perbandingan model logit dan model multiple discriminant
TRANSCRIPT
Perbandingan Model Logit dan Model Multiple Discriminant
Analysis (MDA) Sebagai Early Warning Systems (EWS)
Untuk Memprediksi Kondisi Bermasalah Pada Bank-Bank
Umum Swasta Nasional Devisa dan Non Devisa di Indonesia
Diajukan Oleh :
Vita Permatasari
107081003538
JURUSAN MANAJEMEN
KONSENTRASI PERBANKAN
FAKULTAS EKONOMI DAN BISNIS
UNIVERSITAS ISLAM NEGERI SYARIF HIDAYATULLAH
JAKARTA
2011
v
DAFTAR RIWAYAT HIDUP
IDENTITAS PRIBADI
Nama : Vita Permatasari
Tempat / Tanggal Lahir : Jakarta, 05 September 1989
Jenis Kelamin : Perempuan
Nama Ayah : Maryadi, SE
Nama Ibu : Nurhayati Rais
Anak ke dari : 1 dari 4 bersaudara
Status : Belum menikah
Agama : Islam
Alamat : Jalan Musyawarah No.10 A RT.04/RW. 04, Sawah
Lama, Ciputat, Tangerang Selatan.
Telp/ Hp : 08999796495
E-mail : [email protected]
PENDIDIKAN FORMAL
1994-1995 : TK Miftahul Hulda
1995-2001 : SD Negeri VI Ciputat
2001-2004 : SMP Islam AL-Falaah
2004-2007 : SMA Dua Mei Ciputat
2007-2011 : S1 Jurusan Manajemen Fakultas Ekonomi dan Bisnis
UIN Syarif Hidayatullah Jakarta
vi
PENGALAMAN ORGANISASI
1. Anggota PRAMUKA SMP Islam AL-Falaah tahun 2001-2003
2. Anggota OSIS SMA Dua Mei Ciputat tahun 2005
3. Panitia REKAYASA (Rekam Jejak Budaya Bangsa) sebagai ketua divisi
keseketariatan tahun 2008
4. Aktif dalam organisasi Ikatan Remaja 04, Sawah Lama, Ciputat tahun 2004 –
sekatrang.
SEMINAR DAN PELATIHAN
1. Mengikuti Pelatihan Manajemen Organisasi “Meningkatkan
Profesionalitas dan Integritas Kader, Melahirkan Pemimpin Berkualitas”
pada tahun 2008.
2. Mengikuti Seminar Ekonomi Nasional dengan tema “Demokrasi versus
Kesejahteraan Rakyat” pada tahun 2009.
3. Mengikuti Pelatihan Perbankan dengan tema “How to be a Professional
Customer Service and Teller” pada tahun 2010.
vii
ABSTRACT
This research is testing the capability of several forewarning system model
logit and model Multiple Discriminant Analysis (MDA) to predict the bank
bankruptcy. This research also examined significant difference of bank financial
ratios between troubled banks and not troubled banks. Research sample consisted
of 16 Foreign Exchange Bank (FEB) and Non-Bank Foreign Exchange (NFEB)
with a predicted period of research between 2007-2009. Samples taken in the
research with purposively sampling method. The variables used are the which
eight financial ratios CAR, ATTM, NIM, LDR, PM, APB, NPLg dan NPLn
.Statistic methods used in this research are logit analysis, and Multiple
Discriminant Analysis (MDA) Independenst sample T-test was applied to analyze
wherher bank ratios of troubled banks and not troubled banks.
Our result shows the model Multiple Discriminant Analysis (MDA) is more
pre-eminent than model Logit. The result show that bank financial ratios had a
classification power to predict troubled banks and not troubled banks. This
research also indicate that ATTM and NIM ratios are statistically different for
the condition of the bank troubled banks and not troubled banks, finally only APB
is significant variables in determinant troubled banks and not troubled banks.
Keyword : Bank, Bankruptcy, Bank Financial Ratios, Logit, Multiple
Discriminant Analysis (MDA)
viii
ABSTRAK
Penelitian ini menguji kemampuan model logit dan model Multiple
Discriminant Analysis (MDA) dalam sistem peringatan untuk memprediksi
kebangkrutan bank. Penelitian ini juga menguji perbedaan yang signifikan antara
rasio keuangan bank pada bank bermasalah dan bank tidak bermasalah. Sampel
penelitian ini terdiri dari 16 bank devisa dan non devisa dengan periode prediksi
penelitian antara 2007-2009. Sampel penelitian diambil dengan metode purposive
sampling. Variabel yang digunakan sejumlah delapan rasio keuangan bank yakni
CAR, ATTM, NIM, LDR, PM, APB, NPLg dan NPLn. Model statistik yang
digunakan dalam penelitian ini adalah model logit dan model Multiple
Discriminant Analysis (MDA). Independent sample T-Test digunakan untuk
menganalisis apakah terdapat perbedaan yang signifikan antara rasio keuangan
bank pada bank bermasalah dan bank tidak bermasalah.
Hasil penelitian ini menunjukkan bahwa model Multiple Discriminant
Analysis (MDA) lebih baik dibandingan model logit untuk memprediksi
kebangkrutan bank. Hasil penelitian ini menunjukkan bahwa rasio keuangan bank
memiliki daya klasifikasi atau daya prediksi untuk kondisi bank bermasalah dan
bank tidak bermasalah. Dalam penelitian ini juga memberikan bukti bahwa rasio
ATTM dan NIM secara statistik berbeda untuk kondisi bank bermasalah dan bank
tidak bermasalah. Penelitian ini juga memberikan bukti empiris bahwa hanya rasio
keuangan APB yang secara statistik signifikan untuk memprediksi kondisi bank
bermasalah dan bank tidak bermasalah.
Kata Kunci : Bank, Kebangkrutan, Rasio Keuangan Bank, Logit, Multiple
Discriminat Analysis (MDA)
ix
KATA PENGANTAR
Alhamdulillah puji syukur penulis panjatkan kehadirat Allah SWT yang
telah memberikan begitu banyak curahan rahmat dan kasih sayangnya serta
nikmatnya yang tidak dapat dihitung dan dinilai selain dengan kata syukur untuk
menggambarkan rasa terima kasih, sehingga penulis dapat menyelesaikan
skripsi yang berjudul ”Perbandingan Model Logit dan Model Multiple
Discriminant Analysis (MDA) Sebagai Early Warning Systems (EWS) Untuk
Memprediksi Kondisi Bermasalah Pada Bank-Bank Umum Swasta Nasional
Devisa dan Non Devisa di Indonesia”.
Shalawat serta salam semoga selalu tercurah kepada junjungan Nabi
besar Muhammad SAW, keluarga, sahabat, serta para pengikutnya yang telah
merubah dari zaman kegelapan menjadi zaman terang benderang saat ini dengan
ilmu pengetahuan, semoga kita termasuk umatnya yang mendapat syafaat dihari
nanti.
Pada kesempatan ini penulis ingin mengucapkan terima kasih kepada pihak-
pihak yang telah berkenan memberikan bantuan dan bimbingan dalam
menyelesaikan skripsi ini, baik secara langsung maupun tidak langsung. Semoga
allah SWT memberikan balasan yang terbaik terutama kepada:
1. Papa dan mama terima kasih atas segala kasih sayang yang tulus,
perhatian, pengorbanan, kesabaran, motivasinya serta doa-doa yang papa
dan mama panjatkan kepada Allah untuk vita. Rabbighfirli waliwaalidayya
warhamhumaa kamaa rabbayani shaghiira.
2. Bapak Prof. Dr. Abdul Hamid selaku Dekan Fakultas Ekonomi dan Bisnis
dan pembimbing I yang senantiasa meluangkan waktunya untuk
memberikan pengarahan serta bimbingan dalam proses penyusunan skripsi
ini.
3. Ibu Murdiyah Hayati, S. Kom, MM selaku pembimbing II yang senantiasa
meluangkan waktunya untuk memberikan pengarahan serta bimbingan
dalam proses penyusunan skripsi ini.
4. Bapak Suhendra, S.Ag, MM selaku Ketua Jurusan Manajemen.
x
5. Ibu Lies Suzanawaty, SE, M.Si selaku Sekretaris Jurusan Manajemen.
6. Segenap jajaran pengajar atau dosen yang tanpa pamrih memberikan ilmu-
ilmu yang bermanfaat bagi penulis. Semoga semua ilmu yang diberikan
selalu dalam keberkahan Allah SWT sehingga dapat berguna kelak dihari
kemudian.
7. Adik-adikku tersayang terimakasih atas keceriaan, dorongan dan doa-
doanya. Semoga kalian selalu di lindungi Allah SWT dan kelak menjadi
orang yang sukses.
8. Keluarga kecil Manajemen D 2007. Terima kasih untuk sahabat-sahabatku
tersayang safitri, Tuty, Nadia dan juga teman-temanku yang lainnya Tya,
Yana, Dewi, Diah, Deta, Lya, Rima, Susan, Isty, Ika, Lingga, Agus,
Yandi, Ichank, Ryo, Dedy, Dery, Roby, Addin, Ivan, Haikal, Qodar, Abi,
Andry, Wahyudi, Fityan, Kamil dan Latief.
9. Untuk sahabatku Dewi Yani dan Bayu Diah Ayunda (yang udah nemenin
ke BI cari data, jelajah ke perpus-perpus, banyak ngebantuin dalam segala
hal, selalu menggingatkan dan maksa supaya skripsinya di kerjain hehe ,
makasie sayang buat semangat, motivasi dan nasehat yang ga ada
abis2nya), Aztyara Ismadharliani dan Susan Aprilia (yang udah
ngeluangin waktunya buat ngajarin vita, minjemin buku dan nasehatnya),
Yolanda (yang udah ngajarin baca laporan keuangan bank), Safitri Setyo
Utami S. (yang udah ngasih semangat, hunting ke perpus, yang udah
nemenin begadang di YM haha).
10. Untuk teman-temanku Agus Surahman a.k. a waw2 (yang udah banyak
bantuin vita, ngasih semangat, ngajarin ngolah data padahal lagi sibuk
nyelesaiin skripsinya juga hee), Andri Yani a.k. a choey (yang udah
ngeluangin waktunya buat bantuin nginstall aplikasi spss), Rizky Maulana
a.k. a kidut (yang udah ngasih semangat n minjemin buku). Makasie ya
teman-teman sukses buat kalian semua.
11. Teman-teman Manajemen Perbankan E Ayu, Dini, Wulan, Novi, Pinkan,
Ka Adi, Bang Ole, Wawo, Ari, Dani, Jeje, Perri, Zadi, Fauzi, Doli,
Shagon, Indra, Mbaw, Haikal.
xi
12. Para staf Fakultas Ekonomi dan Bisnis UIN Syarif Hidayatullah Jakarta :
staf administrasi, keuangan, perpustakaan dan staf jurusan manajemen.
13. Para staf perpustakaan Bank Indonesia (yang udah baik banget bantuin
cariin data-data yang dibutuhin).
14. Untuk Moch. Syaiful Agam, orang yang selalu setia menemani,
memberikan nasehat, dorongan, motivasi, semangat, perhatian dan doanya
dalam menyelesaikan penulisan skripsi ini.
15. Seluruh pihak yang turut mendukung dan membantu penulis baik moril
maupun materil, namun tidak dapat penulis sebutkan satu persatu.
Wassalamu’alaikum Wr.Wb.
Jakarta, 17 Agustus 2011
Vita Permatasari
xii
DAFTAR ISI
LEMBAR PENGESAHAN SKRIPSI .......................................................... i
LEMBAR PENGESAHAN KOMPREHENSIF .............................................. ii
LEMBAR PENGESAHAN UJIAN SKRIPSI ................................................. iii
LEMBAR PERNYATAAN KEASLIAN KARYA ILMIAH ........................ iv
DAFTAR RIWAYAT HIDUP ......................................................................... v
ABSTRACT ...................................................................................................... vii
ABSTRAK ....................................................................................................... viii
KATA PENGANTAR ................................................................................... ix
DAFTAR ISI .................................................................................................... xii
DAFTAR TABEL ........................................................................................... xv
DAFTAR GAMBAR ...................................................................................... xvii
DAFTAR LAMPIRAN .................................................................................... xviii
BAB I PENDAHULUAN ............................................................................ 1
A. Latar Belakang Masalah .............................................................. 1
B. Perumusan Masalah ..................................................................... 8
C. Tujuan Penelitian ......................................................................... 9
D. Manfaat Penelitian ....................................................................... 9
BAB II LANDASAN TEORI ...................................................................... 11
A. Perbankan .................................................................................... 11
xiii
B. Kebankrutan ................................................................................. 16
C. Penyebab Kebangkrutan ............................................................... 19
D. Tahap-tahap dan Berbagai Indikator Kebangkrutan .................. 21
E. Tingkat Kesehatan Bank .............................................................. 24
F. Laporan Keuangan ....................................................................... 29
G. Manfaat Laporan Keuangan ........................................................ 34
H. Rasio Keuangan Perbankan ......................................................... 36
I. Pengertian Logit ........................................................................... 42
J. Pengertian Multiple Discriminant Analysis (MDA) ..................... 43
K. Penelitian Sebelumnya ................................................................ 43
L. Kerangka Berpikir ....................................................................... 49
M. Hipotesis .................................................................................... 54
BAB III METODELOGI PENELITIAN ..................................................... 55
A. Ruang Lingkup Penelitian ........................................................... 55
B. Metode Penentuan Sampel .......................................................... 56
C. Metode Pengumpulan Data ......................................................... 58
D. Metode Analisis .......................................................................... 59
E. Operasional Variabel-Variabel Penelitian ................................... 69
BAB IV ANALISIS DAN PEMBAHASAN ................................................ 72
A. Sekilas Gambaran Umum Obyek Penelitian ............................... 72
B. Analisis dan Pembahasan ............................................................. 73
xiv
1. Analisis Deskriptif ............................................................... 73
2. Uji Asumsi Diskriminan .................................................... 90
3. Analisis Multiple Discriminant Analysis (MDA) ............... 94
4. Analisis Regresi Binary Logit ............................................. 106
BAB V KESIMPULAN DAN IMPLIKASI .............................................. 119
A. Kesimpulan ................................................................................. 119
B. Implikasi ...................................................................................... 120
DAFTAR PUSTAKA .................................................................................... 122
LAMPIRAN .................................................................................................. 126
xv
DAFTAR TABEL
No. Keterangan Halaman
2.1. Prediksi Kebangkrutan ..................................................................... 19
2.2. Penelitian Sebelunya ........................................................................ 49
3.1. Pengambilan Sampel Penelitian ........................................................ 58
4.1. Bank Umum Swasta Nasional Devisa .............................................. 72
4.2. Bank Umum Swasta Nasional Non Devisa ...................................... 72
4.3. Perhitungan Nilai CAR .................................................................... 73
4.4. Perhitungan Nilai ATTM ................................................................ 76
4.5. Perhitungan Nilai NIM ..................................................................... 78
4.6. Perhitungan Nilai LDR .................................................................... 81
4.7. Perhitungan Nilai PM ....................................................................... 83
4.8. Perhitungan Nilai APM .................................................................... 85
4.9. Perhitungan Nilai NPLg .................................................................. 87
4.10. Perhitungan Nilai NPLn ................................................................... 89
4.11. Hasil Uji Normalitas One Sample Kolmogorov-Smirnov Test ......... 91
4.12. Uji Independent Sample T-Test ........................................................ 93
4.13. Uji Linieritas .................................................................................... 94
4.14. Analysis Case Processing Summary ................................................ 95
4.15. Test of Equality of Group Means ..................................................... 96
4.16. Uji Variabel Independent Secara Stepwise ...................................... 100
4.17. Wilks’ Lambda Model MDA ............................................................ 100
4.18. Variabel Terpilih untuk Pembentukkan Model Diskriminan ........... 101
xvi
4.19. Tingkat Keakuratan .......................................................................... 102
4.20. Fungsi Diskriminan .......................................................................... 103
4.21. Functions of Group Centroid .......................................................... 103
4.22. Ketepatan Prediksi Klasifikasi .......................................................... 105
4.23. Identifikasi Data ............................................................................... 107
4.24. Case Processing Summary ................................................................ 107
4.25. Ketepatan Model dalam Memprediksi Kondisi Bermasalah 0 ........ 108
4.26. Ketepatan Model dalam Memprediksi Kondisi Bermasalah 1 ........ 109
4.27. Koefisien Cox & Snell R Square dan Nagelkerke R Square ............ 110
4.28. Hasil Identifikasi Prediksi Klasifikasi .............................................. 110
4.29. Ketepataan Prediksi Klasifikasi ....................................................... 111
4.30. Koefisien Regresi Logistik ............................................................... 112
xvii
DAFTAR GAMBAR
No. Keterangan Halaman
2.1. Kerangka Berpikir ............................................................................ 53
3.2. Model Fungsi Diskrminan ............................................................... 64
3.3. Model Fungsi Regresi Binary Logit ................................................. 65
xviii
DAFTAR GAMBAR
No. Keterangan Halaman
1. Data-data variabel penelitian tahun 2007-2009 ..................................... 126
2. Output SPSS 17 Uji Normalitas ........................................................... 131
3. Output SPSS 17 Uji Model Multiple Discriminant Analysis (MDA) ... 133
4. Output SPSS 17 Uji Model Logit ........................................................ 142
1
BAB I
PENDAHULUAN
B. Latar Belakang Masalah
Industri perbankan Indonesia telah mengalami pasang surut dimulai pada
tahun 1983, dengan adanya campur tangan Bank Indonesia sebagai bank
sentral dalam pengaturan kredit dan tingkat suku bunga terhadap bank-bank
nasional sejak penyediaan kredit likuiditas dalam jumlah yang melimpah,
sehingga bank-bank nasional hanya berfungsi sebagai penyalur kredit-kredit
Bank Indonesia. Akibatnya, pola pengelolaan bank-bank nasional cenderung
konvensional, kurang profesional, kurang memiliki kreativitas, dan tidak
inovatif.
Kemudian industri perbankan berkembang dengan pesat pada tahun 1988-
1996 dengan adanya deregulasi yang berupaya untuk meningkatkan akses
masyarakat terhadap financial market dan mendorong perbankan kearah
kompetisi (persaingan) yang efesien dan sehat dengan kemudahan dalam
mendirikan bank. Oleh karena itu jumlah bank semakin mengalami kenaikan
serta menciptakan berbagai produk-produk perbankan yang inovatif.
Persaingan antarbank dalam menghimpun dana masyarakat dan menyalurkan
dalam bentuk kredit ternyata banyak bank yang kurang berhati-hati sehingga
menyimpang dari aturan-aturan yang berlaku dalam industri perbankan.
Akibatnya banyak terjadi kredit macet yang merugikan para nasabah deposan
dan investor (Lukman Dendawijaya, 2003:10).
2
Cepatnya perkembangan dalam perekonomian Indonesia dalam
perekonomian global ternyata tidak diikuti dengan infrastuktur perekonomian
(sektor usaha, sektor keuangan/perbankan, perangkat hukum dan pemerintah)
Indonesia (Dahlan Siamat, 2005: 78). Dimulai pada bulan Juli-Agustus 1997
yang kita semua mengetahui bahwa terjadi krisis di Indonesia yang berawal
dari krisis moneter dan berkembang menjadi krisis-krisis yang berdampak
pada sektor-sektor dalam perekonomian, salah satu krisis tersebut yaitu krisis
di bidang perbankan. Krisis perbankan berkaitan dengan sistem ekonomi
makro, kebijakan moneter pemerintah, kebijakan fiskal, sistem pemerintah
dan sebagainya.
Krisis perbankan pada pertengahan tahun 1997, diawali dengan terjadinya
krisis moneter sebagai akibat dari jatuhnya nilai rupiah terhadap valuta asing
khususnya dolar Amerika Serikat (US $). Depresiasi rupiah mula-mula tidak
begitu tajam, yakni dari kurs US $ 1 = Rp. 2.400,00 merayap menjadi US $ 1
= Rp. 3.000,00 hingga akrinya merosot tajam menjadi US $ 1 = Rp.
12.000,00, meskipun pemerintah telah melakukan berbagai upaya seperti
“melempar” US $ 1 miliar ke pasar (yang diambil dari cadangan devisa kita).
Akan tetapi cara ini tidak berhasil mengangkat nilai rupiah. Cara kedua yang
dilakukan pemerintah yaitu “menyedot” atau menarik rupiah dari peredaran
pasar uang dengan menaikan tingkat uku bunga Sertifikat Bank Indonesia
(SBI) hingga mencapai 30% p.a. untuk jangka waktu satu bulan. Kebijakan
kedua ini yang mengakibatkan terkurasnya likuiditas bank-bank nasional baik
BUMN maupun bank swasta dan akhirnya meminta bantuan Bank Indonesia
3
untuk mengucurkan Bantuan Likuiditas Bank Indonesia (BLBI) (Lukman
Dendawijaya, 2003: 158).
Krisis yang terjadi ini telah menyebabkan perbankan menjadi sangat
rawan. Kepercayaan masyarakat akan perbankan semakin menurun, dimana
masyarakat dikejutkan dengan kejadian-kejadian yang menimpa perbankan
nasional, khususnya sejak terjadinya pencabutan izin usaha 16 bank pada 24
November 1997. Hal ini terjadi karena kebijakan tersebut kurang
memperhatikan untuk menghindari rush atau bank run. Dapat dilihat dari
pemindahan dana oleh nasabah deposan ke bank yang lebih aman baik di
dalam maupun luar negeri, serta tidak adanya penjamin simpanan yang
semakin menurunkan kepercayaan masyarakat akan perbankan.
Setelah krisis di Indonesia pada tahun 1997, terjadi krisis keuangan global
yang melanda kembali Indonesia pada tahun 2007-2009. Krisis ini terjadi
akibat adanya resesi ekonomi Amerika Serikat karena kondisi perekonomian
internal dan eksternal di Amerika Serikat yang tidak kondusif, kemudian
dengan disusulnya kasus subprime mortgage di sektior perumahan, niaknya
harga minyak dunia dan terjadinya tingkat inflasi. Krisis yang terjadi di
Amerika itu mengakibatkan penurunan pertumbuhan global.
Selain itu perbankan Indonesia juga dihadapkan pada tantangan dan
permasalahan globalisasi dengan adanya persaingan yang semakin ketat,
keterbatasan modal yang dapat memperlambat kinerja suatu bank, naik
turunya suku bunga, dan produk serta promosinya.
4
Untuk mempertahankan kelangsungan hidup dalam sistem keuangan yang
turbulen, sebuah bank harus dapat berkompetisi dengan bank-bank kompetitor
dan financial intermediary unit lainnya yang juga memberikan layanan jasa
keuangan. Suatu bank dikatakan berhasil memenangkan kompetisi bisnisnya
jika ia mampu memberikan jasa layanan keuangan bank lebih baik daripada
kompetitornya, sekaligus mampu mengadaptasikan diri dengan setiap
perubahan lingkungan. Dengan kemampuan manajerial yang dimiliki,
bagaimana para manajer bank dapat mengubah ancaman lingkungan yang
turbulen menjadi berbagai peluang usaha yang menguntungkan. Manajemen
bank yang kreatif dan inovatif selalu berusaha menciptakan berbagai produk
layanan bank yang prospektif dan menguntungkan tanpa mengabaikan prinsip
asset liability management (ALMA), yaitu menyelaraskan antara profitabilitas
dan risiko. (Hadad et. al., 2004:3).
Krisis moneter di Indonesia yang berkepanjangan telah berubah menjadi
krisis ekonomi, yakni terpuruknya kegiatan ekomoni karena semakin
banyaknya perusahaan yang tutup, perbankan yang dilikuidasi dan
meningkatnya jumlah tenaga kerja yang menganggur mengingatkan kita
bahwa betapa besar dampak ekonomi yang akan ditimbulkan apabila terjadi
kegagalan usaha perbankan. Untuk itu perlu dilakukan serangkaian analisis
untuk mengantisipasi sedini mungkin terjadinya kesulitan keuangan yang
berdampak pada kegagalan industri perbankan.
Untuk melihat dan menilai kinerja setiap bank serta menganalisis kondisi
keuangan suatu bank dapat melalui laporan keuangan bank. Analisis laporan
5
keuangan merupakan alat yang sangat penting untuk memperoleh informasi
yang berkaitan dengan kondisi keuangan suatu bank. Dengan melakukan
analisis laporan keuangan manajemen bank akan mengetahui keadaan serta
perkembangan keuangan yang terjadi dalam aktifitas-aktifitas yang dilakukan
bank baik yang telah dicapai maupun yang sedang berjalan. Analisis laporan
keuangan bank juga dapat membantu manajemen bank untuk memprediksi
kebangkrutan bank.
Dengan adanya berbagai macam bentuk model prediksi kebangkrutan
merupakan antisipasi dan sistem peringatan dini terhadap financial distress
karena model tersebut dapat digunakan sebagai alat untuk mengidentifikasi
bahkan memperbaiki kondisi sebelum sampai pada kondisi kebangkrutan.
Dengan terdeteksinya lebih awal, sangat memungkinkan bagi perbankan
melakukan langkah-langkah antisipasi untuk mencegah agar kebangkrutan
bank dapat dihindari.
Menurut penelitian Liza Angelina (2003:462) di Amerika Serikat,
fenomena kepailitan perusahaan telah menjadi obyek penelitian yang intensif.
Salah satu area penelitian terkait yang telah berkembang selama ini telah
menghasilkan kajian atas asosiasi informasi laporan keuangan terhadap
kemungkinan perusahaan mampu dengan sukses mempertahankan bisnisnya
atau harus dinyatakan bermasalah karena gagal secara ekonomi dan keuangan.
Perkembangan sistem keuangan, khususnya industri perbankan, dalam
dekade terakhir dapat dikatakan cukup dramatis. Krisis perbankan beberapa
waktu lalu disamping masih menyisakan trauma bagi pelaku ekonomi, juga
6
telah memakan biaya rehabilitasi sistem yang cukup signifikan (Tarmizi dan
Willyanto, 2003:1).
Dalam upaya untuk meminimalkan biaya yang berkaitan dengan
kebangkrutan bank, para regulator perbankan dan para manajer bank berupaya
untuk bertindak cepat untuk mencegah kebangkrutan bank atau menurunkan
biaya kegagalan tersebut. Salah satu alat yang digunakan oleh lembaga
pengawas federal di Amerika Serikat dan negara-negara lain adalah Early
Warning Systems (EWS) yang berupaya untuk memprediksi permasalahan
potensial yang berhubungan dengan bank dan lembaga simpanan lainnya
(Thomson, 1991). Namun demikian, teknik statistik yang paling sering
digunakan untuk menganalisis kebangkrutan bank adalah analisis logit dan
MDA. Analisis logit memperlihatkan hasil yang lebih baik bila dibandingkan
dengan MDA apabila digunakan untuk tujuan estimasi parameter. Walaupun
demikian, untuk asumsi distribusi tertentu, kedua prosedur tersebut
menghasilkan estimasi yang konsisten; dan estimasi yang menggunakan MDA
lebih efisien (Andrew, 1986). Demikian juga halnya penelitian oleh Espahbodi
(1991) telah menunjukkan bahwa model logit cenderung untuk mengalahkan
model multiple discriminant (MDA) sebagai EWS di perbankan. Meskipun
sejumlah bukti empiris yang menggunakan model statistik ini telah
membuktikan keefektivitasannya dalam bermacam permasalahan pilihan biner
dalam bidang bisnis keuangan dan akuntansi, Frydman, Altman dan Kao
(1985) telah mengamati bahwa, karena sejumlah kegagalan potensial yang
menghadang model statistik, prosedur klasifikasi non-parametrik dapat
7
menjadi pendekatan alternatif yang layak uji. Mereka menggunakan teknik
pemilihan recursif, yang didasarkan pada regression tree, untuk
memprediksikan perusahaan non-finansial yang gagal. Hasilnya mempertegas
hipotesa mereka bahwa teknik non-parametrik memiliki keunggulan sebagai
EWS, karena model pemilahan recursif mengalahkan model MDA (Liza
Angelina, 2003:462).
Penelitian mengenai kebangkrutan bank di Indonesia, antara lain
dilakukan oleh: Wilopo (2001), Liza Angelina (2003), Luciana dan Winny
(2005), Sumantri (2010). Wilopo (2001) meneliti tentang prediksi
kebangkrutan bank dengan menggunakan metode CAMEL. Liza Angelina
(2003) meneliti tentang perbandingan Early Warning System (ESW) untuk
memprediksi kebangkrutan bank umum di Indonesia. Selain itu penelitian
lainya dilakukan oleh Luciana dan Winny (2005) yaitu rasio CAMEL terhadap
prediksi kondisi bermasalah pada lembaga perbankan periode 2000-2002 dan
Sumantri (2010) meneliti tentang manfaat rasio keuangan dalam memprediksi
kepailitan bank nasional. Adapun perbedaan penelitian ini dengan sebelumnya
adalah pada penelitian ini menggunakan periode saat terjadinya krisis
keuangan global yaitu periode 2007-2009, sedangkan variabel independent
yang digunakan adalah rasio keuangan perbankan yang terdiri dari Capital
Adequacy Ratio (CAR), Aktiva Tetap Terhadap Modal (ATTM), Aktiva
Produktif Bermasalah (APB), Non Performing Loan Gross (NPLg), Non
Performing Loan Net (NPLn), Net Interest Mergin (NIM), Profit Margin
(PM), dan Loan To Deposit Ratio (LDR).
8
Salah satu tujuan dari penelitian ini adalah untuk mendapatkan model
prediksi kebangkrutan yang memiliki tingkat akurasi yang baik dan tingkat
kesalahan yang kecil sehingga dapat memberikan peringatan lebih awal pada
industri perbankan dalam memprediksi kepailitan, maka penulis menggunakan
dua metode uji statistik, yaitu model logit dan model multiple discriminant
(MDA). Oleh karena itu peneliti tertarik untuk melakukan penelitian dengan
judul “Perbandingan Model Logit dan Model Multiple Discriminant Analysis
(MDA) Sebagai Early Warning Systems (EWS) Untuk Memprediksi Kondisi
Bermasalah Pada Bank-Bank Umum Swasta Nasional Devisa dan Non Devisa
di Indonesia”
C. Perumusan Masalah
Berdasarkan uraian latar belakang singkat diatas maka dapat dirumuskan
permasalahan sebagai berikut :
1. Apakah dalam rasio keuangan CAR, ATTM, NIM, LDR, PM, APB,
NPLg, NPLn terdapat perbedaan yang signifikan antara bank-bank
bermasalah dan tidak bermasalah periode 2007-2009?
2. Apakah terdapat perbedaan tingkat akurasi pada model MDA dan
model logit dalam memprediksi kebangkrutan pada Bank-Bank Umum
Swasta Nasional Devisa dan Non Devisa di Indonesia tahun 2007-
2009?
9
D. Tujuan Penelitian
Penelitian ini bertujuan, sebagai berikut:
1. Untuk menganalisis perbedaan yang signifikan pada variabel CAR,
ATTM, NIM, LDR, PM, APB, NPLg, NPLn antara bank-bank
bermasalah dan tidak bermasalah periode 2007-2009.
