ANALISIS PENILAIAN KINERJA PERBANKAN NASIONAL DENGAN MODEL DISKRIMINAN LINIER Martini, SE Fakultas Ekonomi Universitas Budi Luhur
Abstraksi Kondisi ekonomi Indonesia masih belum stabil. Hal ini menimbulkan risiko yang sangat tinggi bagi perbankan dalam hal keuangannya.Perbankan nasional seharusnya berfungsi sebagaimana mestinya, pada prakteknya masih terdapat hal-hal yang tidak diinginkan. Praktek yang tidak sehat seperti ini akan menyebabkan terjadinya krisis dalam dunia perbankan nasional. Akhirnya hal ini akan menurunkan kondisi kesehatan dunia perbankan secara keseluruhan. Salah satu cara untuk membuat penilaian dan keputusan mengenai kondisi perbankan di masa depan berdasarkan laporan keuangan adalah dengan cara menggunakan analisa laporan keuangan. Salah satu dari teknik analisa yang digunakan adalah rasio keuangan. Perhitungan rasio keuangan dapat digunakan sebagai dasar untuk membuat model prediksi yang nantinya akan bermanfaat untuk memprediksikan kesehatan sebuah bank di masa yang akan datang. Prediksi menggunakan Cutoff Score Model CAMEL (Setiawati, 1999) akan berbahaya karena keputusan terhadap kesehatan perbankan nasional dengan menggunakan metode ini dalam penelitiannya hanya dinyatakan dalam aspek modal, rentabilitas dan likuiditas tanpa memperhitungkan aspek kualitas aktiva produktif dan manajemen. Dan prediksi yang menggunakan Hair, et al. optimum Cutting Score, walaupun metode tersebut melakukan kekeliruan dalam memberikan prediksi, tetapi prediksi yang dihasilkan akan lebih aman atau konservasif karena kemungkinan memprediksi bank yang tidak sehat lebih dari 22 bank yang dijadikan sampel dan kemungkinan untuk sebuah bank diprediksikan sebagai bank yang sehat akan lebih kecil dari 22 bank yang dijadikan sampel.
Kata Kunci : Perbankan Nasional, Model Diskriminan Linier, CAMEL (Setiawati-1999)
1
Pendahuluan Saat ini, kondisi perekonomian di Indonesia yang masih serba tidak menentu mengakibatkan tingginya risiko suatu perbankan untuk mengalami kesulitan keuangan. Praktek-praktek yang kurang sehat menjadi penyebab terjadinya krisis di perbankan nasional, yang pada akhirnya menjadi penyebab terjadinya penurunan kesehatan perbankan nasional secara keseluruhan. Pengelolaan bank harus berdasarkan pada norma pengelolaan bank yang sehat dengan memadukan unsur agent of development dan financial intermediary, sehingga peranan bank dalam ekonomi akan benar-benar dapat dirasakan manfaatnya. Pihak-pihak yang mempunyai kaitan erat dengan kegiatan perbankan seperti halnya shareholders, investor, pemerintah, karyawan, masyarakat, dan manajemen atau yang biasa disebut dengan istilah stakeholders perlu mengetahui kondisi dan keadaan suatu perbankan yang mempunyai kaitan dengannya agar tidak mengalami kerugian dari hasil pertimbangan subyektifnya mengenai jalannya atau kelangsungan perbankan di masa yang akan datang. Perhitungan rasio-rasio keuangan dapat digunakan sebagai dasar untuk membangun model prediksi yang berguna untuk memprediksi kesehatan (keadaan keuangan) suatu perbankan di masa yang akan datang. Berikut ini antara lain penelitian mengenai prediksi kesulitan keuangan yaitu penelitian oleh Beaver (1966; 1968a; 1968b), Altman (1968; 1973), Altman dan Lorris (1976), Altman dan McGough (1974), Ohlson (1980), Zmijewski (1984), Gunawan (1999), Hakim (2000), Avianti (2000), dan Iwan (2003). Model Prediksi dalam penelitian ini akan dibangun dengan cara yang sama seperti dalam penelitian Avianti (2000) dan Iwan (2003) yaitu dengan menggunakan two group discriminant analysis. Indikator rasio keuangan menurut Setiawati (1999) yang dipakai dalam memprediksi kesehatan perbankan (tidak mengalami kesulitan keuangan) menggunakan rasio-rasio keuangan yang dikembangkan buku Aplikasi Akuntansi Manajemen dalam Praktik Perbankan. Penelitian ini berusaha mengidentifikasi rasiorasio keuangan apa saja yang membedakan antara perbankan yang tidak sehat (mengalami kesulitan keuangan) dan sehat (tidak mengalami kesulitan keuangan), serta membangun model untuk memprediksi kesehatan perbankan satu tahun sebelum perbankan tidak sehat (kesulitan keuangan) menggunakan two group discriminant analysis. Kemudian membandingkan hasil perhitungan menurut cutoff score menurut Setiawati (1999) dan hasil prediksi menggunakan Hair, et al. optimum cutting score untuk digunakan dalam melakukan penilaian kesehatan perbankan nasional.
