Syntax Literate: Jurnal Ilmiah Indonesia pï¿½ISSN: 2541-0849 e-ISSN: 2548-1398

Vol. 7, No. 09, September 2022ï¿½ï¿½ï¿½ï¿½ï¿½ï¿½ï¿½ï¿½ï¿½ï¿½ï¿½ï¿½ï¿½ï¿½ï¿½ï¿½ï¿½ï¿½ï¿½ï¿½ï¿½ï¿½ï¿½

ANALISIS PENGARUH FINANCIAL DISTRESS TERHADAP BERITA NEGATIF PADA PERUSAHAAN ASURANSI DI INDONESIA

Dadang Dwi Panjaya Permadi^1*, Lenny Suardi²

^1*,2Master of Management, Faculty of Economics and Business, Universitas Indonesia, Indonesia

Abstrak

Perusahaan asuransi merupakan lembaga jasa keuangan yang berbasis kepercayaan, yang memiliki peran sebagai pelindung keuangan maupun berkontribusi terhadap perekonomian suatu negara. Dalam beberapa tahun terakhir, beberapa perusahaan asuransi di Indonesia menghadapi permasalahan karena gagal membayar klaim asuransi. Berita gagal bayar tersebut telah tersebar di berbagai media massa baik cetak maupun elektronik dan membuat banyak masyarakat memberikan stigma negatif terkait industri asuransi di Indonesia. Penelitian ini bertujuan untuk mengetahui pengaruh financial distress terhadap berita negatif pada perusahaan asuransi di Indonesia. Penelitian ini juga melakukan pengujian terhadap faktor lain yang berpotensi mempengaruhi berita negatif yaitu rasio likuiditas dan ukuran perusahaan. Metode analisis mengunakan uji regresi data panel dengan pendekatan Fix Effect Model. Penelitian menggunakan sample 120 perusahaan asuransi konvensional yang berizin di OJK per 31 Desember 2021. Penelitian menggunakan data selama 5 tahun (2017 ï¿½ 2021). Variabel berita negatif diperoleh dengan menghitung jumlah berita negatif terkait perusahaan asuransi di 12 media online di Indonesia, sementara variabel financial distress diukur berdasarkan rasio kesehatan keuangan yang telah diatur oleh OJK yaitu solvabilitas (RBC), rasio kecukupan investasi, dan ekuitas. Hasil penelitian menunjukkan bahwa financial distress berpengaruh signifikan terhadap berita negatif. Rasio likuiditas dan ukuran perusahaan tidak berpengaruh signifikan terhadap berita negatif perusahaan asuransi.

Kata Kunci: Financial Distress, Perusahaan Asuransi, Berita Negatif.

Abstract

Insurance companies are trust-based financial service institutions that serve as financial protectors and contribute to a country's economy. In recent years, several Indonesian insurance companies have faced problems due to their failure to pay insurance claims. News of the failure to pay has spread in various mass media, both print and electronic, and given many people a negative stigma regarding the Indonesian insurance industry. This study aims to determine the effect of financial distress and negative news on insurance companies in Indonesia. This study also tests other factors that could potentially influence negative news, namely the liquidity ratio and firm size. The analytical method uses panel data regression with the fix-effect model approach. The research used a sample of 120 samples and data for five years. The negative news variable is obtained by counting the number of negative news stories related to insurance companies in 12 online media outlets in Indonesia, while the financial distress variable is measured based on the ratios of financial soundness regulated by the Regulator (solvency, investment adequacy ratio, and equity). The results show that financial distress has a significant effect on negative news. Liquidity ratio and firm size have no significant effect on negative news.

Keywords: Financial Distress, Insurance Company, Negative News.

Pendahuluan

Perusahaan asuransi adalah lembaga jasa keuangan yang berbasis kepercayaan. Perusahaan asuransi memiliki peran sebagai pelindung keuangan individu terhadap peristiwa yang tidak pasti, berperan penting dalam perekonomian suatu negara (Borch et al., 2014), dan komponen kunci dari pembangunan ekonomi (Liedtke, 2007). Ketika perusahaan asuransi mengalami permasalahan keuangan, akan berdampak negatif terhadap stabilitas ekonomi sektor lain di suatu negara (Donnelly, 2007).

Statistik Perasuransian OJK (2021) mencatat premi bruto asuransi berkontribusi sebesar 3,13% terhadap Product Domestic Bruto (PDB) Indonesia tahun 2021. Total investasi perusahaan asuransi mencapai Rp1.360,86 Triliun (8,02% dari PDB). Jumlah penggunaan asuransi mencapai 38,2 juta orang atau 14,01% dari total populasi penduduk Indonesia dan jumlah orang yang bekerja pada sektor perasuransian mencapai 31.975 orang. Jumlah individu yang bekerja sebagai agen asuransi mencapai 103.145 orang pada tahun 2021. Statistik Perasuransian OJK juga mencatat pertumbuhan positif industri asuransi di Indonesia.

Tabel 1

Perkembangan Industri Asuransi Indonesia Tahun 2017 ï¿½ 2021

Tahun	2017	2018	2019	2020	2021
Pelaku Asuransi	152	151	151	148	149
Aset (Triliun Rp)	1.176,97	1.249,05	1.357,14	1.450,32	1.643,90
Investasi (Triliun Rp)	1.006,12	1.067,44	1.174,25	1.224,64	1.360,86
Premi Bruto (Triliun Rp)	407,71	433,38	481,10	503,30	530,92
Klaim Bruto (TriliunRp)	275,65	324,88	364,26	356,53	377,07
Densitas (Juta Rp)	1,55	1,64	1,80	1,86	1,95
Penetrasi (%)	2,00	2,92	3,04	3,26	3,13

Sumber: Statistik Perasuransian OJK Tahun 2017 ï¿½ 2021, telah diolah kembali

Meskipun secara umum data perkembangan industri asuransi di Indonesia menunjukkan angka positif, dalam beberapa tahun terakhir terdapat beberapa perusahaan asuransi di Indonesia yang mengalami gagal bayar antara lain PT Asuransi Jiwasraya (Persero) yang tidak mampu memenuhi kewajiban pembayaran klaim asuransi jatuh tempo sebesar Rp12,4 triliun pada akhir tahun 2019 (Haryanti, 2023). AJB Bumiputera 1912 gagal membayar klaim kepada pemegang polis mencapai sekitar Rp13 triliun. PT Asuransi Jiwa Kresna merugikan pemegang polis hingga mencapai Rp6,4 triliun dan PT AJ Adisarana Wanaartha sebesar Rp15 triliun (Aprilia, 2023). Selain itu, terdapat beberapa perusahaan asuransi bermasalah lainnya yang telah dicabut izin usahanya oleh OJK karena tidak memenuhi ketentuan dan/atau gagal membayar klaim seperti PT Asuransi Recapital, PT Asuransi Raya, PT Asuransi Himalaya Pelindung, dan PT Asuransi Jiwa Bakrie (Bakrie Life).

