DETEKSI DINI POTENSI KEBANGKRUTAN BANK MELALUI ANALISIS RASIO KEUANGAN DAN MARKET EFFECT MODEL REGRESI LOGISTIK MULTINOMIAL

DETEKSI DINI POTENSI KEBANGKRUTAN BANK MELALUI ANALISIS RASIO KEUANGAN DAN MARKET EFFECT MODEL REGRESI LOGISTIK MULTINOMIAL Tengku Nuzulul Qurriyani Universitas Indonesia Abstrak:Prediksi potensi kebangkrutan bank berbasis rasio keuangan adalah tiada henti untuk diteliti. Upaya ini dilakukan agar dapat menemukan model prediksi yang dianggap mampu menjelaskan tingkat kesehatan bank, mampu memprediksi maupun mendeteksi secara dini potensi kebangkrutan bank, menemukan formula yang bisa diterapkan untuk semua bank, demi menyelamatkan bank dan sekaligus menciptakan kemakmuran perekonomian negara—perbankan adalah tulang punggung perekonomian negara. Hal ini dimungkinkan dengan bantuan teknik statistik berbasis model regresi logistik multinomial— variabel dependen bersifat kategorik. Ditemukan bahwa rasio keuangan yang bercerita mengenai capital adequacy sebuah bank dan rasio yang menggambarkan market effect, memang berdampak signifikan dalam mendeteksi secara dini potensi kebangkrutan bank. Terbukti dari ketepatan prediksi yang bisa diraih: bank gagal (bank likuidasi) adalah 80%, bank dalam penyelamatan (bdp) adalah 45.45%, dan bank sehat (bank survive (bs)) adalah 90.32%.Rasio keuangan dipercaya memiliki andil dalam model prediksi kebangkrutan, yaitu sebesar 71.92%. Keywords: bank go public, kategori bank survival, ketepatan prediksi (prediction correct), model regresi logistik multinomial, rasio keuangan.

Abstract:Prediction of potential bankruptcy of the bank based on financial ratio is a continual research. This study is done in order to find prediction model that is considered to explain the bank’s health, be able to predict or detect early potential bankruptcy of the bank, find a formula that can be applied to all banks, promote sound banking and at the same time create economic prosperity of the country—bank is the backbone of the country’s economy. This is possible with the help of statistical techniques based on multinomial logistic regression model, the dependent variable is categorical. It is found that the financial ratio about bank’s capital adequacy and the financial ratio that describes the market effect, it does have have a significant impact in the early detection of potential bank insolvency. It is proved from the accuracy of predictions which can be achieved: bank classified under failed bank (bl)) is 80%, bank classified under special surveillance or bank in resolution (bdp) is 45.45%, and bank classified under sound bank (bs) is 90.32%. Financial ratio is believed to have contributed to the bankruptcy prediction model, amounting to 71.92%. Keywords:bank survival category, financial ratio, go public bank, multinomial logistic regression model, prediction correct.

1

1. Pendahuluan Suatu negara tidak pernah luput dari terpaan krisis moneter. Dampak paling signifikan terlihat pada sektor perbankan. Ini ditandai dengan bank-bank yang masuk kategori bank beku operasi (BBO) dan bank takeover (BTO), yaitu seperti kasus krisis moneter yang meluas menjadi krisis perbankan pada tahun 1998 di Indonesia. Fraser & Fraser (1990) menyatakan bahwa kegagalan suatu bank akan dapat menyebabkan kegagalan pada banking system: ―… while the failure of an individual bank is tolerable, the failure of the banking system is intolerable.‖ Ini bermakna suatu bank itu bisa berdampak sistemik, yaitu bisa menyebabkan bank-bank sehat masuk ke dalam pusaran arus yang berbahaya— kepercayaan masyarakat dipertaruhkan di sini. Rujukan hal itu berada pada pasal 37A Penjelasan Atas Undang-Undang Republik Indonesia Nomor 10 Tahun 1998 Tentang Perubahan Atas Undang-Undang Nomor 7 Tahun 1992 Tentang Perbankan: … yang dimaksud dengan kesulitan perbankan yang membahayakan perekonomian nasional adalah suatu kondisi sistem perbankan yang menurut penilaian Bank Indonesia terjadi krisis kepercayaan masyarakat terhadap perbankan yang berdampak kepada hajat hidup orang banyak. Dapat dikatakan bahwa perbankanlah yang sebenarnya menjaga perekonomian suatu negara—sebagai tulang punggung perekonomian negara, untuk itu perlu senantiasa menganalisis tingkat kesehatan bank. Indikator yang dapat merepresentasikan tingkat kesehatan bank adalah berada pada rasio keuangan. Contoh rasio yang sering dijadikan acuan untuk memprediksi kebangkrutan adalah rasio profitability dan rasio liquidity. ―Low profitability may be a prime signal of financial distress, it is not necessarily fatal if a business has a strong liquidity position‖(Morris, 1998). Rasio profitability adalah rasio keuangan yang menunjukkan kemampuan sesuatu bank untuk generate earnings melalui utilisasi resources; rasio

2

liquidity adalah rasio keuangan yang menunjukkan kemampuan sesuatu bank untuk dapat memenuhi kewajiban-kewajiban yang segera ditagih.Ini menunjukkan bahwa rasio keuangan memang berpotensi menjadi alat deteksi tingkat kesehatan bank. Terdapat wacana bahwa sebenarnya market effect juga bisa difungsikan sama seperti rasio keuangan, yaitu memiliki kemampuan prediksi atau mampu menjelaskan tingkat kesehatan bank ataupun menjadi alat deteksi potensi kebangkrutan bank. Market effect berkenaan dengan reaksi pasar saham, bisa ditunjukkan melalui harga saham sesuatu bank itu ataukah rasio yang merefleksikan penilaian pasar saham atas kinerja bank. Rasio yang menggambarkan market effect inilah yang akan menjadi tambahan variabel penelitian. Diduga reaksi pasar saham bisa berkoneksi secara langsung dalam menggambarkan kinerja bank, sehingga dapat menjadi alat prediksi maupun alat deteksi potensi kebangkrutan bank. Kemampuan rasio keuangan dan market effect dalam memprediksi dan menjelaskan tingkat kesehatan suatu bank harus melalui pengujian empiris. Ini dibutuhkan dalam rangka membangun sebuah model yang dapat menjawab apakah data akuntansi (accounting numbers) tersebut memang mampu memprediksi dan menjelaskan tingkat kesehatan bank, serta mampu mendeteksi secara dini potensi kebangkrutan bank. 2. Tinjauan Pustaka dan Hipotesis 2.1 Evolusi Teori Akuntansi Perkembangan teori akuntansi telah berevolusi. Fenomena yang terjadi dalam dunia nyata—praktik akuntansi, harus bisa dijelaskan melalui keberadaan suatu teori (Watts & Zimmerman, 1986). Evolusi itu berkembang seiring perkembangan zaman dan ilmu pengetahuan. Terdapat perubahan perilaku dalam praktik akuntansi. Kemajuan dalam modern finance theory juga ikut menyumbang percepatan evolusi dalam teori akuntansi.

3

Tujuan utama teori akuntansi itu adalah memberikan dasar prediksi dan penjelasan mengenai perilaku dan peristiwa akuntansi (Belkaoui, 2004). Pada awalnya, dominasi teori berada pada kemampuan memberikan gambaran mengenai suatu kondisi ideal atau kondisi yang memang seharusnya begitu, yang kadangkala berbeda dengan praktik yang terjadi. Teori bersifat normatif (normative theory). Keynes (1891): ―a normative or regulative science as a body of systematized knowledge relating to criteria of what ought to be, and concerned therefore with the ideal as distinguished from the actual….‖ Dari sinilah bisa timbul pertanyaan-pertanyaan, yaitu sebagai akibat ada perbedaan antara kriteria ideal yang seharusnya terjadi dan kondisi sebenarnya dalam dunia nyata (praktik). Perkembangan selanjutnya, ternyata kemampuan memprediksi dan menjelaskan atas suatu fenomena dalam dunia nyata, membawa kepada pemahaman mengenai konsep positive theory. Tanpa positive theory, para akademisi dan profesional tidak akan pernah membuat suatu kemajuan yang berarti dalam menjawab pertanyaan-pertanyaan normatif tersebut (Jensen, 1976). Inilah yang mencuatkan ide mengenai pengujian empiris atas fenomena yang terjadi, sehingga hasil pengujian bisa dibandingkan dengan prediksi yang berasal dari teori, dan pada gilirannya akan mampu menjelaskan mengapa suatu fenomena itu terjadi. 2.2 Model Prediksi Kebangkrutan Dalam rangka mencoba memprediksi dan menjelaskan suatu fenomena itulah, maka timbul curiosity mengenai praktik akuntansi yang berlaku di dunia nyata. Hal yang menarik adalah pada saat angka akuntansi dalam suatu organisasi (perusahaan, bank) bisa merefleksikan kondisi kesehatan keuangan dari organisasi tersebut, maka akan bermanfaat apabila mampu mendeteksi potensi kebangkrutan secara lebih dini. Model prediksi kebangkrutan ini biasanya menggunakan data akuntansi, yaitu dalam bentuk analisis rasio keuangan (Watts & Zimmerman, 1986). Ini menyiratkan bahwa angka akuntansi tersebut,

4

yang tercermin dalam laporan keuangan, memiliki kandungan informasi yang berunsur prediksi. Bernstein (1989): financial statement analysis is the judgemental process that aims to evaluate the current and past financial positions and the results of operations of an enterprise, with the primary objective of determining the best possible estimates and predictions about future conditions and performance. Penelitian ini akan dibatasi pada perbankan. Ini adalah karena perbankan itu merupakan tulang punggung perekonomian negara. Bank memainkan peran penting dalam memelihara kepercayaan masyarakat terhadap sistem moneter, sehingga kesehatan bank menjadi perhatian utama, yaitu berkaitan dengan likuiditas dan solvabilitas bank (PSAK 31). ―Banks serve as the principal caretaker of the economy's money supply and, along with other financial intermediaries, provide an important source of funds for consumers and businesses― (Ritter, Silber, & Udell, 2009). Dampak sistemik juga menjadi perhatian, karena sesungguhnya apabila terlihat ada potensi kebangkrutan dari suatu bank, keresahan nasabah akan mudah menyebar dan akan berakibat juga pada bank-bank sehat. Walaupun dampak sistemik ini tidak diatur secara jelas dalam Perpu JPSK (Jaring Pengaman Sistem Keuangan), yaitu mengenai ukuran dan kriteria bank yang ditengarai berdampak sistemik, namun Bank Indonesia melihat dalam konteks penyelamatan sistem keuangan, perbankan, dan perekonomian secara keseluruhan (Gatra 2009, 23). Apabila satu bank dinyatakan bank gagal, ada 2 pilihan yang dapat dilakukan: diselamatkan atau tidak diselamatkan, dan penanganannya diserahkan kepada Lembaga Penjamin Simpanan (LPS) (Gatra 2009, 19). Penjelasan Pasal 33 Undang-Undang LPS menyebutkan bahwa LPS menangani bank hingga bank itu menjadi sehat sesuai dengan Undang-Undang Perbankan (Tempo 2009, 127).

5

Qurriyani (2000) meneliti mengenai kesehatan bank melalui penggunaan logit model (model regresi logistik trikotomi): pada saat variabel dependen adalah trichotomous outcome variabel—penunjukan bank survival (BBO, BTO, bank survive) sebagai suatu fungsi dari sejumlah variabel independen (rasio keuangan CAMEL), maka akan dapat diketahui probability sesuatu bank itu masuk kategori BBO atau BTO atau bank survive. Ternyata, dari 22 bank go public yang menjadi sampel penelitian Qurriyani, 75% terjadi ketepatan pengkategorian untuk kasus BBO, 50% untuk kasus BTO, dan 66.7% terkategori bank survive. Penelitian yang akan dilakukan saat ini merupakan pemberlanjutan dari penelitian Qurriyani sebelumnya. Rasio yang menggambarkan market effect akan menjadi tambahan variabel dalam penelitian ini, dan akan dijelaskan kemudian (2.3.2). Logit model masih akan digunakan dalam penelitian ini, yaitu karena perbankan merujuk pada tiga kategori (bank gagal (bank likuidasi (bl)), bank dalam pengawasan khusus (bank dalam penyelamatan (bdp)), bank sehat (bank survive (bs)). ―Logit regression models have the potential advantage of being nonlinear and should enable the likelihood of a company failing in the next accounting period to be assessed― (Morris, 1998). Logit juga berguna sebagai model prediksi kebangkrutan dengan ukuran sampel yang relatif kecil (Stone & Rasp, 1991). Logit analysis akan membentuk sebuah model yang diperkirakan dapat menjawab persoalan probability kebangkrutan bank. Hosmer & Lemeshow (2000): ―…the conditional mean must be greater than or equal to zero and less than or equal to 1

0  EY | x  1 .‖Ini

menunjukkan bahwa lebih kecil atau sama dengan 0 (nol) berarti

probability sesuatu bank itu akan berada pada kategori bank sehat (bank survive), dan apabila mendekati 1..maka sesuatu bank itu akan berada pada kategori bank likuidasi atau bank dalam pengawasan khusus (bank dalam penyelamatan).