Identifikasi Masalah 1.
Bagaimana penilaian kesehatan perbankan nasional menurut model CAMEL (Setiawati,1999)?
2.
Bagaimana penilaian kesehatan perbankan nasional menurut model diskriminan linier?
3.
Apakah ada perbedaan antara kedua model tersebut?
2
Penelitian Sebelumnya Altman (1968) dalam penelitiannya menggunakan analisis diskriminan linier atau disebut juga multivariate discriminant analysis (MDA) untuk melakukan prediksi kepailitan. Altman merupakan peneliti yang pertama kali menggunakan teknik MDA. Altman menggunakan 22 rasio keuangan yang kemudian terpilih 5 rasio keuangan untuk digunakan sebagai variabel prediktor. Model diskriminan linier dalam penelitian Altman (1968) adalah :
Z = 0,012X1 + 0,014X2 +0,033X3 + 0,06X4 + 0,999X5 Dengan,
X1 = modal kerja / total asset X2 = laba ditahan / total asset X3 = laba sebelum bunga dan pajak / total asset X4 = harga pasar ekuitas / nilai buku total kewajiban X5 = penjualan / total asset Cutoff score yang digunakan adalah 1,8. Dalam sampel estimasinya, model yang dikembangkan oleh Altman tersebut berhasil mengidentifikasikan secara benar 31 dari 33 perusahaan yang pailit. Altman juga melakukan validasi terhadap model tersebut dengan mengumpulkan data sampel yaitu 25 perusahaan pailit dan 66 perusahaan tidak pailit. Model tersebut mengklasifikasikan 24 dari 25 perusahaan yang pailit dan 55 dari 66 perisahaan yang tidak pailit dari holdout sampel secara tepat. Terdapat keterbatasan pada model Altman ini karena kekuatan prediksi model untuk prediksi lebih dari dua tahun sebelum pailit mengalami hasil yang sangat menurun dibandingkan dengan model prediksi satu dan dua tahun sebelum pailit. Iwan (2003) dalam penelitiannya membangun model prediksi kepailitan satu tahun sebelumnya untuk seluruh emiten yang terdaftar di Bursa Efek Jakarta pada tahun 1999 dan 2000, kecuali yang bergerak dalam sektor keuangan dan perbankan. Uji statistik Wilk’s Lambda telah membuktikan bahwa terdapat 22 rasio keuangan yang berbeda secara signifikan dan berdasarkan algoritma stepwise selection terdapat 2 rasio keuangan yang berbeda secara signifikan yaitu net worth to total assets dan net worth to total liabilities.
