disingkat dengan nama ologit juga dikenal dengan sebutan
proportional odds model adalah regresi model untuk ordinal variabel dependen yang digunakan untuk prediksi probabilitas terjadinya suatu peristiwa oleh data yang cocok untuk fungsi logit kurva logistik. Ini adalah model linier umum yang digunakan untuk regresi binominal. Seperti banyak bentuk analisis regresi, model ini juga menggunakan beberapa variabel prediktor yang mungkin, baik numeric atau kategoris (Hair et al, 1998).
LANGKAH ANALISIS:
Penelitian ini menggunakan alat analisis regresi logistik karena variabel dependennya berbentuk ranking atau rating (Ghozali, 2005). Sebelum dilakukan analisis regresi logistik, terlebih dahulu diuji pemenuhan asumsi kelayakan sebagai berikut:
1. Uji Kelayakan Model Regresi
Kelayakan pertama model regresi dinilai dengan menggunakan Hosmer and Leweshow’s Goodness of Fit Test. Hosmer and Leweshow’s Goodness of Fit Test
observasinya atau dapat dikatakan model diterima karena sesuai dengan data observasinya (Ghozali, 2005, h. 219).
2. Uji Model Fit
Dalam menilai model fit, digunakan Likelihood L. Ghozali (2005, h. 218-219) mendefinisikan Likelihood L dari model adalah probabilitas bahwa model yang dihipotesiskan menggambarkan data input. Untuk menguji hipotesis nol dan alternatif, L ditransformasikan menjadi -2LogL. Statistik -2LogL kadang-kadang disebut likelihood rasio x2 statistics, dimana x2 distribusi dengan degree of freedom
n-q, q adalah jumlah parameter dalam model.
Statistik -2LogL dapat juga digunakan untuk menentukan jika variabel bebas ditambahkan ke dalam model apakah secara signifikan memperbaiki model fit. Selisih -2LogL untuk model dengan konstanta saja dan -2LogL untuk model dengan konstanta dan variabel bebas didistribusikan sebagai x2 dengan df (selisih df kedua model).
3. Koefisien Determinasi
Nilai Nagelkerke’s R square dapat diintepretasikan seperti R2 pada multiple regression (Ghozali, 2005, h.219). Nilai Nagelkerke’s R square menunjukkan seberapa besar variabilitas variabel dependen yang dapat dijelaskan oleh variabel independen.
4. Menilai Ketepatan Prediksi (Matriks Klasifikasi)
mempengaruhi variabel dependen. Variabel dependen yang digunakan dalam penelitian ini adalah peringkat obligasi (bond ratings) yang dikeluarkan oleh PT Pemeringkat Efek Indonesia (PEFINDO) untuk obligasi yang diterbitkan oleh perusahaan-perusahaan yang terdaftar di Bursa Efek Indonesia (BEI). Variabel dependen ini diproksikan dengan variabel RATING.
Variabel independen yang digunakan dalam penelitian ini berasal dari data laporan keuangan perusahaan.Variabel independen ini terdiri dari variabel utama dan variabel kontrol. Variabel utama merupakan dua buah proksi dari book-tax differences yaitu large positive deferred taxes (LPOSDefTax) dan large negative deferred taxes (LNEGDefTax) serta large tax-to-book ratios (LargeTB) dan small tax-to-book-ratios (SmallTB). Model yang diteliti juga terdiri dari delapan variabel independen yang secara garis besar merepresentasikan karakteristik perusahaan yang berhubungan dengan peringkat (RATING) obligasi perusahaan yang direpresentasikan oleh: (1) ASSETS, (2) DEBT, (3) INCOME, (4) BETA, (5) CASHFLOWS, (6) TACC, dan (7) PPE. Model penelitian ini menggunakan variabel
dummy tahun (DUM_YEAR2004-2010) untuk membedakan sampel berdasarkan tahun diumumkannya peringkat dengan tahun 2003 sebagai tahun dasar (base year).