2. Untuk menganalisis perbedaan tingkat akurasi pada model MDA dan
model Logit dalam memprediksi kebangkrutan pada Bank-Bank
Umum Swasta Nasional Devisa dan Non Devisa di Indonesia periode
2007-2009
E. Manfaat Penelitian
Hasil penelitian ini diharapkan :
1. Bagi Manajemen Bank
Penelitian ini diharapkan dapat bermanfaat bagi manajemen bank, agar
manajemen bank dapat lebih berhati-hati daam mengelola bank dan
diharapkan dapat dijadikan referensi bagi perusahaan perbankan dalam
menentukan keputusan serta perbaikan dalam pengelolaan keuangan
perusahaan perbankan dari pengaruh lingkungan bisnis yang semakin
turbulen. Selain itu, sebagai informasi model sistem peringatan dini
(Early Warning Systems / EWS) yang merupakan alat prediksi yang
terbaik untuk kasus kebangkrutan bank umum di Indonesia
10
2. Bagi Investor
Penelitian ini dapat bermanfaat bagi investor, untuk menghetahui
bagaimana keadaan bank tersebut sebelum menginventasikan dananya
agar tidak terjadi kerugian-kerugian yang diinginkan. Dengan adanya
informasi yang didapatkan maka para investor dapat menginvestasikan
dananya tanpa ada rasa khawatir dengan kondisi bank tersebut.
3. Bagi Pemerintah
Dapat memberikan informasi untuk membantu dalam mengeluarkan
peraturan untuk melindungi masyarakat dari kemungkinan terjadinya
stabilitas ekonomi dan politik negara.
4. Bagi penulis
Penelitian ini untuk mengetahui mengenai hal-hal apa saja yang
mempengaruhi kondisi bermasalah bank dan merealisasikan ilmu yang
telah diperoleh selama mengikuti kuliah dan mencoba menerapkan
dalam kehidupan nyata.
11
BAB II
LANDASAN TEORI
A. Perbankan
Bank dalam menjalankan usahanya menghimpun dana dari masyarakat
dan menyalurkan kembali dalam berbagai alternatif. Sehubungan dengan
fungsi penghimpunan dana ini, bank sering pula disebut lembaga kepercayaan.
Pengertian perbankan menurut Undang-undang RI No. 10 Tahun 1998
tanggal 10 November 1998 adalah:
1. Bank adalah badan usaha yang menghimpun dana dari masyarakat
dalam bentuk simpanan dan menyalurkannya kepada masyarakat
dalam bentuk kredit dan atau bentuk-bentuk lainnya dalam rangka
meningkatkan taraf hidup rakyat banyak.
2. Bank Umum adalah bank yang melaksanakan kegiatan usaha secara
konvensional dan atau berdasarkan prinsip syariah yang dalam
kegiatannya memberikan jasa dalam lalu lintas pembayaran (Siamat,
2005: 275) .
Secara umum bank didefinisikan sebagai perantara untuk menyalurkan
penawaran dan permintaan kredit dalam jangka waktu yang ditentukan dari
pihak yang kelebihan dana kepada pihak yang kekurangan dana.
Definisi bank di atas memberi tekanan bahwa usaha utama bank adalah
menghimpun dana dalam bentuk simpanan yang merupakan sumber dana
bank. Demikian pula dari segi penyaluran dananya, hendaknya bank tidak
semata-mata memperoleh keuntungan yang sebesar-besarnya bagi pemilik tapi
12
juga kegiatannya itu harus pula diarahkan pada peningkatan taraf hidup
masyarakat (Siamat, 2005:276).
Jenis-jenis perbankan di Indonesia dapat ditinjau dari berbagai segi antara
lain (Kasmir, 2004:18) :
1. Dilihat dari segi jenisnya
Menurut UU RI No.10 Tahun 1998 maka jenis perbankan terdiri dari:
a. Bank Umum, yaitu bank yang melaksanakan kegiatan usahanya
secara konvensional dan atau berdasarkan prinsip syariah yang
dalam kegiatannya memberikan jasa dalam lalu lintas pembayaran.
b. Bank Perkreditan Rakyat (BPR), yaitu bank yang melaksanakan
kegiatan usaha secara konvensional atau berdasarkan prinsip
syariah yang dalam kegiatannya tidak memberikan jasa dalam lalu-
lintas pembayaran.
2. Dilihat dari segi kepemilikannya, dibagi menjadi:
a. Bank Milik Pemerintah
Merupakan bank yang akte pendirian maupun modalnya dimiliki
oleh pemerintah, sehingga seluruh keuntungan bank ini dimiliki oleh
pemerintah pula.
b. Bank Milik Swasta Nasional
Merupakan bank yang seluruh atau sebagian besarnya dimiliki
oleh swasta nasional serta akte pendiriannya pun didirikan oleh
swasta, begitu pula pembagian keuntungannya diambil oleh swasta
13
pula. Dalam Bank Swasta Milik Nasional termasuk pula bank-bank
yang dimiliki oleh badan usaha yang berbentuk koperasi.
c. Bank Milik Asing
Merupakan cabang dari bank yang ada diluar negeri, baik milik
swasta asing atau pemerintah asing. Kepemilikannyapun jelas
dimiliki oleh pihak asing(luar negeri).
d. Bank Milik Campuran
Merupakan bank yang kepemilikan sahamnya dimiliki oleh pihak
asing dan pihak swasta nasional. Di mana kepemilikan sahamnya
secara mayoritas dipegang oleh warga negara Indonesia.
3. Dilihat dari segi statusnya
a. Bank Devisa
Merupakan bank yang dapat melaksanakan transaksi keluar
negeri atau yang berhubungan dengan mata uang asing secara
keseluruhan.
b. Bank Non-Devisa
Merupakan bank yang belum mempunyai izin untuk
melaksanakan transaksi sebagai bank devisa, sehingga tidak dapat
melaksanakan transaksi seperti halnya bank devisa.
4. Dilihat dari segi cara menentukan harga
Jenis bank jika dilihat dari segi atau caranya dalam menentukan
harga, baik harga jual maupun harga beli terbagi dalam dua kelompok
yaitu :
14
a. Bank berdasarkan prinsip konvensional
Dalam mencari keuntungan dan menentukan harga kepada
para nasabahnya, bank berdasarkan prinsip konvensional
menggunakan dua metode yaitu:
Menetapkan bunga sebagai harga, untuk produk simpanan
maupun produk pinjamannya (kredit). Penentuan harga ini
dikenal dengan istilah spread based.
Untuk jasa-jasa bank lainnya pihak perbankan konvensional
menggunakan atau menerapkan berbagai biaya-biaya dalam
nominal atau persentase tertentu. Sistem pengenaan biaya
ini dikenal dengan istilah fee based.
b. Bank berdasarkan prinsip syariah
Adalah aturan perjanjian berdasarkan hukum Islam antara
bank dengan pihak lain untuk menyimpan dana atau
pembiayaan usaha atau kegiatan perbankan lainnya. Dalam
menentukan harga atau mencari keuntungan bagi bank yang
berdasarkan Prinsip Syariah adalah sebagai berikut:
Pembiayaan berdasarkan prinsip bagi hasil (mudharabah)
Pembiayaan berdasarkan prinsip penyertaan modal
(musyarakah)
Prinsip jual beli barang dengan memperoleh keuntungan
(murabahah)
15
Pembiayaan barang modal berdasarkan sewa murni tanpa
pilihan (ijarah)
Atau dengan adanya pilihan pemindahan kepemilikan atas
barang yang disewa dari pihak bank oleh pihak lain (ijarah
wa iqtina)
Menurut Sri, dkk (2000:6) secara umum fungsi utama bank adalah
menghimpun dana dari masyarakat dan menyalurkannya kembali kepada
masyarakat untuk berbagai tujuan atau sebagai financial intermediary. Secara
lebih spesifik fungsi bank dapat sebagai agent of trust, agent of development,
dan agen of services.
1. Agen of Trust
Dasar utama kegiatan perbankan adalah trust atau kepercayaan, baik
dalam hal penghimpunan dana maupun penyaluran dana. Masyarakat
akan mau menitipkan dananya di bank apabila dilandasi oleh unsur
kepercayaan.
2. Agen of Development
Tugas bank sebagai penghimpun dan penyaluran dana sangat
diperlukan untuk kelancaran kegiatan perekonomian di sektor riil.
Kegiatan bank tersebut memungkinkan masyarakat melakukan investasi,
distribusi, dan juga konsumsi barang dan jasa, mengingat semua
kegiatan investasi-distribusi-konsumsi berkaitan dengan penggunaan
uang.
16
3. Agen of Services
Di samping melakukan kegiatan penghimpunan dan penyaluran
dana, bank juga memberikan penawaran jasa-jasa perbankan yang lain
kepada masyarakat. Jasa-jasa yang ditawarkan bank ini erat kaitannya
dengan kegiatan perekonomian masyarakat secara umum.
B. Kebangkrutan
Salah satu aspek pentingnya analisis terhadap laporan keuangan dari
sebuah perusahaan adalah kegunaannya untuk meramalkan kontiuitas atau
kelangsungan hidup perusahaan. Prediksi akan kontinuitas perusahaan sangat
penting bagi manajemen dan pemilik perusahaan untuk mengantisipasi
kemungkinan adanya potensi kebangkrutan, karena kebangkrutan berarti
menyangkut terjadinya biaya-biaya, baik biaya langsung maupun biaya tidak
langsung. Kebangkrutan perusahaan banyak membawa dampak yang begitu
berarti, bukan cuma untuk perusahaan itu sendiri tetapi juga terhadap
karyawan, investor, dan pihak-pihak lain yang terlibat dalam kegiatan operasio
perusahaan (Adnan dan Kurniasih, 2000).
Foster (1986) menggunakan istilah financial distress untuk menunjukkan
masalah likuiditas yang berat yang tidak dapat dipecahkan tanpa sebuah
penskalaan kembali yang besar dari operasi atau struktur perusahaan.
Financial distress merupakan pandangan terbaik sebagai suatu
ide/gagasan/pikiran ekonomi untuk beberapa point pada sebuah rangkaian
kesatuan. Riset empirik pada area ini mempunyai kriteria objektif untuk
17
mengkategorisasikan perusahaan. Kebangkrutan adalah kriteria yang
digunakan pada banyak studi; peristiwa ini adalah sebuah peristiwa legal yang
dapat dipengaruhi oleh aksi bankers atau kreditur lainnya. Sekalipun dugaan
financial distress adalah biner, tidak diperlukan menjadi sebuah persesuaian
satu menjadi satu antara kategori nondistressed/distressed dan kategori
nonbankrupt/bankrupt.
Kebangkrutan (bankruptcy) biasanya diartikan sebagai kegagalan
perusahaan dalam menjalankan operasi perusahaan untuk menghasilkan laba
(Almilia dan Herdiningtyas, 2005). Kebangkrutan juga sering disebut likuidasi
perusahaan atau penutupan perusahaan atau insolvabilitas. Sedangkan menurut
UU No.4 Tahun 1998 adalah dimana suatu institusi dinyatakan oleh keputusan
pengadilan bila debitur memiliki dua atau lebih kreditur dan tidak membayar
sedikitnya satu hutang yang telah jatuh tempo dan dapat ditagih.
Martin.et.al, (1995:376) dalam Adnan dan Kurniasih (2000) menyebutkan
bahwa kebangkrutan sebagai kegagalan didefinisikan dalam beberapa arti,
yaitu:
1. Kegagalan Ekonomi ( Economic Distressed)
Kegagalan dalam arti ekonomi biasanya berarti bahwa perusahaan
kehilangan uang atau pendapatan perusahaan tidak mampu menutup
biayanya sendiri, ini berarti tingkat labanya lebih kecil dari biaya modal
atau nilai sekarang dari arus kas perusahaan kecil dari kewajiban.
Kegagalan terjadi bila arus kas sebenarnya dari perusahaan tersebut jatuh
di bawah arus kas yang diharapkan. Bahkan kegagalan dapat juga berarti
18
bahwa tingkat pendapatan atas biaya histories dari investasinya lebih kecil
daripada biaya modal perusahaan.
2. Kegagalan Keuangan (Financial Distressed)
Kegagalan keuangan bisa diartikan sebagai insolvensi yang
membedakan antara dasar arus kas dan dasar saham. Insolvensi atas dasar
arus kas ada dua bentuk, yaitu:
a. Insolvensi Teknis
Adalah perusahaan dapat dianggap gagal jika perusahaan tidak dapat
memenuhi kewajiban pada saat jatuh tempo. Walaupun total aktiva
melebihi total hutang atau terjadi bila suatu perusahaan gagal memenuhi
salah satu atau lebih kondisi dalam ketentuan hutangnya seperti rasio
aktiva lancar terhadap hutang lancar yang telah ditetapkan atau rasio
kekayaan bersih terhadap total aktiva yang disyaratkan. Insolvensi juga
terjadi bila arus kas tidak cukup untuk memenuhi pembayaran kembali
pokok pada tanggal tertentu.
b. Insolvensi dalam pengertian kebangkrutan
Adalah kebangkrutan didefinisikan dalam ukuran sebagai kekayaan
bersih negatif dalam neraca konvensional atau nilai sekarang dari arus
kas yang diharapkan lebih kecil dari kewajiban.
19
Menurut Taswan (2006) kebangkrutan atau likuidasi bank dapat menimbulkan
domino effect terhadap bank lain yang sehat. Bila ini terjadi maka akan
mengganggu sistem perbankan nasional dan perekonomian nasional.
Dalam menentukan model kebangkrutan melalui analisis keuangan
kemungkinan kesalahan klasifikasi model (classification error) bisa
dikelompokkan menjadi dua (Farid H dan Siswanto S, 1998 dalam Penni
mulyaningrum, 2008):
1. Error tipe I terjadi apabila timbul misclasification yang disebabkan oleh
adanya prediksi bahwa perusahaan tidak bangkrut, tetapi ternyata
mengalami kebangkrutan.
2. Error tipe II terjadi apabila timbul misclasification prediksi yang
disebabkan oleh adanya prediksi bahwa perusahaan bangkrut, tetapi
kenyataannya tidak bangkrut.
TABEL 2.1
PREDIKSI KEBANGKRUTAN
Hasil Yang Diharapkan Hasil Sesunggunya
Bangkrut Tidak Bangkrut
Bangkrut Benar Kesalahan Tipe II
Biaya: lebih dari 100%
Tidak Bangkrut Kesalahan Tipe I
Biaya: kecil 0% - 10%
Sumber: Farid H dan Siswanto S (1998) dalam Penni Mulyaningrum (2008)
C. Penyebab Kebangkrutan
Faktor-faktor penyebab kebangkrutan dapat dibagi menjadi tiga (Agung
Gemah Permana, 2009:42) yaitu:
20
1. Faktor umum
a) Sektor ekonomi, dimana berasa dari gejala inflasi dan deflasi dalam
harga barang dan jasa, kebijakan keungan, suku bunga, dan devaluasi
atau revaluasi dengan mata uang asing.
b) Sektor sosial, dimana yang sangat berpengaruh adalah adanya
perubahan gaya hidup masyarakat yang mempengaruhi permintaan
terhadap produk dan jasa ataupun yang berhubungan dengan
karyawan.
c) Sektor teknologi, dimana penggunaan teknologi memerlukan biaya
yang ditanggung perusahaan terutama untuk pemeliharaan dan
implementasi.
d) Sektor pemerintah, dimana kebijakan pemerintah terhadap pencabutan
subsidi pada perusahaan dan industri, pengenaan tarif ekspor dan
impor bisa berubah, kebijakan undang-undang baru bagi perbankan
atau tenaga kerja lain-lain.
2. Faktor Ekternal Perusahaan
a) Sektor pelanggan atau nasabah, dimana untuk menghindari kehilangan
nasabah bank harus melakukan identifikasi terhadap sifat nasabah atau
konsumen juga menciptakan peluang untuk mendapatkan nasabah
baru.
b) Sektor kreditur, dimana kekuatannya terletak pada pemberian
pinjaman dan menetapkan jangka waktu pengembalian hutang piutang
21
yang tergantung pada kepercayaan kreditur terhadap kelikuiditan suatu
bank.
c) Sektor pesaing atau bank lain, dimana merupakan hal yang harus
diperhatikan karena menyangkut perbedaan pemberian pinjaman
kepada nasabah.
3. Faktor Internal Perusahaan
a) Terlalu besarnya kredit yang diberikan kepada nasabah sehingga
menyebabkan adanya penunggakan dalam pembayaran sampai
akhirnya tidak dapat membayar.
b) Manajemen yang tidak efesien yang disebabkan karena kurang adanya
kemampuan, pengalaman, keterampilan, sikap adaptif dan inisiaif dari
manajemen.
c) Peyalahgunaan wewenang dan kecurangan-kecurangan, dimana sering
dilakukan oleh karyawan, bahkan manejer puncak sekalipun yang
sangat merugikan apalagi yang berhubungan dengan keuangan
perusahaan.
D. Tahap-tahap dan Berbagai Indikator Kebangkrutan
Dalam kaitannya dengan faktor-faktor internal, kebangkrutan yang
menimpa suatu perusahaan tidak terjadi secara tiba-tiba tanpa dapat
diramalkan sebelumnya. Kebangkrutan merupakan klimaks dari berbagai
tahap atau proses dari situasi kesulitan keuangan yang dihadapi perusahaan.
Sebelum suatu perusahaan dinyatakan bangkrut, biasanya ditandai oleh
22
berbagai situasi tau keadaan khususnya berhubungan dengan efektivitas dan
efesiensi operasinya. Kesulitan-kesulitan keuangan yang menuju kearah
terjadinya kebangkrutan dapat dianalisa dan dapat diidentifikasikan melalui
tahap-tahap yang tercakup dalam proses perjalanan yang berakhir ada keadaan
kebangkrutan tersebut. Adapun tahap-tahap itu adalah (Harnanto, 1984:426
dalam Adnan dan Kurniasih (2000) ):
1. Tahap permulaan atau tahap awal.
2. Tahap dimana perusahaan mengalami kekurangan kas dan alat-alat likuid
lainnya/tahap kesulitan likuiditas.
3. Tahap dimana perusahaan tidak solvabel dalam kegiatan komersial dan
keuangan.
4. Bangkrut secara total.
Dalam perbankan, setiap badan usaha bank wajib menyampaikan kepada
Bank Sentral Indonesia, segala keterangan dan penjelasan mengenai usahanya
menurut tata cara yang ditetapkan oleh Bank Sentral Indonesia. Dalam hal ini
apabila suatu bank mengalami kesulitan yang membahayakan kelangsungan
usahanya maka Bank Sentral Indonesia dapat melakukan tindakan agar
(Herman Darmawi, 2006:40):
a. Pemegang saham menambah modal
b. Pemegang saham mengganti dewan komisaris dan atau direktur bank.
c. Bank menghapusbukukan kredit macet dan memperhitungkan kerugian
dengan modal bank.
d. Bank melakukan merger/konsolidasi dengan bank lain.
23
e. Bank dijual kepada pembeli yang bersedia mengambil alih keseluruhan
kewajiban.
Apabila berbagai tindakan yang dilakukan Bank Sentral Indonesia tersebut
belum cukup untuk mengatasi kesulitan yang dihadapi oleh bank atau bahkan
keadaan bank tersebut menjadi lebih buruk dan dapat membahayakan sistem
perbankan, maka Bank Sentral Indonesia mengusulkan kepada Menteri
Keuangan untuk mencabut izin usaha bank yang bersangkutan (Herman
Darmawi, 2006:41).
Menurut Foster (1986), ada beberapa indikator atau sumber informasi tentang
kemungkinan dari kebangkrutan:
1. Sebuah analisis arus kas periode sekarang dan masa mendatang. Manfaat
dari penggunaan sumber informasi ini yakni fokus secara langsung pada
dugaan kebangkrutan untuk periode yang menjadi perhatian. Estimasi
arus kas termasuk pada analisis ini merupakan variabel kritis pada asumsi
yang mendasari persiapan anggaran.
2. Analisis strategi perusahaan. Analisis ini mempertimbangkan kompetitor
potensial dari perusahaan atau institusi, struktur biaya relatifnya, ekspansi
gedung pada industri, kemampuan perusahaan untuk meneruskan
kenaikan biaya, kualitas manajemen dan sebagainya. Dalam teori,
pertimbangan ini juga akan mendasari analisis arus kas. Bagaimanapun
sebuah fokus yang terpisah pada persoalan strategi dapat menyoroti
konsekuensi dari perbedaan yang tiba-tiba terjadi dalam sebuah industri.
Contoh: pengujian BEP dan struktur biaya.
24
3. Analisis laporan keuangan perusahaan dengan perbandingan perusahaan.
Analisis ini dapat berfokus pada variabel keuangan single (univariate
analysis) atau kombinasi variabel keuangan (multivariate analysis).
4. Variabel eksternal seperti return sekuritas atau peringkat obligasi.
E. Tingkat Kesehatan Bank
Kesehatan suatu bank dapat diartikan sebagai kemampuan suatu bank
untuk melakukan kegiatan operasional perbankan secara normal dan mampu
memenuhi semua kewajibannya dengan baik dan dengan cara-cara yang sesuai
dengan peraturan perbankan yang berlaku (Sri, dkk, 2000:22).
Sebagaimana layaknya manusia, dimana kesehatan merupakan hal yang
paling penting di dalam kehidupannya. Tubuh yang sehat akan meningkatkan
kemampuan lainnya. Begitu pula dengan perbankan harus dinilai
kesehatannya agar tetap prima dalam melayani para nasabahnya. Untuk
menilai suatu kesehatan bank dapat dilihat dari berbagai segi. Penilaian ini
bertujuan unuk menentukan apakah bank tersebut dalam kondisi yang sehat,
cukup sehat, kurang sehat dan tidak sehat sehingga Bank Indonesia sebagai
pengawas dan pembina bank-bank dapat memberikan arahan atau petunjuk
bagaimana bank tersebut harus dijalankan atau bahkan dihentikan kegiatan
operasinya (Kasmir, 2008:49).
Menurut Peraturan Bank Indonesia No. 6/10/PBI/2004 mengenai Sistem
Penilaian Tingkat Kesehatan Bank Umum, penilaian tingkat kesehatan bank
mencakup penilaian terhadap faktor-faktor sebagai berikut:
25
1. Capital
Penilaian terhadap faktor permodalan meliputi penilaian terhadap
komponen-komponen sebagai berikut:
a. Kecukupan, komposisi, dan proyeksi (trend ke depan) permodalan
serta kemampuan permodalan bank dalam mengcover aset
bermasalah.
b. Kemampuan bank memelihara kebutuhan penambahan modal yang
berasal dari keuntungan, rencana permodalan bank untuk
mendukung pertumbuhan usaha, akses kepada sumber permodalan,
dan kinerja keuangan pemegang saham untuk meningkatkan
permodalan bank.
2. Asset Quality
Penilaian terhadap faktor kualitas aset meliputi penilaian terhadap
komponen-komponen sebagai berikut:
a. Kualitas aktiva produktif, konsentrasi eksposur risiko kredit,
perkembangan aktiva produktif bermasalah, dan kecukupan
penyisihan penghapusan aktiva produktif (PPAP).
b. Kecukupan kebijakan dan prosedur, sistem kaji ulang (review)
internal, sistem dokumentasi, dan kinerja penanganan aktiva
produktif bermasalah.
26
3. Management
Penilaian terhadap faktor manajemen meliputi penilaian terhadap
komponen-komponen sebagai berikut:
a. Kualitas manajemen umum dan penerapan manajemen risiko.
b. Kepatuhan bank terhadap ketentuan yang berlaku dan komitmen
kepada Bank Indonesia dan atau pihak lainnya.
4. Earning
Penilaian terhadap faktor rentabilitas meliputi penilaian terhadap
komponen-komponen sebagai berikut:
a. Pencapaian return on assets (ROA), return on equity (ROE), net
interest margin (NIM), dan tingkat efisiensi bank.
b. Perkembangan laba operasional, diversifikasi pendapatan,
penerapan prinsip akuntansi dalam pengakuan pendapatan dan
biaya, dan prospek laba operasional.
5. Liquidity
Penilaian terhadap faktor likuiditas meliputi penilaian terhadap
komponen-komponen sebagai berikut:
a. Rasio aktiva/pasiva likuid, potensi maturity mismatch, kondisi
Loan to Deposit Ratio (LDR), proyeksi cash flow, dan konsentrasi
pendanaan.
b. Kecukupan kebijakan dan pengelolaan likuiditas (assets and
liabilities management/ALMA), akses kepada sumber pendanaan,
dan stabilitas pendanaan.
27
6. Sensitivity to Market Risk
Penilaian terhadap faktor sensitivitas terhadap risiko pasar meliputi
penilaian terhadap komponen-komponen sebagai berikut:
a. Kemampuan modal Bank dalam mengcover potensi kerugian
sebagai akibat fluktuasi (adverse movement) suku bunga dan nilai
tukar.
b. Kecukupan penerapan manajemen risiko pasar.
Berdasarkan hasil penetapan peringkat setiap faktor ditetapkan
Peringkat Komposit (composite rating). Peringkat Komposit ditetapkan
sebagai berikut:
a. Peringkat Komposit 1 (PK-1), mencerminkan bahwa Bank
tergolong sangat baik dan mampu mengatasi pengaruh negatif
kondisi perekonomian dan industri keuangan.
b. Peringkat Komposit 2 (PK-2), mencerminkan bahwa Bank
tergolong baik dan mampu mengatasi pengaruh negatif kondisi
perekonomian dan industri keuangan namun Bank masih memiliki
kelemahan-kelemahan minor yang dapat segera diatasi oleh
tindakan rutin.
c. Peringkat Komposit 3 (PK-3), mencerminkan bahwa Bank
tergolong cukup baik namun terdapat beberapa kelemahan yang
dapat menyebabkan peringkat kompositnya memburuk apabila
Bank tidak segera melakukan tindakan korektif.
28
d. Peringkat Komposit 4 (PK-4), mencerminkan bahwa Bank
tergolong kurang baik dan sensitif terhadap pengaruh negatif
kondisi perekonomian dan industri keuangan atau Bank memiliki
kelemahan keuangan yang serius atau kombinasi dari kondisi
beberapa faktor yang tidak memuaskan, yang apabila tidak
dilakukan tindakan korektif yang efektif berpotensi mengalami
kesulitan yang membahayakan kelangsungan usahanya.
e. Peringkat Komposit 5 (PK-5), mencerminkan bahwa Bank
tergolong tidak baik dan sangat sensitif terhadap pengaruh negatif
kondisi perekonomian dan industri keuangan serta mengalami
kesulitan yang membahayakan kelangsungan usahanya.
Predikat Tingkat Kesehatan Bank disesuaikan dengan ketentuan dalam
Surat Edaran Bank Indonesia No. 6/23/DPNP sebagai berikut:
1. Untuk predikat Tingkat Kesehatan ”Sehat” dipersamakan dengan
Peringkat Komposit 1 (PK-1) atau Peringkat Komposit 2 (PK-2).
2. Untuk predikat Tingkat Kesehatan ”Cukup Sehat” dipersamakan
dengan Peringkat Komposit 3 (PK-3).
3. Untuk predikat Tingkat Kesehatan ”Kurang Sehat” dipersamakan
dengan Peringkat Komposit 4 (PK-4).
4. Untuk predikat Tingkat Kesehatan ”Tidak Sehat” dipersamakan
dengan Peringkat Komposit 5 (PK-5).
29
Kesehatan atau kondisi keuangan dan non keuangan kepentingan semua
pihak terkait, baik pemilik, pengelola (manajemen) bank, masyarakat
pengguna jasa bank, Bank Indonesia sebagi otoritas pengawasan bank, dan
pihak lainnya. Informasi mengenai kondisi suatu bank dapat digunakan oleh
pihak-pihak tersebut untuk mengevaluasi kinerja bank dalam menerapkan
prinsip kehati-hatian, kepatuhan terhadap ketentuan yang berlaku dan
manajemen risiko( Dahlan Siamat, 2005:208).
Penilaian kesehatan bank dilakukan setiap tahun, apakan ada peningkatan
atau penurunan. Bagi bank yang kesehatannya terus meningkat tidak jadi
masalah, karena itulah diharapkan dan supaya dipertahankan terus
kesehatanya. Akan tetapi, bagi bank terus-menerus tidak sehat, mungkin harus
mendapat pengarahan atau sangsi dari Bank Indonesia sebagai pengawas dan
pembina bank-bank (Kasmir, 2008:50).
F. Laporan Keuangan
Salah satu aspek penting dalam pencapaian good corporate gorvernance
(tata kelola perusahaa yang baik) dalam perbankan Indonesia adalah
transparansi kondisi keuangan bank kepada publik. Adanya transparansi
diharapkan dapat meningkatkan kepercayaan publik terhadap lembaga
perbankan nasional. Selain itu, dalam menciptakan disiplin pasar (market
dicipline) perlu diupayakan peningkatan transparansi kondisi keuangan dan
kinerja bank untuk memudahkan penilaian oleh pelaku pasar melalui publikasi
laporan kepada masyarakat luas. Di sisi lain, peningkatan transparansi kondisi
30
keuangan bank juga akan mengurangi informasi yang asimetris sehingga para
pelaku pasar dapat memberikan penilaian yang wajar dan dapat mendorong
terciptanya disiplin pasar (Dahlan Siamat, 2005:367).
Setiap perusahaan, baik bank maupun non bank pada suatu waktu (periode
tertentu) akan melaporkan semua kegiatan keuangannya. Laporan ini
bertujuan untuk memberikan informasi keuangan perusahaan, baik kepada
pemilik, manajemen maupun pihak luar yang berkepentingan terhadap laporan
tersebut. Laporan keuangan bank menunjukkan kondisi keuangan bank secara
keseluruhan. Dari laporan ini akan terbaca bagaimana kondisi bank yang
sesungguhnya, termasuk kelemahan dan kekuatan yang dimiliki. Laporan ini
juga menunjukkan kinerja manajemen bank selama satu periode (Kasmir
2004:239).
Kemudian laporan keuangan juga berikan informasi tentang hasil-hasil
usaha yang diperoleh bank dalam suatu periode tertentu dan biaya-biaya atau
beban yang dikeluarkan untuk memperoleh hasil tersebut. Informasi ini akan
termuat dalam laporan laba rugi. Laporan keuangan bank juga memberikan
gambaran tentang arus kas suatu bank yang tergambar dalam laporan arus kas.
Dengan demikian laporan keuangan disamping menggambarkan kondisi
keuangan suatu bank juga untuk menilai kinerja manajemen bank yang
bersangkutan. Penilaian kinerja manajemen akan menjadi patokan apakah
manajemen berhasil atau tidak dalam menjalankan kebijakan yang telah
digariskan oleh perusahaan (Kasmir, 2004: 240).
31
Dalam rangka peningkatan transparansi kondisi keuangan, berdasarkan
Peraturan Bank Indonesia Nomor:3/22/PBI/2001 tanggal 13 Desember 2001,
bank wajib menyusun dan menyajikan laporan keuangan dengan bentuk dan
cakupan yang terdiri dari (Dahlan Siamat, 2005: 368) :
1. Laporan Tahunan dan Laporan Keuangan Tahunan
Adalah laporan lengkap mengenai kinerja suatu bank dalam kurun
waktu satu tahun.