3
Hipotesis yang akan diuji dalam penelitian ini adalah : 1
H1
:
Terdapat rasio-rasio keuangan yang signifikan untuk menentukan perbankan yang tidak sehat dan yang sehat
2
H0
:
Tidak terdapat rasio-rasio keuangan yang signifikan untuk menentukan perbankan yang tidak sehat dan sehat
Variabel Model Prediksi Rasio-rasio keuangan yang digunakan adalah sebagai berikut : Tabel 1.1 Rasio-rasio keuangan No Kode Rasio Keuangan Capital (Aspek Permodalan) 1 X1 CAR 2
X2
Primary ratio
No 3
Kode X3
Rasio Keuangan Capital ratio
Earning (Aspek Rentabilitas) 4 X4 ROA 5
X5
BOPO
6
X6
Gross profit margin
7
X7
Net profit margin
8
X8
ROE
9
X9
Gross yield on total assets
10
X10
Interest margin on earning assets
11
X11
Interest margin on loans
= modal / aktiva tertimbang menurut resiko = shareholder’s equity / (notes&securities + loans) = equity capital / total assets = shareholder’s equity / assets = equity capital / total loans = shareholder’s equity / loans = laba / rata-rata volume usaha = profit after taxes / total asstes = beban operasional / pendapatan operasional = expenses breakdown / revenue breakdown = 1 – operating profit margin = operating profit margin = (operating income – operating expense) / operating income = (revenue –expense) / revenue = net income / operating income = profit after taxes / revenue = return on equity capital = net income / equity capital = profit after taxes / shareholder’s equity = operating income / total assets = revenue / total assets = (interest income – interest expense) / earning assets = (interest income – interest expense) / (cash on other banks + placements + notes&securities + loans + investments) = (interest income – interest expense) / total loans = (interest income – interest expense) / loans
Liquidity (Aspek Likuiditas) 12 X12 LDR = kredit yang diberikan / dana yang diterima
4
= loans / total deposits Kewajiban bersih call money / aktiva lancer = call money / (cash + placements + notes&securities) Quick Ratio = cash assets / total deposits 15 X15 Cash and banks to demand deposits = assets / demand deposits 16 X16 Investing policy ratio = securities / total deposits 17 X17 Loans to assets ratio = loans / total assets 18 X18 Investment portofolio ratio = surat berharga dengan dengan jatuh tempo kurang dari satu tahun / jumlah surat berharga yang ada = (placements + notes) / (placements + notes + investments) Aspek Resiko Usaha bank 19 X19 Capital Risk = assets risk ratio = equity capital / risk assets = shareholder’s equity / (total assets – cash – securities) 20 X20 Deposit risk ratio = equity capital / total deposits = shareholder’s equity / total deposits 21 X21 Interest rate risk ratio = interest sensitivy assets / interest sensitivity liabilities = (cash on other banks + placements + notes&securities + loans + investments ) / liabilities Aspek Efisiensi Usaha 22 X22 Laverage multiplier = total assets / total equity capital = total assets / shareholder’s equity 23 X23 Assets utilization = (operating income + non operating income) / total assets = revenue / total assets 24 X24 Interest expense ratio = interest paid / total deposits 25 X25 Cost of Fund = interest paid / total fund = interest paid / (total deposits + call money + notes&securities + loans) 26 X26 Cost of Money = (total biaya dana + overhead expenses) / total dana (interest paid + others) / (total deposits + call money + notes&securities + loans) 27 X27 Cost of loanable fund = total biaya dana / (total dana – unloanable fund) = interest paid / ((total deposits + call money + notes&securities + loans) – (cash + cash on BI)) 28 X28 Cost of efficiency ratio = total expense / earning assets = expense / (cash on other banks + placements + notes&securities + loans + investment) 13 14
X13 X14
Populasi, Sampel dan Data Penelitian Pupolasi untuk pembuatan model prediksi kesehatan perbankan adalah Bank Umum Swasta Nasional yang telah terdaftar di Bursa Efek Jakarta atau yang sudah go public pada tahun 2003 dan 2004. Teknik pengambilan sampel penelitian ini dilakukan dengan metode purposive sampling.
5
Menurut Surat Keputusan Direksi Bank Indonesia No.30/11/KEP/DIR tanggal 30 April 1997 tentang Tatacara Penilaian Tingkat Kesehatan Bank Umum, Pasal 13 menyebutkan bahwa terdapat empat golongan predikat tingkat kesehatan bank sebagai berikut : a.
Nilai kredit 81 sampai dengan 100 diberi predikat Sehat
b.
Nilai kredit 66 sampai dengan kurang dari 81 diberi predikat Cukup Sehat
c.
Nilai kredit 51 sampai dengan kurang dari 66 diberi predikat Kurang Sehat
d.
Nilai kredit 0 sampai dengan kurang dari 51 diberi predikat Tidak Sehat Dalam penelitian ini, predikat tingkat kesehatan bank digolongkan menjadi dua kelompok :
a.
Nilai kredit 0 sampai dengan kurang dari 66 diberi predikat tidak sehat
b.
Nilai kredit 66 sampai dengan 100 diberi predikat sehat Rasio-rasio keuangan yang digunakan untuk menentukan kesehatan perbankan didasarkan pada
Indonesian Market Directory tahun 2002. Langkah-langkah penentuan sampel : a.