Penelitian ini menggunakan data sekunder berupa data peringkat obligasi dari PT. Pemeringkat Efek Indonesia (PEFINDO) yakni peringkat pada akhir tahun yang dibservasi. Data sekunder lainnya adalah berupa laporan keuangan perusahaan
Model I
RATINGj = β0 + β1 LPOSDefTax j + β2 LNEGDefTax j + β3 ASSETSj + β4 DEBT j + β5 BETA j + β6
INCOME j + β7 CASHFLOWS j + β8 TACC j + β9 PPE j + β10
DUM_YEAR2004-2010 j + εj
Model II
RATINGj = β0 + β1 LargeTB j + β2 SmallTB j + β3 ASSETSj + β4 DEBT j + β5 BETA j + β6 INCOME
j + β7 CASHFLOWS j + β8 TACC j + β9 PPE j + β10 DUM_YEAR2004-2010 j + εj
Dimana :
LPOSDefTax : Pajak tangguhan yang besar dan bernilai positif (Large Positive Deferred Tax).
Menggunakan variabel dummy bernilai 1 jika nilai 25% teratas dan sebaliknya.
LNEGDefTax : Pajak tangguhan yang besar dan bernilai negatif (Large Negative Deferred Tax).
Menggunakan variabel dummy bernilai 1 jika nilai 25% terbawah dan sebaliknya.
LargeTB : Rasio pajak yang besar (Large Tax to Book Ratio).
Ukuran besar adalah jika diatas nilai rata-rata adalah besar, menggunakan dummy
1 dan sebaliknya.
SmallTB : Rasio pajak yang kecil (Small Tax to Book Ratio).
Ukuran kecil adalah jika dibawah nilai rata-rata adalah kecil, menggunakan
dummy 1 dan sebaliknya.
ASSET : Log dari total aset.
DEBT : Jumlah hutang jangka panjang yang dibagi oleh total aset.
BETA : Jumlah obligasi yang beredar pada perusahaan.
INCOME : Jumlah laba operasional yang dibagi oleh total aset.
CASHFLOWS : Jumlah total arus kas dari kegiatan operasi.
TACC : Total Accruals.
PPE : Jumlah aset tetap (Plant, Property, and Equipment).
DUM_YEAR : Variabel dummy pada tahun laporan keuangan dimana laporan
keuangan perusahaan yang berada pada tahun kedelapanakan bernilai
1 dan akan bernilai 0 untuk yang berada pada tahun kesatu sampai
dengan tahun ketujuh.
Klasifikasi Peringkat Obligasi
Peringkat obligasi Klasifikasi peringkat Kategori peringkat
AAA 7 Investment
AA+ 6 Investment
AA 6 Investment
AA- 6 Investment
A+ 5 Investment
A 5 Investment
A- 5 Investment
BBB+ 4 Investment
BBB 4 Investment
BBB- 4 Investment
BB+ 3 Speculative
BB 3 Speculative
BB- 3 Speculative
B+ 2 Speculative
B 2 Speculative
B- 2 Speculative
CCC+ 1 Speculative
CCC 1 Speculative
D 1 Speculative
Sumber: Setyaningrum (2005) dalam Ashbaugh (2004)
Kriteria penerimaan hipotesis:
5.
HASIL DAN PEMBAHASAN5.1. Statistik Deskriptif
Sampel penelitian ini adalah 15 perusahaan keuangan yang terdaftar di BEI pada tahun 2003-2011 sehingga total data observasi adalah 15 x 9 tahun = 135 data.
Berikut ini adalah tabel statistik deskriptif data penelitian ini yang mencakup nilai minimum, maksimum, mean dan standar deviasinya:
Tabel 5.1. Statistik Deskriptif
Sumber: Data Sekunder yang Diolah
Berdasarkan pada tabel diatas diketahui rata-rata nilai LPOSDefTax adalah 0.6667 dan rata-rata nilai LNEGDefTax sebesar -0.3185 artinya lebih banyak perusahaan yang memiliki pajak tangguhan bernilai positif. Nilai standar deviasi LPOSDefTax sebesar 0.47316 dengan varians sebesar 0.02774% dan nilai standar deviasi LNEGDefTax sebesar 0.46764 dengan varians 0.01647% yang menunjukkan nilai yang lebih kecil daripada mean artinya sebaran kedua data tidak terlalu bervariasi.