2. Laporan Keuangan Publikasi Triwulanan
Adalah laporan keuangan yang disusun berdasarkan standar
akuntansi keuangan yang berlaku dan dipublikasikan setiap triwulan.
3. Laporan Keuangan Publikasi Bulanan
Adalah laporan keuangan yang disusun berdasarkan Laporan
Bulanan Bank Umum yang disampaikan bank kepada Bank Indonesia
dan dipublikasikan setiap bulan.
4. Laporan Keuangan Konsolidasi
Bank yang merupakan bagian dari suatu kelompok usaha dan atau
memiliki Anak Perusahaan, wajib menyusun laporan keuangan
konsolidasi berdasarkan Pernyataan Standar Akuntansi Keuangan yang
berlaku serta menyampaikan laporan sebagaimana diatur dalam
Peraturan Bank Indonesia.
Dalam Kerangka Dasar Penyusunan dan Penyajian Laporan Standar
Akuntansi Keuangan, laporan keuangan merupakan bagian dari proses
pelaporan keuangan. Laporan keuangan yang lengkap biasanya meliputi
32
neraca, laporan laba rugi, laporan perubahan posisi keuangan (yang dapat
disajikan dalam berbagai cara misalnya, sebagai laporan arus kas, atau laporan
arus dana), catatan dan laporan lain serta materi penjelasan yang merupakan
bagian integral dari laporan keuangan. (Ikatan Akuntan Indonesia, 2007)
dalam Penni Mulyaningrum (2008)
Menurut Ikatan Akuntan Indonesia (2007) dalam PSAK No.31 tentang
Akuntansi Perbankan, laporan keuangan bank terdiri atas:
1. Neraca
Bank menyajikan aset dan kewajiban dalam neraca berdasarkan
karakteristiknya dan disusun berdasarkan urutan likuiditasnya.
2. Laporan Laba Rugi
Laporan laba rugi bank menyajikan secara terperinci unsur
pendapatan dan beban, serta membedakan antara unsur-unsur
pendapatan dan beban yang berasal dari kegiatan operasional dan
nonoperasional.
3. Laporan Arus Kas
Laporan arus kas harus melaporkan arus kas selama periode tertentu
dan diklasifikasikan menurut aktivitas operasi, investasi, dan pendanaan.
4. Laporan Perubahan Ekuitas
Laporan perubahan ekuitas menyajikan peningkatan dan penurunan
aset bersih atau kekayaan bank selama periode bersangkutan
berdasarkan prinsip pengukuran tertentu yang dianut dan harus
diungkapkan dalam laporan keuangan.
33
5. Catatan atas Laporan Keuangan
Catatan atas laporan keuangan harus disajikan secara sistematis.
Pihak-pihak yang berkepentingan dengan laporan keuangan perusahaan
antara lain (Kasmir, 2004:241):
1. Pemegang saham, digunakan untuk melihat kemajuan bank yang
dipimpin oleh manajemen dalam suatu periode.
2. Pemerintah, digunakan untuk mengetahui kemajuan bank yang
bersangkutan, kepatuhan bank dalam melaksanakan kebijakan moneter
yang telah ditetapkan, dan sampai sejauh mana peranan perbankan
dalam mengembangkan sektor-sektor industri tertentu.
3. Manajemen, digunakan untuk menilai kinerja menajemen bank dalam
mencapai target-target yang telah ditetapkan, menilai kinerja
manajemen dalam mengelola sumber daya yang dimilikinya. Ukuran
keberhasilan ini dapat dilihat dari pertumbuhan laba yang diperoleh
dan pengembangan aset-aset yang dimilikinya.
4. Karyawan, digunakan untuk mengetahui kondisi keuangan bank yang
sebenarnya.
5. Masyarakat Luas, digunakan untuk mengetahui kondisi bank yang
bersangkutan, sehingga masih tetap mempercayakan dananya disimpan di
bank yang bersangkutan atau tidak.
34
G. Manfaat Laporan Keuangan
Sesuai penelitian Abarbanell dan Bushee (1997) dalam Penni
Mulyaningrum (2008). Pada pendekatan yang digunakan oleh Ou and Penman
(1989) dan Lev and Thiagarajan (1993) diperlihatkan bagaimana fundamental
signals yang pasti dari laporan keuangan saat ini seperti perubahan pada
penjualan, piutang dagang, persediaan, gross margin dan pengeluaran modal
dapat meningkatkan prediksi perubahan earning pada tahun mendatang.
Sesuai dengan Statement of Financial Accounting Concepts No. 1 tentang
Tujuan dari pelaporan keuangan untuk menyediakan informasi yang
bermanfaat kepada investor, kreditor dan pemakai lainnya, baik yang sekarang
dan potensial pada pembuatan keputusan investasi, kredit dan keputusan
sejenis secara rasional. Tujuan kedua pelaporan keuangan untuk menyediakan
informasi untuk membantu investor, kreditor, dan pemakai lainnya baik yang
sekarang maupun yang potensial dalam menilai jumlah, waktu dan
ketidakpastian dari prospective penerimaan kas dari deviden atau bunga.
(Scott, 2000 dalam Penni Mulyaningrum, 2008).
Menurut Standar Akuntansi Keuangan (SAK 2007) pengguna laporan
keuangan meliputi investor potensial, karyawan, pemberi pinjaman, pemasok
dan kreditor usaha lainnya, pelanggan, pemerintah serta lembaga-lembaganya,
dan masyarakat. Mereka menggunakan laporan keuangan untuk memenuhi
beberapa kebutuhan informasi yang berbeda. Beberapa kebutuhan ini meliputi:
35
a. Investor
Penanaman modal berisiko dan penasihat mereka berkepentingan dengan
risiko yang melekat serta hasil pengembangan dari investasi yang mereka
lakukan.
b. Karyawan
Karyawan dan kelompok-kelompok yang mewakili mereka tertarik pada
informasi mengenai stabilitas dan profitabilitas perusahaan. Mereka juga
tertarik dengan informasi yang memungkinkan mereka untuk menilai
kemampuan perusahaan dalam memberikan balas jasa, imbalan pasca
kerja, dan kesempatan kerja.
c. Pemberi pinjaman
Pemberi pinjaman tertarik dengan informasi keuangan yang
memungkinkan untuk memutuskan apakah pinjaman serta bunganya dapat
dibayar pada saat jatuh tempo.
d. Pemasok dan kreditor usaha lainnya
Pemasok dan kreditor usaha lainnya tertarik dengan informasi yang
memungkinkan mereka untuk memutuskan apakah jumlah yang terutang
akan dibayar pada saat jatuh tempo.
e. Pelanggan
Para pelanggan berkepentingan dengan informasi mengenai
kelangsungan hidup perusahaan, terutama kalau mereka terlibat dalam
perjanjian jangka panjang dengan, atau bergantung pada perusahaan.
36
f. Pemerintah
Pemerintah dan berbagai lembaga yang berada di bawahnya
berkepentingan dengan alokasi sumber daya dan karena itu berkepentingan
dengan aktivitas perusahaan.
g. Masyarakat
Perusahaan dapat memberikan kontribusi yang berarti kepada
perekonomian nasional, termasuk jumlah orang yang dipekerjakan dan
perlindungan kepada penanaman modal domestik.
H. Rasio Keuangan Perbankan
Rasio keuangan adalah hasil perhitungan antara dua macam data keuangan
bank, yang digunakan untuk menjelaskan hubungan antara kedua data
keuangan tersebut yang pada umumnya dinyatakan secara numerik, baik
dalam persentase atau kali. Hasil perhitungan rasio ini dapat digunakan untuk
engukur kinerja keuangan bank pada periode tertentu, dan dapat dijadikan
tolak ukur untuk menilai tingkat kesehatan bank selama periode keuangan
tersebut (Selamet Riyadi, 2006:155).
Rasio keuangan perbankan meliputi:
1. Rasio Permodalan
Analisa rasio permodalan sering disebut sebagai analisa
solvabilitas atau capital adequancy analysis. Analisa rasio ini untuk
mengetahui apakah permodalan bank yang ada telah mencukupi untuk
mendukung kegiatan bank yang akan dilakukan secara efisien dan
37
mampu untuk menyerap kerugian-kerugian yang tidak dapat
dihindarkan (Penni Mulyaningrum, 2008). Rasio ini terbagi atas:
a. Capital Adequacy Ratio (CAR)
CAR adalah rasio kewajiban pemenuhan modal minimum
yang harus dimiliki oleh bank. Untuk saat ini minimal CAR
sebesar 8% dari aktiva Tertimbang Menurut Risiko (ATMR),
atau ditambah dengan Risiko Pasar dan Risiko Operasional, ini
tergantung pada kondisi bank yang bersangkutan. CAR yang
ditetapkan oleh Bank Indonesia saat ini mengacu pada
ketentuan/standar internasional yang dikeluarkan oleh Banking
For International Settlement (BIS). Persamaan CAR dapat
dituliskan sebagai berikut: (Slamet Riyadi, 2006: 161).
Menurut Hasibuan (2002), ketetapan CAR sebesar 8%
bertujuan untuk:
1. Menjaga kepercayaan masyarakat kepada perbankan.
2. Melindungi dana pihak ketiga pada bank bersangkutan.
3. Untuk memenuhi ketetapan standar BIS Perbankan
International dengan formula sebagai berikut:
b. 4%modal inti yang terdiri dari shareholder equity, prefered stock,
dan freereserves, serta
CAR = Modal x 100%
ATMR
38
c. 4% modal sekunder yang terdiri dari subordinate debt, loan loss
provision, hybrid securities dan revolution reserves.
b. Aktiva Tetap Terhadap Modal (ATTM)
Rasio ini mengukur kemampuan manajemen bank dalam
menentukan besarnya aktiva tetap dan inventaris yang dimiliki
bank yang bersangkutan terhadap modal. Semakin tinggi rasio ini
artinya modal yang dimiliki bank kurang mencukupi dalam
menunjang aktiva tetap dan inventaris sehingga kemungkinan
suatu bank dalam kondisi bermasalah akan semakin besar. Rasio
ini dapat dirumuskan sebagai berikut :
2. Rasio Kualitas Asset
Rasio kualitas asset terdiri dari:
a. Aktiva Produktif Bermasalah (APB)
Rasio ini untuk menunjukkan kemampuan manajemen bank
dalam mengelola aktiva produktif bermasalah terhadap total aktiva
produktif. Semakin tinggi rasio ini maka semakin buruk kualitas
aktiva produktif yang menyebabkan PPAP yang tersedia semakin
besar maka kemungkinan suatu bank dalam kondisi bermasalah
semakin besar. Aktiva produktif bermasalah adalah aktiva produtif
dengan kualitas kurang lancar, diragukan dan macet. Rasio ini
ATTM = Aktiva Tetap dan Inventaris x100%
Modal
39
dapat dirumuskan sebagi berikut (SE BI No 3/30DPNP tgl 14
Desember 2001) :
b. Non Performing Loan
Rasio ini menunjukan bahwa kemampuan manajemen bank
dalam mengelola kredit bermasalah yang diberikan oleh bank.
Sehingga semakin tinggi rasio ini maka akan semakin semakin
buruk kualitas kredit bank yang menyebabkan jumlah kredit
bermasalah semakin besar maka kemungkinan suatu bank dalam
kondisi bermasalah semakin besar. Kredit dalam hal ini adalah
kredit yang diberikan kepada pihak ketiga tidak termasuk kredit
kepada bank lain. Kredit bermasalah adalah kredit dengan kualitas
kurang lancar, diragukan dan macet (SE BI No 3/30DPNP tgl 14
Desember 2001).
Non Performing Loan dibagi menjadi 2 (dua) yaitu: Non
Performing Loan Gross (NPLg) dan Non Performing Loan Net
(NPLn). Menurut Slamet Riyadi (2006) NPLg adalah perbandingan
antara jumlah kredit yang diberikan dengan tingkat kolektibilitas 3
sampai 5 dibandingkan dengan total kredit yang diberikan. Rasio
ini dapat dirumuskan sebagai berikut:
APB = Aktiva Produktif Bermasalah x 100%
Total Aktiva Produktif
NPLg = Kredit yang Diberikan (kol 3-5) x 100%
Total Kredit yang Diberikan
40
Sedangkan Non Performing Loan Net (NPLn) dapat
dirumuskan sebagai berikut:
3. Rasio Profitabilitas
Rasio profitabilitas adalah perbandingan laba (setelah pajak) dengn modal
(modal inti) atau laba (sebelum pajak) dengan total asset yang dimiliki bank
pada periode tertentu (Slamet Riyadi, 2006:155). Rasio profitabilitas terdiri
dari:
a. Net Interest Margin (NIM)
Rasio ini digunakan untuk mengukur kemampuan manajemen
bank dalam mengelola aktiva produktifnya untuk menghasilkan
pendapatan bunga bersih. Pendapatan bunga bersih diperoleh dari
pendapatan bunga dikurangi beban bunga. Semakin besar rasio ini
maka meningkatnya pendapatan bunga atas aktiva produktif yang
dikelola bank sehingga kemungkinan suatu bank dalam kondisi
bermasalah semakin kecil (SE BI No 3/30DPNP tgl 14 Desember
2001). Menurut Slamet Riyadi (2006) Net Interest Margin adalah
perbandingan antara Interest Income dikurangi Interest Expenses
dibagi dengan Average Interest Earning Asset. Rasio NIM dapat
dirumuskan sebagai berukit:
NPLn= Kredit yang Diberikan (kol 3-5) – PPAP Khusus (Kol. 3-5) x 100%
Total Kredit yang Diberikan
NIM = Interest Income – Interest Expensens x 100%
Average Interest Earning Asset
41
b. Profit Mergin (PM)
Rasio ini merupakan salah satu parameter kinerja dari suatu
bank terkait dengan produktifitas dari kegiatan operasionalnya.
Semakin besarnya profit margin berarti semakin produktif
sehingga akan memperkecil kemungkinan terjadinya kegagalan
bank. Profit Margin adalah perbandingan antara biaya bunga
dengan total asset, dapat dirumuskan sebagai berikut:
4. Rasio Likuiditas
Rasio ini bertujuan untuk mengukur kemampuan perusahaan dalam
membayar semua kewajiban finansialnya pada saat jatuh tempo.
Kewajiban tersebut merupakan kewajiban jangka pendek atau kewajiban
jangka panjang yang sudah segera jatuh tempo. Rasio ini terbagi atas:
a. Loan To Deposit Ratio (LDR)
LDR adalah perbandingan antara total kredit yang diberikan
dengan total Dana Pihak Ketiga (DPK) yang dapat dihimpun oleh
bank. LDR akan menunjukkan tingkat kemampuan bank dalam
menyalurkan dana pihak ketiga yang dihimpun oleh bank yang
bersangkutan. Maksimal LDR yang diperkenankan oleh Bank
Indonesia adalah sebesar 110%. Persamaan LDR dapat dituliskan
sebagai berikut: (Slamet Riyadi, 2006: 165).
PM = Biaya Bunga x 100%
Total Asset
LDR = Total kredit yang diberikan x 100%
Total DPK
42
I. Pengertian Logit
Analisis Regresi logistik digunakan untuk melihat pengaruh sejumlah
variabel independen terhadap variabel dependen yang berupa variabel
kategorik (binomial, multinomial atau ordinal) atau juga untuk memprediksi
nilai suatu variabel dependen (yang berupa variabel kategorik) berdasarkan
nilai variabel-variabel independen(Uyanto, S. Stanislaus, 2006:225). SPSS
menyediakan tiga prosedur regresi logistik yaitu:
1. Regresi Logistik Biner (binary logistic regression), adalah regresi
logistik dimana variabel dependennya berupa variabel dikotomi atau
variabel biner.
2. Regresi Logistik Multinomial (multinomial logistic regression)
adalah regresi logistik di mana variabel dependennya berupa variabel
kategorik yang terdiri lebih dari dua nilai.
3. Regresi Logistik Ordinal (ordinal logistic regression) adalah regresi
logistik di mana variabel dependennya berupa variabel dengan skala
ordinal.
Logit analysis merupakan bentuk khusus dari regresi dimana variabel
dependennya nonmetrik dan terbagi menjadi dua bagian/kelompok (biner),
walaupun formulasinya dapat saja meliputi lebih dari dua kelompok. Secara
umum, penginterpretasian logit analysis sangat mirip dengan regresi linear
(Hair dkk, 1998 dalam Liza Angelina, 2003).
43
J. Pengertian Multiple Discriminant Analysis (MDA)
Multiple Discriminant Analysis (MDA) merupakan teknik statistik yang
digunakan untuk memprediksi dan menjelaskan hubungan yang berpengaruh
kuat terhadap kategori dimana objek tersebut berada dimana variabel
dependennya merupakan sesuatu yang pasti (nominal atau nonmetrik) dan
variabel independennya metrik (Hair dkk, 1998 dalam Liza Angelina 2003).
Tujuan MDA adalah mengidentifikasi jumlah fungsi diskriminan seminimum
mungkin yang mampu memaksimumkan perbedaan antar kelompok yang ada
(Agus Widarjono, 2010 : 193)
Multiple Discriminant Analysis (MDA) atau analisis pembeda ganda
merupakan suatu metodologi formal yang digunakan untuk memperkecil rasio
dan untuk mempertinggi kerepresentatifan rasio keuangan yang dipilih sebagai
variabel (Evi Wardhani, 2007). Model analisis semacam ini dapat digunakan
untuk:
1. Memprediksi kebangkrutan perusahaan.
2. Mengevaluasi atas prospek perusahaan secara individual.
3. Menilai kelayakan dan kewajaran suatu rencana organisasi dalam
memutuskan alternatif-alternatifnya.
K. Penelitian Sebelumnya
Argo Asmoro (2010) meneliti mengenai judul Analisis pengaruh rasio
keuangan terhadap prediksi kondisi bermasalah pada Bank Persero dan Bank
Umum Swasta Nasional periode 2004-2007. Penelitian ini dilakukan untuk
44
menguji pengukuran rasio-rasio keuangan CAR (Capital Adequacy Ratio), NPL
(Non Performing Loan), ROA (Return on Assets), BOPO (Biaya
Operasional/Pendapatan Operasional), dan LDR (Loan to Deposit Ratio) terhadap
prediksi kondisi bermasalah pada bank persero dan bank umum swasta nasional
periode tahun 2004 hingga 2007. Permasalahan dari penelitian ini adalah karena
adanya kontradiksi (researh gap) dari penelitian sebelumnya. Dari hasil analisis
menunjukkan hasil secara parsial bahwa variabel CAR dan ROA berpengaruh
negatif dan signifikan terhadap kondisi bermasalah. Sedangkan variabel NPL,
BOPO, dan LDR berpengaruh positif tetapi tidak signifikan terhadap kondisi
bermasalah pada sektor perbankan. Kemudian hasil estimasi regresi logistik
menunjukkan kemampuan prediksi dari 5 variabel bebas tersebut terhadap kondisi
bermasalah sektor perbankan sebesar 49,1% sedangkan sisanya, yaitu sebesar
50,9% dijelaskan oleh variabel lain di luar model.
Penni Mulyaningrum (2008) menganalisis rasio keuangan bank untuk
memprediksi kebangkrutan bank di Indonesia. Variabel yang digunakan
sejumlah tujuh rasio keuangan bank yakni CAR, LDR, NPL, BOPO, ROA,
ROE dan NIM. Data penelitian diperoleh secara sensus yang berarti
keseluruhan populasi digunakan dalam penelitian yang sejumlah 130 bank
pada tahun 2006. Alat analisis yang digunakan adalah regresi logit. Hasil uji
multivariate memperlihatkan bahwa variabel LDR signifikan berpengaruh
terhadap profitabilitas kebangkrutan bank di Indonesia pada α = 5% namun
tidak mempunyai tanda yang sama dengan yang diprediksikan. Variabel CAR,
NPL, BOPO, ROE, dan NIM mempunyai tanda yang sama dengan yang
diprediksikan namun tidak signifikan. Variabel ROA tidak signifikan dan
45
mempunyai tanda yang berbeda dengan yang diprediksikan. Secara umum,
hasilnya tidak menerima keseluruhan Ha. Ketepatan prediksi kebangkrutan
bank tahun 2006 sebesar 94.6%. Tingkat kesalahan yang dilakukan dalam
memprediksi kebangkrutan adalah tipe II yaitu bank yang diprediksi bangkrut
ternyata tidak bangkrut.
Luciana Spica Almilia dan Winny Herdiningtyas (2005) melakukan
penelitian yang berjudul “Analisis Rasio Camel Terhadap Prediksi Kondisi
Bermasalah Pada Lembaga Perbankan Perioda 2000-2002” dengan sampel
penelitian yang terdiri dari 16 bank sehat, 2 bank yang mengalami
kebangkrutan, dan 6 bank yang mengalami kondisi kesulitan keuangan. Dalam
penelitian ini digunakan kondisi bermasalah suatu bank sebagai variabel
dependen sedangkan variabel independennya menggunakan rasio keuangan
CAMEL (CAR, ATTM, APB, NPL, PPAPAP, PPAP, ROA, ROE, NIM,
BOPO, dan LDR). Penelitian ini menggunakan model analisis regresi logistik
dan penentuan sampel digunakan metode purposive sampling. Hasil yang
diperoleh dari penelitian ini adalah rasio CAR, APB, NPL, PPAPAP, ROA,
NIM, dan BOPO secara statistik berbeda untuk kondisi bank bangkrut dan
mengalami kesulitan keuangan dengan bank yang tidak bangkrut dan tidak
mengalami kondisi kesulitan keuangan. Penelitian ini juga memberikan bukti
bahwa hanya rasio keuangan CAR dan BOPO yang secara statistik signifikan
untuk memprediksi kondisi kebangkrutan dan kesulitan keuangan pada sektor
perbankan.
46
Liza Angelina (2003) meneliti tentang Perbandingan Early Warning
System (EWS) untuk memprediksi kebangkrutan Bank Umum di Indonesia
periode 1994/1995 - 1999/2000 yaitu sebanyak 88 bank yang gagal dan 81
bank yang tidak gagal. Dari jumlah responden tersebut ternyata tidak
semuanya dapat dijadikan responden dalam penelitian ini, karena data yang
tersedia tidak lengkap atau bahkan karena tidak tersedianya data. Akhirnya
responden yang dapat digunakan dalam penelitian ini adalah sebanyak 74
bank yang gagal dan 81 bank yang tidak gagal. Penelitian ini menggunakan
metode analisis Trait Recognition (TR), Logit, Multiple Discriminant Analysis
(MDA).
Hasil penelitian ini menunjukkan model TR memiliki akurasi prediksi
yang paling tinggi. Selain itu, model TR tidak hanya dapat digunakan untuk
memprediksi tingkat kegagalan bank, tapi juga dapat mengetahui dengan tepat
bank-bank mana saja yang akan mengalami kegagalan. Hal ini tidak bisa
dilakukan dengan model logit maupun MDA. Ini membuktikan bahwa
hipotesis dalam penelitian ini, yang berbunyi EWS dengan model TR memiliki
ketepatan peramalan yang lebih baik dari model MDA dan model logit, benar-
benar terbukti yang artinya, penelitian ini konsisten dengan penelitian yang
dilakukan oleh peneliti terdahulu.
FX Sugiyanto, Prasetiono, dan Teddy Hariyanto (2002) melakukan
penelitain yang berjudul “Manfaat Indikator-Indikator Keuangan dalam
Pembentukan Model Prediksi Kondisi Kesehatan Perbankan”. Variabel
independen yang digunakan berupa rasio keuangan yang meliputi kekuatan
47
modal, kualitas aset, efisiensi manajemen, profitabilitas, likuiditas.
Metode/alat analisis yang digunakan adalah analisis diskriminan dan regresi
logistik. Hasil yang diperoleh dari penelitian ini adalah indikator-indikator
yang berupa rasio-rasio keuangan signifikan pada taraf 5% untuk prediksi 1
tahun sebelum bangkrut dan signifikan pada taraf 10% untuk prediksi 2 tahun
sebelum bangkrut. Dalam penelitian ini juga dijelaskan bahwa komponen
kualitas aset, manajemen, earning power, dan likuiditas mampu menunjukkan
pengaruh rasio keuangan terhadap kebangkrutan suatu bank.
Penelitian yang dilakukan oleh Kolari dkk (2000) mengaplikasikan EWS
untuk bank komersil. Pada penelitiannya sampel yang diambil adalah
sebanyak 145 bank komersil yang diasuransikan di Amerika Serikat pada
tahun 1986, yang merupakan kegagalan terkini dengan data yang tersedia bagi
penelitian ini. Data finansial untuk bank-bank yang gagal ini dikumpulkan
baik satu tahun maupun dua tahun sebelum kegagalan dari catatan komputer
Call Report akhir
Santoso (1996) melakukan penelitian empiris mengenai faktor-faktor yang
mempengaruhi bank bermasalah di Indonesia dengan mengunakan logit
model. Data panel kuartalan dari 231 bank sejak Maret 1989 sampai dengan
September 1995 digunakan Santoso untuk mengindikasikan resiko perbankan.
Kesimpulan dari penelitian ini bahwa model 2 menghasilkan koefisien
estimasi yang lebih bagus dibandingkan model 1. Pada model 2, koefisien
parameter yang mewakili resiko kredit (AQ) untuk semua kelompok
signifikan pada a=5%. CAR signifikan pada a=5% hanya pada kelompok tiga.
48
IRR signifikan pada a=10% pada kelompok lima, dan LDR signifikan pada
a=6% pada kelompok satu dan tiga, signifikan pada a=8% pada kelompok
lima.
Karya awal Beaver (1966) dan Altman (1968) menunjukkan bagaimana
model berbasis komputer yang bergantung pada informasi akuntansi dapat
memprediksikan kegagalan perusahaan. Model berbasis komputer dapat
digunakan sebagai sistem peringatan dini (EWS) guna membantu mencegah
beberapa kegagalan bank atau mengurangi biaya kegagalan tersebut.
Dari penelitian-penelitian sebelumnya dapat dilihat bahwa kebanyakan
penelitian menggunakan model CAMEL. Tetapi sampai saat ini menurut Liza
Angelina (2003) di Indonesia belum ada penelitian yang menggunakan ESW
sebagai prediktor kebangkrutan bank. Untuk lebih jelas mengenai penelitian-
penelitian sebelumnya dapat dilihat pada tabel sebagai berikut:
49
Tabel 2.2
Daftar Penelitian Sebelumnya Untuk Masalah Kebangkrutan Bank
Tahun
Penelitian
Nama Peneliti Masalah yang Diteliti
1966 Beaver Prediksi kebangkrutan dengan menggunakan
enam kelompok rasio keuangan yang dianalisis
dengan menggunakan metode univariat
1968 Altman Prediksi kebangkrutan dengan menggunakan
metode MDA (Z score)
1996 Santoso Penelitian empiris mengenai faktor-faktor yang
mempengaruhi bank bermasalah dengan logit
model.
2000 Kolari, Caputo dan
Wagner
Perbaikan terhadap aplikasi EWS pada bank
komersiil dengan menggunakan model TR dan
model gabungan TR/MDA vs MDA dan Logit
untuk mengidentifikasi bank-bank yang gagal
2003 Liza Angelina Perbandingan EWS untuk memprediksi
kabangkrutan bank umum dengan
menggunakan model TR, logit, MDA
2005 Luciana Spica
Almilia dan Winny
Herdiningtyas
Prediksi kondisi bermasalah dengan rasio
CAMEL menggunakan metode regresi logistic
2008 Penny
Mulyaningrum
Prediksi kebangkrutan dengan menggunakan
model analisa logit.
2010 Argo Asmoro Pengaruh rasio keuangan terhadap prediksi
kondisi bermasalah dengan menggunakan
metode regresi logistik
2010 Sumantri dan
Teddy Jurnali
Manfaat rasio keuangan dalam memprediksi
kepailitan Bank Nasional
Sumber : diolah dari berbagai jurnal dan penelitian
L. Kerangka Berpikir
Kerangka berpikir yang baik akan menjelaskan secara teoritis pertautan
antara variabel yang akan diteliti. Jadi secara teoritis perlu dijelaskan
hubungan antara variabel independen dan dependen. Pertautan antar variabel
tersebut, selanjutnya dirumuskan ke dalam bentuk paradigma penelitian
(Sugiyono, 2009:88).
50
Menurut Sapto Haryoko (1999) Kerangka berpikir dalam suatu penelitian
perlu dikemukakan apabila dalam penelitian tersebut berkenaan dua variabel
atau lebih. Penelitian yang berkenaan dengan dua variabel atau lebih, biasanya
dirumuskan hipotesis yang berbentuk komparasi maupun hubungan.
Sedangkan Suriasumatri (1986) mengemukakan bahwa kerangka berpikir ini
merupakan penjelasan sementara terhadap gejala-gejala yang menjadi obyek
permasalahan.
Penelitian ini dimaksudkan untuk melihat apakah tedapat perbedaan
kinerja keuangan yang signifikan antara bank devisa dan bank non devisa.
Penelitian ini juga dilakukan untuk mengetahui apakah terdapat perbedaan
tingkat akurasi pada model MDA dan model logit dalam memprediksi
kebangkrutan pada bank devisa dan bank non devisa.
Penelitian ini menggunakan sumber data yang diambil dari Bank Indonesia
berupa laporan keuangan bank umum swasta nasional devisa dan non devisa
yang mengalami kondisi bermasalah dan bank yang sehat, dengan melihat
rasio-rasio keuangan perbankan, antara lain: antara lain: Capital Adequacy
Ratio (CAR), Aktiva Tetap terhadap Modal (ATTM), Aktiva Produktif
Bermasalah (APB), Non Performing Loan Gross (NPLg), Non Performing
Loan Net (NPLn), Net Interest Mergin (NIM), Profit Margin (PM), dan Loan
To Deposit Ratio(LDR) .
Kemudian penelitian ini perlu dilakukan uji asumsi diskriminan dengan
melakukan, antara lain:
51
1. Uji normalitas untuk mengetahui metode statistik yang digunakan. Jika
data terdistribusi dengan normal maka uji statistik parametrik yang
digunakan, namun jika sebaliknya data tidak terdistribusi dengan
normal maka uji non parametrik yang digunakan. Pengujian normalitas
dilakukan dengan menggunakan One-Sample Kolmogorov-Smirnov
Test dengan melihat tingkat signifikasi 5%. Dasar pengambilan
keputusan dari uji normalitas data ini adalah dengan melihat
probabilitas asymp. Sig (2-tailed), jika probabilitas asymp. Sig (2-
tailed) > 0.05 maka data mempunyai distribusi normal, sebaliknya jika
< 0.05 maka data mempunyai distribusi tidak normal.
2. Selanjutnya hipotesis yang pertama (H1) ini akan diuji dengan
menggunakan Uji Independent Sample T-test jika data terdistribusi
dengan normal, jika data tidak normal maka akan di uji dengan
menggunakan Uji Mann-Whitney Test. Pengujian ini digunakan untuk
menguji dua sampel yang tidak berhubungan (Inpendent) antara bank
devisa dengan bank non devisa. Jika probabilitas > 0.05 berarti tidak
ada perbedaan yang signifikan, dan sebaliknya jika probabilitas < 0.05
berarti ada perbedaan yang signifikan antara dua sampel tersebut.