Menentukan perbankan yang tidak sehat dan sehat pada tahun 2003 dan 2004
b.
Kemudian ditelusuri laporan keuangan perbankan-perbankan tersebut untuk satu tahun sebelumnya yaitu untuk perbankan tidak sehat dan sehat pada tahun 2004 digunakan laporan keuangan tahun 2003, sedangkan untuk perbankan tidak sehat dan sehat pada tahun 2003 digunakan laporan keuangan tahun 2002
c.
Menentukan perbankan yang sehat pada tahun 2003 dan 2004 dengan membuat perhitungan skor kesehatan menurut setiawati (1999) untuk membangun model prediksi satu tahun sebelum perbankan tidak sehat (kesulitan keuangan)
d.
Setelah dilakukan perhitungan skor kesehatan menurut setiawati (1999), maka sampel perbankan seperti terlihat pada tabel di bawah ini : Tabel 1.2 Nama Bank Sampel No
Nama Bank
1
Pt. Bank Buana Indonesia Tbk
2
PT. Bank Bumiputera Tbk
3
PT. Bank Rakyat Indonesia Tbk
4
PT.Bank Central Asia Tbk.
5
PT.Bank Century Tbk
6
PT.Bank Danamon Tbk
7
PT.Bank Eksekutif International Tbk
8
PT.Bank International Indonesia Tbk
6
9
PT.Bank Inter-Pasifik Tbk
10
PT.Bank Kesawan Tbk
11
PT.Bank Lippo Tbk
12
PT.Bank Mandiri Tbk
13
PT.Bank Mayapada International Tbk
14
PT.Bank Mega Tbk
15
PT.Bank Negara Indonesia (Persero) Tbk
16
PT.Bank Niaga Tbk
17
PT.Bank NISP Tbk
18
PT.Bank Nusantara Parahyangan Tbk
19
PT.Bank Pan Indonesia Tbk
20
PT.Bank Permata Tbk
21
PT.Bank Swadesi Tbk
22
Pt.Bank Victoria International Tbk
Data yang digunakan merupakan data sekunder yaitu laporan keuangan auditan per 31 Desember tahun 2002 dan 2003 untuk perbankan-perbankan yang tidak sehat dan sehat pada tahun 2003 dan 2004 yang termasuk dalam sampel.
Metode Pembuatan Model Prediksi Untuk menguji H0 maka dilakukan pengujian penentuan rasio-rasio keuangan yang mempunyai tingkat signifikansi di bawah 5% dari kedua kelompok (perbankan tidak sehat dan sehat) menggunakan alat uji statistik Wilk’s Lambda. Rasio-rasio keuangan yang menentukan antara kelompok perbankan tidak sehat dan sehat selanjutnya dipilih untuk menghasilkan variate (kombinasi linier) terbaik dengan menggunakan algoritma stepwise selection. Prediksi menggunakan fungsi diskriminan merupakan pengujian terhadap H1. Model umum dari fungsi diskriminan linier kanonik sebagai berikut : Z = b0 + b1X1 + b2X2 + ... + bn Xn Dengan, Z
= indeks diskriminan
b0
: intercept
bi
: parameter
Xi
: variabel independen (rasio-rasio keuangan)
7
Optimum Cutting Score Dalam melakukan prediksi apabila menggunakan diskriminan analisis diperlukan suatu cutoff score yang merupakan suatu nilai untuk membandingkan nilai diskriminan tiap-tiap objek yang diteliti untuk menentukan ke dalam kelompok mana objek-objek tersebut harus diklasifikasikan (Hair, et al., 1992). Rumus untuk menentukan cutoff score adalah sebagai berikut : ZCU = (NAZA + NBZB) / (NA + NB) Dengan, ZCU
= nilai cutting score
NA
= jumlah grup A
NB
= jumlah grup B
ZA
= centroid grup A (tidak sehat / kesulitan keuangan)
ZB
= centroid grup B (sehat / tidak kesulitan keuangan)
Centroid masing-masing kelompok (ZA dan ZB) dapat dicari dengan cara menghitung rata-rata dari nilai Z diskriminan masing-masing kelompok. Dalam penelitian ini mengambil populasi perusahaan Perbankan Nasional di Bursa Efek Jakarta yang telah mempublikasikan laporan keuangannya untuk periode 31 Desember 2003 dan 2004. Penelitian ini menggunakan metode purposive sampling yaitu berdasarkan pertimbangan yang telah ditentukan oleh peneliti untuk setiap perusahaan sampel sebagai berikut : setiap perusahaan harus mempunyai jumlah aktiva, jumlah kewajiban, jumlah aktiva lancar, jumlah utang lancar, laba per lembar saham, laba bersih dan laporan keuangan tahunan beserta catatan atas laporan keuangan tahunan selama periode 31 Desember 2003 dan 2004.