Descriptive Statistics
135 ,00 1,00 ,6667 ,47316
135 ,00 1,00 -,3185 ,46764
135 858,00 1234568794 44502835.489 124409890.3 135 153,00 411725990,00 33899168.822 65536004.32 135 99,00 265727954,00 23508471.304 46923260.42 135 21,00 18337123,00 333411,1615 1700622.487 135 674,00 355447901,00 32626249.941 62094285.75 135 -337110778 25513,00 -31460416.74 59960338.96 135 3,00 44965282,00 1176005,0000 5702486.880
135 ,00 1,00 ,7407 ,43986 Valid N (listwise)
Nilai aset memperoleh rata-rata atau mean yang lebih besar daripada standar deviasinya menunjukkan sebaran datanya tidak terlalu bervariasi. Untuk variabel debt, beta, income, cash flow memperoleh nilai mean yang lebih besar daripada standar deviasinya menunjukkan sebaran datanya kurang bervariasi.
Sedangkan untuk variabel TACC nilai mean lebih kecil daripada standar deviasi menunjukkan sebaran datanya lebih bervariasi. Begitu pula untuk variabel PPE. Nilai mean untuk dummy year sebesar 0.7407 dan lebih besar daripada standar deviasi 0.43986 yang menunjukkan sebaran datanya kurang bervariasi.
Nilai mean Large TB sebesar 0.6370 sedangkan Small TB sebesar 0.3630 yang menunjukkan bahwa perusahaan dengan pajak tangguhan bernilai positif lebih banyak. Nilai standar deviasinya Large TB sebesar 0.48265 berarti sebaran datanya bervariasi. Sedangkan nilai standar deviasi Small TB sebesar 0.48265 berarti sebaran datanya tidak terlalu bervariasi.
5.2.Pengujian Model Fit untuk Model 1
Tabel 5.2.Hosmer dan Lemeshow’s Goodness of Fit Test
Sumber: Data Sekunder yang Diolah
Untuk memperjelas gambaran penjelasan ketepatan model regresi logistic dapat dilihat pada tabel klasifikasi sebagai berikut:
Tabel 5.3.Tabel KlasifikasiModel 1
Tabel tersebut menunjukkan bahwa dari 135 observasi terdapat 83,1% yang dapat diprediksikan dengan tepat oleh model logistik ini. Tingginya persentase ketepatan tabel klasifikasi tersebut menunjukkan tidak adanya perbedaan yang signifikan antara data hasil prediksi dan data observasinya sehingga model regresi dikategorikan baik.
Kemudian langkah selanjutnya adalah menilai model fit dengan menggunakan -2log likehood. Berikut ini adalah hasilnya:
4,761 8 ,054
Step 1
Chi-square df Sig.
Classification Tablea
76 9 90,4
15 35 70,2
83,1 Observed
,00 1,00 RATING
Overall Percentage Step 1
,00 1,00
RATING Percentage
Correct Predicted
The cut value is ,500 a.
Tabel 5.4.Tabel Iteration History -2 Log Likehood Model 1
Iteration -2 Log Likehood
1 111.986 2 108.290 3 107.588
Dst Menurun
20 106.444 Sumber: Data Sekunder yang Diolah
Menilai model fit dapat dilihat dari nilai statistik -2LogL yaitu tanpa variabel hanya konstanta saja sebesar 111,986 setelah dimasukkannya 3 variabel baru maka nilai -2LogL turun menjadi 107,588 dan setelah dilakukan 20 penyaringan menjadi 106,444 atau dengan kata lain terjadi penurunan sebesar 5,542 dan penurunan ini signifikan dibandingkan dengan tabel yaitu 1,98. Hal ini berarti penambahan variabel independen dapat digunakan.
Tabel 5.5. Nagelkerke R SquareModel 1
Sumber: Data Sekunder yang Diolah
Untuk mengetahui besarnya variasi prediksi dari variable independen terhadap variabel dependen dapat dilihat pada nilai Nagelkerke R Square. Hal ini berarti diketahui bahwa dengan ukuran Nagelkerke R Square diperoleh 53,1% variasi rating dapat diprediksi dari variabel independen.
