Altman Z-Score — Memprediksi Kebangkrutan dari Nol

Seorang analis kredit bank sedang memutuskan nasib pinjaman Rp 500 miliar. Di meja ada dua laporan keuangan: PT A membukukan laba bersih positif, rasio lancar 1,2 kali, dan ROE 8 persen. PT B mencatat rugi kecil, rasio lancar 0,9 kali, dan ROE negatif. Menurut rasio-rasio tunggal itu, PT A jelas lebih sehat. Tapi ketika analis memasukkan kedua laporan itu ke dalam satu rumus sederhana yang merangkum lima dimensi sekaligus, hasilnya terbalik: PT A berada di “zona abu-abu” dengan probabilitas gagal bayar yang nyata dalam dua tahun, sementara PT B — walau rugi di kertas — ternyata punya struktur permodalan yang kokoh dan lolos di “zona aman”.

Kebalikan insting itulah kekuatan Altman Z-Score. Dirumuskan oleh Edward I. Altman pada 1968 sebagai disertasi di University of Chicago, model ini menyatukan lima rasio keuangan menjadi satu angka yang memprediksi kemungkinan sebuah perusahaan bangkrut dalam dua tahun ke depan. Altman menguji modelnya pada 66 perusahaan manufaktur Amerika yang bangkrut dan 66 yang bertahan, dan menemukan zona pemisah yang akurat pada 95 persen kasus. Lebih dari setengah abad kemudian, Z-Score masih dipakai luas oleh analis kredit bank, rating agency, auditor, dan investor value — karena meskipun akuntansi berubah, lima dimensi fundamental yang ditangkapnya (likuiditas, akumulasi laba, profitabilitas, solvensi, efisiensi) tidak pernah berhenti relevan.

Materi ini membongkar mesin Z-Score dari nol: derivasi kelima rasio, rumus induk, tiga zona interpretasi, dua varian modern untuk perusahaan swasta dan non-manufaktur, dan perhitungan langkah demi langkah untuk tiga emiten Bursa Efek Indonesia dengan tingkat kesehatan yang sangat berbeda — ICBP (makanan, sehat), SMGR (semen, tertekan), dan KRAS (baja, distres).

Intuisi: Lima Pertanyaan yang Harus Dijawab Bersamaan

Mengapa lima rasio, bukan satu atau dua? Karena bangkrut jarang datang dari satu sebab. Sebuah perusahaan bisa likuid tapi tidak menguntungkan (banyak kas, tapi EBIT negatif), profitabel tapi rapuh (laba tinggi, tapi ekuitas tertelungkup utang), atau besar tapi berdarah (penjualan triliunan, tapi laba ditahan minus karena akumulasi rugi). Setiap rasio tunggal hanya melihat satu sisi; Z-Score memaksanya bicara serentak.

Kelima rasio menjawab lima pertanyaan independen tentang kesehatan:

1. Likuiditas relatif — Apakah perusahaan punya modal kerja positif dibanding skala asetnya? (X1)
2. Akumulasi laba historis — Apakah perusahaan secara kumulatif menghasilkan laba selama hidupnya, atauhidup dari utang? (X2)
3. Profitabilitas operasi — Apakah aset menghasilkan laba operasi murni? (X3)
4. Solvensi — Apakah ekuitas (nilai pasar atau buku) menutupi seluruh kewajiban? (X4)
5. Efisiensi perputaran — Apakah aset berputar cepat menjadi penjualan? (X5)

Altman lalu memberi bobot pada masing-masing rasio lewat analisis diskriminan — sebuah teknik statistik yang mencari kombinasi linier paling baik memisahkan perusahaan bangkrut dari yang sehat. Hasilnya adalah koefisien 1,2; 1,4; 3,3; 0,6; dan 1,0 — angka yang terlihat sewenang-wenang tetapi sebenarnya adalah hasil optimasi statistik pada data historis. Bobot terbesar (3,3) diberikan pada profitabilitas operasi (X3), karena Altman menemukan EBIT/aset adalah pemisah tunggal terkuat antara hidup dan mati.

Lima Rasio: X1 sampai X5

Mari turunkan kelima rasio satu per satu, lengkap dengan logika di balik angka.

X1 — Working Capital / Total Assets

$$\boxed{X_1 = \frac{\text{Modal Kerja}}{\text{Aset Total}} = \frac{\text{Aset Lancar} - \text{Kewajiban Lancar}}{\text{Aset Total}}}$$

X1 mengukur likuiditas bersih relatif terhadap ukuran perusahaan. Modal kerja positif berarti aset lancar (kas, piutang, persediaan) melebihi kewajiban lancar (utang usaha, utang jangka pendek) — perusahaan punya bantalan operasi. Membaginya dengan aset total menormalkan terhadap skala: perusahaan besar dan kecil bisa dibandingkan.

Mengapa memakai modal kerja dan bukan sekadar kas? Karena likuiditas operasi nyata bukan soal saldo kas hari ini, melainsoal kemampuan aset lancar menutupi kewajiban lancar secara berkelanjutan. Sebuah perusahaan dengan kas besar tetapi piutang tak tertagih dan persediaan usang akan segera kehabisan likuiditas — dan X1 menangkap hal itu lewat selisih agregat.