3. Langkah ketiga uji linieritas dilakukan dengan menggunakan Equal
Variance-Covariance Matrices adalah asumsi bahwa keragaman
sample keseluruhan variabel bebas dari kedua kelompok yang diteliti
adalah sama. Pengujian dilakukan menggunakan Box’s M Test dengan
52
α=5%. Asumsi linieritas terpenuhi apabila hasil pengujian
menunjukkan nilai signifikansi < 0.05.
Kemudian hipotesis kedua (H2) dalam penelitian ini akan menggunakan
analisa metode Multiple Discriminant Analysis (MDA) dilakakukan dengan
menggunakan data kedelapan variabel independen, hasil dari analisa metode
Multiple Discriminant Analysis (MDA) dapat dibagi menjadi beberapa
kategori yakni bank yang dikategorikan bermasalah dan tidak bermasalah.
Sehingga dengan menggunakan dengan menggunakan metode Multiple
Discriminant Analysis (MDA) dapat diketahui apakah bank tersebut
bermasalah atau tidak dan dapat diketahui tingkat akurasi dari model Multiple
Discriminant Analysis (MDA).
Selanjutnya menggunakan model regresi logistik untuk mengetahui
apakah terdapat perbedaan tingkat akurasi pada model MDA dan model logit
dalam memprediksi kebangkrutan pada bank devisa dan bank non devisa. Uji
regresi logistik digunakan karena pada penguji ini memiliki variabel dependen
yang menggunakan dummy dan memiliki variabel independen yang diukur
dengan skala rasio (Windarti, 2002:24), sebelum menggunakan uji regresi
logistik terlebih dahulu akan dilakukan pengujian dengan menggunakan
metode enter, karena penelitian ini memiliki satu variabel dependen berupa
data nominal yang memiliki dua kriteria (variabel binary). Sehingga dengan
menggunakan model regresi logistik dapat diketahui seberapa besar tingkat
akurasi model regresi logistik.
53
Gambar 2.1
Kerangka Berpikir
M. Hipotesis
Laporan Keuangan Bank Umum Swasta Nasional Devisa dan Non Devisa
yang Mengalami Kondisi Bermasalah dan Bank yang Sehat
Bank Indonesia
Hasil perbandingan perhitungan prediksi
kebangkrutan model MDA dan Logit
Rasio-rasio :
1. CAR
2. ATTM
3. NIM
4. LDR
5. PM
6. APB
7. NPLg
8. NPLn
Hasil Perhitungan prediksi
kebangkrutan dengan model Logit
Hasil Perhitungan prediksi
kebangkrutan dengan model MDA
Uji Asumsi Diskriminan :
1.Uji Normalitas
2.Uji Independent Sample T-Test
3.Uji Linieritas
Uji Multiple Discriminant Analysis
(MDA)
Uji Logit
54
Berdasarkan kerangka pemikiran penelitian dan tujuan penelitian maka
hipotesis penelitian dinyatakan sebagai berikut:
H1: Rasio keuangan CAR, ATTM, NIM, LDR, PM, APB, NPLg, NPLn
memiliki perbedaan yang signifikan antara bank-bank bermasalah
dan tidak bermasalah periode 2007-2009.
H2: Terdapat perbedaan tingkat akurasi antara model MDA dan model
Logit dalam memprediksi kebangkrutan pada Bank-Bank Umum
Swasta Nasional Devisa dan Non Devisa di Indonesia.
55
BAB III
METODOLOGI PENELITIAN
A. Ruang Lingkup Penelitian
Dalam ruang lingkup penelitian diperlukan adanya penekanan batasan
lokasi, waktu, atau sektor dan variabel-variabel yang dibahas agar peneliti
tidak keluar dari wilayah yang diteliti dan akan sangat berguna bagi para
peneliti pemula (Abdul Hamid, 2007:28). Ruang lingkup dalam penelitian ini
adalah hanya berfokus pada Bank-Bank Umum Swasta Nasional Devisa dan
Non Devisa yang ada di Indonesia yang tercantum dalam Buku Direktori
Perbankan Indonesia periode 2007-2009.
Data yang digunkan dalam penelitian ini adalah data kuantitatif, yaitu data
yang diukur dalam suatu skala numerik (angka). Dalam penelitian ini
menggunakan data sekunder yaitu data yang telah dikumpulkan oleh lembaga
pengumpulan data dan dipublikasi kepada masyarakat pengguna data.
Variabel penelitian ini hanya pada rentang waktu tahun 2007 hingga 2009
sumber data yang diambil dari Bank Indonesia berupa laporan keuangan bank.
Variabel dalam penelitian ini adalah rasio-rasio keuangan, antara lain:
Capital Adequacy Ratio, Aktiva Tetap terhadap Modal, Aktiva Produktif
Bermasalah, Non Performing Loan Gross, Non Performing Loan Net, Net
Interest Mergin, Profit Margin, dan Loan To Deposit Ratio .
56
B. Metode Penentuan Sampel
Populasi dalam penelitian ini adalah Bank-Bank Umum Swasta Nasional
Devisa dan Non Devisa yang ada di Indonesia yang tercantum dalam Buku
Direktori Perbankan Indonesia periode tahun 2007-2009, yang memiliki total
aktiva sebesar 1 Trilyun – 15 Trilyun Rupiah per Desember 2009, bank yang
dijadikan sampel terbagi menjadi dua kelompok yaitu bank bermasalah dan
tidak bermasalah.
Teknik sampel yang digunakan dalam penelitian adalah metode purpossive
sampling, yaitu teknik penentuan sampel dengan pertimbangan atau kriteria
tertentu (Sugiyono, 2009:122). Kriteria pemilihan sampel yang akan diteliti
sebagai berikut:
1. Bank-Bank Umum Swasta Nasional Devisa dan Non Devisa yang
mempublikasikan laporan keuangan periode Desember 2007-
Desember 2009.
2. Total aktiva yang dimiliki bank-bank tersebut sebesar 1 Trilyun – 15
Trilyun periode tahun 2009.
3. Bank yang dijadikan sampel terbagi menjadi dua kategori yaitu:
a. Bank yang tidak bermasalah, yaitu:
1) Bank-bank yang tidak masuk program penyehatan perbankan
dan tidak dalam pengawasan khusus. Bank-bank tersebut
beroperasi sampai tahun 2009.
2) Bank-bank tersebut tidak mengalami kerugian pada tahun
2007-2009.
57
b. Bank bermasalah, yaitu:
1) Bank-bank yang mengalami laba bersih operasi (net operating
income) negatif selama dua tahun berturut-turut. (Whitaker,
1999 dalam Nurhasanah, 2010).
2) Bank-bank yang mengalami kerugian lebih dari 75% modal
disetor selama dua tahun berturut-turut. (KUHD pasal 47 ayat
2)
Dari kriteria yang dijelaskan diatas, populasi dalam penelitian ini adalah
34 Bank Umum Swasta Nasional Devisa dan 36 Bank Umum Swasta Nasional
Non Devisa. Sedangkan sampel yang memenuhi kriteria dalam penelitian ini
sebanyak 13 Bank Umum Swasta Nasional Devisa dan 3 Bank Umum Swasta
Nasional Non Devisa. Kemudian dibagi ke dalam dua kategori dimana
kategori 0 (bermasalah) berjumlah 3 bank (BUSN Devisa dan BUSN Non
Devisa), sedangkan kategori 1 (tidak bermasalah) berjumlah 16 bank (BUSN
Devisa dan BUSN Non Devisa). Sampel ini didapat dari ketersediaan laporan
keuangan Bank Umum Swasta Nasional Devisa dan Non Devisa. Dengan
demikian selama tiga periode penelitian diperoleh sebanyak 48 data
pengamatan dilihat pada tabel 3.1 berikut ini.
58
Tabel 3.1
Pengambilan Sampel Penelitian
Pengambilan Sampel 2007 2008 2009
Jumlah bank yang terdaftar di Direktori Bank Indonesia 130 124 121
Bank Persero (5) (5) (4)
BPD (26) (26) (26)
Bank Campuran (17) (15) (16)
Bank Asing (11) (10) (10)
Tidak tersedia data dan tidak memenuhi kriteria (BUSND
dan BUSNND) (55) (52) (49)
Jumlah sampel dalam penelitian 16 16 16
Jumlah data pengamatan selama 3 tahun 48
C. Metode Pengumpulan Data
Dalam penelitian ini data yang digunakan adalah data sekunder yang
diperoleh dari berbagai sumber. Data-data tersebut diperoleh melalui berbagai
cara, diantaranya:
1. Library Research
Merupakan cara pengumpulan data melalui studi pustaka yaitu
mempelajari buku-buku yang berkaitan dengan pembahasan, jurnal-
jurnal dan skripsi-skripsi untuk memperoleh teori yang mendukung
penelitian ini. Selain itu di sini peneliti juga menggunakan Buku
Direktori Perbankan Indonesia periode tahun 2007-2009 untuk melihat
daftar Bank-Bank Umum Swasta Nasional Devisa dan Non Devisa dan
laporan tahunan Bank-Bank Umum Swasta Nasional Devisa dan Non
Devisa yang di peroleh dari perpustakaan Bank Indonesia.
2. Internet research
Merupakan cara pengumpulan data yang diakses melalui internet.
Cara ini digunakan untuk mencari jurnal-jurnal serta referensi lainnya
59
guna mendukung penelitian ini. Data diperoleh dengan mengakses situs
yang dimiliki Bank Indonesia (http://bi.go.id).
D. Metode Analisis
Penelitian ini menggunakan analisis regresi logistik dan Multiple
Discriminant Analysis (MDA) atas rasio-rasio keuangan. Analisis data adalah
merupakan kegiatan mengolah data yang telah terkumpul kemudian dapat
memberikan interprestasi pada hasil-hasil tersebut. Kegiatan dalam analisis
data meliputi : pengelompokan data tiap variabel yang diteliti, melakukan
perhitungan untuk menguji hipotesis yang diajukan.
Adapun analisis yang digunakan adalah sebagai berikut:
1. Analisis Deskriptif
Analisis deskriptif kuantitatif merupakan analisis data yang
dilakukan untuk mengetahui dan menjelaskan variabel yang diteliti
berupa angka-angka sebagai dasar dalam pengambilan keputusan,
dimana dalam penelitian ini angka-angka tersebut adalah rasio-rasio
keuangan dan kondisi bank yang dikategorikan dalam 2 kelompok, yaitu
kondisi bank yang tidak bermasalah (1) dan kondisi bank yang
bermasalah (0) selama 3 tahun berturut-turut dalam periode 2007-2009.
60
2. Uji Asumsi Diskriminan
a. Uji Normalitas
Hasil analisis diskriminan sangat sensitif jika terjadi
penyimpangan atas asumsi yang digunakan. Jika asumsi
kenormalan data tidak terpenuhi akan berakibat pada kesalahan
dalam melakukan estimasi fungsi diskriminan. menuliskan bahwa
asumsi kenormalan data harus dipenuhi oleh sebuah model dengan
beberapa alasan (Gujarati, 1997:67):
1. Data normal menghasilkan model prediksi yang tidak bias,
serta memiliki varians yang minimum.
2. Data normal menghasilkan model yang konsisten , yaitu
dengan meningkatnya jumlah sampel ke jumlah yang tidak
terbatas, penaksir akan mengarah ke nilai populasi yang
sebenarnya.
Uji normalitas dilakukan juga untuk mengetahui apakah dalam
sebuah model variabel bebas mempunyai distribusi normal atau
mendekati distribusi normal. Uji ini dilakukan dengan
menggunakan one-sample Kolmogorov Smirnov test. Data tidak
berdistribusi dengan normal ditandai dengan asimp. Sig (2 tailed) <
0,05. Hasil uji normalitas dengan menggunakan uji one-sample
Kolmogrov Smirnov Test dijadikan sebagai pedoman dalam
menentukan pengujian hipotesis pertama. Hipotesis pertama (H1)
akan diuji menggunakan uji Independent sample t Test jika
61
berdistribusi normal, dan akan diuji dengan alat uji Mann Whitney
Test jika datanya memiliki distribusi tidak normal.
b. Independent Samples T-test
Uji beda t-test digunakan untuk menentukan apakah dua
sampel yang tidak berhubungan memiliki nilai rata-rata yang
berbeda. Uji beda t-test dilakukan dengan standart eror dari
perbedaan rata-rata dua sample dalam nilai rata-rata terdistribusi
secara normal (Imam Ghozali, 2005: 56):
Dimana :
µ1 = Rata-rata sampel pertama
µ2 = Rata-rata sampel kedua
S.E = Standart Eror perbedaan rata-rata kedua sampel
Hipotesis pertama menyatakan bahwa terdapat perbedaan
antara bank yang bermasalah dengan bank yang tidak bermasalah
pada rasio keuangan. Pengujian terhadap hipotesis pertama
dilakukan dengan menggunakan uji Independent sample T-test.
Uji Independent sample T-test dilakukan terhadap data yang
terdistribusi normal, dan menggunakan alat uji Mann Whitney Test
jika data terdistribusi tidak normal.
t = µ1 - µ2
S.E
62
Dari hasil pengujian ini dapat diketahui terdapat tidaknya
perbedaan rasio. Kondisi antara bank bermasalah dan bank tidak
bermasalah. Pengambilan keputusan dilakukan dengan melihat
nilai asymp. Sig (2-tailed) > 0.05. Apabila nilai asymp. Sig (2-
tailed) > 0.05 atau probabilitas variabel bebas > 0.05 maka tidak
terdapat perbedaan rasio keuangan antara kondisi bank tidak
bermasalah dan bank bermasalah. Apabila nilai asymp. Sig (2-
tailed) < 0.05 atau probabilitasnya < 0.05 maka terdapat perbedaan
rasio keuangan antara kondisi bank tidak bermasalah dan bank
bermasalah.
c. Uji Linieritas
Equal Variance-Covariance Matrices adalah asumsi bahwa
keragaman sample keseluruhan variabel bebas dari kedua kelompok
yang diteliti adalah sama. Pelanggaran terhadap asumsi ini akan
menimbulkan penyimpangan terhadap keakuratan fungsi diskriminan
dalam mengelompokkan sampel kedalam salah satu kategori tertentu.
Pengujian dilakukan menggunakan Box’s M Test dengan α=5%.
Asumsi linieritas terpenuhi apabila hasil pengujian menunjukkan
nilai signifikansi < 0.05.
63
3. Analisis Multiple Discriminat Analtsis (MDA)
Hipotesis kedua merupakan pengujian terhadap variabel-variabel
rasio keuangan yang mempunyai kemampuan dalam membentuk
model untuk memprediksi kebangkrutan bank. Hipotesis yang kedua
akan diuji dengan menggunakan MDA (Multiple Diskriminant
Analysis). Dengan menggunakan MDA, variabel independen akan
diuji dan diseleksi dengan metode stepwise sehingga diperoleh model
prediksi yang paling tepat untuk memprediksi kebangkrutan bank.
Variabel independen yang masuk ke dalam seleksi SPSS akan menjadi
persamaan fungsi diskriminan sebagai model prediksi yang terbentuk.
Adapun model prediksi yang dibentuk dari MDA disajikan berikut ini:
Gambar 3.1
Model Fungsi Diskriminan
Dengan menggunakan fungsi diskriminan dapat dihitung nilai
optimum cutting score (Zcu) dari rata-rata z score setiap kategori
Zscore = a +W1X1+W2X2+W3X3+W4X4+W5X5+W6X6+W7X7+W8X8
Notasi: Zscore = Discriminant score
a
W
= Intersep
= timbangan diskriminan variabel independen
X1
X2
X3
X4
X5
X6
X7
X8
= Capital Adequency Ratio (CAR)
= Aktiva Tetap terhadap Modal (ATTM)
= Net Interest Margin (NIM)
= Loan To Deposit Ratio (LDR)
= Profit Margin (PM)
= Aktiva Produktif Bermasalah (APB)
= Non Performing Loan Gross (NPLg)
= Non Performing Loan Net (NPLn)
64
sehingga kondisi bermasalah suatu bank dapat diprediksi secara tepat.
Hasil dari fungsi diskriminan (Zscore) akan dibandingkan dengan nilai
Zcu yang telah terbentuk. Apabila nilai Zscore < Zcu, maka bank akan
dikategorikan ke dalam bank tidak bermasalah dan apabila nilai Zscore
> Zcu, maka perusahaan akan dikategorikan ke dalam bank
bermasalah. Dari model prediksi yang terbentuk oleh program SPSS
akan dapat diketahui tingkat ketepatan model prediksi tersebut.
4. Analisis Regresi Binari Logistik
Pengujian hipotesis dalam penelitian ini dilakukan dengan analisis
multivariate dengan menggunakan regresi logistik (logistic
regression), dimana analisis ini digunakan untuk menguji variabel
bebas yang terdiri dari CAR, ATTM, NIM, LDR, PM, APB, NPLg,
NPLn terhadap kondisi bank.
Model binary logistic adalah model yang memiliki variabel
dependen berupa kategori, sedangkan variabel independennya berupa
data numeric. Data kategori pada variabel independen kemudian di
beri nilai 0 dan 1. Setiap nilai dugaan dari variabel independen
terhadap variabel dependen dinyatakan dalam nilai probabilitas.
Dalam penelitian ini, model regresi logistik yang digunakan adalah
model binary logistic regression yaitu model yang variabel
dependennya berupa data kategori, dimana bank yang bermasalah
diberi kode 0 dan bank yang tidak bermasalah diberi kode 1.
65
Penggunaan regresi logistik ini tidak mensyaratkan adanya
multivariate normal distribution karena tidak memerlukan asumsi
normalitas data pada variabel bebasnya (Ghozali, 2005:211).
Model Regresi Logistik yang digunakan untuk menguji hipotesis
dalam penelitian ini adalah sebagai berikut :
Gambar 3.2
Model Regresi Logistik
P1
Ln = β0 + β1X1 + β2X2+ β3X3+ β4X4 + β5X5+ β6X6+ β7X7+ β8X8
1 – P1
Notasi: P 1
Ln
1 – P1
= Dummy variabel kondisi bank (P1 = 1 untuk bank
tidak bermasalah dan 1 – P1 = 0 untuk bank yang
bermasalah
β0 = Konstanta
β1-8 = Koefisien
X1
X2
X3
X4
X5
X6
X7
X8
= Capital Adequency Ratio (CAR)
= Aktiva Tetap terhadap Modal (ATTM)
= Net Interest Margin (NIM)
= Loan To Deposit Ratio (LDR)
= Profit Margin (PM)
= Aktiva Produktif Bermasalah (APB)
= Non Performing Loan Gross (NPLg)
= Non Performing Loan Net (NPLn)
a. Menilai Model Fit
Penilaian keseluruhan model menggunakan nilai -2 Loglikelihood
untuk melihat model yang lebih baik dalam memprediksi kondisi
bermasalah, Loglikelihood ditransformasikan menjadi -2
Loglikelihood dimana output SPSS 17.0 memberikan dua nilai, yaitu
66
: pertama, untuk model pertama hanya terdapat konstanta dan nilai -2
Loglikelihood serta kedua, untuk model dengan konstanta dan
variabel bebas. Jika terjadi penurunan dalam nilai -2 Loglikelihood
pada blok kedua jika dibandingkan dengan blok pertama maka dapat
disimpulkan bahwa model kedua regresi menjadi lebih baik
(Ghozali, 2005:218).
b. Koefisien Cox & Snell R Square dan Nagelkerke’s R Square
Cox & Snell’s R Square merupakan ukuran yang mencoba
meniru ukuran R2
pada multiple ragression yang didasarkan pada
teknik estimasi -2 Loglikelihood dengan nilai maksimum kurang dari
1 sehingga sulit di interpretasikan. Negelkerke’s R Square
merupakan modifikasi dari koefisien Cox & Snell R Square untuk
memastikan bahwa nilainya bervariasi dari 0-1. Hal ini dilakukan
dengan cara membagi nilai Cox & Snell R Square dengan nilai
maksimumnya. Nilai Nagelkerke’s R Square dapat diinterpretasikan
seperti nilai R2 pada multiple regression (Ghozali, 2005:219).
Nilai koefisien Nagelkerke R Square umumnya lebih besar dari
nilai koefisien Cox & Snell R Square tapi cenderung lebih kecil
dibandingkan dengan nilai koefisien determinasi R2 pada regresi
linear berganda (Uyanto, 2006:236).
67
c. Hosmer and Lemeshow’s Goodness of Fit Test
Kelayakan model regresi dinilai dengan menggunakan Hosmer
and Lemeshow’s Goodness of Fit Test. Hosmer and Lemeshow’s
Goodness of Fit Test menguji H0 yang menyatakan bahwa data
empiris yang digunakan sesuai dengan model (tidak ada perbedaan
antara model dengan data sehingga model dapat dikatakan fit).
Hipotesis yang digunakan adalah sebagai berikut :
H0 = Tidak terdapat perbedaan antara klasifikasi yang diprediksi
dengan klasifikasi yang diamati.
Ha = Terdapat perbedaan antara klasifikasi yang diprediksi dengan
klasifikasi yang diamati.
Jika nilai Hosmer and Lemeshow’s Goodness of Fit Statistic
sama dengan atau kurang dari 0.05 maka H0 ditolak, artinya ada
perbedaan signifikansi antara model dengan nilai observasinya
sehingga Goodness Fit Model tidak baik, karena model tidak dapat
memprediksi nilai observasinya. Jika nilai Statistics Hosmer and
Lemeshow’s Goodness of Fit lebih besar dari 0.05 maka H0 diterima,
artinya model mampu memprediksi nilai observasinya atau dapat
dikatakan model dapat diterima karena cocok dengan data
observasinya (Ghozali, 2005:219).
68
d. Ketepatan Prediksi Klasifikasi
Tabel klasifikasi (Clasification Table) yang terdapat pada output
SPSS 17.0 model regresi logistik digunakan untuk menghitung nilai
estimasi yang benar (correct) dan yang salah (incorrect). Kolom
menunjukkan 2 (dua) nilai prediksi dari variabel dependen yaitu :
perusahaan yang memiliki pergerakan harga saham di bawah rata-rata
industri (0) dan perusahaan yang memiliki pergerakan harga saham di
atas rata-rata industri (1), sedangkan pada baris menunjukan nilai
observasi sesungguhnya yang sesuai dengan data aktual. Pada model
yang sempurna maka semua kasus akan berada pada diagonal dengan
tingkat ketepatan peramalan 100% (Ghozali, 2005:220).
e. Uji Wald Statistics
Uji Wald pada tabel variables in the equation digunakan untuk
menguji apakah masing-masing koefisien regresi logistik signifikan.
Uji Wald sama dengan kuadrat dari rasio koefisien regresi logistik β
dan standar error S.E dengan tingkat signifikansi α < 0.05 (Uyanto,
2006:236).
f. Pengujian Hipotesis
Pengujian hipotesis dalam penelitian ini dilakukan dengan
melihat Uji Independent sample t Test dengan prosedur pengujian
sebagai berikut :
69
1) Menentukan hipotesis
2) Membandingkan nilai probabilitas (P-value) dalam Uji
Independent sample t Test dengan tingkat signifikansi (α) 5%.
3) Kriteria penerimaan dan penolakan hipotesis :
a) H1 diterima jika nilai probabilitas (P-value) ≥ 0.05.
Pengujian hipotesis kedua dalam penelitian ini dilakukan dengan
melihat tabel klasifikasi (Clasification Table) yang terdapat pada
output SPSS 17.0 dengan prosedur pengujian sebagai berikut:
1) Menentukan hipotesis.
2) Membandingkan tingkat akurasi antara model Multiple
Discriminant Analysis (MDA) dan model Regresi Binari Logistik.
3) Kriteria penerimaan dan penolakan hipotesis:
a) H2 diterima jika terdapat perbedaan tingkat akurasi.
b) Ha diterima (H0 ditolak) jika tidak terdapat perbedaan tingkat
akurasi.
E. Operasional Variabel- variabel Penelitian
a. Operasional Variabel Dependen Penelitian
Variabel dependen sering disebut juga variabel output, kriteria,
konsekuen. Dalam bahasa Indonesia sering disebut sebagai variabel
terikat. Variabel terikat merupakan variabel yang dipengaruhi atau yang
menjadi akibat, karena adanya variabel bebas (Sugiyono, 2009:59).
70
Variabel dependent (terikat) dalam penelitian ini adalah kondisi Bank
Umum Swasta Nasional Devisan dan Non Devisa yang terdaftar di
Direktori Perbankan Indonesia periode 2007-2009 yang terbagi menjadi
2 (dua) kategori yaitu:
a. Kode 1 =Kelompok bank yang tidak bermasalah
b. Kode 0 = Kelompok bank yang bermasalah
b. Operasional Variabel Independen Penelitian
Variabel independent sering disebut sebagai variabel stimulus, prediktor,
antecedent. Dalam bahasa Indonesia sering disebut ssebagai variabel bebas.
Variabel independent (bebas) adalah merupakan variabel yang
mempengaruhi atau yang menjadi sebab perubahannya atau timbulnya
variabel dependent (Sugiyono, 1990:59). Variabel independen yang
digunakan dalam penelitian ini adalah sebagai berikut:
1. Rasio Capital
a) Capital Adequacy Ratio CAR adalah Perbandingan antara modal
yang dimiliki bank terhadap aktiva tertimbang menurut risiko.
b) Aktiva Tetap Terhadap Modal (ATTM) adalah perbandingan antara
aktiva tetap dan inventaris terhadap modal.
71
2. Rasio Kualitas Asset
a) Aktiva Produktif Bermasalah (APB) adalah perbandingan antara
aktiva produktif bermasalah terhadap total aktiva produktif.
b) Non Performing Loan Gross (NPLg) adalah perbandingan antara
jumlah kredit bermasalah kolektibilitas 3 sampai 5 terhadap total
kredit yang diberikan.
c) Non Performing Loan Net (NPLn) adalah perbandingan antara kredit
yang diberikan kolektibilitas 3 sampai 5 dikurangi PPAP khusus
kolektibilitas 3 sampai 5 terhadap total kredit yang diberikan.
3. Rasio Profitabilitas
a) Net Interest Margin (NIM) adalaha perbandingan antara pendapatan
bunga bersih terhadap jumlah kredit yang diberikan.
b) Profit Margin (PM) adalan perbandingan antara biaya bunga
terhadap total asset.
4. Rasio Likuiditas
a) Loan To Deposit Ratio (LDR) adalah perbandingan antara total
kredit yang diberikan terhadap total dana pihak ketiga.
72
BAB IV
ANALISIS DAN PEMBAHASAN
B. Sekilas Gambaran Umum Obyek Penelitian
Obyek penelitian ini adalah Bank Umum Swasta Nasional Devisa, dan
Bank Umum Swasta Nasional non Devisa periode dari tahun 2007 sampai
dengan tahun 2009 yang mempublikasikan laporan keuangannya di Direktori
Bank Indonesia. Obyek dalam penelitian ini sebanyak 16 bank yang termasuk
dalam kriteria dalam penelitian ini. Daftar sampel kedua kategori tersebut
dapat dilihat dalam tabel 4.1 dan tabel 4.2 berikut ini.
Tabel 4.1
Bank Umum Swasta Nasional Devisa
No Bank Tidak Bermasalah
1 PT. Bank Bumi Arta, Tbk
2 PT. Bank Ganesha
3 PT. Bank Kesawan, Tbk
4 PT. Bank Mayapada Internasional
5 PT. Bank Mestika Dharma
6 PT. Bank Nusantara Parahyangan, Tbk
7 PT. Bank Sinarmas
8 PT. Bank Swadesi, Tbk
9 PT. Bank Harda Internasional
10 PT. Bank Jasa Jakarta
11 PT. Bank Kesejahteraan Ekonomi
12 PT. Bank Victoria International
13 PT. Bank Yudha Bhakti
Tabel 4.2
Bank Umum Swasta Nasional Non Devisa
No Bank Bermasalah
1 PT. Bank Agroniaga, Tbk
2 PT. Bank Mutiara, Tbk
3 PT. Bank Eksekutif International, Tbk
73
B. Analisis dan Pembahasan
1. Analisis Deskriptif
Perolehan data-data dari variabel indikator yang diteliti, diantaramnya
sebagai berikut:
a. Capital Adequacy Ratio (CAR)
Capital Adequacy Ratio menunjukkan perbandingan modal bank
dan aktiva tertimbang menurut risiko. Semakin besar rasio ini maka
semakin tinggi kemampuan bank untuk menutupi penurunan aktivanya
sebagai akibat dari kerugian-kerugian bank yang disebabkan oleh
aktiva yang berisiko, begitupula sebaliknya. Perhitungan nilai Capital
Adequacy Ratio(CAR) dari 16 Bank Devisa dan Non Devisa periode
2007-2009 dapat dilihat melalui tabel 4.3 berikut ini
Tabel 4.3
Perhitungan Nilai CAR
No Nama Bank 2007 2008 2009
CAR CAR CAR
1 PT. Bank Bumi Arta, Tbk 0.3430 0.3115 0.2842
2 PT. Bank Ganesha 0.2100 0.2121 0.1004
3 PT. Bank Kesawan, Tbk 0.1036 0.1043 0.1256
4 PT. Bank Mayapada Internasional 0.2995 0.2369 0.1756
5 PT. Bank Mestika Dharma 0.2609 0.2649 0.2848
6 PT. Bank Nusantara Parahyangan, Tbk 0.1762 0.1411 0.1260
7 PT. Bank Sinarmas 0.1118 0.1152 0.1305
8 PT. Bank Swadesi, Tbk 0.2066 0.3327 0.3290
9 PT. Bank Harda Internasional 0.1398 0.1658 0.1350
10 PT. Bank Jasa Jakarta 0.2344 0.2563 0.2461
11 PT. Bank Kesejahteraan Ekonomi 0.2089 0.1434 0.1317
12 PT. Bank Victoria International 0.1958 0.2322 0.1692
13 PT. Bank Yudha Bhakti 0.1638 0.1524 0.1311
14 PT. Bank Agroniaga, Tbk 0.1794 0.1351 0.2000
15 PT. Bank Mutiara, Tbk 0.1591 -0.3962 0.1231
16 PT. Bank Eksekutif International, Tbk 0.1191 0.0934 0.0802
Rata-rata 0.1945 0.1563 0.1733
Minimum 0.1036 -0.3962 0.0802
Maksimum 0.3430 0.3327 0.3290
Sumber : data diolah
74
Berdasarkan tabel 4.3 menunjukkan bahwa rata-rata nilai CAR pada
industri perbankan, mengalami fluktuasi dari tahun 2007-2009. Pada tahun
2007 rata-rata nilai CAR yang dihasilkan sebesar 19.45% kemudian
menurun di tahun 2008 menjadi 15.63%, ini menunjukkan bahwa modal
yang dimiliki bank untuk menunjung aktiva yang mengandung risiko
semakin berkurang. Namun pada tahun 2009 nilai CAR kembali naik
menjadi 17.33%.
Bank yang memiliki nilai CAR tertinggi di tahun 2007 adalah PT.