6

Penelitian mengenai pengkategorian bangkrut atau tidak bangkrut sesuatu perusahaan ataupun bank itu berada pada: Altman (1968), Altman et al. (1977), Sinkey (1975), Ohlson (1980), Thomson (1991). Orientasi penelitian mereka adalah mengenai prediksi bankruptcy menggunakan rasio keuangan dengan bantuan teknik statistik. Altman (1968): ―the detection of firm operating and financial difficulties is a subject which has been particularly susceptible to financial ratio analysis.‖Multiple Discriminant Analysis (MDA) adalah statistic tools yang digunakan Altman (1968) dengan 5 rasio keuangan. Untuk satu tahun pertama, ketepatan pengkategorian (prediksi) mencapai 95%, untuk dua tahun sebelum bangkrut 72%, dan untuk tahun-tahun berikutnya sudah tidak signifikan ketepatan prediksinya. Berbeda dengan penelitian Altman et al. (1977) yang menggunakan model ZETA, dengan 7 rasio keuangan, ketepatan prediksi kebangkrutan dapat mencapai hingga 5 tahun, serta sudah memperhitungkan cost of errors in classification. Analisis statistik mereka adalah discriminant analysis. Thomson (1991) memprediksi kegagalan bank-bank di AS tahun 1980. Thomson memakai rasio CAMEL. Ternyata, rasio CAMEL cukup signifikan dalam memprediksi dan menjelaskan kemungkinan sesuatu bank itu gagal, yaitu untuk jangka waktu empat tahun sebelum bank gagal. Thomson juga menganalisis kondisi ekonomi, yaitu unemployment, growth in personal income, business failure rate, dan diversifikasi ekonomi. Teknik statistik yang digunakan adalah model logit regression. Bank bermasalah di AS juga menjadi penelitian Sinkey (1975). Aspek yang lebih dominan yang menyebabkan bank gagal itu adalah sebagian besar terletak pada ketidakjujuran manajemen. Sampel Sinkey 110 bank komersial yang bermasalah. Statistik yang digunakan adalah MDA, yaitu untuk mengidentifikasi rasio keuangan yang akan membedakan bank bermasalah dan bank tidak bermasalah.

7

Ohlson (1980) menggunakan logit analysis untuk mendiskriminasikan perusahaan bangkrut dan tidak bangkrut. Ohlson secara tepat mengkategorikan 87.6% dari sampel perusahaan bangkrut, dan 82.6% dari sampel perusahaan nonbangkrut, untuk masa 1 tahun sebelum bangkrut (classification errors dapat diminimalisasi melalui probability cutoff). Terdapat tanda (sign) berupa koefisien positif dan negatif pada variabel independennya: koefisien positif bermakna probability of bankruptcy yang meningkat; koefisien negatif bermakna probability of bankruptcy yang menurun. Rasio keuangan juga bermanfaat untuk memprediksi pertumbuhan laba sesuatu perusahaan perbankan, seperti penelitian Machfoedz (1994), Zainuddin & Hartono (1999), sementara penelitian Payamta & Machfoedz (1999) berada pada penggunaan rasio keuangan untuk mengevaluasi kinerja perusahaan perbankan sebelum go public dan sesudah go public. Penelitian Surifah (2002) berkenaan dengan kinerja keuangan perbankan swasta nasional Indonesia sebelum dan setelah krisis ekonomi. Indikasi praktik manajemen laba (earnings management) juga bisa ditunjukkan melalui analisis rasio keuangan (Zahara & Siregar, 2009). 2.3 Faktor Penentu Kebangkrutan 2.3.1 Rasio Keuangan Diketahui bahwa industri perbankan adalah bersifat spesifik, yaitu bahwa keberadaan perbankan dalam suatu negara selalu berkenaan dengan hajat hidup orang banyak. Ini menyiratkan arti bahwa perbankan itu memiliki unsur intermediasi atau sebagai agent of development. Di sinilah, kesehatan bank itu perlu menjadi kajian serius dari pihak perbankan itu sendiri, dan tentu saja dari pihak regulator (pemerintah). Konsep CAMEL (Capital, Assets, Management, Earnings, dan Liquidity) menjadi alat bantu yang cukup efektif dalam menganalisis tingkat kesehatan bank.

8

Keberadaan konsep CAMEL dapat dijelaskan melalui beberapa aspek berikut, dan juga merupakan variabel independen penelitian ini: 

Permodalan (capital adequacy) Permodalan sesuatu bank dianggap memadai apabila mampu menutup risiko kerugian yang mungkin timbul dari penanaman dana dalam aktiva produktif yang memang berisiko, serta mampu membiayai penanaman dalam aktiva tetap. ―Capital ratios and leverage are significant to banks because they pertain to risk‖ (Kamerschen, 1992). c1 → Capital Adequacy Ratio (CAR) = Equity Capital – Fixed Assets Total Loans + Securities c2 → Risked Assets Ratio = Total Assets – Cash − Securities

Equity Capital

c3 → Capital Risk = Equity Capital Risked Assets 

Kualitas Aktiva Produktif (assets quality) Aktiva produktif selalu identik dengan credit risk, sebagai akibat pemberian kredit dan investasi yang dilakukan oleh bank. a1 → Return on Risked Assets (RORA) = Laba Sebelum Pajak Total Loans + Securities a2 → Assets Utilization = Operating Income + Non Operating Income Total Assets



Manajemen Perolehan laba sesuatu bank itu merupakan refleksi dari aspek manajemen. m1 → Assets Management (ROA) = Earnings Before Taxes Total Assets m2 → Leverage Management = Debt Equity m3 → Net Profit Margin (NPM) = Net Income Operating Income



Rentabilitas (earnings)

9

Terdapat unsur efektifitas manajemen dalam mengutilisasi resources demi menghasilkan laba. e1 → Gross Profit Margin = Operating Income − Operating Expense Operating Income e2 → Return on Equity Capital = Net Income Equity Capital e3 → Efficiency Ratio (BOPO) = 

Biaya Operasional Pendapatan Operasional

Likuiditas (liquidity) Sesuatu bank itu harus mampu memenuhi kewajiban-kewajiban yang segera ditagih (berjangka sangat pendek), dalam rangka minimalisasi liquidity risk. l1 → Net Call Money → Kewajiban Bersih Call Money Aktiva Lancar l2 → Quick Ratio = Cash Assets

Total Deposit l3 → Banking Ratio = Total Loans Total Deposit l4 → Loans to Assets Ratio → Total Loans Total Assets Variabel-variabel independen ini dianggap memiliki kemampuan prediksi, dan tentunya diharapkan memang dapat menjawab pertanyaan penelitian: apakah data akuntansi (accounting numbers) yang terefleksi dalam rasio keuangan dapat menjelaskan tingkat kesehatan bank ataupun mampu mendeteksi secara dini potensi kebangkrutan bank? Ini yang mendasari pembentukan hipotesis1. Hipotesis1. Rasio keuangan secara signifikan mampu merefleksikan kinerja bank, dan sekaligus menjadi alat deteksi potensi kebangkrutan bank.

10

2.3.2 Market Effect Selain konsep CAMEL, diperhatikan pula aspek lain yang dianggap mampu merefleksikan kinerja perbankan, dalam kaitan mendeteksi potensi kebangkrutan bank, yaitu aspek market effect. Diketahui bahwa interaksi antara pasar modal dan analisis laporan keuangan tidak perlu diragukan lagi. Semakin aktif pasar modal..semakin kritis investor menelaah keputusan berinvestasi. Data akuntansi (accounting numbers) akan berbicara banyak dalam kaitan investor mengambil keputusan berinvestasi. Diyakini bahwa melalui berinvestasi, kesejahteraan (wealth) akan meningkat. Bodie et al. (2011):―An investment is the current commitment of money or other resources in the expectation of reaping future benefits; sacrifice something of value now, expecting to benefit from that sacrifice later.‖ Refleksi market effect—dalam kaitan menilai kinerja bank, bisa berasal dari cash flows from operations (CFO): kemampuan bank menghasilkan benefit di masa mendatang. ―The cash flow statement provides information about the firm’s liquidity and its ability to finance its growth from internally generated funds― (White et al., 2003). Apakah data akuntansi yang berbentuk CFO mampu menjawab keingintahuan investor dan analis mengenai tingkat kesehatan bank ataupun mampu mendeteksi potensi kebangkrutan bank? Selama ini fokus pengukuran kinerja berada pada informasi earnings, namun karena informasi earnings terpengaruh oleh management discretionary sebagai akibat fleksibilitas yang dimilki dalam pemilihan metode akuntansi, maka dicoba satu informasi lain yang mungkin saja mampu menjawab kebutuhan para investor dan analis. Cheng et al. (1997): Harold Williams (former SEC): “Corporate earnings reports communicate, at best, only part of the story….Indeed, in my view, cash flow from operations is a better measure of performance than earnings-per-share.” (Foster, 1986, 604). Penelitian Cheng et al. (1997)

11

berfokus pada sisi reported CFO (SFAS No. 95), walaupun tetap melibatkan aspek earnings, dalam melihat value-relevant information. Dibuktikan oleh Cheng et al. (1997) bahwa reported CFO memberikan gambaran yang cukup signifikan terhadap market returns—dalam hal ini unexpected return (actual return – expected return), dan memiliki value-relevant information, begitu pula halnya dengan earnings. Penelitian ini menggunakan formula Cheng et al. (1997), dalam hal rasio earnings& CFO beserta perubahannya: mkt1 → △Earnings P (t-1) mkt2 → Earnings P (t-1) mkt3 → △Cash Flow (CFO) P (t-1) mkt4 → Cash Flow (CFO) P (t-1)  𝐸𝑗𝑡 &𝐶𝐹𝑗𝑡 → earnings& CFO bank j tahun t (2006 & 2007);  △ 𝐸𝑗𝑡 &△ 𝐶𝐹𝑗𝑡 → perubahan earnings & CFO bank j dari tahun t-1 (2005 & 2006) hingga

tahun t (2006 &2007);  variabel independen diskala dengan market value of equity awal tahun (𝑃𝑗𝑡 −1 )).

Dipertegas oleh Bauman (2003) bahwa earnings berkorelasi dan memiliki pengaruh secara positif dan signifikan terhadap market value of equity. Pada saat earnings menurun— indikasi poor earnings prospect—biasanya selalu mengikutkan market value of equity (ME) yang juga rendah. Ingin dilihat sisi risiko dari kondisi keuangan perusahaan/bank— perspektif pasar (market effect). Rasio yang dianggap juga berkenaan dengan equity valuation model (securities valuation) adalah rasio BE/ME (book value of equity dibagi market value of equity)—

12

dianalogikan dengan rasio PBV (P/B atau price to book value of equity). Rasio ini dianggap mewakili pengaruh pasar (market effect) terhadap kinerja sesuatu perusahaan. Berbicara market effect..tentu berbicara return dan risk—high risk..high return, yang terefleksi dalam rasio tersebut. Fama & French (1992): ―high BE/ME are signals of poor earnings prospects; if current earnings proxy for expected future earnings, high-risk stocks with high expected returns will have low prices relative to their earnings.‖ Disimpulkan oleh Fama & French (1992) bahwa rasio BE/ME memiliki pengaruh signifikan dalam memprediksi average return perusahaan. White et al. (2003): ―Fama & French (1992) found that the P/B ratio was the best predictor of future stock returns; firms with low P/B ratios subsequently had consistenly higher returns than firms with high P/B ratios.‖Low P/B ratio sekaligus pertanda high BE/ME, dan otomatis bermakna poor earnings prospects. Ini menunjukkan bahwa rasio tersebut bisa juga dipakai dalam mengukur kinerja perusahaan—dalam hal ini bank, sehingga bisa memunculkan prediksi potensi kebangkrutan bank. Dibuktikan oleh Beaver (1968) bahwa memang terdapat hubungan antara return saham dan rasio, dan investor sudah biasa untuk menggunakan rasio dalam menilai solvency perusahaan, serta perubahan harga pasar saham mampu memprediksi failure (dua indikator dari prediksi failure: rasio keuangan dan perubahan harga pasar saham). mkt5 → PBV = Book Value of Equity per Share

