Hasil Pencarian  ::  Simpan CSV :: Kembali

"Penelitian ini bertujuan untuk mengidentifikasi dan memprediksi perusahaan yang menjadi target akuisisi di Indonesia. Identifikasi dilakukan dengan melihat karakter yang mempengaruhi suatu perusahaan menjadi target. Karakter di sini diwakili indicator keuangan suatu perusahaan baik itu berbentuk rasio ataupun non-rasio. Karakter tersebut terbagi dalam enam hipotesis yaitu lnefficient Management hypothesis Size hypothesis, Undervaluation hypothesis, Industry hypothesis, Growth Mismatch hypothesis dan PER Hypothesis. Untuk setiap hipotesis tersebut digunakan rasio keuangan yang sekiranya mencerminkan masing-masing hipotesis tersebut ROE untuk inefficient management hypothesis, total asset untuk size hypothesis PBV untuk asset undervaluation hypothesis, dummy bagi perusahaan perbankan untuk industry hypothesis dan current ration,DER, dan average sales growth untuk growth mismatch hypothesis dan PER untuk PER Hypothesis.Identifikasi perusahaan akuisisi dianalisis dengan model logit. Hasil analisis menunjukkan secara keseluruhan model dapat menerangkan variabel terikat dengan cukup baik dengan variabel PER dan IDUMMY yang mempengaruhi probabilita perusahaan secara signifikan. Hal ini kemungkinan disebabkan oleh dua hal, pertama perusahaan pengakuisisi selain mempertimbangkan perusahaan listed yang menjadi target akuisisi, juga melihat perusahaan yang tidak listed sebagai perusahaan target. Selain itu, variabel yang dipilih kemungkinan juga kurang menggambarkan karakter perusahaan yang menjadi target akuisisi di Indonesia.Langkah selanjutnya yang dilakukan adalah membuat prediksi perusahaaan yang menjadi target akuisisi, dengan menentukan titik optimal cut-of Dua metode digunakan untuk menentukan titik ini. Metode minimizing error yang diperkenalkan oleh Palepu (1986) dan metode maximization return yang diperkenalkan oleh Powell (1997). Dari hasil penelitian ditemukan, minimizaton error membelikan cut-off pada titik 0.140 dengan keakuratan 21.6% dan maximization return memberikan cut-off pada titik 0.045 dengan tingkat keakuratan 22%.

---

This research aimed to identify and predicts companies that becoming target of acquisition in Indonesia. Identification is done by seeing at the character which influencing a compary to become target. Character here is represented by company financial indicator either be in the form of ratio or nonratio. The character divided in six hypothesizes, which are Inefficient Management hypothesis, Size hypothesis, Asset Undervaluation hypothesis, Industry hypothesis and Growth Mismatch hypothesis. For every hypothesis, the writer choose ratio that reflect the hypothesis. PER and ROEjbr inefficient management hypothesis; market capitalization and asset total for size hypothesis, PBV for asset undervaluation hypothesis, dummy for banking company for industry hypothesis and current ratio, DER, and average sales growth for growth mismatch hypothesis and PER for PER hypothesis.

Identification of Acquisition companies are analysed with legit model. Result of analysis shows, eventhough as a whole model can explain dependent variables good enough and PBV and IDUMMY have a signficance influence in determine me acquisition probability It happen perhaps because of two things, first, acquiring company besides considering listed company becoming target of acquisition, also sees company that is not listed as target of its the acquisition. Second reason, variable selected also unable to depict company character which becoming target of acquisition in Indanesia. While from sign, only PER and ROE having a sign as according to hypothesis.

The second step is making prediction of company becoming target of acquisition, by determining optimal cut-off point. No methods applied to determine this point. First method is minimizing ermrs; introduced by by Palepu (198Q and second method is maximization return introthiced by by Powell ( 1997). The result shows, minimization error give cut-off point at 0.140 with accuracy level at 21.6% and maximization return give cut-of point at 0. 045 with accuracy level at 22%."