Bank Bumi Arta, Tbk sebesar 34.30% sedangkan terendah dimiliki oleh
PT. Bank Kesawan, Tbk sebesar 10.36%. CAR paling besar dimiliki oleh
bank Bumi Arta, Tbk, hal ini menujukkan bahwa tingginya kemampuan
bank untuk menutupi penurunan sebagai akibat dari kerugian-kerugian
bank yang disebabkan oleh aktiva yang berisiko.
Pada tahun 2008 bank yang memiliki nilai CAR tertinggi adalah PT.
Bank Swadesi, Tbk sebesar 33.27% sedangkan terendah dimiliki oleh PT.
Bank Mutiara, Tbk sebesar -39.62%. CAR paling besar dimiliki oleh PT.
Bank Swadesi, Tbk, hal ini menujukkan bahwa tingginya kemampuan
bank untuk menutupi penurunan sebagai akibat dari kerugian-kerugian
bank yang disebabkan oleh aktiva yang berisiko.
Pada tahun 2009 nilai CAR tertinggi masih dimiliki oleh PT. Bank
Swadesi, Tbk sebesar 32.90% sedangkan terendah dimiliki oleh PT. Bank
Eksekutif International, Tbk sebesar 8.02%. CAR paling besar dimiliki
oleh PT. Bank Swadesi, Tbk, hal ini menujukkan bahwa tingginya
75
kemampuan bank untuk menutupi penurunan sebagai akibat dari kerugian-
kerugian bank yang disebabkan oleh aktiva yang berisiko. Akan tetapi jika
dilihat secara keseluruhan rata-rata rasio CAR seluruh bank cukup baik
karena masih diatas rata-rata standart adalah sebesar 8% yang telah
ditetapkan oleh Bank Indonesia.
b. Aktiva Tetap Terhadap Modal (ATTM)
Aktiva Tetap Terhadap Modal menunjukkan perbandingan aktiva
tetap dan inventaris terhadap modal. Semakin tinggi rasio ini maka
semakin rendah kecukupan modal yang dimiliki bank dalam
menunjang aktiva tetap dan inventaris sehingga kemungkinan suatu
bank dalam kondisi bermasalah akan semakin besar, begitupula
sebaliknya. Perhitungan nilai Aktiva Tetap Terhadap Modal (ATTM)
dari 16 Bank Devisa dan Non Devisa periode 2007-2009 dapat dilihat
melalui tabel 4.4 berikut ini.
76
Tabel 4.4
Pehitungan Nilai ATTM
No Nama Bank 2007 2008 2009
CAR CAR CAR
1 PT. Bank Bumi Arta, Tbk 46.60% 44.71% 46.53%
2 PT. Bank Ganesha 29.09% 31.28% 34.05%
3 PT. Bank Kesawan, Tbk 52.74% 53.97% 47.15%
4 PT. Bank Mayapada Internasional 29.08% 35.85% 37.30%
5 PT. Bank Mestika Dharma 19.50% 17.66% 16.92%
6 PT. Bank Nusantara Parahyangan, Tbk 13.72% 13.48% 13.00%
7 PT. Bank Sinarmas 27.65% 40.89% 43.18%
8 PT. Bank Swadesi, Tbk 29.67% 13.19% 12.97%
9 PT. Bank Harda Internasional 39.86% 33.45% 33.72%
10 PT. Bank Jasa Jakarta 13.05% 12.76% 12.78%
11 PT. Bank Kesejahteraan Ekonomi 7.61% 9.63% 9.55%
12 PT. Bank Victoria International 27.32% 23.22% 31.30%
13 PT. Bank Yudha Bhakti 15.91% 14.51% 14.26%
14 PT. Bank Agroniaga, Tbk 13.36% 14.97% 11.00%
15 PT. Bank Mutiara, Tbk 23.97% -18.36% 60.93%
16 PT. Bank Eksekutif International, Tbk 113.62% 111.20% 175.97%
Rata-rata 31.42% 28.28% 37.54%
Maksimum 113.62% 111.20% 175.97%
Minimum 7.61% -18.36% 9.55%
Sumber: data diolah
Berdasarkan tabel 4.4 menunjukkan bahwa rata-rata nilai ATTM
pada industri perbankan, mengalami fluktuasi dari tahun 2007-2009.
Pada tahun 2007 rata-rata nilai ATTM yang dihasilkan sebesar 31.42%
kemudian menurun di tahun 2008 menjadi 28.28%, hal ini
menunjukkan kecukupan modal yang dimiliki bank dalam menunjang
aktiva tetap dan inventaris semakin berkurang sehingga kemungkinan
suatu bank dalam kondisi bermasalah dapat terjadi. Namun pada tahun
2009 nilai ATTM kembali naik menjadi 37.54%.
Bank yang memiliki nilai ATTM tertinggi di tahun 2007 adalah
PT. Bank Eksekutif International, Tbk sebesar 113.62% sedangkan
terendah dimiliki oleh PT. Bank Kesejahteraan Ekonomi sebesar
77
7.61%. ATTM paling besar dimiliki oleh PT. Bank Eksekutif
International, Tbk, hal ini menunjukkan bahwa modal yang dimiliki
bank tersebut kurang mencukupi dalam menunjang aktiva tetap dan
inventaris sehingga kemungkinan bank dalam kondisi bermasalah
semakin besar.
Bank yang memiliki nilai ATTM tertinggi di tahun 2008 adalah
PT. Bank Eksekutif International, Tbk sebesar 111.20% sedangkan
terendah dimiliki oleh PT. Bank Mutiara, Tbk sebesar -18.36%. ATTM
paling besar dimiliki oleh PT. Bank Eksekutif International, Tbk, hal
ini menunjukkan bahwa modal yang dimiliki bank tersebut kurang
mencukupi dalam menunjang aktiva tetap dan inventaris sehingga
kemungkinan bank dalam kondisi bermasalah semakin besar.
Pada tahun 2009 nilai ATTM tertinggi masih dimiliki oleh PT.
Bank Eksekutif International, Tbk sebesar 175.97% sedangkan
terendah dimiliki oleh PT. Bank Kesejahteraan Ekonomi sebesar
9.55%. ATTM paling besar dimiliki oleh PT. Bank Eksekutif
International, Tbk, hal ini menunjukkan bahwa modal yang dimiliki
bank tersebut kurang mencukupi dalam menunjang aktiva tetap dan
inventaris sehingga kemungkinan bank dalam kondisi bermasalah
semakin besar.
78
c. Net Interest Margin (NIM)
Net Interest Margin menunjukkan perbandingan antara pendapatan
bunga bersih terhadap jumlah kredit yang diberikan (outstanding
credit). Semakin besar rasio ini maka meningkatnya pendapatan bunga
atas aktiva produktif yang dikelola bank sehingga kemungkinan suatu
bank dalam kondisi bermasalah semakin kecil, begitupula sebaliknya.
Perhitungan nilai Net Interest Margin (NIM) dari 16 Bank Devisa dan
Non Devisa periode 2007-2009 dapat dilihat melalui tabel 4.5 berikut
ini.
Tabel 4.5
Pehitungan Nilai NIM
No Nama Bank 2007 2008 2009
NIM NIM NIM
1 PT. Bank Bumi Arta, Tbk 6.60% 6.90% 7.00%
2 PT. Bank Ganesha 4.58% 4.16% 4.42%
3 PT. Bank Kesawan, Tbk 4.68% 4.24% 4.78%
4 PT. Bank Mayapada Internasional 6.85% 7.57% 6.74%
5 PT. Bank Mestika Dharma 8.85% 8.68% 9.15%
6 PT. Bank Nusantara Parahyangan, Tbk 3.61% 3.60% 3.69%
7 PT. Bank Sinarmas 4.15% 3.66% 5.04%
8 PT. Bank Swadesi, Tbk 3.72% 5.44% 5.41%
9 PT. Bank Harda Internasional 4.08% 4.58% 5.44%
10 PT. Bank Jasa Jakarta 4.54% 4.27% 5.30%
11 PT. Bank Kesejahteraan Ekonomi 8.85% 6.97% 5.70%
12 PT. Bank Victoria International 2.56% 2.61% 2.38%
13 PT. Bank Yudha Bhakti 5.64% 5.21% 4.70%
14 PT. Bank Agroniaga, Tbk 4.03% 4.07% 5.00%
15 PT. Bank Mutiara, Tbk 3.34% -0.85% 0.76%
16 PT. Bank Eksekutif International, Tbk 8.44% 7.63% 7.45%
Rata-rata 5.28% 4.92% 5.19%
Maksimum 8.85% 8.68% 9.15%
Minimum 2.56% -0.85% 0.76%
Sumber : data diolah
79
Berdasarkan tabel 4.5 menunjukkan bahwa rata-rata nilai NIM
pada industri perbankan, mengalami fluktuasi dari tahun 2007-2009.
Pada tahun 2007 rata-rata nilai NIM yang dihasilkan sebesar 5.28%
kemudian menurun di tahun 2008 menjadi 4.92%, hal ini menunjukkan
menurunnya pendapatan bunga atas aktiva produktif yang dikelola
bank sehingga kemungkinan suatu bank dalam kondisi bermasalah
semakin besar. Namun pada tahun 2009 nilai NIM kembali naik
menjadi 5.19%.
Bank yang memiliki nilai NIM tertinggi di tahun 2007 adalah PT.
Bank Mestika Dharma dan PT. Bank Kesejahteraan Ekonomi sebesar
8.85% sedangkan terendah dimiliki oleh PT. Bank Victoria
International sebesar 2.56%. NIM paling besar dimiliki oleh PT. Bank
Mestika Dharma dan PT. Bank Kesejahteraan Ekonomi, hal ini
menunjukkan bahwa kemampuan manajemen bank tersebut cukup baik
dalam mengelola aktiva produktifnya sehingga menghasilkan
pendapatan bunga bersih dan kemungkinan suatu bank dalam kondisi
bermasalah semakin kecil.
Bank yang memiliki nilai NIM tertinggi di tahun 2007 adalah PT.
Bank Mestika Dharma dan PT. Bank Kesejahteraan Ekonomi sebesar
8.85% sedangkan terendah dimiliki oleh PT. Bank Victoria
International sebesar 2.56%. NIM paling besar dimiliki oleh PT. Bank
Mestika Dharma dan PT. Bank Kesejahteraan Ekonomi, hal ini
menunjukkan bahwa kemampuan manajemen bank tersebut cukup baik
80
dalam mengelola aktiva produktifnya sehingga menghasilkan
pendapatan bunga bersih dan kemungkinan suatu bank dalam kondisi
bermasalah semakin kecil.
Bank yang memiliki nilai NIM tertinggi di tahun 2008 dan 2009
adalah PT. Bank Mestika Dharma sebesar 8.68% pada tahun 2008 dan
9.15% pada tahun 2009 sedangkan terendah pada tahun 2008 dan 2009
dimiliki oleh PT. Bank Mutiara, Tbk sebesar -0.85% pada tahun 2008
dan 0.76% pada tahun 2009. NIM paling besar dimiliki oleh PT. Bank
Mestika Dharma, hal ini menunjukkan bahwa kemampuan manajemen
bank tersebut cukup baik dalam mengelola aktiva produktifnya
sehingga menghasilkan pendapatan bunga bersih dan kemungkinan
suatu bank dalam kondisi bermasalah semakin kecil.
d. Loan To Deposit Ratio (LDR)
Loan To Deposit Ratio menunjukkan perbandingan antara total
kredit yang diberikan dengan total Dana Pihak Ketiga (DPK). Semakin
tinggi rasio ini, semakin rendahnya kemampuan likuiditas bank yang
bersangkutan sehingga kemungkinan suatu bank dalam kondisi
bermasalah akan semakin besar, begitupula sebaliknya. Perhitungan
nilai Loan To Deposit Ratio (LDR) dari 16 Bank Devisa dan Non
Devisa periode 2007-2009 dapat dilihat melalui tabel 4.6 berikut ini.
81
Tabel 4.6
Pehitungan Nilai LDR
No Nama Bank 2007 2008 2009
LDR LDR LDR
1 PT. Bank Bumi Arta, Tbk 51.99% 59.86% 50.58%
2 PT. Bank Ganesha 69.57% 76.30% 63.41%
3 PT. Bank Kesawan, Tbk 68.46% 74.66% 66.97%
4 PT. Bank Mayapada Internasional 103.88% 100.22% 83.77%
5 PT. Bank Mestika Dharma 89.36% 97.82% 92.26%
6 PT. Bank Nusantara Parahyangan, Tbk 49.39% 66.12% 73.64%
7 PT. Bank Sinarmas 62.18% 83.31% 79.01%
8 PT. Bank Swadesi, Tbk 62.16% 83.11% 81.10%
9 PT. Bank Harda Internasional 65.52% 68.52% 71.31%
10 PT. Bank Jasa Jakarta 85.23% 83.55% 85.00%
11 PT. Bank Kesejahteraan Ekonomi 94.12% 103.35% 102.32%
12 PT. Bank Victoria International 55.92% 53.46% 50.43%
13 PT. Bank Yudha Bhakti 52.60% 67.54% 59.38%
14 PT. Bank Agroniaga, Tbk 77.02% 94.80% 81.00%
15 PT. Bank Mutiara, Tbk 43.61% 93.16% 81.66%
16 PT. Bank Eksekutif International, Tbk 78.06% 71.04% 79.22%
Rata-rata 69.32% 79.80% 75.07%
Maksimum 103.88% 103.35% 102.32%
Minimum 43.61% 53.46% 50.43%
Sumber : data diolah
Berdasarkan tabel 4.6 menunjukkan bahwa rata-rata nilai LDR
pada industri perbankan, mengalami fluktuasi dari tahun 2007-2009.
Pada tahun 2007 rata-rata nilai LDR yang dihasilkan sebesar 69.32%
kemudian mengalami peningkatan di tahun 2008 menjadi 79.80 %, hal
ini menunjukkan semakin rendahnya kemampuan likuiditas bank yang
bersangkutan. Namun pada tahun 2009 nilai LDR mengalami
penurunan menjadi sebesar 79.22%.
Bank yang memiliki nilai LDR tertinggi di tahun 2007 adalah PT.
Bank Mayapada Internasional sebesar 103.88% sedangkan terendah
82
dimiliki oleh PT. Bank Mutiara, Tbk sebesar 43.61%. NIM paling
besar dimiliki oleh PT. Bank Mayapada Internasional, hal ini
menunjukkan semakin rendahnya kemampuan likuiditas bank yang
bersangkutan, sehingga kemungkinan bank tersenut dalam kondisi
bermasalah semakin besar.
Bank yang memiliki nilai LDR tertinggi di tahun 2008 dan 2009
adalah PT. Bank Kesejahteraan Ekonomi sebesar 103.35% pada tahun
2008 dan 102.32% pada tahun 2009 sedangkan terendah pada tahun
2008 dan 2009 dimiliki oleh PT. Bank Victoria International sebesar
53.48% pada tahun 2008 dan 50.43% pada tahun 2009. LDR paling
besar dimiliki oleh PT. Bank Kesejahteraan Ekonomi, hal ini
menunjukkan semakin rendahnya kemampuan likuiditas bank yang
bersangkutan, sehingga kemungkinan bank tersenut dalam kondisi
bermasalah semakin besar. Akan tetapi jika dilihat secara keseluruhan
rata-rata rasio LDR seluruh bank cukup baik karena masih dibawah
rata-rata standart adalah sebesar 110% yang telah ditetapkan oleh Bank
Indonesia.
e. Proft Margin (PM)
Profit Margin (PM) perbandingan antara biaya bunga dengan total
asset yang dimiliki bank. Semakin besar rasio ini maka semakin
produktif sehingga akan memperkecil kemungkinan terjadinya
kegagalan bank. Perhitungan nilai Profit Margin (PM) dari 16 Bank
83
Devisa dan Non Devisa periode 2007-2009 dapat dilihat melalui tabel
4.7 berikut ini.
Tabel 4.7
Pehitungan Nilai PM
No Nama Bank 2007 2008 2009
PM PM PM
1 PT. Bank Bumi Arta, Tbk 4.40% 4.40% 4.00%
2 PT. Bank Ganesha 5.31% 5.31% 7.09%
3 PT. Bank Kesawan, Tbk 6.48% 6.48% 5.63%
4 PT. Bank Mayapada Internasional 6.17% 6.17% 6.93%
5 PT. Bank Mestika Dharma 4.07% 4.07% 3.70%
6 PT. Bank Nusantara Parahyangan, Tbk 5.83% 5.83% 6.48%
7 PT. Bank Sinarmas 4.18% 4.18% 5.66%
8 PT. Bank Swadesi, Tbk 5.75% 5.75% 5.37%
9 PT. Bank Harda Internasional 6.71% 6.71% 6.05%
10 PT. Bank Jasa Jakarta 6.12% 6.12% 5.53%
11 PT. Bank Kesejahteraan Ekonomi 5.41% 5.41% 9.87%
12 PT. Bank Victoria International 5.13% 5.13% 6.69%
13 PT. Bank Yudha Bhakti 7.55% 7.55% 8.41%
14 PT. Bank Agroniaga, Tbk 7.90% 8.71% 7.54%
15 PT. Bank Mutiara, Tbk 4.10% 13.05% 6.29%
16 PT. Bank Eksekutif International, Tbk 7.13% 6.70% 6.96%
Rata-rata 5.76% 6.35% 6.39%
Maksimum 7.90% 13.05% 9.87%
Minimum 4.07% 4.07% 3.70%
Sumber : data diolah
Berdasarkan tabel 4.7 menunjukkan bahwa rata-rata nilai PM pada
industri perbankan, mengalami peningkatan dari tahun 2007-2009.
Pada tahun 2007 rata-rata nilai PM yang dihasilkan sebesar 5.76%
kemudian mengalami peningkatan di tahun 2008 menjadi 6.35%. Pada
tahun 2009 nilai PM terus mengalami peningkatan menjadi sebesar
79.22%.
Bank yang memiliki nilai PM tertinggi di tahun 2007 adalah PT.
Bank Agroniaga, Tbk sebesar 7.90% sedangkan terendah dimiliki oleh
84
PT. Bank Mestika Dharma sebesar 4.07%. PM paling besar dimiliki
oleh PT. Bank Agroniaga, Tbk, hal ini menunjukkan semakin
produktif manajemen bank sehingga akan memperkecil kemungkinan
terjadinya kegagalan bank.
Pada tahun 2008 nilai PM tertinggi dimiliki oleh PT. Bank
Mutiara, Tbk sebesar 13.05%, sedangkan nilai PM terendah dimiliki
oleh Mestika Dharma sampai tahun 2009 sebesar 4.07% dan 3.70%
hal ini menunjukkan bahwa manajemen bank tersebut kurang produktif
dalam menghasilkan keuntungan sehingga kemungkinan terjadinya
kegagalan bank semakin besar.
f. Aktiva Produktif Bermasalah (APB)
Aktiva Produktif Bermasalah menunjukkan perbandingan antara
aktiva produktif bermasalah dengan total aktiva produktif. Semakin
tinggi rasio ini maka semakin buruk kualitas aktiva produktif yang
menyebabkan meningkatnya PPAP yang tersedia. Perhitungan nilai
Aktiva Produktif Bermasalah (APB) dari 16 Bank Devisa dan Non
Devisa periode 2007-2009 dapat dilihat melalui tabel 4.8 berikut ini.
85
Tabel 4.8
Pehitungan Nilai APB
No Nama Bank 2007 2008 2009
APB APB APB
1 PT. Bank Bumi Arta, Tbk 1.00% 0.99% 0.86%
2 PT. Bank Ganesha 1.09% 1.01% 1.23%
3 PT. Bank Kesawan, Tbk 4.56% 3.43% 4.56%
4 PT. Bank Mayapada Internasional 2.18% 0.35% 0.68%
5 PT. Bank Mestika Dharma 2.93% 1.71% 8.11%
6 PT. Bank Nusantara Parahyangan, Tbk 0.92% 0.81% 1.29%
7 PT. Bank Sinarmas 0.16% 1.53% 2.94%
8 PT. Bank Swadesi, Tbk 0.94% 1.54% 1.21%
9 PT. Bank Harda Internasional 0.46% 1.04% 2.36%
10 PT. Bank Jasa Jakarta 0.82% 0.80% 0.49%
11 PT. Bank Kesejahteraan Ekonomi 1.30% 1.34% 1.48%
12 PT. Bank Victoria International 0.96% 0.96% 1.16%
13 PT. Bank Yudha Bhakti 2.62% 1.33% 1.69%
14 PT. Bank Agroniaga, Tbk 13.36% 5.11% 5.00%
15 PT. Bank Mutiara, Tbk 1.09% 58.30% 42.08%
16 PT. Bank Eksekutif International, Tbk 14.25% 13.17% 23.12%
Rata-rata 3.04% 5.84% 6.14%
Maksimum 14.25% 58.30% 42.08%
Minimum 0.16% 0.35% 0.49%
Sumber : data diolah
Berdasarkan tabel 4.8 menunjukkan bahwa rata-rata nilai APB
pada industri perbankan, mengalami peningkatan dari tahun 2007-
2009. Pada tahun 2007 rata-rata nilai APB yang dihasilkan sebesar
3.04% kemudian mengalami peningkatan di tahun 2008 menjadi
5.84%. Pada tahun 2009 nilai PM terus mengalami peningkatan
menjadi sebesar 6.14%.
Bank yang memiliki nilai APB tertinggi di tahun 2007 adalah PT.
Bank Eksekutif International, Tbk sebesar 14.25% sedangkan terendah
dimiliki oleh PT. Bank Sinarmas sebesar 0.16%. APB paling besar
dimiliki oleh PT. Bank Eksekutif International, Tbk, hal ini
menunjukkan buruknya kualitas aktiva produktif yang menyebabkan
86
meningkatnya PPAP yang tersedia sehingga kemungkinan terjadinya
kondisi bermasalah bank tersebut semakin besar.
Nilai APB terendah dimiliki oleh PT. Bank Mayapada
Internasional sebesar 0.35% pada tahun 2008 sedangkan terendah pada
tahun 2009 adalah PT. Bank Jasa Jakarta sebesar 0.49%. Pada tahun
2008 sampai 2009 nilai PM tertinggi dimiliki oleh PT. Bank Mutiara,
Tbk sebesar 58.30% dan 42.08%, hal ini menunjukkan buruknya
kualitas aktiva produktif yang menyebabkan meningkatnya PPAP yang
tersedia sehingga kemungkinan terjadinya kondisi bermasalah bank
tersebut semakin besar.
g. Non Performing Loan Gross (NPLg)
Non Performing Loan Gross menunjukkan semakin besar rasio ini
maka semakin buruk kualitas kredit yang menyebabkan jumlah kredit
bermasalah semakin besar. Perhitungan nilai Non Performing Loan
Gross (NPLg) dari 16 Bank Devisa dan Non Devisa periode 2007-
2009 dapat dilihat melalui tabel 4.9 berikut ini.
87
Tabel 4.9
Pehitungan Nilai NPLg
No Nama Bank 2007 2008 2009
NPL g NPL g NPL g
1 PT. Bank Bumi Arta, Tbk 2.27% 1.92% 2.15%
2 PT. Bank Ganesha 1.28% 1.39% 2.08%
3 PT. Bank Kesawan, Tbk 6.81% 4.08% 5.70%
4 PT. Bank Mayapada Internasional 0.48% 2.83% 0.96%
5 PT. Bank Mestika Dharma 4.01% 2.13% 10.78%
6 PT. Bank Nusantara Parahyangan, Tbk 1.89% 1.24% 1.83%
7 PT. Bank Sinarmas 0.26% 1.99% 2.18%
8 PT. Bank Swadesi, Tbk 1.95% 2.16% 1.64%
9 PT. Bank Harda Internasional 0.67% 1.53% 3.37%
10 PT. Bank Jasa Jakarta 1.27% 1.24% 0.75%
11 PT. Bank Kesejahteraan Ekonomi 1.84% 1.49% 1.64%
12 PT. Bank Victoria International 2.39% 2.54% 3.00%
13 PT. Bank Yudha Bhakti 4.96% 2.03% 2.58%
14 PT. Bank Agroniaga, Tbk 6.54% 6.15% 7.00%
15 PT. Bank Mutiara, Tbk 3.46% 35.17% 37.59%
16 PT. Bank Eksekutif International, Tbk 15.17% 15.49% 27.90%
Rata-rata 3.45% 5.21% 6.95%
Maksimum 15.17% 35.17% 37.59%
Minimum 0.26% 1.24% 0.75%
Sumber : data diolah
Berdasarkan tabel 4.9 menunjukkan bahwa rata-rata nilai NPLg
pada industri perbankan, mengalami peningkatan dari tahun 2007-
2009. Pada tahun 2007 rata-rata nilai NPLg yang dihasilkan sebesar
3.45% kemudian mengalami peningkatan di tahun 2008 menjadi
5.21%. Pada tahun 2009 nilai PM terus mengalami peningkatan
menjadi sebesar 6.95%, hal ini menunjukkan buruknya kualitas kredit
sehingga memungkinkan kondisi bermasalah semakin besar.
Bank yang memiliki nilai NPLg tertinggi di tahun 2007 adalah PT.
PT. Bank Eksekutif International, Tbk sebesar 15.17% sedangkan
88
terendah dimiliki oleh PT. Bank Sinarmas sebesar 0.26%. NPLg paling
besar dimiliki oleh PT. Bank Eksekutif International, Tbk, hal ini
menunjukkan kemampuan manajemen bank kurang baik dalam
mengelola kualitas kredit sehingga kredit bermasalah.
Pada tahun 2008 sampai 2009 nilai NPLg tertinggi adalah PT.
Bank Mutiara, Tbk sebesar 35.15% dan 37.59%, hal ini menunjukkan
kemampuan manajemen bank kurang baik dalam mengelola kualitas
kredit sehingga kredit bermasalah. Nilai NPLg terendah adalah PT.
Bank Jasa Jakarta sebesar 1.24% dan 0.75%.
h. Non Performing Loan Net (NPLn)
. Non Performing Loan Net menunjukkan semakin besar rasio ini
maka semakin buruk kualitas kredit yang menyebabkan jumlah kredit
bermasalah semakin besar. Perhitungan nilai Non Performing Loan Net
(NPLn) dari 16 Bank Devisa dan Non Devisa periode 2007-2009 dapat
dilihat melalui tabel 4.10 berikut ini.
89
Tabel 4.10
Pehitungan Nilai NPLn
No Nama Bank 2007 2008 2009
NPL n NPL n NPL n
1 PT. Bank Bumi Arta, Tbk 1.78% 1.46% 1.71%
2 PT. Bank Ganesha 1.03% 1.14% 1.62%
3 PT. Bank Kesawan, Tbk 6.33% 3.74% 5.33%
4 PT. Bank Mayapada Internasional 0.14% 2.07% 0.49%
5 PT. Bank Mestika Dharma 3.96% 2.06% 9.65%
6 PT. Bank Nusantara Parahyangan, Tbk 1.48% 1.12% 1.81%
7 PT. Bank Sinarmas 1.27% 1.72% 1.65%
8 PT. Bank Swadesi, Tbk 1.47% 1.82% 1.42%
9 PT. Bank Harda Internasional 0.62% 1.51% 3.30%
10 PT. Bank Jasa Jakarta 0.78% 0.87% 0.18%
11 PT. Bank Kesejahteraan Ekonomi 0.48% 0.43% 0.45%
12 PT. Bank Victoria International 0.20% 0.44% 1.15%
13 PT. Bank Yudha Bhakti 4.30% 1.83% 2.54%
14 PT. Bank Agroniaga, Tbk 4.58% 3.59% 4.00%
15 PT. Bank Mutiara, Tbk 3.33% 10.42% 9.53%
16 PT. Bank Eksekutif International, Tbk 14.36% 14.29% 18.39%
Rata-rata 2.88% 3.03% 3.95%
Maksimum 14.36% 14.29% 18.39%
Minimum 0.14% 0.43% 0.18%
Sumber : data diolah
Berdasarkan tabel 4.9 menunjukkan bahwa rata-rata nilai NPLn
pada industri perbankan, mengalami peningkatan dari tahun 2007-
2009. Pada tahun 2007 rata-rata nilai NPLn yang dihasilkan sebesar
2.88% kemudian mengalami peningkatan di tahun 2008 menjadi
3.03%. Pada tahun 2009 nilai NPLn terus mengalami peningkatan
menjadi sebesar 3.95%, hal ini menunjukkan buruknya kualitas kredit
sehingga memungkinkan kondisi bermasalah semakin besar.
Bank yang memiliki nilai NPLn tertinggi di tahun 2007 adalah PT.
Bank Eksekutif International, Tbk sebesar 14.36% sedangkan terendah
dimiliki oleh PT. Bank Mayapada Internatsional sebesar 0.14%. NPLn
90
paling besar dimiliki oleh PT. Bank Eksekutif International, Tbk, hal
ini menunjukkan kemampuan manajemen bank kurang baik dalam
mengelola kualitas kredit sehingga kredit bermasalah.
Pada tahun 2008 sampai 2009 nilai NPLn tertinggi adalah PT.
Bank Eksekutif International, Tbk sebesar 14.29% dan 18.39%, hal ini
menunjukkan kemampuan manajemen bank kurang baik dalam
mengelola kualitas kredit sehingga kredit bermasalah. Nilai NPLn
terendah pada tahun 2008 adalah PT. Bank Kesejahteraan Ekonomi
sebesar 0.43%, sedangkan pada tahun 2009 adalah PT. Jasa Jakarta
sebesar 0.18%.
Pada rasio NPLg dan NPLn mengindikasikan bahwa terdapat bank
yang belum menerapkan prinsip kehati-hatian dalam menyalurkan
kredit. Sedangkan rata-rata keseluruhan mempunyai NPL yang relatif
rendah yang memperlihatkan bahwa kemampuan yang baik dalam
pengelolaan kredit bermasalah.
2. Uji Asumsi Diskriminan
Sebelum melakukan uji diskriminan, terlebih dahulu harus memenuhi
asumsi dasar, antara lain:
a. Uji Normalitas Data
Berdasarkan uji One Sample Kolmogorov Smirnov test, yaitu uji
yang dilakukan untuk mengetahui alat uji analisis yang digunakan
untuk melakukan uji beda (parametrik atau non parametrik). Untuk
91
sampel penelitian yang berdistribusi normal, alat uji yang digunakan
adalah uji beda parametrik Independen Sample T-test dengan P value
lebih besar dari 0.05 sedangkan untuk sampel penelitian yang
berdistribusi tidak normal, alat uji yang digunakan adalah uji beda non
parametrik Mann Whitney U dengan P value lebih kecil dari 0.05.
Analisis normalitas data masing-masing rasio disajikan pada tabel 4.11
berikut ini.