Kegagalan perusahaan asuransi membayarkan klaim asuransi kepada tertanggung/pemegang polis karena perusahaan asuransi tersebut tidak memiliki kecukupan dana atau terganggunya cashflow. Hal ini merupakan indikasi awal kondisi perusahaan mengalami financial distress, yaitu penurunan kinerja keuangan akibat kesulitan likuiditas yang terjadi sebelum akhirnya kondisi perusahaan menuju kebangkrutan (Emery et al., 2004) atau kondisi arus kas operasi perusahaan tidak cukup untuk memenuhi kewajiban saat ini (Ross et al., 2019).

Pemerintah Indonesia dan Regulator di sektor industri asuransi di Indonesia (OJK) telah menerbitkan berbagai kebijakan dan regulasi untuk mengatur kegiatan perasuransian di Indonesia. Dengan ditetapkannya kebijakan dan regulasi tersebut, industri asuransi diharapkan dapat semakin tumbuh dan meningkatkan perannya pada perekonomian nasional, memiliki daya saing tinggi, serta mampu menjaga kepercayaan masyarakat dan stakeholders, khususnya pemegang polis asuransi. Namun demikian, dalam beberapa tahun terakhir terdapat berbagai pemberitaan yang kurang baik terkait asuransi di Indonesia sebagaimana diumumkan dalam website OJK dan berbagai media massa, baik cetak maupun elektronik.

Media memberitakan berbagai permasalahan yang dihadapi perusahaan asuransi antara lain perusahaan asuransi gagal membayar klaim asuransi, perusahaan asuransi tidak menyelesaikan pengaduan pemegang polis, dan perusahaan asuransi melanggar ketentuan peraturan perundangan sehingga harus dicabut izin usahanya oleh OJK. Berita ini membuat banyak pihak memberikan stigma negatif terhadap industri asuransi di Indonesia. Berita terkait asuransi tersebut dapat dikategorikan dalam berita negatif menurut Scanner (2023) yang menyatakan bahwa berita negatif sebagai segala informasi buruk dan negatif tentang pelanggan atau bisnis yang ditemukan di berbagai sumber seperti surat kabar, majalah, TV, radio, blog, artikel web, dan lain sebagainya. Berita negatif juga didefinisikan sebagai hal-hal yang berkaitan dengan ketegangan internasional, kekacauan sipil, kejahatan dan keburukan, serta kecelakaan dan bencana (Gieber, 1955).ï¿½

Permasalahan industri asuransi sebagaimana diuraikan di atas menarik untuk diteliti apakah financial distress berpengaruh terhadap munculnya berita negatif pada perusahaan asuransi di Indonesia. Penelitian ini juga akan mengkaji faktor-faktor lain yang mempengaruhi berita negatif seperti rasio likuiditas dan ukuran Perusahaan.ï¿½

Berdasarkan hasil studi literatur, terdapat beberapa penelitian yang membahas keterkaitan financial distress dengan kinerja keuangan atau return saham, antara lain penelitian Eisdorfer (2007) menyatakan bahwa perusahaan yang mengalami masalah keuangan (financial distress) lebih cenderung memperhatikan berita tentang arus kas masa depan daripada perusahaan yang tidak mengalami masalah keuangan. Ahmad et al. (2018) melakukan penelitian untuk mengetahui pengaruh pengumuman financial distress terhadap reaksi pasar perusahaan yang listing di bursa efek Malaysia. Hasil penelitian Rubab et al. (2022) menyimpulkan bahwa financial distress memiliki dampak negatif terhadap performa keuangan perusahaan manufaktur di Pakistan. Beberapa penelitian juga menyatakan bahwa financial distress memberikan dampak negatif terhadap pengungkapan sukarela (voluntary disclosure) perusahaan manufaktur yang listing di pasar modal Indonesia (Pernamasari, 2020), financial distress mempunyai pengaruh negatif terhadap audit report lag (Khamisah et al., 2021), financial distress berpengaruh negatif terhadap opini going concern Bank yang terdaftar di pasar modal Indonesia (Jamaluddin, 2018), dan financial distress berpengaruh secara signifikan terhadap return saham pada perusahaan manufaktur yang listing di pasar modal Indonesia (Fachrudin, 2021).ï¿½

Landasan Teori

Financial distress adalah kondisi arus kas operasi perusahaan tidak mencukupi untuk memenuhi kewajiban saat ini, antara lain kewajiban membayar utang atas perdagangan yang dilakukan atau beban bunga, sehingga perusahaan harus segera melakukan langkah perbaikan (Ross et al., 2019). Financial distress adalah fase memburuknya kondisi keuangan yang dialami oleh perusahaan, yang terjadi sebelum bankrupt atau likuidasi. Kondisi ini umumnya dicirikan dengan EBIT, EBITDA dan net income mengalami negatif selama 2 tahun berturut-turut (Platt & Platt, 1991).

Berdasarkan studi literatur, pengukuran financial distress dapat dilakukan dengan beberapa pendekatan, misalnya BarNiv & Hershbarger (1990) memprediksi potensi terjadinya financial distress dengan menggunakan multidiscriminant analysis, nonparametrik analisis dan logit analisis. E. I. Altman & Hotchkiss (2010) mengembangkan metode Altman Z-Score untuk memprediksi financial distress pada perusahaan manufaktur dan non manufaktur.ï¿½ Sihombing (2020) menentukan financial distress berdasarkan nilai EPS yang bernilai negatif. Dewi (2017) mendefinisikan financial distress perusahaan asuransi umum di Indonesia yang mengalami financial distress jika perusahaan asuransi tersebut memiliki negatif net profit selama 2 (dua) tahun terturut-turut. Gandhi et al. (2019) menentukan financial distress bank di US dengan kriteria bahwa bank tersebut mengalami delisting dari NYSE; Amex; or Nasdaq; faktor pembayaran dividen; persentase kerugian pinjaman dan ROA.ï¿½

Kamus Besar Bahasa Indonesia (2016) mengartikan berita sebagai suatu cerita atau keterangan mengenai kejadian atau peristiwa atau kabar. Berita negatif menurut Gieber (1955) merupakan hal-hal yang berkaitan dengan ketegangan internasional, kekacauan sipil, kejahatan dan keburukan, serta kecelakaan dan bencana. Harcup & Oï¿½neill (2001) mendefinisikan berita negatif sebagai cerita dengan nuansa negatif seperti konflik atau tragedi. Beberapa penelitian mendefinisikan berita negatif sesuai dengan tujuan penelitian, misalnya Koppel & Shtrimberg (2006) mendefinisikan berita negatif sebagai berita yang berkaitan dengan perubahan harga saham perusahaan yang menurun. Wiebe et al. (2001) dalam Koppel & Shtrimberg (2006) menyatakan bahwa penilaian sentimen dalam berita bersifat subyektif. Hasil studi pada tahun 1970an dan 1980an menemukan bahwa berita negatif memiliki dampak negatif. Berita negatif dapat mengurangi perilaku menolong, menurunkan sikap toleransi, persepsi tentang kebajikan dan mampu menyebabkan terjadinya depresi atau ketidakberdayaan (Galician & Vestre, 1987). Meskipun memiliki dampak negatif, berita negatif dinilai lebih menarik dibandingkan berita dibandingkan berita positif (Aust, 1985).