Hasil Perhitungan Skor menurut Setiawati (1999) Dari faktor penentu tingkat kesehatan bank, hanya 4 rasio yang dapat dihitung menggunakan informasi laporan keuangan publik (Setiawati, 1999). Rumus untuk mendapatkan skor kesehatan menurut CAMEL adalah : SKit = 25% KPMMit + 5% ROAit + 5% BOPOit + 5% LDRit Dengan, SKit
= Skor kesehatan bank i tahun t
KPMMit
= Skor kewajiban penyediaan modal minimal bank i tahun t
ROAit
= Skor rasio laba terhadap total aktiva bank i tahun t
BOPOit
= Skor rasio biaya operasi terhadap pendapatan operasi bank i tahun t
8
LDRit
= Skor rasio kredit terhadap pinjaman yang diterima
Tabel 1.3 Hasil Perhitungan Skor Kesehatan menurut Setiawati (1999) No
Nama Bank
Skor Kesehatan
Predikat Kesehatan
2002
2003
2004
2003
2004
1
PT.Bank Buana Indonesia Tbk.
44.17
51.87
64.21
Tidak Sehat
2
PT.Bank Bumiputera Tbk.
31.70
34.55
39.88
Tidak Sehat
3
PT.Bank Rakyat Indonesia Tbk.
66.03
71.88
70.19
Sehat
4
PT.Bank Central Asia Tbk.
69.74
66.21
81.96
Sehat
5
PT.Bank Century Tbk.
66.22
80.66
87.81
Sehat
6
PT.Bank Danamon Tbk.
77.01
84.01
97.78
Sehat
7
PT.Bank Eksekutif International Tbk
64.30
71.45
83.80
Sehat
8
PT.BII Tbk.
59.61
51.93
78.18
Sehat
9
PT.Bank Inter-Pasifik Tbk.
59.69
66.90
66.71
Sehat
10
PT.Bank Kesawan Tbk.
65.84
68.04
70.41
Sehat
11
PT.Bank Lippo Tbk.
53.05
50.40
59.05
12
PT.Bank Mandiri Tbk.
68.82
69.15
69.87
Sehat
13
PT.Bank Mayapada International Tbk
84.08
84.10
80.03
Sehat
14
PT.Bank Mega Tbk.
54.40
68.44
71.66
Sehat
15
PT.BNI (Persero) Tbk.
69.73
73.40
83.43
Sehat
16
PT.Bank Niaga Tbk.
77.75
78.72
90.24
Sehat
17
PT.Bank NISP Tbk.
70.56
84.21
83.71
Sehat
18
PT.Bank Nusantara Parahyangan Tbk.
74.13
67.31
78.25
Sehat
19
PT.Bank Pan Indonesia Tbk.
79.73
77.80
79.52
Sehat
20
PT.Bank Permata Tbk.
49.77
46.85
64.33
21
PT.Bank Swadesi Tbk.
74.66
75.49
69.68
22
PT.Bank Victoria International Tbk.