Tabel 4.11
Hasil Uji Normalitas One Sample Kolmogorov-Smirnov Test
CAR ATTM NIM LDR PM APB NPLg NPLn
N 48 48 48 48 48 48 48 48
Normal
Parametersa,,b
Mean .174698 .324119 .051296 .747281 .062971 -3.948440 -3.587806 -4.007703
Std. Deviation .1099012 .3137897 .0207269 .1588295 .0165664 1.2014204 1.0284222 1.1294836
Most Extreme
Differences
Absolute .188 .194 .107 .056 .120 .186 .152 .102
Positive .075 .194 .107 .056 .120 .186 .152 .102
Negative -.188 -.194 -.105 -.053 -.067 -.128 -.114 -.084
Kolmogorov-Smirnov Z 1.303 1.346 .742 .385 .832 1.287 1.053 .705
Asymp. Sig. (2-tailed) .067 .053 .640 .998 .493 .073 .218 .703
a. Test distribution is Normal.
b. Calculated from data.
Sumber : data diolah
Berdasarkan hasil uji normalitas data yang ditampilkan pada tabel
4.11 di atas dapat dijelaskan bahwa variabel CAR, ATTM, NIM, LDR,
PM, APB, NPLg dan NPLn dikatakan data terdistribusi dengan
normal karena memiliki probabilitas signifikan dengan Asymp. Sig (2-
Tailed) lebih besar dari α = 0.05 maka H0 diterima.
Langkah selanjutnya adalah melakukan uji beda. Uji beda
dilakukan untuk mengetahui apakah variabel CAR, ATTM, NIM,
92
LDR, PM, APB, NPLg dan NPLn memiliki perbedaan yang signifikan
antara bank-bank bermasalah dan tidak bermasalah perioda 2007-2009.
Pada penelitian ini uji beda dilakukan dengan menggunakan alat uji
Independen Sample T-test untuk data yang berdistribusi normal.
b. Uji Independent Sample T-test
Uji Independent Sample T-Test dilakukan pada variabel-variabel
yang datanya terdistribusi dengan normal. Dari hasil uji normalitas
One Sample Kolmogorov-Smirnov diketahui bahwa semua rasio-rasio
keuangan terdistribusi dengan normal.
Terdapat dua hipotesis pada Uji Independent Sample T-Test, yaitu:
H0 : Tidak terdapat perbedaan yang signifikan antara bank yang
bermasalah dengan bank yang tidak bermasalah.
H1 : Terdapat perbedaan yang signifikan antara bank yang
bermasalah dengan bank yang tidak bermasalah.
Dalam pengujian hipotesis, berdasarkan P-value adalah sebagai
berikut jika P-Value > 0.05, maka H0 diterima, namun jika P-Value <
0.05, maka H0 ditolak.
93
Tabel 4.12
Uji Independent Sample T-Test
Rasio Signifikansi Hipotesis Null
CAR 0,092 Diterima
ATTM 0,000 Ditolak
NIM 0,031 Ditolak
LDR 0,194 Diterima
PM 0,172 Diterima
APB 0,073 Diterima
NPLg 0,157 Diterima
NPLn 0,635 Diterima
Sumber : data diolah
Berdasarkan tabel 4.12 dapat diketahui bahwa rasio CAR
signifikansinya sebesar 0.092, ATTM signifikansinya sebesar 0.000,
NIM signifikansinya sebesar 0.031, LDR signifikansinya sebesar
0.194, PM signifikansinya sebesar 0.172, APB signifikansinya sebesar
0.073, NPLg signifikansinya sebesar 0.157, NPLn signifikansinya
sebesar 0.635, maka dapat disimpulkan bahwa hipotesis null ditolak
artinya rasio ATTM dan NIM memiliki perbedaan yang signifikan
antara bank bermasalah dan bank yang tidak bermasalah. Untuk rasio
CAR, LDR, PM, APB, NPLg, dan NPLn signifikansinya mempunyai P
value lebih besar dari 0.05, maka dapat disimpulkan bahwa hipotesis
null diterima atau hipotesis alternatif ditolak artinya rasio CAR, LDR,
PM, APB, NPLg, dan NPLn tidak memiliki perbedaan yang signifikan
antara bank yang bermasalah dan bank yang tidak bermasalah.
94
c. Uji Linieritas
Pengujian ini dilakukan dengan menggunakan Box’s M Test dengan
α = 5%. Asumsi linieritas terpenuhi apabila hasil pengujian
menunjukkan nilai signifikansi < 0.05. Dalam tabel 4.13 ditunjukkan
bahwa variance error dari keseluruhan variabel independen adalah
konstan karena menghasilkan signifikansi sebesar 0.045 (lebih kecil dari
0.05) artinya data telah memenuhi asumsi linieritas.
Tabel 4.13
Uji Linieritas Test Results
Box's M 4.202
F Approx. 4.036
Df1 1
Df2 1608.089
Sig. .045
Tests null hypothesis of equal population covariance matrices.
Sumber : data diolah
3. Analisis Multiple Discriminant Analysis (MDA)
Dalam penelitian ini variabel dependen Y bertipe kategori 2 pilihan
yaitu : Bank yang dikategorikan bermasalah diberi kode “0” dan bank
dikategorikan yang tidak bermasalah “1”. Berikut ini adalah ringkasan
hasil pengujian dari analisis Multiple Diskriminant Analysis (MDA).
Langkah pertama dalam analisis MDA terlihat pada tabel Analysis Case
Processing Summary yang menunjukkan bahwa tidak ada data yang
hilang. Berdasarkan hasil tabel tersebut untuk model MDA dari sampel
dikatakan valid 100% dengan jumlah sampel sebesar 48 menunjukkan
bahwa data lengkap dan tidak ada satupun data yang hilang.
95
Tabel 4.14
Analysis Case Processing Summary
Unweighted Cases N Percent
Valid 48 100.0
Excluded Missing or out-of-range group codes 0 .0
At least one missing discriminating variable 0 .0
Both missing or out-of-range group codes and at least one
missing discriminating variable
0 .0
Total 0 .0
Total 48 100.0
Sumber: data diolah
1. Test of Equality of Group Means
Langkah selanjutnya adalah mengindentifikasi faktor-faktor apa
yang signifikan untuk membedakan antara dua kelompok tersebut.
Pada tabel Test of Equality of Group Means memberikan nilai Wilk’s
Lambda dan Univariate F Ratio untuk setiap variabel independen.
Nilai Wilk’s Lambda berkisar antara 0 hingga 1. Jika nilai Wilk’s
Lambda mendekati 0 (nol) menunjukkan bahwa semakin signifikan
karakteristik tersebut membedakan antara dua variasi kelompok.
Sebaliknya, jika nilai Wilk’s Lambda semakin mendekati angka 1,
maka variasi data untuk karakteristik tersebut cenderung sama untuk
dua kelompok tersebut. Untuk F test dapat digunakan nilai P-value
pada kolom signifikannya dimana Sig. > 0.05 maka tidak ada
perbedaan antar group atau Sig. < 0.05 maka ada perbedaan antar
group.
96
Tabel 4.15
Tests of Equality of Group Means
Wilks'
Lambda F df1 df2 Sig.
CAR .814 10.522 1 46 .002
ATTM .863 7.274 1 46 .010
NIM .973 1.269 1 46 .266
LDR .992 .391 1 46 .535
PM .855 7.819 1 46 .008
APB .472 51.522 1 46 .000
NPLg .484 49.113 1 46 .000
NPLn .624 27.761 1 46 .000
Sumber : data diolah
Dari tabel 4.15 Test of Equality of Group Means dapat dilihat hasil
uji beda diatas nilai signifikan variabel CAR adalah dibawah 0.05 yaitu
sebesar 0.002 dengan nilai Wilk’s Lamda sebesar 0.814. Hal ini berarti
menunjukkan adanya perbedaan antar grup, atau variabel CAR bagi
bank yang dikategorikan bank bermasalah dan bank tidak bermasalah
ternyata berbeda secara nyata. Bank yang dikategorikan bank
bermasalah atau dikategorikan bank tidak bermasalah terkait dengan
besarnya CAR bank tersebut. Dengan kata lain perusahaan yang
dikategorikan bank bermasalah memiliki nilai CAR lebih kecil atau
lebih besar dibandingkan bank yang tidak bermasalah.dan bank tidak
bermasalah.
Variabel ATTM nilai signifikan adalah dibawah 0.05 yaitu sebesar
0.010 dengan nilai Wilk’s Lamda sebesar 0.836. Hal ini berarti
menunjukkan adanya perbedaan antar grup, atau variabel ATTM bagi
97
bank yang dikategorikan bank bnermasalah dan dikategorikan bank
tidak bermasalah ternyata beda secara nyata. Bank yang dikategorikan
bank bermasalah atau dikategorikan bank tidak bermasalah terkait
dengan besarnya ATTM bank tersebut. Dengan kata lain perusahaan
yang dikategorikan bank bermasalah memiliki nilai ATTM lebih kecil
atau lebih besar dibandingkan bank yang tidak bermasalah.dan bank
tidak bermasalah.
Variabel NIM nilai signifikan adalah diatas 0.05 yaitu sebesar
0.226 dengan nilai Wilk’s Lamda sebesar 0.973 mendekati angka 1.
Hal ini berarti menunjukkan tidak adanya perbedaan antar grup, atau
variabel NIM bagi bank dikategorikan bank bermasalah dan bank yang
tidak bemasalah ternyata sama secara nyata.
Variabel LDR nilai signifikan adalah diatas 0.05 yaitu sebesar
0.535 dengan nilai Wilk’s Lamda sebesar 0.992 mendekati angka 1.
Hal ini berarti menunjukkan tidak adanya perbedaan antar grup, atau
variabel LDR bagi bank dikategorikan bank bermasalah dan bank yang
tidak bemasalah ternyata sama secara nyata.
Variabel PM nilai signifikan adalah dibawah 0.05 yaitu sebesar
0.008 dengan nilai Wilk’s Lamda sebesar 0.855. Hal ini berarti
menunjukkan adanya perbedaan antar grup, atau variabel PM bagi
bank yang dikategorikan bank bnermasalah dan dikategorikan bank
tidak bermasalah ternyata beda secara nyata. Bank yang dikategorikan
98
bank bermasalah atau dikategorikan bank tidak bermasalah terkait
dengan besarnya PM bank tersebut. Dengan kata lain perusahaan yang
dikategorikan bank bermasalah memiliki nilai PM lebih kecil atau
lebih besar dibandingkan bank yang tidak bermasalah dan bank tidak
bermasalah.
Variabel APB nilai signifikan adalah dibawah 0.05 yaitu sebesarb
0.000 dengan nilai Wilk’s Lamda sebesar 0.472. Hal ini berarti
menunjukkan adanya perbedaan antar grup, atau variabel APB bagi
bank yang dikategorikan bank bnermasalah dan dikategorikan bank
tidak bermasalah ternyata beda secara nyata. Bank yang dikategorikan
bank bermasalah atau dikategorikan bank tidak bermasalah terkait
dengan besarnya APB bank tersebut. Dengan kata lain perusahaan
yang dikategorikan bank bermasalah memiliki nilai APB lebih kecil
atau lebih besar dibandingkan bank yang tidak bermasalah.dan bank
tidak bermasalah.
Variabel NPLg nilai signifikan adalah di bawah 0.05 yaitu sebesar
0.000 dengan nilai Wilk’s Lamda sebesar 0.484. Hal ini berarti
menunjukkan adanya perbedaan antar grup, atau variabel NPLg bagi
bank yang dikategorikan bank bnermasalah dan dikategorikan bank
tidak bermasalah ternyata beda secara nyata. Bank yang dikategorikan
bank bermasalah atau dikategorikan bank tidak bermasalah terkait
dengan besarnya NPLg bank tersebut. Dengan kata lain perusahaan
yang dikategorikan bank bermasalah memiliki nilai NPLg lebih kecil
99
atau lebih besar dibandingkan bank yang tidak bermasalah.dan bank
tidak bermasalah.
Variabel NPLn nilai signifikan adalah di bawah 0.05 yaitu sebesar
0.000 dengan nilai Wilk’s Lamda sebesar 0.624. Hal ini berarti
menunjukkan adanya perbedaan antar grup, atau variabel NPLn bagi
bank yang dikategorikan bank bnermasalah dan dikategorikan bank
tidak bermasalah ternyata beda secara nyata. Bank yang dikategorikan
bank bermasalah atau dikategorikan bank tidak bermasalah terkait
dengan besarnya NPLn bank tersebut. Dengan kata lain perusahaan
yang dikategorikan bank bermasalah memiliki nilai NPLn lebih kecil
atau lebih besar dibandingkan bank yang tidak bermasalah.dan bank
tidak bermasalah.
Dari kedelapan variabel hanya terdapat enam variabel rasio
keuangan yakni CAR, ATTM, PM, APB, NPLg dan NPLn yang
mempunyai nilai signifikansi dibawah 0.05 sehingga terdapat
perbedaan antar grup. Artinya bahwa variabel rasio keuangan CAR,
ATTM, PM, APB, NPLg dan NPLn mempengaruhi bermasalah atau
tidaknya suatu bank. Untuk variabel NIM dan LDR mempunyai nilai
signifikansi diatas 0.05 sehingga tidak ada perbedaan antar grup.
Artinya bahwa variabel rasio keuangan NIM dan LDR menghasilkan
nilai yang relatif sama terhadap bermasalah atau tidaknya suatu bank.
100
2. Pemilihan Variabel Diskriminator
Untuk menentukan variabel apa saja yang paling efesien didalam
membedakan antar bank yang dikategorikan bemasalah dan tidak
bermasalah maka digunakan prosedur stepwise. Mahalobis distance
akan digunakan unruk prosedur stepwise guna menentukan variabel
yang memiliki kekuatan terbesar mendiskriminasi.
a. Tahap Pemilihan Variabel Bebas
Tabel 4.16
Uji Variabel Independen Secara Stepwise Variables Entered/Removed
a,b,c,d
Step Entered
Min. D Squared
Statistic Between Groups
Exact F
Statistic df1 df2 Sig.
1 APB 7.046 0 and 1 51.522 1 46.000 4.933E-9
At each step, the variable that maximizes the Mahalanobis distance between the two closest groups is entered.
a. Maximum number of steps is 16.
b. Minimum partial F to enter is 3.84.
c. Maximum partial F to remove is 2.71.
d. F level, tolerance, or VIN insufficient for further computation.
Sumber : data diolah
Tabel 4.17 Wilks' Lambda Model MDA
Step Number of Variables Lambda df1 df2 df3
Exact F
Statistic df1 df2 Sig.
1 1 .472 1 1 46 51.522 1 46.000 .000
Sumber : data diolah
Tabel 4.16 menunjukkan variabel mana saja dari delapan
variabel pada model MDA yang bisa dimasukkan (entered) dalam
persamaan diskriminan dimulai dari variabel yang memiliki angka
F statistic terbesar. Pada tahap pertama, nilai F hitung untuk
101
variabel APB adalah terbesar, mencapai 7.046, maka pada tahap ini
variabel APB terpilih. Bedasarkan hasil uji Wilks’ Lambda variabel
APB ini memiliki nilai signifikan lebih kecil dari 0.05 yaitu sebesar
0.000 dengan demikian dari delapan variabel yang dimasukkan
untuk rasio keuangan model Multiple Dicriminant Analysis (MDA)
hanya satu variabel yang signifikan. Sehingga variabel APB secara
signifikan mempengaruhi bermasalah atau tidaknya suatu bank,
serta hasil stepwise ini mampu membedakan metode kondisi bank
berdasarkan pada nilai Wilk;s Lamda dan nilai minimum
Mahalanobis distance.
Tabel 4.18
Variabel Terpilih untuk Pembentukan Model Diskriminan Variables in the Analysis
Step Tolerance Sig. of F to Remove
1 APB 1.000 .000
Sumber : data diolah
Tabel 4.18 menunjukkan pada tahap ini significant value 0.05
digunakan sebagai syarat entry variabel. Pada tabel Variabel
Entered / Removed pertama variabel memiliki nilai signifikan jauh
di bawah 0.05, pada Variabel In The Analysis terlihat bahwa pada
tahap pertama variabel memiliki nilai Sig. Of F to Remove yaitu
sebesar 0.000 jauh di bawah nilai 0.05.
102
3. Uji Corelation Summary Of Canonical Discriminant Function
Canonical Corelation untuk mengukur keeratan hubungan antara
discriminant score dengan grup, dalam penelitian ini terdapat dua
kategori maka terdapat dua grup. Square Canonical Corelationidentik
dengan R2
pada regresi yaitu mengukur variasi antar kedua kelompok
bank yang dapat dijelaskan oleh variabel diskriminannya. Jadi CR2
mengukur seberapa kuat fungsi diskriminan.
Tabel 4.19
Tingkat Keakuratan
Eigenvalues
Functi
on Eigenvalue
% of
Variance Cumulative %
Canonical
Correlation
1 1.120a 100.0 100.0 .727
a. First 1 canonical discriminant functions were used in the
analysis.
Sumber : data diolah
Hasil pengujian pada tabel 4.19 nilai Canonical Correlation sebesar
0.727 menunjukkan keeratan yang kuat dengan ukuran skala asosiasi 0
sampai 1. jadi dapat disimpulkan bahwa variasi antar kelompok bank
berkategori bank bermasalah dan bank tidak bermasalah dapat dijelaskan
oleh variabel APB.
103
4. Menentukkan Fungsi Diskriminan
Tabel 4.20
Fungsi Dikriminan
Canonical Discriminant
Function Coefficients
Function
1
APB 1.199
(Constant) 4.734
Unstandardized coefficients
Sumber : data diolah
Pada tabel 4.20 terlihat hanya satu variabel saja yang
mempengaruhi terbentuknya fungsi diskriminan yaitu variabel APB.
Sehingga fungsi diskriminan yang terbentuk adalah:
5. Penentuan Nilai Cut-off
Tabel 4.21
Functions at Group Centroids
Kategori
Function
1
Bermasalah 2.157
tdk bermasalah -.498
Unstandardized canonical discriminant
functions evaluated at group means
Sumber : data diolah
Dari hasil tabel 4.21 Fuctions at Group Centroids, memberikan
informasi tentang rata-rata skor diskriminan (centroid). Centroid untuk
kelompok bank bermasalah sebesar 2.157 dan kelompok bank yang
Z = 4.734 + 1.199 APB
104
tidak bermasalah sebesar -0.498 sehingga terdapat nilai cut-off value.
Dari nilai function yang diperoleh tersebut akan disesuaikan dengan
rumus untuk menghitung cuy-off.
Zcu = NAZB + NBZA
NA + NB
Zcu = (39)(2.157) + (9)(-0.498)
39 + 9
Zcu = 1.659
Sehingga untuk model Multiple Discriminant Analysis (MDA)
penentuan nilai batas didasarkan pada nilai rata-rata dari jumlah Z-
score dari masing-masing bank yang diperoleh nilai 1.659. Standart
yang digunakan untuk menilai apakan bank tersebut dikategorikan
bank bermasalah atau bank yang tidak bermasalah adalah:
a. Bila Z-score hitung < 1.659 maka bank dikategorikan bermasalah
b. Bila Z-score hitung >1.659 maka bank dikategorikan tidak
bermasalah.
Dari cut-off value ini ada beberapa observasi yang tidak
terdiskriminasi dengan baik (misclassified) yaitu observasi yang ke 3,
29, 31, dan 41 yang terdapat pada lampiran 3 tabel casewise statistic .
Pada observasi ke 3, 29, dan 31 tersebut, kelompok actual seharusnya
masuk kedalam kelompok bank yang tidak bermasalah , tetapi
berdasarkan prediksi fungsi diskriminan masuk kelompok bank yang
bermasalah. Sebaliknya pada observasi ke 41, berdasarkan kelompok
actual seharusnya masuk kelompok bank bermasalah tetapi
105
berdasarkan prediksi fungsi diskriminan masuk kelompok bank tidak
bermasalah.
6. Ketepataan Prediksi Klasifikasi
Untuk melihat seberapa jauh klasifikasi sudah tepat atau berapa
persen terjadi misklasifikasi pada proses klasifikasi ditunjukkan pada
tabel Classification Result pada tabel 4.22 berikut ini:
Tabel 4.22
Ketepataan Prediksi Klasifikasi Classification Results
b,c
Kategori
Predicted Group Membership
Total 0 1
Original Count Bermasalah 8 1 9
Tidak bermasalah 3 36 39
% Bermasalah 88.9 11.1 100.0
Tidak bermasalah 7.7 92.3 100.0
Cross-validateda Count Bermasalah 8 1 9
Tidak bermasalah 3 36 39
% Bermasalah 88.9 11.1 100.0
Tidak bermasalah 7.7 92.3 100.0
a. Cross validation is done only for those cases in the analysis. In cross validation, each case is classified by the functions derived from all cases other than that case.
b. 91.7% of original grouped cases correctly classified.
c. 91.7% of cross-validated grouped cases correctly classified.
Sumber : data diolah
Dari table 4.22 merupaka tabel Classification Results yang
mengambarkan crosstabulasi antara model awal (original) dengan
pengklasifikasian hasil model diskriminan (predictif group membership).
Untuk tes keakuratan penglompokkan bank bermasalah dan tidak
bermasalah dalam tabel ini menyatakan pada kolom merupakan dua nilai
prediksi dari variabel terikat yaitu kondisi bank, dalam hal ini bank
106
bermasalah (0) dan bank tidak bermasalah (1). Pada model yang
sempurna, maka semua akan berada pada diagonal dengan tingkat
ketepatan peramalan 100%.
Hasilnya menunjukan pada kolom, prediksi bank bermasalah ada 9
bank-bank bermasalah, sedangkan pada baris observasi sesungguhnya
yang bermasalah terdapat 8 bank. Jadi ketepatan model Multiple
Discriminant Analysis (MDA) ini untuk bank yang bermasalah adalah
88.9%. Prediksi bank yang tidak bermasalah ada 39 bank-bank tidak
bermasalah, sedangkan pada baris hasil observasi yang sesungguhnya
tidak bermasalah sebanyak 36 bank tidak bermaslah dan 3 bank yang
bermasalah. Jadi ketepatan model Multiple Discriminant Analysis (MDA)
ini untuk bank yang tidak bermasalah adalah 92.3%. Untuk fungsi
diskriminan mampu menggelompokkan kasus dengan benar sebesar 90.6
%.
4. Analisis Regresi Binary Logit
Regresi logistik biner (binary logistic regression), adalah logistik
dimana variabel dependennya berupa variabel dikotomi atau variabel biner
(Stanislaus, 2006:225).
Dalam penelitian ini akan dilakukan analisa regresi logit stepwise
untuk memilih subset variabel independen yang paling penting dalam hal
Kemampuan secara rata-rata = 88.9 + 92.3 = 90.6%
2
107
kemampuan diskriminan. Variabel dependen (respons) Y bertipe
kategorik/dua pilihan yaitu: bank-bank yang bermasalah = 0 dan bank-
bank yang tidak bermasalah = 1. Keterangan ini dapat dilihat dalam tabel
4.23 identifikasi data:
Tabel 4.23
Identifikasi data
Dependent Variable
Encoding
Original Value
Internal
Value
Bermasalah 0
Tidak bermasalah 1
Sumber : data diolah
Dalam penelitian ini dengan menggunakan metode regresi logistik
biner jumlah data yang diproses sebanyak 48 atau N = 48. Untuk melihat
kelengkapan data yang diproses dalam penelitian ini dan tidak adanya
misssing case ditunjukan pada tabel Case Processing Summary:
Tabel 4.24
Data yang diproses
Case Processing Summary
Unweighted Casesa N Percent
Selected
Cases
Included in Analysis 48 100.0
Missing Cases 0 .0
Total 48 100.0
Unselected Cases 0 .0
Total 48 100.0
a. If weight is in effect, see classification table for the
total number of cases.
Sumber: data diolah
108
c. Ketepatan Model Prediksi
Untuk menilai model yang lebih baik untuk memprediksi
kemungkinan bank bermasalah, dilihat dari nilai statistic -
2LogLikelihood yaitu pada blok pertama (block number = 0) terlihat
nilai -2LogLikelihood sebesar 46.327 seperti yang terlihat pada:
Tabel 4.25
Ketepatan Model dalam Memprediksi Kondisi Bermasalah
(Block Number = 0)
Iteration Historya,b,c
Iteration
-2 Log
likelihood
Coefficients
Constant
Step 0 1 46.685 1.250
2 46.329 1.453
3 46.327 1.466
4 46.327 1.466
a. Constant is included in the model.
b. Initial -2 Log Likelihood: 46.327
c. Estimation terminated at iteration number 4 because
parameter estimates changed by less than .001.
Sumber : data diolah
Kemudian perhitungan nilai -2LogLikelihood pada blok kedua
(Block Number = 1)terlihat nilai -2LogLikelihood sebesar 19.510
sehingga dapat dilihat terjadi penurunan pada blok kedua (Block
Number = 1) yang ditunjukkan pada tabel 4.26 sebagai berikut:
109
Tabel 4.26
Ketepatan Model dalam Memprediksi Kondisi Bermasalah
(Block Number = 1)
Sumber : data diolah
d. Koefisien Cox & Snell R Square and Nagelkerke R Square
Pada tabel model summary memberikan nilai statistik -
2LogLikelihood sebesar 19.510. semakin kecil nilai -2LogLikelihood
semakin baik. Koefesien Cox & Snell R Square and Nagelkerke R
Square dapat diinterpretasikan sama seperti koefesien determinasi R2
pada regresi linier berganda (Uyanto, 2006: 235). Nilai maksimum Cox
& Snell R Square biasanya lebih kecil dari satu, sedangkan Nagelkerke
R Square umumnya lebih besar dari nilai koefesien Cox & Snell R
Square. Nilai Cox & Snell R Square besarnya sama dengan 0.428,
sedangkan Nagelkerke R Square besarnya sama dengan 0.691
ditunjukkan pada tabel 4.27 sebagai berikut:
Iteration Historya,b,c,d
Iteration -2 Log likelihood
Coefficients
Constant APM
Step 1 1 27.430 -2.519 -.955
2 21.127 -4.322 -1.583
3 19.677 -5.709 -2.060
4 19.513 -6.373 -2.288
5 19.510 -6.489 -2.327
6 19.510 -6.491 -2.328
7 19.510 -6.491 -2.328
a. Method: Forward Stepwise (Conditional)
b. Constant is included in the model.
c. Initial -2 Log Likelihood: 46.327
d. Estimation terminated at iteration number 7 because parameter estimates changed by less than .001.
110
Tabel 4.27
Koefisien Cox & Snell R Square dan Nagelkerke R Square
Sumber :data diolah
Koefesien Cox & Snell R Square menjelaskan bahwa semua
variabel independen (CAR, ATTM, NIM, LDR, PM, APB, NPLg,
NPLn) di dalam model biner logistik mampu memprediksi kondisi
bermasalah pada Bank Devisa dan Bank non Devisa sebesar 42.8%.
Sedangkan Koefesien Nagelkerke R Square menjelaskan bahwa semua
variabel independent (CAR, ATTM, NIM, LDR, PM, APB, NPLg,
NPLn) di dalam model biner logistik mampu memprediksi kondisi
bermasalah pada Bank Devisa dan Bank non Devisa sebesar 69.1%
lebih baik di bandingkan dengan menggunakan koefesien Cox & Snell
R Square.
e. Uji Chi Square Hosmer and Lemeshow
Tabel 4.28
Hasil Identifikasi prediksi klasifikasi
Sumber: data diolah
Hasil pengujian pada tabel 4.28 menunjukkan nilai Chi Square
sebesar 10.019 dengan nilai sig. sebesar 0.187 dari hasil tersebut
Model Summary
Step -2 Log likelihood Cox & Snell R
Square Nagelkerke R
Square
1 19.510a .428 .691
a. Estimation terminated at iteration number 7 because parameter estimates changed by less than .001.
Hosmer and Lemeshow Test
Step Chi-square df Sig.
1 10.019 7 .187
111
terlihat bahwa nilai signifikan > α = 0.05 (sig. di atas 0.05) yang
berarti keputusan yang diambil adalah menerima H0: tidak ada
perbedaan antara klasifikasi yang diprediksi dengan klasifikasin yang
diamati. Maka model regresi ini bisa digunakan untuk analisis
selanjutnya.
f. Ketepatan Prediksi Klasifikasi
Untuk melihat ketepatan prediksi klasifikasi dalam penggunaan
model regresi binari logit ditunjukkan pada tabel 4.29 berikut ini :
Tabel 4.29
Ketepatan Prediksi Klasifikasi
Sumber : data diolah
Dengan menggunakan delapan variabel independent dalam model
ini, yaiti rasio CAR, ATTM, NIM, LDR, PM, APB, NPLg dan NPLn
menunjukkan bahwa kebenaran prediksi model suatu bank yang
dimasukkan dalam kategori bermasalah sebesar 66.7%, sedangkan
untuk kategori tidak bermasalah sebesar 97.4%.
Dari hasil identifikasi klasifikasi menunjukkan bahwa variabel
CAR, ATTM, NIM, LDR, PM, APB, NPLg dan NPLn secara
Classification Tablea
Observed
Predicted
kategori Percentage
Correct 0 1
Step 1 kategori 0 6 3 66.7
1 1 38 97.4
Overall Percentage 91.7
a. The cut value is .500
112
keseluruhan atau secara rata-rata mempunyai ketepatan prediksi
klasifikasi sebesar 82.05%. Angka ketepatan prediksi tersebut dapat
digunakan untuk memprediksi kondisi bermasalah pada suatu bank.
g. Uji Wald
Tabel 4.30
Koefisien Regresi Logistik Variables in the Equation
B S.E. Wald Df Sig. Exp(B)
95% C.I.for EXP(B)
Lower Upper
Step 1a APM -2.328 .745 9.776 1 .002 .097 .023 .419
Constant -6.491 2.475 6.879 1 .009 .002
a. Variable(s) entered on step 1: APM.
Sumber : data diolah
Hasil perhitungan koefisien dari model regresi logostic terlihat
pada tabel 4.30 menunjukkan bahwa variabel APM signifikan pada α =
0.05. Koefisien variabel APM signifikan pada probabilitas 0.002 < α =
0.05.
Uji wald untuk koefisien variabel APM sebesar 9.776 , P-value =
0.002 < 0.05, maka koefisien regresi untuk variabel APM signifikan.
Hasil penggunaan uji beda Independent Sample T-test dalam penelitian ini
berdasarkan tabel 4.4 menunjukkan bahwa rasio CAR, LDR, PM, APB, NPLg
dan NLPn mempunyai P-value lebih besar dari 0.05 sehingga dapat disimpulkan
bahwa rasio tersebut tidak memiliki perbedaan yang signifikan antara bank
Ketepatan prediksi secara rata-rata = 66.7 + 97.4 = 82.05 %
2
113
bermasalah dan bank tidak bermasalah, maka dapat dikatakan bahwa hipotesis 1
ditolak. Untuk rasio ATTM dan NIM memiliki perbedaan yang signifikan antara
bank bermasalah dan bank yang tidak bermasalah, maka dapat disimpulkan
bahwa hipotesis 1 diterima. Artinya secara umum pada periode 2007-2009
terdapat perbedaan yang signifikan kondisi suatu bank antara bermasalah dan
tidak bermasalah ditunjukkan oleh rasio ATTM dan NIM.
Penelitian kali ini konsisten dengan penelitian Almilia dan Herdiningtyas
(2005) yaitu rasio NIM yang digunakan pada penelitian terdahulu dan sekarang
mempunyai perbedaan yang signifikan. artinya rata-rata NIM selama periode
penelitian adalah lebih besar rata-rata NIM bank bermasalah.