Share Price

Rasio ini akan menjadi tambahan variabel independen penelitian, selain variabel CFO, dalam kaitan market effect terhadap penjelasan tingkat kesehatan bank ataupun pendeteksian potensi kebangkrutan bank. Diharapkan variabel independen yang mewakili potensi pasar (market effect) dalam menangkap fenomena mengenai tingkat kesehatan bank, adalah benar-benar mampu menjawab pertanyaan penelitian: apakah reaksi pasar saham

13

yang terefleksi dalam data akuntansi (accounting numbers) memang dapat dijadikan indikator pendeteksian potensi kebangkrutan bank? Dari sini, terbentuklah hipotesis2. Hipotesis2. Rasio yang menggambarkan keterlibatan market effect—berkaitan dengan securities valuation—mampu mendeteksi potensi kebangkrutan bank. Variabel independen—rasio keuangan dan market effect—yang dicoba dirangkum dalam penelitian ini adalah dalam rangka menjawab pertanyaan penelitian: apakah data akuntansi (accounting numbers) dapat memprediksi atau menjelaskan tingkat kesehatan bank ataupun mampu mendeteksi secara dini potensi kebangkrutan bank? Hasil penelitian diharapkan dapat menjadi bahan pertimbangan bagi regulator dalam mengkategorikan sesuatu bank itu masuk kategori bank likuidasi, bank dalam pengawasan khusus (bank dalam penyelamatan), ataukah bank sehat (bank survive). Walaupun diketahui ada variabel politis yang melekat dalam pengambilan keputusan melikuidasi bank atau justru malah menyelamatkan bank tersebut dari kemungkinan likuidasi. 3. Metodologi Penelitian 3.1 Koleksi Data Data sekunder menjadi sumber data penelitian—bank sebagai unit analisis. Informasi laporan keuangan per 31 Desember 2006 dan 31 Desember 2007 (laporan laba/rugi, neraca, laporan arus kas), dan data pasar saham (2005, 2006, 2007), berasal dari bank go public (terdaftar di Bursa Efek Indonesia (BEI)). Perolehan data ini dimungkinkan oleh keberadaan website Bursa Efek Indonesia (BEI), website bank, Indonesian Capital Market Directory (ICMD), dan Yahoo Finance. Populasi penelitian adalah bank go public (listing di BEI), melalui pertimbangan ketersediaan data laporan keuangan (unsur transparansi sudah lebih diutamakan), dan telah diaudit. Dibatasi sampel hanya bank go public tahun 2006 dan 2007—masa listing minimal

14

satu tahun. Sampel akhir adalah 47 observasi (tahun 2006 & 2007) (Tabel 3.1): 29 bank listing pada tahun 2007, dikurangi 1 bank karena delisting dari BEI, dikurangi 3 bank karena baru listing pada tahun 2007, dikurangi 1 bank karena diakuisisi oleh bank lain pada tahun 2007; 25 bank listing pada tahun 2006, dikurangi 2 bank karena baru listing pada tahun 2006. Dianggap 2 tahun tersebut dapat mewakili pendeteksian potensi kebangkrutan bank (atau bank survival) yang terjadi 1 tahun atau 2 tahun kemudian. Dalam hal observasi kategori bank survival(Tabel 3.2), dianalogikan bahwa bank yang sama sekali berganti nama—diakuisisi, berarti terkategori bank likuidasi; bank yang dimerger demi penyehatan bank, berarti terkategori bank dalam penyelamatan; dan bank survive adalah bank yang sampai saat ini masih beroperasi, tanpa status apapun. Sumber data variabel dependen berasal dari website wikipedia, laporan tahunan bank, dan laporan tahunan LPS (Lembaga Penjamin Simpanan). 3.2 Identifikasi Variabel Variabel dependen:  bank sehat (bank survive (bs)) → Y=0  bank dalam penyelamatan (bdp) → Y=1  bank likuidasi (bl)→ Y=2

Variabel independen: c1 → Capital Adequacy Ratio (CAR) = Equity Capital – Fixed Assets Total Loans + Securities c2 → Risked Assets Ratio = Total Assets – Cash − Securities

Equity Capital

c3 → Capital Risk = Equity Capital Risked Assets a1 → Return on Risked Assets (RORA) = Laba Sebelum Pajak Total Loans + Securities

15

a2 → Assets Utilization = Operating Income + Non Operating Income Total Assets m1 → Assets Management (ROA) = Earnings Before Taxes Total Assets m2 → Leverage Management = Debt Equity m3 → Net Profit Margin (NPM) = Net Income Operating Income e1 → Gross Profit Margin = Operating Income − Operating Expense Operating Income e2 → Return on Equity Capital = Net Income Equity Capital e3 → Efficiency Ratio (BOPO) =

Biaya Operasional Pendapatan Operasional

l1 → Net Call Money → Kewajiban Bersih Call Money Aktiva Lancar l2 → Quick Ratio = Cash Assets Total Deposit l3 → Banking Ratio = Total Loans Total Deposit l4 → Loans to Assets Ratio → Total Loans Total Assets mkt1 → △Earnings P (t-1) mkt2 → Earnings P (t-1) mkt3 → △Cash Flow (CFO) P (t-1) mkt4 → Cash Flow (CFO) P (t-1) mkt5 → PBV = Book Value of Equity per Share

3.3 Prosedur Stepwise

Share Price

16

Pada saat variabel independen terkadang bercerita untuk hal yang sama, ditandai dengan multicollinearity (antar variabel independen saling berinteraksi → ≥ 0.8), diperlukan suatu teknik statistik untuk mengatasinya: prosedur stepwise. ―The stepwise procedure is employed to select variables for inclusion in the regression variate‖ (Hair et al., 2010). Korelasi tinggi biasa terjadi ketika jumlah variabel independen adalah banyak. Dikhawatirkan variabel independen itu menjadi tidak signifikan dalam menjelaskan tingkat kesehatan bank ataupun mendeteksi potensi kebangkrutan bank. Melalui prosedur stepwise, variabel langsung membentuk grup yang memiliki signifikansi tinggi, selebihnya akan hilang dari model statistik.

3.4 Model Regresi Logistik Multinomial Variabel dependen lebih dari 2 kategori, teknik statistik yang dianggap mampu mengakomodir persoalan itu adalah model regresi logistik multinomial. Model dengan 3 kategori..menghasilkan 2 fungsi logit. Pertanyaan penelitian diharapkan dapat dijawab oleh pilihan model ekonometrika tersebut, yaitu model regresi logistik multinomial. Multinomial logit: regressand bersifat unordered dengan categorical responses yang lebih dari 2 (Gujarati & Porter, 2009). ―Discriminant analysis and logistic regression are the appropriate statistical techniques when the dependent variable is a categorical (nominal or nonmetric) variable and the independent variables are metric variables‖ (Hair et al., 2010). Terdapat 2 fungsi logit dalam model dengan 3 kategori: fungsi logit dalam Y=1 banding Y=0, dan fungsi logit dalam Y=2 banding Y=0 (kode Y=0 akan berfungsi sebagai kategori pembanding/acuan (reference outcome value). Kode 0, 1, 2 diberikan sebagai kode variabel dependen:bank sehat (bank survive) → Y=0; bank dalam penyelamatan → Y=1; bank likuidasi → Y=2.

17

Pembentukan model dengan asumsi pcovariates dan konstanta, x sebagai vektor dari p+1 dengan x0 =1, terjadi denotasi 2 fungsi logit(Hosmer & Lemeshow, 2000): 

 P(Y  1 | x)  g1 ( x)  ln    10  11 x1  12 x2  ...  1 p x p  x' 1  P(Y  0 | x) 



 P(Y  2 | x)  g 2 ( x)  ln     20   21 x1   22 x2  ...   2 p x p  x'  2  P(Y  0 | x) 

Diperlihatkan 3 conditional probability dari setiap kategori variabel dependen: 

0 

1



2

1 e

g j ( x)

1 1 e

g1 ( x )

 e g2 ( x)

 P(Y  0 | x)

j 1



1 

e g1 ( x ) 2

1 e



e g1 ( x )  P(Y  1 | x) 1  e g1 ( x )  e g 2 ( x )



e g2 ( x)  P(Y  2 | x) 1  e g1 ( x )  e g 2 ( x )

g j ( x)

j 1



2 

e g2 ( x) 2

1 e

g j ( x)

j 1

Bentuk umum conditional probability dalam model dengan 3 kategori:

 j ( x)  P(Y  j | x) 

e

g j ( x)

2

e

gk ( x)

k 0

(vektor  0 =0 g 0 ( x)  0 ) 4. Hasil Empiris 4.1 Variabel Dependen dan Independen Sekumpulan data diperoleh untuk bisa menjawab apakah rasio keuangan (accounting numbers) memang mampu menjelaskan tingkat kesehatan bank ataupun mampu menjadi alat deteksi dini potensi kebangkrutan bank. Terdapat 20 rasio keuangan bank yang dianggap mencerminkan kinerja bank—populer dalam literatur mengenai kesehatan bank,

18

beserta rasio dari sisi perspektif pasar. Target penelitian adalah 47 observasi untuk bank go public yang listing di Bursa Efek Indonesia minimal 1 tahun, periode 2006 dan 2007. Variabel penelitian terangkum dalam Tabel 4.1.

4.2 Analisis Statistik—Pendukung Model 4.2.1 Korelasi antar Variabel Diupayakan untuk menghindari masalah multicollinearity antar variabel independen. Walaupun diketahui setiap variabel independen itu bermakna dalam menjelaskan variabel dependen, namun bisa saja karena ukuran sampel penelitian yang relatif kecil sehingga tidak bisa mengakomodir semua variabel independen. Gujarati & Porter (2009): ―although the theory says that all the X’s are important, sample may not be “rich” enough to accommodate all X variables in the analysis.‖ Dampaknya adalah sulit untuk mendapatkan estimasi koefisien dengan standard error yang kecil (Gujarati & Porter, 2009). Kemampuan rasio keuangan sebagai variabel independen dalam menjelaskan ataupun memprediksi bank survival, tentu tidak luput dari masalah multicollinearity. Rasio keuangan yang digunakan dalam penelitian ini memiliki interaksi cukup tinggi antar sesama variabel independen. Ini bisa terjadi sebagai akibat ada unsur yang sama yang digunakan sebagai pembilang atau penyebut dari rasio keuangan itu. Diketahui juga bahwa sebenarnya dalam model prediksi, tidak menjadi masalah mendasar isu multicollinearity ini. Gujarati & Porter (2009): If the sole purpose of regression analysis is prediction or forecasting, then multicollinearity is not a serious problem because the higher the 𝑅 2 , the better the prediction; if the objective the analysis is not only prediction but also reliable estimation of the parameters, serious multicollinearity will be a problem because we have seen that it leads to large standard errors of the estimators.

19

4.2.2 Prosedur Stepwise Estimasi stepwise digunakan dalam rangka mengurangi jumlah variabel independen dalam model penelitian ini—mengakomodir isu multicollinearity. Langkah yang ditempuh (Hair et al., 2010):  memeriksa dan menghilangkan setiap variabel dalam persamaaan yang memang berada

di bawah significance threshold;  menambahkan variabel dengan korelasi parsial yang secara statistik adalah signifikan

tertinggi. Forward stepwise adalah metode yang diambil demi menyederhanakan model regresi dalam penelitian ini, agar tercapai tujuan memprediksi atau mendeteksi kebangkrutan bank. Hair et al. (2010): ―The stepwise estimation procedure is designed to develop a regression model with the fewest number of statistically significant independent variables and maximum predictive accuracy‖. Forward stepwise fokus pada stopping rules (Bendel dan Afifi, 1977): the forward selection procedure selects the independent variable that maximizes the squared partial correlation coefficient with the dependent variable, given the variables already selected; the process “stops” whenever the sample partial correlation in “nonsignificant”. Dari 19 rasio keuangan, diperolehlah 6 rasio keuangan yang berasal dari step 6 prosedur forward stepwise—SPSS19 (Lampiran 2) (STATA belum mengakomodir persoalan stepwise selection of variables (Hosmer & Lemeshow (2000)). Dianggap step 6 mampu memberikan hasil signifikan pada model penelitian ini, setelah melalui serangkaian trial&error atas step 7, step 8, dan step 9. Selanjutnya, 6 rasio keuangan ini akan masuk dalam model regresi logistik multinomial. c1 → Capital Adequacy Ratio (CAR) = Equity Capital – Fixed Assets Total Loans + Securities

20

c2 → Risked Assets Ratio = Total Assets – Cash − Securities

Equity Capital

c3 → Capital Risk = Equity Capital Risked Assets mkt1 → △Earnings P (t-1) mkt2 → Earnings P (t-1) mkt5 → PBV = Book Value of Equity per Share

Share Price

4.2.3Statistik Deskriptif dan Korelasi Rangkuman statistik deskriptif berada pada Tabel 4.2 Panel A. Variasi cukup tinggi ditunjukkan dengan rata-rata survival(kategori tingkat kesehatan bank) sebesar 0.447 dan standar deviasi sebesar 0.686. Berarti, 47 observasi itu memang mengandung potensi bank sehat dan potensi bank bangkrut. Rasio keuangan yang menjadi prediktor potensi kebangkrutan bank, rata-rata paling tinggi berada pada mkt5 (1.936), rata-rata terendah berada pada mkt1 (0.039). Rasio ini menggambarkan aspek market effect. Terlihat juga bahwa standar deviasi untuk rasio c1, c2, c3—aspek capital adequacy ratio, dan mkt2, mkt5—aspek market effect, lebih kecil daripada rata-rata masing-masing rasio tersebut (misal: standar deviasi c1 (0.061) lebih kecil daripada rata-rata c1 (0.118)). Ini bermakna penyimpangan dari data variabel c1, c2, c3, mkt2, mkt5 adalah relatif kecil. Nilai minimum aspek capital adequacy ratio (c1, c2, c3) menunjukkan sebenarnya 47 observasi itu masih mengalami permodalan yang belum menggembirkan. Rasio keuangan yang menggambarkan leverage management (m2) dikeluarkan dari model karena terdeteksi sebagai outlier—nilai maksimum variabel m2 melebihi 3x standar deviasi.