Model Summary
106,444a ,387 ,531
Step 1
-2 Log likelihood
Cox & Snell R Square
Nagelkerke R Square
5.3. Pengujian Hipotesis Model 1
Pengujian hipotesis penelitian selanjutnya akan diuji dengan program SPSS (Stastistical Package for Social Science), dengan menggunakan alat analisis regresi logistik. Hasil pengujian regresi logistik tersebut dapat terlihat sebagai berikut :
Tabel 5.6. Hasil Pengujian Hipotesis Model 1
Sumber : Data Sekunder yang Diolah
Hipotesis 1A dalam penelitian ini adalah perusahaan-perusahaan yang memiliki pajak tangguhan yang besar dan bernilai positif (large positive deferred taxes) akan memperoleh peringkat (rating) obligasi yang lebih rendah pada saat penentuan peringkat (rating) obligasi. Nilai p-value sebesar 0,050 dan memiliki beta dengan koefisien yang negatif sebesar -19,720, maka signifikan pada level 5% dan H1A diterima. Hal ini menunjukkan perusahaan yang yang memiliki pajak tangguhan yang besar dan bernilai positif (large positive deferred taxes) akan memperoleh peringkat (rating) obligasi yang lebih rendah pada saat penentuan peringkat (rating) obligasi.
-19,720 19241,695 ,000 1 ,050 4E+008
-22,971 19241,695 ,000 1 ,042 9E+009
2,327 1,856 1,571 1 ,008 1,556
-2,015 1,283 ,054 1 ,017 2,044
3,213 1,264 ,065 1 ,028 1,223
2,194 2,662 ,680 1 ,041 ,992
-2,817 2,085 1,825 1 ,018 1,003
-3,420 2,478 1,905 1 ,017 1,034
2,633 4,828 ,297 1 ,046 1,263
-1,078 ,554 3,789 1 ,024 ,340
-20,781 19241,695 ,000 1 ,999 ,000
LPOSDefTax
Variable(s) entered on step 1: LPOSDefTax, LNEGDefTax, ASSETS, DEBT, BETA, INCOME, CASHFLOW, TACC, PPE, DUM_YEAR.
Hipotesis 1B dalam penelitian ini adalah perusahaan-perusahaan yang memiliki pajak tangguhan yang besar dan bernilai negatif (large negative deferred taxes) akan memperoleh peringkat (rating) obligasi yang lebih rendah pada saat penentuan peringkat (rating) obligasi. Nilai p-value sebesar 0,042 dan memiliki beta dengan koefisien yang negative sebesar -22,971 maka signifikan pada level 5% dan H1B diterima. Hal ini menunjukkan perusahaan-perusahaan yang memiliki pajak tangguhan yang besar dan bernilai negatif (large negative deferred taxes) akan memperoleh peringkat (rating) obligasi yang lebih rendah pada saat penentuan peringkat (rating) obligasi. Hasil penelitian ini mendukung penelitian Crabtree dan Maher (2009).
Untuk variabel kontrol yaitu Assets, Debt, Beta, Income, Cash flow, Tacc, PPR, dan Dummy year terbukti dapat menjadi variabel kontrol karena nilai signifikansinya lebih kecil daripada 0.05. Artinya Assets, Debt, Beta, Income, Cash flow, Tacc, PPR, dan Dummy year juga menjadi faktor yang menentukan peringkat obligasi.
5.4. Pengujian Model Fit Model 2
Tampilan output SPSS menunjukkan bahwa besarnya nilai statistik Hosmer dan Lemeshow’s Goodness of Fit sebesar 13,808 dengan probabilitas signifikansi 0,087 yang nilainya lebih besar daripada (0,05) dengan demikian dapat disimpulkan bahwa model fit dan dapat diterima.
Tabel 5.7.Hosmer dan Lemeshow’s Goodness of Fit Test
Sumber: Data Sekunder yang Diolah
13,808 8 ,087
Step 1
Untuk memperjelas gambaran penjelasan ketepatan model regresi logistic dapat dilihat pada tabel klasifikasi sebagai berikut:
Tabel 5.8.Tabel Klasifikasi Model 2
Tabel tersebut menunjukkan bahwa dari 135 observasi yang dapat diprediksi dengan tepat ratingnya 70%. Dengan demikian secara keseluruhan dari 135 observasi terdapat 70% yang dapat diprediksikan dengan tepat oleh model logistik ini. Tingginya persentase ketepatan tabel klasifikasi tersebut menunjukkan tidak adanya perbedaan yang signifikan antara data hasil prediksi dan data observasinya sehingga model regresi dikategorikan baik.