"Penelitian ini bertujuan untuk mengidentffikasi dan memprediksi perusahaan yang menjadi target akuisisi di Indonesia. Identifikasi dilakukan dengan metode braider yang mempengaruhi suatu perusahaan menjadi target. Karakter di sini diwakili indicator keuangan suatu perusahaan baik itu berbentuk nisi° ataupum non-rasio. Karakter tersebut terbagi dalam enam hipotesis yaitu Inefficient Management hypothesis, Size hypothesis, Undervaluation hypothesis, Industry hypothesis, Growth Mismatch hypothesis dan PER Hypothesis. Untuk setiap hipotesis tersebut digunakan rasio keuangan yang sekiranya mencerminkan masing-masing hipotesis tersebut ROE untuk ineicient management hypothesis, total asset untuk size hypothesis, PBV untuk asset undervaluation hypothesis, dummy bagi pemsahaan perbanktm Intl& industry hypothesis dan current ratio, DER, dan average sales growth untuk growth mismatch hypothesis dan PER untuk PER Hypothesis. Identifikasi perusahaan akuisisi dianalisis dengan model logit. Hasil analisis menunjukkan secara keseluruhan model dapat menerangkan variabel terikat dengan cukup balk dengan variabet PER dan IDUMMY yang mempengaruhi probablits perusahaan secara signifikan. Hal ini kemungkinan disebabkan oleh dua hal, pertama perusahaan pengakuisisi selain memperrimbangkan perusahaan listed yang menjadi target akuisisi, juga mehliat perusahaan yang tidak listed sebagai perusahaan target akuisisinya. Selain itu, variabel yang dipilih kemungkinan juga kurang menggambarlam karakter perusahaan yang menjadi target akuisisi di Indonesia Langkah selanjutnya yang dilakukan adalah membuat predrisi perusahaan yang menjadi target akuisisi, dengan menentukan titik optimal cut-off Dim metode digunakan untuk menentukan titik ini Metode minimizing error yang diperkenalkan ohh Palepu (1986) dart metode maximization return yang diperkenalkan oleh Powell (1997). Dan hasil penelitian ditemukan, minimization error membenican cut-off pada tit& 0.140 dengan kaakuratan 21.6% dan maximization return memberikan cut-off pada &tic 0.045 dengan tingkat keakuratan 22%.

---

This research aimed to identifr and predicts companies that becoming target of acquisition in Indonesia. Identification is done by seeing at the character which influencing a company to become target. Character here is represented by company financial indicator either be in the firm ofratio or non-ratio. The character divided in six hypothesizes, which are Inefficient Management hypothesis, Size hypothesis, Asset Undervaluation hvothesis, Industry hypothesis and Growth Mismatch hypothesis For every hypothesis, the writer choose ratio that reflect the hypothesis. PER and ROE for inefficient management hypothesis, market capitalization and asset total fir size hypothesis, PBV fir asset undervaluation hyothesis, dummy for banking company for industry hvothesis and current ratio, DER, and average sales growth for growth mismatch hypothesis and PER for PEI? hypothesis. Identification of Acquisition companies are ana&sed with logit model.

Result of analysis shows, eventhough as a whole model can explain dependent variables good enough and PBV and IDriltilf !have a signfflccmce influence in determine the acquisition probabiliot It happen perhaps because of two things, first, acquiring company besides considering listed company becoming target ofacquisitian, also sees company that is not listed as target of its the acquisition. Second reason, variable selected also unable to depict company character which becoming target of acquisition in Indonesia. While from sign, onb, PER and ROE having a sign as according to hypothesis. The second step is making prediction ofcompany becoming target of acquisition, by determining optimal cut-off point. Two methods applied to determine this point. First method is minimiring errors; introduced by by Palepu ( 1986) and second method is maximization return introduced by by Powell ( 1997). The result shows, minimization error give cut- 411 f point at 0.140 with accuracy level at 21.6% and maximization return give cut-offpoint at 0.045 with accuracy level at 22%."

"Penelitian ini bertujuan menganalisis pengaruh kompetisi, produk simpanan sukarela sebagai variabel pemoderasi, dan kemajuan sektor perbankan terhadap jangkauan dan kebertahanan MFI. Studi menggunakan data yang berasal dari 39 negara dan 609 MFI, dengan rentang waktu antara tahun 2004 hingga tahun 2018. Pengukuran kompetisi pada studi ini menggunakan Boone Indicator. Penelitian menggunakan Model Random Effect dan untuk mengatasi endogenitas studi ini juga menerapkan metode GMM two step system. Hasil penelitian menunjukkan produk simpanan sukarela dapat memoderasi pengaruh kompetisi terhadap jangkauan. Sedangkan pada pengujian terhadap pengaruh kemajuan sektor perbankan, kemajuan sektor perbankan berpengaruh positif terhadap kemampuan MFI untuk bertahan tanpa mengandalkan subsidi. Implikasi dari penelitian ini adalah mendorong MFI untuk memiliki simpanan sukarela ataupun menggalakkan penawaran simpanan sukarela supaya menjangkau lebih banyak masyarakat miskin. Sementara terkait dengan sektor perbankan, MFI dan perbankan dapat menjalin hubungan kerja sama yang lebih erat misalnya melalui penyaluran pembiayaan dengan skema beragam. Di sisi lain, regulator menciptakan lingkungan kerja sama yang baik bagi keduanya.

---

This study investigates the effect of competition, voluntary savings as moderating variables, and the banking sector development on the outreach and sustainability of MFIs. The study uses data from 39 countries and 609 MFIs, spanning from 2004 to 2018. This study uses Boone Indicator to measure competition. This research uses the Random Effects Model, and to overcome endogeneity, this study also applies the GMM two-step system method. The results show that voluntary savings products can moderate the effect of competition on outreach. Meanwhile, banking sector development has a positive effect on MFIs’ sustainability related to their ability to survive without relying on subsidies. The implication of this research is to encourage MFIs to have voluntary savings or to promote voluntary savings offerings to reach impoverished communities. MFIs and banks can build closer relationships, for example, through financing products under various schemes. On the other hand, the regulator may create a good working environment for both."