X1 negatif (modal kerja negatif) adalah tanda bahaya kuat: kewajiban jangka pendek sudah melebihi aset lancar, sehingga perusahaan harus memutar utang atau menjual aset jangka panjang sekadar untuk membayar tagihan harian. Untuk perusahaan jasa dengan persediaan nol, X1 cenderung lebih stabil; untuk manufaktur musiman, X1 bisa berfluktuasi tajam sepanjang tahun.

X2 — Retained Earnings / Total Assets

$$\boxed{X_2 = \frac{\text{Laba Ditahan}}{\text{Aset Total}}}$$

X2 mengukur akumulasi laba historis yang direinvestasikan ke dalam perusahaan. Laba ditahan adalah saldo kumulatif seluruh laba bersih yang tidak dibagikan sebagai dividen sejak perusahaan berdiri. X2 tinggi berarti perusahaan secara historis konsisten untung dan menahan sebagian besar laba itu untuk membiayai pertumbuhan — modal internal menggantikan utang.

X2 negatif adalah bendera merah utama. Itu berarti perusahaan secara kumulatif telah mengakumulasikan rugi melebihi laba yang pernah ditahan — riwayat kehilangan uang pemegang saham. Perusahaan dengan laba ditahan negatif biasanya (1) start-up yang belum untung, (2) perusahaan matang yang baru saja merugi besar, atau (3) perusahaan tua yang membagi dividen melebihi laba. Dalam ketiga kasus, perusahaan hidup dari utang atau penerbitan saham baru, bukan dari laba sendiri — sebuah pondasi yang rapuh.

Catatan: X2 bisa dimanipulasi lewat umur perusahaan. Perusahaan tua yang konservatif cenderung punya laba ditahan besar hanya karena waktu. Inilah sebabnya X2 paling informatif saat dibandingkan antar-perusahaan dengan umur serupa, atau saat dilacak trennya — laba ditahan yang menurun dari tahun ke tahun adalah sinyal masalah, terlepas dari level absolutnya.

X3 — EBIT / Total Assets

$$\boxed{X_3 = \frac{\text{EBIT}}{\text{Aset Total}}}$$

X3 mengukur profitabilitas operasi murni terhadap aset yang dijalankan. EBIT (earnings before interest and taxes) adalah laba sebelum bunga dan pajak — keuntungan dari operasi inti, sebelum dipengaruhi struktur pendanaan (utang) dan pajak. Membaginya dengan aset total menjawab: berapa rupiah laba operasi yang dihasilkan setiap rupiah aset yang ditanam?

Inilah rasio dengan bobot tertinggi (3,3) dalam rumus Z — dan bukan kebetulan. Altman menemukan bahwa profitabilitas operasi adalah prediktor tunggal terkuat kebangkrutan: perusahaan yang asetnya tidak menghasilkan laba operasi positif, apapun kondisi lainnya, berada di jalur menuju distres. X3 positif berarti bisnis inti menghasilkan uang; X3 negatif berarti operasi menggerus nilai setiap hari.

Mengapa EBIT dan bukan laba bersih? Karena EBIT tidak terpengaruh struktur modal dan pajak — dua faktor yang bisa membuat dua perusahaan dengan operasi identik terlihat sangat berbeda di laba bersih. Satu perusahaan dengan banyak utang bisa berlaba bersih rendah karena beban bunga, padahal operasinya sama sehatnya dengan perusahaan tanpa utang. EBIT menetralkan perbedaan itu, membuat X3 fokus pada kualitas operasi.

X4 — Market Equity / Total Liabilities (atau Book Equity / Total Liabilities)

$$\boxed{X_4 = \frac{\text{Ekuitas}}{\text{Total Kewajiban}}}$$

X4 mengukur solvensi — seberapa jauh ekuitas menutupi seluruh utang. Inilah rasio dengan fleksibilitas terbesar antar-varian Z: untuk perusahaan publik, pembilangnya memakai kapitalisasi pasar (jumlah saham × harga saham); untuk perusahaan swasta, memakai ekuitas pembukuan dari neraca. Total kewajiban mencakup seluruh utang — jangka pendek dan jangka panjang.

Logikanya: pasar memberi “suara” tentang nilai perusahaan. Kalau kapitalisasi pasar jauh melebihi total utang, investor percaya perusahaan jauh lebih berharga dari hutangnya — kepercayaan yang sulit dipalsukan. Sebaliknya, kalau ekuitas pasar lebih kecil dari utang, perusahaan secara teknis “di bawah air” — kalau semua kreditor menagih hari ini, aset tidak cukup. X4 rendah berarti perusahaan tertelungkup utang dan rentan terhadap guncangan.

Catatan penting: X4 memakai total kewajiban, bukan hanya utang berbunga. Ini berbeda dari rasio hutang-terhadap-ekuitas yang sering hanya menghitung utang berbunga. Altman sengaja memakai total kewajiban karena dalam kebangkrutan, semua kreditor menagih — utang usaha, pajak, gaji, dan utang bank. Perspektif “total” ini lebih realistis untuk skenario distres.