57.26
57.50
75.65
9
Tidak Sehat
Tidak Sehat Sehat Tidak Sehat
Pengujian Rasio-rasio Keuangan yang Signifikan untuk Menentukan Perbankan yang Tidak Sehat dan Sehat Uji Wilk’s Lambda Perbankan dalam kelompok tidak sehat diberi kode 0 (nol) dan perbankan dalam kelompok sehat diberi kode 1 (satu). Berikut disajikan 2 rasio keuangan yang menentukan secara signifikan : Tabel 1.4 Rasio-rasio Keuangan yang Signifikan Menentukan Perbankan yang Tidak Sehat dan Sehat Variabel
Wilk’s Lambda
F
Signifikasi
CAR (X1)
0.645
10.994
0.003
Cost of Funds (X25)
0.609
12.859
0.002
Fungsi Diskriminan yang Terbentuk Tampak dalam tabel 1.5 adalah koefisien fungsi diskriminan linier kanonik yang terbentuk untuk memprediksi kesehatan perbankan satu tahun sebelum perbankan tidak sehat (kesulitan keuangan). Tabel 1.5 Canonical Discriminant Function Coefficients Function 1 CAR (X1)
0.338
Cost of Funds (X25)
0.769
(Constant)
-9,493
Model diskriminan linier kanonik prediksi satu tahun sebelum perbankan tidak sehat (kesulitan keuangan) yang terbentuk adalah sebagai berikut : Z = -9.493 + 0.338 X1 + 0.769 X25 Dengan, Z
= Indeks diskriminan (nilai klasifikasi)
X1
= Capital Adequacy Ratio atau CAR
X25
= Cost of Funds
Optimum Cutting Score Setelah dihitung nilai Z diskriminan untuk masing-masing perbankan maka centroid atau nilai rata-rata dari nilai Z diskriminan masing-masing kelompok dapat diketahui sebagai berikut :
10
Centroid untuk kelompok perbankan tidak sehat = -1,74657 Centroid untuk kelompok perbankan sehat = 0.814721 Hair, et al. Optimum Cutting Score, ZCU
= (NAZA + NBZB) / (NA + NB) = {(7 x -1.74657) + (15 x 0.814721)} / (3 + 19) = -0.00024
Hasil Perhitungan Menurut Cutoff Score Menurut Setiawati (1999) dan Hasil Prediksi Menggunakan Hair, Et Al. Optimum Cutting Score Untuk perhitungan dengan cutoff score model menurut Setiawati (1999) adalah Z diskriminan suatu perbankan yang memiliki skor kesehatan kurang dari 66 maka perbankan tersebut dikategorikan dalam kelompok perbankan tidak sehat (kode 0) dan apabila nilai Z diskriminan suatu perbankan yang memiliki skor kesehatan lebih dari 66 maka perbankan tersebut dikategorikan dalam kelompok perbankan sehat (kode 1). Dalam tabel 1.7 tentang hasil perhitungan menurut cutoff score model Setiawati (1999) di bawah ini menunjukkan ringkasan hasil perhitungan. Tabel 1.7 Hasil Perhitungan Skor Menurut Setiawati (1999) No
Nama Bank
Skor Kesehatan 2003
2004
Skor Kesehatan 2003
2004
1
PT.Bank Buana Indonesia Tbk.
51.87
Tidak Sehat
2
PT.Bank Bumiputera Tbk.
34.55
Tidak Sehat
3
PT.Bank Rakyat Indonesia Tbk.
70.19
Sehat
4
PT.Bank Central Asia Tbk.
81.96
Sehat
5
PT.Bank Century Tbk.
87.81
Sehat
6
PT.Bank Danamon Tbk.
97.78
Sehat
7
PT.Bank Eksekutif International Tbk.
83.80
Sehat
8
PT.BII Tbk.
78.18
Sehat
9
PT.Bank Inter-Pasifik Tbk.
66.71
Sehat
10
PT.Bank Kesawan Tbk.
70.41
Sehat
11
PT.Bank Lippo Tbk.
59.05
Sehat
12
PT.Bank Mandiri Tbk.
69.87
Sehat
13
PT.Bank Mayapada International Tbk.
80.03
Sehat
11
14
PT.Bank Mega Tbk.
71.66
Sehat
15
PT.BNI (Persero) Tbk.
73.43
Sehat
16
PT.Bank Niaga Tbk.
90.24
Sehat
17
PT.Bank NISP Tbk.
83.71
Sehat
18
PT.Bank Nusantara Parahyangan Tbk.
78.25
Sehat
19
PT.Bank Pan Indonesia Tbk.
79.52
Sehat
20
PT.Bank Permata Tbk.
21
PT.Bank Swadesi Tbk.
69.68
Sehat
22
PT.Bank Victoria International Tbk.