Berita negatif dapat diukur dengan pendekatan berbasis leksikon dan pendekatan berdasarkan machine learning (L. Wu & Ow, 2021). Pendekatan berbasis leksikon mengukur sentimen berita dengan mengkonversi teks yang ada dalam artikel dalam angka numerik sesuai dengan daftar kata/dictionary (Moreno-Marcos et al., 2018). Teknik ini pernah dilakukan Loughran & McDonald (2011) dengan mengembangkan daftar kata-kata (dictionary) untuk mengukur sentimen dari suatu artikel/berita. Carlini et al. (2020) menggunakan Loughran & McDonald (2011) dictionary untuk mencari pengaruh berita terhadap harga saham bank. Pendekatan berbasis machine learning menganalisis sentimen negatif berdasarkan logaritma yang disusun secara manual atau otomatis (Yadav et al., 2019). Menurut Song et al. (2020) penggabungan dua pendekatan tersebut meningkatkan hasil dalam pengukuran sentimen berita.ï¿½ Algoritma sentimen analisis Azure Machine Learning pernah diteliti oleh Harfoushi et al. (2018) dengan hasil penelitian yang menyimpulkan bahwa Azure Machine Learning dapat digunakan untuk membangun model Sentimen Analisis yang efektif, yang dapat digunakan untuk melakukan analitik data. Beberapa penelitian juga menggunakan Azure Machine Learning untuk melakukan sentimen analisis pada Twitter (Liu et al., 2015) dan sentimen analisis atas opini dan reviu dari Amazon dan Microsoft (Qaisi & Aljarah, 2016).

Metode Penelitian

Pada penelitian ini terdapat 3 (tiga) variabel yaitu variabel dependen berupa berita negatif terkait asuransi, variabel independen berupa financial distress, dan variabel kontrol berupa rasio likuiditas dan ukuran Perusahaan. Variabel berita negatif dihitung sesuai dengan jumlah berita negatif yang ada pada perusahaan asuransi (firm level). Sumber dari berita negatif diperoleh dari 12 media online yaitu Detik.com, Kompas.com, CNN Indonesia, Tribunnews.com, TVOnenews.com, MetroTVnews.com, Kumparan, Okezone, Bisnis Indonesia, CNBC Indonesia, Kontan, dan Investor Daily. Dalam pengambilan data berita negatif, Peneliti menggunakan software/aplikasi Octoparse, yang merupakan alat web scraping yang kuat yang dapat mengambil data terbuka dari hampir semua situs web. Fitur Octoparse memungkinkan pengguna untuk bekerja dengan data dinamis tidak terstruktur hanya dengan meng-klik satu data point dan Octoparse akan menghasilkan kode yang efisien untuk mengekstraksi data secara otomatisï¿½ (Ahamad et al., 2017).

Berita diambil dengan menggunakan keyword nama perusahaan asuransi, baik nama lengkap maupun nama lain yang dikenal secara luas di masyarakat, misalnya pencarian berita untuk Bumiputera, maka menggunakan nama ï¿½AJB Bumiputera 1912ï¿½ atau ï¿½Bumiputeraï¿½ atau ï¿½AJBBï¿½.ï¿½ Pencarian PT Asuransi Jiwa Adisarana Wanaartha menggunakan nama ï¿½Wanaarthaï¿½ atau ï¿½WAL. Pencarian PT Asuransi Jasa Indonesia (Persero) menggunakan nama lengkap atau ï¿½Jasindoï¿½. Penentuan berita positif, netral, atau negatif tidak dilakukan secara manual melainkan menggunakan Azure Machine Learning yang tersedia dalam add in Microsoft Excel.

Masuk pada laman web media online misalkan www. detik.com atau www.kumparan.com

Ketik nama perusahaan asuransi pada menu pencarian yang ada pada web, misalkan ï¿½Jiwasrayaï¿½

Copy link web/alamat url yang didapat dari website media online.

Jika proses scraping sudah selesai, simpan file dalam eksistensi Microsoft excel. Proses scraping dilakukan satu per satu untuk setiap perusahaan

Tunggu sampai aplikasi Octoparse selesai melakukan scraping data. Proses ini dapat berjalan lama tergantung dari banyak sedikitnya data yang di-scraping.

Buka aplikasi Octoparseï¿½ dan paste link yang dicopy dari web media online, pada bagian searching yang ada pada halaman depan Octoparse. Kemudian klik ï¿½Startï¿½ï¿½

Data yang didapat selanjutnya dilakukan cleansing untuk memastikan tidak ada double data dan relevansi berita. Selanjutnyaï¿½ upload data pada google translate untuk mengubah bahasa dari Indonesia ke Inggris.

Jika Bahasa teks sudah menjadi Inggris, buka file excel tersebut. Pilih menu insert kemudian my Add- Ins (apabila ms.Excel belum memiliki program Azure Machine Learning)

Langkah selanjutnya ikuti proses/tahapan yang ada pada program Azure Maching Learning. Program ini akan menampilkan score dan label berita (positif, netral, atau negatif) berdasarkan text yang dimasukan.

Gambar 1. Proses Mining dan Penilaian Berita Negatif

Sumber: Peneliti, 2023

Variabel financial distress menggunakan variabel dummy, yaitu bernilai 1 (satu) jika terjadi financial distress dan bernilai 0 (nol) jika tidak terjadi financial distress. Perusahaan asuransi dikatakan mengalami financial distress apabila nilai RBC perusahaan asuransi berada di bawah 100%, nilai rasio kecukupan investasi (RKI) berada di bawah 100%, atau ekuitas perusahaan asuransi yang dihitung berdasarkan standar akuntansi keuangan berada di bawah Rp100 miliar. Hal ini didasarkan pada ketentuan peraturan OJK, yang menyatakan bahwa perusahaan asuransi sekurang-kurangnya harus memiliki RBC sebesar 100%, RKI sebesar 100% dan ekuitas sebesar Rp100 miliar. Secara ringkas variabel penelitian disajikan pada tabel berikut:ï¿½