X5 — Sales / Total Assets

$$\boxed{X_5 = \frac{\text{Penjualan}}{\text{Aset Total}}}$$

X5 mengukur efisiensi aset menghasilkan penjualan — seberapa cepat aset berputar menjadi pendapatan. X5 tinggi berarti perusahaan menghasilkan banyak penjualan dari sedikit aset (model bisnis hemat modal, seperti ritel atau jasa); X5 rendah berarti aset besar tetapi penjualan kecil (industri padat modal seperti semen atau baja, atau perusahaan dengan kapasitas menganggur).

X5 adalah rasio yang paling kontekstual. Tidak seperti X2 atau X3 di mana “lebih tinggi selalu lebih baik”, X5 ideal bergantung pada sektor. Ritel minimarket (Alfamart) beroperasi dengan X5 di atas 3,0 — perputaran cepat. Perusahaan semen (Semen Indonesia) dengan pabrik triliunan rupiah mungkin punya X5 hanya 0,3 — tetap sehat untuk sektor padat modal. Inilah kelemahan utama X5 dalam model Z klasik, dan alasan Altman menerbitkan varian Z’’ yang menghapus X5 sama sekali untuk perbandingan lintas-sektor.

Rumus Induk: Z = 1,2X1 + 1,4X2 + 3,3X3 + 0,6X4 + 1,0X5

Kelima rasio di atas dirangkum dalam satu rumus dengan bobot hasil optimasi statistik:

$$\boxed{Z = 1{,}2\,X_1 + 1{,}4\,X_2 + 3{,}3\,X_3 + 0{,}6\,X_4 + 1{,}0\,X_5}$$

Mengapa bobot ini? Altman memakai analisis diskriminan — teknik statistik yang mencari kombinasi linier lima variabel paling baik memisahkan dua kelompok (perusahaan bangkrut vs bertahan) dalam data latih. Bobot bukan opini; mereka adalah koefisien yang memaksimalkan jarak statistik antara rata-rata kedua kelompok. Hasilnya menempatkan bobot terbesar pada X3 (3,3) dan terkecil pada X4 (0,6) — menunjukkan profitabilitas operasi lebih diskriminatif daripada struktur permodalan dalam memprediksi kebangkrutan jangka pendek.

Perhatikan kontribusi tiap rasio. Dengan rentang nilai tipikal X1 sampai X5 di sekitar 0 hingga 2, kontribusi marjinal tiap rasio terhadap Z kira-kira:

Satu pengamatan penting: X3 negatif sangat merusak karena bobotnya 3,3 — perusahaan dengan EBIT negatif hampir pasti jatuh ke zona bahaya, terlepas dari rasio lain. Sebaliknya, X4 tinggi bisa “menyelamatkan” Z-score perusahaan yang sebenarnya profitabel-rendah tetapi sangat dihargai pasar (kasus emiten biru dengan valuasi tinggi).

Tiga Zona: Aman, Abu-abu, Bahaya

Z-score ditafsirkan lewat tiga zona cutoff yang diturunkan Altman dari distribusi data historis:

$$\boxed{\begin{aligned} Z &> 2{,}99 \quad &&\textbf{Zona aman} \quad \text{(probabilitas bangkrut rendah)} \\ 1{,}81 &\leq Z \leq 2{,}99 \quad &&\textbf{Zona abu-abu} \quad \text{(tidak pasti, perlu pengawasan)} \\ Z &< 1{,}81 \quad &&\textbf{Zona bahaya} \quad \text{(probabilitas bangkrut tinggi)} \end{aligned}}$$

Zona aman (Z > 2,99). Perusahaan diprediksi sehat dengan kemungkinan kebangkrutan dalam dua tahun sangat rendah. Mayoritas emiten biru-chip BEI (ICBP, UNVR, ASII dalam tahun baik) berada di sini. Namun “aman” bukan “kebal” — perusahaan di zona aman tetap bisa tergelincir kalau rasio memburuk drastis.

Zona abu-abu (1,81 ≤ Z ≤ 2,99). Ini area paling berbahaya secara keputusan — tidak cukup baik untuk aman, tidak cukup buruk untuk vonis bahaya. Perusahaan di zona ini wajib dipantau ketat: tren Z turun konsisten beberapa tahun adalah prediktor kuat perpindahan ke zona bahaya, bahkan jika level saat ini masih “abu-abu”. Banyak perusahaan yang akhirnya bangkrut menghabiskan dua-tiga tahun di zona abu-abu sebelum terjun ke zona bahaya.

Zona bahaya (Z < 1,81). Altman menemukan bahwa perusahaan di zona ini memiliki probabilitas bangkrut dalam dua tahun yang sangat tinggi — pada sampel asli, lebih dari 80 persen benar-benar bangkrut atau direstrukturisasi. Untuk analis kredit, Z < 1,81 adalah sinyal untuk menahan pinjaman baru, menaikkan spread, atau meminta agunan tambahan. Untuk investor equity, ini sinyal jual. Untuk auditor, ini memicu pengujian going concern yang lebih ketat.