Hasil ini juga menunjukkan bahwa rasio CAR dan LDR memiliki tingkat
signifikasi masing-masing sebesar 0.092 dan 0.194. rasio CAR dan LDR
mempunyai nilai signifikansi lebeh besar dari 0.05 maka dapat disimpulkan
bahwa rasio keuangan CAR dan LDR tidak memiliki perbedaan yang sinifikan
antara bank bermasalah dan bank yang tidak bermasalah. Hasil ini konsisten
dengan penelitian Sumantri dan Jurnali (2010).
Sedangkan hasil perhitungan uji beda berdasarkan tabel Test of Equality of
Group Means disimpulkan bahwa dari kedelapan variabel hanya terdapat enam
variabel rasio keuangan yakni CAR, ATTM, PM, APB, NPLg dan NPLn yang
mempunyai nilai signifikansi dibawah 0.05 sehingga terdapat perbedaan antar
grup. Artinya bahwa variabel rasio keuangan CAR, ATTM, PM, APB, NPLg
dan NPLn mempengaruhi bermasalah atau tidaknya suatu bank. Untuk variabel
NIM dan LDR mempunyai nilai signifikansi diatas 0.05 sehingga tidak ada
114
perbedaan antar grup. Artinya bahwa variabel rasio keuangan NIM dan LDR
menghasilkan nilai yang relatif sama terhadap bermasalah atau tidaknya suatu
bank.
Hasil uji pemilihan variabel untuk pembentukan model diskriminan terpilih
satu variabel pada model diskriminan yang lolos uji dan dapat digunakan untuk
pembentukan model diskriminan yaitu variabel APB. Dan berdasarkan hasil uji
pengeluaran variabel, maka variabel CAR, ATTM, PM, NIM, LDR, NPLg dan
NPLn yang tidak lolos uji dan tidak dapat digunakan untuk pembentukan model
diskriminan.
Nilai Canonical Corelation sebesar 0.727 dengan skala ukuran 0 sampai 1
menunjukkan nilai keerataan hubungan antara discriminant score dengan grup.
Dengnan nilai keerataan sebesar 0.727 tersebut maka dapat dikatakan terdapat
tingkat keerataan yang cukup tinggi anatara discriminant score dengan grup.
Dengan perhitungan yang terdapat pada tabel Canonical Discriminat
Function Coefficient hanya terdapat satu variabel yaitu variabel APB saja yang
mempengaruhi terbentuknya fungsi diskriminan. Sehingga fungsi diskriminan
yang terbentuk adalah sebagai berikut:
Dengan demikianbesar kecilnya nilai z-score suatu bank ditentukkan pula
oleh besar atau kecilnya nilai APB yang diperoleh tersebut. Dengan kata lain
bangkrut atau tidaknya suatu bank yang diteliti tergantung besar kecilnya nilai
APB .
Z-score = 4.734 + 1.199 APB
115
Berdasarkan tabel Functions at Group Centroids, dan perhitungan rumus
maka diperoleh nilai cut-off sebesar 1.659. Dan nilai cut-off tersebut merupakan
indikator penentu apakah suatu bank masuk dalam kategori bank bermasalah
atau banti tidak bermasalah disesuaikan dengan nilai z-score yang diperoleh.
Hasil persamaan Multiple Discriminant Analysis (MDA) dalam penelitian
ini menunjukkan daya ketepatan prediksi secara keseluruhan adalah sebesar
91.7% dengan ketepatan prediksi klasifikasi untuk kelompok bank tidak
bermasalah sebesar 92.3% dan bank bermasalah sebesar 88.9% yang
ditunjukkan pada lampiran 3 tabel Classification Tabel (output SPSS 17.0)
dengan cut value 0.500. Hal ini menunjukkan bahwa variabel CAR, ATTM,
NIM, LDR, PM, APB, NPLg dan NPLn dapat digunakan untuk memprediksi
kondisi bermasalah pada Bank-bank Umum Swasta Nasional Devisa dan Non
Devisa di Indonesia.
Sedangkan Hasil penggunaan model regresi logit dalam penelitian ini
menunjukkan daya ketepatan prediksi secara keseluruhan adalah sebesar 100%
dengan ketepatan prediksi klasifikasi untuk kelompok bank tidak bermasalah
sebesar 100% dan bank bermasalah sebesar 100% yang ditunjukkan pada
lampiran 3 Classification Tabel (output SPSS 17.0) dengan cut value 0.500. Hal
ini menunjukkan bahwa variabel CAR, ATTM, NIM, LDR, PM, APB, NPLg
dan NPLn dapat digunakan untuk memprediksi kondisi bermasalah pada Bank-
bank Umum Swasta Nasional Devisa dan Non Devisa di Indonesia.
Dari hasil penggunaan model Multiple Discriminant Analysis (MDA) dan
model regresi logit yang ditunjukkan pada Classification Tabel (output SPSS
116
17.0) dapat dilihat bahwa tingkat akurasi atau ketepatan Multiple Discriminant
Analysis (MDA) sebesar 90.6% dengan klasifikasi untuk kelompok bermasalah
sebesar 88.9% dan klasifikasi untuk kelompok tidak bermasalah 92.3%.
Sedangkan tingkat akurasi model regresi logit sebesar 82.05% dengan
klasifikasi untuk kelompok bermasalah 66.7% dan klasifikasi untuk kelompok
tidak bermasalah sebesar 97.4%, sehingga dapat disimpulkan bahwa terdapat
perbedaan tingkat akurasi antara model Multiple Discriminant Analysis (MDA)
dan model Logit dalam memprediksi kebangkrutan pada Bank-Bank Umum
Swasta Nasional Devisa dan Non Devisa di Indonesia, maka hasil pengujian ini
dapat diartikan bahwa hipotesa II diterima. Karena tingkat akurasi model
Multiple Discriminant Analysis (MDA) sebesar 90.6% lebih besar dibandingkan
model Logit sebesar 82.05% dapat disimpulkan model ini lebih baik untuk
digunakan dalam memprediksi kondisi bermasalah pada Bank-Bank Umum
Swasta Nasional Devisa dan Non Devisa di Indonesia.
Nilai koefisien Nagelkerke R Square menjelaskan bahwa dalam model
regresi ini kemampuan rasio keuangan perbankan dalam menjelaskan kinerja
keuangan bank devisa dan bank non devisa sebesar 69.1% dan sisanya 30.9%
dijelaskan oleh variabel lain.
Hasil perhitungan yang didapat dari Wald Statistic menunjukkan bahwa
hanya satu variabel yang berpengaruh signifikan terhadap variabel dependent,
yaitu variabel Aktifa Produktif Bermasalah (APB) sedangkan variabel yang
lainnya tidak signifikan. Persamaan regresi logistik yang terbentuk adalah
sebagai berikut:
117
Dari persamaan regresi logistik dapat dilihat bahwa variabel CAR, ATTM,
NIM, LDR, PM, NPLg dan NPLn tidak mempunyai pengaruh yang signifikan
terhadap kinerja keuangan bank devisa dan bank non devisa. Variabel yang
berpengaruh signifikan terhadap variabel dependen (kondisi bank) yaitu Aktiva
Produktif Bermasalah (APB).
Variabel APB menunjukkan nilai keofisien regresi sebesar -2.328 dengan
porobabilitas variabel sebesar 0.002 dibawah signifikan 0.05. Hal ini
mengandung arti bahwa H0 ditolak (Ha diterima), dengan demikian terbukti
bahwa APB berpengaruh signifikan terhadap kondisi suatu bank.
Hasil penelitian ini Hasil penelitian ini bertolak belakang dengan hasil
penelitian yang dilakukan oleh Luciana dan Winny (2005) menyatakan bahwa
rasio APB mempunyai pengaruh yang tidak signifikan terhadap kondisi
bermasalah dan pengaruhnya negatif artinya semakin rendah rasio ini,
kemungkinan bank dalam kondisi bermasalah semakin besar.
Dapat diketahui bahwa rasio APB mempunyai pengaruh yang negatif artinya
semakin rendah rasio ini maka semakin besar kemungkinan suatu bank dalam
kondisi bermasalah. Pengaruh rasio APB terhadap kondisi bermasalah adalah
signifikan karena tingkat signifikansi dibawah 0.05 yaitu sebesar 0.002. Hal ini
menunjukkan buruknya kualitas aktiva produktif yang menyebabkan
Y = - 6.491 - 2.328 APB
118
meningkatnya PPAP yang tersedia sehingga kemungkinan terjadinya kondisi
bermasalah bank tersebut semakin besar. Oleh karena itu manajemen bank harus
lebih selektif dalam menggunakan aktiva produktif agar dapat minimalisir
kemungkinan terjadinya kondisi bermasalah, sehingga para investor tidak perlu
ragu untuk menanamkan sahamnya jika kualitas aktiva produktinya lebih baik
lagi.
119
BAB V
KESIMPULAN DAN IMPLIKASI
A. Kesimpulan
Penelitian ini bertujuan untuk menganalisis variabel apa saja yang
memiliki perbedaan yang signifikan anatara bank-bank kelompok bank
bermasalah dan kelompon bank yang tidak bermasalah dan juga
menganalisis perbedaan tingkat akurasi pada model MDA dan model Logit
dalam memprediksi kebangkrutan pada Bank-Bank Umum Swasta
Nasional Devisa dan Non Devisa di Indonesia, maka dapat diambil
kesimpulan sebagai berikut:
1. Hasil Uji Independent Sample T-Test dapat diketahui bahwa dari
rasio keuangan CAR, CAR, ATM, NIM, LDR, PM, APB, NPLg,
NPLn yang memiliki perbedaan yang signifikan antara bank-bank
kategori bermasalah dan tidak bermasalah periode 2007 – 2009
adalah rasio ATM dan NIM. Hasil ini mendukung penelitian
sebelumnya Almilia dan Herdiningtyas (2005). Akan tetapi hanya
rasio NIM saja yang memiliki perbedaan yang signifikan antara
bank-bank kategori bermasalah dan tidak bermasalah dengan
penelitian Almilia dan Herdiningtyas (2005).
2. Hasil uji ketepatan prediksi klasifikasi antara model Multiple
Discriminant Analysis (MDA) dan Model logit yang ditunjukkan
pada Classification Tabel (output SPSS 17.0) dapat dilihat bahwa
tingkat akurasi Multiple Discriminant Analysis (MDA) sebesar
120
90,6% sedangkan tingkat akurasi model regresi logit sebesar
82.05% sehingga dapat disimpulkan bahwa terdapat perbedaan
tingkat akurasi antara model Multiple Discriminant Analysis
(MDA) dan model Logit dalam memprediksi kebangkrutan pada
Bank-Bank Umum Swasta Nasional Devisa dan Non Devisa di
Indonesia.
B. Implikasi
Hasil penelitian ini diharapkan memberikan kontribusi bagi
pemahaman kita tentang perbedaan tingkat akurasi dalam memprediksi
kondisi bermasalah pada Bank Umum Swasta Nasional Devisa dan Non
Devisa. Hasil penelitian ini memiliki beberapa implikasi penting bagi
peneliti, perbankan, investor dan pihak lain, yakni :
1) Bagi peneliti, dapat dijadikan bahan pertimbangan bagi peneliti-
peneliti lain dan untuk menambah wawasan peneliti sehubungan
dengan memprediksi kondisi bermasalah suatu bank. Penelitian
selanjutnya diharapkan dapat menambah variabel-variabel
independen, periode penelitian, serta memperluas metode yang
akan digunakan untuk menganalisis. Untuk mendapatkan hasil
yang lebih berkembang maka sebaiknya peneliti selanjutnya dapat
menambah jumlah sampel yang digunakan dan membedakan antara
bank yang go public dan bank yang belum go public karena
kemungkinan status bank dapat berpengaruh pada hasil penelitian.
121
2) Bagi bank devisa dan non devisa, dapat memberikan informasi
mengenai kondisi keuangan perusahaan khususnya perbankan.
Memberikan informasi bahwa model logit dan model Multiple
Discriminat Analysis (MDA) dapat dijadikan sistem peringatan
dini (Early Warning Systems / EWS) yang merupakan alat prediksi
yang terbaik untuk kasus kebangkrutan bank umum di Indonesia.
Serta rasio keuangan yang memiliki pengaruh yang signifikan
dalam menentukan kinerja keuangan bank devisa dan non devisa
berasala dari rasio Aktiva Produktif Bermasalah (APB) yang
menjelaskan kemampuan bank devisa dan bank non devisa dalam
meningkatkan kualitas aktiva produktif sehingga dapat dijadikan
rujukan bagi kelangsungan hidup dan kelancaran bank devisa dan
non devisa.
3) Bagi investor, sebagai pemilik modal dapat mengetahui kinerja
keuangan bank sehingga diharpakan tepat pada saat pengambilan
keputusan untuk berinvestasi pada bank devisa atau pun bank non
devisa.
4) Bagi pemerintah, dapat memberikan informasi untuk membantu
dalam mengeluarkan peraturan untuk melindungi masyarakat dari
kemungkinan terjadinya stabilitas ekonomi dan politik negara.
122
DAFTAR PUSTAKA
Achmad, Tarmizi dan Kusuno, Willyanto Kartiko. “Analisis Rasio-Rasio
Keuangan Sebagai Indikator Dalam Memprediksi Potensi Kebangkrutan
Perbankan di Indonesia”. Media Ekonomi & Bisnis Vol.XV No.1, pp 54-
75.2003.
Adnan, Muhammad Akhyar., dan Kurniasih, Eha. ”Analisis Tingkat
Kesehatan Perusahaan untuk Memprediksi Potensi Kebangkrutan dengan
Pendekatan Altman (Kasus pada Sepuluh Perusahaan di Indonesia).”
JAAI, Volume 4, No.2, Desember 2000, pp 131-151. 2000.
Altman, E. “Financial Ratio Discriminant Analysis and The Prediction of
Corporate Bankruptcy”. Journal of Finance, Vol. XXIII, No. 4,
September. 1968.
Almilia, Luciana Spica., dan Herdiningtyas, Winny. “Analisis Rasio CAMEL
Terhadap Prediksi Kondisi Bermasalah Pada Lembaga Perbankan
Perioda 2000-2002”. Jurnal Akuntansi dan Keuangan, Vol.7, No.2,
November. 2005.
Angelina, Liza. “Perbandingan Erly Warning System (EWS) untuk
Memprediksi Kebangkrutan Bank Umum di Indonesia”. Buletin Ekonomi
Moneter dan Perbankan. 2003.
Asmoro, Argo. “Analisis Pengaruh Rasio Keuangan Terhadap Prediksi
Kondisi Bermasalah Pada Bank”. Fakultas Ekonomi, Univeritas
Diponogoro Semarang. 2010.
Darmawan, Herman. Pasar Finansial dan Lembaga-Lembaga Finansial. PT.
Bumi Aksara. Jakarta. 2006.
Dendawijaya, Lukman. Manajemen Perbankan. Cetakan Kedua. Penerbit
Ghalia Indonesia. Jakarta. 2003.
123
Ghozali, Imam. “Aplikasi Analisis Multivariate dengan Program SPSS”,
Semarang : Badan Penerbit Universitas Diponegoro, 2005.
Hamid, Abdul. “Pedoman Penulisan Skripsi”, Jakarta : Fakultas Ekonomi dan
Ilmu Sosial UIN Syarif Hidayatullah, 2007.
Hasibuan, Malayu S.P. Dasar-Dasar Perbankan. PT Bumi Aksara,
Jakarta.2002.
Hadad, M. D., W. Santoso, Sarwedi, H. Sukarno, dan M. Adenan. “Model
Prediksi Kepailitan Bank Umum di Indonesia. 2004.
http://bi.go.id
Jagtiani, Julapa A., Kolari, James W., Lemieux, Catharine M., Shin, G. Hwan.
“Predicting Inadequate Capitalization : Early Warning System for Bank
Supervision”. Emerging Issues Series. Supervision and Regulation
Department. Federal Reserve Bank of Chicago. 2000.
Kasmir. Manajemen Perbankan. Jakarta : PT RajaGrafindo Persada. 2004.
Kasmir. Bank & Lembaga Keuangan Lainnya. Jakarta : PT RajaGrafindo
Persada. 2005.
Kolari, J., D. Glennon, H. Shin, and M. Caputo. “Predicting Large U.S.
Commercial Bank Failures”, Working Paper No. 2000-1, U.S.
Comptroller of The Currency. Washington, D.C. 2000.
Kulkarni, Amit. “ Modeling Early Warning System For Off-Site Surveillance
Of Commercial Banks”. National Institute of Bank Management, Pune-
411 048, India. 2005.
Mulyaningrum, Penni. “Pengaruh Rasio Keuangan Terhadap Kebangkrutan
Bank di Indonesia”. Tesis Program Pasca Sarjana Magister Akuntansi
Universitas Diponegoro. 2008
124
Nurhasanah. “ Analisis Rasio Keuangan Model Altman dan Model Springate
Sebagai Early Warning System (EWS) Terhadap Prediksi Kondisi
Bermasalah Pada Bank Go Public”. Fakultas Ekonomi dan Ilmu Sosial,
UIN Syarif Hidayatullah Jakarta. 2010.
Riyadi, S. “Banking Assets and Liability Management”. Ed. 3. Lembaga
Penerbit Fakultas Ekonomi Universitas Indonesia. 2006.
Sawitri, Peni. “Prediksi Tingkat Kesehatan Asuransi Jiwa Termasuk
Kemungkinan Kebangkrutannya Dengan Rasio-Rasio Keuangan”. Jurnal
Ekonomi dan Bisnis No. 2, Jilid 7. 2002.
Siamat, Dahlan. Manajemen Lembaga Keuangan. Edisi Kelima. Lembaga
Penerbit Fakuiltas Ekonomi Universitas Indonesia. Jakarta. 2005.
Sugiono. Metode Penelitian Bisnis. Cetakan 13. Penerbit Alfabeta. Bandung.
2009.
Sugiyanto, F.X., Prasetiono, dan Hariyanto, Teddy. “Manfaat Indikator-
Indikator Keuangan Dalam Pembentukan Model Prediksi Kondisi
Kesehatan Perbankan”. Jurnal Bisnis Strategi Vo.10/Desember/Th.VII, pp
11-26. 2002.
Sumantri, dan Jurnali, Teddy. “Manfaat Rasio Keuangan dalam Memprediksi
Kepailitan Bank Nasional”. Jurnal Bisnis dan Akuntansi Vol.12, No.1,
April 2010, Hlm. 39-52. 2010.
Susilo, Sri., dkk. Bank dan Lembaga Keuangan Lain. Salemba. Jakarta. 2000.
Syarif, Syahru. “Analisis Pengaruh Rasio-Rasio CAMELS Terhadap Net
Interesr Margin (NIM)” Skripsi Fakultas Ekonomi, Universitas
Diponogoro Semarang. 2006.
Taswan. Manajemen Perbankan : Konsep, Teknik & Aplikasi. UPP STIM
YKPN Yogyakarta. 2006.
125
Uyanto, S. Stanislaus. Pedoman Analisis Data dengan SPSS. Graha Ilmu.
Yogyakarta. 2006.
Wardani, Evi. “Analisis Tingkat Kebangkrutan Model Altman dan Foster
Pada Perusahaan Textile dan Garment Go-Public Di Bursa Efek
Jakarta”. Skripsi Fakultas Ekonomi, Jurusan Manajemen Keuangan,
Universitas Negeri Semarang. 2007.
Widarjono, Agus. “Analisis Statistikan Multivariat Terapan” Edisi Pertama,
Yogyakarta : UPP STIM YKPN. 2010.
Wilopo. “Prediksi Kebangkrutan Bank”. JRAI Mei, pp 184-198. 2001.
126
Variabel 2 (X2)
Aktiva Tetap Terhadap Modal (ATTM)
No Daftar Nama Bank Tidak Bermasalah 2007 2008 2009
ATTM ATTM ATTM
1 PT. Bank Bumi Arta, Tbk 0.4660 0.4471 0.4653
2 PT. Bank Ganesha 0.2909 0.3128 0.3405
3 PT. Bank Kesawan, Tbk 0.5274 0.5397 0.4715
4 PT. Bank Mayapada Internasional 0.2908 0.3585 0.3730
5 PT. Bank Mestika Dharma 0.1950 0.1766 0.1692
6 PT. Bank Nusantara Parahyangan, Tbk 0.1372 0.1348 0.1300
7 PT. Bank Sinarmas 0.2765 0.4089 0.4318
8 PT. Bank Swadesi, Tbk 0.2967 0.1319 0.1297
9 PT. Bank Harda Internasional 0.3986 0.3345 0.3372
10 PT. Bank Jasa Jakarta 0.1305 0.1276 0.1278
11 PT. Bank Kesejahteraan Ekonomi 0.0761 0.0963 0.0955
12 PT. Bank Victoria International 0.2732 0.2322 0.3130
13 PT. Bank Yudha Bhakti 0.1591 0.1451 0.1426
No Daftar Nama Bank Bermasalah 2007 2008 2009
ATTM ATTM ATTM
1 PT. Bank Agroniaga, Tbk 0.1336 0.1497 0.1100
2 PT. Bank Mutiara, Tbk 0.2397 -0.1836 0.6093
3 PT. Bank Eksekutif International, Tbk 1.1362 1.1120 1.7597
Variabel 1 (X1)
CAR
No Daftar Nama Bank Tidak Bermasalah 2007 2008 2009
CAR CAR CAR
1 PT. Bank Bumi Arta, Tbk 0.3430 0.3115 0.2842
2 PT. Bank Ganesha 0.2100 0.2121 0.1004
3 PT. Bank Kesawan, Tbk 0.1036 0.1043 0.1256
4 PT. Bank Mayapada Internasional 0.2995 0.2369 0.1756
5 PT. Bank Mestika Dharma 0.2609 0.2649 0.2848
6 PT. Bank Nusantara Parahyangan, Tbk 0.1762 0.1411 0.1260
7 PT. Bank Sinarmas 0.1118 0.1152 0.1305
8 PT. Bank Swadesi, Tbk 0.2066 0.3327 0.3290
9 PT. Bank Harda Internasional 0.1398 0.1658 0.1350
10 PT. Bank Jasa Jakarta 0.2344 0.2563 0.2461
11 PT. Bank Kesejahteraan Ekonomi 0.2089 0.1434 0.1317
12 PT. Bank Victoria International 0.1958 0.2322 0.1692
13 PT. Bank Yudha Bhakti 0.1638 0.1524 0.1311
No Daftar Nama Bank Bermasalah 2007 2008 2009
CAR CAR CAR
1 PT. Bank Agroniaga, Tbk 0.1794 0.1351 0.2000
2 PT. Bank Mutiara, Tbk 0.1591 -0.3962 0.1231
3 PT. Bank Eksekutif International, Tbk 0.1191 0.0934 0.0802
127
Variabel 3 (X3)
Net Interest Margin (NIM)
No Daftar Nama Bank Tidak Bermasalah 2007 2008 2009
NIM NIM NIM
2 PT. Bank Bumi Arta, Tbk 0.0660 0.0690 0.0700
3 PT. Bank Ganesha 0.0458 0.0416 0.0442
4 PT. Bank Kesawan, Tbk 0.0468 0.0424 0.0478
6 PT. Bank Mayapada Internasional 0.0685 0.0757 0.0674
7 PT. Bank Mestika Dharma 0.0885 0.0868 0.0915
8 PT. Bank Nusantara Parahyangan, Tbk 0.0361 0.0360 0.0369
9 PT. Bank Sinarmas 0.0415 0.0366 0.0504
10 PT. Bank Swadesi, Tbk 0.0372 0.0544 0.0541
11 PT. Bank Harda Internasional 0.0408 0.0458 0.0544
12 PT. Bank Jasa Jakarta 0.0454 0.0427 0.0530
13 PT. Bank Kesejahteraan Ekonomi 0.0885 0.0697 0.0570
14 PT. Bank Victoria International 0.0256 0.0261 0.0238
15 PT. Bank Yudha Bhakti 0.0564 0.0521 0.0470
No Daftar Nama Bank Bermasalah 2007 2008 2009
NIM NIM NIM
1 PT. Bank Agroniaga, Tbk 0.0403 0.0407 0.0500
2 PT. Bank Mutiara, Tbk 0.0334 -0.0085 0.0076
3 PT. Bank Eksekutif International, Tbk 0.0844 0.0763 0.0745
Variabel 4 (X4)
Loan to Deposit Ratio (LDR)
No Daftar Nama Bank Tidak Bermasalah 2007 2008 2009
LDR LDR LDR
1 PT. Bank Bumi Arta, Tbk 0.5199 0.5986 0.5058
2 PT. Bank Ganesha 0.6957 0.7630 0.6341
3 PT. Bank Kesawan, Tbk 0.6846 0.7466 0.6697
4 PT. Bank Mayapada Internasional 1.0388 1.0022 0.8377
5 PT. Bank Mestika Dharma 0.8936 0.9782 0.9226
6 PT. Bank Nusantara Parahyangan, Tbk 0.4939 0.6612 0.7364
7 PT. Bank Sinarmas 0.6218 0.8331 0.7901
8 PT. Bank Swadesi, Tbk 0.6216 0.8311 0.8110
9 PT. Bank Harda Internasional 0.6552 0.6852 0.7131
10 PT. Bank Jasa Jakarta 0.8523 0.8355 0.8500
11 PT. Bank Kesejahteraan Ekonomi 0.9412 1.0335 1.0232
12 PT. Bank Victoria International 0.5592 0.5346 0.5043
13 PT. Bank Yudha Bhakti 0.5260 0.6754 0.5938
No Daftar Nama Bank Bermasalah 2007 2008 2009
LDR LDR LDR
1 PT. Bank Agroniaga, Tbk 0.7702 0.9480 0.8100
2 PT. Bank Mutiara, Tbk 0.4361 0.9316 0.8166
3 PT. Bank Eksekutif International, Tbk 0.7806 0.7104 0.7922
128
Variabel 3 (X3)
Profit Margin (PM) = Beban Bunga/Total Asset
No Tahun Daftar Nama Bank Tidak
Bermasalah B. Bunga T. Asset PM
1 2007 PT. Bank Bumi Arta, Tbk 85854 1950256 0.0440219
2 2007 PT. Bank Ganesha 83371 1569533 0.0531183
3 2007 PT. Bank Kesawan, Tbk 141544 2184493 0.0647949
4 2007 PT. Bank Mayapada Internasional 275949 4474878 0.0616663
5 2007 PT. Bank Mestika Dharma 181587 4459009 0.0407236
6 2007
PT. Bank Nusantara Parahyangan,
Tbk 219943 3772770 0.0582975
7 2007 PT. Bank Sinarmas 228424 5468441 0.0417713
8 2007 PT. Bank Swadesi, Tbk 67129 1167733 0.0574866
9 2007 PT. Bank Harda Internasional 70670 1053715 0.0670675
10 2007 PT. Bank Jasa Jakarta 167307 2734028 0.0611943
11 2007 PT. Bank Kesejahteraan Ekonomi 55332 1023550 0.0540589
12 2007 PT. Bank Victoria International 265733 5183742 0.0512628
13 2007 PT. Bank Yudha Bhakti 145334 1925860 0.0754645
14 2008 PT. Bank Bumi Arta, Tbk 94331 2044367 0.0461419
15 2008 PT. Bank Ganesha 95926 1467759 0.0653554
16 2008 PT. Bank Kesawan, Tbk 105565 1981048 0.0532875
17 2008 PT. Bank Mayapada Internasional 330097 5512694 0.0598794
18 2008 PT. Bank Mestika Dharma 188252 4998368 0.0376627
19 2008
PT. Bank Nusantara Parahyangan,
Tbk 203143 3694809 0.0549806
20 2008 PT. Bank Sinarmas 411431 6064626 0.0678411
21 2008 PT. Bank Swadesi, Tbk 67537 1359868 0.0496644
22 2008 PT. Bank Harda Internasional 65529 1037658 0.0631509
23 2008 PT. Bank Jasa Jakarta 184427 2846450 0.0647919
24 2008 PT. Bank Kesejahteraan Ekonomi 101449 1359521 0.0746211
25 2008 PT. Bank Victoria International 393972 5580480 0.0705982
26 2008 PT. Bank Yudha Bhakti 153835 1994475 0.0771306
27 2009 PT. Bank Bumi Arta, Tbk 96048 2403187 0.0399669
28 2009 PT. Bank Ganesha 100040 1411461 0.0708769
29 2009 PT. Bank Kesawan, Tbk 122861 232456 0.5285344
30 2009 PT. Bank Mayapada Internasional 529088 7629928 0.0693438
31 2009 PT. Bank Mestika Dharma 199485 5388446 0.0370209
32 2009
PT. Bank Nusantara Parahyangan,
Tbk 252636 3896393 0.0648384
33 2009 PT. Bank Sinarmas 454556 8036015 0.0565649
34 2009 PT. Bank Swadesi, Tbk 82498 1537378 0.0536615
35 2009 PT. Bank Harda Internasional 77994 1289600 0.0604792
36 2009 PT. Bank Jasa Jakarta 180299 3259597 0.0553133
37 2009 PT. Bank Kesejahteraan Ekonomi 151743 1537791 0.098676
38 2009 PT. Bank Victoria International 486349 7271127 0.0668877
39 2009 PT. Bank Yudha Bhakti 187007 2223304 0.0841122
129
No Tahun Daftar Nama Bank Bermasalah B. Bunga T. Asset PM
1 2007 PT. Bank Agroniaga, Tbk 235851 2983769 0.079045
2 2007 PT. Bank Mutiara, Tbk 565715 13796376 0.041005
3 2007 PT. Bank Eksekutif International, Tbk 96189 1349719 0.071266
4 2008 PT. Bank Agroniaga, Tbk 224659 2578439 0.08713
5 2008 PT. Bank Mutiara, Tbk 728706 5585890 0.130455
6 2008 PT. Bank Eksekutif International, Tbk 99963 1492166 0.066992
7 2009 PT. Bank Agroniaga, Tbk 224838 2981696 0.075406
8 2009 PT. Bank Mutiara, Tbk 473364 7531145 0.062854
9 2009 PT. Bank Eksekutif International, Tbk 99262 1425576 0.069629
Variabel 6 (X6)
Aktiva Produktif Bermasalah (APB)
No Daftar Nama Bank Tidak Bermasalah 2007 2008 2009
APB APB APB
1 PT. Bank Bumi Arta, Tbk 0.0100 0.0099 0.0086
2 PT. Bank Ganesha 0.0109 0.0101 0.0123
3 PT. Bank Kesawan, Tbk 0.0456 0.0343 0.0456
4 PT. Bank Mayapada Internasional 0.0218 0.0035 0.0068
5 PT. Bank Mestika Dharma 0.0293 0.0171 0.0811
6 PT. Bank Nusantara Parahyangan, Tbk 0.0092 0.0081 0.0129
7 PT. Bank Sinarmas 0.0016 0.0153 0.0294
8 PT. Bank Swadesi, Tbk 0.0094 0.0154 0.0121
9 PT. Bank Harda Internasional 0.0046 0.0104 0.0236
10 PT. Bank Jasa Jakarta 0.0082 0.0080 0.0049
11 PT. Bank Kesejahteraan Ekonomi 0.0130 0.0134 0.0148
12 PT. Bank Victoria International 0.0096 0.0096 0.0116
13 PT. Bank Yudha Bhakti 0.0262 0.0133 0.0169
No Daftar Nama Bank Bermasalah 2007 2008 2009
APB APB APB
1 PT. Bank Agroniaga, Tbk 0.1336 0.0511 0.0500
2 PT. Bank Mutiara, Tbk 0.0109 0.5830 0.4208
3 PT. Bank Eksekutif International, Tbk 0.1425 0.1317 0.2312
130
Variabel 7 (X7)
NPL Gross
No Daftar Nama Bank Tidak Bermasalah 2007 2008 2009
NPL g NPL g NPL g
1 PT. Bank Bumi Arta, Tbk 0.0227 0.0192 0.0215
2 PT. Bank Ganesha 0.0128 0.0139 0.0208
3 PT. Bank Kesawan, Tbk 0.0681 0.0408 0.0570
4 PT. Bank Mayapada Internasional 0.0048 0.0283 0.0096
5 PT. Bank Mestika Dharma 0.0401 0.0213 0.1078
6 PT. Bank Nusantara Parahyangan, Tbk 0.0189 0.0124 0.0183
7 PT. Bank Sinarmas 0.0026 0.0199 0.0218
8 PT. Bank Swadesi, Tbk 0.0195 0.0216 0.0164
9 PT. Bank Harda Internasional 0.0067 0.0153 0.0337
10 PT. Bank Jasa Jakarta 0.0127 0.0124 0.0075
11 PT. Bank Kesejahteraan Ekonomi 0.0184 0.0149 0.0164
12 PT. Bank Victoria International 0.0239 0.0254 0.0300
13 PT. Bank Yudha Bhakti 0.0496 0.0203 0.0258
No Daftar Nama Bank Bermasalah 2007 2008 2009
NPL g NPL g NPL g
1 PT. Bank Agroniaga, Tbk 0.0654 0.0615 0.0700
2 PT. Bank Mutiara, Tbk 0.0346 0.3517 0.3759
3 PT. Bank Eksekutif International, Tbk 0.1517 0.1549 0.2790
Variabel 8 (X8)
NPL Net
No Daftar Nama Bank Tidak Bermasalah 2007 2008 2009
NPL n NPL n NPL n
2 PT. Bank Bumi Arta, Tbk 0.0178 0.0146 0.0171
3 PT. Bank Ganesha 0.0103 0.0114 0.0162
4 PT. Bank Kesawan, Tbk 0.0633 0.0374 0.0533
6 PT. Bank Mayapada Internasional 0.0014 0.0207 0.0049
7 PT. Bank Mestika Dharma 0.0396 0.0206 0.0965
8 PT. Bank Nusantara Parahyangan, Tbk 0.0148 0.0112 0.0181
9 PT. Bank Sinarmas 0.0127 0.0172 0.0165
10 PT. Bank Swadesi, Tbk 0.0147 0.0182 0.0142
11 PT. Bank Harda Internasional 0.0062 0.0151 0.0330
12 PT. Bank Jasa Jakarta 0.0078 0.0087 0.0018
13 PT. Bank Kesejahteraan Ekonomi 0.0048 0.0043 0.0045
14 PT. Bank Victoria International 0.0020 0.0044 0.0115
15 PT. Bank Yudha Bhakti 0.0430 0.0183 0.0254
No Daftar Nama Bank Bermasalah 2007 2008 2009
NPL n NPL n NPL n
1 PT. Bank Agroniaga, Tbk 0.0458 0.0359 0.0400
2 PT. Bank Mutiara, Tbk 0.0333 0.1042 0.0953
3 PT. Bank Eksekutif International, Tbk 0.1436 0.1429 0.1839
131
Lampiran 2 : Output SPSS 17 Uji Normalitas
GET FILE='C:\Documents and Settings\Compaq\My Documents\data
spss\fix.sav'. NPAR TESTS /K-S(NORMAL)=CAR ATM NIM LDR PM APB NPLg NPLn
/MISSING ANALYSIS.