Kemudian langkah selanjutnya adalah menilai model fit dengan menggunakan -2log likehood. Berikut ini adalah hasilnya:
Tabel 5.9.Tabel Iteration History -2 Log LikehoodModel 2
Iteration -2 Log Likehood
1 170.118 2 156.866 3 156.291
Dst Menurun
6 156.189 Sumber: Data Sekunder yang Diolah
Menilai model fit dapat dilihat dari nilai statistik -2LogL yaitu tanpa variabel hanya konstanta saja sebesar 170,118 setelah dimasukkannya 3 variabel baru maka nilai -2LogL turun menjadi 156,291 dan setelah semua penyaringan dilakukan menjadi
Classification Tablea
The cut value is ,500 a.
Model Summary
156,189a ,210 ,392
Step
Estimation terminated at iteration number 6 because parameter estimates changed by less than ,001. a.
156,189 atau dengan kata lain terjadi penurunan sebesar 13,929 dan penurunan ini signifikan dibandingkan dengan tabel yaitu 1,98. Hal ini berarti penambahan variabel independen dapat digunakan.
Tabel 5.10. Nagelkerke R SquareModel 2
Sumber: Data Sekunder yang Diolah
Nilai Nagelkerke R Square sebesar 39,2% artinya variasi rating dapat diprediksi dari variabel independen.
5.5. Pengujian Hipotesis Model 2
Pengujian hipotesis penelitian selanjutnya akan diuji dengan program SPSS (Stastistical Package for Social Science), dengan menggunakan alat analisis regresi logistik. Hasil pengujian regresi logistik tersebut dapat terlihat sebagai berikut :
Tabel 5.11. Hasil Pengujian Hipotesis Model 2
Sumber : Data Sekunder yang Diolah
-,628 ,706 ,791 1 ,037 1,874
-,056 ,713 ,006 1 ,024 1,057
,227 ,472 ,082 1 ,040 1,423
-,618 ,026 1,949 1 ,016 1,002
,391 ,099 ,009 1 ,023 1,039
,237 ,129 ,050 1 ,082 1,046
,558 ,009 ,253 1 ,153 1,086
,210 ,882 ,340 1 ,006 1,018
,095 ,310 1,583 1 ,084 1,064
-,795 ,428 3,447 1 ,063 ,452
Variable(s) entered on step 1: Large_TB, Small_TB, ASSETS, DEBT, BETA, INCOME, CASHFLOW, TACC, PPE, DUM_YEAR.
Hipotesis 2a dalam penelitian ini adalah perusahaan-perusahaan yang memiliki rasio penghasilan kena pajak (taxable income) terhadap laba akuntansi (book income) yang besar (large tax-to-book ratios) akan memperoleh peringkat (rating) obligasi yang lebih rendah pada saat penentuan peringkat (rating) obligasi. Nilai p-value sebesar 0,037 dan memiliki beta dengan koefisien yang negatif sebesar -0.628, maka signifikan pada level 5% dan H2a diterima. Hal ini menunjukkan perusahaan-perusahaan yang memiliki rasio penghasilan kena pajak (taxable income) terhadap laba akuntansi (book income) yang besar (large tax-to-book ratios) akan memperoleh peringkat (rating) obligasi yang lebih rendah pada saat penentuan peringkat (rating) obligasi.
Hipotesis 2b dalam penelitian ini adalah perusahaan-perusahaan yang memiliki rasio penghasilan kena pajak (taxable income) terhadap laba akuntansi (book income) yang kecil (small tax-to-book ratios) akan memperoleh peringkat (rating) obligasi yang lebih rendah pada saat penentuan peringkat (rating) obligasi. Nilai p-value sebesar 0,024 dan memiliki beta dengan koefisien yang negative sebesar -0,056 maka signifikan pada level 5% dan H2b diterima. Hal ini menunjukkan perusahaan-perusahaan yang memiliki rasio penghasilan kena pajak (taxable income) terhadap laba akuntansi (book income) yang kecil (small tax-to-book ratios) akan memperoleh peringkat (rating) obligasi yang lebih rendah pada saat penentuan peringkat (rating) obligasi. Hasil penelitian ini mendukung penelitian Crabtree dan Maher (2009).
yang dimiliki sebuah perusahaan sehingga hal tersebut tidak berpengaruh terhadap peringkat obligasi.
6.