75.65
Sehat
46.85
Tidak Sehat
Dalam tabel 1.7 tentang perbandingan hasil perhitungan menurut cutoff score Setiawati (1999) dan hasil prediksi menggunakan Hair, et al. Optimum Cutting Score di bawah ini menunjukkan ringkasannya. Tabel 1.8 Perbandingan hasil perhitungan menurut cutoff score Setiawati (1999) dan hasil prediksi menggunakan Hair, et al optimum score No
Nama Bank
Tahun
Hasil
Predikat
Hasil
Perhitungan
Kesehatan
Prediksi
Kode
Prediksi Kesehatan
Setiawati 1
Bank Buana Indonesia
2003
51.87
Tidak Sehat
-0.33991
0
Tidak Sehat
2
Bank Bumiputera
2003
34.55
Tidak Sehat
-1.57061
0
Tidak Sehat
3
Bank Permata
2003
46.85
Tidak Sehat
-1.1926
0
Tidak Sehat
4
BRI
2004
70.19
Sehat
-0.10207
0
Tidak Sehat
5
BCA
2004
81.96
Sehat
1.08184
1
Sehat
6
Bank Century
2004
87.81
Sehat
-0.17022
0
Tidak Sehat
7
Bank Danamon
2004
97.78
Sehat
1.32201
1
Sehat
8
Bank Eksekutif International
2004
83.80
Sehat
0.45707
1
Sehat
9
BII
2004
78.18
Sehat
0.32049
1
Sehat
10
Bank Inter-Pasifik
2004
66.71
Sehat
0.68457
1
Sehat
11
Bank Kesawan
2004
70.41
Sehat
2.16538
1
Sehat
12
Bank Lippo
2004
59.05
Tidak Sehat
-4.64449
0
Tidak Sehat
13
Bank Mandiri
2004
69.87
Sehat
1.03582
1
Sehat
14
Bank Mayapada International
2004
80.03
Sehat
0.58729
1
Sehat
15
Bank Mega
2004
71.66
Sehat
1.21059
1
Sehat
16
BNI (Persero)
2004
73.43
Sehat
0.71903
1
Sehat
12
17
Bank Niaga
2004
90.24
Sehat
0.44079
1
Sehat
18
Bank NISP
2004
83.71
Sehat
0.08438
1
Sehat
19
Bank Nusantara Parahyangan
2004
78.25
Sehat
0.48043
1
Sehat
20
Bank Pan Indonesia
2004
79.52
Sehat
1.06013
1
Sehat
21
Bank Swadesi
2004
69.68
Sehat
0.571
1
Sehat
22
Bank Victoria International
2004
75.65
Sehat
-4.20607
0
Tidak Sehat
Dalam tabel 1.9 tentang hasil prediksi menggunakan Hair, et al. Optimum Cutting Score di bawah ini menunjukkan ringkasan hasil prediksi Tabel 1.9 Hasil Prediksi dengan Hair, et al. Optimum Cutting Score Klasifikasi
Jumlah
%
Hasil Prediksi Tidak Sehat
Sehat
Total
Tidak Sehat
4
0
4
Sehat
3
15
18
Tidak Sehat
100.00
0.0
100.00
Sehat
18.75
81.25
100.00
Dengan demikian H0 yang mengindikasikan bahwa tidak terdapat rasio keuangan yang signifikan untuk menentukan perbankan yang tidak sehat (kesulitan keuangan) dan sehat telah terbukti dengan hasil prediksi menggunakan Hair, et al optimum cutting score (4 perbankan tidak sehat dari keseluruhan 4 perbankan tidak sehat berhasil diprediksi secara tepat dan 15 perbankan sehat dari keseluruhan 18 perbankan sehat berhasil diprediksi secara tepat).
Kesimpulan Setelah dilakukan analisis data dan pembahasan, maka didapatkan beberapa kesimpulan sebagai berikut : 1.
Uji statistik Wilk’s Lambda membuktikan rasio Capital Adequacy Ratio atau CAR (X1) dan rasio Cost of Funds (X25) menentukan secara signifikan antara kelompok tidak sehat dan sehat
2.
Model diskriminan linier kanonik dengan Hair, et al. Optimum cutting score menunjukkan 4 perbankan tidak sehat dari keseluruhan 4 perbankan tidak sehat berhasil diprediksikan secara tepat dan 15 perbankan sehat dari keseluruhan 18 perbankan sehat berhasil diprediksikan secara tepat
3.
Perbandingan antara hasil perhitungan menurut cutoff score Setiawati (1999) dan hasil prediksi menggunakan Hair, et al. Optimum cutting score dapat dilihat pada tabel 1.10 di bawah ini,
13
Tabel 1.10 Perbandingan hasil perhitungan menurut cutoff score Setiawati (1999) dan hasil prediksi menggunakan Hair, et al. Optimum Cutting Score No
Nama Bank
Tahun
Predikat Kesehatan
Prediksi Kesehatan menurut
menurut
Model Diskriminan Linier
Setiawati (1999)
4.