21

Korelasi yang terjadi antar variabel (Tabel 4.2 Panel B), cukup tinggi berada pada aspek permodalan (c1, c2, c3), namun seperti Gujarati & Porter (2009) katakan bahwa untuk model prediksi, isu multicollinearity bisa ditinggalkan. Tanda negatif atas koefisien c2 (risked assets ratio), mkt2 (earnings/MV of equity atauearnings/share price), mkt5 (price to book value of equity (PBV)) terhadap survivalbermakna: semakin tinggi risiko aktiva produktif bank (risked assets ratio), semakin tinggi mkt2, semakin tinggi mkt5, maka akan menyebabkan semakin rendah tingkat kesehatan bank (potensi kebangkrutan bank meningkat). Rasio c2, c3 yang menjelaskan masalah kecukupan modal bank, bertanda positif, berarti semakin tinggi modal bank, maka akan semakin tinggi tingkat kesehatan bank (potensi kebangkrutan bank menurun). 4.3 Model Regresi Logistik Multinomial Teknik statistik yang dianggap mampu menjawab persoalan variabel dependen yang bersifat kategorik adalah model regresi logistik multinomial. Model dengan 3 kategori..menghasilkan 2 fungsi logit. Hosmer & Lemeshow (2000): ―When the outcome variable has three categories we have two estimated logistic probabilities, the estimated probabilities of categories 1 and 2, 𝑃(𝑌 = 1 ∣ 𝑥) and 𝑃(𝑌 = 2 ∣ 𝑥).‖ Diperoleh persamaan regresi logistik multinomial—hasil STATA10 (Tabel 4.3, Lampiran 3) (bank survive (bs) → kategori pembanding): 

 P(bdp | x)  g bdp ( x)  ln    1.113  90.940c1  27.975c2  P(bs | x) 



 P(bl | x)  g bl ( x)  ln    2.149  90.945c1  86.239c2  103.751mkt2  P(bs | x) 

Probability bank survive (bs), bank dalam penyelamatan (bdp), bank likuidasi (bl): 

 bs 

1.11390.940c1 27.975c 2

1 e

1  P(bs | x)  e 2.14990.945c186.239c 2103.751mkt 2

22



 bdp 



 bl 

e1.11390.940c127.975c 2  P(bdp | x) 1  e1.11390.940c127.975c 2  e 2.14990.945c186.239c 2103.751mkt 2

e1.11390.940c127.975c 2  P(bl | x) 1  e1.11390.940c127.975c 2  e 2.14990.945c186.239c 2103.751mkt 2

Lampiran 3(output STATA10) memperlihatkan berapa probability bank itu masuk kategori bank dalam penyelamatan (bdp) dibandingkan terhadap bank survive (bs), dan berapa probability bank itu masuk kategori bank likuidasi (bl) dibandingkan terhadap bank survive (bs). Ketepatan prediksi mencapai 90.32% untuk kategori bank survive; 45.45% untuk kategori bank dalam penyelamatan; dan 80% untuk kategori bank likuidasi. 4.4Analisis Kebangkrutan Bank Dalam rangka menegakkan tonggak yang kokoh bagi sistem perbankan Indonesia, pemerintah telah membentuk API (Arsitektur Perbankan Indonesia) pada Januari 2004. Tindakan preventif banyak dilakukan melalui API ini demi menyelamatkan dunia perbankan. Salah satunya adalah dengan mengadakan merger dan akuisisi. Terdapat beberapa catatan bahwa ada bank go public masuk kategori bank dalam pengawasan khusus; bank yang diakuisisi (dilikuidasi); bank yang dimerger sebagai akibat menyelamatkan bank tersebut agar berkinerja lebih baik. Inilah yang kemudian mengilhami penulis untuk meneliti apakah kategori yang tercipta itu (bank sehat (bank survive), bank dalam penyelamatan, bank likuidasi) mampu dicerminkan melalui keberadaan rasio keuangan? Selama ini banyak penelitian terdahulu yang mengungkapkan kemampuan prediksi dari rasio keuangan sehubungan dengan potensi kebangkrutan. Ingin ditelaah kembali, setelah memasukkan sejumlah rasio keuangan, mampukah membentuk model prediksi kebangkrutan bank dengan rasio apa saja yang menjadi prediktor utama. Untuk itu dibentuk hipotesis 1 dan 2. Hipotesis 1 mengarah pada aspek rasio keuangan yang berkiblat pada

23

CAMEL; hipotesis 2 berkiblat pada rasio keuangan dengan persepsi pasar saham—market effect. Ternyata, setelah olah data melalui STATA10, diketahui aspek rasio keuangan yang mampu menjadi prediktor utama dalam menjelaskan tingkat kesehatan bank adalah rasio keuangan berunsur permodalan (c1, c2), dan berunsur market effect (mkt2). Signifikansi tercapai untuk fungsi logit 1 (bdp) dan 2 (bl) atas variabel c1, c2; atas variabel mkt2, signifikansi tercapai untuk fungsi logit 2 (bl). Hipotesis 1 dan 2 terbukti. Permodalan merupakan aspek penting bagi terciptanya sustainability bagi bisnis bank. Kamerschen (1992): ―Bank capital is much like capital provided for any business in that it provides an incentive and protection; a bank needs capital to operate.‖ Pada saat kecukupan modal bank terpenuhi, maka dimungkinkan bank tersebut untuk memperkuat ekspansi bisnis bank, mengantisipasi risiko, mengembangkan teknologi, dan meningkatkan kapasitas penyaluran kredit. Ini akan bermuara pada peningkatan kemampuan bank untuk menghasilkan laba. Sustainability bank (bank survive) pun akan tercapai. Faktor permodalan ini juga memiliki bobot terbesar penilaian rating bank versi Infobank: bank yang sejumlah indikator kinerja keuangannya tidak mengalami pertumbuhan, namun terpilih sebagai rising star (predikat sangat bagus) adalah semata-mata karena faktor permodalan (Infobank 2009, 44). Rasio yang menggambarkan market effect diwakili oleh mkt2(earnings/MV of equity atau earnings/share price) sebagai rasio yang signifikan mampu menjelaskan tingkat kesehatan bank maupun memprediksi potensi kebangkrutan bank. Sejalan dengan Beaver (1968) bahwa perubahan harga saham bisa memprediksi failure. Pada saat rasio mkt2 tinggi yang menyiratkan arti bahwa bisa saja penyebut (harga saham) bernilai rendah, maka tingkat kesehatan bank diprediksi menjadi rendah. Diperlihatkan dengan tanda koefisien negatif atas variabel mkt2 pada persamaan fungsi logit 2 (bl).

24

Secara overall, model prediksi kebangkrutan bank melalui telaah rasio keuangan berbasis CAMEL dan market effect, memiliki ketepatan prediksi sebesar 71.92%. Andil rasio keuangan dalam memprediksi bank survive (bs) berada pada 90.32%, memprediksi bank dalam penyelamatan (bdp) adalah 45.45%, dan memprediksi bank likuidasi (bl) adalah 80%. Banyak keraguan untuk mengkategorikan sesuatu bank itu masuk dalam kategori bank dalam penyelamatan, karena memang tidak dinyatakan secara jelas. Asumsi yang diambil adalah bahwa resolusi bank demi penyelamatan dunia perbankan mewajibkan peningkatan kecukupan modal, membawa akibat bank-bank yang tidak cukup kuat struktur permodalannya..melakukan merger. Inilah yang memicu pengkategorian bank merger sebagai bank yang sedang berada dalam kondisi penyelamatan, sehingga ketepatan prediksi hanya 45.45%. Dalam hal bank likuidasi, 80% ketepatan prediksi diperoleh sebagai akibat memang terbukti bank itu masuk dalam pengawasan LPS (Lembaga Penjamin Simpanan). Laporan Tahunan LPS (2010): … pendekatan penyelamatan bank dalam UU LPS dibedakan menjadi 2 yakni penyelamatan bank gagal yang tidak berdampak sistemik dan yang berdampak sistemik; untuk bank gagal tidak sistemik, keputusan melaksanakan penyelamatan sepenuhnya menjadi wewenang LPS, sedangkan untuk bank gagal sistemik, keputusan suatu bank berdampak sistemik dan oleh karenanya harus diselamatkan ditetapkan oleh Forum Stabilitas Sistem Keuangan (FSSK)/KK. Ketepatan prediksi bank survive adalah 90.32%. Ini membuktikan bahwa API memainkan perannya sedemikian rupa. Bank-bank yang terkena imbas krisis moneter tahun 1998, direstrukturisasi, dilakukan penguatan permodalan bank, sehingga laporan keuangan tahun 2006 dan 2007 sudah cukup menunjukkan tingkat permodalan yang baik dan tingkat pertumbuhan yang baik, tercermin dalam rasio keuangan bank-bank tersebut.

25

5. Kesimpulan Berbasis hasil model regresi logistik multinomial, diperlihatkan bahwa rasio keuangan, baik yang berasal dari accounting numbers maupun dari perspektif pasar saham (market effect), ternyata secara signifikan mampu menjelaskan tingkat kesehatan bank dan sekaligus menjadi alat prediksi potensi kebangkrutan bank. Diwakili oleh rasio permodalan (c1, c2) dan rasio market effect (mkt2). Formula model prediksi kebangkrutan yang ditemukan dari penelitian ini, diharapkan bisa mengakomodir persoalan penyelamatan bank secara lebih dini, membantu regulator (pemerintah) dalam membuat tonggak yang kokoh dalam dunia perbankan. Memberi masukan kepada Bapepam mengenai model prediksi kebangkrutan bank, sehingga diharapkan Bapepam mencanangkan penambahan pengungkapan apa saja yang dirasa perlu bagi bank yang listing di Bursa Efek Indonesia (BEI). Pelaporan cash flow belum merata dijumpai di bank go public. Diharapkan juga melalui penelitian ini, investor lebih bisa melihat kondisi fundamental perusahaan atau bank, lebih waspada akan kemungkinan failure yang melanda perusahaan atau bank sebagai tempat berinvestasi. Keputusan berinvestasi merupakan keputusan penting yang harus diambil investor demi tujuan peningkatan wealth. Model prediksi ini memiliki 𝑃𝑠𝑒𝑢𝑑𝑜 𝑅 2 44.43%. Ini menunjukkan bahwa ada informasi lain selain rasio keuangan dalam model penelitian ini yang mungkin saja mempengaruhi prediksi potensi kebangkrutan bank. Dunia perbankan juga identik dengan situasi politik suatu negara, kondisi makro ekonomi, kebijakan Bank Indonesia, unsur corporate governance dari bank itu sendiri. Hal-hal ini yang perlu menjadi bahan kajian selanjutnya agar bisa mendapatkan model prediksi potensi kebangkrutan bank secara

26

komprehensif demi tercapai kemakmuran perekonomian negara melalui sistem perbankan yang kokoh. Diharapkan untuk menjadi penelitian masa mendatang adalah dengan meningkatkan jumlah sampel, serta mempertimbangkan variabel risiko, corporate governance, dan kondisi makro ekonomi.