KESIMPULAN DAN SARAN6.1.Kesimpulan
Berdasarkan pada hasil analisis dan pembahasan pada bagian sebelumnya, maka dapat ditarik kesimpulan sebagai berikut:
1. Perusahaan-perusahaan yang memiliki pajak tangguhan yang besar dan bernilai positif (large positive deferred taxes) akan memperoleh peringkat (rating) obligasi yang lebih rendah pada saat penentuan peringkat (rating) obligasi. Hasil penelitian ini mendukung penelitian Crabtree dan Maher (2009).
2. Perusahaan-perusahaan yang memiliki pajak tangguhan yang besar dan bernilai negatif (large negative deferred taxes) akan memperoleh peringkat (rating) obligasi yang lebih rendah pada saat penentuan peringkat (rating) obligasi. Hasil penelitian ini mendukung penelitian Crabtree dan Maher (2009).
3. Perusahaan-perusahaan yang memiliki rasio penghasilan kena pajak (taxable income) terhadap laba akuntansi (book income) yang besar (large tax-to-book ratios) akan memperoleh peringkat (rating) obligasi yang lebih rendah pada saat penentuan peringkat (rating) obligasi. Hasil penelitian ini mendukung penelitian Christina et al (2010).
penentuan peringkat (rating) obligasi. Hasil penelitian ini mendukung penelitian Christina et al (2010).
6.2.Implikasi
Penelitian ini memiliki implikasi sebagai berikut: sesuai dengan signaling teori dimana adanya peningkatan peringkat obligasi menjadi good news bagi investor sehingga perusahaan yang mengalami penurunan peringkat akan menjadi bad news.
Maka sebaiknya investor dalam menanamkan sahamnya di pasar modal dapat memperhatikan nilai pajak tangguhan yang dimiliki perusahaan karena terbukti berpengaruh terhadap peringkat obligasinya.
6.3.Saran dan Keterbatasan
Keterbatasan pada penelitian ini antara lain adalah karena perbedaan sampel dan tahun pengamatan maka untuk hipotesis kedua, variabel control invome, cashflow dan PPE tidak terbukti signifikan berpengaruh terhadap peringkat obligasi. Maka
berdasarkan pada keterbatasan tersebut, saran yang dapat dikemukakan pada penelitian ini adalah:
1. Pada penelitian mendatang dapat ditambahkan variabel kontrol lain dan menggunakan sampel perusahaan diluar sektor keuangan.
DAFTAR PUSTAKA
Ayers, B., J.Jiang, dan S. K. Laplante. (2008). Taxable Income as A Performance Measure : The Effects of Tax Planning and Earnings Quality. Available at SSRN: http://papers.ssrn.com/sol3/papers.cfm?abstract_id= 930406.
Christina, V., Yulianti, Christine.(2010). Pengaruh Book-Tax Differences terhadap Peringkat Obligasi di Pasar Kredit Indonesia.Simposium Nasional Akuntansi XIII. Crabtree, A., dan J. J. Maher. (2005). Earnings Predictability, Bond Ratings, and Bond
Yields. Review of Quantitative Finance and Accounting 25: 233-253.
Frost, C. A. (2007). Credit Rating Agencies in Capital Market: A Review of Research
Evidence on Selected Criticisms of The Agencies. Journal of Accounting, Auditing,
and Finance 22 (3): 469-492.
Ghozali, Imam. (2005). AplikasiAnalisis Multivariate dengan Program SPSS.Semarang :
Universitas Diponegoro.
Hanlon, M. (2005).The Persistence and Pricing of Earnings, Accruals, and Cash Flows when
Firms Have Large Book-Tax Differences.The Accounting Review 80 (1): 137-166.
Lev, B., dan D. Nissim.(2004). Taxable Income, Future Earnings, and Equity Values.The
Accounting Review 79 (4): 1039-1074.
Manzon, G. B., dan G. A. Plesko. (2002). The Relation between Financial and Tax Reporting
Measures of Income.Tax Law Review 55: 175-214.
Mills, L. F., dan K. Newberry. (2001). The Influence of Tax and Non-Tax Costs on Book-Tax
Reporting Differences: Public and Private Firms. The Journal of the American
Taxation Association 23 (1): 1-19.
Phillips, J., M. Pincus, and S. Rego. (2003). Earnings Management: New Evidence based on
LAMPIRAN 1
Logistic Regression
Block 0: Beginning Block
Case Processing Summary
The variable DUM_IND is constant for all selected cases. Since a constant was requested in the model, it will be removed from the analysis.
a.
If weight is in effect, see classification table for the total number of cases.