Satu peringatan penting: cutoff 1,81 dan 2,99 adalah spesifik untuk model Z klasik (manufaktur publik Amerika 1960-an). Varian Z’ dan Z’’ memiliki cutoff berbeda karena koefisien dan basis datanya berbeda — jangan mencampur zona antar-varian.

Hitung dari Nol: Tiga Emiten BEI yang Sangat Berbeda

Teori paling hidup pada angka nyata. Mari hitung Z-score untuk tiga emiten BEI dengan tingkat kesehatan sangat berbeda: ICBP (Indofood CBP, makanan — sehat), SMGR (Semen Indonesia, semen — tertekan), dan KRAS (Krakatau Steel, baja — distres). Pemilihan ketiganya dirancang untuk memperlihatkan ketiga zona sekaligus, dan model bisnis yang berbeda (makanan konsumen, semen padat modal, baja siklikal).

Angka di bawah adalah perkiraan publik FY2023 yang disesuaikan untuk tujuan pengajaran — bukan angka audit. Konsisten dengan praktik BEI, satuan Rp miliar dan koefisien standar Altman.

Market cap: ICBP ≈ Rp 40.950 miliar (3.900 juta × Rp 10.500), SMGR ≈ Rp 155.480 miliar, KRAS ≈ Rp 9.085 miliar.

ICBP (Indofood CBP) — makanan konsumen, zona AMAN

Mari hitung kelima rasio.

X1 — modal kerja / aset total:

$$X_1 = \frac{27.300 - 9.600}{75.300} = \frac{17.700}{75.300} = \mathbf{0{,}235}$$

X2 — laba ditahan / aset total. Laba ditahan ICBP besar (akumulasi profitabilitas induk selama dekade):

$$X_2 = \frac{26.200}{75.300} = \mathbf{0{,}348}$$

X3 — EBIT / aset total:

$$X_3 = \frac{9.700}{75.300} = \mathbf{0{,}129}$$

X4 — kapitalisasi pasar / total kewajiban. Market cap ICBP (Rp 40.950 miliar) lebih dari dua kali total utangnya:

$$X_4 = \frac{40.950}{19.200} = \mathbf{2{,}133}$$

X5 — penjualan / aset total. ICBP efisien — setiap rupiah aset menghasilkan lebih dari satu rupiah penjualan:

$$X_5 = \frac{86.100}{75.300} = \mathbf{1{,}143}$$

Z-score:

$$Z = 1{,}2(0{,}235) + 1{,}4(0{,}348) + 3{,}3(0{,}129) + 0{,}6(2{,}133) + 1{,}0(1{,}143)$$

$$Z = 0{,}282 + 0{,}487 + 0{,}426 + 1{,}280 + 1{,}143 = \mathbf{3{,}62}$$

Zona AMAN (Z > 2,99). ICBP menjalankan semua lima dimensi dengan baik: likuiditas sehat, akumulasi laba besar, profitabel, sangat dihargai pasar, dan efisien. Tidak ada rasio yang lemah — kekuatan tersebar merata, yang merupakan ciri emiten biru-chip tangguh. Kontributor terbesar untuk Z-nya adalah X5 (1,143) dan X4 (1,280) — efisiensi perputaran dan kepercayaan pasar.

SMGR (Semen Indonesia) — semen padat modal, zona ABU-ABU

X1:

$$X_1 = \frac{35.200 - 20.000}{128.800} = \frac{15.200}{128.800} = \mathbf{0{,}118}$$

X2 — laba ditahan masih besar dari masa kejayaan:

$$X_2 = \frac{40.800}{128.800} = \mathbf{0{,}317}$$

X3 — EBIT tipis. Industri semen tertekan oversupply, margin operasi tergerus:

$$X_3 = \frac{4.400}{128.800} = \mathbf{0{,}034}$$

X4 — pasar masih percaya pada SMGR walau fundamental tertekan (market cap Rp 155.480 miliar jauh melebihi utang Rp 75.100 miliar):

$$X_4 = \frac{155.480}{75.100} = \mathbf{2{,}070}$$

X5 — perputaran aset sangat rendah karena pabrik semen triliunan rupiah:

$$X_5 = \frac{43.700}{128.800} = \mathbf{0{,}339}$$

Z-score:

$$Z = 1{,}2(0{,}118) + 1{,}4(0{,}317) + 3{,}3(0{,}034) + 0{,}6(2{,}070) + 1{,}0(0{,}339)$$

$$Z = 0{,}142 + 0{,}444 + 0{,}112 + 1{,}242 + 0{,}339 = \mathbf{2{,}28}$$

Zona ABU-ABU (1,81 ≤ Z ≤ 2,99). SMGR selamat dari zona bahaya terutama karena X4 yang besar (1,242 kontribusi) — pasar masih menghargai warisan posisi pasar dominan dan skala. Tapi X3 yang anemis (0,034) dan X5 yang rendah (0,339) menarik Z turun. Inilah contoh klasik perusahaan yang “diselamatkan oleh X4” — kalau harga saham SMGR jatuh separuh, X4 berkurang dan Z bisa terjun ke zona bahaya walau operasional tidak berubah. Inilah kerentanan model Z klasik pada perusahaan padat modal yang valuasi pasarnya masih tinggi.