Tabel 2

Variabel Penelitian dan Pengukuran

Kategori	Variabel	Pengukuran
Variabel Dependen	Berita Negatif	Jumlah Berita Negatif Terkait Perusahaan Asuransi (Firm-Level)
Variabel Independen	Financial Distress	Perusahaan Asuransi mengalami financial distress jika RBC <100%, RKI<100%, atau Ekuitas <Rp100 miliar.
Variabel Kontrol	Rasio Likuiditas	Aset Lancar/Kewajiban Lancar
Variabel Kontrol	Ukuran Perusahaan	Logaritma Natural dari Aset Perusahaan

Penelitian mengambil sampel sebanyak 120 perusahaan asuransi atau 80,5% dari total populasi pelaku asuransi sebanyak 149 per 31 Desember 2021 atau 96,8% dari total populasi pelaku usaha asuransi konvensional sebanyak 124 per 31 Desember 2021. Data untuk mengukur financial distress perusahaan asuransi merupakan data sekunder yang diperoleh antara lain dari laporan statistik perasuransian yang diterbitkan OJK, laporan publikasi dari perusahaan asuransi yang tersedia dalam website perusahaan asuransi, dan/atau laporan publikasi dari asosiasi perusahaan asuransi. Data untuk variabel rasio likuiditas dan ukuran perusahaan juga didapatkan dari ketiga sumber tersebut.

Data yang digunakan dalam penelitian adalah data tahunan (yearly) dengan rentang dari tahun 2017 sampai dengan tahun 2021. Apabila data perusahaan asuransi tidak tersedia pada sumber di atas untuk periode tertentu, Peneliti akan menggunakan data pada periode sebelum/setelahnya. Data penelitian tidak termasuk perusahaan asuransi yang izin usahanya dicabut oleh OJK pada periode 2017-2021.ï¿½

Penelitian ini menggunakan analisis regresi data panel dengan tujuan untuk mengamati pengaruh peubah prediktor terhadap satu peubah respon yang berbentuk data panel. Dalam estimasi parameter model regresi data panel, terdapat tiga metode yang digunakan, yakni pendekatan Common Effects Model (CEM), Fixed Effects Model (FEM) dan Random Effects Model (REM).ï¿½ Untuk menentukan pendekatan terbaik diantara ketiga model tersebut dilakukan dengan Uji Chow, Uji Hausman dan Uji Lagrange Multiplier, dengan kriteria pengambilan keputusan sebagai berikut:

Tabel 3

Ketentuan Pengambilan Keputusan

Pengujian	Ketentuan
Uji Chow	H₀: Model CEM adalah model yang sesuai (nilai Prob.>α) H_a: Model FEM adalah model yang sesuai (nilai Prob.<α)
Uji Hausman	H₀: Model REM adalah model yang sesuai (nilai Prob.>α) H_a: Model FEM adalah model yang sesuai (nilai Prob.<α)
Uji Lagrange Multiplier	H₀: Model CEM adalah model yang sesuai (nilai Prob.>α) H_a: Model REM adalah model yang sesuai (nilai Prob.<α)

Sebelum melakukan analisis regresi data panel, peneliti akan melakukan verifikasi terhadap asumsi klasik. Uji asumsi klasik digunakan untuk memastikan data yang digunakan dalam penelitian konsisten, tidak bias dan efisien. Apabila model regresi menggunakan random effect tidak perlu dilakukan uji asumsi klasik. Namun demikian, jika digunakan model regresi Common Effect atau Fixed Effect maka perlu dilakukan uji asumsi klasik (Gujarati & Porter, 2013). Dalam model Common Effect dan Fix Effect, uji asumsi klasik menggunakan heteroskedastisitas dan multikolinearitas (jika variabel bebas lebih dari 1). Namun, dalam model Random Effect, uji asumsi klasik menggunakan normalitas dan multikolinearitas (Kuncoro et al., 2003).

Setelah dilakukan uji asumsi klasik, tahapan selanjutnya adalah melakukan uji regresi. adapunï¿½ Model yang digunakan dalam penelitian untuk menguji hipotesis yaitu sebagai berikut:

Dengan:

Y= Jumlah Berita Negatif; α=Konstanta; β=Koefisien Regresi; Fdistress=Financial distress, bernilai 1 (satu) apabila dalam kondisi financial distress dan bernilai 0 (nol) jika tidak dalam kondisi financial distress; Rlikuiditas= Rasio likuiditas; LnSize= logaritma natural dari ukuran usaha berdasarkan total aset; i=sampel perusahaan asuransi;ï¿½ t= periode tahun; t+1= Berita negatif diasumsikan muncul t+1 setelah terjadinya financial distress; it= sampel perusahaan asuransi ke-i dan tahun ke-t.

Hasil dan Pembahasan

Penelitian mengambil sampel sebanyak 120 perusahaan asuransi atau 80,5% dari total populasi pelaku asuransi sebanyak 149 per 31 Desember 2021 atau 96,8% dari total populasi pelaku usaha asuransi konvensional sebanyak 124 per 31 Desember 2021. Penelitian ini tidak mengambil sampel pelaku usaha reasuransi, usaha asuransi sosial, serta usaha asuransi wajib dikarenakan keterbatasan data, perbedaan kegiatan usaha, dan/atau perbedaan pengaturan dibandingkan bisnis asuransi pada umumnya.ï¿½

Hasil analisis perusahaan asuransi yang mengalami financial distress menunjukkan trend peningkatan. Pada tahun 2017 perusahaan asuransi yang mengalami financial distress sebanyak 3 entitas (2,5% dari total sampel) meningkat menjadi 5 entitas pada tahun 2018. Pada tahun 2019 terdapat sedikit penurunan menjadi 4 entitas mengingat terdapat 1 (satu) perusahaan asuransi yang dicabut izin usahanya pada tahun tersebut yaitu PT Asuransi Himalaya Pelindung. Pada tahun 2020 dan 2021 terdapat peningkatan secara signifikan perusahaan asuransi yang mengalami financial distress yaitu masing-masing sebanyak 9 dan 10 entitas.

Grafik 1. Perusahaan Asuransi Dalam Financial Distress

Sumber: Hasil Olahan Peneliti, 2023

Hasil analisis berita menunjukkan bahwa jumlah berita (positif, netral, dan negatif) terkait perusahaan asuransi mengalami trend peningkatan selama periode 2016 ï¿½ 2018. Jumlah berita pada tahun 2019 sebanyak 1.913 berita sedikit menurun dibandingkan jumlah berita pada tahun 2018 sebanyak 2.123 berita. Pada tahun 2020 jumlah berita mengalami peningkatan secara signifikan dibandingkan pada periode tahun-tahun sebelumnya menjadi sebanyak 6.066 berita. Total berita pada tahun 2021 dan 2022 masing-masing sebanyak 3.707 berita dan 3.559 berita menurun secara signifikan dibandingkan pada tahun 2020 sebanyak 6.066 berita. Berita positif terkait asuransi memiliki proporsi yang lebih tinggi dibandingkan berita negatif dan berita netral. Berita negatif terkait asuransi memiliki trend peningkatan dari tahun 2016 s.d. 2018 dan sedikit menurun pada tahun 2019. Jumlah berita negatif pada tahun 2020 sebanyak 1.003 berita berada pada puncak tertinggi dibandingkan tahun-tahun sebelum (2016-2019) dan setelahnya (2021-2022). Banyaknya berita negatif pada tahun 2019, 2020 dan 2021 disebabkan adanya pemberitaan yang massif terhadap Jiwasraya dan Bumiputera yang tidak mampu membayar klaim asuransi kepada para pemegang polis, termasuk kasus fraud dan pidana yang terjadi pada Jiwasraya.