DAFTAR REFERENSI

Altman, Edward I. 1968. Financial Ratios, Discriminant Analysis and the Prediction of Corporate Bankruptcy. The Journal of Finance. Vol. XXIII (4): 589-609. Altman, Edward I., Haldeman, Robert G., Narayanan, P. 1977. ZETA Analysis A New model to identify bankruptcy risk of corporations. The Journal of Finance. Vol. XXIII (4): 2954. Atmanto, Irwan Andri, & Manuputty, Cavin R. Rekayasa Sistemik Tanpa Dasar Hukum. Gatra. No. 03 Tahun XVI (26 November-2 Desember 2009). Bauman, Mark P. 2003. The Impact and Valuation of Off-Balance-Sheet Activities Concealed by Equity Method Accounting. Accounting Horizons. Vol. 17(4): 303-314. Beaver, William H. 1968. Market Prices, Financial Ratios, and the Prediction of Failure. Journal of Accounting Research. Vol. 6(2): 179-192. Belkaoui, Ahmed Riahi. 2004. Accounting Theory, 5th edition. South-Western. Bendel, Robert B., A. A. Afifi. 1977. Comparison of Stopping Rules in Forward ―Stepwise‖ Regression. Journal of the American Statistical Association. Vol. 72(357): 46-53. Bernstein, Leopold A. 1989. Financial Statement Analysis Theory, Application, and Interpretation. Richard D. Irwin, Inc., Illinois. Bodie, Kane, & Marcus, 2011, Investments and Portfolio Management, 9th Edition, Irwin McGraw Hill, Singapore. Cheng, C.S. Agnes, Chao-Shin Liu & Thomas F. Schaefer. 1997. The The Value-Relevance of SFAS No. 95 Cash Flows from Operations as Assessed by Security Market Effects. Accounting Horizons. Vol. 11(3): 1-15.

27

Christenson, Charles. 1983. The Methodology of Positive Accounting. The Accounting Review. Vol. LVIII (1): 1-21. Djaelani, Firdaus: Kami Tak Tahu Uang Itu ke Mana. Tokoh. Tempo. Edisi 14-20 Desember 2009. Fama, Eugene F., Kenneth R. French. 1992. The Cross-Section of Expected Stock Returns. The Journal of Finance. Vol. 47(2): 427-465. Fraser, Donald R., & Lyn M. Fraser. 1990. Evaluating Commercial Bank Performance A Guideto Financial Analysis. Bankers Publishing Company, Illinois. Gujarati, Damodar N., Dawn C. Porter. 2009. Basics Econometrics, 5th Edition. McGrawHill/Irwin, New York. Hair, Joseph F., William C. Black, Barry J. Babin, Rolph E. Anderson. 2010. Multivariate Data Analysis A Global Perspective. Pearson Prentice Hall, New Jersey. Harman, Harry H. 1989. Modern Factor Analysis. The University of Chicago, Chicago. Hosmer, David W., Stanley Lemeshow. 2000. Applied Logistic Regression. John Wiley & Sons, Inc. Ikatan Akuntan Indonesia. 2009. Standar Akuntansi Keuangan: Per 1 Juli 2009. Jakarta. Penerbit Salemba Empat. Iskandar, Tofik: Bank yang Dulu Muram Kini Bersinar. Fokus Utama. Infobank. No. 363Vol. XXXI (Juni 2009). Jensen, M.C. 1976. Reflection on the State of Accounting Research and the Regulation of Accounting. Stanford Lectures in Accounting (Graduate School of Business, Stanford University):11-19. Kamerschen, David R. 1992. Money and Banking. South-Western Publishing Co., Cincinnati. Keynes, J.N. 1891. The Scope and Method of Political Economy. Macmillan. LPS (Lembaga Penjamin Simpanan). 2010. Laporan Tahunan. Machfoedz, Mas’ud. 1994. Financial Ratio Analysis and the Prediction of Earnings Change in Indonesia. Kelola Gadjah Mada University Business Review. 7: 114-134. Mulyaningsih, Tri, Anne Daly. 2011. Competitive Conditions in Banking Industry: An Empirical Analysis of the Consolidation, Competition and Concentration in the Indonesia Banking Industry between 2001 and 2009. Buletin Ekonomi, Moneter dan Perbankan: 151185.

28

Morris, Richard. How Useful are Failure Prediction Models? 1998. Management Accounting: 22-24. Ohlson, James A. 1980. Financial Ratios and the Probabilistic Prediction of Bankruptcy. Journal of Accounting Research. (Spring): 109-131. Payamta, & Mas’ud Machfoedz. 1999. Evaluasi Kinerja Perusahaan Perbankan Sebelum dan Sesudah Menjadi Perusahaan Publik di BEJ. Kelola Gadjah Mada University Business Review. 20 (1999), 54-67.

Qurriyani, Tengku Nuzulul. 2000. Indikasi Potensial menuju Bank Survival melalui Analisis Rasio Keuangan Model Regresi Logistik Trikotomi. Simposium Nasional Akuntansi III: 619-651. Ikatan Akuntan Indonesia Kompartemen Akuntan Pendidik. Universitas Indonesia. Depok. Karya Akhir Program Studi Magister Akuntansi Fakultas Ekonomi Universitas Indonesia. Republik Indonesia. Penjelasan Atas Undang-Undang Republik Indonesia Nomor 10 Tahun 1998 Tentang Perubahan Atas Undang-Undang Nomor 7 Tahun 1992 Tentang Perbankan. Ritter, Lawrence S., William L. Silber, & Gregory F. Udell. 2009. Principles of Money, Banking & Financial Markets.Pearson Education, Inc., Boston. Sinkey, Joseph F., Jr. 1975. A Multivariate Statistical Analysis of the Characteristics of Problem Banks. The Journal of Finance: 21-36. Stone, Mary, & John Rasp. 1991. Tradeoffs in the Choice Between Logit and OLS for Accounting Choice Studies. The Accounting Review. Vol. 66 (1): 170-187. Surifah. 2002. Kinerja Keuangan Perbankan Swasta Nasional Indonesia sebelum dan setelah Krisis Ekonomi. Jurnal Auditing dan Akuntansi Indonesia, Vol. 6 (2): 23-50. Thomson, James B. 1991. Predicting Bank Failure in the 1980s. Economic Review: 9-20. Ross L. Watts, Jerold L. Zimmerman. 1978. Towards a Positive Theory of the Determination of Accounting Standards. The Journal of Finance. Vol. LIII (1): 112-134. White, Gerald I., Ashwinpaul C. Sondhi, Dov Fried. 2003. The Analysis and Use of Financial Statements, 3rd Edition. John Wiley & Sons, Inc., USA. Zahara, & Sylvia Veronica Siregar. 2009. Pengaruh Rasio CAMEL terhadap Praktik Manajemen Laba di Bank Syariah. Jurnal Riset Akuntansi Indonesia, Vol. 12 (2): 88-102. Zainuddin, & Jogiyanto Hartono. 1999. Manfaat Rasio Keuangan dalam Memprediksi Pertumbuhan Laba: Suatu Studi Empiris pada Perusahaan Perbankan yang Terdaftar di Bursa Efek Jakarta. Jurnal Riset Akuntansi Indonesia, (1): 66-90.

29

LAMPIRAN 1 TABEL Tabel 3.1 Sampel Data 2006

No

Bank Go Public

Listing

1 Ba nk Arta Ni a ga Kenca na Tbk

2/11/2000

2 Ba nk Artha Gra ha Interna s i ona l Tbk

23/8/1990

3 Ba nk Bua na Indones i a Tbk

28/7/2000

4 Ba nk Bumi putera Indones i a Tbk

15/7/2002

5 Ba nk Centra l As i a Tbk

31/5/2000

6 Ba nk Century Tbk

25/6/1997

7 Ba nk Da na mon Indones i a Tbk

6/12/1989

8 Ba nk Eks ekutif Interna s i ona l Tbk

13/7/2001

9 Ba nk Interna tiona l Indones i a Tbk

21/11/1989

10 Ba nk Kes a wa n Tbk

21/11/2002

11 Ba nk Li ppo Tbk

10/11/1989

12 Ba nk Ma ndi ri (Pers ero) Tbk

14/7/2003

13 Ba nk Ma ya pa da Tbk

29/8/1997

14 Ba nk Mega Tbk

17/4/2000

15 Ba nk Nega ra Indones i a (Pers ero) Tbk

25/11/1996

16 Ba nk Ni a ga Tbk

29/11/1989

17 Ba nk NISP Tbk

20/10/1994

18 Ba nk Nus a nta ra Pa ra hya nga n Tbk

10/1/2001

19 Ba nk Pa n Indones i a Tbk

29/12/1982

20 Ba nk Perma ta Tbk

15/1/1990

21 Ba nk Ra kya t Indones i a (Pers ero) Tbk

10/11/2003

22 Ba nk Swa des i Tbk

1/5/2002

23 Ba nk Vi ctori a Interna tiona l Tbk

30/6/1999

30

2007

No

Bank Go Public

Listing

24 Ba nk Artha Gra ha Interna s i ona l Tbk

23/8/1990

25 Ba nk Bukopi n Tbk

10/7/2006

26 Ba nk Bumi Artha Tbk

1/6/2006

27 Ba nk Bumi putera Indones i a Tbk

15/7/2002

28 Ba nk Centra l As i a Tbk

31/5/2000

29 Ba nk Century Tbk

25/6/1997

30 Ba nk Da na mon Indones i a Tbk

6/12/1989

31 Ba nk Eks ekutif Interna s i ona l Tbk

13/7/2001

32 Ba nk Hi mpuna n Sa uda ra 1906 Tbk

15/12/2006

33 Ba nk Interna tiona l Indones i a Tbk

21/11/1989

34 Ba nk Kes a wa n Tbk

21/11/2002

35 Ba nk Li ppo Tbk

10/11/1989

36 Ba nk Ma ndi ri (Pers ero) Tbk

14/7/2003

37 Ba nk Ma ya pa da Tbk

29/8/1997

38 Ba nk Mega Tbk

17/4/2000

39 Ba nk Nega ra Indones i a Tbk

25/11/1996

40 Ba nk Ni a ga Tbk

29/11/1989

41 Ba nk NISP Tbk

20/10/1994

42 Ba nk Nus a nta ra Pa ra hya nga n Tbk

10/1/2001

43 Ba nk Pa n Indones i a Tbk

29/12/1982

44 Ba nk Perma ta Tbk

15/1/1990

45 Ba nk Ra kya t Indones i a (Pers ero) Tbk

10/11/2003

46 Ba nk UOB Bua na Tbk

28/7/2000

47 Ba nk Vi ctori a Interna tiona l Tbk

30/6/1999

Tabel 3.2 Kategori Bank Survival 2006

Bank dalam

Bank Likuidasi (bl)

Penyelamatan (bdp)

tahun 2007:

tahun 2007:

Ba nk Swa des i Tbk

Ba nk Arta Ni a ga Kenca na Tbk → Ba nk Commonwea l th

Bank Survive (bs) Ba nk Artha Gra ha Interna s i ona l Tbk Ba nk Centra l As i a Tbk Ba nk Da na mon Indones i a Tbk

tahun 2008: Ba nk Century Tbk

tahun 2009: Ba nk Eks ekutif Interna s i ona l Tbk

tahun 2008:

Ba nk Interna tiona l Indones i a Tbk

Ba nk Bua na Indones i a Tbk → Ba nk UOB Bua na Tbk

Ba nk Kes a wa n Tbk

Ba nk Li ppo Tbk → merger menja di CIMB Ni a ga

Ba nk Ma ndi ri (Pers ero) Tbk

Ba nk Ni a ga Tbk → Ba nk CIMB Ni a ga

Ba nk Ma ya pa da Tbk

Ba nk NISP Tbk → Ba nk OCBC NISP

Ba nk Mega Tbk Ba nk Nega ra Indones i a Tbk

tahun 2009: Ba nk Bumi putera Indones i a Tbk → ICB Bumi putera

Ba nk Nus a ntara Pa ra hya nga n Tbk Ba nk Pa n Indones i a Tbk Ba nk Perma ta Tbk Ba nk Ra kya t Indones i a (Pers ero) Tbk Ba nk Vi ctori a Interna tiona l Tbk

3

6

14

31

2007

Bank dalam

Bank Likuidasi (bl)

Penyelamatan (bdp)

tahun 2008:

tahun 2008:

Ba nk Century Tbk

tahun 2009: Ba nk Eks ekutif Interna s i ona l Tbk

Bank Survive (bs) Ba nk Artha Gra ha Interna s i ona l Tbk

Ba nk Li ppo Tbk → merger menja di CIMB Ni a ga

Ba nk Bukopi n Tbk

Ba nk Ni a ga Tbk → Ba nk CIMB Ni a ga

Ba nk Bumi Artha Tbk

Ba nk NISP Tbk → Ba nk OCBC NISP

Ba nk Centra l As i a Tbk

Ba nk Bua na Indones i a Tbk → Ba nk UOB Bua na Tbk

Ba nk Da na mon Indones i a Tbk Ba nk Hi mpuna n Sa uda ra 1906 Tbk

tahun 2009: Ba nk Bumi putera Indones i a Tbk → ICB Bumi putera

Ba nk Interna tiona l Indones i a Tbk Ba nk Kes a wa n Tbk Ba nk Ma ndi ri (Pers ero) Tbk Ba nk Ma ya pa da Tbk Ba nk Mega Tbk Ba nk Nega ra Indones i a Tbk Ba nk Nus a ntara Pa ra hya nga n Tbk Ba nk Pa n Indones i a Tbk Ba nk Perma ta Tbk Ba nk Ra kya t Indones i a (Pers ero) Tbk Ba nk Vi ctori a Interna tiona l Tbk