KRAS (Krakatau Steel) — baja siklikal, zona BAHAYA

X1 — modal kerja nyaris nol (aset lancar dan kewajiban lancar hampir seimbang):

$$X_1 = \frac{9.100 - 9.300}{39.900} = \frac{-200}{39.900} = \mathbf{-0{,}005}$$

X2 — laba ditahan negatif, bendera merah: akumulasi rugi historis melebihi laba ditahan:

$$X_2 = \frac{-1.600}{39.900} = \mathbf{-0{,}040}$$

X3 — EBIT negatif. Operasi menggerus nilai:

$$X_3 = \frac{-600}{39.900} = \mathbf{-0{,}015}$$

X4 — kapitalisasi pasar (Rp 9.085 miliar) jauh lebih kecil dari total utang (Rp 24.600 miliar). Perusahaan “di bawah air”:

$$X_4 = \frac{9.085}{24.600} = \mathbf{0{,}369}$$

X5 — perputaran aset moderat:

$$X_5 = \frac{28.200}{39.900} = \mathbf{0{,}707}$$

Z-score:

$$Z = 1{,}2(-0{,}005) + 1{,}4(-0{,}040) + 3{,}3(-0{,}015) + 0{,}6(0{,}369) + 1{,}0(0{,}707)$$

$$Z = -0{,}006 - 0{,}056 - 0{,}050 + 0{,}221 + 0{,}707 = \mathbf{0{,}82}$$

Zona BAHAYA (Z < 1,81). KRAS memukul hampir semua alarm: X1 negatif (likuiditas negatif), X2 negatif (akumulasi rugi), X3 negatif (operasi rugi), dan X4 rendah (ekuitas pasar kurang dari setengah utang). Hanya X5 yang masih positif (0,707), dan itulah kontributor tunggal terbesar. Catatan: X3 negatif dikalikan bobot 3,3 menghasilkan kerusakan ganda — inilah sebabnya profitabilitas operasi adalah prediktor paling kuat. KRAS adalah contoh perusahaan yang membutuhkan restrukturisasi mendalam — restrukturisasi utang, injeksi modal, atau divestasi aset — untuk menghindari kebangkrutan.

Tabel ringkas dan pelajaran

Satu tabel, tiga tingkat kesehatan. ICBP adalah ilustrasi “perusahaan dengan kekuatan merata” — tidak ada rasio yang lemah. SMGR memperlihatkan “perusahaan yang ditopang X4” — fundamental tertekan tetapi pasar masih percaya. KRAS adalah kasus “distres menyeluruh” — empat dari lima rasio lemah atau negatif. Pelajaran penting: Z-score paling kuat saat semua rasio bergerak ke arah yang sama. Kalau satu rasio sangat tinggi sementara lainnya rendah, perusahaan berada di zona abu-abu dan rentan terhadap perubahan rasio dominan itu (mis. harga saham jatuh merontokkan X4 dan menyeret Z ke bawah).

[ilustrasi «altman-zones» belum tersedia]

Varian Z’ (Swasta & Umum) dan Z’’ (Non-Manufaktur)

Model Z klasik dirancang untuk satu populasi spesifik: emiten publik sektor manufaktur Amerika tahun 1960-an. Memakainya ke perusahaan swasta, non-manufaktur, atau pasar berkembang tanpa penyesuaian bisa menyesatkan. Altman sendiri menerbitkan dua varian penting.

Z’ — untuk perusahaan SWASTA & umum (1983)

Model Z’ menyesuaikan dua hal. Pertama, X4 memakai ekuitas pembukuan (bukan kapitalisasi pasar), karena perusahaan swasta tidak punya harga saham. Kedua, koefisien disesuaikan ulang lewat optimasi ulang pada sampel perusahaan swasta:

$$\boxed{Z' = 0{,}717\,X_1 + 0{,}847\,X_2 + 3{,}107\,X_3 + 0{,}420\,X_4(\text{book}) + 0{,}998\,X_5}$$

Cutoff Z’ juga berbeda: aman > 2,9, abu-abu 1,23 hingga 2,9, bahaya < 1,23. Cutoff bahaya lebih rendah (1,23 vs 1,81) karena koefisien yang lebih konservatif menghasilkan distribusi Z yang lebih terkompresi.

Untuk tiga emiten kita (memakai ekuitas pembukuan, bukan pasar):

Perhatikan perubahan dramatis: SMGR yang tadinya abu-abu di Z klasik (2,28) jatuh ke zona bahaya di Z’ (1,10). Inilah intuisi penting — kekuatan SMGR di Z klasik datang dari X4 kapitalisasi pasar yang tinggi. Begitu kita pakai ekuitas pembukuan (Rp 53.700 miliar vs utang Rp 75.100 miliar → X4 hanya 0,715), fondasi sebenarnya terlihat rapuh. Untuk analis kredit yang menilai kemampuan bayar murni dari neraca (bukan spekulasi pasar), Z’ adalah ukuran yang lebih jujur.