Grafik 2. Sentimen Berita Perusahaan Asuransi Tahun 2016 ï¿½ 2022

Sumber: Hasil Olahan Peneliti, 2023

Kontribusi Jiwasraya dan Bumiputera pada berita negatif tahun 2019 masing-masing sebesar 32,5% dan 10,4%; pada tahun 2020 masing-masing sebesar 61,9% dan 6,9%; dan pada tahun 2021 masing-masing sebesar 29,0% dan 12,3%. Berita negatif yang terjadi pada tahun 2022 paling tinggi berasal dari Wanaartha (13,8%), Jiwasraya (12,3%) dan Bumiputera (6,4%).

ï¿½

Grafik 3. Dua Besar Perusahaan Asuransi Yang Memiliki Banyak Berita Negatif

Sumber: Hasil Olahan Peneliti, 2023

Statistika deskriptif dalam penelitian ini menunjukkan bahwa berita negatif memiliki nilai minimum 0,00000 yang menunjukkan bahwa terdapat perusahaan asuransi yang tidak memiliki berita negatif dan nilai maksimum 665 yang menunjukkan bahwa terdapat perusahaan yang memiliki berita negatif hingga mencapai 665 berita. Nilai mean variabel berita negatif sebesar 4,745 artinya jika direrata setiap perusahaan memiliki berita negatif sebanyak 4,745 berita. Variabel ini memiliki angka simpang baku atau standar deviasi yang tinggi yaitu sebesar 29,529, sehingga menunjukkan adanya Gap yang tinggi antara jumlah berita negatif pada level individu perusahaan asuransi dengan rata-rata jumlah berita negatif. Variabel financial distress memiliki nilai minimum 0,0000 dan nilai maksimum 1. Hal ini sesuai dengan fakta bahwa variabel financial distress adalah variabel dummy yang memiliki dua kemungkinan, yaitu mengalami financial distress bernilai 1 (satu) dan tidak mengalami financial distress bernilai 0 (nol). Nilai mean variabel ini adalah 0,0516, yang menunjukkan bahwa rata-rata sebesar 5,16% perusahaan mengalami financial distress setiap tahunnya.

Variabel rasio likuiditas memiliki nilai minimum 0,100 atau 10,0% yang menunjukkan bahwa terdapat perusahaan asuransi memiliki rasio likuiditas sebesar 10,0%. Nilai maksimum rasio likuiditas tercatat sebesar 33,82060 atau 3.382,06% menunjukkan bahwa terdapat perusahaan asuransi yang memiliki rasio likuiditas mencapai 3.382,06%. Mean variabel rasio likuiditas sebesar 2,533128 atau 253,31% menunjukkan bahwa rata-rata rasio likuiditas Perusahaan asuransi sebesar 253,31% atau jauh berada di bawah threshold sekurang-kurangnya 100%. Simpangan baku/standar deviasi variabel rasio likuiditas sebesar 2,973486 atau 297,34% menunjukkan gap yang tinggi antara rasio likuiditas pada level individu perusahaan asuransi dengan rasio likuiditas rata-rata. Variabel ukuran perusahaan di atas menunjukkan bahwa nilai minimum aset perusahaan asuransi sebesar Rp107,16 miliar dan nilai maksimum aset perusahaan asuransi sebesar Rp71,76 triliun. Rata-rata aset asuransi sebesar Rp5,785 triliun dengan standar deviasi yang tinggi yaitu sebesar Rp11,134 triliun.

Tabel 4

Statistika Deskriptif

Uraian	*Minimum*	*Maximum*	*Mean*	*Std. Dev.*
Berita Negatif	0,000000	665	4,745	29,529
Financial Distress	0,000000	1,000000	0,051667	0,221538
Rasio Likuiditas	0,100000	33,82060	2,533128	2,973486
Ukuran Perusahaan (juta Rp)ï¿½	107.161	71.757.702	5.785.544	11.134.495

Sumber: Hasil Olahan Peneliti, 2023

Berdasarkan hasil uji Chow dan uji Hausman diketahui bahwa model regresi terbaik untuk data panel adalah Fix Effect Model sebagaimana ditunjukkan dalam tabel di bawah ini:

Tabel 5

Hasil Uji Chow

*Effects Test*	*Statistic*	*d.f*	*Prob.*
Cross-section F	2,451086	(119,477)	0,0000
Cross-section Chi-square	286,294353	119	0,0000

Sumber: Hasil Olahan Peneliti, 2023

Berdasarkan tabel 5 di atas, diketahui bahwa Prob. (Cross-section F) sebesar 0,0000 lebih kecil daripada nilai signifikansi α sebesar 0,05, sehingga model yang dipilih adalah Fix Effect Model (FEM).ï¿½

Tabel 6

Hasil Uji Hausman

*Test Summary*	*Chi-Sq. Statistic*	*Chi-Sq. d.f*	*Prob.*
Cross- section random	14,328938	3	0,0025

Sumber: Hasil Olahan Peneliti, 2023

Dari tabel hasil uji Hausman di atas, diketahui bahwa nilai probabilitas (p) untuk Cross-Section Random sebesar 0,0025 atau lebih kecil dari nilai α sebesar 0,05, sehingga model yang dipilih yaitu Fix Effect Model.

Dengan terpilihnya Fix Effect Model ini, maka menurut Kuncoro et al. (2003) uji asumsi klasik yang digunakan adalah uji Multikolinearitas dan uji Heteroskedastisitas. Berikut ini disajikan hasil uji asumsi klasik dimaksud.