Constant is included in the model. a.
Initial -2 Log Likelihood: 170,118 b.
Block 1: Method = Enter
Constant is included in the model. a.
The cut value is ,500 b.
Variables in the Equation
-,569 ,183 9,705 1 ,002 ,566
Constant Step 0
B S.E. Wald df Sig. Exp(B)
Variables not in the Equationa
43,481 1 ,000
Iteration Historya,b,c,d
111,986 -1,664 ,692 3,205 ,000 ,000 ,000 ,000 ,000 ,000 ,000 -,556 108,290 -2,653 1,615 4,655 ,000 ,000 ,000 ,000 ,000 ,000 ,000 -,920 107,588 -3,687 2,655 5,799 ,000 ,000 ,000 ,000 ,000 ,000 ,000 -1,022 106,534 -4,770 3,711 6,931 ,000 ,000 ,000 ,000 ,000 ,000 ,000 -1,057 106,462 -5,777 4,716 7,966 ,000 ,000 ,000 ,000 ,000 ,000 ,000 -1,078 106,451 -6,779 5,719 8,969 ,000 ,000 ,000 ,000 ,000 ,000 ,000 -1,078 106,447 -7,780 6,720 9,970 ,000 ,000 ,000 ,000 ,000 ,000 ,000 -1,078 106,445 -8,781 7,720 10,970 ,000 ,000 ,000 ,000 ,000 ,000 ,000 -1,078 106,445 -9,781 8,720 11,971 ,000 ,000 ,000 ,000 ,000 ,000 ,000 -1,078 106,444 -10,781 9,720 12,971 ,000 ,000 ,000 ,000 ,000 ,000 ,000 -1,078 106,444 -11,781 10,720 13,971 ,000 ,000 ,000 ,000 ,000 ,000 ,000 -1,078 106,444 -12,781 11,720 14,971 ,000 ,000 ,000 ,000 ,000 ,000 ,000 -1,078 106,444 -13,781 12,720 15,971 ,000 ,000 ,000 ,000 ,000 ,000 ,000 -1,078 106,444 -14,781 13,720 16,971 ,000 ,000 ,000 ,000 ,000 ,000 ,000 -1,078 106,444 -15,781 14,720 17,971 ,000 ,000 ,000 ,000 ,000 ,000 ,000 -1,078 106,444 -16,781 15,720 18,971 ,000 ,000 ,000 ,000 ,000 ,000 ,000 -1,078 106,444 -17,781 16,720 19,971 ,000 ,000 ,000 ,000 ,000 ,000 ,000 -1,078 106,444 -18,781 17,720 20,971 ,000 ,000 ,000 ,000 ,000 ,000 ,000 -1,078 106,444 -19,781 18,720 21,971 ,000 ,000 ,000 ,000 ,000 ,000 ,000 -1,078 106,444 -20,781 19,720 22,971 ,000 ,000 ,000 ,000 ,000 ,000 ,000 -1,078 Iteration
likelihood ConstantLPOSDefTaxLNEGDefTaxASSETS DEBT BETA INCOMECASHFLOW TACC PPE DUM_YEAR Coefficients
Method: Enter a.
Constant is included in the model. b.
Initial -2 Log Likelihood: 170,118 c.
Estimation terminated at iteration number 20 because maximum iterations has been reached. Final solution cannot be found. d.
Omnibus Tests of Model Coefficients
63,673 10 ,000
106,444a ,387 ,531
Step
Estimation terminated at iteration number 20 because maximum iterations has been reached. Final solution cannot be found. a.
Hosmer and Lemeshow Test
4,761 8 ,054
Step 1
Contingency Table for Hosmer and Lemeshow Test
12 12,212 1 ,788 13
The cut value is ,500 a.
Variables in the Equation
-19,720 19241,695 ,000 1 ,050 4E+008
-22,971 19241,695 ,000 1 ,042 9E+009
2,327 1,856 1,571 1 ,008 1,556
-2,015 1,283 ,054 1 ,017 2,044
3,213 1,264 ,065 1 ,028 1,223
2,194 2,662 ,680 1 ,041 ,992
-2,817 2,085 1,825 1 ,018 1,003
-3,420 2,478 1,905 1 ,017 1,034
2,633 4,828 ,297 1 ,046 1,263
-1,078 ,554 3,789 1 ,024 ,340
-20,781 19241,695 ,000 1 ,999 ,000
LPOSDefTax
Variable(s) entered on step 1: LPOSDefTax, LNEGDefTax, ASSETS, DEBT, BETA, INCOME, CASHFLOW, TACC, PPE, DUM_YEAR.