Z’’ — untuk NON-MANUFAKTUR & jasa (2005)

Varian Z’’ memecahkan masalah X5 yang bias lintas-sektor. Perusahaan jasa (bank, konsultan, software) dan non-manufaktur (properti, utilitas) memiliki struktur aset sangat berbeda dari pabrik — memaksa X5 ke dalam model menghasilkan perbandingan tidak adil. Altman merespons dengan menghapus X5 sepenuhnya dan melatih ulang koefisien pada sampel non-manufaktur:

$$\boxed{Z'' = 6{,}56\,X_1 + 3{,}26\,X_2 + 6{,}72\,X_3 + 1{,}05\,X_4(\text{book})}$$

Cutoff Z’’: aman > 2,6, abu-abu 1,1 hingga 2,6, bahaya < 1,1. Perhatikan koefisien yang jauh lebih besar — karena hanya empat rasio (bukan lima) yang berkontribusi, masing-masing harus membawa bobot lebih berat untuk menghasilkan rentang Z yang sebanding.

Untuk emiten kita (semuanya manufaktur, jadi Z’’ lebih sebagai ilustrasi metode):

Z’’ paling berguna di BEI untuk menilai perusahaan jasa (mis. WIFI, ISO) dan non-manufaktur di mana X5 bias. Untuk bank dan lembaga keuangan, struktur neraca sangat berbeda (tidak ada persediaan, “aset lancar” didominasi pinjaman), sehingga Z-score dalam bentuk apapun tidak berlaku — pakai rasio spesifik perbankan seperti CAR, NPL, dan BOPO.

Memilih varian yang tepat

Tren Z-Score: Satu Titik adalah Foto, Lima Titik adalah Film

Z-score paling kuat bukan sebagai foto sekali cek, tetapi sebagai deretan waktu. Altman sendiri menekankan bahwa perusahaan jarang jatuh ke zona bahaya dalam semalam — biasanya ada lima tahap: tahun-tahun di zona aman, perlahan turun ke abu-abu, lalu terjun ke bahaya. Pelacakan tren menangkap pola ini jauh lebih awal daripada level absolut.

Contoh: KRAS mungkin punya sejarah Z sebagai berikut (angka ilustratif):

Walau di 2019 Z masih “abu-abu” (2,10), arahnya sudah jelas menurun. Analis kredit yang memantau tren akan menurunkan rating jauh sebelum Z benar-benar menembus 1,81. Inilah kekuatan Z-score sebagai alat pemantauan dini — bukan mengganti penilaian kualitatif, tetapi memberi sinyal kuantitatif terstandar untuk memicu pemeriksaan mendalam.

Penyebab umum tren turun: X2 menurun (akumulasi rugi), X3 jatuh (margin operasi tergerus kompetisi atau siklus), atau X4 turun (harga saham jatuh karena pasar membaca masalah). Mengidentifikasi rasio mana yang menarik Z turun memberi petunjuk akar masalah — apakah operasi (X3), akumulasi historis (X2), atau kepercayaan pasar (X4).

Kesalahan Umum

Mencampur pasar dan pembukuan di X4. Model Z klasik memakai kapitalisasi pasar; Z’ dan Z’’ memakai ekuitas pembukuan. Mencampur — mis. memakai Z klasik tetapi X4 dengan ekuitas pembukuan — menghasilkan angka yang tidak punya cutoff valid. Selalu konsisten: kalau memakai koefisien klasik, pakai market cap; kalau pakai ekuitas buku, gunakan varian Z’ atau Z’'.

Menggunakan Z klasik untuk non-manufaktur. X5 (penjualan/aset) bias kuat lintas sektor — ritel punya X5 alami 3+, semen 0,3, bank 0,1. Membandingkan Z klasik antar-sektor membuat perusahaan padat modal terlihat lebih lemah dari sebenarnya. Gunakan Z’’ untuk perbandingan lintas-sektor, atau bandingkan hanya dengan peer sektor sama.

Menerapkan Z ke bank dan asuransi. Struktur neraca lembaga keuangan sangat berbeda — “aset lancar” didominasi pinjaman dan investasi, “kewajiban lancar” didominasi simpanan. X1, X4, X5 menjadi tidak bermakna. Untuk perbankan, gunakan rasio spesifik: CAR (Capital Adequacy Ratio), NPL (Non-Performing Loan), BOPO (biaya operasi terhadap pendapatan operasi), dan LDR (Loan-to-Deposit Ratio).

Menganggap Z tunggal sebagai vonis. Z-score akurasi 95 persen pada sampel asli Altman, tetapi akurasi turun pada pasar dan periode berbeda. Z adalah penyaring cepat dan pemantau tren, bukan pengganti analisis mendalam. Selalu gabungkan dengan: rasio likuiditas (current ratio, quick ratio), cakupan bunga (interest coverage), kualitas audit (opini going concern), dan faktor kualitatif (kualitas manajemen, posisi pasar).

Mengabaikan manipulasi laba ditahan. X2 bisa dipengaruhi oleh kebijakan dividen agresif (membagi lebih dari laba → laba ditahan turun bukan karena rugi) atau restatement akuntansi. Perusahaan dengan X2 rendah tetapi operasi sehat bisa jadi hanya konservatif dalam menahan laba. Periksa laba komprehensif total dan rekonsiliasi ekuitas, bukan hanya saldo laba ditahan.