2

5

17

32

Tabel 4.1 Deskripsi Variabel 2006 Capital Adequacy no

bank go public

Market Effect

survival

c1

c2

c3

mkt1

mkt2

mkt5

1 Bank Arta Niaga Kencana Tbk.

1

0.129

0.156

0.185

0.0003

0.076

1.50

2 Bank Artha Graha International Tbk.

0

0.050

0.065

0.067

0.006

0.021

0.41

3 Bank Bumiputera Indonesia Tbk.

1

0.111

0.115

0.118

0.233

0.033

0.87

4 Bank Central Asia Tbk.

0

0.139

0.242

0.159

0.015

0.101

3.55

5 Bank Centrury Tbk.

2

0.103

0.087

0.124

0.007

0.020

1.79

6 Bank Danamon Indonesia Tbk.

0

0.122

0.191

0.144

-0.029

0.057

3.53

7 Bank Eksekutif International Tbk.

2

0.014

0.097

0.134

0.538

-0.222

0.46

8 Bank International Indonesia Tbk.

0

0.119

0.160

0.141

-0.012

0.085

2.20

9 Bank Kesawan Tbk.

0

0.055

0.080

0.081

0.006

0.021

1.81

10 Bank Lippo Tbk.

1

0.202

0.148

0.261

0.016

0.087

1.88

11 Bank Mandiri (Persero)Tbk.

0

0.109

0.199

0.133

0.055

0.073

2.27

12 Bank Mayapada Tbk.

0

0.055

0.105

0.138

0.136

0.244

1.92

13 Bank Mega Tbk.

0

0.049

0.145

0.076

-0.009

0.052

1.76

14 Bank Negara Indonesia (Persero) Tbk.

0

0.098

0.140

0.136

0.030

0.113

1.68

15 Bank Niaga Tbk.

1

0.112

0.130

0.124

0.021

0.135

2.30

16 Bank NISP Tbk.

1

0.092

0.139

0.122

0.009

0.063

1.71

17 Bank Nusantara Parahyangan Tbk.

0

0.098

0.137

0.108

0.019

0.274

0.79

18 Bank Pan Indonesia Tbk.

0

0.249

0.235

0.307

0.025

0.108

1.76

19 Bank Permata

0

0.082

0.137

0.130

0.003

0.057

1.83

20 Bank Rakyat Indonesia (Persero)Tbk.

0

0.143

0.181

0.160

0.012

0.117

3.75

21 Bank Swadesi Tbk.

2

0.220

0.208

0.258

-0.027

0.064

1.87

22 Bank UOB Buana Tbk.

1

0.213

0.268

0.240

0.012

0.075

1.976

23 Bank Victoria International Tbk.

0

0.109

0.224

0.127

0.092

0.292

0.59

survival

c1

c2

c3

mkt1

mkt2

mkt5

24 Bank Artha Graha International Tbk.

0

0.064

0.072

0.082

-0.069

0.066

2.185

25 Bank Bukopin Tbk.

0

0.064

0.083

0.077

0.015

0.095

1.628

26 Bank Bumi Artha Tbk.

0

0.332

0.391

0.474

-0.010

0.033

1.677

27 Bank Bumiputera Indonesia Tbk.

1

0.107

0.099

0.115

0.036

0.058

1.224

28 Bank Central Asia Tbk.

0

0.132

0.214

0.148

0.004

0.070

4.403

29 Bank Centrury Tbk.

2

0.144

0.114

0.162

0.017

0.046

1.478

30 Bank Danamon Indonesia Tbk.

0

0.137

0.171

0.158

0.024

0.064

3.688

31 Bank Eksekutif International Tbk.

2

0.006

0.097

0.125

0.275

0.014

0.490

32 Bank Himpunan Saudara 1906 Tbk.

0

0.135

0.133

0.156

0.071

0.121

1.233

33 Bank International Indonesia Tbk.

0

0.110

0.144

0.128

-0.020

0.035

2.568

34 Bank Kesawan Tbk.

0

0.051

0.090

0.073

0.009

0.027

1.873

35 Bank Lippo Tbk.

1

0.154

0.142

0.193

0.037

0.117

2.199

36 Bank Mandiri (Persero)Tbk.

0

0.113

0.174

0.134

0.032

0.073

2.479

37 Bank Mayapada Tbk.

0

0.206

0.250

0.270

0.004

0.060

1.912

38 Bank Mega Tbk.

0

0.077

0.174

0.104

0.108

0.152

1.742

39 Bank Negara Indonesia (Persero) Tbk.

0

0.099

0.158

0.128

-0.041

0.036

1.680

40 Bank Niaga Tbk.

1

0.105

0.112

0.115

0.011

0.070

2.101

41 Bank NISP Tbk.

1

0.116

0.147

0.148

0.003

0.060

1.554

42 Bank Nusantara Parahyangan Tbk.

0

0.093

0.162

0.102

0.007

0.144

1.533

43 Bank Pan Indonesia Tbk.

0

0.153

0.196

0.193

0.019

0.081

1.833

44 Bank Permata

0

0.093

0.133

0.139

0.027

0.073

1.802

45 Bank Rakyat Indonesia (Persero)Tbk.

0

0.132

0.159

0.144

0.009

0.077

4.689

46 Bank UOB Buana Tbk.

1

0.207

0.253

0.229

0.002

0.066

1.925

47 Bank Victoria International Tbk.

0

0.063

0.166

0.091

0.115

0.281

0.879

2007 Capital Adequacy no

bank go public

Market Effect

33

Tabel 4.2 Deskripsi statistik Standard Variable

Mean

Deviation Minimum Maximum

Panel A: Descriptive Statistics s urvi va l

0.447

0.686

0

2

c1

0.118

0.061

0.006

0.332

c2

0.158

0.061

0.065

0.391

c3

0.152

0.072

0.067

0.474

mkt1

0.039

0.096

-0.069

0.538

mkt2

0.082

0.080

-0.222

0.292

mkt5

1.936

0.939

0.410

4.689

Panel B: Correlations s urvi va l

s urvi va l

c1

c2

c3

mkt1

mkt2

mkt5

1

c1

0.018

1

c2

-0.207

0.806

1

c3

0.113

0.915

0.791

1

mkt1

0.388

-0.384

-0.215

-0.125

1

mkt2

-0.415

0.065

0.159

-0.077

-0.312

1

mkt5

-0.312

0.252

0.272

0.096

-0.419

-0.011

1

34

Tabel 4.3 Multinomial Logit Model Variable

coefficient

z

p-value

Panel A: Logit Model bdp c1

90.941

2.360

0.018**

c2

-27.975

-1.800

0.072*

c3

-45.248

-1.490

0.135

mkt1

22.412

1.560

0.119

mkt2

-13.898

-1.230

0.219

mkt5

-0.695

-1.100

0.270

i ntercept

1.113

0.600

0.552

bl c1

90.946

2.020

0.068*

c2

-86.239

-1.490

0.045** 0.850

c3

7.855

-0.510

mkt1

25.412

-0.510

0.117

mkt2

-103.752

-1.020

0.096*

mkt5

0.206

-1.030

0.907

i ntercept

2.150

1.450

0.481

Number of obs = 47 LR chi 2(12) = 35.62 Prob > chi 2 = 0.0004 Ps eudo R2 = 0.4443 (**s i gni fi ka n=5%; *s i gni fi ka n=10%)

Panel B: Prediction Correct survival bs bdp bl tota l

predicted 0

1

2

28

3

0

tota l 31

90.32

9.68

0

100.00

5

5

1

11

45.45

45.45

9.09

100.00

0

1

4

5

0.00

20.00

80.00

100.00

33

9

5

47

70.21

19.15

10.64

100.00

35

LAMPIRAN 2 OUTPUT SPSS19

GET FILE='C:\Users\quri\Documents\tengkunuzululqurriyani_mra_newest\1tengkunuz ululqurriyani_mra\1qresearch_mra\excel&spss_final\qspss.sav'. DATASET NAME DataSet1 WINDOW=FRONT. LOGISTIC REGRESSION VARIABLES surviv /METHOD=FSTEP(WALD) c1 c2 c3 a1 a2 m1 m3 e1 e2 e3 l1 l2 l3 l4 mkt1 mkt2 mkt3 mkt4 mkt5 /CRITERIA=PIN(0.7) POUT(0.77) ITERATE(20) CUT(0.5).

Logistic Regression Case Processing Summary a

Unweighted Cases Selected Cases

N

Percent

Included in Analysis

47

100.0

0

.0

47

100.0

0

.0

47

100.0

Missing Cases Total Unselected Cases Total

a. If weight is in effect, see classification table for the total number of cases.

Dependent Variable Encoding Original Value

Internal Value

.00

0

1.00

1

Classification Table

a,b

Predicted Surviv Observed Step 0

surviv

.00

Percentage 1.00

Correct

.00

31

0

100.0

1.00

16

0

.0

Overall Percentage a. Constant is included in the model. b. The cut value is .500

66.0

36

Variables in the Equation B Step 0

Constant

S.E.

-.661

Wald

.308

4.616

Variables not in the Equation Score Step 0

Variables

df 1

a

df

Sig.

c1

.510

1

.475

c2

1.184

1

.277

c3

.861

1

.354

a1

1.119

1

.290

a2

.791

1

.374

m1

1.874

1

.171

m3

1.689

1

.194

e1

2.451

1

.117

e2

4.405

1

.036

e3

2.451

1

.117

l1

.477

1

.490

l2

.034

1

.854

l3

.887

1

.346

l4

1.932

1

.165

mkt1

3.317

1

.069

mkt2

4.674

1

.031

mkt3

.126

1

.723

mkt4

.006

1

.938

mkt5

3.499

1

.061

a. Residual Chi-Squares are not computed because of redundancies.

Block 1: Method = Forward Stepwise (Wald) Omnibus Tests of Model Coefficients Chi-square Step 1

Step 2

df

Sig.

Sig.

Step

5.580

1

.018

Block

5.580

1

.018

Model

5.580

1

.018

Step

3.891

1

.049

Block

9.471

2

.009

Model

9.471

2

.009

.032

Exp(B) .516

37

Step 3

Step 4

Step 5

Step 6

Step 7

Step 8

Step 9

Step 10

Step 11

a

Step 12

Step 13

Step 14

a

Step 15

Step

2.238

1

.135

Block

11.709

3

.008

Model

11.709

3

.008

Step

6.685

1

.010

Block

18.395

4

.001

Model

18.395

4

.001

Step

3.703

1

.054

Block

22.098

5

.001

Model

22.098

5

.001

Step

1.865

1

.172

Block

23.962

6

.001

Model

23.962

6

.001

Step

2.797

1

.094

Block

26.759

7

.000

Model

26.759

7

.000

Step

2.351

1

.125

Block

29.110

8

.000

Model

29.110

8

.000

Step

1.885

1

.170

Block

30.995

9

.000

Model

30.995

9

.000

Step

6.858

1

.009

Block

37.853

10

.000

Model

37.853

10

.000

Step

4.123

1

.042

Block

41.976

11

.000

Model

41.976

11

.000

-.051

1

.821

Block

41.925

10

.000

Model

41.925

10

.000

Step

4.097

1

.043

Block

46.022

11

.000

Model

46.022

11

.000

Step

14.262

1

.000

Block

60.284

12

.000

Model

60.284

12

.000

.000

1

.996

Block

60.284

11

.000

Model

60.284

11

.000

Step

Step

38

a

Step 16

a

Step 17

Step 18

Step 19

a

Step 20

Step

-27.340

1

.000

Block

32.943

10

.000

Model

32.943

10

.000

-.028

1

.867

Block

32.915

9

.000

Model

32.915

9

.000

Step

14.015

1

.000

Block

46.931

10

.000

Model

46.931

10

.000

Step

13.353

1

.000

Block

60.284

11

.000

Model

60.284

11

.000

Step

-17.120

1

.000

Block

43.164

10

.000

Model

43.164

10

.000

Step

a. A negative Chi-squares value indicates that the Chi-squares value has decreased from the previous step.