Step number: 1 Group: 000000000000000000000000000000111111111111111111111111111111
Predicted Probability is of Membership for 1,00
Block 0: Beginning Block
Case Processing Summary
Block 1: Method = Enter
Constant is included in the model. a.
Initial -2 Log Likelihood: 170,118 b.
Estimation terminated at iteration number 3 because parameter estimates changed by less than ,001. c.
Constant is included in the model. a.
The cut value is ,500 b.
Variables in the Equation
-,569 ,183 9,705 1 ,002 ,566
Constant Step 0
B S.E. Wald df Sig. Exp(B)
Variables not in the Equationa
2,301 1 ,129
Iteration Historya,b,c,d
156,866 -,477 ,512 ,042 ,000 ,000 ,000 ,000 ,000 ,000 ,000 -,692
156,291 -,535 ,622 ,048 ,000 ,000 ,000 ,000 ,000 ,000 ,000 -,782
156,220 -,537 ,628 ,050 ,000 ,000 ,000 ,000 ,000 ,000 ,000 -,790
156,195 -,537 ,628 ,053 ,000 ,000 ,000 ,000 ,000 ,000 ,000 -,792
156,189 -,537 ,628 ,055 ,000 ,000 ,000 ,000 ,000 ,000 ,000 -,794
156,189 -,537 ,628 ,056 ,000 ,000 ,000 ,000 ,000 ,000 ,000 -,795
Iteration
likelihood ConstantLarge_TBSmall_TB ASSETS DEBT BETA INCOMECASHFLOW TACC PPE DUM_YEAR
Coefficients
Method: Enter a.
Constant is included in the model. b.
Initial -2 Log Likelihood: 170,118 c.
Estimation terminated at iteration number 6 because parameter estimates changed by less than ,001. d.
Omnibus Tests of Model Coefficients
13,929 10 ,176
156,189a ,210 ,392
Step
Estimation terminated at iteration number 6 because parameter estimates changed by less than ,001. a.
Hosmer and Lemeshow Test
13,808 8 ,087
Step 1
Chi-square df Sig.
Contingency Table for Hosmer and Lemeshow Test
Group: 000000000000000000000000000000111111111111111111111111111111
Classification Tablea
The cut value is ,500 a.
Variables in the Equation
-,628 ,706 ,791 1 ,037 1,874
-,056 ,713 ,006 1 ,024 1,057
,227 ,472 ,082 1 ,040 1,423
-,618 ,026 1,949 1 ,016 1,002
,391 ,099 ,009 1 ,023 1,039
,237 ,129 ,050 1 ,082 1,046
,558 ,009 ,253 1 ,153 1,086
,210 ,882 ,340 1 ,006 1,018
,095 ,310 1,583 1 ,084 1,064
-,795 ,428 3,447 1 ,063 ,452
Variable(s) entered on step 1: Large_TB, Small_TB, ASSETS, DEBT, BETA, INCOME, CASHFLOW, TACC, PPE, DUM_YEAR.
Predicted Probability is of Membership for 1,00 The Cut Value is ,50
Symbols: 0 - ,00 1 - 1,00
Each Symbol Represents 2 Cases.
Descriptives
Descriptive Statistics
135 ,00 1,00 ,6667 ,47316
135 ,00 1,00 -,3185 ,46764
135 858,00 1234568794 44502835.489 124409890.3 135 153,00 411725990,00 33899168.822 65536004.32 135 99,00 265727954,00 23508471.304 46923260.42 135 21,00 18337123,00 333411,1615 1700622.487 135 674,00 355447901,00 32626249.941 62094285.75 135 -337110778 25513,00 -31460416.74 59960338.96 135 3,00 44965282,00 1176005,0000 5702486.880
135 ,00 1,00 ,7407 ,43986
135 ,00 1,00 ,6370 ,48265
135 ,00 1,00 ,3630 ,48265
135 LPOSDefTax
LNEGDefTax ASSETS DEBT BETA INCOME CASHFLOW TACC PPE
DUM_YEAR Large_TB Small_TB Valid N (listwise)