Lupa bahwa Z dirancang untuk horizon dua tahun. Altman menguji prediksi kebangkrutan dalam dua tahun. Z yang sehat hari ini tidak menjamin kebal dalam lima atau sepuluh tahun — terutama untuk industri siklikal yang bisa berputar dramatis. Untuk horizon panjang, gabungkan Z dengan analisis strategi kompetitif dan tren industri.

Dipakai di Dunia Nyata

• Analis kredit bank. Z-score adalah salah satu metrik penyaring pertama dalam model kredit internal bank. Emiten BEI dengan Z di zona bahaya menghadapi spread pinjaman lebih tinggi, agunan tambahan, atau penolakan kredit. Beberapa bank memantau Z semua debitur nasabahnya setiap kuartal sebagai early-warning system.
• Rating agency. S&P, Moody’s, dan Pefindo (rating Indonesia) memakai varian Z dan model serupa sebagai input (bukan output) dalam metodologi rating. Tren Z turun konsisten memicu tinjauan rating negatif.
• Audit going concern. Standar audit mengharuskan auditor menilai kemampuan perusahaan bertahan sebagai going concern. Z-score di zona bahaya adalah salah satu indikator kuantitatif yang memicu pengujian going concern lebih ketat, yang bisa berujung opini audit dengan pengecualian.
• Investor value dan turnaround. Investor yang mencari saham undervalued sering menyaring emiten di zona abu-abu dengan tren Z membaik — calon turnaround. Sebaliknya, investor menghindari emiten zona bahaya kecuali ada katalis restrukturisasi jelas.
• Due diligence M&A. Pembeli menghitung Z target selama beberapa tahun sebagai indikator kualitas dan risiko distres tersembunyi. Z yang tiba-tiba turun menjelang akuisisi bisa jadi tanda masalah operasi yang tidak terungkap dalam presentasi manajemen.
• Komite kredit BUMN. BUMN di Indonesia (mis. krakatau Steel, Garuda, ASABRI konteks) kerap menjadi sorotan karena Z-score yang lemah. Komite kredit dan DPR memakai tren Z sebagai alat accountability atas kebijakan restrukturisasi atau injeksi modal.

Bereksperimen Sendiri

Workbook Excel pendamping artikel ini menghitung semua angka di atas dengan rumus hidup — ubah satu input neraca atau laba rugi, semua rasio dan Z-score menghitung ulang otomatis. Lembar-lembarnya:

• 1_INPUT — neraca (aset lancar, aset total, kewajiban, laba ditahan, ekuitas), data pasar (saham, harga → market cap otomatis), dan laporan laba rugi (penjualan, EBIT) untuk tiga emiten. Sel biru bisa diubah.
• 2_ZSCORE — perhitungan X1 sampai X5, rumus induk Z = 1,2X1 + 1,4X2 + 3,3X3 + 0,6X4 + 1,0X5, dan zona otomatis. Sel Z-score diberi conditional formatting: hijau = aman, kuning = abu-abu, merah = bahaya.
• 3_VARIAN — perhitungan Z’ (swasta & umum) dan Z’’ (non-manufaktur) dengan koefisien dan cutoff berbeda. Bandingkan bagaimana SMGR berpindah zona saat X4 berpindah dari pasar ke pembukuan.
• 4_TREND — simulator Z-score lima tahun untuk deteksi dini. Ubah angka biru untuk melihat pergerakan zona dari waktu ke waktu.
• 5_PETUNJUK — ringkasan rumus, zona, dan panduan memilih varian yang tepat.

Coba ubah harga saham SMGR di sheet 1_INPUT dari Rp 2.600 menjadi Rp 1.000 (simulasi koreksi pasar). Lihat bagaimana X4 jatuh dari 2,07 menjadi ~0,80 dan Z turun dari 2,28 ke zona bahaya — walau operasi semen tidak berubah. Ini memperlihatkan sensitivitas model Z klasik terhadap valuasi pasar. Atau ubah laba ditahan KRAS dari −1.600 menjadi +5.000 (simulasi restukturisasi dan injeksi laba) — lihat bagaimana Z naik tapi tetap di zona bahaya karena X1, X3, X4 masih lemah. Ini pelajaran penting: restrukturisasi satu rasio tidak cukup; harus menyentuh akar masalah operasi.

Cek Pemahaman

1. Sebuah perusahaan manufaktur publik memiliki: Aset Lancar Rp 18.000 miliar, Aset Total Rp 50.000 miliar, Kewajiban Lancar Rp 12.000 miliar, Total Kewajiban Rp 30.000 miliar, Laba Ditahan Rp 8.000 miliar, Market Cap Rp 45.000 miliar, Penjualan Rp 40.000 miliar, EBIT Rp 3.000 miliar. Hitung X1-X5, Z-score, dan zona.