1
Bank Buana Indonesia
2003
Tidak Sehat
Tidak Sehat
2
Bank Bumiputera
2003
Tidak Sehat
Tidak Sehat
3
Bank Permata
2003
Tidak Sehat
Tidak Sehat
4
BRI
2004
Sehat
Tidak Sehat
5
BCA
2004
Sehat
Sehat
6
Bank Century
2004
Sehat
Tidak Sehat
7
Bank Danamon
2004
Sehat
Sehat
8
Bank Eksekutif International
2004
Sehat
Sehat
9
BII
2004
Sehat
Sehat
10
Bank Inter-Pasifik
2004
Sehat
Sehat
11
Bank Kesawan
2004
Sehat
Sehat
12
Bank Lippo
2004
Tidak Sehat
Tidak Sehat
13
Bank Mandiri
2004
Sehat
Sehat
14
Bank Mayapada International
2004
Sehat
Sehat
15
Bank Mega
2004
Sehat
Sehat
16
BNI (Persero)
2004
Sehat
Sehat
17
Bank Niaga
2004
Sehat
Sehat
18
Bank NISP
2004
Sehat
Sehat
19
Bank Nusantara Parahyangan
2004
Sehat
Sehat
20
Bank Pan Indonesia
2004
Sehat
Sehat
21
Bank Swadesi
2004
Sehat
Sehat
22
Bank Victoria International
2004
Sehat
Tidak Sehat
Prediksi dengan menggunakan cutoff score menurut Setiawati (1999) akan lebih membahayakan karena penilaian kesehatan perbankan nasional dengan menggunakan metode ini hanya diwakili oleh aspek permodalan, aspek rentabilitas, dan aspek likuiditas, tanpa memperhitungkan aspek kualitas aktiva produktif dan aspek manajemen. Sedangkan, prediksi menggunakan Hair, et al. Optimum cutting score walaupun terjadi kesalahan prediksi, tetapi akan lebih mengamankan atau lebih konservatif dalam melakukan prediksi karena kemungkinan suatu perbankan untuk
14
diprediksi tidak sehat menjadi lebih besar dan kemungkinan suatu perbankan untuk diprediksi sehat menjadi lebih kecil.
Daftar Pustaka Darmawan, Tedie, ”Penilaian Tingkat Kesehatan Bank dengan Metode Camel”, Skripsi, Fakultas Ekonomi, Universitas Budi Luhur, Jakarta, 2005 Ghozali, Imam, ”Parametrik 10”, Semarang, 2001 Hasibuan, S.P.,H. Melayu,”Manajemen Perbankan”, CV Haji Masagung, Jakarta, MCMXCIII Ikatan Akuntan Indonesia, Standar Akuntansi Keuangan per 1 April 2002, Salemba Empat, 2002 Petunjuk Pelaksanaan Undang-Undang Perbankan 1993, CV Eko Jaya, Jakarta, 1993 Refianto, Reza, ”Analisis Penilaian Tingkat Kesehatan Bank dengan Menggunakan Metode Camels”, Thesis, Program Pasca Sarjana, Universitas Indonesia, Depok, 2005 Santoso, Singgih, ”Buku Latihan SPSS Statistik Multivariat”, Cetakan Kedua, PT Elek Media Komputindo Kelompok Gramedia, Jakarta, Juli 2003 Satriyawan, Haryo, Jurnal Riset Akuntansi dan Keuangan, Vol.1, No.2, Agustus 2005, Hal. 118-134 Siamat, Dahlan, ”Manajemen Lembaga Keuangan”, Edisi Ketiga, Fakultas Ekonomi Universitas Indonesia, 2001 Suyatno, Thomas, et al., ”Kelembagaan Perbankan,” Sekolah Tinggi Ilmu Ekonomi Perbanas, PT Gramedia Pustaka Utama, Jakarta, 2001 Triandaru, Sisit, ”Bank dan Lembaga Keuangan Lain”, Cetakan Pertama, Salemba Empat, 2000 Undang-Undang Republik Indonesia Nomor 7 Tahun 1992 tentang Perbankan sebagaimana telah diubah dengan Undang-Undang No.10 Tahun 1998
15