ï¿½

Tabel 7

Hasil Uji Multikolinearitas

Variabel	Berita Negatif	*Financial Distress*	Rasio Likuiditas	Ukuran Perusahaan
Berita Negatif (a)	1,000000	0,302411	-0,060973	0,15821
Financial Distressï¿½ (b)	0,302411	1,000000	0,0081	0,2696
Rasio Likuiditas (c)	-0,060973	0,0081	1,000000	0,0136
Ukuran Perusahaan (d)	0,158207	0,2696	0,0136	1,00000
Probability	0,0000*^(a,b)	0,1357^(a,c)	0,0001* ^(a,d)
* signifikan pada level α sebesar 1% ** signifikan pada level α sebesar 5%

Sumber: Hasil Olahan Peneliti, 2023

ï¿½ï¿½ï¿½ï¿½ï¿½

Berdasarkan hasil pengujian pada tabel 7 di atas, dapat diketahui bahwa korelasi antara variabel financial distress dengan rasio likuiditas sebesar 0,0081, korelasi antara variabel financial distress dengan ukuran perusahaan sebesar 0,2696, dan korelasi antara variabel rasio likuiditas dengan ukuran perusahaan adalah sebesar 0,0136. Dengan demikian nilai korelasi antara setiap variabel independen berada dibawah 0,9 atau tidak terdapat korelasi antara variabel independen (tidak terjadi multikolinearitas). Dari tabel 7 di atas, dapat diketahui juga nilai koefisien korelasi antara variabel dependen berita negatif dengan variabel independen financial distress sebesar 0,302411 dengan nilai prob. (0,0000)<α=5%. Hal ini menunjukkan bahwa financial distress dan berita negatif memiliki hubungan korelasi positif dan signifikan, artinya semakin perusahaan mengalami financial distress, semakin banyak juga berita negatif. Sementara itu, koefisien korelasi antara variabel rasio likuiditas dengan berita negatif bernilai -0,060973 dengan nilai prob. (0,1357)>α=5%. Hal ini menunjukkan bahwa rasio likuiditas tidak memiliki korelasi dengan berita negatif pada perusahaan asuransi di Indonesia. Koefisien korelasi antara berita negatif dengan ukuran perusahaan menunjukkan angka 0,158207 dengan nilai prob. (0,0001)<α=5%. Hal ini menunjukkan bahwa ukuran perusahaan memiliki korelasi positif dan signifikan terhadap berita negatif, artinya semakin besar ukuran perusahaan maka semakin banyak juga berita negatif yang bermunculan.

Berdasarkan hasil pengolahan dengan menggunakan eviews 8, didapatkan hasil bahwa nilai residual tidak melewati batas (500 dan -500) yang artinya varian residual sama. Oleh karena itu, tidak terjadi gejala heteroskedastisitas atau lolos dalam uji heteroskedastisitas.

Grafik 4. Hasil Uji Heteroskedastisitas

Sumber: Hasil Olahan Peneliti, 2023

Berdasarkan hasil Uji Chow dan Uji Hausman, diketahui bahwa pendekatan terbaik untuk regresi data panel dalam penelitian iniï¿½ adalah Fix Effect Model (FEM). Berdasarkan hasil pengolahan data variabel dependen, independen, dan variabel kontrol dengan menggunakan software eviews versi 9, diperoleh hasil regresi data panel dengan pendekatan Fix Effect Model (FEM) adalah sebagai berikut:

Tabel 8

Hasil Regresi Data Panel

Variabel

Coefficient

Std.Dev

t-Statistic

Prob.

Konstanta (α)

84,48400

57,92548

1,458495

0,1454

Financial Distress (X₁)

18,72637

6,317158

2,964366

0,0032*

Rasio Likuiditas (X₂)

-0,366894

0,546144

-0,671790

0,5020

Ukuran Perusahaan (X₃)

-5,552269

3,996103

-1,389421

0,1654

R-squared

0,449331

F-statistic

0,000000

* signifikan pada level α sebesar 1%.

** signifikan pada level α sebesar 5%

Sumber: Hasil Olahan Peneliti, 2023

Berdasarkan uji regresi pada tabel 8 di atas, diketahui bahwa financial distress, rasio likuiditas, ukuran perusahaan secara bersama-sama memberikan pengaruh terhadap berita negatif perusahaan asuransi, sebagaimana ditunjukan dengan prob. (F-Statistik) sebesar 0,0000 atau lebih kecil dari α sebesar 0,05. Nilai koefisien determinasi (R²) yang ditunjukan dengan nilai R-squared sebesar 0,449331 atau 44,93% menunjukkan bahwa variabel financial distress, rasio likuiditas, dan ukuran perusahaan mempengaruhi variabel berita negatif sebesar 44,93% sementara sisanya sebesar 55,07% dijelaskan oleh variabel independen lain di luar penelitian ini.

Nilai probabilitas atau signifikansi variabel financial distress sebesar 0,0032 atau lebih kecil dari pada nilai α sebesar 0,05. Hal ini menunjukkan bahwa financial distress berpengaruh terhadap berita negatif perusahaan asuransi. Nilai probabilitas atau signifikansi variabel kontrol rasio likuiditas sebesar 0,5020 atau lebih besar daripada nilai α sebesar 0,05, menunjukkan bahwa rasio likuiditas tidak memiliki pengaruh terhadap munculnya berita negatif pada perusahaan asuransi. Nilai probabilitas atau signifikansi variabel kontrol ukuran perusahaan sebesar 0,1654 atau lebih besar daripada nilai α=0,05, menunjukkan bahwa ukuran perusahaan tidak berpengaruh terhadap munculnya berita negatif perusahaan asuransi.

Berdasarkan hasil regresi dan uji korelasi, diketahui bahwa financial distress berpengaruh terhadap munculnya berita negatif pada perusahaan asuransi di Indonesia. Financial distress dan berita negatif memiliki korelasi positif dan signifikan, artinya semakin perusahaan asuransi mengalami financial distress semakin banyak jumlah berita negatif terkait perusahaan asuransi. Temuan penelitian ini dapat dipahami mengingat berita negatif yang timbul terkait perusahaan asuransi sebagian besar dikontribusikan oleh perusahaan asuransi yang saat ini menghadapi permasalahan seperti PT Asuransi Jiwasraya (Persero), AJB Bumiputera 1912, PT AJ Adisarana Wanaartha, dan PT Asuransi Jiwa Kresna.

Hasil penelitian ini searah dengan beberapa penelitian yang mengaitkan financial distress dengan kinerja keuangan atau reaksi pasar seperti yang dilakukan oleh Rubab et al. (2022) yang menyatakan bahwa financial distress mempunyai dampak negatif terhadap kinerja perusahaan manufaktur, Ahmad et al. (2018) yang menyatakan bahwa pasar bereaksi terhadap financial distress perusahaan listing di Malaysia, dan Eisdorfer (2007) menyatakan bahwa berita terkait arus kas masa depan menjadi lebih dominan untuk perusahaan dalam kondisi financial distress dibandingkan perusahaan yang tidak dalam kondisi financial distress.

Dengan hasil penelitian yang menemukan bahwa financial distress berpengaruh terhadap munculnya berita negatif, maka perusahaan asuransi perlu memperhatikan secara mendalam kondisi keuangan perusahaan agar tidak mengalami kondisi financial distress. Hal ini mengingat berita negatif juga dapat berpengaruh terhadap beberapa hal seperti hasil penelitian Gandhi et al., (2019) yang menyatakan bahwa berita negatif dapat menjadi proxy kemungkinan terjadinya financial distress bank-bank di US, berita berpengaruh terhadap perubahan harga saham perusahaan yang terdaftar dalam bursa saham (Carlini et al., 2020; C. C. Wu et al., 2022, dan G. G.-R. Wu et al., 2019).