Classification Table

a

Predicted surviv Observed Step 1

surviv

.00

Percentage 1.00

Correct

.00

29

2

93.5

1.00

13

3

18.8

Overall Percentage Step 2

surviv

68.1

.00

28

3

90.3

1.00

10

6

37.5

Overall Percentage Step 3

surviv

72.3

.00

27

4

87.1

1.00

9

7

43.8

Overall Percentage Step 4

surviv

72.3

.00

27

4

87.1

1.00

9

7

43.8

Overall Percentage Step 5

surviv

72.3

.00

28

3

90.3

1.00

7

9

56.3

Overall Percentage Step 6

surviv

.00

78.7 28

3

90.3

39

1.00

5

11

Overall Percentage Step 7

surviv

83.0

.00

29

2

93.5

1.00

4

12

75.0

Overall Percentage Step 8

surviv

87.2

.00

29

2

93.5

1.00

4

12

75.0

Overall Percentage Step 9

surviv

87.2

.00

29

2

93.5

1.00

4

12

75.0

Overall Percentage Step 10

surviv

87.2

.00

29

2

93.5

1.00

4

12

75.0

Overall Percentage Step 11

surviv

87.2

.00

29

2

93.5

1.00

3

13

81.3

Overall Percentage Step 12

surviv

89.4

.00

30

1

96.8

1.00

3

13

81.3

Overall Percentage Step 13

surviv

91.5

.00

30

1

96.8

1.00

2

14

87.5

Overall Percentage Step 14

surviv

93.6

.00

31

0

100.0

1.00

0

16

100.0

Overall Percentage Step 15

surviv

100.0

.00

31

0

100.0

1.00

0

16

100.0

Overall Percentage Step 16

surviv

100.0

.00

29

2

93.5

1.00

4

12

75.0

Overall Percentage Step 17

surviv

87.2

.00

29

2

93.5

1.00

4

12

75.0

Overall Percentage Step 18

surviv

87.2

.00

30

1

96.8

1.00

1

15

93.8

Overall Percentage Step 19

surviv

68.8

.00

95.7 31

0

100.0

40

1.00

0

16

100.0

Overall Percentage Step 20

surviv

100.0

.00

29

2

93.5

1.00

2

14

87.5

Overall Percentage

91.5

a. The cut value is .500 Variables in the Equation B Step 1

a

Step 2

b

mkt2

Step 3

Step 4

Step 5

e

Step 6

Step 7

f

g

df

Sig.

Exp(B)

7.216

3.086

1

.079

.000

.276

.595

.215

1

.642

1.318

mkt2

-11.906

6.380

3.483

1

.062

.000

mkt5

-.887

.528

2.821

1

.093

.412

Constant

1.915

1.157

2.740

1

.098

6.790

c1

8.537

5.993

2.029

1

.154

5099.376

mkt2

-12.626

6.785

3.462

1

.063

.000

mkt5

-1.067

.572

3.483

1

.062

.344

1.235

1.230

1.008

1

.316

3.438

c1

33.728

13.266

6.464

1

.011

4.444E14

c2

-29.606

12.845

5.312

1

.021

.000

mkt2

-12.607

7.874

2.563

1

.109

.000

mkt5

-.946

.654

2.091

1

.148

.388

Constant

2.452

1.406

3.044

1

.081

11.614

c1

44.474

16.308

7.437

1

.006

2.065E19

c2

-37.535

14.988

6.272

1

.012

.000

mkt1

15.253

9.385

2.641

1

.104

4210275.669

mkt2

-12.815

9.996

1.644

1

.200

.000

mkt5

-.416

.591

.496

1

.481

.660

Constant

1.029

1.507

.466

1

.495

2.798

c1

79.174

32.890

5.795

1

.016

2.425E34

c2

-30.579

15.046

4.131

1

.042

.000

c3

-32.263

25.151

1.646

1

.200

.000

mkt1

24.174

12.126

3.974

1

.046

3.153E10

mkt2

-18.498

12.204

2.298

1

.130

.000

mkt5

-.705

.644

1.201

1

.273

.494

Constant

1.522

1.677

.824

1

.364

4.581

c1

123.778

49.522

6.247

1

.012

5.703E53

c2

-36.617

16.633

4.847

1

.028

.000

c3

-57.387

32.630

3.093

1

.079

.000

e3

8.665

5.491

2.490

1

.115

5797.368

34.591

15.468

5.001

1

.025

1.054E15

Constant d

Wald

-12.677

Constant

c

S.E.

mkt1

41

mkt2

-13.571

10.330

1.726

1

.189

.000

mkt5

-.579

.666

.755

1

.385

.561

-7.276

5.734

1.610

1

.204

.001

c1

110.304

48.314

5.212

1

.022

8.021E47

c2

-44.251

18.651

5.629

1

.018

.000

c3

-46.616

34.451

1.831

1

.176

.000

m3

29.885

24.975

1.432

1

.231

9.521E12

e3

17.720

13.980

1.606

1

.205

49601787.239

mkt1

27.675

17.030

2.641

1

.104

1.045E12

mkt2

-15.831

11.781

1.806

1

.179

.000

mkt5

-1.016

.773

1.726

1

.189

.362

Constant

-15.729

14.095

1.245

1

.264

.000

c1

124.219

53.386

5.414

1

.020

8.867E53

c2

-51.381

21.482

5.721

1

.017

.000

c3

-49.997

37.612

1.767

1

.184

.000

m3

28.427

21.974

1.674

1

.196

2.217E12

e3

19.531

11.430

2.920

1

.087

3.036E8

l4

5.124

3.942

1.689

1

.194

168.000

mkt1

30.745

18.839

2.663

1

.103

2.250E13

mkt2

-14.431

13.045

1.224

1

.269

.000

mkt5

-.828

.791

1.095

1

.295

.437

Constant

-20.542

12.037

2.912

1

.088

.000

c1

204.605

90.418

5.121

1

.024

7.224E88

c2

-60.689

26.343

5.307

1

.021

.000

c3

-88.144

52.739

2.793

1

.095

.000

m3

47.831

30.023

2.538

1

.111

5.923E20

e3

31.120

14.882

4.373

1

.037

3.276E13

l3

-31.017

16.125

3.700

1

.054

.000

l4

44.184

20.916

4.462

1

.035

1.545E19

mkt1

45.403

25.419

3.191

1

.074

5.229E19

mkt2

-24.775

15.884

2.433

1

.119

.000

mkt5

-1.237

1.016

1.482

1

.223

.290

Constant

-33.663

15.893

4.487

1

.034

.000

c1

147.955

82.553

3.212

1

.073

1.803E64

c2

-109.152

55.996

3.800

1

.051

.000

c3

17.242

75.784

.052

1

.820

30766800.798

m3

85.951

48.079

3.196

1

.074

2.129E37

e3

40.682

21.775

3.491

1

.062

4.656E17

l2

-23.546

13.528

3.029

1

.082

.000

l3

-46.760

20.017

5.457

1

.019

.000

l4

60.992

25.526

5.709

1

.017

3.078E26

Constant Step 8

h

i

Step 9

Step 10

Step 11

j

k

42

Step 12

k

l

Step 13

mkt1

18.003

29.777

.366

1

.545

65877760.710

mkt2

-20.563

16.785

1.501

1

.221

.000

mkt5

-.777

1.217

.407

1

.523

.460

Constant

-42.487

22.463

3.577

1

.059

.000

c1

161.544

62.854

6.606

1

.010

1.437E70

c2

-101.273

40.791

6.164

1

.013

.000

m3

81.611

43.045

3.595

1

.058

2.775E35

e3

40.200

20.863

3.713

1

.054

2.876E17

l2

-21.832

11.199

3.800

1

.051

.000

l3

-46.150

20.057

5.294

1

.021

.000

l4

60.304

25.582

5.557

1

.018

1.548E26

mkt1

23.373

19.045

1.506

1

.220

1.416E10

mkt2

-21.332

16.846

1.603

1

.205

.000

mkt5

-.827

1.200

.475

1

.491

.437

Constant

-42.086

21.655

3.777

1

.052

.000

c1

299.701

198.293

2.284

1

.131

1.440E130

c2

-193.385

127.593

2.297

1

.130

.000

m3

149.846

126.399

1.405

1

.236

1.194E65

e3

76.381

78.214

.954

1

.329

1.486E33

l2

-37.175

25.896

2.061

1

.151

.000

l3

-81.597

57.106

2.042

1

.153

.000

l4

109.176

76.265

2.049

1

.152

2.597E47

mkt1

33.714

40.014

.710

1

.399

4.383E14

mkt2

-39.851

26.279

2.300

1

.129

.000

mkt3

2.093

1.495

1.961

1

.161

8.112

mkt5

-1.092

1.703

.411

1

.521

.336

-79.769

78.978

1.020

1

.312

.000

c1

48254.083

718878.281

.005

1

.946

.

c2

-33113.787

492678.758

.005

1

.946

.000

a1

-72480.977

1079435.077

.005

1

.946

.000

m3

40351.237

601293.950

.005

1

.946

.

e3

12338.081

185481.327

.004

1

.947

.

l2

-2971.009

44878.767

.004

1

.947

.000

l3

-10402.895

155325.894

.004

1

.947

.000

l4

14611.843

218274.411

.004

1

.947

.

mkt1

4971.717

74827.087

.004

1

.947

.

mkt2

-3887.823

57935.292

.005

1

.946

.000

mkt3

301.833

4468.086

.005

1

.946

1.214E131

mkt5

37.998

926.426

.002

1

.967

3.179E16

-13596.560

204120.444

.004

1

.947

.000

59435.771

766406.339

.006

1

.938

.

Constant Step 14

m

Constant Step 15

m

c1

43

c2

-40674.292

524316.634

.006

1

.938

.000

a1

-86594.638

1118950.902

.006

1

.938

.000

m3

46821.968

614528.882

.006

1

.939

.

e3

12841.372

175954.336

.005

1

.942

.

l2

-3741.184

48772.921

.006

1

.939

.000

l3

-13321.141

171936.940

.006

1

.938

.000

l4

18659.358

240498.373

.006

1

.938

.

mkt1

7399.161

95094.970

.006

1

.938

.

mkt2

-5163.858

66583.501

.006

1

.938

.000

mkt3

380.534

4913.232

.006

1

.938

1.835E165

-14412.511

194991.184

.005

1

.941

.000

c1

104.153

37.099

7.882

1

.005

1.710E45

c2

-74.659

28.832

6.705

1

.010

.000

a1

-248.742

157.751

2.486

1

.115

.000

m3

59.479

35.540

2.801

1

.094

6.782E25

l2

-1.140

6.830

.028

1

.867

.320

l3

-14.374

9.559

2.261

1

.133

.000

l4

20.137

12.123

2.759

1

.097

5.564E8

mkt1

32.115

13.461

5.692

1

.017

8.859E13

mkt2

-21.425

13.666

2.458

1

.117

.000

mkt3

1.075

.838

1.645

1

.200

2.929

-1.710

2.987

.328

1

.567

.181

c1

104.814

37.258

7.914

1

.005

3.313E45

c2

-76.217

27.609

7.620

1

.006

.000

a1

-262.644

135.775

3.742

1

.053

.000

m3

62.432

31.039

4.046

1

.044

1.300E27

l3

-13.801

8.768

2.477

1

.115

.000

l4

19.749

11.746

2.827

1

.093

3.776E8

mkt1

32.571

13.275

6.020

1

.014

1.397E14

mkt2

-21.186

13.580

2.434

1

.119

.000

mkt3

1.106

.832

1.766

1

.184

3.021

-1.931

2.651

.530

1

.466

.145

c1

425.303

242.666

3.072

1

.080

5.092E184

c2

-315.771

175.174

3.249

1

.071

.000

a1

-975.236

668.228

2.130

1

.144

.000

m3

344.515

204.775

2.830

1

.092

4.178E149

e3

64.093

39.443

2.640

1

.104

6.841E27

l3

-75.011

44.282

2.869

1

.090

.000

l4

109.737

63.850

2.954

1

.086

4.552E47

mkt1

86.833

51.298

2.865

1

.091

5.142E37

mkt2

-34.737

19.719

3.103

1

.078

.000

Constant Step 16

m

Constant Step 17

m

Constant n

Step 18

44

mkt3

3.082

1.672

3.397

1

.065

21.806

-76.528

45.099

2.879

1

.090

.000

c1

36729.314

647357.080

.003

1

.955

.

c2

-24954.166

439469.953

.003

1

.955

.000

a1

-123208.119

2179405.076

.003

1

.955

.000

m1

97845.670

1735294.094

.003

1

.955

.

m3

24251.465

428185.927

.003

1

.955

.

e3

5908.842

104050.023

.003

1

.955

.

l3

-6328.084

111274.856

.003

1

.955

.000

l4

8900.889

156665.789

.003

1

.955

.

mkt1

6340.551

111792.981

.003

1

.955

.

mkt2

-2866.066

50826.405

.003

1

.955

.000

mkt3

228.427

4083.101

.003

1

.955

1.601E99

-6988.454

123146.975

.003

1

.955

.000

c1

228.609

94.496

5.853

1

.016

1.922E99

c2

-161.812

65.386

6.124

1

.013

.000

a1

-641.896

312.421

4.221

1

.040

.000

m1

573.271

381.250

2.261

1

.133

9.296E248

m3

130.415

68.321

3.644

1

.056

4.352E56

e3

42.438

20.805

4.161

1

.041

2.696E18

l3

-44.164

20.890

4.469

1

.035

.000

l4

58.602

27.684

4.481

1

.034

2.822E25

mkt1

52.287

31.513

2.753

1

.097

5.103E22

mkt2

-18.977

20.322

.872

1

.350

.000

Constant

-48.158

22.998

4.385

1

.036

.000

Constant o

Step 19

Constant o

Step 20

45

LAMPIRAN 3 OUTPUT STATA10

___ ____ ____ ____ ____ tm /__ / ____/ / ____/ ___/ / /___/ / /___/ 10.0 Statistics/Data Analysis

Special Edition

Copyright 1984-2007 StataCorp 4905 Lakeway Drive College Station, Texas 77845 USA 800-STATA-PC http://www.stata.com 979-696-4600 [email protected] 979-696-4601 (fax)

Unlimited-user Stata for Windows (network) perpetual license: Serial number: 198081611 Licensed to: harry harry Notes: 1. 2.