Lihat jawaban

• $X_1 = (18.000 - 12.000) / 50.000 = \mathbf{0{,}120}$
• $X_2 = 8.000 / 50.000 = \mathbf{0{,}160}$
• $X_3 = 3.000 / 50.000 = \mathbf{0{,}060}$
• $X_4 = 45.000 / 30.000 = \mathbf{1{,}500}$
• $X_5 = 40.000 / 50.000 = \mathbf{0{,}800}$
• $Z = 1{,}2(0{,}120) + 1{,}4(0{,}160) + 3{,}3(0{,}060) + 0{,}6(1{,}500) + 1{,}0(0{,}800)$
• $Z = 0{,}144 + 0{,}224 + 0{,}198 + 0{,}900 + 0{,}800 = \mathbf{2{,}27}$ → Zona abu-abu

Perusahaan diselamatkan dari zona bahaya terutama oleh X4 (0,900 kontribusi) — kapitalisasi pasar 1,5× total utang. Tapi X3 (0,060) dan X2 (0,160) yang lemah menarik Z turun. Ini kandidat untuk pemantauan ketat: kalau harga saham jatuh separuh, X4 berkurang dan Z tergelincir ke zona bahaya.

2. (Transfer.) SMGR saat ini di zona abu-abu (Z = 2,28) didukung X4 pasar tinggi. Jika harga saham SMGR anjlok 60 persen akibat krisis industri semen, dengan asumsi rasio neraca lain tidak berubah, di zona apa SMGR akan berada? Apa implikasinya untuk keputusan kredit?

Lihat jawaban

Harga saham turun 60 persen → dari Rp 2.600 menjadi Rp 1.040 → market cap turun dari Rp 155.480 miliar menjadi sekitar Rp 62.190 miliar. Maka $X_4 = 62.190 / 75.100 = 0{,}828$ (dari sebelumnya 2,070).

Z baru: $1{,}2(0{,}118) + 1{,}4(0{,}317) + 3{,}3(0{,}034) + 0{,}6(0{,}828) + 1{,}0(0{,}339) = 0{,}142 + 0{,}444 + 0{,}112 + 0{,}497 + 0{,}339 = \mathbf{1{,}53}$ → Zona bahaya (Z < 1,81).

Implikasi: walau operasi semen SMGR tidak berubah, keruntuhan valuasi pasar saja cukup untuk menggesernya dari abu-abu ke bahaya. Bagi bank, ini memicu tinjauan kredit: kenaikan spread, permintaan agunan tambahan, atau bahkan pemanggilan fasilitas (covenant breach). Inilah kerentan struktural model Z klasik yang bergantung pada X4 pasar — dan alasan kuat memakai Z’ (ekuitas pembukuan) untuk penilaian kredit murni. Dengan Z’, SMGR sudah berada di zona bahaya (1,10) sejak awal.

3. Mengapa Altman kemudian menerbitkan varian Z’’ yang menghapus X5? Berikan contoh sektor BEI di mana X5 bias perbandingan, dan jelaskan apa yang terjadi kalau sektor itu dinilai dengan Z klasik.

Lihat jawaban

X5 (penjualan/aset) mencerminkan efisiensi perputaran aset, yang berbeda struktural antar-sektor karena kebutuhan modal berbeda. Sektor padat modal (semen, baja, telekomunikasi, utilitas, properti) membutuhkan aset besar per rupiah penjualan — pabrik semen triliunan rupiah, jaringan BTS, pembangkit listrik. Akibatnya X5 alami rendah (0,1-0,4) walau bisnis sehat.

Contoh BEI: perbankan (BBCA, BBRI). Bank memiliki aset total didominasi pinjaman dan investasi (puluhan triliun rupiah), sementara “penjualan” bank (pendapatan bunga + fee) relatif kecil terhadap aset. X5 bank mungkin hanya 0,05-0,10. Dengan Z klasik, bank sehat seperti BBCA akan tampak di zona bahaya semata karena X5 rendah — yang tentu saja menyesatkan.

Altman merespons dengan Z’’ yang menghapus X5 sama sekali, sehingga perbandingan tidak bias oleh struktur aset. Z’’ cocok untuk non-manufaktur dan jasa: perbankan, properti (BSDE, CTRA), telekomunikasi (TLKM, ISAT), utilitas. Untuk bank secara khusus, bahkan Z’’ pun terbatas karena X1 dan X4 juga tidak bermakna dengan struktur neraca perbankan — di sana lebih tepat memakai rasio spesifik perbankan (CAR, NPL, BOPO, LDR).

Lanjutan

• Manajemen Modal Kerja — X1 Altman memakai komponen modal kerja; pahami dulu CCC dan likuiditas operasi sebelum menghitung Z.
• WACC — struktur permodalan memengaruhi X4 dan X3; WACC mengikat biaya utang dan ekuitas yang mendasari kesehatan solvensi.
• DSCR Project Finance — Z-score memprediksi distres; DSCR mengukur cakupan arus kas terhadap bunga. Keduanya saling melengkapi untuk analisis kredit.
• Capital Structure — X4 dan zona bahaya Z berkaitan dengan teori trade-off: terlalu banyak utang mendorong kebangkrutan, tetapi perisai pajak utang bernilai sampai titik distress.