Hasil analisis antara rasio likuiditas terhadap berita negatif menunjukkan bahwa rasio likuiditas tidak berpengaruh terhadap munculnya berita negatif terkait perusahaan asuransi. Rasio likuiditas juga tidak memiliki korelasi dengan berita negatif perusahaan asuransi. Hasil penelitian ini bertolak belakang dengan beberapa penelitian yang dilakukan oleh Diyanto (2020) yang menyatakan bahwa likuiditas mempengaruhi terjadinya financial distress perusahaan manufaktur dan penelitian Fachrudin (2021) yang menyatakan bahwa likuiditas berpengaruh secara signifikan terhadap return saham perusahaan manufaktur yang listing di bursa saham Indonesia. Namun demikian, rasio likuiditas ini berpengaruh terhadap kemungkinan terjadinya financial distress perusahaan asuransi. Hal ini mengingat rasio likuiditas merupakan rasio yang menunjukkan kemampuan perusahaan untuk memenuhi kewajiban jangka pendeknya. Rasio ini diperoleh dengan membagi antara aset lancar dengan kewajiban lancar atau aset dan kewajiban yang umurnya di bawah 1 (satu) tahun. Jika aset lancar perusahaan tidak mampu memenuhi kewajiban lancar perusahaan, maka perusahaan berpotensi menghadapi permasalahan. Hal ini bersesuaian dengan hasil penelitian dari Idawati & Wardhana (2021); Zelie (2019), Dewi (2017), dan Taswin & Suhendra (2022) yang menyatakan bahwa likuiditas memiliki hubungan dengan financial distress.ï¿½

Hasil analisis pengaruh ukuran perusahaan dengan berita negatif menunjukkan bahwa ukuran perusahaan tidak berpengaruh terhadap munculnya berita negatif terkait asuransi. Namun demikian, ukuran perusahaan memiliki korelasi positif dengan berita negatif. Hasil penelitian ini menunjukkan bahwa besar atau kecilnya aset perusahaan asuransi tidak mempengaruhi munculnya berita negatif terkait perusahaan asuransi. Hasil penelitian ini tidak bersesuaian dengan penelitian yang dilakukan oleh Fachrudin (2021) yang menyatakan bahwa ukuran perusahaan (firm size) berpengaruh positif terhadap return saham dan ukuran perusahaan memiliki korelasi negatif. Dalam beberapa hasil penelitian seperti Fachrudin (2021), Dewi (2017), dan Isayas (2021) menyatakan bahwa ukuran perusahaan memiliki korelasi negatif dan signifikan terhadap kemungkinan terjadinya financial distress. Hasil penelitian dari Liahmad et al. (2021) menyatakan bahwa ukuran perusahaan berpengaruh signifikan terhadap kemungkinan terjadinya financial distress.

Kesimpulan

Penelitian ini memberikan kesimpulan bahwa financial distress berpengaruh signifikan terhadap munculnya berita negatif pada perusahaan asuransi di Indonesia. Koefisien korelasi antara financial distress dan berita negatif menunjukkan angka positif, yang artinya semakin perusahaan asuransi mengalami financial distress, maka semakin banyak berita negatif terhadap perusahaan asuransi. Jumlah berita negatif yang muncul terhadap perusahaan asuransi di Indonesia mengalami trend peningkatan dari tahun 2016 s.d. 2022. Puncak tertinggi berita negatif berada pada tahun 2020 disebabkan pemberitaan yang massif terkait PT Asuransi Jiwasraya (Persero) dan AJB Bumiputera 1912 yang gagal membayar klaim asuransi. Jumlah perusahaan asuransi yang mengalami financial distress juga memiliki trend meningkat setiap tahunnya. Pada tahun 2017 perusahaan asuransi yang mengalami financial distress sebanyak 3 (tiga) perusahaan, meningkat menjadi 10 (sepuluh) perusahaan pada tahun 2021.ï¿½ï¿½

Variabel kontrol rasio likuiditas tidak berpengaruh dan tidak memiliki korelasi dengan munculnya berita negatif perusahaan asuransi. Namun demikian, rasio likuiditas memiliki pengaruh signifikan dan berkorelasi negatif dengan financial distress. Variabel kontrol ukuran perusahaan asuransi tidak memiliki pengaruh dengan berita negatif perusahaan asuransi, namun memiliki hubungan/korelasi positif dengan berita negatif pada perusahaan asuransi.

ï¿½

BIBLIOGRAFI

Ahmad, A. H., Hiau Abdullah, N. A., & Taufil Mohd, K. N. (2018). Market reactions to financial distress announcements: Do political connections matter? Cogent Economics & Finance, 6(1), 1483304.

Aprilia, Z. (2023). Cerita di Balik 3 Kasus Asuransi Besar Yang Gantung. https://www.cnbcindonesia.com/market/20230117103458-17-406027/cerita-di-balik-3-kasus-asuransi-besar-yang-gantung

Aust, C. F. (1985). Judgments of Well-Being after Exposure to Televised Bad and Good News.

BarNiv, R., & Hershbarger, R. A. (1990). Classifying financial distress in the life insurance industry. Journal of Risk and Insurance, 110ï¿½136.

Borch, K. H., Sandmo, A., & Aase, K. K. (2014). Economics of insurance. Elsevier.

Carlini, F., Cucinelli, D., Previtali, D., & Soana, M. G. (2020). Donï¿½t talk too bad! stock market reactions to bank corporate governance news. Journal of Banking & Finance, 121, 105962.

Dewi, T. T. C. (2017). Effect of change in surplus ratio, incurred loss ratio, liquidity ratio, premium growth ratio, size and risk based capital to predict the possibilities of financial distress: The case of Indonesian non-life insurance listed in Indonesia insurance directory. Advanced Science Letters, 23(8), 7285ï¿½7288. https://doi.org/10.1166/asl.2017.9352

Diyanto, V. (2020). The effect of liquidity, leverage and profitability on financial distress. Indonesian Journal of Economics, Social, and Humanities, 2(2), 127ï¿½133.

Donnelly, S. (2007). The international accounting standards board. New Political Economy, 12(1), 117ï¿½125.

Eisdorfer, A. (2007). The importance of cash‐flow news for financially distressed firms. Financial Management, 36(3), 33ï¿½48.

Emery, D. R., Finnerty, J. D., & Stowe, J. D. (2004). Corporate financial management. Prentice Hall.

Fachrudin, K. A. (2021). The effect of financial distress probability, firm size and liquidity on stock return of energy users companies in Indonesia. International Journal of Energy Economics and Policy.