(/m# option or -set memory-) 10.00 MB allocated to data (/v# option or -set maxvar-) 5000 maximum variables

. use "C:\Users\quri\Documents\tengkunuzululqurriyani_mra_newest\qstata10\qqmlogit_data.dta", clear . summarize survival c1 c2 c3 mkt1 mkt2 mkt5 Variable

Obs

Mean

Min

Max

survival c1 c2 c3 mkt1

47 47 47 47 47

.4468085 .1184255 .1579362 .1523617 .0392191

Std. Dev. .6855182 .0610576 .0614787 .0721811 .096151

0 .006 .065 .067 -.069

2 .332 .391 .474 .538

mkt2 mkt5

47 47

.082234 1.935766

.0796954 .9389898

-.222 .41

.292 4.689

. corr survival c1 c2 c3 mkt1 mkt2 mkt5 (obs=47)

survival c1 c2 c3 mkt1 mkt2 mkt5

survival

c1

c2

c3

mkt1

mkt2

mkt5

1.0000 0.0182 -0.2072 0.1126 0.3881 -0.4150 -0.3119

1.0000 0.8057 0.9152 -0.3839 0.0652 0.2523

1.0000 0.7911 -0.2153 0.1589 0.2722

1.0000 -0.1247 -0.0768 0.0955

1.0000 -0.3120 -0.4188

1.0000 -0.0106

1.0000

. label define survival 0 "bs" 1 "bdp" 2 "bl" . label value survival survival . mlogit survival c1 c2 c3 mkt1 mkt2 mkt5, base(0) Iteration Iteration Iteration Iteration Iteration Iteration Iteration Iteration Iteration

0: 1: 2: 3: 4: 5: 6: 7: 8:

log log log log log log log log log

likelihood likelihood likelihood likelihood likelihood likelihood likelihood likelihood likelihood

= = = = = = = = =

-40.079296 -27.058366 -24.331821 -22.995142 -22.434135 -22.287605 -22.271187 -22.270883 -22.270883

Multinomial logistic regression

Number of obs LR chi2(12) Prob > chi2 Pseudo R2

Log likelihood = -22.270883 Std. Err.

z

P>|z|

= = = =

47 35.62 0.0004 0.4443

survival

Coef.

[95% Conf. Interval]

c1 c2 c3 mkt1 mkt2 mkt5 _cons

90.94086 -27.97516 -45.24778 22.41176 -13.89834 -.6953891 1.113018

38.5063 15.56059 30.27549 14.38759 11.30513 .6300852 1.869479

2.36 -1.80 -1.49 1.56 -1.23 -1.10 0.60

0.018 0.072 0.135 0.119 0.219 0.270 0.552

15.46989 -58.47336 -104.5867 -5.787409 -36.056 -1.930333 -2.551092

166.4118 2.52303 14.09109 50.61092 8.25931 .5395552 4.777129

c1 c2 c3 mkt1 mkt2 mkt5 _cons

90.94559 -86.23943 7.854556 25.41243 -103.7515 .2061906 2.149533

49.82003 43.09866 41.52174 16.2158 62.28511 1.756202 3.051995

1.83 -2.00 0.19 1.57 -1.67 0.12 0.70

0.068 0.045 0.850 0.117 0.096 0.907 0.481

-6.69987 -170.7112 -73.52655 -6.36995 -225.8281 -3.235902 -3.832267

188.5911 -1.767613 89.23567 57.1948 18.3251 3.648283 8.131332

bdp

bl

(survival==bs is the base outcome)

46

Key

frequency row percentage

survival

0

bs

28 90.32

bdp

survivalhat 1

2

Total

3 9.68

0 0.00

31 100.00

5 45.45

5 45.45

1 9.09

11 100.00

bl

0 0.00

1 20.00

4 80.00

5 100.00

Total

33 70.21

9 19.15

5 10.64

47 100.00

. list c1 c2 c3 mkt1 mkt2 mkt5 survival bspr bdppr blpr in 1/47

.

c1

c2

c3

mkt1

mkt2

mkt5

survival

bspr

bdppr

blpr

1. 2. 3. 4. 5.

.129 .05 .111 .139 .103

.156 .065 .115 .242 .087

.185 .067 .118 .159 .124

.0003 .006 .233 .015 .007

.076 .021 .033 .101 .02

1.5 .41 .87 3.55 1.79

bdp bs bdp bs bl

.8764115 .3157282 .000779 .9769495 .0279868

.1206175 .4559813 .7060432 .0230498 .0815541

.002971 .2282904 .2931777 6.68e-07 .8904591

6. 7. 8. 9. 10.

.122 .014 .119 .055 .202

.191 .097 .16 .08 .148

.144 .134 .141 .081 .261

-.029 .538 -.012 .006 .016

.057 -.222 .085 .021 .087

3.53 .46 2.2 1.81 1.88

bs bl bs bs bdp

.9717122 5.10e-15 .8698484 .5664278 .1021811

.0279679 2.34e-11 .1299539 .1698614 .4042056

.0003199 1 .0001978 .2637109 .4936133

11. 12. 13. 14. 15.

.109 .055 .049 .098 .112

.199 .105 .145 .14 .13

.133 .138 .076 .136 .124

.055 .136 -.009 .03 .021

.073 .244 .052 .113 .135

2.27 1.92 1.76 1.68 2.3

bs bs bs bs bdp

.8720843 .9913813 .9832571 .8919869 .7219346

.1278655 .0086187 .0167175 .1079899 .2780521

.0000502 2.08e-10 .0000254 .0000232 .0000133

16. 17. 18. 19. 20.

.092 .098 .249 .082 .143

.139 .137 .235 .137 .181

.122 .108 .307 .13 .16

.009 .019 .025 .003 .012

.063 .274 .108 .057 .117

1.71 .79 1.76 1.83 3.75

bdp bs bs bs bs

.8560578 .9325047 .2423721 .9574079 .8956838

.1426127 .0674953 .7483875 .0413494 .1042848

.0013295 8.82e-13 .0092404 .0012427 .0000314

21. 22. 23. 24. 25.

.22 .213 .109 .064 .064

.208 .268 .224 .072 .083

.258 .24 .127 .082 .077

-.027 .012 .092 -.069 .015

.064 .075 .292 .066 .095

1.87 1.976 .59 2.185 1.628

bl bdp bs bs bs

.2633058 .5049371 .967518 .9384542 .7286639

.6052083 .4944864 .032482 .0585459 .2710135

.1314859 .0005766 1.51e-15 .0029999 .0003226

26. 27. 28. 29. 30.

.332 .107 .132 .144 .137

.391 .099 .214 .114 .171

.474 .115 .148 .162 .158

-.01 .036 .004 .017 .024

.033 .058 .07 .046 .064

1.677 1.224 4.403 1.478 3.688

bs bdp bs bl bs

.7008746 .1100529 .9709256 .0381303 .7726046

.0374513 .8297946 .0289934 .4216143 .2154164

.2616741 .0601525 .000081 .5402554 .011979

31. 32. 33. 34. 35.

.006 .135 .11 .051 .154

.097 .133 .144 .09 .142

.125 .156 .128 .073 .193

.275 .071 -.02 .009 .037

.014 .121 .035 .027 .117

.49 1.233 2.568 1.873 2.199

bl bs bs bs bdp

.255036 .1593399 .7707394 .7761633 .4772509

.086351 .8403712 .185543 .1654218 .5204144

.658613 .0002889 .0437176 .0584149 .0023347

36. 37. 38. 39. 40.

.113 .206 .077 .099 .105

.174 .25 .174 .158 .112

.134 .27 .104 .128 .115

.032 .004 .108 -.041 .011

.073 .06 .152 .036 .07

2.479 1.912 1.742 1.68 2.101

bs bs bs bs bdp

.8264708 .7991933 .9138384 .9336233 .4598109

.1731825 .189788 .0861615 .0638137 .5277078

.0003468 .0110188 1.87e-08 .0025631 .0124813

41. 42. 43. 44. 45.

.116 .093 .153 .093 .132

.147 .162 .196 .133 .159

.148 .102 .193 .139 .144

.003 .007 .019 .027 .009

.06 .144 .081 .073 .077

1.554 1.533 1.833 1.802 4.689

bdp bs bs bs bs

.7248201 .9232426 .7613768 .889639 .8740675

.2682073 .0767574 .2378292 .1087055 .121206

.0069726 3.79e-08 .0007939 .0016554 .0047264

46. 47.

.207 .063

.253 .166

.229 .091

.002 .115

.066 .281

1.925 .879

bdp bs

.4278905 .9793356

.5702609 .0206644

.0018486 1.56e-14

47

IDENTITAS PEMAKALAH

Nama :

Tengku Nuzulul Qurriyani (mahasiswi Program Pascasarjan Ilmu Akuntansi (PPIA) Fakultas Ekonomi Universitas Indonesia (FEUI))

Alamat :

Central Park C5 Kota Wisata Cibubur Jakarta 16968

Phone :

021-84931900/87795166 08151679000

E-mail :

[email protected]

Judul Makalah : Deteksi Dini Potensi Kebangkrutan Bank Penelitian

melalui Analisis Rasio Keuangan dan Market Effect Model Regresi Logistik Multinomial

Bidang Kajian : Akuntansi Keuangan dan Pasar Modal (AKPM) (Kuantitatif)

48

Objective

Education

Simposium Nasional Akuntansi XV Banjarmasin, 20-23 September 2012 (Paper: Deteksi Dini Potensi Kebangkrutan Bank melalui Analisis Rasio Keuangan dan Market Effect Model Regresi Logistik Multinomial)

2011–present Pascasarjana Ilmu Akuntansi (semester 3) Universitas Indonesia (PIA-UI)  Akuntansi, Strata 2 (Research Based)  Pascasarjana

1998–2000 Magister Akuntansi Universitas Indonesia (MAKSI-UI)  Akuntansi, Strata 2  Pascasarjana

1987–1992 Universitas Syiah Kuala  Akuntansi, Strata 1  Sarjana Experience

February 2001December 2002

Universitas Atma Jaya

Depok

Jakarta

Banda Aceh

Jakarta

Dosen

September 2000 Magister Akuntansi Universitas Indonesia (MAKSI-UI)

Depok

Pemakalah 

Simposium Nasional Akuntansi III

1992–1995 Kantor Akuntan Publik Koesbandijah dan Rekan

Interests

membaca, fotografi, musik

Bandung

49

Personal Specification

Name

: Tengku Nuzulul Qurriyani

Date of birth

: Medan, 7 Desember 1968

Marital Status

: Married

Spouse Name

: Syahmudrian Lubis

Children Name

: Anqi Querida Lubis Anza Sahel Lubis Anra Querina Lubis

Blood Group

:A

50

STATEMENTOFAUTHORSHIP

―Saya yang bertandatangan dibawah ini menyatakan bahwa makalah penelitian terlampir adalah murni hasil pekerjaan saya sendiri. Tidak ada pekerjaan orang lain yang saya gunakan tanpa menyebutkan sumbernya. Makalah penelitian ini belum pernah dipublikasikan.‖

Nama

:Tengku Nuzulul Qurriyani (mahasiswi Program Pascasarjana Ilmu Akuntansi (PPIA) Fakultas Ekonomi Universitas Indonesia (FEUI))

Judul

: Deteksi Dini Potensi Kebangkrutan Bank melalui Analisis Rasio Keuangan dan Market Effect Model Regresi Logistik Multinomial

Tanggal

: 28 Juni 2012

Tanda Tangan :