NPar Tests
[DataSet1] C:\Documents and Settings\Compaq\My Documents\data spss\fix.sav
One-Sample Kolmogorov-Smirnov Test
CAR ATM NIM LDR PM APB NPLg NPLn
N 48 48 48 48 48 48 48 48
Normal Parameters
a,
,b
Mean .174698 .324119 .051296 .747281 .062971 -3.948440 -3.587806 -4.007703
Std. Deviation
.1099012
.3137897
.0207269
.1588295
.0165664
1.2014204 1.0284222 1.1294836
Most Extreme Differences
Absolute .188 .194 .107 .056 .120 .186 .152 .102
Positive .075 .194 .107 .056 .120 .186 .152 .102
Negative -.188 -.194 -.105 -.053 -.067 -.128 -.114 -.084
Kolmogorov-Smirnov Z 1.303 1.346 .742 .385 .832 1.287 1.053 .705
Asymp. Sig. (2-tailed) .067 .053 .640 .998 .493 .073 .218 .703
a. Test distribution is Normal.
b. Calculated from data.
T-TEST GROUPS=kategori(0 1) /MISSING=ANALYSIS /VARIABLES=CAR ATM NIM
LDR PM APB NPLg NPLn /CRITERIA=CI(.95).
T-Test
[DataSet1] C:\Documents and Settings\Compaq\My Documents\data spss\fix.sav
Group Statistics
Kategori N Mean Std. Deviation Std. Error Mean
CAR Bermasalah 9 .077022 .1815991 .0605330
Tidak Bermasalah 39 .197238 .0722155 .0115637
ATM Bermasalah 9 .562956 .6409503 .2136501
Tidak Bermasalah 39 .269003 .1366333 .0218788
NIM Bermasalah 9 .044300 .0313429 .0104476
Tidak Bermasalah 39 .052910 .0176144 .0028206
LDR Bermasalah 9 .777300 .1486342 .0495447
Tidak Bermasalah 39 .740354 .1621355 .0259625
PM Bermasalah 9 .075978 .0240922 .0080307
Tidak Bermasalah 39 .059969 .0129588 .0020751
APB Bermasalah 9 -2.149653 1.2141844 .4047281
Tidak Bermasalah 39 -4.363544 .7291943 .1167645
NPLg Bermasalah 9 -2.065543 .8600475 .2866825
Tidak Bermasalah 39 -3.939097 .6906108 .1105862
NPLn Bermasalah 9 -2.580381 .6751837 .2250612
Tidak Bermasalah 39 -4.337085 .9423659 .1508993
132
Independent Samples Test
Levene's Test
for Equality
of Variances t-test for Equality of Means
95% Confidence
Interval of the
Difference
F Sig. t df
Sig. (2-
tailed)
Mean
Difference
Std.
Error
Differen
ce Lower Upper
CAR Equal variances
assumed
2.967 .092 -3.244 46 .002 -.1202162 .0370603 -.1948147 -.0456178
Equal variances
not assumed
-1.951 8.592 .084 -.1202162 .0616277 -.2606430 .0202105
ATM Equal variances
assumed
57.901 .000 2.697 46 .010 .2939530 .1089929 .0745618 .5133442
Equal variances
not assumed
1.369 8.168 .208 .2939530 .2147674 -.1995292 .7874352
NIM Equal variances
assumed
4.947 .031 -1.127 46 .266 -.0086103 .0076430 -.0239947 .0067742
Equal variances
not assumed
-.796 9.198 .446 -.0086103 .0108217 -.0330104 .0157899
LDR Equal variances
assumed
1.738 .194 .625 46 .535 .0369462 .0591197 -.0820557 .1559480
Equal variances
not assumed
.661 12.794 .521 .0369462 .0559351 -.0840926 .1579849
PM Equal variances
assumed
1.929 .172 2.796 46 .008 .0160085 .0057250 .0044847 .0275324
Equal variances
not assumed
1.930 9.095 .085 .0160085 .0082945 -.0027250 .0347420
APB Equal variances
assumed
3.366 .073 7.178 46 .000 2.2138908 .3084321 1.5930492 2.8347324
Equal variances
not assumed
5.256 9.373 .000 2.2138908 .4212349 1.2667477 3.1610340
NPLg Equal variances
assumed
2.071 .157 7.008 46 .000 1.8735533 .2673419 1.3354219 2.4116847
Equal variances
not assumed
6.097 10.509 .000 1.8735533 .3072721 1.1933761 2.5537306
NPLn Equal variances
assumed
.229 .635 5.269 46 .000 1.7567040 .3334137 1.0855771 2.4278310
Equal variances
not assumed
6.483 16.123 .000 1.7567040 .2709671 1.1826367 2.3307713
133
Lampiran 3 : Output spss 17 model Multiple Dicriminant Analysis (MDA)
DISCRIMINANT /GROUPS=kategori(0 1) /VARIABLES=CAR ATM NIM LDR PM APB
NPLg NPLn /ANALYSIS ALL /PRIORS EQUAL /STATISTICS=MEAN STDDEV UNIVF
BOXM RAW CORR COV GCOV TCOV TABLE CROSSVALID /PLOT=CASES
/CLASSIFY=NONMISSING POOLED.
Discriminant [DataSet1] C:\Documents and Settings\Compaq\My Documents\data spss\fix.sav
Analysis Case Processing Summary
Unweighted Cases N Percent
Valid 48 100.0
Excluded Missing or out-of-range group codes
0 .0
At least one missing discriminating variable
0 .0
Both missing or out-of-range group codes and at least one missing discriminating variable
0 .0
Total 0 .0
Total 48 100.0
Group Statistics
Kategori Mean Std. Deviation
Valid N (listwise)
Unweighted Weighted
Bermasalah CAR .077022 .1815991 9 9.000
ATM .562956 .6409503 9 9.000
NIM .044300 .0313429 9 9.000
LDR .777300 .1486342 9 9.000
PM .075978 .0240922 9 9.000
APB -2.149653 1.2141844 9 9.000
NPLg -2.065543 .8600475 9 9.000
NPLn -2.580381 .6751837 9 9.000
Tidak Bermasalah CAR .197238 .0722155 39 39.000
ATM .269003 .1366333 39 39.000
NIM .052910 .0176144 39 39.000
LDR .740354 .1621355 39 39.000
PM .059969 .0129588 39 39.000
APB -4.363544 .7291943 39 39.000
NPLg -3.939097 .6906108 39 39.000
NPLn -4.337085 .9423659 39 39.000
Total CAR .174698 .1099012 48 48.000
ATM .324119 .3137897 48 48.000
NIM .051296 .0207269 48 48.000
LDR .747281 .1588295 48 48.000
PM .062971 .0165664 48 48.000
APB -3.948440 1.2014204 48 48.000
NPLg -3.587806 1.0284222 48 48.000
NPLn -4.007703 1.1294836 48 48.000
134
Tests of Equality of Group Means
Wilks' Lambda F df1 df2 Sig.
CAR .814 10.522 1 46 .002
ATM .863 7.274 1 46 .010
NIM .973 1.269 1 46 .266
LDR .992 .391 1 46 .535
PM .855 7.819 1 46 .008
APB .472 51.522 1 46 .000
NPLg .484 49.113 1 46 .000
NPLn .624 27.761 1 46 .000
Pooled Within-Groups Matrices
a
CAR ATM NIM LDR PM APM NPLg NPLn
Covariance CAR .010 .004 .001 .000 -.001 -.025 -.017 -.015
ATM .004 .087 .002 -.008 -.001 .038 .051 .087
NIM .001 .002 .000 .001 .000 .001 .001 .004
LDR .000 -.008 .001 .026 .001 .035 .000 -.022
PM -.001 -.001 .000 .001 .000 .003 .001 -.002
APB -.025 .038 .001 .035 .003 .696 .486 .404
NPLg -.017 .051 .001 .000 .001 .486 .523 .466
NPLn -.015 .087 .004 -.022 -.002 .404 .466 .813
Correlation CAR 1.000 .134 .495 -.020 -.676 -.298 -.231 -.171
ATM .134 1.000 .386 -.174 -.301 .154 .242 .329
NIM .495 .386 1.000 .361 -.408 .064 .063 .195
LDR -.020 -.174 .361 1.000 .229 .263 -.005 -.155
PM -.676 -.301 -.408 .229 1.000 .241 .105 -.126
APB -.298 .154 .064 .263 .241 1.000 .805 .537
NPLg -.231 .242 .063 -.005 .105 .805 1.000 .715
NPLn -.171 .329 .195 -.155 -.126 .537 .715 1.000
a. The covariance matrix has 46 degrees of freedom.
135
Covariance Matrices
a
Kategori CAR ATM NIM LDR PM APM NPLg NPLn
Bermasalah CAR .033 .030 .003 -.011 -.004 -.128 -.089 -.043
ATM .030 .411 .015 -.013 -.006 .161 .215 .329
NIM .003 .015 .001 .000 .000 -.010 -.005 .007
LDR -.011 -.013 .000 .022 .003 .118 .063 .021
PM -.004 -.006 .000 .003 .001 .017 .009 .002
APB -.128 .161 -.010 .118 .017 1.474 .966 .582
NPLg -.089 .215 -.005 .063 .009 .966 .740 .480
NPLn -.043 .329 .007 .021 .002 .582 .480 .456
Tidak Bermasalah CAR .005 -.002 .001 .002 .000 -.003 -.002 -.010
ATM -.002 .019 .000 -.007 .000 .012 .017 .037
NIM .001 .000 .000 .002 -8.585E-5 .003 .002 .003
LDR .002 -.007 .002 .026 .000 .018 -.014 -.031
PM .000 .000 -8.585E-5 .000 .000 .000 .000 -.003
APB -.003 .012 .003 .018 .000 .532 .385 .367
NPLg -.002 .017 .002 -.014 .000 .385 .477 .463
NPLn -.010 .037 .003 -.031 -.003 .367 .463 .888
Total CAR .012 -.002 .001 -.001 -.001 -.066 -.051 -.048
ATM -.002 .098 .002 -.006 .000 .138 .136 .166
NIM .001 .002 .000 .001 .000 -.002 -.002 .001
LDR -.001 -.006 .001 .025 .001 .047 .010 -.012
PM -.001 .000 .000 .001 .000 .009 .006 .003
APB -.066 .138 -.002 .047 .009 1.443 1.121 1.000
NPLg -.051 .136 -.002 .010 .006 1.121 1.058 .968
NPLn -.048 .166 .001 -.012 .003 1.000 .968 1.276
a. The total covariance matrix has 47 degrees of freedom.
Analysis 1 Box's Test of Equality of Covariance Matrices
Log Determinants
Kategori Rank Log Determinant
Bermasalah 1 .388
Tidak Bermasalah 1 -.632
Pooled within-groups 1 -.363
The ranks and natural logarithms of determinants printed are those of the group covariance matrices.
Test Results
Box's M 4.202
F Approx. 4.036
df1 1
df2 1608.089
Sig. .045
Tests null hypothesis of equal population covariance matrices.
136
Stepwise Statistics
Variables Entered/Removeda,b,c,d
Step Entered
Min. D Squared
Statistic Between Groups
Exact F
Statistic df1 df2 Sig.
1 APB 7.046 Bermasalah and Tidak Bermasalah
51.522 1 46.000 4.933E-9
At each step, the variable that maximizes the Mahalanobis distance between the two closest groups is entered.
a. Maximum number of steps is 16.
b. Maximum significance of F to enter is .05.
c. Minimum significance of F to remove is .10.
d. F level, tolerance, or VIN insufficient for further computation.
Variables in the Analysis
Step Tolerance Sig. of F to
Remove
1 APB 1.000 .000
Variables Not in the Analysis
Step Tolerance Min. Tolerance Sig. of F to Enter Min. D Squared Between Groups
0 CAR 1.000 1.000 .002 1.439 Bermasalah and Tidak Bermasalah
ATM 1.000 1.000 .010 .995 Bermasalah and Tidak Bermasalah
NIM 1.000 1.000 .266 .174 Bermasalah and Tidak Bermasalah
LDR 1.000 1.000 .535 .053 Bermasalah and Tidak Bermasalah
PM 1.000 1.000 .008 1.069 Bermasalah and Tidak Bermasalah
APB 1.000 1.000 .000 7.046 Bermasalah and Tidak Bermasalah
NPLg 1.000 1.000 .000 6.716 Bermasalah and Tidak Bermasalah
NPLn 1.000 1.000 .000 3.796 Bermasalah and Tidak Bermasalah
1 CAR .911 .911 .437 7.228 Bermasalah and Tidak Bermasalah
ATM .976 .976 .280 7.400 Bermasalah and Tidak Bermasalah
NIM .996 .996 .287 7.390 Bermasalah and Tidak Bermasalah
LDR .931 .931 .378 7.281 Bermasalah and Tidak Bermasalah
PM .942 .942 .461 7.210 Bermasalah and Tidak Bermasalah
NPLg .351 .351 .167 7.632 Bermasalah and Tidak Bermasalah
NPLn .711 .711 .261 7.429 Bermasalah and Tidak Bermasalah
137
Wilks' Lambda
Step Number of Variables Lambda df1 df2 df3
Exact F
Statistic df1 df2 Sig.
1 1 .472 1 1 46 51.522 1 46.000 .000
Summary of Canonical Discriminant Functions
Eigenvalues
Function Eigenvalue % of Variance Cumulative % Canonical Correlation
1 1.120a 100.0 100.0 .727
a. First 1 canonical discriminant functions were used in the analysis.
Wilks' Lambda
Test of Function(s) Wilks' Lambda Chi-square df Sig.
1 .472 34.190 1 .000
Standardized Canonical Discriminant Function
Coefficients
Function
1
APM 1.000
Structure Matrix
Function
1
APB 1.000
NPLga .805
NPLna .537
CARa -.298
LDRa .263
PMa .241
ATMa .154
NIMa .064
Pooled within-groups correlations between discriminating variables and standardized canonical discriminant functions Variables ordered by absolute size of correlation within function.
a. This variable not used in the analysis.
138
Canonical Discriminant Function Coefficients
Function
1
APB 1.199
(Constant) 4.734
Unstandardized coefficients
Functions at Group Centroids
Kategori
Function
1
Bermasalah 2.157
Tidak Bermasalah -.498
Unstandardized canonical discriminant functions evaluated at group means
Classification Statistics
Classification Processing Summary
Processed 48
Excluded Missing or out-of-range group codes
0
At least one missing discriminating variable
0
Used in Output 48
Prior Probabilities for Groups
Kategori Prior
Cases Used in Analysis
Unweighted Weighted
Bermasalah .500 9 9.000
Tidak Bermasalah .500 39 39.000
Total 1.000 48 48.000
139
Casewise Statistics
Case Number
Highest Group Second Highest Group Discriminant Scores
P(D>d | G=g)
Actual Group
Predicted Group p df
P(G=g | D=d)
Squared Mahalano
bis Distance
to Centroid Group
P(G=g | D=d)
Squared Mahalano
bis Distance
to Centroid Function 1
Original
1 1 1 .772 1 .987 .084 0 .013 8.668 -.787
2 1 1 .852 1 .982 .035 0 .018 8.070 -.684
3 1 0** .261 1 .631 1.265 1 .369 2.339 1.032
4 1 1 .519 1 .860 .416 0 .140 4.039 .147
5 1 1 .318 1 .705 .998 0 .295 2.740 .501
6 1 1 .697 1 .990 .152 0 .010 9.266 -.887
7 1 1 .013 1 1.000 6.185 0 .000 26.433 -2.985
8 1 1 .716 1 .989 .132 0 .011 9.110 -.862
9 1 1 .222 1 .999 1.490 0 .001 15.017 -1.718
10 1 1 .598 1 .993 .278 0 .007 10.125 -1.025
11 1 1 .980 1 .969 .001 0 .031 6.914 -.473
12 1 1 .735 1 .988 .115 0 .012 8.958 -.836
13 1 1 .387 1 .773 .748 0 .227 3.201 .367
14 1 1 .763 1 .987 .091 0 .013 8.739 -.799
15 1 1 .781 1 .986 .077 0 .014 8.598 -.775
16 1 1 .235 1 .591 1.412 0 .409 2.150 .690
17 1 1 .122 1 1.000 2.398 0 .000 17.663 -2.046
18 1 1 .724 1 .930 .125 0 .070 5.294 -.144
19 1 1 .588 1 .993 .294 0 .007 10.219 -1.040
20 1 1 .826 1 .950 .048 0 .050 5.925 -.278
21 1 1 .820 1 .949 .052 0 .051 5.887 -.270
22 1 1 .808 1 .985 .059 0 .015 8.393 -.740
23 1 1 .577 1 .993 .311 0 .007 10.315 -1.055
24 1 1 .951 1 .966 .004 0 .034 6.725 -.436
25 1 1 .735 1 .988 .115 0 .012 8.958 -.836
26 1 1 .958 1 .967 .003 0 .033 6.771 -.445
27 1 1 .638 1 .992 .221 0 .008 9.765 -.968
28 1 1 .967 1 .974 .002 0 .026 7.268 -.539
29 1 0** .261 1 .631 1.265 1 .369 2.339 1.032
30 1 1 .452 1 .996 .566 0 .004 11.604 -1.250
31 1 0** .664 1 .914 .189 1 .086 4.928 1.722
32 1 1 .988 1 .970 .000 0 .030 6.963 -.482
33 1 1 .316 1 .703 1.007 0 .297 2.726 .506
34 1 1 .951 1 .976 .004 0 .024 7.374 -.559
35 1 1 .459 1 .826 .547 0 .174 3.666 .242
36 1 1 .252 1 .999 1.311 0 .001 14.435 -1.643
37 1 1 .857 1 .955 .033 0 .045 6.121 -.317
38 1 1 .911 1 .979 .012 0 .021 7.652 -.609
39 1 1 .734 1 .932 .115 0 .068 5.359 -.158
40 0 0 .870 1 .981 .027 1 .019 7.943 2.321
41 0 1** .852 1 .982 .035 0 .018 8.070 -.684
140
42 0 0 .809 1 .985 .058 1 .015 8.385 2.398
43 0 0 .323 1 .711 .977 1 .289 2.776 1.168
44 0 0 .054 1 1.000 3.727 1 .000 21.021 4.087
45 0 0 .883 1 .980 .022 1 .020 7.847 2.303
46 0 0 .310 1 .696 1.029 1 .304 2.689 1.142
47 0 0 .124 1 1.000 2.370 1 .000 17.589 3.696
48 0 0 .411 1 .997 .675 1 .003 12.082 2.978
Cross-validated
a
1 1 1 .768 1 .985 .087 0 .015 8.495
2 1 1 .850 1 .981 .036 0 .019 7.901
3 1 0** .253 1 .650 1.306 1 .350 2.543
4 1 1 .511 1 .855 .432 0 .145 3.988
5 1 1 .305 1 .699 1.052 0 .301 2.741
6 1 1 .692 1 .989 .157 0 .011 9.096
7 1 1 .007 1 1.000 7.393 0 .000 29.998
8 1 1 .711 1 .988 .137 0 .012 8.938
9 1 1 .208 1 .999 1.588 0 .001 15.195
10 1 1 .591 1 .992 .289 0 .008 9.967
11 1 1 .980 1 .967 .001 0 .033 6.764
12 1 1 .731 1 .987 .118 0 .013 8.786
13 1 1 .376 1 .769 .784 0 .231 3.185
14 1 1 .759 1 .986 .094 0 .014 8.566
15 1 1 .778 1 .985 .080 0 .015 8.425
16 1 1 .220 1 .583 1.502 0 .417 2.172
17 1 1 .106 1 1.000 2.610 0 .000 18.256
18 1 1 .719 1 .926 .129 0 .074 5.193
19 1 1 .581 1 .992 .305 0 .008 10.063
20 1 1 .823 1 .947 .050 0 .053 5.803
21 1 1 .817 1 .946 .054 0 .054 5.766
22 1 1 .805 1 .983 .061 0 .017 8.221
23 1 1 .570 1 .993 .322 0 .007 10.161
24 1 1 .950 1 .964 .004 0 .036 6.579
25 1 1 .731 1 .987 .118 0 .013 8.786
26 1 1 .958 1 .965 .003 0 .035 6.624
27 1 1 .632 1 .991 .229 0 .009 9.600
28 1 1 .966 1 .972 .002 0 .028 7.110
29 1 0** .253 1 .650 1.306 1 .350 2.543
30 1 1 .442 1 .996 .590 0 .004 11.497
31 1 0** .649 1 .940 .208 1 .060 5.705
32 1 1 .987 1 .968 .000 0 .032 6.812
33 1 1 .303 1 .697 1.061 0 .303 2.728
34 1 1 .950 1 .974 .004 0 .026 7.214
141
35 1 1 .450 1 .822 .571 0 .178 3.630
36 1 1 .238 1 .999 1.392 0 .001 14.547
37 1 1 .855 1 .952 .034 0 .048 5.992
38 1 1 .910 1 .977 .013 0 .023 7.487
39 1 1 .730 1 .929 .119 0 .071 5.256
40 0 0 .855 1 .980 .033 1 .020 7.775
41 0 1** .837 1 .998 .042 0 .002 12.448
42 0 0 .788 1 .983 .072 1 .017 8.214
43 0 0 .266 1 .684 1.239 1 .316 2.782
44 0 0 .024 1 1.000 5.077 1 .000 22.626
45 0 0 .870 1 .979 .027 1 .021 7.680
46 0 0 .253 1 .667 1.307 1 .333 2.699
47 0 0 .078 1 .999 3.115 1 .001 18.265
48 0 0 .357 1 .996 .850 1 .004 12.018
For the original data, squared Mahalanobis distance is based on canonical functions. For the cross-validated data, squared Mahalanobis distance is based on observations.
**. Misclassified case
a. Cross validation is done only for those cases in the analysis. In cross validation, each case is classified by the functions derived from all cases other than that case.
Classification Results
b,c
kategori
Predicted Group Membership
Total Bermasalah Tidak Bermasalah
Original Count Bermasalah 8 1 9
Tidak Bermasalah 3 36 39
% Bermasalah 88.9 11.1 100.0
Tidak Bermasalah 7.7 92.3 100.0
Cross-validateda Count Bermasalah 8 1 9
Tidak Bermasalah 3 36 39
% Bermasalah 88.9 11.1 100.0
Tidak Bermasalah 7.7 92.3 100.0
a. Cross validation is done only for those cases in the analysis. In cross validation, each case is classified by the functions derived from all cases other than that case.
b. 91.7% of original grouped cases correctly classified.
c. 91.7% of cross-validated grouped cases correctly classified.
142
Lampiran 4 : Output spss 17 model Logit
LOGISTIC REGRESSION VARIABLES kategori /METHOD=ENTER CAR ATB NIM LDR PM
APM NPLg NPLn /CLASSPLOT /PRINT=GOODFIT CI(95) /CRITERIA=PIN(0.05)
POUT(0.10) ITERATE(20) CUT(0.5).
Logistic Regression [DataSet1] C:\Documents and Settings\Compaq\My Documents\data spss\fix.sav
Case Processing Summary
Unweighted Casesa N Percent
Selected Cases Included in Analysis 48 100.0
Missing Cases 0 .0
Total 48 100.0
Unselected Cases 0 .0
Total 48 100.0
a. If weight is in effect, see classification table for the total number of cases.
Dependent Variable Encoding
Original Value Internal Value
Bermasalah 0
Tidak Bermasalah 1
Block 0: Beginning Block
Iteration Historya,b,c
Iteration -2 Log likelihood
Coefficients
Constant
Step 0 1 46.685 1.250
2 46.329 1.453
3 46.327 1.466
4 46.327 1.466
a. Constant is included in the model.
b. Initial -2 Log Likelihood: 46.327
c. Estimation terminated at iteration number 4 because parameter estimates changed by less than .001.
Classification Table
a,b
Observed
Predicted
kategori
Percentage Correct Bermasalah Tidak Bermasalah
Step 0 kategori Bermasalah 0 9 .0
Tidak Bermasalah 0 39 100.0
Overall Percentage 81.3
a. Constant is included in the model.
b. The cut value is .500
143
Variables in the Equation
B S.E. Wald df Sig. Exp(B)
Step 0 Constant 1.466 .370 15.723 1 .000 4.333
Variables not in the Equation
Score df Sig.
Step 0 Variables CAR 8.936 1 .003
ATM 6.554 1 .010
NIM 1.289 1 .256
LDR .404 1 .525
PM 6.974 1 .008
APB 25.359 1 .000
NPLg 24.786 1 .000
NPLn 18.065 1 .000
Overall Statistics 28.325 8 .000
Block 1: Method = Forward Stepwise (Conditional)
Iteration Historya,b,c,d
Iteration -2 Log likelihood
Coefficients
Constant APM
Step 1 1 27.430 -2.519 -.955
2 21.127 -4.322 -1.583
3 19.677 -5.709 -2.060
4 19.513 -6.373 -2.288
5 19.510 -6.489 -2.327
6 19.510 -6.491 -2.328
7 19.510 -6.491 -2.328
a. Method: Forward Stepwise (Conditional)
b. Constant is included in the model.
c. Initial -2 Log Likelihood: 46.327
d. Estimation terminated at iteration number 7 because parameter estimates changed by less than .001.
Omnibus Tests of Model Coefficients
Chi-square df Sig.
Step 1 Step 26.818 1 .000
Block 26.818 1 .000
Model 26.818 1 .000
Model Summary
Step -2 Log likelihood Cox & Snell R Square Nagelkerke R Square
1 19.510a .428 .691
a. Estimation terminated at iteration number 7 because parameter estimates changed by less than .001.
144
Hosmer and Lemeshow Test
Step Chi-square df Sig.
1 10.019 7 .187
Contingency Table for Hosmer and Lemeshow Test
kategori = Bermasalah kategori = Tidak Bermasalah
Total Observed Expected Observed Expected
Step 1 1 5 4.674 0 .326 5
2 3 2.949 3 3.051 6
3 0 .724 5 4.276 5
4 0 .253 5 4.747 5
5 0 .142 5 4.858 5
6 1 .100 4 4.900 5
7 0 .085 6 5.915 6
8 0 .052 5 4.948 5
9 0 .021 6 5.979 6
Classification Table
a
Observed
Predicted
kategori
Percentage Correct Bermasalah Tidak Bermasalah
Step 1 kategori Bermasalah 6 3 66.7
Tidak Bermasalah 1 38 97.4
Overall Percentage 91.7
a. The cut value is .500
Variables in the Equation
B S.E. Wald df Sig. Exp(B)
95% C.I.for EXP(B)
Lower Upper
Step 1a APB -2.328 .745 9.776 1 .002 .097 .023 .419
Constant -6.491 2.475 6.879 1 .009 .002
a. Variable(s) entered on step 1: APM.
Model if Term Removed
a
Variable Model Log Likelihood
Change in -2 Log Likelihood df Sig. of the Change
Step 1 APB -23.967 28.425 1 .000
a. Based on conditional parameter estimates
145
Variables not in the Equation
Score df Sig.
Step 1 Variables CAR .615 1 .433
ATM .008 1 .928
NIM 2.589 1 .108
LDR 1.186 1 .276
PM 1.190 1 .275
NPLg 1.251 1 .263
NPLn .208 1 .648
Overall Statistics 4.702 7 .696