Galician, M.-L., & Vestre, N. D. (1987). Effects of ï¿½good newsï¿½ and ï¿½bad newsï¿½ on newscast image and community image. Journalism Quarterly, 64(2ï¿½3), 399ï¿½525.

Gandhi, P., Loughran, T., & McDonald, B. (2019). Using annual report sentiment as a proxy for financial distress in US banks. Journal of Behavioral Finance, 20(4), 424ï¿½436.

Gieber, W. (1955). Do Newspapers Overplay ï¿½Negativeï¿½News? Journalism Quarterly, 32(3), 311ï¿½318.

Harcup, T., & Oï¿½neill, D. (2001). What is news? Galtung and Ruge revisited. Journalism Studies, 2(2), 261ï¿½280.

Harfoushi, O., Hasan, D., & Obiedat, R. (2018). Sentiment analysis algorithms through azure machine learning: Analysis and comparison. Modern Applied Science, 12(7), 49.

Haryanti, R. (2023). Analisis Kecurangan Laporan Keuangan PT Asuransi Jiwasraya dengan Analisis Fraud Pentagon. Sanskara Akuntansi Dan Keuangan, 1(02), 92ï¿½99.

Idawati, W., & Wardhana, A. K. (2021). Analysis of Financial Distress with Profitability as Moderation Variable. Jurnal Akuntansi, 25(2), 222ï¿½238.

Isayas, Y. N. (2021). Financial distress and its determinants: Evidence from insurance companies in Ethiopia. Cogent Business and Management, 8(1). https://doi.org/10.1080/23311975.2021.1951110

Jamaluddin, M. (2018). The effect of financial distress and disclosure on going concern opinion of the banking company listing in Indonesian Stock Exchange. International Journal of Scientific Research and Management, 6(01), 64ï¿½70.

Khamisah, N., Listya, A., & Saputri, N. D. M. (2021). Does Financial Distress Has an Effects on Audit Report Lag?(Study on Manufacturing Companies Listed in Indonesia Stock Exchange). Akuntabilitas, 15(1), 19ï¿½34.

Koppel, M., & Shtrimberg, I. (2006). Good news or bad news? let the market decide. Computing Attitude and Affect in Text: Theory and Applications, 297ï¿½301.

Kuncoro, M., Sumiharti, Y., & Kristiaji, W. C. (2003). Metode riset untuk bisnis dan ekonomi.

Liahmad, K. R., Utami, Y. P., & Sitompul, S. (2021). Financial Factors and Non-Financial to Financial Distress Insurance Companies That Listed in Indonesia Stock Exchange. Budapest International Research and Critics Institute (BIRCI-Journal): Humanities and Social Sciences, 4(1), 1305ï¿½1312.

Liedtke, P. M. (2007). Whatï¿½s insurance to a modern economy? The Geneva Papers on Risk and Insurance-Issues and Practice, 32, 211ï¿½221.

Liu, B., Zhang, J., Liu, Q., Li, H., Zhang, M., Qiu, R., & Zhao, J. (2015). Data Acquisition, Hot Issues and System of Microblog Mining. 2015 International Conference on Network and Information Systems for Computers, 116ï¿½119.

Loughran, T., & McDonald, B. (2011). When is a liability not a liability? Textual analysis, dictionaries, and 10‐Ks. The Journal of Finance, 66(1), 35ï¿½65.

Moreno-Marcos, P. M., Alario-Hoyos, C., Muï¿½oz-Merino, P. J., Estï¿½vez-Ayres, I., & Kloos, C. D. (2018). Sentiment analysis in MOOCs: A case study. 2018 IEEE Global Engineering Education Conference (EDUCON), 1489ï¿½1496.

OJK. (2021). Statistik Perasuransian. https://www.ojk.go.id/id/kanal/iknb/data-dan-statistik/asuransi/Pages/Statistik-Perasuransian-2021.aspx

Pernamasari, R. (2020). Determinants of Voluntary Disclosure: Based on Financial Ratios and Financial Distress. International Journal of Management Studies and Social Science Research, 2(4), 130ï¿½141.

Platt, H. D., & Platt, M. B. (1991). A note on the use of industry-relative ratios in bankruptcy prediction. Journal of Banking & Finance, 15(6), 1183ï¿½1194.

Qaisi, L. M., & Aljarah, I. (2016). A twitter sentiment analysis for cloud providers: a case study of Azure vs. AWS. 2016 7th International Conference on Computer Science and Information Technology (CSIT), 1ï¿½6.

Ross, S. A., Westerfield, R., Jaffe, J. F., Jordan, B. D., Jaffe, J., & Jordan, B. (2019). Corporate finance. McGraw-Hill Education New York.

Rubab, S. T., Hanif, N., Bukhari, S. A. F., Munir, U., & Kamran, M. M. (2022). The Impact of Financial Distress on Financial Performance of Manufacturing Firms Listed at Pakistan Stock Exchange. Bulletin of Business and Economics (BBE), 11(2), 382ï¿½391.

Scanner, S. (2023). Adverse Media or Negative News Screening. https://sanctionscanner.com/knowledge-base/adverse-media-144

Sihombing, P. (2020). Financial Distress Analysis of Registered Insurance Companies in Indonesia Stock Exchange 2015-2019. European Journal of Business and Management Research, 5(6).

Song, C., Wang, X.-K., Cheng, P., Wang, J., & Li, L. (2020). SACPC: A framework based on probabilistic linguistic terms for short text sentiment analysis. Knowledge-Based Systems, 194, 105572.

Taswin, T., & Suhendra, E. S. (2022). The Influence of the Financial Health Indicators towards the Financial Distress with Risk Level Moderation: Empirical Study on Life Insurance Companies in Indonesia. Expert Journal of Business and Management, 10(2).

Wu, C. C., Yan, Y., Yuan, T., Huang, C. C., & Tsai, Y. J. (2022). A study of network negative news based on behavioral finance analysis of abnormal fluctuation of stock price. Discrete Dynamics in Nature and Society, 2022.

Wu, G. G.-R., Hou, T. C.-T., & Lin, J.-L. (2019). Can economic news predict Taiwan stock market returns? Asia Pacific Management Review, 24(1), 54ï¿½59.

Wu, L., & Ow, S. H. (2021). The Impact of news sentiment on the stock market fluctuation: the case of selected energy sector. Jurnal Ekonomi Malaysia, 55(3), 1ï¿½21.

Yadav, R., Kumar, A. V., & Kumar, A. (2019). News-based supervised sentiment analysis for prediction of futures buying behaviour. IIMB Management Review, 31(2), 157ï¿½166.

Zelie, E. M. (2019). Determinants of financial distress in case of insurance companies in ethiopia. Research Journal of Finance and Accounting, 10(15), 1697ï¿½2222.

Copyright holder:

Dadang Dwi Panjaya Permadi, Lenny Suardi (2022)

First publication right:

Syntax Literate: Jurnal Ilmiah Indonesia

This article is licensed under: