Diajukan Oleh : Vita Permatasari

Perbandingan Model Logit dan Model Multiple Discriminant Analysis (MDA) Sebagai Early Warning Systems (EWS) Untuk Memprediksi Kondisi Bermasalah Pada Bank-Bank Umum Swasta Nasional Devisa dan Non Devisa di Indonesia

Diajukan Oleh : Vita Permatasari 107081003538

JURUSAN MANAJEMEN KONSENTRASI PERBANKAN FAKULTAS EKONOMI DAN BISNIS UNIVERSITAS ISLAM NEGERI SYARIF HIDAYATULLAH JAKARTA 2011

DAFTAR RIWAYAT HIDUP

IDENTITAS PRIBADI Nama

: Vita Permatasari

Tempat / Tanggal Lahir : Jakarta, 05 September 1989 Jenis Kelamin

: Perempuan

Nama Ayah

: Maryadi, SE

Nama Ibu

: Nurhayati Rais

Anak ke dari

: 1 dari 4 bersaudara

Status

: Belum menikah

Agama

: Islam

Alamat

: Jalan Musyawarah No.10 A RT.04/RW. 04, Sawah Lama, Ciputat, Tangerang Selatan.

Telp/ Hp

: 08999796495

E-mail

: [email protected]

PENDIDIKAN FORMAL 1994-1995

: TK Miftahul Hulda

1995-2001

: SD Negeri VI Ciputat

2001-2004

: SMP Islam AL-Falaah

2004-2007

: SMA Dua Mei Ciputat

2007-2011

: S1 Jurusan Manajemen Fakultas Ekonomi dan Bisnis UIN Syarif Hidayatullah Jakarta

v

PENGALAMAN ORGANISASI 1. Anggota PRAMUKA SMP Islam AL-Falaah tahun 2001-2003 2. Anggota OSIS SMA Dua Mei Ciputat tahun 2005 3. Panitia REKAYASA (Rekam Jejak Budaya Bangsa) sebagai ketua divisi keseketariatan tahun 2008 4. Aktif dalam organisasi Ikatan Remaja 04, Sawah Lama, Ciputat tahun 2004 – sekatrang.

SEMINAR DAN PELATIHAN 1. Mengikuti

Pelatihan

Manajemen

Organisasi

“Meningkatkan

Profesionalitas dan Integritas Kader, Melahirkan Pemimpin Berkualitas” pada tahun 2008. 2. Mengikuti Seminar Ekonomi Nasional dengan tema “Demokrasi versus Kesejahteraan Rakyat” pada tahun 2009. 3. Mengikuti Pelatihan Perbankan dengan tema “How to be a Professional Customer Service and Teller” pada tahun 2010.

vi

ABSTRACT This research is testing the capability of several forewarning system model logit and model Multiple Discriminant Analysis (MDA) to predict the bank bankruptcy. This research also examined significant difference of bank financial ratios between troubled banks and not troubled banks. Research sample consisted of 16 Foreign Exchange Bank (FEB) and Non-Bank Foreign Exchange (NFEB) with a predicted period of research between 2007-2009. Samples taken in the research with purposively sampling method. The variables used are the which eight financial ratios CAR, ATTM, NIM, LDR, PM, APB, NPLg dan NPLn .Statistic methods used in this research are logit analysis, and Multiple Discriminant Analysis (MDA) Independenst sample T-test was applied to analyze wherher bank ratios of troubled banks and not troubled banks. Our result shows the model Multiple Discriminant Analysis (MDA) is more pre-eminent than model Logit. The result show that bank financial ratios had a classification power to predict troubled banks and not troubled banks. This research also indicate that ATTM and NIM ratios are statistically different for the condition of the bank troubled banks and not troubled banks, finally only APB is significant variables in determinant troubled banks and not troubled banks. Keyword : Bank, Bankruptcy, Bank Financial Ratios, Logit, Multiple Discriminant Analysis (MDA)

vii

ABSTRAK Penelitian ini menguji kemampuan model logit dan model Multiple Discriminant Analysis (MDA) dalam sistem peringatan untuk memprediksi kebangkrutan bank. Penelitian ini juga menguji perbedaan yang signifikan antara rasio keuangan bank pada bank bermasalah dan bank tidak bermasalah. Sampel penelitian ini terdiri dari 16 bank devisa dan non devisa dengan periode prediksi penelitian antara 2007-2009. Sampel penelitian diambil dengan metode purposive sampling. Variabel yang digunakan sejumlah delapan rasio keuangan bank yakni CAR, ATTM, NIM, LDR, PM, APB, NPLg dan NPLn. Model statistik yang digunakan dalam penelitian ini adalah model logit dan model Multiple Discriminant Analysis (MDA). Independent sample T-Test digunakan untuk menganalisis apakah terdapat perbedaan yang signifikan antara rasio keuangan bank pada bank bermasalah dan bank tidak bermasalah. Hasil penelitian ini menunjukkan bahwa model Multiple Discriminant Analysis (MDA) lebih baik dibandingan model logit untuk memprediksi kebangkrutan bank. Hasil penelitian ini menunjukkan bahwa rasio keuangan bank memiliki daya klasifikasi atau daya prediksi untuk kondisi bank bermasalah dan bank tidak bermasalah. Dalam penelitian ini juga memberikan bukti bahwa rasio ATTM dan NIM secara statistik berbeda untuk kondisi bank bermasalah dan bank tidak bermasalah. Penelitian ini juga memberikan bukti empiris bahwa hanya rasio keuangan APB yang secara statistik signifikan untuk memprediksi kondisi bank bermasalah dan bank tidak bermasalah. Kata Kunci : Bank, Kebangkrutan, Rasio Keuangan Bank, Logit, Multiple Discriminat Analysis (MDA)

viii

KATA PENGANTAR Alhamdulillah puji syukur penulis panjatkan kehadirat Allah SWT yang telah memberikan begitu banyak curahan rahmat dan kasih sayangnya serta nikmatnya yang tidak dapat dihitung dan dinilai selain dengan kata syukur untuk menggambarkan rasa terima kasih, sehingga penulis dapat menyelesaikan skripsi yang berjudul ”Perbandingan Model Logit dan Model

Multiple

Discriminant Analysis (MDA) Sebagai Early Warning Systems (EWS) Untuk Memprediksi Kondisi Bermasalah Pada Bank-Bank Umum Swasta Nasional Devisa dan Non Devisa di Indonesia”. Shalawat serta salam semoga selalu tercurah kepada junjungan Nabi besar Muhammad SAW, keluarga, sahabat, serta para pengikutnya yang telah merubah dari zaman kegelapan menjadi zaman terang benderang saat ini dengan ilmu pengetahuan, semoga kita termasuk umatnya yang mendapat syafaat dihari nanti. Pada kesempatan ini penulis ingin mengucapkan terima kasih kepada pihakpihak yang telah berkenan memberikan bantuan dan bimbingan dalam menyelesaikan skripsi ini, baik secara langsung maupun tidak langsung. Semoga allah SWT memberikan balasan yang terbaik terutama kepada: 1. Papa dan mama terima kasih atas segala kasih sayang yang tulus, perhatian, pengorbanan, kesabaran, motivasinya serta doa-doa yang papa dan mama panjatkan kepada Allah untuk vita. Rabbighfirli waliwaalidayya warhamhumaa kamaa rabbayani shaghiira. 2. Bapak Prof. Dr. Abdul Hamid selaku Dekan Fakultas Ekonomi dan Bisnis dan pembimbing I yang senantiasa meluangkan waktunya untuk memberikan pengarahan serta bimbingan dalam proses penyusunan skripsi ini. 3. Ibu Murdiyah Hayati, S. Kom, MM selaku pembimbing II yang senantiasa meluangkan waktunya untuk memberikan pengarahan serta bimbingan dalam proses penyusunan skripsi ini. 4. Bapak Suhendra, S.Ag, MM selaku Ketua Jurusan Manajemen.

ix

5. Ibu Lies Suzanawaty, SE, M.Si selaku Sekretaris Jurusan Manajemen. 6. Segenap jajaran pengajar atau dosen yang tanpa pamrih memberikan ilmuilmu yang bermanfaat bagi penulis. Semoga semua ilmu yang diberikan selalu dalam keberkahan Allah SWT sehingga dapat berguna kelak dihari kemudian. 7. Adik-adikku tersayang terimakasih atas keceriaan, dorongan dan doadoanya. Semoga kalian selalu di lindungi Allah SWT dan kelak menjadi orang yang sukses. 8. Keluarga kecil Manajemen D 2007. Terima kasih untuk sahabat-sahabatku tersayang safitri, Tuty, Nadia dan juga teman-temanku yang lainnya Tya, Yana, Dewi, Diah, Deta, Lya, Rima, Susan, Isty, Ika, Lingga, Agus, Yandi, Ichank, Ryo, Dedy, Dery, Roby, Addin, Ivan, Haikal, Qodar, Abi, Andry, Wahyudi, Fityan, Kamil dan Latief. 9. Untuk sahabatku Dewi Yani dan Bayu Diah Ayunda (yang udah nemenin ke BI cari data, jelajah ke perpus-perpus, banyak ngebantuin dalam segala hal, selalu menggingatkan dan maksa supaya skripsinya di kerjain hehe , makasie sayang buat semangat, motivasi dan nasehat yang ga ada abis2nya), Aztyara Ismadharliani dan Susan Aprilia (yang udah ngeluangin waktunya buat ngajarin vita, minjemin buku dan nasehatnya), Yolanda (yang udah ngajarin baca laporan keuangan bank), Safitri Setyo Utami S. (yang udah ngasih semangat, hunting ke perpus, yang udah nemenin begadang di YM haha). 10. Untuk teman-temanku Agus Surahman a.k. a waw2 (yang udah banyak bantuin vita, ngasih semangat, ngajarin ngolah data padahal lagi sibuk nyelesaiin skripsinya juga hee), Andri Yani a.k. a choey (yang udah ngeluangin waktunya buat bantuin nginstall aplikasi spss), Rizky Maulana a.k. a kidut (yang udah ngasih semangat n minjemin buku). Makasie ya teman-teman sukses buat kalian semua. 11. Teman-teman Manajemen Perbankan E Ayu, Dini, Wulan, Novi, Pinkan, Ka Adi, Bang Ole, Wawo, Ari, Dani, Jeje, Perri, Zadi, Fauzi, Doli, Shagon, Indra, Mbaw, Haikal.

x

12. Para staf Fakultas Ekonomi dan Bisnis UIN Syarif Hidayatullah Jakarta : staf administrasi, keuangan, perpustakaan dan staf jurusan manajemen. 13. Para staf perpustakaan Bank Indonesia (yang udah baik banget bantuin cariin data-data yang dibutuhin). 14. Untuk Moch. Syaiful Agam, orang yang selalu setia menemani, memberikan nasehat, dorongan, motivasi, semangat, perhatian dan doanya dalam menyelesaikan penulisan skripsi ini. 15. Seluruh pihak yang turut mendukung dan membantu penulis baik moril maupun materil, namun tidak dapat penulis sebutkan satu persatu. Wassalamu’alaikum Wr.Wb.

Jakarta, 17 Agustus 2011

Vita Permatasari

xi

DAFTAR ISI

LEMBAR PENGESAHAN SKRIPSI ..........................................................

i

LEMBAR PENGESAHAN KOMPREHENSIF ..............................................

ii

LEMBAR PENGESAHAN UJIAN SKRIPSI .................................................

iii

LEMBAR PERNYATAAN KEASLIAN KARYA ILMIAH ........................

iv

DAFTAR RIWAYAT HIDUP .........................................................................

v

ABSTRACT ......................................................................................................

vii

ABSTRAK ....................................................................................................... viii KATA PENGANTAR ...................................................................................

ix

DAFTAR ISI ....................................................................................................

xii

DAFTAR TABEL ...........................................................................................

xv

DAFTAR GAMBAR ...................................................................................... xvii DAFTAR LAMPIRAN .................................................................................... xviii

BAB I

PENDAHULUAN ............................................................................

1

A. Latar Belakang Masalah ..............................................................

1

B. Perumusan Masalah .....................................................................

8

C. Tujuan Penelitian .........................................................................

9

D. Manfaat Penelitian .......................................................................

9

BAB II LANDASAN TEORI ......................................................................

11

A. Perbankan ....................................................................................

11

xii

B. Kebankrutan .................................................................................

16

C. Penyebab Kebangkrutan ...............................................................

19

D. Tahap-tahap dan Berbagai Indikator Kebangkrutan ..................

21

E. Tingkat Kesehatan Bank ..............................................................

24

F. Laporan Keuangan .......................................................................

29

G. Manfaat Laporan Keuangan ........................................................

34

H. Rasio Keuangan Perbankan .........................................................

36

I. Pengertian Logit ...........................................................................

42

J. Pengertian Multiple Discriminant Analysis (MDA) .....................

43

K. Penelitian Sebelumnya ................................................................

43

L. Kerangka Berpikir .......................................................................

49

M. Hipotesis ....................................................................................

54

BAB III METODELOGI PENELITIAN.....................................................

55

A. Ruang Lingkup Penelitian ...........................................................

55

B. Metode Penentuan Sampel ..........................................................

56

C. Metode Pengumpulan Data .........................................................

58

D. Metode Analisis ..........................................................................

59

E. Operasional Variabel-Variabel Penelitian ...................................

69

BAB IV ANALISIS DAN PEMBAHASAN ................................................

72

A. Sekilas Gambaran Umum Obyek Penelitian ...............................

72

B. Analisis dan Pembahasan .............................................................

73

xiii

1. Analisis Deskriptif ...............................................................

73

2. Uji Asumsi Diskriminan ....................................................

90

3. Analisis Multiple Discriminant Analysis (MDA) ...............

94

4. Analisis Regresi Binary Logit ............................................. 106

BAB V KESIMPULAN DAN IMPLIKASI .............................................. 119 A. Kesimpulan ................................................................................. 119 B. Implikasi ...................................................................................... 120

DAFTAR PUSTAKA .................................................................................... 122 LAMPIRAN .................................................................................................. 126

xiv

DAFTAR TABEL No.

Keterangan

Halaman

2.1. Prediksi Kebangkrutan .....................................................................

19

2.2. Penelitian Sebelunya ........................................................................

49

3.1. Pengambilan Sampel Penelitian ........................................................

58

4.1. Bank Umum Swasta Nasional Devisa ..............................................

72

4.2. Bank Umum Swasta Nasional Non Devisa ......................................

72

4.3. Perhitungan Nilai CAR ....................................................................

73

4.4. Perhitungan Nilai ATTM ................................................................

76

4.5. Perhitungan Nilai NIM .....................................................................

78

4.6. Perhitungan Nilai LDR ....................................................................

81

4.7. Perhitungan Nilai PM .......................................................................

83

4.8. Perhitungan Nilai APM ....................................................................

85

4.9. Perhitungan Nilai NPLg ..................................................................

87

4.10. Perhitungan Nilai NPLn ...................................................................

89

4.11. Hasil Uji Normalitas One Sample Kolmogorov-Smirnov Test .........

91

4.12. Uji Independent Sample T-Test ........................................................

93

4.13. Uji Linieritas ....................................................................................

94

4.14. Analysis Case Processing Summary ................................................

95

4.15. Test of Equality of Group Means .....................................................

96

4.16. Uji Variabel Independent Secara Stepwise ...................................... 100 4.17. Wilks’ Lambda Model MDA ............................................................ 100 4.18. Variabel Terpilih untuk Pembentukkan Model Diskriminan ........... 101

xv

4.19. Tingkat Keakuratan .......................................................................... 102 4.20. Fungsi Diskriminan .......................................................................... 103 4.21. Functions of Group Centroid .......................................................... 103 4.22. Ketepatan Prediksi Klasifikasi .......................................................... 105 4.23. Identifikasi Data ............................................................................... 107 4.24. Case Processing Summary ................................................................ 107 4.25. Ketepatan Model dalam Memprediksi Kondisi Bermasalah 0 ........ 108 4.26. Ketepatan Model dalam Memprediksi Kondisi Bermasalah 1 ........ 109 4.27. Koefisien Cox & Snell R Square dan Nagelkerke R Square ............ 110 4.28. Hasil Identifikasi Prediksi Klasifikasi .............................................. 110 4.29. Ketepataan Prediksi Klasifikasi ....................................................... 111 4.30. Koefisien Regresi Logistik ............................................................... 112

xvi

DAFTAR GAMBAR No.

Keterangan

Halaman

2.1. Kerangka Berpikir ............................................................................

53

3.2. Model Fungsi Diskrminan ...............................................................

64

3.3. Model Fungsi Regresi Binary Logit .................................................

65

xvii

DAFTAR GAMBAR No.

Keterangan

Halaman

1. Data-data variabel penelitian tahun 2007-2009 ..................................... 126 2. Output SPSS 17 Uji Normalitas ........................................................... 131 3. Output SPSS 17 Uji Model Multiple Discriminant Analysis (MDA) ... 133 4. Output SPSS 17 Uji Model Logit ........................................................ 142

xviii

BAB I PENDAHULUAN B. Latar Belakang Masalah Industri perbankan Indonesia telah mengalami pasang surut dimulai pada tahun 1983, dengan adanya campur tangan Bank Indonesia sebagai bank sentral dalam pengaturan kredit dan tingkat suku bunga terhadap bank-bank nasional sejak penyediaan kredit likuiditas dalam jumlah yang melimpah, sehingga bank-bank nasional hanya berfungsi sebagai penyalur kredit-kredit Bank Indonesia. Akibatnya, pola pengelolaan bank-bank nasional cenderung konvensional, kurang profesional, kurang memiliki kreativitas, dan tidak inovatif. Kemudian industri perbankan berkembang dengan pesat pada tahun 19881996 dengan adanya deregulasi yang berupaya untuk meningkatkan akses masyarakat terhadap financial market dan mendorong perbankan kearah kompetisi (persaingan) yang efesien dan sehat dengan kemudahan dalam mendirikan bank. Oleh karena itu jumlah bank semakin mengalami kenaikan serta menciptakan berbagai produk-produk perbankan yang inovatif. Persaingan antarbank dalam menghimpun dana masyarakat dan menyalurkan dalam bentuk kredit ternyata banyak bank yang kurang berhati-hati sehingga menyimpang dari aturan-aturan yang berlaku dalam industri perbankan. Akibatnya banyak terjadi kredit macet yang merugikan para nasabah deposan dan investor (Lukman Dendawijaya, 2003:10).

1

Cepatnya

perkembangan

dalam

perekonomian

Indonesia

dalam

perekonomian global ternyata tidak diikuti dengan infrastuktur perekonomian (sektor usaha, sektor keuangan/perbankan, perangkat hukum dan pemerintah) Indonesia (Dahlan Siamat, 2005: 78). Dimulai pada bulan Juli-Agustus 1997 yang kita semua mengetahui bahwa terjadi krisis di Indonesia yang berawal dari krisis moneter dan berkembang menjadi krisis-krisis yang berdampak pada sektor-sektor dalam perekonomian, salah satu krisis tersebut yaitu krisis di bidang perbankan. Krisis perbankan berkaitan dengan sistem ekonomi makro, kebijakan moneter pemerintah, kebijakan fiskal, sistem pemerintah dan sebagainya. Krisis perbankan pada pertengahan tahun 1997, diawali dengan terjadinya krisis moneter sebagai akibat dari jatuhnya nilai rupiah terhadap valuta asing khususnya dolar Amerika Serikat (US $). Depresiasi rupiah mula-mula tidak begitu tajam, yakni dari kurs US $ 1 = Rp. 2.400,00 merayap menjadi US $ 1 = Rp. 3.000,00 hingga akrinya merosot tajam menjadi US $ 1 = Rp. 12.000,00,

meskipun pemerintah telah melakukan berbagai upaya seperti

“melempar” US $ 1 miliar ke pasar (yang diambil dari cadangan devisa kita). Akan tetapi cara ini tidak berhasil mengangkat nilai rupiah. Cara kedua yang dilakukan pemerintah yaitu “menyedot” atau menarik rupiah dari peredaran pasar uang dengan menaikan tingkat uku bunga Sertifikat Bank Indonesia (SBI) hingga mencapai 30% p.a. untuk jangka waktu satu bulan. Kebijakan kedua ini yang mengakibatkan terkurasnya likuiditas bank-bank nasional baik BUMN maupun bank swasta dan akhirnya meminta bantuan Bank Indonesia

2

untuk mengucurkan Bantuan Likuiditas Bank Indonesia (BLBI) (Lukman Dendawijaya, 2003: 158). Krisis yang terjadi ini telah menyebabkan perbankan menjadi sangat rawan. Kepercayaan masyarakat akan perbankan semakin menurun, dimana masyarakat dikejutkan dengan kejadian-kejadian yang menimpa perbankan nasional, khususnya sejak terjadinya pencabutan izin usaha 16 bank pada 24 November 1997. Hal ini terjadi karena kebijakan tersebut kurang memperhatikan untuk menghindari rush atau bank run. Dapat dilihat dari pemindahan dana oleh nasabah deposan ke bank yang lebih aman baik di dalam maupun luar negeri, serta tidak adanya penjamin simpanan yang semakin menurunkan kepercayaan masyarakat akan perbankan. Setelah krisis di Indonesia pada tahun 1997, terjadi krisis keuangan global yang melanda kembali Indonesia pada tahun 2007-2009. Krisis ini terjadi akibat adanya resesi ekonomi Amerika Serikat karena kondisi perekonomian internal dan eksternal di Amerika Serikat yang tidak kondusif, kemudian dengan disusulnya kasus subprime mortgage di sektior perumahan, niaknya harga minyak dunia dan terjadinya tingkat inflasi. Krisis yang terjadi di Amerika itu mengakibatkan penurunan pertumbuhan global. Selain itu perbankan Indonesia juga dihadapkan pada tantangan dan permasalahan globalisasi dengan adanya persaingan yang semakin ketat, keterbatasan modal yang dapat memperlambat kinerja suatu bank, naik turunya suku bunga, dan produk serta promosinya.

3

Untuk mempertahankan kelangsungan hidup dalam sistem keuangan yang turbulen, sebuah bank harus dapat berkompetisi dengan bank-bank kompetitor dan financial intermediary unit lainnya yang juga memberikan layanan jasa keuangan. Suatu bank dikatakan berhasil memenangkan kompetisi bisnisnya jika ia mampu memberikan jasa layanan keuangan bank lebih baik daripada kompetitornya, sekaligus mampu mengadaptasikan diri dengan setiap perubahan lingkungan. Dengan kemampuan manajerial yang dimiliki, bagaimana para manajer bank dapat mengubah ancaman lingkungan yang turbulen menjadi berbagai peluang usaha yang menguntungkan. Manajemen bank yang kreatif dan inovatif selalu berusaha menciptakan berbagai produk layanan bank yang prospektif dan menguntungkan tanpa mengabaikan prinsip asset liability management (ALMA), yaitu menyelaraskan antara profitabilitas dan risiko. (Hadad et. al., 2004:3). Krisis moneter di Indonesia yang berkepanjangan telah berubah menjadi krisis ekonomi, yakni terpuruknya kegiatan ekomoni karena semakin banyaknya perusahaan yang tutup, perbankan yang dilikuidasi dan meningkatnya jumlah tenaga kerja yang menganggur mengingatkan kita bahwa betapa besar dampak ekonomi yang akan ditimbulkan apabila terjadi kegagalan usaha perbankan. Untuk itu perlu dilakukan serangkaian analisis untuk mengantisipasi sedini mungkin terjadinya kesulitan keuangan yang berdampak pada kegagalan industri perbankan. Untuk melihat dan menilai kinerja setiap bank serta menganalisis kondisi keuangan suatu bank dapat melalui laporan keuangan bank. Analisis laporan

4

keuangan merupakan alat yang sangat penting untuk memperoleh informasi yang berkaitan dengan kondisi keuangan suatu bank. Dengan melakukan analisis laporan keuangan manajemen bank akan mengetahui keadaan serta perkembangan keuangan yang terjadi dalam aktifitas-aktifitas yang dilakukan bank baik yang telah dicapai maupun yang sedang berjalan. Analisis laporan keuangan bank juga dapat membantu manajemen bank untuk memprediksi kebangkrutan bank. Dengan adanya berbagai macam bentuk model prediksi kebangkrutan merupakan antisipasi dan sistem peringatan dini terhadap financial distress karena model tersebut dapat digunakan sebagai alat untuk mengidentifikasi bahkan memperbaiki kondisi sebelum sampai pada kondisi kebangkrutan. Dengan terdeteksinya lebih awal, sangat memungkinkan bagi perbankan melakukan langkah-langkah antisipasi untuk mencegah agar kebangkrutan bank dapat dihindari. Menurut penelitian Liza Angelina (2003:462) di Amerika Serikat, fenomena kepailitan perusahaan telah menjadi obyek penelitian yang intensif. Salah satu area penelitian terkait yang telah berkembang selama ini telah menghasilkan kajian atas asosiasi informasi laporan keuangan terhadap kemungkinan perusahaan mampu dengan sukses mempertahankan bisnisnya atau harus dinyatakan bermasalah karena gagal secara ekonomi dan keuangan. Perkembangan sistem keuangan, khususnya industri perbankan, dalam dekade terakhir dapat dikatakan cukup dramatis. Krisis perbankan beberapa waktu lalu disamping masih menyisakan trauma bagi pelaku ekonomi, juga

5

telah memakan biaya rehabilitasi sistem yang cukup signifikan (Tarmizi dan Willyanto, 2003:1). Dalam upaya untuk meminimalkan biaya yang berkaitan dengan kebangkrutan bank, para regulator perbankan dan para manajer bank berupaya untuk bertindak cepat untuk mencegah kebangkrutan bank atau menurunkan biaya kegagalan tersebut. Salah satu alat yang digunakan oleh lembaga pengawas federal di Amerika Serikat dan negara-negara lain adalah Early Warning Systems (EWS) yang berupaya untuk memprediksi permasalahan potensial yang berhubungan dengan bank dan lembaga simpanan lainnya (Thomson, 1991). Namun demikian, teknik statistik yang paling sering digunakan untuk menganalisis kebangkrutan bank adalah analisis logit dan MDA. Analisis logit memperlihatkan hasil yang lebih baik bila dibandingkan dengan MDA apabila digunakan untuk tujuan estimasi parameter. Walaupun demikian, untuk asumsi distribusi tertentu, kedua prosedur tersebut menghasilkan estimasi yang konsisten; dan estimasi yang menggunakan MDA lebih efisien (Andrew, 1986). Demikian juga halnya penelitian oleh Espahbodi (1991) telah menunjukkan bahwa model logit cenderung untuk mengalahkan model multiple discriminant (MDA) sebagai EWS di perbankan. Meskipun sejumlah bukti empiris yang menggunakan model statistik ini telah membuktikan keefektivitasannya dalam bermacam permasalahan pilihan biner dalam bidang bisnis keuangan dan akuntansi, Frydman, Altman dan Kao (1985) telah mengamati bahwa, karena sejumlah kegagalan potensial yang menghadang model statistik, prosedur klasifikasi non-parametrik dapat

6

menjadi pendekatan alternatif yang layak uji. Mereka menggunakan teknik pemilihan recursif, yang didasarkan pada

regression tree, untuk

memprediksikan perusahaan non-finansial yang gagal. Hasilnya mempertegas hipotesa mereka bahwa teknik non-parametrik memiliki keunggulan sebagai EWS, karena model pemilahan recursif mengalahkan model MDA (Liza Angelina, 2003:462). Penelitian mengenai kebangkrutan bank di Indonesia, antara lain dilakukan oleh: Wilopo (2001), Liza Angelina (2003), Luciana dan Winny (2005), Sumantri (2010). Wilopo (2001)

meneliti tentang prediksi

kebangkrutan bank dengan menggunakan metode CAMEL. Liza Angelina (2003) meneliti tentang perbandingan Early Warning System (ESW) untuk memprediksi kebangkrutan bank umum di Indonesia. Selain itu penelitian lainya dilakukan oleh Luciana dan Winny (2005) yaitu rasio CAMEL terhadap prediksi kondisi bermasalah pada lembaga perbankan periode 2000-2002 dan Sumantri (2010) meneliti tentang manfaat rasio keuangan dalam memprediksi kepailitan bank nasional. Adapun perbedaan penelitian ini dengan sebelumnya adalah pada penelitian ini menggunakan periode saat terjadinya krisis keuangan global yaitu periode 2007-2009, sedangkan variabel independent yang digunakan adalah rasio keuangan perbankan yang terdiri dari Capital Adequacy Ratio (CAR), Aktiva Tetap Terhadap Modal (ATTM), Aktiva Produktif Bermasalah (APB), Non Performing Loan Gross (NPLg), Non Performing Loan Net (NPLn), Net Interest Mergin (NIM), Profit Margin (PM), dan Loan To Deposit Ratio (LDR).

7

Salah satu tujuan dari penelitian ini adalah untuk mendapatkan model prediksi kebangkrutan yang memiliki tingkat akurasi yang baik dan tingkat kesalahan yang kecil sehingga dapat memberikan peringatan lebih awal pada industri perbankan dalam memprediksi kepailitan, maka penulis menggunakan dua metode uji statistik, yaitu model logit dan model multiple discriminant (MDA). Oleh karena itu peneliti tertarik untuk melakukan penelitian dengan judul “Perbandingan Model Logit dan Model Multiple Discriminant Analysis (MDA) Sebagai Early Warning Systems (EWS) Untuk Memprediksi Kondisi Bermasalah Pada Bank-Bank Umum Swasta Nasional Devisa dan Non Devisa di Indonesia”

C. Perumusan Masalah Berdasarkan uraian latar belakang singkat diatas maka dapat dirumuskan permasalahan sebagai berikut : 1. Apakah dalam rasio keuangan CAR, ATTM, NIM, LDR, PM, APB, NPLg, NPLn terdapat perbedaan yang signifikan antara bank-bank bermasalah dan tidak bermasalah periode 2007-2009?

2. Apakah terdapat perbedaan tingkat akurasi pada model MDA dan model logit dalam memprediksi kebangkrutan pada Bank-Bank Umum Swasta Nasional Devisa dan Non Devisa di Indonesia tahun 20072009?

8

D. Tujuan Penelitian Penelitian ini bertujuan, sebagai berikut: 1. Untuk menganalisis perbedaan yang signifikan pada variabel CAR, ATTM, NIM, LDR, PM, APB, NPLg, NPLn antara bank-bank bermasalah dan tidak bermasalah periode 2007-2009. 2. Untuk menganalisis perbedaan tingkat akurasi pada model MDA dan model Logit dalam memprediksi kebangkrutan pada Bank-Bank Umum Swasta Nasional Devisa dan Non Devisa di Indonesia periode 2007-2009

E. Manfaat Penelitian Hasil penelitian ini diharapkan : 1. Bagi Manajemen Bank Penelitian ini diharapkan dapat bermanfaat bagi manajemen bank, agar manajemen bank dapat lebih berhati-hati daam mengelola bank dan diharapkan dapat dijadikan referensi bagi perusahaan perbankan dalam menentukan keputusan serta perbaikan dalam pengelolaan keuangan perusahaan perbankan dari pengaruh lingkungan bisnis yang semakin turbulen. Selain itu, sebagai informasi model sistem peringatan dini (Early Warning Systems / EWS) yang merupakan alat prediksi yang terbaik untuk kasus kebangkrutan bank umum di Indonesia

9

2. Bagi Investor Penelitian ini dapat bermanfaat bagi investor, untuk menghetahui bagaimana keadaan bank tersebut sebelum menginventasikan dananya agar tidak terjadi kerugian-kerugian yang diinginkan. Dengan adanya informasi yang didapatkan maka para investor dapat menginvestasikan dananya tanpa ada rasa khawatir dengan kondisi bank tersebut. 3. Bagi Pemerintah Dapat memberikan informasi untuk membantu dalam mengeluarkan peraturan untuk melindungi masyarakat dari kemungkinan terjadinya stabilitas ekonomi dan politik negara. 4. Bagi penulis Penelitian ini untuk mengetahui mengenai hal-hal apa saja yang mempengaruhi kondisi bermasalah bank dan merealisasikan ilmu yang telah diperoleh selama mengikuti kuliah dan mencoba menerapkan dalam kehidupan nyata.

10

BAB II LANDASAN TEORI A. Perbankan Bank dalam menjalankan usahanya menghimpun dana dari masyarakat dan menyalurkan kembali dalam berbagai alternatif. Sehubungan dengan fungsi penghimpunan dana ini, bank sering pula disebut lembaga kepercayaan. Pengertian perbankan menurut Undang-undang RI No. 10 Tahun 1998 tanggal 10 November 1998 adalah: 1. Bank adalah badan usaha yang menghimpun dana dari masyarakat dalam bentuk simpanan dan menyalurkannya kepada masyarakat dalam bentuk kredit dan atau bentuk-bentuk lainnya dalam rangka meningkatkan taraf hidup rakyat banyak. 2. Bank Umum adalah bank yang melaksanakan kegiatan usaha secara konvensional dan atau berdasarkan prinsip syariah yang dalam kegiatannya memberikan jasa dalam lalu lintas pembayaran (Siamat, 2005: 275) . Secara umum bank didefinisikan sebagai perantara untuk menyalurkan penawaran dan permintaan kredit dalam jangka waktu yang ditentukan dari pihak yang kelebihan dana kepada pihak yang kekurangan dana. Definisi bank di atas memberi tekanan bahwa usaha utama bank adalah menghimpun dana dalam bentuk simpanan yang merupakan sumber dana bank. Demikian pula dari segi penyaluran dananya, hendaknya bank tidak semata-mata memperoleh keuntungan yang sebesar-besarnya bagi pemilik tapi

11

juga kegiatannya itu harus pula diarahkan pada peningkatan taraf hidup masyarakat (Siamat, 2005:276). Jenis-jenis perbankan di Indonesia dapat ditinjau dari berbagai segi antara lain (Kasmir, 2004:18) : 1. Dilihat dari segi jenisnya Menurut UU RI No.10 Tahun 1998 maka jenis perbankan terdiri dari: a. Bank Umum, yaitu bank yang melaksanakan kegiatan usahanya secara konvensional dan atau berdasarkan prinsip syariah yang dalam kegiatannya memberikan jasa dalam lalu lintas pembayaran. b. Bank Perkreditan Rakyat (BPR), yaitu bank yang melaksanakan kegiatan usaha secara konvensional atau berdasarkan prinsip syariah yang dalam kegiatannya tidak memberikan jasa dalam lalulintas pembayaran. 2. Dilihat dari segi kepemilikannya, dibagi menjadi: a. Bank Milik Pemerintah Merupakan bank yang akte pendirian maupun modalnya dimiliki oleh pemerintah, sehingga seluruh keuntungan bank ini dimiliki oleh pemerintah pula. b. Bank Milik Swasta Nasional Merupakan bank yang seluruh atau sebagian besarnya dimiliki oleh swasta nasional serta akte pendiriannya pun didirikan oleh swasta, begitu pula pembagian keuntungannya diambil oleh swasta

12

pula. Dalam Bank Swasta Milik Nasional termasuk pula bank-bank yang dimiliki oleh badan usaha yang berbentuk koperasi. c. Bank Milik Asing Merupakan cabang dari bank yang ada diluar negeri, baik milik swasta asing atau pemerintah asing. Kepemilikannyapun jelas dimiliki oleh pihak asing(luar negeri). d. Bank Milik Campuran Merupakan bank yang kepemilikan sahamnya dimiliki oleh pihak asing dan pihak swasta nasional. Di mana kepemilikan sahamnya secara mayoritas dipegang oleh warga negara Indonesia. 3. Dilihat dari segi statusnya a. Bank Devisa Merupakan bank yang dapat melaksanakan transaksi keluar negeri atau yang berhubungan dengan mata uang asing secara keseluruhan. b. Bank Non-Devisa Merupakan

bank

yang

belum

mempunyai

izin

untuk

melaksanakan transaksi sebagai bank devisa, sehingga tidak dapat melaksanakan transaksi seperti halnya bank devisa. 4. Dilihat dari segi cara menentukan harga Jenis bank jika dilihat dari segi atau caranya dalam menentukan harga, baik harga jual maupun harga beli terbagi dalam dua kelompok yaitu :

13

a. Bank berdasarkan prinsip konvensional Dalam mencari keuntungan dan menentukan harga kepada para nasabahnya, bank berdasarkan prinsip konvensional menggunakan dua metode yaitu: 

Menetapkan bunga sebagai harga, untuk produk simpanan maupun produk pinjamannya (kredit). Penentuan harga ini dikenal dengan istilah spread based.



Untuk jasa-jasa bank lainnya pihak perbankan konvensional menggunakan atau menerapkan berbagai biaya-biaya dalam nominal atau persentase tertentu. Sistem pengenaan biaya ini dikenal dengan istilah fee based.

b. Bank berdasarkan prinsip syariah Adalah aturan perjanjian berdasarkan hukum Islam antara bank dengan pihak lain untuk menyimpan dana atau pembiayaan usaha atau kegiatan perbankan lainnya. Dalam menentukan harga atau mencari keuntungan bagi bank yang berdasarkan Prinsip Syariah adalah sebagai berikut:  Pembiayaan berdasarkan prinsip bagi hasil (mudharabah)  Pembiayaan

berdasarkan

prinsip

penyertaan

modal

(musyarakah)  Prinsip jual beli barang dengan memperoleh keuntungan (murabahah)

14

 Pembiayaan barang modal berdasarkan sewa murni tanpa pilihan (ijarah)  Atau dengan adanya pilihan pemindahan kepemilikan atas barang yang disewa dari pihak bank oleh pihak lain (ijarah wa iqtina) Menurut Sri, dkk (2000:6) secara umum fungsi utama bank adalah menghimpun dana dari masyarakat dan menyalurkannya kembali kepada masyarakat untuk berbagai tujuan atau sebagai financial intermediary. Secara lebih spesifik fungsi bank dapat sebagai agent of trust, agent of development, dan agen of services. 1. Agen of Trust Dasar utama kegiatan perbankan adalah trust atau kepercayaan, baik dalam hal penghimpunan dana maupun penyaluran dana. Masyarakat akan mau menitipkan dananya di bank apabila dilandasi oleh unsur kepercayaan. 2. Agen of Development Tugas bank sebagai penghimpun dan penyaluran dana sangat diperlukan untuk kelancaran kegiatan perekonomian di sektor riil. Kegiatan bank tersebut memungkinkan masyarakat melakukan investasi, distribusi, dan juga konsumsi barang dan jasa, mengingat semua kegiatan investasi-distribusi-konsumsi berkaitan dengan penggunaan uang.

15

3. Agen of Services Di samping melakukan kegiatan penghimpunan dan penyaluran dana, bank juga memberikan penawaran jasa-jasa perbankan yang lain kepada masyarakat. Jasa-jasa yang ditawarkan bank ini erat kaitannya dengan kegiatan perekonomian masyarakat secara umum.

B. Kebangkrutan Salah satu aspek pentingnya analisis terhadap laporan keuangan dari sebuah perusahaan adalah kegunaannya untuk meramalkan kontiuitas atau kelangsungan hidup perusahaan. Prediksi akan kontinuitas perusahaan sangat penting bagi manajemen dan pemilik perusahaan untuk mengantisipasi kemungkinan adanya potensi kebangkrutan, karena kebangkrutan berarti menyangkut terjadinya biaya-biaya, baik biaya langsung maupun biaya tidak langsung. Kebangkrutan perusahaan banyak membawa dampak yang begitu berarti, bukan cuma untuk perusahaan itu sendiri tetapi juga terhadap karyawan, investor, dan pihak-pihak lain yang terlibat dalam kegiatan operasio perusahaan (Adnan dan Kurniasih, 2000). Foster (1986) menggunakan istilah financial distress untuk menunjukkan masalah likuiditas yang berat yang tidak dapat dipecahkan tanpa sebuah penskalaan kembali yang besar dari operasi atau struktur perusahaan. Financial

distress

merupakan

pandangan

terbaik

sebagai

suatu

ide/gagasan/pikiran ekonomi untuk beberapa point pada sebuah rangkaian kesatuan. Riset empirik pada area ini mempunyai kriteria objektif untuk

16

mengkategorisasikan

perusahaan.

Kebangkrutan

adalah

kriteria

yang

digunakan pada banyak studi; peristiwa ini adalah sebuah peristiwa legal yang dapat dipengaruhi oleh aksi bankers atau kreditur lainnya. Sekalipun dugaan financial distress adalah biner, tidak diperlukan menjadi sebuah persesuaian satu menjadi satu antara kategori nondistressed/distressed dan kategori nonbankrupt/bankrupt. Kebangkrutan

(bankruptcy)

biasanya

diartikan

sebagai

kegagalan

perusahaan dalam menjalankan operasi perusahaan untuk menghasilkan laba (Almilia dan Herdiningtyas, 2005). Kebangkrutan juga sering disebut likuidasi perusahaan atau penutupan perusahaan atau insolvabilitas. Sedangkan menurut UU No.4 Tahun 1998 adalah dimana suatu institusi dinyatakan oleh keputusan pengadilan bila debitur memiliki dua atau lebih kreditur dan tidak membayar sedikitnya satu hutang yang telah jatuh tempo dan dapat ditagih. Martin.et.al, (1995:376) dalam Adnan dan Kurniasih (2000) menyebutkan bahwa kebangkrutan sebagai kegagalan didefinisikan dalam beberapa arti, yaitu: 1. Kegagalan Ekonomi ( Economic Distressed) Kegagalan dalam arti ekonomi biasanya berarti bahwa perusahaan kehilangan uang atau pendapatan perusahaan tidak mampu menutup biayanya sendiri, ini berarti tingkat labanya lebih kecil dari biaya modal atau nilai sekarang dari arus kas perusahaan kecil dari kewajiban. Kegagalan terjadi bila arus kas sebenarnya dari perusahaan tersebut jatuh di bawah arus kas yang diharapkan. Bahkan kegagalan dapat juga berarti

17

bahwa tingkat pendapatan atas biaya histories dari investasinya lebih kecil daripada biaya modal perusahaan.

2. Kegagalan Keuangan (Financial Distressed) Kegagalan keuangan bisa diartikan sebagai insolvensi yang membedakan antara dasar arus kas dan dasar saham. Insolvensi atas dasar arus kas ada dua bentuk, yaitu: a. Insolvensi Teknis Adalah perusahaan dapat dianggap gagal jika perusahaan tidak dapat memenuhi kewajiban pada saat jatuh tempo. Walaupun total aktiva melebihi total hutang atau terjadi bila suatu perusahaan gagal memenuhi salah satu atau lebih kondisi dalam ketentuan hutangnya seperti rasio aktiva lancar terhadap hutang lancar yang telah ditetapkan atau rasio kekayaan bersih terhadap total aktiva yang disyaratkan. Insolvensi juga terjadi bila arus kas tidak cukup untuk memenuhi pembayaran kembali pokok pada tanggal tertentu. b. Insolvensi dalam pengertian kebangkrutan Adalah kebangkrutan didefinisikan dalam ukuran sebagai kekayaan bersih negatif dalam neraca konvensional atau nilai sekarang dari arus kas yang diharapkan lebih kecil dari kewajiban.

18

Menurut Taswan (2006) kebangkrutan atau likuidasi bank dapat menimbulkan domino effect terhadap bank lain yang sehat. Bila ini terjadi maka akan mengganggu sistem perbankan nasional dan perekonomian nasional. Dalam

menentukan

kemungkinan

kesalahan

model

kebangkrutan

klasifikasi

model

melalui

analisis

(classification

keuangan

error)

bisa

dikelompokkan menjadi dua (Farid H dan Siswanto S, 1998 dalam Penni mulyaningrum, 2008): 1. Error tipe I terjadi apabila timbul misclasification yang disebabkan oleh adanya prediksi bahwa perusahaan tidak bangkrut, tetapi ternyata mengalami kebangkrutan. 2. Error tipe II terjadi apabila timbul misclasification prediksi yang disebabkan oleh adanya prediksi bahwa perusahaan bangkrut, tetapi kenyataannya tidak bangkrut. TABEL 2.1 PREDIKSI KEBANGKRUTAN Hasil Sesunggunya Hasil Yang Diharapkan Bangkrut Tidak Bangkrut

Bangkrut

Benar

Kesalahan Tipe II Biaya: lebih dari 100%

Tidak Bangkrut

Kesalahan Tipe I Biaya: kecil 0% - 10% Sumber: Farid H dan Siswanto S (1998) dalam Penni Mulyaningrum (2008)

C. Penyebab Kebangkrutan Faktor-faktor penyebab kebangkrutan dapat dibagi menjadi tiga (Agung Gemah Permana, 2009:42) yaitu:

19

1. Faktor umum a) Sektor ekonomi, dimana berasa dari gejala inflasi dan deflasi dalam harga barang dan jasa, kebijakan keungan, suku bunga, dan devaluasi atau revaluasi dengan mata uang asing. b) Sektor sosial, dimana yang sangat berpengaruh adalah adanya perubahan gaya hidup masyarakat yang mempengaruhi permintaan terhadap produk dan jasa ataupun yang berhubungan dengan karyawan. c) Sektor teknologi, dimana penggunaan teknologi memerlukan biaya yang ditanggung perusahaan terutama untuk pemeliharaan dan implementasi. d) Sektor pemerintah, dimana kebijakan pemerintah terhadap pencabutan subsidi pada perusahaan dan industri, pengenaan tarif ekspor dan impor bisa berubah, kebijakan undang-undang baru bagi perbankan atau tenaga kerja lain-lain. 2.

Faktor Ekternal Perusahaan a) Sektor pelanggan atau nasabah, dimana untuk menghindari kehilangan nasabah bank harus melakukan identifikasi terhadap sifat nasabah atau konsumen juga menciptakan peluang untuk mendapatkan nasabah baru. b) Sektor kreditur, dimana kekuatannya terletak pada pemberian pinjaman dan menetapkan jangka waktu pengembalian hutang piutang

20

yang tergantung pada kepercayaan kreditur terhadap kelikuiditan suatu bank. c) Sektor pesaing atau bank lain, dimana merupakan hal yang harus diperhatikan karena menyangkut perbedaan pemberian pinjaman kepada nasabah. 3.

Faktor Internal Perusahaan a) Terlalu besarnya kredit yang diberikan kepada nasabah sehingga menyebabkan adanya penunggakan dalam pembayaran sampai akhirnya tidak dapat membayar. b) Manajemen yang tidak efesien yang disebabkan karena kurang adanya kemampuan, pengalaman, keterampilan, sikap adaptif dan inisiaif dari manajemen. c) Peyalahgunaan wewenang dan kecurangan-kecurangan, dimana sering dilakukan oleh karyawan, bahkan manejer puncak sekalipun yang sangat merugikan apalagi yang berhubungan dengan keuangan perusahaan.

D. Tahap-tahap dan Berbagai Indikator Kebangkrutan Dalam kaitannya dengan faktor-faktor internal, kebangkrutan yang menimpa suatu perusahaan tidak terjadi secara tiba-tiba tanpa dapat diramalkan sebelumnya. Kebangkrutan merupakan klimaks dari berbagai tahap atau proses dari situasi kesulitan keuangan yang dihadapi perusahaan. Sebelum suatu perusahaan dinyatakan bangkrut, biasanya ditandai oleh

21

berbagai situasi tau keadaan khususnya berhubungan dengan efektivitas dan efesiensi operasinya. Kesulitan-kesulitan keuangan yang menuju kearah terjadinya kebangkrutan dapat dianalisa dan dapat diidentifikasikan melalui tahap-tahap yang tercakup dalam proses perjalanan yang berakhir ada keadaan kebangkrutan tersebut. Adapun tahap-tahap itu adalah (Harnanto, 1984:426 dalam Adnan dan Kurniasih (2000) ): 1. Tahap permulaan atau tahap awal. 2. Tahap dimana perusahaan mengalami kekurangan kas dan alat-alat likuid lainnya/tahap kesulitan likuiditas. 3. Tahap dimana perusahaan tidak solvabel dalam kegiatan komersial dan keuangan. 4. Bangkrut secara total. Dalam perbankan, setiap badan usaha bank wajib menyampaikan kepada Bank Sentral Indonesia, segala keterangan dan penjelasan mengenai usahanya menurut tata cara yang ditetapkan oleh Bank Sentral Indonesia. Dalam hal ini apabila suatu bank mengalami kesulitan yang membahayakan kelangsungan usahanya maka Bank Sentral Indonesia dapat melakukan tindakan agar (Herman Darmawi, 2006:40): a. Pemegang saham menambah modal b. Pemegang saham mengganti dewan komisaris dan atau direktur bank. c. Bank menghapusbukukan kredit macet dan memperhitungkan kerugian dengan modal bank. d. Bank melakukan merger/konsolidasi dengan bank lain.

22

e. Bank dijual kepada pembeli yang bersedia mengambil alih keseluruhan kewajiban. Apabila berbagai tindakan yang dilakukan Bank Sentral Indonesia tersebut belum cukup untuk mengatasi kesulitan yang dihadapi oleh bank atau bahkan keadaan bank tersebut menjadi lebih buruk dan dapat membahayakan sistem perbankan, maka Bank Sentral Indonesia mengusulkan kepada Menteri Keuangan untuk mencabut izin usaha bank yang bersangkutan (Herman Darmawi, 2006:41). Menurut Foster (1986), ada beberapa indikator atau sumber informasi tentang kemungkinan dari kebangkrutan: 1. Sebuah analisis arus kas periode sekarang dan masa mendatang. Manfaat dari penggunaan sumber informasi ini yakni fokus secara langsung pada dugaan kebangkrutan untuk periode yang menjadi perhatian. Estimasi arus kas termasuk pada analisis ini merupakan variabel kritis pada asumsi yang mendasari persiapan anggaran. 2. Analisis strategi perusahaan. Analisis ini mempertimbangkan kompetitor potensial dari perusahaan atau institusi, struktur biaya relatifnya, ekspansi gedung pada industri, kemampuan perusahaan untuk meneruskan kenaikan biaya, kualitas manajemen dan sebagainya. Dalam teori, pertimbangan ini juga akan mendasari analisis arus kas. Bagaimanapun sebuah fokus yang terpisah pada persoalan strategi dapat menyoroti konsekuensi dari perbedaan yang tiba-tiba terjadi dalam sebuah industri. Contoh: pengujian BEP dan struktur biaya.

23

3. Analisis laporan keuangan perusahaan dengan perbandingan perusahaan. Analisis ini dapat berfokus pada variabel keuangan single (univariate analysis) atau kombinasi variabel keuangan (multivariate analysis). 4. Variabel eksternal seperti return sekuritas atau peringkat obligasi.

E. Tingkat Kesehatan Bank Kesehatan suatu bank dapat diartikan sebagai kemampuan suatu bank untuk melakukan kegiatan operasional perbankan secara normal dan mampu memenuhi semua kewajibannya dengan baik dan dengan cara-cara yang sesuai dengan peraturan perbankan yang berlaku (Sri, dkk, 2000:22). Sebagaimana layaknya manusia, dimana kesehatan merupakan hal yang paling penting di dalam kehidupannya. Tubuh yang sehat akan meningkatkan kemampuan

lainnya.

Begitu

pula

dengan

perbankan

harus

dinilai

kesehatannya agar tetap prima dalam melayani para nasabahnya. Untuk menilai suatu kesehatan bank dapat dilihat dari berbagai segi. Penilaian ini bertujuan unuk menentukan apakah bank tersebut dalam kondisi yang sehat, cukup sehat, kurang sehat dan tidak sehat sehingga Bank Indonesia sebagai pengawas dan pembina bank-bank dapat memberikan arahan atau petunjuk bagaimana bank tersebut harus dijalankan atau bahkan dihentikan kegiatan operasinya (Kasmir, 2008:49). Menurut Peraturan Bank Indonesia No. 6/10/PBI/2004 mengenai Sistem Penilaian Tingkat Kesehatan Bank Umum, penilaian tingkat kesehatan bank mencakup penilaian terhadap faktor-faktor sebagai berikut:

24

1. Capital Penilaian terhadap faktor permodalan meliputi penilaian terhadap komponen-komponen sebagai berikut: a. Kecukupan, komposisi, dan proyeksi (trend ke depan) permodalan serta kemampuan permodalan bank dalam mengcover aset bermasalah. b. Kemampuan bank memelihara kebutuhan penambahan modal yang berasal dari keuntungan, rencana permodalan bank untuk mendukung pertumbuhan usaha, akses kepada sumber permodalan, dan kinerja keuangan pemegang saham untuk meningkatkan permodalan bank.

2. Asset Quality Penilaian terhadap faktor kualitas aset meliputi penilaian terhadap komponen-komponen sebagai berikut: a. Kualitas aktiva produktif, konsentrasi eksposur risiko kredit, perkembangan aktiva produktif bermasalah, dan kecukupan penyisihan penghapusan aktiva produktif (PPAP). b. Kecukupan kebijakan dan prosedur, sistem kaji ulang (review) internal, sistem dokumentasi, dan kinerja penanganan aktiva produktif bermasalah.

25

3. Management Penilaian terhadap faktor manajemen meliputi penilaian terhadap komponen-komponen sebagai berikut: a. Kualitas manajemen umum dan penerapan manajemen risiko. b. Kepatuhan bank terhadap ketentuan yang berlaku dan komitmen kepada Bank Indonesia dan atau pihak lainnya. 4. Earning Penilaian terhadap faktor rentabilitas meliputi penilaian terhadap komponen-komponen sebagai berikut: a. Pencapaian return on assets (ROA), return on equity (ROE), net interest margin (NIM), dan tingkat efisiensi bank. b. Perkembangan

laba

operasional,

diversifikasi

pendapatan,

penerapan prinsip akuntansi dalam pengakuan pendapatan dan biaya, dan prospek laba operasional. 5. Liquidity Penilaian terhadap faktor likuiditas meliputi penilaian terhadap komponen-komponen sebagai berikut: a. Rasio aktiva/pasiva likuid, potensi maturity mismatch, kondisi Loan to Deposit Ratio (LDR), proyeksi cash flow, dan konsentrasi pendanaan. b. Kecukupan kebijakan dan pengelolaan likuiditas (assets and liabilities management/ALMA), akses kepada sumber pendanaan, dan stabilitas pendanaan.

26

6. Sensitivity to Market Risk Penilaian terhadap faktor sensitivitas terhadap risiko pasar meliputi penilaian terhadap komponen-komponen sebagai berikut: a. Kemampuan modal Bank dalam mengcover potensi kerugian sebagai akibat fluktuasi (adverse movement) suku bunga dan nilai tukar. b. Kecukupan penerapan manajemen risiko pasar.

Berdasarkan hasil penetapan peringkat setiap faktor ditetapkan Peringkat Komposit (composite rating). Peringkat Komposit ditetapkan sebagai berikut: a. Peringkat Komposit 1 (PK-1), mencerminkan bahwa Bank tergolong sangat baik dan mampu mengatasi pengaruh negatif kondisi perekonomian dan industri keuangan. b. Peringkat Komposit 2 (PK-2), mencerminkan bahwa Bank tergolong baik dan mampu mengatasi pengaruh negatif kondisi perekonomian dan industri keuangan namun Bank masih memiliki kelemahan-kelemahan minor yang dapat segera diatasi oleh tindakan rutin. c. Peringkat Komposit 3 (PK-3), mencerminkan bahwa Bank tergolong cukup baik namun terdapat beberapa kelemahan yang dapat menyebabkan peringkat kompositnya memburuk apabila Bank tidak segera melakukan tindakan korektif.

27

d. Peringkat Komposit 4 (PK-4), mencerminkan bahwa Bank tergolong kurang baik dan sensitif terhadap pengaruh negatif kondisi perekonomian dan industri keuangan atau Bank memiliki kelemahan keuangan yang serius atau kombinasi dari kondisi beberapa faktor yang tidak memuaskan, yang apabila tidak dilakukan tindakan korektif yang efektif berpotensi mengalami kesulitan yang membahayakan kelangsungan usahanya. e. Peringkat Komposit 5 (PK-5), mencerminkan bahwa Bank tergolong tidak baik dan sangat sensitif terhadap pengaruh negatif kondisi perekonomian dan industri keuangan serta mengalami kesulitan yang membahayakan kelangsungan usahanya. Predikat Tingkat Kesehatan Bank disesuaikan dengan ketentuan dalam Surat Edaran Bank Indonesia No. 6/23/DPNP sebagai berikut: 1. Untuk predikat Tingkat Kesehatan ”Sehat” dipersamakan dengan Peringkat Komposit 1 (PK-1) atau Peringkat Komposit 2 (PK-2). 2. Untuk predikat Tingkat Kesehatan ”Cukup Sehat” dipersamakan dengan Peringkat Komposit 3 (PK-3). 3. Untuk predikat Tingkat Kesehatan ”Kurang Sehat” dipersamakan dengan Peringkat Komposit 4 (PK-4). 4. Untuk predikat Tingkat Kesehatan ”Tidak Sehat” dipersamakan dengan Peringkat Komposit 5 (PK-5).

28

Kesehatan atau kondisi keuangan dan non keuangan kepentingan semua pihak terkait, baik pemilik, pengelola (manajemen) bank, masyarakat pengguna jasa bank, Bank Indonesia sebagi otoritas pengawasan bank, dan pihak lainnya. Informasi mengenai kondisi suatu bank dapat digunakan oleh pihak-pihak tersebut untuk mengevaluasi kinerja bank dalam menerapkan prinsip kehati-hatian, kepatuhan terhadap ketentuan yang berlaku dan manajemen risiko( Dahlan Siamat, 2005:208). Penilaian kesehatan bank dilakukan setiap tahun, apakan ada peningkatan atau penurunan. Bagi bank yang kesehatannya terus meningkat tidak jadi masalah, karena itulah diharapkan dan supaya dipertahankan terus kesehatanya. Akan tetapi, bagi bank terus-menerus tidak sehat, mungkin harus mendapat pengarahan atau sangsi dari Bank Indonesia sebagai pengawas dan pembina bank-bank (Kasmir, 2008:50).

F. Laporan Keuangan Salah satu aspek penting dalam pencapaian good corporate gorvernance (tata kelola perusahaa yang baik) dalam perbankan Indonesia adalah transparansi kondisi keuangan bank kepada publik. Adanya transparansi diharapkan dapat meningkatkan kepercayaan publik terhadap lembaga perbankan nasional. Selain itu, dalam menciptakan disiplin pasar (market dicipline) perlu diupayakan peningkatan transparansi kondisi keuangan dan kinerja bank untuk memudahkan penilaian oleh pelaku pasar melalui publikasi laporan kepada masyarakat luas. Di sisi lain, peningkatan transparansi kondisi

29

keuangan bank juga akan mengurangi informasi yang asimetris sehingga para pelaku pasar dapat memberikan penilaian yang wajar dan dapat mendorong terciptanya disiplin pasar (Dahlan Siamat, 2005:367).

Setiap perusahaan, baik bank maupun non bank pada suatu waktu (periode tertentu) akan melaporkan semua kegiatan keuangannya. Laporan ini bertujuan untuk memberikan informasi keuangan perusahaan, baik kepada pemilik, manajemen maupun pihak luar yang berkepentingan terhadap laporan tersebut. Laporan keuangan bank menunjukkan kondisi keuangan bank secara keseluruhan. Dari laporan ini akan terbaca bagaimana kondisi bank yang sesungguhnya, termasuk kelemahan dan kekuatan yang dimiliki. Laporan ini juga menunjukkan kinerja manajemen bank selama satu periode (Kasmir 2004:239). Kemudian laporan keuangan juga berikan informasi tentang hasil-hasil usaha yang diperoleh bank dalam suatu periode tertentu dan biaya-biaya atau beban yang dikeluarkan untuk memperoleh hasil tersebut. Informasi ini akan termuat dalam laporan laba rugi. Laporan keuangan bank juga memberikan gambaran tentang arus kas suatu bank yang tergambar dalam laporan arus kas. Dengan demikian laporan keuangan disamping menggambarkan kondisi keuangan suatu bank juga untuk menilai kinerja manajemen bank yang bersangkutan. Penilaian kinerja manajemen akan menjadi patokan apakah manajemen berhasil atau tidak dalam menjalankan kebijakan yang telah digariskan oleh perusahaan (Kasmir, 2004: 240).

30

Dalam rangka peningkatan transparansi kondisi keuangan, berdasarkan Peraturan Bank Indonesia Nomor:3/22/PBI/2001 tanggal 13 Desember 2001, bank wajib menyusun dan menyajikan laporan keuangan dengan bentuk dan cakupan yang terdiri dari (Dahlan Siamat, 2005: 368) : 1. Laporan Tahunan dan Laporan Keuangan Tahunan Adalah laporan lengkap mengenai kinerja suatu bank dalam kurun waktu satu tahun. 2. Laporan Keuangan Publikasi Triwulanan Adalah laporan keuangan yang disusun berdasarkan standar akuntansi keuangan yang berlaku dan dipublikasikan setiap triwulan. 3. Laporan Keuangan Publikasi Bulanan Adalah laporan keuangan yang disusun berdasarkan Laporan Bulanan Bank Umum yang disampaikan bank kepada Bank Indonesia dan dipublikasikan setiap bulan. 4. Laporan Keuangan Konsolidasi Bank yang merupakan bagian dari suatu kelompok usaha dan atau memiliki Anak Perusahaan, wajib menyusun laporan keuangan konsolidasi berdasarkan Pernyataan Standar Akuntansi Keuangan yang berlaku serta menyampaikan laporan sebagaimana diatur dalam Peraturan Bank Indonesia. Dalam Kerangka Dasar Penyusunan dan Penyajian Laporan Standar Akuntansi Keuangan, laporan keuangan merupakan bagian dari proses pelaporan keuangan. Laporan keuangan yang lengkap biasanya meliputi

31

neraca, laporan laba rugi, laporan perubahan posisi keuangan (yang dapat disajikan dalam berbagai cara misalnya, sebagai laporan arus kas, atau laporan arus dana), catatan dan laporan lain serta materi penjelasan yang merupakan bagian integral dari laporan keuangan. (Ikatan Akuntan Indonesia, 2007) dalam Penni Mulyaningrum (2008) Menurut Ikatan Akuntan Indonesia (2007) dalam PSAK No.31 tentang Akuntansi Perbankan, laporan keuangan bank terdiri atas: 1. Neraca Bank menyajikan aset dan kewajiban dalam neraca berdasarkan karakteristiknya dan disusun berdasarkan urutan likuiditasnya. 2. Laporan Laba Rugi Laporan laba rugi bank menyajikan secara terperinci unsur pendapatan

dan

beban,

serta

membedakan

antara

unsur-unsur

pendapatan dan beban yang berasal dari kegiatan operasional dan nonoperasional. 3. Laporan Arus Kas Laporan arus kas harus melaporkan arus kas selama periode tertentu dan diklasifikasikan menurut aktivitas operasi, investasi, dan pendanaan. 4. Laporan Perubahan Ekuitas Laporan perubahan ekuitas menyajikan peningkatan dan penurunan aset bersih atau kekayaan bank selama periode bersangkutan berdasarkan prinsip pengukuran tertentu yang dianut dan harus diungkapkan dalam laporan keuangan.

32

5. Catatan atas Laporan Keuangan Catatan atas laporan keuangan harus disajikan secara sistematis. Pihak-pihak yang berkepentingan dengan laporan keuangan perusahaan antara lain (Kasmir, 2004:241): 1. Pemegang saham, digunakan untuk melihat kemajuan bank yang dipimpin oleh manajemen dalam suatu periode. 2. Pemerintah, digunakan untuk mengetahui kemajuan bank yang bersangkutan, kepatuhan bank dalam melaksanakan kebijakan moneter yang telah ditetapkan, dan sampai sejauh mana peranan perbankan dalam mengembangkan sektor-sektor industri tertentu. 3. Manajemen, digunakan untuk menilai kinerja menajemen bank dalam mencapai target-target yang telah ditetapkan, menilai kinerja manajemen dalam mengelola sumber daya yang dimilikinya. Ukuran keberhasilan ini dapat dilihat dari pertumbuhan laba yang diperoleh dan pengembangan aset-aset yang dimilikinya. 4. Karyawan, digunakan untuk mengetahui kondisi keuangan bank yang sebenarnya. 5. Masyarakat Luas, digunakan untuk mengetahui kondisi bank yang bersangkutan, sehingga masih tetap mempercayakan dananya disimpan di bank yang bersangkutan atau tidak.

33

G. Manfaat Laporan Keuangan Sesuai

penelitian

Abarbanell

dan

Bushee

(1997)

dalam

Penni

Mulyaningrum (2008). Pada pendekatan yang digunakan oleh Ou and Penman (1989) dan Lev and Thiagarajan (1993) diperlihatkan bagaimana fundamental signals yang pasti dari laporan keuangan saat ini seperti perubahan pada penjualan, piutang dagang, persediaan, gross margin dan pengeluaran modal dapat meningkatkan prediksi perubahan earning pada tahun mendatang. Sesuai dengan Statement of Financial Accounting Concepts No. 1 tentang Tujuan dari pelaporan keuangan untuk menyediakan informasi yang bermanfaat kepada investor, kreditor dan pemakai lainnya, baik yang sekarang dan potensial pada pembuatan keputusan investasi, kredit dan keputusan sejenis secara rasional. Tujuan kedua pelaporan keuangan untuk menyediakan informasi untuk membantu investor, kreditor, dan pemakai lainnya baik yang sekarang maupun yang potensial dalam menilai jumlah, waktu dan ketidakpastian dari prospective penerimaan kas dari deviden atau bunga. (Scott, 2000 dalam Penni Mulyaningrum, 2008). Menurut Standar Akuntansi Keuangan (SAK 2007) pengguna laporan keuangan meliputi investor potensial, karyawan, pemberi pinjaman, pemasok dan kreditor usaha lainnya, pelanggan, pemerintah serta lembaga-lembaganya, dan masyarakat. Mereka menggunakan laporan keuangan untuk memenuhi beberapa kebutuhan informasi yang berbeda. Beberapa kebutuhan ini meliputi:

34

a. Investor Penanaman modal berisiko dan penasihat mereka berkepentingan dengan risiko yang melekat serta hasil pengembangan dari investasi yang mereka lakukan. b. Karyawan Karyawan dan kelompok-kelompok yang mewakili mereka tertarik pada informasi mengenai stabilitas dan profitabilitas perusahaan. Mereka juga tertarik dengan informasi yang memungkinkan mereka untuk menilai kemampuan perusahaan dalam memberikan balas jasa, imbalan pasca kerja, dan kesempatan kerja. c. Pemberi pinjaman Pemberi

pinjaman

tertarik

dengan

informasi

keuangan

yang

memungkinkan untuk memutuskan apakah pinjaman serta bunganya dapat dibayar pada saat jatuh tempo. d. Pemasok dan kreditor usaha lainnya Pemasok dan kreditor usaha lainnya tertarik dengan informasi yang memungkinkan mereka untuk memutuskan apakah jumlah yang terutang akan dibayar pada saat jatuh tempo. e. Pelanggan Para

pelanggan

berkepentingan

dengan

informasi

mengenai

kelangsungan hidup perusahaan, terutama kalau mereka terlibat dalam perjanjian jangka panjang dengan, atau bergantung pada perusahaan.

35

f. Pemerintah Pemerintah

dan

berbagai

lembaga

yang

berada

di

bawahnya

berkepentingan dengan alokasi sumber daya dan karena itu berkepentingan dengan aktivitas perusahaan. g. Masyarakat Perusahaan

dapat

memberikan

kontribusi

yang

berarti

kepada

perekonomian nasional, termasuk jumlah orang yang dipekerjakan dan perlindungan kepada penanaman modal domestik.

H. Rasio Keuangan Perbankan Rasio keuangan adalah hasil perhitungan antara dua macam data keuangan bank, yang digunakan untuk menjelaskan hubungan antara kedua data keuangan tersebut yang pada umumnya dinyatakan secara numerik, baik dalam persentase atau kali. Hasil perhitungan rasio ini dapat digunakan untuk engukur kinerja keuangan bank pada periode tertentu, dan dapat dijadikan tolak ukur untuk menilai tingkat kesehatan bank selama periode keuangan tersebut (Selamet Riyadi, 2006:155). Rasio keuangan perbankan meliputi: 1. Rasio Permodalan Analisa

rasio

permodalan

sering

disebut

sebagai

analisa

solvabilitas atau capital adequancy analysis. Analisa rasio ini untuk mengetahui apakah permodalan bank yang ada telah mencukupi untuk mendukung kegiatan bank yang akan dilakukan secara efisien dan

36

mampu untuk menyerap kerugian-kerugian

yang tidak dapat

dihindarkan (Penni Mulyaningrum, 2008). Rasio ini terbagi atas: a. Capital Adequacy Ratio (CAR) CAR adalah rasio kewajiban pemenuhan modal minimum yang harus dimiliki oleh bank. Untuk saat ini minimal CAR sebesar 8% dari aktiva Tertimbang Menurut Risiko (ATMR), atau ditambah dengan Risiko Pasar dan Risiko Operasional, ini tergantung pada kondisi bank yang bersangkutan. CAR yang ditetapkan oleh Bank Indonesia saat ini mengacu pada ketentuan/standar internasional yang dikeluarkan oleh Banking For International Settlement (BIS).

Persamaan CAR dapat

dituliskan sebagai berikut: (Slamet Riyadi, 2006: 161). CAR = Modal x 100% ATMR

Menurut Hasibuan (2002), ketetapan CAR sebesar 8% bertujuan untuk: 1. Menjaga kepercayaan masyarakat kepada perbankan. 2. Melindungi dana pihak ketiga pada bank bersangkutan. 3. Untuk memenuhi ketetapan standar BIS Perbankan International dengan formula sebagai berikut: b. 4%modal inti yang terdiri dari shareholder equity, prefered stock, dan freereserves, serta

37

c. 4% modal sekunder yang terdiri dari subordinate debt, loan loss provision, hybrid securities dan revolution reserves.

b. Aktiva Tetap Terhadap Modal (ATTM) Rasio ini mengukur kemampuan manajemen bank dalam menentukan besarnya aktiva tetap dan inventaris yang dimiliki bank yang bersangkutan terhadap modal. Semakin tinggi rasio ini artinya modal yang dimiliki bank kurang mencukupi dalam menunjang aktiva tetap dan inventaris sehingga kemungkinan suatu bank dalam kondisi bermasalah akan semakin besar. Rasio ini dapat dirumuskan sebagai berikut : ATTM = Aktiva Tetap dan Inventaris x100% Modal 2. Rasio Kualitas Asset Rasio kualitas asset terdiri dari: a. Aktiva Produktif Bermasalah (APB) Rasio ini untuk menunjukkan kemampuan manajemen bank dalam mengelola aktiva produktif bermasalah terhadap total aktiva produktif. Semakin tinggi rasio ini maka semakin buruk kualitas aktiva produktif yang menyebabkan PPAP yang tersedia semakin besar maka kemungkinan suatu bank dalam kondisi bermasalah semakin besar. Aktiva produktif bermasalah adalah aktiva produtif dengan kualitas kurang lancar, diragukan dan macet. Rasio ini

38

dapat dirumuskan sebagi berikut (SE BI No 3/30DPNP tgl 14 Desember 2001) : APB = Aktiva Produktif Bermasalah x 100% Total Aktiva Produktif b. Non Performing Loan Rasio ini menunjukan bahwa kemampuan manajemen bank dalam mengelola kredit bermasalah yang diberikan oleh bank. Sehingga semakin tinggi rasio ini maka akan semakin semakin buruk kualitas kredit bank yang menyebabkan jumlah kredit bermasalah semakin besar maka kemungkinan suatu bank dalam kondisi bermasalah semakin besar. Kredit dalam hal ini adalah kredit yang diberikan kepada pihak ketiga tidak termasuk kredit kepada bank lain. Kredit bermasalah adalah kredit dengan kualitas kurang lancar, diragukan dan macet (SE BI No 3/30DPNP tgl 14 Desember 2001). Non Performing Loan dibagi menjadi 2 (dua) yaitu: Non Performing Loan Gross (NPLg) dan Non Performing Loan Net (NPLn). Menurut Slamet Riyadi (2006) NPLg adalah perbandingan antara jumlah kredit yang diberikan dengan tingkat kolektibilitas 3 sampai 5 dibandingkan dengan total kredit yang diberikan. Rasio ini dapat dirumuskan sebagai berikut: NPLg = Kredit yang Diberikan (kol 3-5) x 100% Total Kredit yang Diberikan

39

Sedangkan

Non Performing Loan Net (NPLn) dapat

dirumuskan sebagai berikut: NPLn= Kredit yang Diberikan (kol 3-5) – PPAP Khusus (Kol. 3-5) x 100% Total Kredit yang Diberikan

3. Rasio Profitabilitas Rasio profitabilitas adalah perbandingan laba (setelah pajak) dengn modal (modal inti) atau laba (sebelum pajak) dengan total asset yang dimiliki bank pada periode tertentu (Slamet Riyadi, 2006:155). Rasio profitabilitas terdiri dari:

a. Net Interest Margin (NIM) Rasio ini digunakan untuk mengukur kemampuan manajemen bank dalam mengelola aktiva produktifnya untuk menghasilkan pendapatan bunga bersih. Pendapatan bunga bersih diperoleh dari pendapatan bunga dikurangi beban bunga. Semakin besar rasio ini maka meningkatnya pendapatan bunga atas aktiva produktif yang dikelola bank sehingga kemungkinan suatu bank dalam kondisi bermasalah semakin kecil (SE BI No 3/30DPNP tgl 14 Desember 2001). Menurut Slamet Riyadi (2006) Net Interest Margin adalah perbandingan antara Interest Income dikurangi Interest Expenses dibagi dengan Average Interest Earning Asset. Rasio NIM dapat dirumuskan sebagai berukit: NIM = Interest Income – Interest Expensens x 100% Average Interest Earning Asset

40

b. Profit Mergin (PM) Rasio ini merupakan salah satu parameter kinerja dari suatu bank terkait dengan produktifitas dari kegiatan operasionalnya. Semakin besarnya profit margin

berarti semakin produktif

sehingga akan memperkecil kemungkinan terjadinya kegagalan bank. Profit Margin adalah perbandingan antara biaya bunga dengan total asset, dapat dirumuskan sebagai berikut: PM = Biaya Bunga x 100% Total Asset 4. Rasio Likuiditas Rasio ini bertujuan untuk mengukur kemampuan perusahaan dalam membayar semua kewajiban finansialnya pada saat jatuh tempo. Kewajiban tersebut merupakan kewajiban jangka pendek atau kewajiban jangka panjang yang sudah segera jatuh tempo. Rasio ini terbagi atas: a. Loan To Deposit Ratio (LDR) LDR adalah perbandingan antara total kredit yang diberikan dengan total Dana Pihak Ketiga (DPK) yang dapat dihimpun oleh bank. LDR akan menunjukkan tingkat kemampuan bank dalam menyalurkan dana pihak ketiga yang dihimpun oleh bank yang bersangkutan. Maksimal LDR yang diperkenankan oleh Bank Indonesia adalah sebesar 110%. Persamaan LDR dapat dituliskan sebagai berikut: (Slamet Riyadi, 2006: 165). LDR = Total kredit yang diberikan Total DPK

x 100%

41

I. Pengertian Logit Analisis Regresi logistik digunakan untuk melihat pengaruh sejumlah variabel independen terhadap variabel dependen yang berupa variabel kategorik (binomial, multinomial atau ordinal) atau juga untuk memprediksi nilai suatu variabel dependen (yang berupa variabel kategorik) berdasarkan nilai variabel-variabel independen(Uyanto, S. Stanislaus, 2006:225). SPSS menyediakan tiga prosedur regresi logistik yaitu: 1. Regresi Logistik Biner (binary logistic regression), adalah regresi logistik dimana variabel dependennya berupa variabel dikotomi atau variabel biner. 2. Regresi Logistik Multinomial (multinomial logistic regression) adalah regresi logistik di mana variabel dependennya berupa variabel kategorik yang terdiri lebih dari dua nilai. 3. Regresi Logistik Ordinal (ordinal logistic regression) adalah regresi logistik di mana variabel dependennya berupa variabel dengan skala ordinal. Logit analysis merupakan bentuk khusus dari regresi dimana variabel dependennya nonmetrik dan terbagi menjadi dua bagian/kelompok (biner), walaupun formulasinya dapat saja meliputi lebih dari dua kelompok. Secara umum, penginterpretasian logit analysis sangat mirip dengan regresi linear (Hair dkk, 1998 dalam Liza Angelina, 2003).

42

J. Pengertian Multiple Discriminant Analysis (MDA) Multiple Discriminant Analysis (MDA) merupakan teknik statistik yang digunakan untuk memprediksi dan menjelaskan hubungan yang berpengaruh kuat terhadap kategori dimana objek tersebut berada dimana variabel dependennya merupakan sesuatu yang pasti (nominal atau nonmetrik) dan variabel independennya metrik (Hair dkk, 1998 dalam Liza Angelina 2003). Tujuan MDA adalah mengidentifikasi jumlah fungsi diskriminan seminimum mungkin yang mampu memaksimumkan perbedaan antar kelompok yang ada (Agus Widarjono, 2010 : 193) Multiple Discriminant Analysis (MDA) atau analisis pembeda ganda merupakan suatu metodologi formal yang digunakan untuk memperkecil rasio dan untuk mempertinggi kerepresentatifan rasio keuangan yang dipilih sebagai variabel (Evi Wardhani, 2007). Model analisis semacam ini dapat digunakan untuk: 1.

Memprediksi kebangkrutan perusahaan.

2.

Mengevaluasi atas prospek perusahaan secara individual.

3.

Menilai kelayakan dan kewajaran suatu rencana organisasi dalam memutuskan alternatif-alternatifnya.

K. Penelitian Sebelumnya Argo Asmoro (2010) meneliti mengenai judul Analisis pengaruh rasio keuangan terhadap prediksi kondisi bermasalah pada Bank Persero dan Bank Umum Swasta Nasional periode 2004-2007. Penelitian ini dilakukan untuk

43

menguji pengukuran rasio-rasio keuangan CAR (Capital Adequacy Ratio), NPL (Non

Performing

Loan),

ROA

(Return

on

Assets),

BOPO

(Biaya

Operasional/Pendapatan Operasional), dan LDR (Loan to Deposit Ratio) terhadap prediksi kondisi bermasalah pada bank persero dan bank umum swasta nasional periode tahun 2004 hingga 2007. Permasalahan dari penelitian ini adalah karena adanya kontradiksi (researh gap) dari penelitian sebelumnya. Dari hasil analisis menunjukkan hasil secara parsial bahwa variabel CAR dan ROA berpengaruh negatif dan signifikan terhadap kondisi bermasalah. Sedangkan variabel NPL, BOPO, dan LDR berpengaruh positif tetapi tidak signifikan terhadap kondisi bermasalah pada sektor perbankan. Kemudian hasil estimasi regresi logistik menunjukkan kemampuan prediksi dari 5 variabel bebas tersebut terhadap kondisi bermasalah sektor perbankan sebesar 49,1% sedangkan sisanya, yaitu sebesar 50,9% dijelaskan oleh variabel lain di luar model.

Penni Mulyaningrum (2008) menganalisis rasio keuangan bank untuk memprediksi kebangkrutan bank di Indonesia. Variabel yang digunakan sejumlah tujuh rasio keuangan bank yakni CAR, LDR, NPL, BOPO, ROA, ROE dan NIM. Data penelitian diperoleh secara sensus yang berarti keseluruhan populasi digunakan dalam penelitian yang sejumlah 130 bank pada tahun 2006. Alat analisis yang digunakan adalah regresi logit. Hasil uji multivariate memperlihatkan bahwa variabel LDR signifikan berpengaruh terhadap profitabilitas kebangkrutan bank di Indonesia pada α = 5% namun tidak mempunyai tanda yang sama dengan yang diprediksikan. Variabel CAR, NPL, BOPO, ROE, dan NIM mempunyai tanda yang sama dengan yang diprediksikan namun tidak signifikan. Variabel ROA tidak signifikan dan

44

mempunyai tanda yang berbeda dengan yang diprediksikan. Secara umum, hasilnya tidak menerima keseluruhan Ha. Ketepatan prediksi kebangkrutan bank tahun 2006 sebesar 94.6%. Tingkat kesalahan yang dilakukan dalam memprediksi kebangkrutan adalah tipe II yaitu bank yang diprediksi bangkrut ternyata tidak bangkrut. Luciana Spica Almilia dan Winny Herdiningtyas (2005) melakukan penelitian yang berjudul “Analisis Rasio Camel Terhadap Prediksi Kondisi Bermasalah Pada Lembaga Perbankan Perioda 2000-2002” dengan sampel penelitian yang terdiri dari 16 bank sehat, 2 bank yang mengalami kebangkrutan, dan 6 bank yang mengalami kondisi kesulitan keuangan. Dalam penelitian ini digunakan kondisi bermasalah suatu bank sebagai variabel dependen sedangkan variabel independennya menggunakan rasio keuangan CAMEL (CAR, ATTM, APB, NPL, PPAPAP, PPAP, ROA, ROE, NIM, BOPO, dan LDR). Penelitian ini menggunakan model analisis regresi logistik dan penentuan sampel digunakan metode purposive sampling. Hasil yang diperoleh dari penelitian ini adalah rasio CAR, APB, NPL, PPAPAP, ROA, NIM, dan BOPO secara statistik berbeda untuk kondisi bank bangkrut dan mengalami kesulitan keuangan dengan bank yang tidak bangkrut dan tidak mengalami kondisi kesulitan keuangan. Penelitian ini juga memberikan bukti bahwa hanya rasio keuangan CAR dan BOPO yang secara statistik signifikan untuk memprediksi kondisi kebangkrutan dan kesulitan keuangan pada sektor perbankan.

45

Liza Angelina (2003) meneliti tentang Perbandingan Early Warning System (EWS) untuk memprediksi kebangkrutan Bank Umum di Indonesia periode 1994/1995 - 1999/2000 yaitu sebanyak 88 bank yang gagal dan 81 bank yang tidak gagal. Dari jumlah responden tersebut ternyata tidak semuanya dapat dijadikan responden dalam penelitian ini, karena data yang tersedia tidak lengkap atau bahkan karena tidak tersedianya data. Akhirnya responden yang dapat digunakan dalam penelitian ini adalah sebanyak 74 bank yang gagal dan 81 bank yang tidak gagal. Penelitian ini menggunakan metode analisis Trait Recognition (TR), Logit, Multiple Discriminant Analysis (MDA). Hasil penelitian ini menunjukkan model TR memiliki akurasi prediksi yang paling tinggi. Selain itu, model TR tidak hanya dapat digunakan untuk memprediksi tingkat kegagalan bank, tapi juga dapat mengetahui dengan tepat bank-bank mana saja yang akan mengalami kegagalan. Hal ini tidak bisa dilakukan dengan model logit maupun MDA. Ini membuktikan bahwa hipotesis dalam penelitian ini, yang berbunyi EWS dengan model TR memiliki ketepatan peramalan yang lebih baik dari model MDA dan model logit, benarbenar terbukti yang artinya, penelitian ini konsisten dengan penelitian yang dilakukan oleh peneliti terdahulu. FX Sugiyanto, Prasetiono, dan Teddy Hariyanto (2002) melakukan penelitain yang berjudul “Manfaat Indikator-Indikator Keuangan dalam Pembentukan Model Prediksi Kondisi Kesehatan Perbankan”. Variabel independen yang digunakan berupa rasio keuangan yang meliputi kekuatan

46

modal,

kualitas

aset,

efisiensi

manajemen,

profitabilitas,

likuiditas.

Metode/alat analisis yang digunakan adalah analisis diskriminan dan regresi logistik. Hasil yang diperoleh dari penelitian ini adalah indikator-indikator yang berupa rasio-rasio keuangan signifikan pada taraf 5% untuk prediksi 1 tahun sebelum bangkrut dan signifikan pada taraf 10% untuk prediksi 2 tahun sebelum bangkrut. Dalam penelitian ini juga dijelaskan bahwa komponen kualitas aset, manajemen, earning power, dan likuiditas mampu menunjukkan pengaruh rasio keuangan terhadap kebangkrutan suatu bank. Penelitian yang dilakukan oleh Kolari dkk (2000) mengaplikasikan EWS untuk bank komersil. Pada penelitiannya sampel yang diambil adalah sebanyak 145 bank komersil yang diasuransikan di Amerika Serikat pada tahun 1986, yang merupakan kegagalan terkini dengan data yang tersedia bagi penelitian ini. Data finansial untuk bank-bank yang gagal ini dikumpulkan baik satu tahun maupun dua tahun sebelum kegagalan dari catatan komputer Call Report akhir Santoso (1996) melakukan penelitian empiris mengenai faktor-faktor yang mempengaruhi bank bermasalah di Indonesia dengan mengunakan logit model. Data panel kuartalan dari 231 bank sejak Maret 1989 sampai dengan September 1995 digunakan Santoso untuk mengindikasikan resiko perbankan. Kesimpulan dari penelitian ini bahwa model 2 menghasilkan koefisien estimasi yang lebih bagus dibandingkan model 1. Pada model 2, koefisien parameter yang mewakili resiko kredit (AQ) untuk semua kelompok signifikan pada a=5%. CAR signifikan pada a=5% hanya pada kelompok tiga.

47

IRR signifikan pada a=10% pada kelompok lima, dan LDR signifikan pada a=6% pada kelompok satu dan tiga, signifikan pada a=8% pada kelompok lima. Karya awal Beaver (1966) dan Altman (1968) menunjukkan bagaimana model berbasis komputer yang bergantung pada informasi akuntansi dapat memprediksikan kegagalan perusahaan. Model berbasis komputer dapat digunakan sebagai sistem peringatan dini (EWS) guna membantu mencegah beberapa kegagalan bank atau mengurangi biaya kegagalan tersebut. Dari penelitian-penelitian sebelumnya dapat dilihat bahwa kebanyakan penelitian menggunakan model CAMEL. Tetapi sampai saat ini menurut Liza Angelina (2003) di Indonesia belum ada penelitian yang menggunakan ESW sebagai prediktor kebangkrutan bank. Untuk lebih jelas mengenai penelitianpenelitian sebelumnya dapat dilihat pada tabel sebagai berikut:

48

Tabel 2.2 Daftar Penelitian Sebelumnya Untuk Masalah Kebangkrutan Bank Tahun Nama Peneliti Masalah yang Diteliti Penelitian 1966 Beaver Prediksi kebangkrutan dengan menggunakan enam kelompok rasio keuangan yang dianalisis dengan menggunakan metode univariat 1968 Altman Prediksi kebangkrutan dengan menggunakan metode MDA (Z score) 1996 Santoso Penelitian empiris mengenai faktor-faktor yang mempengaruhi bank bermasalah dengan logit model. 2000 Kolari, Caputo dan Perbaikan terhadap aplikasi EWS pada bank Wagner komersiil dengan menggunakan model TR dan model gabungan TR/MDA vs MDA dan Logit untuk mengidentifikasi bank-bank yang gagal 2003 Liza Angelina Perbandingan EWS untuk memprediksi kabangkrutan bank umum dengan menggunakan model TR, logit, MDA 2005 Luciana Spica Prediksi kondisi bermasalah dengan rasio Almilia dan Winny CAMEL menggunakan metode regresi logistic Herdiningtyas 2008 Penny Prediksi kebangkrutan dengan menggunakan Mulyaningrum model analisa logit. 2010 Argo Asmoro Pengaruh rasio keuangan terhadap prediksi kondisi bermasalah dengan menggunakan metode regresi logistik 2010 Sumantri dan Manfaat rasio keuangan dalam memprediksi Teddy Jurnali kepailitan Bank Nasional Sumber : diolah dari berbagai jurnal dan penelitian

L. Kerangka Berpikir Kerangka berpikir yang baik akan menjelaskan secara teoritis pertautan antara variabel yang akan diteliti. Jadi secara teoritis perlu dijelaskan hubungan antara variabel independen dan dependen. Pertautan antar variabel tersebut, selanjutnya dirumuskan ke dalam bentuk paradigma penelitian (Sugiyono, 2009:88).

49

Menurut Sapto Haryoko (1999) Kerangka berpikir dalam suatu penelitian perlu dikemukakan apabila dalam penelitian tersebut berkenaan dua variabel atau lebih. Penelitian yang berkenaan dengan dua variabel atau lebih, biasanya dirumuskan hipotesis yang berbentuk komparasi maupun hubungan. Sedangkan Suriasumatri (1986) mengemukakan bahwa kerangka berpikir ini merupakan penjelasan sementara terhadap gejala-gejala yang menjadi obyek permasalahan. Penelitian ini dimaksudkan untuk melihat apakah tedapat perbedaan kinerja keuangan yang signifikan antara bank devisa dan bank non devisa. Penelitian ini juga dilakukan untuk mengetahui apakah terdapat perbedaan tingkat akurasi pada model MDA dan model logit dalam memprediksi kebangkrutan pada bank devisa dan bank non devisa. Penelitian ini menggunakan sumber data yang diambil dari Bank Indonesia berupa laporan keuangan bank umum swasta nasional devisa dan non devisa yang mengalami kondisi bermasalah dan bank yang sehat, dengan melihat rasio-rasio keuangan perbankan, antara lain: antara lain: Capital Adequacy Ratio (CAR), Aktiva Tetap terhadap Modal (ATTM), Aktiva Produktif Bermasalah (APB), Non Performing Loan Gross (NPLg), Non Performing Loan Net (NPLn), Net Interest Mergin (NIM), Profit Margin (PM), dan Loan To Deposit Ratio(LDR) . Kemudian penelitian ini perlu dilakukan uji asumsi diskriminan dengan melakukan, antara lain:

50

1. Uji normalitas untuk mengetahui metode statistik yang digunakan. Jika data terdistribusi dengan normal maka uji statistik parametrik yang digunakan, namun jika sebaliknya data tidak terdistribusi dengan normal maka uji non parametrik yang digunakan. Pengujian normalitas dilakukan dengan menggunakan One-Sample Kolmogorov-Smirnov Test dengan melihat tingkat signifikasi 5%. Dasar pengambilan keputusan dari uji normalitas data ini adalah dengan melihat probabilitas asymp. Sig (2-tailed), jika probabilitas asymp. Sig (2tailed) > 0.05 maka data mempunyai distribusi normal, sebaliknya jika < 0.05 maka data mempunyai distribusi tidak normal. 2. Selanjutnya hipotesis yang pertama (H1) ini akan diuji dengan menggunakan Uji Independent Sample T-test jika data terdistribusi dengan normal, jika data tidak normal maka akan di uji dengan menggunakan Uji Mann-Whitney Test. Pengujian ini digunakan untuk menguji dua sampel yang tidak berhubungan (Inpendent) antara bank devisa dengan bank non devisa. Jika probabilitas > 0.05 berarti tidak ada perbedaan yang signifikan, dan sebaliknya jika probabilitas < 0.05 berarti ada perbedaan yang signifikan antara dua sampel tersebut. 3.

Langkah ketiga uji linieritas dilakukan dengan menggunakan Equal Variance-Covariance Matrices adalah asumsi bahwa keragaman sample keseluruhan variabel bebas dari kedua kelompok yang diteliti adalah sama. Pengujian dilakukan menggunakan Box’s M Test dengan

51

α=5%.

Asumsi

linieritas

terpenuhi

apabila

hasil

pengujian

menunjukkan nilai signifikansi < 0.05. Kemudian hipotesis kedua (H2) dalam penelitian ini akan menggunakan analisa metode Multiple Discriminant Analysis (MDA) dilakakukan dengan menggunakan data kedelapan variabel independen, hasil dari analisa metode Multiple Discriminant Analysis (MDA) dapat dibagi menjadi beberapa kategori yakni bank yang dikategorikan bermasalah dan tidak bermasalah. Sehingga dengan menggunakan dengan menggunakan metode Multiple Discriminant Analysis (MDA) dapat diketahui apakah bank tersebut bermasalah atau tidak dan dapat diketahui tingkat akurasi dari model Multiple Discriminant Analysis (MDA). Selanjutnya menggunakan model regresi logistik untuk mengetahui apakah terdapat perbedaan tingkat akurasi pada model MDA dan model logit dalam memprediksi kebangkrutan pada bank devisa dan bank non devisa. Uji regresi logistik digunakan karena pada penguji ini memiliki variabel dependen yang menggunakan dummy dan memiliki variabel independen yang diukur dengan skala rasio (Windarti, 2002:24), sebelum menggunakan uji regresi logistik terlebih dahulu akan dilakukan pengujian dengan menggunakan metode enter, karena penelitian ini memiliki satu variabel dependen berupa data nominal yang memiliki dua kriteria (variabel binary). Sehingga dengan menggunakan model regresi logistik dapat diketahui seberapa besar tingkat akurasi model regresi logistik.

52

Gambar 2.1 Kerangka Berpikir Bank Indonesia Laporan Keuangan Bank Umum Swasta Nasional Devisa dan Non Devisa yang Mengalami Kondisi Bermasalah dan Bank yang Sehat

Rasio-rasio : 1. CAR 2. ATTM 3. NIM 4. LDR 5. PM 6. APB 7. NPLg 8. NPLn

Uji Asumsi Diskriminan : 1.Uji Normalitas 2.Uji Independent Sample T-Test 3.Uji Linieritas

Uji Multiple Discriminant Analysis (MDA) Hasil Perhitungan prediksi kebangkrutan dengan model MDA

Uji Logit

Hasil Perhitungan prediksi kebangkrutan dengan model Logit

Hasil perbandingan perhitungan prediksi kebangkrutan model MDA dan Logit

M. Hipotesis

53

Berdasarkan kerangka pemikiran penelitian dan tujuan penelitian maka hipotesis penelitian dinyatakan sebagai berikut: H1: Rasio keuangan CAR, ATTM, NIM, LDR, PM, APB, NPLg, NPLn memiliki perbedaan yang signifikan antara bank-bank bermasalah dan tidak bermasalah periode 2007-2009. H2: Terdapat perbedaan tingkat akurasi antara model MDA dan model Logit dalam memprediksi kebangkrutan pada Bank-Bank Umum Swasta Nasional Devisa dan Non Devisa di Indonesia.

54

BAB III METODOLOGI PENELITIAN A. Ruang Lingkup Penelitian Dalam ruang lingkup penelitian diperlukan adanya penekanan batasan lokasi, waktu, atau sektor dan variabel-variabel yang dibahas agar peneliti tidak keluar dari wilayah yang diteliti dan akan sangat berguna bagi para peneliti pemula (Abdul Hamid, 2007:28). Ruang lingkup dalam penelitian ini adalah hanya berfokus pada Bank-Bank Umum Swasta Nasional Devisa dan Non Devisa yang ada di Indonesia yang tercantum dalam Buku Direktori Perbankan Indonesia periode 2007-2009. Data yang digunkan dalam penelitian ini adalah data kuantitatif, yaitu data yang diukur dalam suatu skala numerik (angka). Dalam penelitian ini menggunakan data sekunder yaitu data yang telah dikumpulkan oleh lembaga pengumpulan data dan dipublikasi kepada masyarakat pengguna data. Variabel penelitian ini hanya pada rentang waktu tahun 2007 hingga 2009 sumber data yang diambil dari Bank Indonesia berupa laporan keuangan bank. Variabel dalam penelitian ini adalah rasio-rasio keuangan, antara lain: Capital Adequacy Ratio, Aktiva Tetap terhadap Modal, Aktiva Produktif Bermasalah, Non Performing Loan Gross, Non Performing Loan Net, Net Interest Mergin, Profit Margin, dan Loan To Deposit Ratio .

55

B. Metode Penentuan Sampel Populasi dalam penelitian ini adalah Bank-Bank Umum Swasta Nasional Devisa dan Non Devisa yang ada di Indonesia yang tercantum dalam Buku Direktori Perbankan Indonesia periode tahun 2007-2009, yang memiliki total aktiva sebesar 1 Trilyun – 15 Trilyun Rupiah per Desember 2009, bank yang dijadikan sampel terbagi menjadi dua kelompok yaitu bank bermasalah dan tidak bermasalah. Teknik sampel yang digunakan dalam penelitian adalah metode purpossive sampling, yaitu teknik penentuan sampel dengan pertimbangan atau kriteria tertentu (Sugiyono, 2009:122). Kriteria pemilihan sampel yang akan diteliti sebagai berikut: 1. Bank-Bank Umum Swasta Nasional Devisa dan Non Devisa yang mempublikasikan

laporan

keuangan

periode

Desember

2007-

Desember 2009. 2. Total aktiva yang dimiliki bank-bank tersebut sebesar 1 Trilyun – 15 Trilyun periode tahun 2009. 3. Bank yang dijadikan sampel terbagi menjadi dua kategori yaitu: a. Bank yang tidak bermasalah, yaitu: 1) Bank-bank yang tidak masuk program penyehatan perbankan dan tidak dalam pengawasan khusus. Bank-bank tersebut beroperasi sampai tahun 2009. 2) Bank-bank tersebut tidak mengalami kerugian pada tahun 2007-2009.

56

b. Bank bermasalah, yaitu: 1) Bank-bank yang mengalami laba bersih operasi (net operating income) negatif selama dua tahun berturut-turut. (Whitaker, 1999 dalam Nurhasanah, 2010). 2) Bank-bank yang mengalami kerugian lebih dari 75% modal disetor selama dua tahun berturut-turut. (KUHD pasal 47 ayat 2) Dari kriteria yang dijelaskan diatas, populasi dalam penelitian ini adalah 34 Bank Umum Swasta Nasional Devisa dan 36 Bank Umum Swasta Nasional Non Devisa. Sedangkan sampel yang memenuhi kriteria dalam penelitian ini sebanyak 13 Bank Umum Swasta Nasional Devisa dan 3 Bank Umum Swasta Nasional Non Devisa. Kemudian dibagi ke dalam dua kategori dimana kategori 0 (bermasalah) berjumlah 3 bank (BUSN Devisa dan BUSN Non Devisa), sedangkan kategori 1 (tidak bermasalah) berjumlah 16 bank (BUSN Devisa dan BUSN Non Devisa). Sampel ini didapat dari ketersediaan laporan

keuangan Bank Umum Swasta Nasional Devisa dan Non Devisa. Dengan demikian selama tiga periode penelitian diperoleh sebanyak 48 data pengamatan dilihat pada tabel 3.1 berikut ini.

57

Tabel 3.1 Pengambilan Sampel Penelitian Pengambilan Sampel 2007 2008 2009 Jumlah bank yang terdaftar di Direktori Bank Indonesia 130 124 121 Bank Persero (5) (5) (4) BPD (26) (26) (26) Bank Campuran (17) (15) (16) Bank Asing (11) (10) (10) Tidak tersedia data dan tidak memenuhi kriteria (BUSND (55) (52) (49) dan BUSNND) Jumlah sampel dalam penelitian 16 16 16 Jumlah data pengamatan selama 3 tahun 48

C. Metode Pengumpulan Data Dalam penelitian ini data yang digunakan adalah data sekunder yang diperoleh dari berbagai sumber. Data-data tersebut diperoleh melalui berbagai cara, diantaranya: 1. Library Research Merupakan cara pengumpulan data melalui studi pustaka yaitu mempelajari buku-buku yang berkaitan dengan pembahasan, jurnaljurnal dan skripsi-skripsi untuk memperoleh teori yang mendukung penelitian ini. Selain itu di sini peneliti juga menggunakan Buku Direktori Perbankan Indonesia periode tahun 2007-2009 untuk melihat daftar Bank-Bank Umum Swasta Nasional Devisa dan Non Devisa dan laporan tahunan Bank-Bank Umum Swasta Nasional Devisa dan Non Devisa yang di peroleh dari perpustakaan Bank Indonesia. 2. Internet research Merupakan cara pengumpulan data yang diakses melalui internet. Cara ini digunakan untuk mencari jurnal-jurnal serta referensi lainnya

58

guna mendukung penelitian ini. Data diperoleh dengan mengakses situs yang dimiliki Bank Indonesia (http://bi.go.id).

D. Metode Analisis Penelitian ini menggunakan analisis regresi logistik dan Multiple Discriminant Analysis (MDA) atas rasio-rasio keuangan. Analisis data adalah merupakan kegiatan mengolah data yang telah terkumpul kemudian dapat memberikan interprestasi pada hasil-hasil tersebut. Kegiatan dalam analisis data meliputi : pengelompokan data tiap variabel yang diteliti, melakukan perhitungan untuk menguji hipotesis yang diajukan. Adapun analisis yang digunakan adalah sebagai berikut: 1. Analisis Deskriptif Analisis deskriptif kuantitatif merupakan analisis data yang dilakukan untuk mengetahui dan menjelaskan variabel yang diteliti berupa angka-angka sebagai dasar dalam pengambilan keputusan, dimana dalam penelitian ini angka-angka tersebut adalah rasio-rasio keuangan dan kondisi bank yang dikategorikan dalam 2 kelompok, yaitu kondisi bank yang tidak bermasalah (1) dan kondisi bank yang bermasalah (0) selama 3 tahun berturut-turut dalam periode 2007-2009.

59

2. Uji Asumsi Diskriminan a. Uji Normalitas Hasil

analisis

penyimpangan

diskriminan

atas

asumsi

sangat

yang

sensitif

digunakan.

jika

terjadi

Jika

asumsi

kenormalan data tidak terpenuhi akan berakibat pada kesalahan dalam melakukan estimasi fungsi diskriminan. menuliskan bahwa asumsi kenormalan data harus dipenuhi oleh sebuah model dengan beberapa alasan (Gujarati, 1997:67): 1. Data normal menghasilkan model prediksi yang tidak bias, serta memiliki varians yang minimum. 2. Data normal menghasilkan model yang konsisten , yaitu dengan meningkatnya jumlah sampel ke jumlah yang tidak terbatas, penaksir akan mengarah ke nilai populasi yang sebenarnya. Uji normalitas dilakukan juga untuk mengetahui apakah dalam sebuah model variabel bebas mempunyai distribusi normal atau mendekati

distribusi

normal.

Uji

ini

dilakukan

dengan

menggunakan one-sample Kolmogorov Smirnov test. Data tidak berdistribusi dengan normal ditandai dengan asimp. Sig (2 tailed) < 0,05. Hasil uji normalitas dengan menggunakan uji one-sample Kolmogrov Smirnov Test dijadikan sebagai pedoman dalam menentukan pengujian hipotesis pertama. Hipotesis pertama (H1) akan diuji menggunakan uji Independent sample t Test jika

60

berdistribusi normal, dan akan diuji dengan alat uji Mann Whitney Test jika datanya memiliki distribusi tidak normal.

b. Independent Samples T-test Uji beda t-test digunakan untuk menentukan apakah dua sampel yang tidak berhubungan memiliki nilai rata-rata yang berbeda. Uji beda t-test dilakukan dengan standart eror dari perbedaan rata-rata dua sample dalam nilai rata-rata terdistribusi secara normal (Imam Ghozali, 2005: 56): t=

µ1 - µ2 S.E

Dimana : µ1

= Rata-rata sampel pertama

µ2

= Rata-rata sampel kedua

S.E

= Standart Eror perbedaan rata-rata kedua sampel Hipotesis pertama menyatakan bahwa terdapat perbedaan

antara bank yang bermasalah dengan bank yang tidak bermasalah pada rasio keuangan. Pengujian terhadap hipotesis pertama dilakukan dengan menggunakan uji Independent sample T-test. Uji Independent sample T-test dilakukan terhadap data yang terdistribusi normal, dan menggunakan alat uji Mann Whitney Test jika data terdistribusi tidak normal.

61

Dari hasil pengujian ini dapat diketahui terdapat tidaknya perbedaan rasio. Kondisi antara bank bermasalah dan bank tidak bermasalah. Pengambilan keputusan dilakukan dengan melihat nilai asymp. Sig (2-tailed) > 0.05. Apabila nilai asymp. Sig (2tailed) > 0.05 atau probabilitas variabel bebas > 0.05 maka tidak terdapat perbedaan rasio keuangan antara kondisi bank tidak bermasalah dan bank bermasalah. Apabila nilai asymp. Sig (2tailed) < 0.05 atau probabilitasnya < 0.05 maka terdapat perbedaan rasio keuangan antara kondisi bank tidak bermasalah dan bank bermasalah.

c. Uji Linieritas Equal Variance-Covariance Matrices adalah asumsi bahwa keragaman sample keseluruhan variabel bebas dari kedua kelompok yang diteliti adalah sama. Pelanggaran terhadap asumsi ini akan menimbulkan penyimpangan terhadap keakuratan fungsi diskriminan dalam mengelompokkan sampel kedalam salah satu kategori tertentu. Pengujian dilakukan menggunakan Box’s M Test dengan α=5%. Asumsi linieritas terpenuhi apabila hasil pengujian menunjukkan nilai signifikansi < 0.05.

62

3. Analisis Multiple Discriminat Analtsis (MDA) Hipotesis kedua merupakan pengujian terhadap variabel-variabel rasio keuangan yang mempunyai kemampuan dalam membentuk model untuk memprediksi kebangkrutan bank. Hipotesis yang kedua akan diuji dengan menggunakan MDA (Multiple Diskriminant Analysis). Dengan menggunakan MDA, variabel independen akan diuji dan diseleksi dengan metode stepwise sehingga diperoleh model prediksi yang paling tepat untuk memprediksi kebangkrutan bank. Variabel independen yang masuk ke dalam seleksi SPSS akan menjadi persamaan fungsi diskriminan sebagai model prediksi yang terbentuk. Adapun model prediksi yang dibentuk dari MDA disajikan berikut ini: Gambar 3.1 Model Fungsi Diskriminan

Zscore = a +W1X1+W2X2+W3X3+W4X4+W5X5+W6X6+W7X7+W8X8 Notasi: Zscore a W X1 X2 X3 X4 X5 X6 X7 X8

= Discriminant score = Intersep = timbangan diskriminan variabel independen = Capital Adequency Ratio (CAR) = Aktiva Tetap terhadap Modal (ATTM) = Net Interest Margin (NIM) = Loan To Deposit Ratio (LDR) = Profit Margin (PM) = Aktiva Produktif Bermasalah (APB) = Non Performing Loan Gross (NPLg) = Non Performing Loan Net (NPLn)

Dengan menggunakan fungsi diskriminan dapat dihitung nilai optimum cutting score (Zcu) dari rata-rata z score setiap kategori

63

sehingga kondisi bermasalah suatu bank dapat diprediksi secara tepat. Hasil dari fungsi diskriminan (Zscore) akan dibandingkan dengan nilai Zcu yang telah terbentuk. Apabila nilai Zscore < Zcu, maka bank akan dikategorikan ke dalam bank tidak bermasalah dan apabila nilai Zscore > Zcu, maka perusahaan akan dikategorikan ke dalam bank bermasalah. Dari model prediksi yang terbentuk oleh program SPSS akan dapat diketahui tingkat ketepatan model prediksi tersebut. 4. Analisis Regresi Binari Logistik Pengujian hipotesis dalam penelitian ini dilakukan dengan analisis multivariate

dengan

menggunakan

regresi

logistik

(logistic

regression), dimana analisis ini digunakan untuk menguji variabel bebas yang terdiri dari CAR, ATTM, NIM, LDR, PM, APB, NPLg, NPLn terhadap kondisi bank. Model binary logistic adalah model yang memiliki variabel dependen berupa kategori, sedangkan variabel independennya berupa data numeric. Data kategori pada variabel independen kemudian di beri nilai 0 dan 1. Setiap nilai dugaan dari variabel independen terhadap variabel dependen dinyatakan dalam nilai probabilitas. Dalam penelitian ini, model regresi logistik yang digunakan adalah model binary logistic regression yaitu model yang variabel dependennya berupa data kategori, dimana bank yang bermasalah diberi kode 0 dan bank yang tidak bermasalah diberi kode 1.

64

Penggunaan

regresi

logistik

ini

tidak

mensyaratkan

adanya

multivariate normal distribution karena tidak memerlukan asumsi normalitas data pada variabel bebasnya (Ghozali, 2005:211). Model Regresi Logistik yang digunakan untuk menguji hipotesis dalam penelitian ini adalah sebagai berikut : Gambar 3.2 Model Regresi Logistik P1 Ln 1 – P1

= β0 + β1X1 + β2X2+ β3X3+ β4X4 + β5X5+ β6X6+ β7X7+ β8X8

Notasi: P1 Ln 1 – P1

= Dummy variabel kondisi bank (P1 = 1 untuk bank tidak bermasalah dan 1 – P1 = 0 untuk bank yang bermasalah

β0 β1-8 X1 X2 X3 X4 X5 X6 X7 X8

= Konstanta = Koefisien = Capital Adequency Ratio (CAR) = Aktiva Tetap terhadap Modal (ATTM) = Net Interest Margin (NIM) = Loan To Deposit Ratio (LDR) = Profit Margin (PM) = Aktiva Produktif Bermasalah (APB) = Non Performing Loan Gross (NPLg) = Non Performing Loan Net (NPLn)

a. Menilai Model Fit Penilaian keseluruhan model menggunakan nilai -2 Loglikelihood untuk melihat model yang lebih baik dalam memprediksi kondisi bermasalah,

Loglikelihood

ditransformasikan

menjadi

-2

Loglikelihood dimana output SPSS 17.0 memberikan dua nilai, yaitu

65

: pertama, untuk model pertama hanya terdapat konstanta dan nilai -2 Loglikelihood serta kedua, untuk model dengan konstanta dan variabel bebas. Jika terjadi penurunan dalam nilai -2 Loglikelihood pada blok kedua jika dibandingkan dengan blok pertama maka dapat disimpulkan bahwa model kedua regresi menjadi lebih baik (Ghozali, 2005:218). b. Koefisien Cox & Snell R Square dan Nagelkerke’s R Square Cox & Snell’s R Square merupakan ukuran yang mencoba meniru ukuran R2 pada multiple ragression yang didasarkan pada teknik estimasi -2 Loglikelihood dengan nilai maksimum kurang dari 1 sehingga sulit di interpretasikan. Negelkerke’s R Square merupakan modifikasi dari koefisien Cox & Snell R Square untuk memastikan bahwa nilainya bervariasi dari 0-1. Hal ini dilakukan dengan cara membagi nilai Cox & Snell R Square dengan nilai maksimumnya. Nilai Nagelkerke’s R Square dapat diinterpretasikan seperti nilai R2 pada multiple regression (Ghozali, 2005:219). Nilai koefisien Nagelkerke R Square umumnya lebih besar dari nilai koefisien Cox & Snell R Square tapi cenderung lebih kecil dibandingkan dengan nilai koefisien determinasi R2 pada regresi linear berganda (Uyanto, 2006:236).

66

c. Hosmer and Lemeshow’s Goodness of Fit Test Kelayakan model regresi dinilai dengan menggunakan Hosmer and Lemeshow’s Goodness of Fit Test. Hosmer and Lemeshow’s Goodness of Fit Test menguji H0 yang menyatakan bahwa data empiris yang digunakan sesuai dengan model (tidak ada perbedaan antara model dengan data sehingga model dapat dikatakan fit). Hipotesis yang digunakan adalah sebagai berikut : H0 = Tidak terdapat perbedaan antara klasifikasi yang diprediksi dengan klasifikasi yang diamati. Ha = Terdapat perbedaan antara klasifikasi yang diprediksi dengan klasifikasi yang diamati. Jika nilai Hosmer and Lemeshow’s Goodness of Fit Statistic sama dengan atau kurang dari 0.05 maka H0 ditolak, artinya ada perbedaan signifikansi antara model dengan nilai observasinya sehingga Goodness Fit Model tidak baik, karena model tidak dapat memprediksi nilai observasinya. Jika nilai Statistics Hosmer and Lemeshow’s Goodness of Fit lebih besar dari 0.05 maka H0 diterima, artinya model mampu memprediksi nilai observasinya atau dapat dikatakan model dapat diterima karena cocok dengan data observasinya (Ghozali, 2005:219).

67

d. Ketepatan Prediksi Klasifikasi Tabel klasifikasi (Clasification Table) yang terdapat pada output SPSS 17.0 model regresi logistik digunakan untuk menghitung nilai estimasi yang benar (correct) dan yang salah (incorrect). Kolom menunjukkan 2 (dua) nilai prediksi dari variabel dependen yaitu : perusahaan yang memiliki pergerakan harga saham di bawah rata-rata industri (0) dan perusahaan yang memiliki pergerakan harga saham di atas rata-rata industri (1), sedangkan pada baris menunjukan nilai observasi sesungguhnya yang sesuai dengan data aktual. Pada model yang sempurna maka semua kasus akan berada pada diagonal dengan tingkat ketepatan peramalan 100% (Ghozali, 2005:220).

e. Uji Wald Statistics Uji Wald pada tabel variables in the equation digunakan untuk menguji apakah masing-masing koefisien regresi logistik signifikan. Uji Wald sama dengan kuadrat dari rasio koefisien regresi logistik β dan standar error S.E dengan tingkat signifikansi α < 0.05 (Uyanto, 2006:236).

f. Pengujian Hipotesis Pengujian hipotesis dalam penelitian ini dilakukan dengan melihat Uji Independent sample t Test dengan prosedur pengujian sebagai berikut :

68

1) Menentukan hipotesis 2) Membandingkan nilai probabilitas (P-value) dalam Uji Independent sample t Test dengan tingkat signifikansi (α) 5%. 3) Kriteria penerimaan dan penolakan hipotesis : a) H1 diterima jika nilai probabilitas (P-value) ≥ 0.05. Pengujian hipotesis kedua dalam penelitian ini dilakukan dengan melihat tabel klasifikasi (Clasification Table) yang terdapat pada output SPSS 17.0 dengan prosedur pengujian sebagai berikut:

1) Menentukan hipotesis. 2) Membandingkan

tingkat

akurasi

antara

model

Multiple

Discriminant Analysis (MDA) dan model Regresi Binari Logistik. 3) Kriteria penerimaan dan penolakan hipotesis: a) H2 diterima jika terdapat perbedaan tingkat akurasi. b) Ha diterima (H0 ditolak) jika tidak terdapat perbedaan tingkat akurasi.

E. Operasional Variabel- variabel Penelitian a. Operasional Variabel Dependen Penelitian Variabel dependen sering disebut juga variabel output, kriteria, konsekuen. Dalam bahasa Indonesia sering disebut sebagai variabel terikat. Variabel terikat merupakan variabel yang dipengaruhi atau yang menjadi akibat, karena adanya variabel bebas (Sugiyono, 2009:59).

69

Variabel dependent (terikat) dalam penelitian ini adalah kondisi Bank Umum Swasta Nasional Devisan dan Non Devisa yang terdaftar di Direktori Perbankan Indonesia periode 2007-2009 yang terbagi menjadi 2 (dua) kategori yaitu: a. Kode 1

=Kelompok bank yang tidak bermasalah

b. Kode 0

= Kelompok bank yang bermasalah

b. Operasional Variabel Independen Penelitian Variabel independent sering disebut sebagai variabel stimulus, prediktor, antecedent. Dalam bahasa Indonesia sering disebut ssebagai variabel bebas. Variabel

independent

(bebas)

adalah

merupakan

variabel

yang

mempengaruhi atau yang menjadi sebab perubahannya atau timbulnya variabel dependent (Sugiyono, 1990:59). Variabel independen yang digunakan dalam penelitian ini adalah sebagai berikut: 1. Rasio Capital a) Capital Adequacy Ratio CAR adalah Perbandingan antara modal yang dimiliki bank terhadap aktiva tertimbang menurut risiko. b) Aktiva Tetap Terhadap Modal (ATTM) adalah perbandingan antara aktiva tetap dan inventaris terhadap modal.

70

2. Rasio Kualitas Asset a) Aktiva Produktif Bermasalah (APB) adalah perbandingan antara aktiva produktif bermasalah terhadap total aktiva produktif. b) Non Performing Loan Gross (NPLg) adalah perbandingan antara jumlah kredit bermasalah kolektibilitas 3 sampai 5 terhadap total kredit yang diberikan. c) Non Performing Loan Net (NPLn) adalah perbandingan antara kredit yang diberikan kolektibilitas 3 sampai 5 dikurangi PPAP khusus kolektibilitas 3 sampai 5 terhadap total kredit yang diberikan. 3. Rasio Profitabilitas a) Net Interest Margin (NIM) adalaha perbandingan antara pendapatan bunga bersih terhadap jumlah kredit yang diberikan. b) Profit Margin (PM) adalan perbandingan antara biaya bunga terhadap total asset. 4. Rasio Likuiditas a) Loan To Deposit Ratio (LDR) adalah perbandingan antara total kredit yang diberikan terhadap total dana pihak ketiga.

71

BAB IV ANALISIS DAN PEMBAHASAN

B. Sekilas Gambaran Umum Obyek Penelitian Obyek penelitian ini adalah Bank Umum Swasta Nasional Devisa, dan Bank Umum Swasta Nasional non Devisa periode dari tahun 2007 sampai dengan tahun 2009 yang mempublikasikan laporan keuangannya di Direktori Bank Indonesia. Obyek dalam penelitian ini sebanyak 16 bank yang termasuk dalam kriteria dalam penelitian ini. Daftar sampel kedua kategori tersebut dapat dilihat dalam tabel 4.1 dan tabel 4.2 berikut ini. Tabel 4.1 Bank Umum Swasta Nasional Devisa No 1 2 3 4 5 6 7 8 9 10 11 12 13

Bank Tidak Bermasalah PT. Bank Bumi Arta, Tbk PT. Bank Ganesha PT. Bank Kesawan, Tbk PT. Bank Mayapada Internasional PT. Bank Mestika Dharma PT. Bank Nusantara Parahyangan, Tbk PT. Bank Sinarmas PT. Bank Swadesi, Tbk PT. Bank Harda Internasional PT. Bank Jasa Jakarta PT. Bank Kesejahteraan Ekonomi PT. Bank Victoria International PT. Bank Yudha Bhakti

Tabel 4.2 Bank Umum Swasta Nasional Non Devisa No 1 2 3

Bank Bermasalah PT. Bank Agroniaga, Tbk PT. Bank Mutiara, Tbk PT. Bank Eksekutif International, Tbk

72

B. Analisis dan Pembahasan 1. Analisis Deskriptif Perolehan data-data dari variabel indikator yang diteliti, diantaramnya sebagai berikut: a. Capital Adequacy Ratio (CAR) Capital Adequacy Ratio menunjukkan perbandingan modal bank dan aktiva tertimbang menurut risiko. Semakin besar rasio ini maka semakin tinggi kemampuan bank untuk menutupi penurunan aktivanya sebagai akibat dari kerugian-kerugian bank yang disebabkan oleh aktiva yang berisiko, begitupula sebaliknya. Perhitungan nilai Capital Adequacy Ratio(CAR) dari 16 Bank Devisa dan Non Devisa periode 2007-2009 dapat dilihat melalui tabel 4.3 berikut ini Tabel 4.3 Perhitungan Nilai CAR No

Nama Bank 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16

PT. Bank Bumi Arta, Tbk PT. Bank Ganesha PT. Bank Kesawan, Tbk PT. Bank Mayapada Internasional PT. Bank Mestika Dharma PT. Bank Nusantara Parahyangan, Tbk PT. Bank Sinarmas PT. Bank Swadesi, Tbk PT. Bank Harda Internasional PT. Bank Jasa Jakarta PT. Bank Kesejahteraan Ekonomi PT. Bank Victoria International PT. Bank Yudha Bhakti PT. Bank Agroniaga, Tbk PT. Bank Mutiara, Tbk PT. Bank Eksekutif International, Tbk Rata-rata Minimum Maksimum

2007 CAR 0.3430 0.2100 0.1036 0.2995 0.2609 0.1762 0.1118 0.2066 0.1398 0.2344 0.2089 0.1958 0.1638 0.1794 0.1591 0.1191 0.1945 0.1036 0.3430

2008 CAR 0.3115 0.2121 0.1043 0.2369 0.2649 0.1411 0.1152 0.3327 0.1658 0.2563 0.1434 0.2322 0.1524 0.1351 -0.3962 0.0934 0.1563 -0.3962 0.3327

2009 CAR 0.2842 0.1004 0.1256 0.1756 0.2848 0.1260 0.1305 0.3290 0.1350 0.2461 0.1317 0.1692 0.1311 0.2000 0.1231 0.0802 0.1733 0.0802 0.3290

Sumber : data diolah

73

Berdasarkan tabel 4.3 menunjukkan bahwa rata-rata nilai CAR pada industri perbankan, mengalami fluktuasi dari tahun 2007-2009. Pada tahun 2007 rata-rata nilai CAR yang dihasilkan sebesar 19.45% kemudian menurun di tahun 2008 menjadi 15.63%, ini menunjukkan bahwa modal yang dimiliki bank untuk menunjung aktiva yang mengandung risiko semakin berkurang. Namun pada tahun 2009 nilai CAR kembali naik menjadi 17.33%. Bank yang memiliki nilai CAR tertinggi di tahun 2007 adalah PT. Bank Bumi Arta, Tbk sebesar 34.30% sedangkan terendah dimiliki oleh PT. Bank Kesawan, Tbk sebesar 10.36%. CAR paling besar dimiliki oleh bank Bumi Arta, Tbk, hal ini menujukkan bahwa tingginya kemampuan bank untuk menutupi penurunan sebagai akibat dari kerugian-kerugian bank yang disebabkan oleh aktiva yang berisiko. Pada tahun 2008 bank yang memiliki nilai CAR tertinggi adalah PT. Bank Swadesi, Tbk sebesar 33.27% sedangkan terendah dimiliki oleh PT. Bank Mutiara, Tbk sebesar -39.62%. CAR paling besar dimiliki oleh PT. Bank Swadesi, Tbk, hal ini menujukkan bahwa tingginya kemampuan bank untuk menutupi penurunan sebagai akibat dari kerugian-kerugian bank yang disebabkan oleh aktiva yang berisiko. Pada tahun 2009 nilai CAR tertinggi masih dimiliki oleh PT. Bank Swadesi, Tbk sebesar 32.90% sedangkan terendah dimiliki oleh PT. Bank Eksekutif International, Tbk sebesar 8.02%. CAR paling besar dimiliki oleh PT. Bank Swadesi, Tbk, hal ini menujukkan bahwa tingginya

74

kemampuan bank untuk menutupi penurunan sebagai akibat dari kerugiankerugian bank yang disebabkan oleh aktiva yang berisiko. Akan tetapi jika dilihat secara keseluruhan rata-rata rasio CAR seluruh bank cukup baik karena masih diatas rata-rata standart adalah sebesar 8% yang telah ditetapkan oleh Bank Indonesia.

b. Aktiva Tetap Terhadap Modal (ATTM) Aktiva Tetap Terhadap Modal menunjukkan perbandingan aktiva tetap dan inventaris terhadap modal. Semakin tinggi rasio ini maka semakin rendah kecukupan modal yang dimiliki bank dalam menunjang aktiva tetap dan inventaris sehingga kemungkinan suatu bank dalam kondisi bermasalah akan semakin besar, begitupula sebaliknya. Perhitungan nilai Aktiva Tetap Terhadap Modal (ATTM) dari 16 Bank Devisa dan Non Devisa periode 2007-2009 dapat dilihat melalui tabel 4.4 berikut ini.

75

Tabel 4.4 Pehitungan Nilai ATTM No

Nama Bank

1 PT. Bank Bumi Arta, Tbk 2 PT. Bank Ganesha 3 PT. Bank Kesawan, Tbk 4 PT. Bank Mayapada Internasional 5 PT. Bank Mestika Dharma 6 PT. Bank Nusantara Parahyangan, Tbk 7 PT. Bank Sinarmas 8 PT. Bank Swadesi, Tbk 9 PT. Bank Harda Internasional 10 PT. Bank Jasa Jakarta 11 PT. Bank Kesejahteraan Ekonomi 12 PT. Bank Victoria International 13 PT. Bank Yudha Bhakti 14 PT. Bank Agroniaga, Tbk 15 PT. Bank Mutiara, Tbk 16 PT. Bank Eksekutif International, Tbk Rata-rata Maksimum Minimum

2007 CAR 46.60% 29.09% 52.74% 29.08% 19.50% 13.72% 27.65% 29.67% 39.86% 13.05% 7.61% 27.32% 15.91% 13.36% 23.97% 113.62% 31.42% 113.62% 7.61%

2008 CAR 44.71% 31.28% 53.97% 35.85% 17.66% 13.48% 40.89% 13.19% 33.45% 12.76% 9.63% 23.22% 14.51% 14.97% -18.36% 111.20% 28.28% 111.20% -18.36%

2009 CAR 46.53% 34.05% 47.15% 37.30% 16.92% 13.00% 43.18% 12.97% 33.72% 12.78% 9.55% 31.30% 14.26% 11.00% 60.93% 175.97% 37.54% 175.97% 9.55%

Sumber: data diolah Berdasarkan tabel 4.4 menunjukkan bahwa rata-rata nilai ATTM pada industri perbankan, mengalami fluktuasi dari tahun 2007-2009. Pada tahun 2007 rata-rata nilai ATTM yang dihasilkan sebesar 31.42% kemudian menurun di tahun 2008 menjadi 28.28%, hal ini menunjukkan kecukupan modal yang dimiliki bank dalam menunjang aktiva tetap dan inventaris semakin berkurang sehingga kemungkinan suatu bank dalam kondisi bermasalah dapat terjadi. Namun pada tahun 2009 nilai ATTM kembali naik menjadi 37.54%. Bank yang memiliki nilai ATTM tertinggi di tahun 2007 adalah PT. Bank Eksekutif International, Tbk sebesar 113.62% sedangkan terendah dimiliki oleh PT. Bank Kesejahteraan Ekonomi sebesar

76

7.61%. ATTM paling besar dimiliki oleh PT. Bank Eksekutif International, Tbk, hal ini menunjukkan bahwa modal yang dimiliki bank tersebut kurang mencukupi dalam menunjang aktiva tetap dan inventaris sehingga kemungkinan bank dalam kondisi bermasalah semakin besar. Bank yang memiliki nilai ATTM tertinggi di tahun 2008 adalah PT. Bank Eksekutif International, Tbk sebesar 111.20% sedangkan terendah dimiliki oleh PT. Bank Mutiara, Tbk sebesar -18.36%. ATTM paling besar dimiliki oleh PT. Bank Eksekutif International, Tbk, hal ini menunjukkan bahwa modal yang dimiliki bank tersebut kurang mencukupi dalam menunjang aktiva tetap dan inventaris sehingga kemungkinan bank dalam kondisi bermasalah semakin besar. Pada tahun 2009 nilai ATTM tertinggi masih dimiliki oleh PT. Bank Eksekutif International, Tbk sebesar 175.97% sedangkan terendah dimiliki oleh PT. Bank Kesejahteraan Ekonomi sebesar 9.55%. ATTM paling besar dimiliki oleh PT. Bank Eksekutif International, Tbk, hal ini menunjukkan bahwa modal yang dimiliki bank tersebut kurang mencukupi dalam menunjang aktiva tetap dan inventaris sehingga kemungkinan bank dalam kondisi bermasalah semakin besar.

77

c. Net Interest Margin (NIM) Net Interest Margin menunjukkan perbandingan antara pendapatan bunga bersih terhadap jumlah kredit yang diberikan (outstanding credit). Semakin besar rasio ini maka meningkatnya pendapatan bunga atas aktiva produktif yang dikelola bank sehingga kemungkinan suatu bank dalam kondisi bermasalah semakin kecil, begitupula sebaliknya. Perhitungan nilai Net Interest Margin (NIM) dari 16 Bank Devisa dan Non Devisa periode 2007-2009 dapat dilihat melalui tabel 4.5 berikut ini. Tabel 4.5 Pehitungan Nilai NIM No

Nama Bank

1 PT. Bank Bumi Arta, Tbk 2 PT. Bank Ganesha 3 PT. Bank Kesawan, Tbk 4 PT. Bank Mayapada Internasional 5 PT. Bank Mestika Dharma 6 PT. Bank Nusantara Parahyangan, Tbk 7 PT. Bank Sinarmas 8 PT. Bank Swadesi, Tbk 9 PT. Bank Harda Internasional 10 PT. Bank Jasa Jakarta 11 PT. Bank Kesejahteraan Ekonomi 12 PT. Bank Victoria International 13 PT. Bank Yudha Bhakti 14 PT. Bank Agroniaga, Tbk 15 PT. Bank Mutiara, Tbk 16 PT. Bank Eksekutif International, Tbk Rata-rata Maksimum Minimum Sumber : data diolah

2007 NIM 6.60% 4.58% 4.68% 6.85% 8.85% 3.61% 4.15% 3.72% 4.08% 4.54% 8.85% 2.56% 5.64% 4.03% 3.34% 8.44% 5.28% 8.85% 2.56%

2008 NIM 6.90% 4.16% 4.24% 7.57% 8.68% 3.60% 3.66% 5.44% 4.58% 4.27% 6.97% 2.61% 5.21% 4.07% -0.85% 7.63% 4.92% 8.68% -0.85%

2009 NIM 7.00% 4.42% 4.78% 6.74% 9.15% 3.69% 5.04% 5.41% 5.44% 5.30% 5.70% 2.38% 4.70% 5.00% 0.76% 7.45% 5.19% 9.15% 0.76%

78

Berdasarkan tabel 4.5 menunjukkan bahwa rata-rata nilai NIM pada industri perbankan, mengalami fluktuasi dari tahun 2007-2009. Pada tahun 2007 rata-rata nilai NIM yang dihasilkan sebesar 5.28% kemudian menurun di tahun 2008 menjadi 4.92%, hal ini menunjukkan menurunnya pendapatan bunga atas aktiva produktif yang dikelola bank sehingga kemungkinan suatu bank dalam kondisi bermasalah semakin besar. Namun pada tahun 2009 nilai NIM kembali naik menjadi 5.19%. Bank yang memiliki nilai NIM tertinggi di tahun 2007 adalah PT. Bank Mestika Dharma dan PT. Bank Kesejahteraan Ekonomi sebesar 8.85% sedangkan terendah dimiliki oleh PT. Bank Victoria International sebesar 2.56%. NIM paling besar dimiliki oleh PT. Bank Mestika Dharma dan PT. Bank Kesejahteraan Ekonomi, hal ini menunjukkan bahwa kemampuan manajemen bank tersebut cukup baik dalam

mengelola

aktiva

produktifnya

sehingga

menghasilkan

pendapatan bunga bersih dan kemungkinan suatu bank dalam kondisi bermasalah semakin kecil. Bank yang memiliki nilai NIM tertinggi di tahun 2007 adalah PT. Bank Mestika Dharma dan PT. Bank Kesejahteraan Ekonomi sebesar 8.85% sedangkan terendah dimiliki oleh PT. Bank Victoria International sebesar 2.56%. NIM paling besar dimiliki oleh PT. Bank Mestika Dharma dan PT. Bank Kesejahteraan Ekonomi, hal ini menunjukkan bahwa kemampuan manajemen bank tersebut cukup baik

79

dalam

mengelola

aktiva

produktifnya

sehingga

menghasilkan

pendapatan bunga bersih dan kemungkinan suatu bank dalam kondisi bermasalah semakin kecil. Bank yang memiliki nilai NIM tertinggi di tahun 2008 dan 2009 adalah PT. Bank Mestika Dharma sebesar 8.68% pada tahun 2008 dan 9.15% pada tahun 2009 sedangkan terendah pada tahun 2008 dan 2009 dimiliki oleh PT. Bank Mutiara, Tbk sebesar -0.85% pada tahun 2008 dan 0.76% pada tahun 2009. NIM paling besar dimiliki oleh PT. Bank Mestika Dharma, hal ini menunjukkan bahwa kemampuan manajemen bank tersebut cukup baik dalam mengelola aktiva produktifnya sehingga menghasilkan pendapatan bunga bersih dan kemungkinan suatu bank dalam kondisi bermasalah semakin kecil.

d. Loan To Deposit Ratio (LDR) Loan To Deposit Ratio menunjukkan perbandingan antara total kredit yang diberikan dengan total Dana Pihak Ketiga (DPK). Semakin tinggi rasio ini, semakin rendahnya kemampuan likuiditas bank yang bersangkutan sehingga kemungkinan suatu bank dalam kondisi bermasalah akan semakin besar, begitupula sebaliknya. Perhitungan nilai Loan To Deposit Ratio (LDR) dari 16 Bank Devisa dan Non Devisa periode 2007-2009 dapat dilihat melalui tabel 4.6 berikut ini.

80

Tabel 4.6 Pehitungan Nilai LDR No

Nama Bank

1 PT. Bank Bumi Arta, Tbk 2 PT. Bank Ganesha 3 PT. Bank Kesawan, Tbk 4 PT. Bank Mayapada Internasional 5 PT. Bank Mestika Dharma 6 PT. Bank Nusantara Parahyangan, Tbk 7 PT. Bank Sinarmas 8 PT. Bank Swadesi, Tbk 9 PT. Bank Harda Internasional 10 PT. Bank Jasa Jakarta 11 PT. Bank Kesejahteraan Ekonomi 12 PT. Bank Victoria International 13 PT. Bank Yudha Bhakti 14 PT. Bank Agroniaga, Tbk 15 PT. Bank Mutiara, Tbk 16 PT. Bank Eksekutif International, Tbk Rata-rata Maksimum Minimum Sumber : data diolah

2007 LDR

2008 LDR

2009 LDR

51.99%

59.86%

50.58%

69.57%

76.30%

63.41%

68.46%

74.66%

66.97%

103.88%

100.22%

83.77%

89.36%

97.82%

92.26%

49.39%

66.12%

73.64%

62.18%

83.31%

79.01%

62.16%

83.11%

81.10%

65.52%

68.52%

71.31%

85.23%

83.55%

85.00%

94.12%

103.35%

102.32%

55.92%

53.46%

50.43%

52.60%

67.54%

59.38%

77.02%

94.80%

81.00%

43.61%

93.16%

81.66%

78.06%

71.04%

79.22%

69.32%

79.80%

75.07%

103.88%

103.35%

102.32%

43.61%

53.46%

50.43%

Berdasarkan tabel 4.6 menunjukkan bahwa rata-rata nilai LDR pada industri perbankan, mengalami fluktuasi dari tahun 2007-2009. Pada tahun 2007 rata-rata nilai LDR yang dihasilkan sebesar 69.32% kemudian mengalami peningkatan di tahun 2008 menjadi 79.80 %, hal ini menunjukkan semakin rendahnya kemampuan likuiditas bank yang bersangkutan. Namun pada tahun 2009 nilai LDR mengalami penurunan menjadi sebesar 79.22%. Bank yang memiliki nilai LDR tertinggi di tahun 2007 adalah PT. Bank Mayapada Internasional sebesar 103.88% sedangkan terendah

81

dimiliki oleh PT. Bank Mutiara, Tbk sebesar 43.61%. NIM paling besar dimiliki oleh PT. Bank Mayapada Internasional, hal ini menunjukkan semakin rendahnya kemampuan likuiditas bank yang bersangkutan, sehingga kemungkinan bank tersenut dalam kondisi bermasalah semakin besar. Bank yang memiliki nilai LDR tertinggi di tahun 2008 dan 2009 adalah PT. Bank Kesejahteraan Ekonomi sebesar 103.35% pada tahun 2008 dan 102.32% pada tahun 2009 sedangkan terendah pada tahun 2008 dan 2009 dimiliki oleh PT. Bank Victoria International sebesar 53.48% pada tahun 2008 dan 50.43% pada tahun 2009. LDR paling besar dimiliki oleh PT. Bank Kesejahteraan Ekonomi, hal ini menunjukkan semakin rendahnya kemampuan likuiditas bank yang bersangkutan, sehingga kemungkinan bank tersenut dalam kondisi bermasalah semakin besar. Akan tetapi jika dilihat secara keseluruhan rata-rata rasio LDR seluruh bank cukup baik karena masih dibawah rata-rata standart adalah sebesar 110% yang telah ditetapkan oleh Bank Indonesia.

e. Proft Margin (PM) Profit Margin (PM) perbandingan antara biaya bunga dengan total asset yang dimiliki bank. Semakin besar rasio ini maka semakin produktif sehingga akan memperkecil kemungkinan terjadinya kegagalan bank. Perhitungan nilai Profit Margin (PM) dari 16 Bank

82

Devisa dan Non Devisa periode 2007-2009 dapat dilihat melalui tabel 4.7 berikut ini. Tabel 4.7 Pehitungan Nilai PM No

Nama Bank

1 PT. Bank Bumi Arta, Tbk 2 PT. Bank Ganesha 3 PT. Bank Kesawan, Tbk 4 PT. Bank Mayapada Internasional 5 PT. Bank Mestika Dharma 6 PT. Bank Nusantara Parahyangan, Tbk 7 PT. Bank Sinarmas 8 PT. Bank Swadesi, Tbk 9 PT. Bank Harda Internasional 10 PT. Bank Jasa Jakarta 11 PT. Bank Kesejahteraan Ekonomi 12 PT. Bank Victoria International 13 PT. Bank Yudha Bhakti 14 PT. Bank Agroniaga, Tbk 15 PT. Bank Mutiara, Tbk 16 PT. Bank Eksekutif International, Tbk Rata-rata Maksimum Minimum Sumber : data diolah

2007 PM

2008 PM

2009 PM

4.40%

4.40%

4.00%

5.31%

5.31%

7.09%

6.48%

6.48%

5.63%

6.17%

6.17%

6.93%

4.07%

4.07%

3.70%

5.83%

5.83%

6.48%

4.18%

4.18%

5.66%

5.75%

5.75%

5.37%

6.71%

6.71%

6.05%

6.12%

6.12%

5.53%

5.41%

5.41%

9.87%

5.13%

5.13%

6.69%

7.55%

7.55%

8.41%

7.90%

8.71%

7.54%

4.10%

13.05%

6.29%

7.13%

6.70%

6.96%

5.76%

6.35%

6.39%

7.90%

13.05%

9.87%

4.07%

4.07%

3.70%

Berdasarkan tabel 4.7 menunjukkan bahwa rata-rata nilai PM pada industri perbankan, mengalami peningkatan dari tahun 2007-2009. Pada tahun 2007 rata-rata nilai PM yang dihasilkan sebesar 5.76% kemudian mengalami peningkatan di tahun 2008 menjadi 6.35%. Pada tahun 2009 nilai PM terus mengalami peningkatan menjadi sebesar 79.22%. Bank yang memiliki nilai PM tertinggi di tahun 2007 adalah PT. Bank Agroniaga, Tbk sebesar 7.90% sedangkan terendah dimiliki oleh 83

PT. Bank Mestika Dharma sebesar 4.07%. PM paling besar dimiliki oleh PT. Bank Agroniaga, Tbk, hal ini menunjukkan semakin produktif manajemen bank sehingga akan memperkecil kemungkinan terjadinya kegagalan bank. Pada tahun 2008 nilai PM tertinggi dimiliki oleh PT. Bank Mutiara, Tbk sebesar 13.05%, sedangkan nilai PM terendah dimiliki oleh Mestika Dharma sampai tahun 2009 sebesar 4.07% dan 3.70% hal ini menunjukkan bahwa manajemen bank tersebut kurang produktif dalam menghasilkan keuntungan sehingga kemungkinan terjadinya kegagalan bank semakin besar.

f. Aktiva Produktif Bermasalah (APB) Aktiva Produktif Bermasalah menunjukkan perbandingan antara aktiva produktif bermasalah dengan total aktiva produktif. Semakin tinggi rasio ini maka semakin buruk kualitas aktiva produktif yang menyebabkan meningkatnya PPAP yang tersedia. Perhitungan nilai Aktiva Produktif Bermasalah (APB) dari 16 Bank Devisa dan Non Devisa periode 2007-2009 dapat dilihat melalui tabel 4.8 berikut ini.

84

Tabel 4.8 Pehitungan Nilai APB No

Nama Bank

2007 APB 1.00% 1.09% 4.56% 2.18% 2.93% 0.92% 0.16% 0.94% 0.46% 0.82% 1.30% 0.96% 2.62% 13.36% 1.09% 14.25% 3.04% 14.25% 0.16%

2008 APB 0.99% 1.01% 3.43% 0.35% 1.71% 0.81% 1.53% 1.54% 1.04% 0.80% 1.34% 0.96% 1.33% 5.11% 58.30% 13.17% 5.84% 58.30% 0.35%

1 PT. Bank Bumi Arta, Tbk 2 PT. Bank Ganesha 3 PT. Bank Kesawan, Tbk 4 PT. Bank Mayapada Internasional 5 PT. Bank Mestika Dharma 6 PT. Bank Nusantara Parahyangan, Tbk 7 PT. Bank Sinarmas 8 PT. Bank Swadesi, Tbk 9 PT. Bank Harda Internasional 10 PT. Bank Jasa Jakarta 11 PT. Bank Kesejahteraan Ekonomi 12 PT. Bank Victoria International 13 PT. Bank Yudha Bhakti 14 PT. Bank Agroniaga, Tbk 15 PT. Bank Mutiara, Tbk 16 PT. Bank Eksekutif International, Tbk Rata-rata Maksimum Minimum Sumber : data diolah Berdasarkan tabel 4.8 menunjukkan bahwa rata-rata nilai APB pada industri perbankan, mengalami peningkatan dari tahun 20072009. Pada tahun 2007 rata-rata nilai APB yang dihasilkan sebesar 3.04% kemudian mengalami peningkatan di tahun 2008 menjadi 5.84%. Pada tahun 2009 nilai PM terus mengalami peningkatan menjadi sebesar 6.14%. Bank yang memiliki nilai APB tertinggi di tahun 2007 adalah PT. Bank Eksekutif International, Tbk sebesar 14.25% sedangkan terendah dimiliki oleh PT. Bank Sinarmas sebesar 0.16%. APB paling besar dimiliki oleh PT. Bank Eksekutif International, Tbk, hal ini menunjukkan buruknya kualitas aktiva produktif yang menyebabkan

85

2009 APB 0.86% 1.23% 4.56% 0.68% 8.11% 1.29% 2.94% 1.21% 2.36% 0.49% 1.48% 1.16% 1.69% 5.00% 42.08% 23.12% 6.14% 42.08% 0.49%

meningkatnya PPAP yang tersedia sehingga kemungkinan terjadinya kondisi bermasalah bank tersebut semakin besar. Nilai APB terendah dimiliki oleh

PT. Bank Mayapada

Internasional sebesar 0.35% pada tahun 2008 sedangkan terendah pada tahun 2009 adalah PT. Bank Jasa Jakarta sebesar 0.49%. Pada tahun 2008 sampai 2009 nilai PM tertinggi dimiliki oleh PT. Bank Mutiara, Tbk sebesar 58.30% dan 42.08%, hal ini menunjukkan buruknya kualitas aktiva produktif yang menyebabkan meningkatnya PPAP yang tersedia sehingga kemungkinan terjadinya kondisi bermasalah bank tersebut semakin besar.

g. Non Performing Loan Gross (NPLg) Non Performing Loan Gross menunjukkan semakin besar rasio ini maka semakin buruk kualitas kredit yang menyebabkan jumlah kredit bermasalah semakin besar. Perhitungan nilai Non Performing Loan Gross (NPLg) dari 16 Bank Devisa dan Non Devisa periode 20072009 dapat dilihat melalui tabel 4.9 berikut ini.

86

Tabel 4.9 Pehitungan Nilai NPLg No

Nama Bank

1 PT. Bank Bumi Arta, Tbk 2 PT. Bank Ganesha 3 PT. Bank Kesawan, Tbk 4 PT. Bank Mayapada Internasional 5 PT. Bank Mestika Dharma 6 PT. Bank Nusantara Parahyangan, Tbk 7 PT. Bank Sinarmas 8 PT. Bank Swadesi, Tbk 9 PT. Bank Harda Internasional 10 PT. Bank Jasa Jakarta 11 PT. Bank Kesejahteraan Ekonomi 12 PT. Bank Victoria International 13 PT. Bank Yudha Bhakti 14 PT. Bank Agroniaga, Tbk 15 PT. Bank Mutiara, Tbk 16 PT. Bank Eksekutif International, Tbk Rata-rata Maksimum Minimum Sumber : data diolah

2007 NPL g

2008 NPL g

2009 NPL g

2.27%

1.92%

2.15%

1.28%

1.39%

2.08%

6.81%

4.08%

5.70%

0.48%

2.83%

0.96%

4.01%

2.13%

10.78%

1.89%

1.24%

1.83%

0.26%

1.99%

2.18%

1.95%

2.16%

1.64%

0.67%

1.53%

3.37%

1.27%

1.24%

0.75%

1.84%

1.49%

1.64%

2.39%

2.54%

3.00%

4.96%

2.03%

2.58%

6.54%

6.15%

7.00%

3.46%

35.17%

37.59%

15.17%

15.49%

27.90%

3.45%

5.21%

6.95%

15.17%

35.17%

37.59%

0.26%

1.24%

0.75%

Berdasarkan tabel 4.9 menunjukkan bahwa rata-rata nilai NPLg pada industri perbankan, mengalami peningkatan dari tahun 20072009. Pada tahun 2007 rata-rata nilai NPLg yang dihasilkan sebesar 3.45% kemudian mengalami peningkatan di tahun 2008 menjadi 5.21%. Pada tahun 2009 nilai PM terus mengalami peningkatan menjadi sebesar 6.95%, hal ini menunjukkan buruknya kualitas kredit sehingga memungkinkan kondisi bermasalah semakin besar. Bank yang memiliki nilai NPLg tertinggi di tahun 2007 adalah PT. PT. Bank Eksekutif International, Tbk sebesar 15.17% sedangkan

87

terendah dimiliki oleh PT. Bank Sinarmas sebesar 0.26%. NPLg paling besar dimiliki oleh PT. Bank Eksekutif International, Tbk, hal ini menunjukkan kemampuan manajemen bank kurang baik dalam mengelola kualitas kredit sehingga kredit bermasalah. Pada tahun 2008 sampai 2009 nilai NPLg tertinggi adalah PT. Bank Mutiara, Tbk sebesar 35.15% dan 37.59%, hal ini menunjukkan kemampuan manajemen bank kurang baik dalam mengelola kualitas kredit sehingga kredit bermasalah. Nilai NPLg terendah adalah PT. Bank Jasa Jakarta sebesar 1.24% dan 0.75%.

h. Non Performing Loan Net (NPLn) . Non Performing Loan Net menunjukkan semakin besar rasio ini maka semakin buruk kualitas kredit yang menyebabkan jumlah kredit bermasalah semakin besar. Perhitungan nilai Non Performing Loan Net (NPLn) dari 16 Bank Devisa dan Non Devisa periode 2007-2009 dapat dilihat melalui tabel 4.10 berikut ini.

88

Tabel 4.10 Pehitungan Nilai NPLn No

Nama Bank

1 PT. Bank Bumi Arta, Tbk 2 PT. Bank Ganesha 3 PT. Bank Kesawan, Tbk 4 PT. Bank Mayapada Internasional 5 PT. Bank Mestika Dharma 6 PT. Bank Nusantara Parahyangan, Tbk 7 PT. Bank Sinarmas 8 PT. Bank Swadesi, Tbk 9 PT. Bank Harda Internasional 10 PT. Bank Jasa Jakarta 11 PT. Bank Kesejahteraan Ekonomi 12 PT. Bank Victoria International 13 PT. Bank Yudha Bhakti 14 PT. Bank Agroniaga, Tbk 15 PT. Bank Mutiara, Tbk 16 PT. Bank Eksekutif International, Tbk Rata-rata Maksimum Minimum Sumber : data diolah

2007 2008 2009 NPL n NPL n NPL n 1.78% 1.46% 1.71% 1.03% 1.14% 1.62% 6.33% 3.74% 5.33% 0.14% 2.07% 0.49% 3.96% 2.06% 9.65% 1.48% 1.12% 1.81% 1.27% 1.72% 1.65% 1.47% 1.82% 1.42% 0.62% 1.51% 3.30% 0.78% 0.87% 0.18% 0.48% 0.43% 0.45% 0.20% 0.44% 1.15% 4.30% 1.83% 2.54% 4.58% 3.59% 4.00% 3.33% 10.42% 9.53% 14.36% 14.29% 18.39% 2.88% 3.03% 3.95% 14.36% 14.29% 18.39% 0.14% 0.43% 0.18%

Berdasarkan tabel 4.9 menunjukkan bahwa rata-rata nilai NPLn pada industri perbankan, mengalami peningkatan dari tahun 20072009. Pada tahun 2007 rata-rata nilai NPLn yang dihasilkan sebesar 2.88% kemudian mengalami peningkatan di tahun 2008 menjadi 3.03%. Pada tahun 2009 nilai NPLn terus mengalami peningkatan menjadi sebesar 3.95%, hal ini menunjukkan buruknya kualitas kredit sehingga memungkinkan kondisi bermasalah semakin besar. Bank yang memiliki nilai NPLn tertinggi di tahun 2007 adalah PT. Bank Eksekutif International, Tbk sebesar 14.36% sedangkan terendah dimiliki oleh PT. Bank Mayapada Internatsional sebesar 0.14%. NPLn

89

paling besar dimiliki oleh PT. Bank Eksekutif International, Tbk, hal ini menunjukkan kemampuan manajemen bank kurang baik dalam mengelola kualitas kredit sehingga kredit bermasalah. Pada tahun 2008 sampai 2009 nilai NPLn tertinggi adalah PT. Bank Eksekutif International, Tbk sebesar 14.29% dan 18.39%, hal ini menunjukkan kemampuan manajemen bank kurang baik dalam mengelola kualitas kredit sehingga kredit bermasalah. Nilai NPLn terendah pada tahun 2008 adalah PT. Bank Kesejahteraan Ekonomi sebesar 0.43%, sedangkan pada tahun 2009 adalah PT. Jasa Jakarta sebesar 0.18%. Pada rasio NPLg dan NPLn mengindikasikan bahwa terdapat bank yang belum menerapkan prinsip kehati-hatian dalam menyalurkan kredit. Sedangkan rata-rata keseluruhan mempunyai NPL yang relatif rendah yang memperlihatkan bahwa kemampuan yang baik dalam pengelolaan kredit bermasalah.

2. Uji Asumsi Diskriminan Sebelum melakukan uji diskriminan, terlebih dahulu harus memenuhi asumsi dasar, antara lain: a. Uji Normalitas Data Berdasarkan uji One Sample Kolmogorov Smirnov test, yaitu uji yang dilakukan untuk mengetahui alat uji analisis yang digunakan untuk melakukan uji beda (parametrik atau non parametrik). Untuk

90

sampel penelitian yang berdistribusi normal, alat uji yang digunakan adalah uji beda parametrik Independen Sample T-test dengan P value lebih besar dari 0.05 sedangkan untuk sampel penelitian yang berdistribusi tidak normal, alat uji yang digunakan adalah uji beda non parametrik Mann Whitney U dengan P value lebih kecil dari 0.05. Analisis normalitas data masing-masing rasio disajikan pada tabel 4.11 berikut ini. Tabel 4.11 Hasil Uji Normalitas One Sample Kolmogorov-Smirnov Test CAR N Normal Parametersa,,b

Mean Std. Deviation Most Extreme Absolute Differences Positive Negative Kolmogorov-Smirnov Z Asymp. Sig. (2-tailed)

48 .174698 .1099012 .188 .075 -.188 1.303 .067

ATTM 48 .324119 .3137897 .194 .194 -.194 1.346 .053

NIM 48 .051296 .0207269 .107 .107 -.105 .742 .640

LDR 48 .747281 .1588295 .056 .056 -.053 .385 .998

PM

APB

NPLg

NPLn

48 48 48 48 .062971 -3.948440 -3.587806 -4.007703 .0165664 1.2014204 1.0284222 1.1294836 .120 .186 .152 .102 .120 .186 .152 .102 -.067 -.128 -.114 -.084 .832 1.287 1.053 .705 .493 .073 .218 .703

a. Test distribution is Normal. b. Calculated from data.

Sumber : data diolah

Berdasarkan hasil uji normalitas data yang ditampilkan pada tabel 4.11 di atas dapat dijelaskan bahwa variabel CAR, ATTM, NIM, LDR, PM, APB, NPLg dan NPLn dikatakan

data terdistribusi dengan

normal karena memiliki probabilitas signifikan dengan Asymp. Sig (2Tailed) lebih besar dari α = 0.05 maka H0 diterima. Langkah selanjutnya adalah melakukan uji beda. Uji beda dilakukan untuk mengetahui apakah variabel CAR, ATTM, NIM,

91

LDR, PM, APB, NPLg dan NPLn memiliki perbedaan yang signifikan antara bank-bank bermasalah dan tidak bermasalah perioda 2007-2009. Pada penelitian ini uji beda dilakukan dengan menggunakan alat uji Independen Sample T-test untuk data yang berdistribusi normal.

b. Uji Independent Sample T-test Uji Independent Sample T-Test dilakukan pada variabel-variabel yang datanya terdistribusi dengan normal. Dari hasil uji normalitas One Sample Kolmogorov-Smirnov diketahui bahwa semua rasio-rasio keuangan terdistribusi dengan normal. Terdapat dua hipotesis pada Uji Independent Sample T-Test, yaitu: H0 : Tidak terdapat perbedaan yang signifikan antara bank yang bermasalah dengan bank yang tidak bermasalah. H1 : Terdapat perbedaan yang signifikan antara bank yang bermasalah dengan bank yang tidak bermasalah. Dalam pengujian hipotesis, berdasarkan P-value adalah sebagai berikut jika P-Value > 0.05, maka H0 diterima, namun jika P-Value < 0.05, maka H0 ditolak.

92

Rasio CAR ATTM NIM LDR PM APB NPLg NPLn

Tabel 4.12 Uji Independent Sample T-Test Signifikansi Hipotesis Null 0,092 Diterima 0,000 Ditolak 0,031 Ditolak 0,194 Diterima 0,172 Diterima 0,073 Diterima 0,157 Diterima 0,635 Diterima

Sumber : data diolah Berdasarkan tabel 4.12 dapat diketahui bahwa rasio CAR signifikansinya sebesar 0.092, ATTM signifikansinya sebesar 0.000, NIM signifikansinya sebesar 0.031, LDR signifikansinya sebesar 0.194, PM signifikansinya sebesar 0.172, APB signifikansinya sebesar 0.073, NPLg signifikansinya sebesar 0.157, NPLn signifikansinya sebesar 0.635, maka dapat disimpulkan bahwa hipotesis null ditolak artinya rasio ATTM dan NIM memiliki perbedaan yang signifikan antara bank bermasalah dan bank yang tidak bermasalah. Untuk rasio CAR, LDR, PM, APB, NPLg, dan NPLn signifikansinya mempunyai P value lebih besar dari 0.05, maka dapat disimpulkan bahwa hipotesis null diterima atau hipotesis alternatif ditolak artinya rasio CAR, LDR, PM, APB, NPLg, dan NPLn tidak memiliki perbedaan yang signifikan antara bank yang bermasalah dan bank yang tidak bermasalah.

93

c. Uji Linieritas Pengujian ini dilakukan dengan menggunakan Box’s M Test dengan α = 5%. Asumsi linieritas terpenuhi apabila hasil pengujian menunjukkan nilai signifikansi < 0.05. Dalam tabel 4.13 ditunjukkan bahwa variance error dari keseluruhan variabel independen adalah konstan karena menghasilkan signifikansi sebesar 0.045 (lebih kecil dari 0.05) artinya data telah memenuhi asumsi linieritas. Tabel 4.13 Uji Linieritas Test Results Box's M F Approx.

4.202 4.036

Df1

1

Df2

1608.089

Sig.

.045

Tests null hypothesis of equal population covariance matrices.

Sumber : data diolah 3. Analisis Multiple Discriminant Analysis (MDA) Dalam penelitian ini variabel dependen Y bertipe kategori 2 pilihan yaitu : Bank yang dikategorikan bermasalah diberi kode “0” dan bank dikategorikan yang tidak bermasalah “1”. Berikut ini adalah ringkasan hasil pengujian dari analisis Multiple Diskriminant Analysis (MDA). Langkah pertama dalam analisis MDA terlihat pada tabel Analysis Case Processing Summary yang menunjukkan bahwa tidak ada data yang hilang. Berdasarkan hasil tabel tersebut untuk model MDA dari sampel dikatakan valid 100% dengan jumlah sampel sebesar 48 menunjukkan bahwa data lengkap dan tidak ada satupun data yang hilang.

94

Tabel 4.14 Analysis Case Processing Summary Unweighted Cases Valid Excluded Missing or out-of-range group codes At least one missing discriminating variable Both missing or out-of-range group codes and at least one missing discriminating variable Total Total Sumber: data diolah

N

Percent

48 0 0 0

100.0 .0 .0 .0

0 48

.0 100.0

1. Test of Equality of Group Means Langkah selanjutnya adalah mengindentifikasi faktor-faktor apa yang signifikan untuk membedakan antara dua kelompok tersebut. Pada tabel Test of Equality of Group Means memberikan nilai Wilk’s Lambda dan Univariate F Ratio untuk setiap variabel independen. Nilai Wilk’s Lambda berkisar antara 0 hingga 1. Jika nilai Wilk’s Lambda mendekati 0 (nol) menunjukkan bahwa semakin signifikan karakteristik tersebut membedakan antara dua variasi kelompok. Sebaliknya, jika nilai Wilk’s Lambda semakin mendekati angka 1, maka variasi data untuk karakteristik tersebut cenderung sama untuk dua kelompok tersebut. Untuk F test dapat digunakan nilai P-value pada kolom signifikannya dimana Sig. > 0.05 maka tidak ada perbedaan antar group atau Sig. < 0.05 maka ada perbedaan antar group.

95

Tabel 4.15 Tests of Equality of Group Means Wilks' Lambda CAR .814 ATTM .863 NIM .973 LDR .992 PM .855 APB .472 NPLg .484 NPLn .624 Sumber : data diolah

F 10.522 7.274 1.269 .391 7.819 51.522 49.113 27.761

df1

df2 1 1 1 1 1 1 1 1

Sig. 46 46 46 46 46 46 46 46

.002 .010 .266 .535 .008 .000 .000 .000

Dari tabel 4.15 Test of Equality of Group Means dapat dilihat hasil uji beda diatas nilai signifikan variabel CAR adalah dibawah 0.05 yaitu sebesar 0.002 dengan nilai Wilk’s Lamda sebesar 0.814. Hal ini berarti menunjukkan adanya perbedaan antar grup, atau variabel CAR bagi bank yang dikategorikan bank bermasalah dan bank tidak bermasalah ternyata berbeda secara nyata. Bank yang dikategorikan bank bermasalah atau dikategorikan bank tidak bermasalah terkait dengan besarnya CAR bank tersebut. Dengan kata lain perusahaan yang dikategorikan bank bermasalah memiliki nilai CAR lebih kecil atau lebih besar dibandingkan bank yang tidak bermasalah.dan bank tidak bermasalah. Variabel ATTM nilai signifikan adalah dibawah 0.05 yaitu sebesar 0.010 dengan nilai Wilk’s Lamda sebesar 0.836. Hal ini berarti menunjukkan adanya perbedaan antar grup, atau variabel ATTM bagi

96

bank yang dikategorikan bank bnermasalah dan dikategorikan bank tidak bermasalah ternyata beda secara nyata. Bank yang dikategorikan bank bermasalah atau dikategorikan bank tidak bermasalah terkait dengan besarnya ATTM bank tersebut. Dengan kata lain perusahaan yang dikategorikan bank bermasalah memiliki nilai ATTM lebih kecil atau lebih besar dibandingkan bank yang tidak bermasalah.dan bank tidak bermasalah. Variabel NIM nilai signifikan adalah diatas 0.05 yaitu sebesar 0.226 dengan nilai Wilk’s Lamda sebesar 0.973 mendekati angka 1. Hal ini berarti menunjukkan tidak adanya perbedaan antar grup, atau variabel NIM bagi bank dikategorikan bank bermasalah dan bank yang tidak bemasalah ternyata sama secara nyata. Variabel LDR nilai signifikan adalah diatas 0.05 yaitu sebesar 0.535 dengan nilai Wilk’s Lamda sebesar 0.992 mendekati angka 1. Hal ini berarti menunjukkan tidak adanya perbedaan antar grup, atau variabel LDR bagi bank dikategorikan bank bermasalah dan bank yang tidak bemasalah ternyata sama secara nyata. Variabel PM nilai signifikan adalah dibawah 0.05 yaitu sebesar 0.008 dengan nilai Wilk’s Lamda sebesar 0.855. Hal ini berarti menunjukkan adanya perbedaan antar grup, atau variabel PM bagi bank yang dikategorikan bank bnermasalah dan dikategorikan bank tidak bermasalah ternyata beda secara nyata. Bank yang dikategorikan

97

bank bermasalah atau dikategorikan bank tidak bermasalah terkait dengan besarnya PM bank tersebut. Dengan kata lain perusahaan yang dikategorikan bank bermasalah memiliki nilai PM lebih kecil atau lebih besar dibandingkan bank yang tidak bermasalah dan bank tidak bermasalah. Variabel APB nilai signifikan adalah dibawah 0.05 yaitu sebesarb 0.000 dengan nilai Wilk’s Lamda sebesar 0.472. Hal ini berarti menunjukkan adanya perbedaan antar grup, atau variabel APB bagi bank yang dikategorikan bank bnermasalah dan dikategorikan bank tidak bermasalah ternyata beda secara nyata. Bank yang dikategorikan bank bermasalah atau dikategorikan bank tidak bermasalah terkait dengan besarnya APB bank tersebut. Dengan kata lain perusahaan yang dikategorikan bank bermasalah memiliki nilai APB lebih kecil atau lebih besar dibandingkan bank yang tidak bermasalah.dan bank tidak bermasalah. Variabel NPLg nilai signifikan adalah di bawah 0.05 yaitu sebesar 0.000 dengan nilai Wilk’s Lamda sebesar 0.484. Hal ini berarti menunjukkan adanya perbedaan antar grup, atau variabel NPLg bagi bank yang dikategorikan bank bnermasalah dan dikategorikan bank tidak bermasalah ternyata beda secara nyata. Bank yang dikategorikan bank bermasalah atau dikategorikan bank tidak bermasalah terkait dengan besarnya NPLg bank tersebut. Dengan kata lain perusahaan yang dikategorikan bank bermasalah memiliki nilai NPLg lebih kecil 98

atau lebih besar dibandingkan bank yang tidak bermasalah.dan bank tidak bermasalah. Variabel NPLn nilai signifikan adalah di bawah 0.05 yaitu sebesar 0.000 dengan nilai Wilk’s Lamda sebesar 0.624. Hal ini berarti menunjukkan adanya perbedaan antar grup, atau variabel NPLn bagi bank yang dikategorikan bank bnermasalah dan dikategorikan bank tidak bermasalah ternyata beda secara nyata. Bank yang dikategorikan bank bermasalah atau dikategorikan bank tidak bermasalah terkait dengan besarnya NPLn bank tersebut. Dengan kata lain perusahaan yang dikategorikan bank bermasalah memiliki nilai NPLn lebih kecil atau lebih besar dibandingkan bank yang tidak bermasalah.dan bank tidak bermasalah. Dari kedelapan variabel hanya terdapat enam variabel rasio keuangan yakni CAR, ATTM, PM, APB, NPLg dan NPLn yang mempunyai nilai signifikansi dibawah 0.05 sehingga terdapat perbedaan antar grup. Artinya bahwa variabel rasio keuangan CAR, ATTM, PM, APB, NPLg dan NPLn mempengaruhi bermasalah atau tidaknya suatu bank. Untuk variabel NIM dan LDR mempunyai nilai signifikansi diatas 0.05

sehingga tidak ada perbedaan antar grup.

Artinya bahwa variabel rasio keuangan NIM dan LDR menghasilkan nilai yang relatif sama terhadap bermasalah atau tidaknya suatu bank.

99

2. Pemilihan Variabel Diskriminator Untuk menentukan variabel apa saja yang paling efesien didalam membedakan antar bank yang dikategorikan bemasalah dan tidak bermasalah maka digunakan prosedur stepwise. Mahalobis distance akan digunakan unruk prosedur stepwise guna menentukan variabel yang memiliki kekuatan terbesar mendiskriminasi.

a. Tahap Pemilihan Variabel Bebas Tabel 4.16 Uji Variabel Independen Secara Stepwise Variables Entered/Removed

a,b,c,d

Min. D Squared Exact F Step

Entered

Statistic

Between Groups

Statistic

df1

df2

Sig.

1

APB

7.046

0 and 1

51.522

1

46.000

4.933E-9

At each step, the variable that maximizes the Mahalanobis distance between the two closest groups is entered. a. Maximum number of steps is 16. b. Minimum partial F to enter is 3.84. c. Maximum partial F to remove is 2.71. d. F level, tolerance, or VIN insufficient for further computation.

Sumber : data diolah Tabel 4.17 Wilks' Lambda Model MDA

Step 1

Number of Variables 1

Exact F Lambda .472

df1

df2 1

df3 1

46

Statistic 51.522

df1

df2 1 46.000

Sig. .000

Sumber : data diolah

Tabel 4.16 menunjukkan variabel mana saja dari delapan variabel pada model MDA yang bisa dimasukkan (entered) dalam persamaan diskriminan dimulai dari variabel yang memiliki angka F statistic terbesar. Pada tahap pertama, nilai F hitung untuk 100

variabel APB adalah terbesar, mencapai 7.046, maka pada tahap ini variabel APB terpilih. Bedasarkan hasil uji Wilks’ Lambda variabel APB ini memiliki nilai signifikan lebih kecil dari 0.05 yaitu sebesar 0.000 dengan demikian dari delapan variabel yang dimasukkan untuk rasio keuangan model Multiple Dicriminant Analysis (MDA) hanya satu variabel yang signifikan. Sehingga variabel APB secara signifikan mempengaruhi bermasalah atau tidaknya suatu bank, serta hasil stepwise ini mampu membedakan metode kondisi bank berdasarkan pada nilai Wilk;s Lamda dan nilai minimum Mahalanobis distance.

Tabel 4.18 Variabel Terpilih untuk Pembentukan Model Diskriminan Variables in the Analysis Step 1

APB

Tolerance

Sig. of F to Remove

1.000

.000

Sumber : data diolah Tabel 4.18 menunjukkan pada tahap ini significant value 0.05 digunakan sebagai syarat entry

variabel. Pada tabel Variabel

Entered / Removed pertama variabel memiliki nilai signifikan jauh di bawah 0.05, pada Variabel In The Analysis terlihat bahwa pada tahap pertama variabel memiliki nilai Sig. Of F to Remove yaitu sebesar 0.000 jauh di bawah nilai 0.05.

101

3. Uji Corelation Summary Of Canonical Discriminant Function Canonical Corelation untuk mengukur keeratan hubungan antara discriminant score dengan grup, dalam penelitian ini terdapat dua kategori maka terdapat dua grup. Square Canonical Corelationidentik dengan R2 pada regresi yaitu mengukur variasi antar kedua kelompok bank yang dapat dijelaskan oleh variabel diskriminannya. Jadi CR2 mengukur seberapa kuat fungsi diskriminan. Tabel 4.19 Tingkat Keakuratan Eigenvalues Functi on Eigenvalue

% of Variance

Canonical Cumulative % Correlation

1 1.120a 100.0 100.0 .727 a. First 1 canonical discriminant functions were used in the analysis. Sumber : data diolah Hasil pengujian pada tabel 4.19 nilai Canonical Correlation sebesar 0.727 menunjukkan keeratan yang kuat dengan ukuran skala asosiasi 0 sampai 1. jadi dapat disimpulkan bahwa variasi antar kelompok bank berkategori bank bermasalah dan bank tidak bermasalah dapat dijelaskan oleh variabel APB.

102

4. Menentukkan Fungsi Diskriminan Tabel 4.20 Fungsi Dikriminan Canonical Discriminant Function Coefficients Function 1 APB 1.199 (Constant) 4.734 Unstandardized coefficients Sumber : data diolah Pada tabel 4.20 terlihat hanya satu variabel saja yang mempengaruhi terbentuknya fungsi diskriminan yaitu variabel APB. Sehingga fungsi diskriminan yang terbentuk adalah: Z = 4.734 + 1.199 APB

5. Penentuan Nilai Cut-off

Tabel 4.21 Functions at Group Centroids Function Kategori

1

Bermasalah 2.157 tdk bermasalah -.498 Unstandardized canonical discriminant functions evaluated at group means Sumber : data diolah Dari hasil tabel 4.21 Fuctions at Group Centroids, memberikan informasi tentang rata-rata skor diskriminan (centroid). Centroid untuk kelompok bank bermasalah sebesar 2.157 dan kelompok bank yang

103

tidak bermasalah sebesar -0.498 sehingga terdapat nilai cut-off value. Dari nilai function yang diperoleh tersebut akan disesuaikan dengan rumus untuk menghitung cuy-off. Zcu

=

NAZB + NBZA NA + NB

Zcu

=

(39)(2.157) + (9)(-0.498) 39 + 9

Zcu

=

1.659

Sehingga untuk model Multiple Discriminant Analysis (MDA) penentuan nilai batas didasarkan pada nilai rata-rata dari jumlah Zscore dari masing-masing bank yang diperoleh nilai 1.659. Standart yang digunakan untuk menilai apakan bank tersebut dikategorikan bank bermasalah atau bank yang tidak bermasalah adalah: a. Bila Z-score hitung < 1.659 maka bank dikategorikan bermasalah b. Bila Z-score hitung >1.659 maka bank dikategorikan tidak bermasalah. Dari cut-off value ini ada beberapa observasi yang tidak terdiskriminasi dengan baik (misclassified) yaitu observasi yang ke 3, 29, 31, dan 41 yang terdapat pada lampiran 3 tabel casewise statistic . Pada observasi ke 3, 29, dan 31 tersebut, kelompok actual seharusnya masuk kedalam kelompok bank yang tidak bermasalah , tetapi berdasarkan prediksi fungsi diskriminan masuk kelompok bank yang bermasalah. Sebaliknya pada observasi ke 41, berdasarkan kelompok actual

seharusnya

masuk

kelompok

bank

bermasalah

tetapi

104

berdasarkan prediksi fungsi diskriminan masuk kelompok bank tidak bermasalah.

6. Ketepataan Prediksi Klasifikasi Untuk melihat seberapa jauh klasifikasi sudah tepat atau berapa persen terjadi misklasifikasi pada proses klasifikasi ditunjukkan pada tabel Classification Result pada tabel 4.22 berikut ini: Tabel 4.22 Ketepataan Prediksi Klasifikasi Classification Results

b,c

Predicted Group Membership Kategori Original

Count

% Cross-validated

Count %

1

Total

8

1

9

Tidak bermasalah

3

36

39

88.9

11.1

100.0

7.7

92.3

100.0

Bermasalah Tidak bermasalah

a

0

Bermasalah

Bermasalah

8

1

9

Tidak bermasalah

3

36

39

88.9

11.1

100.0

7.7

92.3

100.0

Bermasalah Tidak bermasalah

a. Cross validation is done only for those cases in the analysis. In cross validation, each case is classified by the functions derived from all cases other than that case. b. 91.7% of original grouped cases correctly classified. c. 91.7% of cross-validated grouped cases correctly classified.

Sumber : data diolah Dari table 4.22 merupaka tabel Classification Results yang mengambarkan crosstabulasi antara model awal (original) dengan pengklasifikasian hasil model diskriminan (predictif group membership). Untuk tes keakuratan penglompokkan bank bermasalah dan tidak bermasalah dalam tabel ini menyatakan pada kolom merupakan dua nilai prediksi dari variabel terikat yaitu kondisi bank, dalam hal ini bank

105

bermasalah (0) dan bank tidak bermasalah (1). Pada model yang sempurna, maka semua akan berada pada diagonal dengan tingkat ketepatan peramalan 100%. Hasilnya menunjukan pada kolom, prediksi bank bermasalah ada 9 bank-bank bermasalah, sedangkan pada baris observasi sesungguhnya yang bermasalah terdapat 8 bank. Jadi ketepatan model Multiple Discriminant Analysis (MDA) ini untuk bank yang bermasalah adalah 88.9%. Prediksi bank yang tidak bermasalah ada 39 bank-bank tidak bermasalah, sedangkan pada baris hasil observasi yang sesungguhnya tidak bermasalah sebanyak 36 bank tidak bermaslah dan 3 bank yang bermasalah. Jadi ketepatan model Multiple Discriminant Analysis (MDA) ini untuk bank yang tidak bermasalah adalah 92.3%. Untuk fungsi diskriminan mampu menggelompokkan kasus dengan benar sebesar 90.6 %.

Kemampuan secara rata-rata = 88.9 + 92.3 = 90.6% 2

4. Analisis Regresi Binary Logit Regresi logistik biner (binary logistic regression), adalah logistik dimana variabel dependennya berupa variabel dikotomi atau variabel biner (Stanislaus, 2006:225). Dalam penelitian ini akan dilakukan analisa regresi logit stepwise untuk memilih subset variabel independen yang paling penting dalam hal

106

kemampuan diskriminan. Variabel dependen (respons) Y bertipe kategorik/dua pilihan yaitu: bank-bank yang bermasalah = 0 dan bankbank yang tidak bermasalah = 1. Keterangan ini dapat dilihat dalam tabel 4.23 identifikasi data: Tabel 4.23 Identifikasi data Dependent Variable Encoding Original Value

Internal Value

Bermasalah Tidak bermasalah Sumber : data diolah

0 1

Dalam penelitian ini dengan menggunakan metode regresi logistik biner jumlah data yang diproses sebanyak 48 atau N = 48. Untuk melihat kelengkapan data yang diproses dalam penelitian ini dan tidak adanya misssing case ditunjukan pada tabel Case Processing Summary: Tabel 4.24 Data yang diproses Case Processing Summary Unweighted Casesa Selected Cases

Included in Analysis Missing Cases

N

Percent 48

100.0

0

.0

Total 48 100.0 Unselected Cases 0 .0 Total 48 100.0 a. If weight is in effect, see classification table for the total number of cases. Sumber: data diolah

107

c. Ketepatan Model Prediksi Untuk menilai model yang lebih baik untuk memprediksi kemungkinan

bank

bermasalah,

dilihat

dari

nilai

statistic

-

2LogLikelihood yaitu pada blok pertama (block number = 0) terlihat nilai -2LogLikelihood sebesar 46.327 seperti yang terlihat pada: Tabel 4.25 Ketepatan Model dalam Memprediksi Kondisi Bermasalah (Block Number = 0) Iteration Historya,b,c -2 Log likelihood

Iteration Step 0

Coefficients Constant

1

46.685

1.250

2

46.329

1.453

3

46.327

1.466

4 46.327 1.466 a. Constant is included in the model. b. Initial -2 Log Likelihood: 46.327 c. Estimation terminated at iteration number 4 because parameter estimates changed by less than .001. Sumber : data diolah Kemudian perhitungan nilai -2LogLikelihood (Block Number = 1)terlihat nilai -2LogLikelihood

pada blok kedua sebesar 19.510

sehingga dapat dilihat terjadi penurunan pada blok kedua (Block Number = 1) yang ditunjukkan pada tabel 4.26 sebagai berikut:

108

Tabel 4.26 Ketepatan Model dalam Memprediksi Kondisi Bermasalah (Block Number = 1) Iteration Historya,b,c,d Coefficients Iteration Step 1

-2 Log likelihood

Constant

APM

1

27.430

-2.519

-.955

2

21.127

-4.322

-1.583

3

19.677

-5.709

-2.060

4

19.513

-6.373

-2.288

5

19.510

-6.489

-2.327

6

19.510

-6.491

-2.328

7

19.510

-6.491

-2.328

a. Method: Forward Stepwise (Conditional) b. Constant is included in the model. c. Initial -2 Log Likelihood: 46.327 d. Estimation terminated at iteration number 7 because parameter estimates changed by less than .001.

Sumber : data diolah

d. Koefisien Cox & Snell R Square and Nagelkerke R Square Pada tabel model summary memberikan nilai statistik 2LogLikelihood sebesar 19.510. semakin kecil nilai -2LogLikelihood semakin baik. Koefesien Cox & Snell R Square and Nagelkerke R Square dapat diinterpretasikan sama seperti koefesien determinasi R2 pada regresi linier berganda (Uyanto, 2006: 235). Nilai maksimum Cox & Snell R Square biasanya lebih kecil dari satu, sedangkan Nagelkerke R Square umumnya lebih besar dari nilai koefesien Cox & Snell R Square. Nilai Cox & Snell R Square besarnya sama dengan 0.428, sedangkan Nagelkerke R Square besarnya sama dengan 0.691 ditunjukkan pada tabel 4.27 sebagai berikut:

109

Tabel 4.27 Koefisien Cox & Snell R Square dan Nagelkerke R Square Model Summary Step

-2 Log likelihood

1

19.510

Cox & Snell R Square

a

Nagelkerke R Square

.428

.691

a. Estimation terminated at iteration number 7 because parameter estimates changed by less than .001.

Sumber :data diolah Koefesien Cox & Snell R Square menjelaskan bahwa semua variabel independen (CAR, ATTM, NIM, LDR, PM, APB, NPLg, NPLn) di dalam model biner logistik mampu memprediksi kondisi bermasalah pada Bank Devisa dan Bank non Devisa sebesar 42.8%. Sedangkan Koefesien Nagelkerke R Square menjelaskan bahwa semua variabel independent (CAR, ATTM, NIM, LDR, PM, APB, NPLg, NPLn) di dalam model biner logistik mampu memprediksi kondisi bermasalah pada Bank Devisa dan Bank non Devisa sebesar 69.1% lebih baik di bandingkan dengan menggunakan koefesien Cox & Snell R Square.

e. Uji Chi Square Hosmer and Lemeshow Tabel 4.28 Hasil Identifikasi prediksi klasifikasi Hosmer and Lemeshow Test Step 1

Chi-square 10.019

df

Sig. 7

.187

Sumber: data diolah Hasil pengujian pada tabel 4.28 menunjukkan nilai Chi Square sebesar 10.019 dengan nilai sig. sebesar 0.187 dari hasil tersebut

110

terlihat bahwa nilai signifikan > α = 0.05 (sig. di atas 0.05) yang berarti keputusan yang diambil adalah menerima H0: tidak ada perbedaan antara klasifikasi yang diprediksi dengan klasifikasin yang diamati. Maka model regresi ini bisa digunakan untuk analisis selanjutnya.

f. Ketepatan Prediksi Klasifikasi Untuk melihat ketepatan prediksi klasifikasi dalam penggunaan model regresi binari logit ditunjukkan pada tabel 4.29 berikut ini : Tabel 4.29 Ketepatan Prediksi Klasifikasi Classification Table

a

Predicted kategori Observed Step 1

kategori

0

Percentage Correct

1

0

6

3

66.7

1

1

38

97.4

Overall Percentage

91.7

a. The cut value is .500

Sumber : data diolah Dengan menggunakan delapan variabel independent dalam model ini, yaiti rasio CAR, ATTM, NIM, LDR, PM, APB, NPLg dan NPLn menunjukkan bahwa kebenaran prediksi model suatu bank yang dimasukkan dalam kategori bermasalah sebesar 66.7%, sedangkan untuk kategori tidak bermasalah sebesar 97.4%. Dari hasil identifikasi klasifikasi menunjukkan bahwa variabel CAR, ATTM, NIM, LDR, PM, APB, NPLg dan NPLn secara

111

keseluruhan atau secara rata-rata mempunyai ketepatan prediksi klasifikasi sebesar 82.05%. Angka ketepatan prediksi tersebut dapat digunakan untuk memprediksi kondisi bermasalah pada suatu bank. Ketepatan prediksi secara rata-rata = 66.7 + 97.4 = 82.05 % 2

g. Uji Wald Tabel 4.30 Koefisien Regresi Logistik Variables in the Equation 95% C.I.for EXP(B) B Step 1

a

S.E.

Wald

Df

Sig.

Exp(B)

APM

-2.328

.745

9.776

1

.002

.097

Constant

-6.491

2.475

6.879

1

.009

.002

Lower .023

a. Variable(s) entered on step 1: APM.

Sumber : data diolah Hasil perhitungan koefisien dari model regresi logostic terlihat pada tabel 4.30 menunjukkan bahwa variabel APM signifikan pada α = 0.05. Koefisien variabel APM signifikan pada probabilitas 0.002 < α = 0.05. Uji wald untuk koefisien variabel APM sebesar 9.776 , P-value = 0.002 < 0.05, maka koefisien regresi untuk variabel APM signifikan.

Hasil penggunaan uji beda Independent Sample T-test dalam penelitian ini berdasarkan tabel 4.4 menunjukkan bahwa rasio CAR, LDR, PM, APB, NPLg dan NLPn mempunyai P-value lebih besar dari 0.05 sehingga dapat disimpulkan bahwa rasio tersebut tidak memiliki perbedaan yang signifikan antara bank

112

Upper .419

bermasalah dan bank tidak bermasalah, maka dapat dikatakan bahwa hipotesis 1 ditolak. Untuk rasio ATTM dan NIM memiliki perbedaan yang signifikan antara bank bermasalah dan bank yang tidak bermasalah, maka dapat disimpulkan bahwa hipotesis 1 diterima. Artinya secara umum pada periode 2007-2009 terdapat perbedaan yang signifikan kondisi suatu bank antara bermasalah dan tidak bermasalah ditunjukkan oleh rasio ATTM dan NIM. Penelitian kali ini konsisten dengan penelitian Almilia dan Herdiningtyas (2005) yaitu rasio NIM yang digunakan pada penelitian terdahulu dan sekarang mempunyai perbedaan yang signifikan. artinya rata-rata NIM selama periode penelitian adalah lebih besar rata-rata NIM bank bermasalah. Hasil ini juga menunjukkan bahwa rasio CAR dan LDR memiliki tingkat signifikasi masing-masing sebesar 0.092 dan 0.194. rasio CAR dan LDR mempunyai nilai signifikansi lebeh besar dari 0.05 maka dapat disimpulkan bahwa rasio keuangan CAR dan LDR tidak memiliki perbedaan yang sinifikan antara bank bermasalah dan bank yang tidak bermasalah. Hasil ini konsisten dengan penelitian Sumantri dan Jurnali (2010). Sedangkan hasil perhitungan uji beda berdasarkan tabel Test of Equality of Group Means disimpulkan bahwa dari kedelapan variabel hanya terdapat enam variabel rasio keuangan yakni CAR, ATTM, PM, APB, NPLg dan NPLn yang mempunyai nilai signifikansi dibawah 0.05 sehingga terdapat perbedaan antar grup. Artinya bahwa variabel rasio keuangan CAR, ATTM, PM, APB, NPLg dan NPLn mempengaruhi bermasalah atau tidaknya suatu bank. Untuk variabel NIM dan LDR mempunyai nilai signifikansi diatas 0.05 sehingga tidak ada

113

perbedaan antar grup. Artinya bahwa variabel rasio keuangan NIM dan LDR menghasilkan nilai yang relatif sama terhadap bermasalah atau tidaknya suatu bank. Hasil uji pemilihan variabel untuk pembentukan model diskriminan terpilih satu variabel pada model diskriminan yang lolos uji dan dapat digunakan untuk pembentukan model diskriminan yaitu variabel APB. Dan berdasarkan hasil uji pengeluaran variabel, maka variabel CAR, ATTM, PM, NIM, LDR, NPLg dan NPLn yang tidak lolos uji dan tidak dapat digunakan untuk pembentukan model diskriminan. Nilai Canonical Corelation sebesar 0.727 dengan skala ukuran 0 sampai 1 menunjukkan nilai keerataan hubungan antara discriminant score dengan grup. Dengnan nilai keerataan sebesar 0.727 tersebut maka dapat dikatakan terdapat tingkat keerataan yang cukup tinggi anatara discriminant score dengan grup. Dengan perhitungan yang terdapat pada tabel Canonical Discriminat Function Coefficient hanya terdapat satu variabel yaitu variabel APB saja yang mempengaruhi terbentuknya fungsi diskriminan. Sehingga fungsi diskriminan yang terbentuk adalah sebagai berikut: Z-score = 4.734 + 1.199 APB

Dengan demikianbesar kecilnya nilai z-score suatu bank ditentukkan pula oleh besar atau kecilnya nilai APB yang diperoleh tersebut. Dengan kata lain bangkrut atau tidaknya suatu bank yang diteliti tergantung besar kecilnya nilai APB .

114

Berdasarkan tabel Functions at Group Centroids, dan perhitungan rumus maka diperoleh nilai cut-off sebesar 1.659. Dan nilai cut-off tersebut merupakan indikator penentu apakah suatu bank masuk dalam kategori bank bermasalah atau banti tidak bermasalah disesuaikan dengan nilai z-score yang diperoleh. Hasil persamaan Multiple Discriminant Analysis (MDA) dalam penelitian ini menunjukkan daya ketepatan prediksi secara keseluruhan adalah sebesar 91.7% dengan ketepatan prediksi klasifikasi untuk kelompok bank tidak bermasalah sebesar 92.3% dan bank bermasalah sebesar 88.9% yang ditunjukkan pada lampiran 3 tabel Classification Tabel (output SPSS 17.0) dengan cut value 0.500. Hal ini menunjukkan bahwa variabel CAR, ATTM, NIM, LDR, PM, APB, NPLg dan NPLn dapat digunakan untuk memprediksi kondisi bermasalah pada Bank-bank Umum Swasta Nasional Devisa dan Non Devisa di Indonesia. Sedangkan Hasil penggunaan model regresi logit dalam penelitian ini menunjukkan daya ketepatan prediksi secara keseluruhan adalah sebesar 100% dengan ketepatan prediksi klasifikasi untuk kelompok bank tidak bermasalah sebesar 100% dan bank bermasalah sebesar 100% yang ditunjukkan pada lampiran 3 Classification Tabel (output SPSS 17.0) dengan cut value 0.500. Hal ini menunjukkan bahwa variabel CAR, ATTM, NIM, LDR, PM, APB, NPLg dan NPLn dapat digunakan untuk memprediksi kondisi bermasalah pada Bankbank Umum Swasta Nasional Devisa dan Non Devisa di Indonesia. Dari hasil penggunaan model Multiple Discriminant Analysis (MDA) dan model regresi logit yang ditunjukkan pada Classification Tabel (output SPSS 115

17.0) dapat dilihat bahwa tingkat akurasi atau ketepatan Multiple Discriminant Analysis (MDA) sebesar 90.6% dengan klasifikasi untuk kelompok bermasalah sebesar 88.9% dan klasifikasi untuk kelompok tidak bermasalah 92.3%. Sedangkan tingkat akurasi model regresi logit sebesar 82.05% dengan klasifikasi untuk kelompok bermasalah 66.7% dan klasifikasi untuk kelompok tidak bermasalah sebesar 97.4%, sehingga dapat disimpulkan bahwa terdapat perbedaan tingkat akurasi antara model Multiple Discriminant Analysis (MDA) dan model Logit dalam memprediksi kebangkrutan pada Bank-Bank Umum Swasta Nasional Devisa dan Non Devisa di Indonesia, maka hasil pengujian ini dapat diartikan bahwa hipotesa II diterima. Karena tingkat akurasi model Multiple Discriminant Analysis (MDA) sebesar 90.6% lebih besar dibandingkan model Logit sebesar 82.05% dapat disimpulkan model ini lebih baik untuk digunakan dalam memprediksi kondisi bermasalah pada Bank-Bank Umum Swasta Nasional Devisa dan Non Devisa di Indonesia. Nilai koefisien Nagelkerke R Square

menjelaskan bahwa dalam model

regresi ini kemampuan rasio keuangan perbankan dalam menjelaskan kinerja keuangan bank devisa dan bank non devisa sebesar 69.1% dan sisanya 30.9% dijelaskan oleh variabel lain. Hasil perhitungan yang didapat dari Wald Statistic menunjukkan bahwa hanya satu variabel yang berpengaruh signifikan terhadap variabel dependent, yaitu variabel Aktifa Produktif Bermasalah (APB) sedangkan variabel yang lainnya tidak signifikan. Persamaan regresi logistik yang terbentuk adalah sebagai berikut: 116

Y = - 6.491 - 2.328 APB

Dari persamaan regresi logistik dapat dilihat bahwa variabel CAR, ATTM, NIM, LDR, PM, NPLg dan NPLn tidak mempunyai pengaruh yang signifikan terhadap kinerja keuangan bank devisa dan bank non devisa. Variabel yang berpengaruh signifikan terhadap variabel dependen (kondisi bank) yaitu Aktiva Produktif Bermasalah (APB). Variabel APB menunjukkan nilai keofisien regresi sebesar -2.328 dengan porobabilitas variabel sebesar 0.002 dibawah signifikan 0.05. Hal ini mengandung arti bahwa H0 ditolak (Ha diterima), dengan demikian terbukti bahwa APB berpengaruh signifikan terhadap kondisi suatu bank. Hasil penelitian ini Hasil penelitian ini bertolak belakang dengan hasil penelitian yang dilakukan oleh Luciana dan Winny (2005) menyatakan bahwa rasio APB mempunyai pengaruh yang tidak signifikan terhadap kondisi bermasalah dan pengaruhnya negatif artinya semakin rendah rasio ini, kemungkinan bank dalam kondisi bermasalah semakin besar. Dapat diketahui bahwa rasio APB mempunyai pengaruh yang negatif artinya semakin rendah rasio ini maka semakin besar kemungkinan suatu bank dalam kondisi bermasalah. Pengaruh rasio APB terhadap kondisi bermasalah adalah signifikan karena tingkat signifikansi dibawah 0.05 yaitu sebesar 0.002. Hal ini menunjukkan

buruknya

kualitas

aktiva

produktif

yang

menyebabkan

117

meningkatnya PPAP yang tersedia sehingga kemungkinan terjadinya kondisi bermasalah bank tersebut semakin besar. Oleh karena itu manajemen bank harus lebih selektif dalam menggunakan aktiva produktif agar dapat minimalisir kemungkinan terjadinya kondisi bermasalah, sehingga para investor tidak perlu ragu untuk menanamkan sahamnya jika kualitas aktiva produktinya lebih baik lagi.

118

BAB V KESIMPULAN DAN IMPLIKASI A. Kesimpulan Penelitian ini bertujuan untuk menganalisis variabel apa saja yang memiliki perbedaan yang signifikan anatara bank-bank kelompok bank bermasalah dan kelompon bank yang tidak bermasalah dan juga menganalisis perbedaan tingkat akurasi pada model MDA dan model Logit dalam memprediksi kebangkrutan pada Bank-Bank Umum Swasta Nasional Devisa dan Non Devisa di Indonesia, maka dapat diambil kesimpulan sebagai berikut: 1. Hasil Uji Independent Sample T-Test dapat diketahui bahwa dari rasio keuangan CAR, CAR, ATM, NIM, LDR, PM, APB, NPLg, NPLn yang memiliki perbedaan yang signifikan antara bank-bank kategori bermasalah dan tidak bermasalah periode 2007 – 2009 adalah rasio ATM dan NIM. Hasil ini mendukung penelitian sebelumnya Almilia dan Herdiningtyas (2005). Akan tetapi hanya rasio NIM saja yang memiliki perbedaan yang signifikan antara bank-bank kategori bermasalah dan tidak bermasalah dengan penelitian Almilia dan Herdiningtyas (2005). 2. Hasil uji ketepatan prediksi klasifikasi antara model Multiple Discriminant Analysis (MDA) dan Model logit yang ditunjukkan pada Classification Tabel (output SPSS 17.0) dapat dilihat bahwa tingkat akurasi Multiple Discriminant Analysis (MDA) sebesar

119

90,6% sedangkan tingkat akurasi model regresi logit sebesar 82.05% sehingga dapat disimpulkan bahwa terdapat perbedaan tingkat akurasi antara model Multiple Discriminant Analysis (MDA) dan model Logit dalam memprediksi kebangkrutan pada Bank-Bank Umum Swasta Nasional Devisa dan Non Devisa di Indonesia.

B. Implikasi Hasil

penelitian

ini

diharapkan

memberikan

kontribusi

bagi

pemahaman kita tentang perbedaan tingkat akurasi dalam memprediksi kondisi bermasalah pada Bank Umum Swasta Nasional Devisa dan Non Devisa. Hasil penelitian ini memiliki beberapa implikasi penting bagi peneliti, perbankan, investor dan pihak lain, yakni : 1) Bagi peneliti, dapat dijadikan bahan pertimbangan bagi penelitipeneliti lain dan untuk menambah wawasan peneliti sehubungan dengan memprediksi kondisi bermasalah suatu bank. Penelitian selanjutnya

diharapkan

dapat

menambah

variabel-variabel

independen, periode penelitian, serta memperluas metode yang akan digunakan untuk menganalisis. Untuk mendapatkan hasil yang lebih berkembang maka sebaiknya peneliti selanjutnya dapat menambah jumlah sampel yang digunakan dan membedakan antara bank yang go public dan bank yang belum go public karena kemungkinan status bank dapat berpengaruh pada hasil penelitian.

120

2) Bagi bank devisa dan non devisa, dapat memberikan informasi mengenai kondisi keuangan perusahaan khususnya perbankan. Memberikan informasi bahwa model logit dan model Multiple Discriminat Analysis (MDA) dapat dijadikan sistem peringatan dini (Early Warning Systems / EWS) yang merupakan alat prediksi yang terbaik untuk kasus kebangkrutan bank umum di Indonesia. Serta rasio keuangan yang memiliki pengaruh yang signifikan dalam menentukan kinerja keuangan bank devisa dan non devisa berasala dari rasio Aktiva Produktif Bermasalah (APB) yang menjelaskan kemampuan bank devisa dan bank non devisa dalam meningkatkan kualitas aktiva produktif sehingga dapat dijadikan rujukan bagi kelangsungan hidup dan kelancaran bank devisa dan non devisa. 3) Bagi investor, sebagai pemilik modal dapat mengetahui kinerja keuangan bank sehingga diharpakan tepat pada saat pengambilan keputusan untuk berinvestasi pada bank devisa atau pun bank non devisa. 4) Bagi pemerintah, dapat memberikan informasi untuk membantu dalam mengeluarkan peraturan untuk melindungi masyarakat dari kemungkinan terjadinya stabilitas ekonomi dan politik negara.

121

DAFTAR PUSTAKA

Achmad, Tarmizi dan Kusuno, Willyanto Kartiko. “Analisis Rasio-Rasio Keuangan Sebagai Indikator Dalam Memprediksi Potensi Kebangkrutan Perbankan di Indonesia”. Media Ekonomi & Bisnis Vol.XV No.1, pp 5475.2003. Adnan, Muhammad Akhyar., dan Kurniasih, Eha. ”Analisis Tingkat Kesehatan Perusahaan untuk Memprediksi Potensi Kebangkrutan dengan Pendekatan Altman (Kasus pada Sepuluh Perusahaan di Indonesia).” JAAI, Volume 4, No.2, Desember 2000, pp 131-151. 2000. Altman, E. “Financial Ratio Discriminant Analysis and The Prediction of Corporate Bankruptcy”. Journal of Finance, Vol. XXIII, No. 4, September. 1968. Almilia, Luciana Spica., dan Herdiningtyas, Winny. “Analisis Rasio CAMEL Terhadap Prediksi Kondisi Bermasalah Pada Lembaga Perbankan Perioda 2000-2002”. Jurnal Akuntansi dan Keuangan, Vol.7, No.2, November. 2005. Angelina, Liza. “Perbandingan Erly Warning System (EWS) untuk Memprediksi Kebangkrutan Bank Umum di Indonesia”. Buletin Ekonomi Moneter dan Perbankan. 2003. Asmoro, Argo. “Analisis Pengaruh Rasio Keuangan Terhadap Prediksi Kondisi Bermasalah Pada Bank”. Fakultas Ekonomi, Univeritas Diponogoro Semarang. 2010.

Darmawan, Herman. Pasar Finansial dan Lembaga-Lembaga Finansial. PT. Bumi Aksara. Jakarta. 2006.

Dendawijaya, Lukman. Manajemen Perbankan. Cetakan Kedua. Penerbit Ghalia Indonesia. Jakarta. 2003.

122

Ghozali, Imam. “Aplikasi Analisis Multivariate dengan Program SPSS”, Semarang : Badan Penerbit Universitas Diponegoro, 2005. Hamid, Abdul. “Pedoman Penulisan Skripsi”, Jakarta : Fakultas Ekonomi dan Ilmu Sosial UIN Syarif Hidayatullah, 2007.

Hasibuan, Malayu S.P. Dasar-Dasar Perbankan. PT Bumi Aksara, Jakarta.2002. Hadad, M. D., W. Santoso, Sarwedi, H. Sukarno, dan M. Adenan. “Model Prediksi Kepailitan Bank Umum di Indonesia. 2004.

http://bi.go.id

Jagtiani, Julapa A., Kolari, James W., Lemieux, Catharine M., Shin, G. Hwan. “Predicting Inadequate Capitalization : Early Warning System for Bank Supervision”. Emerging Issues Series. Supervision and Regulation Department. Federal Reserve Bank of Chicago. 2000.

Kasmir. Manajemen Perbankan. Jakarta : PT RajaGrafindo Persada. 2004.

Kasmir. Bank & Lembaga Keuangan Lainnya. Jakarta : PT RajaGrafindo Persada. 2005. Kolari, J., D. Glennon, H. Shin, and M. Caputo. “Predicting Large U.S. Commercial Bank Failures”, Working Paper No. 2000-1, U.S. Comptroller of The Currency. Washington, D.C. 2000. Kulkarni, Amit. “ Modeling Early Warning System For Off-Site Surveillance Of Commercial Banks”. National Institute of Bank Management, Pune411 048, India. 2005. Mulyaningrum, Penni. “Pengaruh Rasio Keuangan Terhadap Kebangkrutan Bank di Indonesia”. Tesis Program Pasca Sarjana Magister Akuntansi Universitas Diponegoro. 2008

123

Nurhasanah. “ Analisis Rasio Keuangan Model Altman dan Model Springate Sebagai Early Warning System (EWS) Terhadap Prediksi Kondisi Bermasalah Pada Bank Go Public”. Fakultas Ekonomi dan Ilmu Sosial, UIN Syarif Hidayatullah Jakarta. 2010. Riyadi, S. “Banking Assets and Liability Management”. Ed. 3. Lembaga Penerbit Fakultas Ekonomi Universitas Indonesia. 2006. Sawitri, Peni. “Prediksi Tingkat Kesehatan Asuransi Jiwa Termasuk Kemungkinan Kebangkrutannya Dengan Rasio-Rasio Keuangan”. Jurnal Ekonomi dan Bisnis No. 2, Jilid 7. 2002.

Siamat, Dahlan. Manajemen Lembaga Keuangan. Edisi Kelima. Lembaga Penerbit Fakuiltas Ekonomi Universitas Indonesia. Jakarta. 2005.

Sugiono. Metode Penelitian Bisnis. Cetakan 13. Penerbit Alfabeta. Bandung. 2009. Sugiyanto, F.X., Prasetiono, dan Hariyanto, Teddy. “Manfaat IndikatorIndikator Keuangan Dalam Pembentukan Model Prediksi Kondisi Kesehatan Perbankan”. Jurnal Bisnis Strategi Vo.10/Desember/Th.VII, pp 11-26. 2002. Sumantri, dan Jurnali, Teddy. “Manfaat Rasio Keuangan dalam Memprediksi Kepailitan Bank Nasional”. Jurnal Bisnis dan Akuntansi Vol.12, No.1, April 2010, Hlm. 39-52. 2010.

Susilo, Sri., dkk. Bank dan Lembaga Keuangan Lain. Salemba. Jakarta. 2000. Syarif, Syahru. “Analisis Pengaruh Rasio-Rasio CAMELS Terhadap Net Interesr Margin (NIM)” Skripsi Fakultas Ekonomi, Universitas Diponogoro Semarang. 2006.

Taswan. Manajemen Perbankan : Konsep, Teknik & Aplikasi. UPP STIM YKPN Yogyakarta. 2006.

124

Uyanto, S. Stanislaus. Pedoman Analisis Data dengan SPSS. Graha Ilmu. Yogyakarta. 2006. Wardani, Evi. “Analisis Tingkat Kebangkrutan Model Altman dan Foster Pada Perusahaan Textile dan Garment Go-Public Di Bursa Efek Jakarta”. Skripsi Fakultas Ekonomi, Jurusan Manajemen Keuangan, Universitas Negeri Semarang. 2007. Widarjono, Agus. “Analisis Statistikan Multivariat Terapan” Edisi Pertama, Yogyakarta : UPP STIM YKPN. 2010. Wilopo. “Prediksi Kebangkrutan Bank”. JRAI Mei, pp 184-198. 2001.

125

Variabel 1 (X1) CAR No

2007 CAR 0.3430 0.2100 0.1036 0.2995 0.2609 0.1762 0.1118 0.2066 0.1398 0.2344 0.2089 0.1958 0.1638

2008 CAR 0.3115 0.2121 0.1043 0.2369 0.2649 0.1411 0.1152 0.3327 0.1658 0.2563 0.1434 0.2322 0.1524

2009 CAR 0.2842 0.1004 0.1256 0.1756 0.2848 0.1260 0.1305 0.3290 0.1350 0.2461 0.1317 0.1692 0.1311

2007 CAR 0.1794 0.1591 0.1191

2008 CAR 0.1351 -0.3962 0.0934

2009 CAR 0.2000 0.1231 0.0802

Aktiva Tetap Terhadap Modal (ATTM) 2007 Daftar Nama Bank Tidak Bermasalah ATTM PT. Bank Bumi Arta, Tbk 0.4660 PT. Bank Ganesha 0.2909 PT. Bank Kesawan, Tbk 0.5274 PT. Bank Mayapada Internasional 0.2908 PT. Bank Mestika Dharma 0.1950 PT. Bank Nusantara Parahyangan, Tbk 0.1372 PT. Bank Sinarmas 0.2765 PT. Bank Swadesi, Tbk 0.2967 PT. Bank Harda Internasional 0.3986 PT. Bank Jasa Jakarta 0.1305 PT. Bank Kesejahteraan Ekonomi 0.0761 PT. Bank Victoria International 0.2732 PT. Bank Yudha Bhakti 0.1591

2008 ATTM 0.4471 0.3128 0.5397 0.3585 0.1766 0.1348 0.4089 0.1319 0.3345 0.1276 0.0963 0.2322 0.1451

2009 ATTM 0.4653 0.3405 0.4715 0.3730 0.1692 0.1300 0.4318 0.1297 0.3372 0.1278 0.0955 0.3130 0.1426

2007 ATTM 0.1336 0.2397 1.1362

2008 ATTM 0.1497 -0.1836 1.1120

2009 ATTM 0.1100 0.6093 1.7597

Daftar Nama Bank Tidak Bermasalah

1 2 3 4 5 6 7 8 9 10 11 12 13 No

PT. Bank Bumi Arta, Tbk PT. Bank Ganesha PT. Bank Kesawan, Tbk PT. Bank Mayapada Internasional PT. Bank Mestika Dharma PT. Bank Nusantara Parahyangan, Tbk PT. Bank Sinarmas PT. Bank Swadesi, Tbk PT. Bank Harda Internasional PT. Bank Jasa Jakarta PT. Bank Kesejahteraan Ekonomi PT. Bank Victoria International PT. Bank Yudha Bhakti Daftar Nama Bank Bermasalah

1 2 3

PT. Bank Agroniaga, Tbk PT. Bank Mutiara, Tbk PT. Bank Eksekutif International, Tbk Variabel 2 (X2)

No 1 2 3 4 5 6 7 8 9 10 11 12 13 No 1 2 3

Daftar Nama Bank Bermasalah PT. Bank Agroniaga, Tbk PT. Bank Mutiara, Tbk PT. Bank Eksekutif International, Tbk

126

Variabel 3 (X3) Net Interest Margin (NIM) No 2 3 4 6 7 8 9 10 11 12 13 14 15

No 1 2 3

Daftar Nama Bank Tidak Bermasalah PT. Bank Bumi Arta, Tbk PT. Bank Ganesha PT. Bank Kesawan, Tbk PT. Bank Mayapada Internasional PT. Bank Mestika Dharma PT. Bank Nusantara Parahyangan, Tbk PT. Bank Sinarmas PT. Bank Swadesi, Tbk PT. Bank Harda Internasional PT. Bank Jasa Jakarta PT. Bank Kesejahteraan Ekonomi PT. Bank Victoria International PT. Bank Yudha Bhakti

Daftar Nama Bank Bermasalah PT. Bank Agroniaga, Tbk PT. Bank Mutiara, Tbk PT. Bank Eksekutif International, Tbk

2007 NIM 0.0660 0.0458 0.0468 0.0685 0.0885 0.0361 0.0415 0.0372 0.0408 0.0454 0.0885 0.0256 0.0564

2008 NIM 0.0690 0.0416 0.0424 0.0757 0.0868 0.0360 0.0366 0.0544 0.0458 0.0427 0.0697 0.0261 0.0521

2009 NIM 0.0700 0.0442 0.0478 0.0674 0.0915 0.0369 0.0504 0.0541 0.0544 0.0530 0.0570 0.0238 0.0470

2007 NIM 0.0403 0.0334 0.0844

2008 NIM 0.0407 -0.0085 0.0763

2009 NIM 0.0500 0.0076 0.0745

2007 LDR 0.5199 0.6957 0.6846 1.0388 0.8936 0.4939 0.6218 0.6216 0.6552 0.8523 0.9412 0.5592 0.5260

2008 LDR 0.5986 0.7630 0.7466 1.0022 0.9782 0.6612 0.8331 0.8311 0.6852 0.8355 1.0335 0.5346 0.6754

2009 LDR 0.5058 0.6341 0.6697 0.8377 0.9226 0.7364 0.7901 0.8110 0.7131 0.8500 1.0232 0.5043 0.5938

2007 LDR 0.7702 0.4361 0.7806

2008 LDR 0.9480 0.9316 0.7104

2009 LDR 0.8100 0.8166 0.7922

Variabel 4 (X4) Loan to Deposit Ratio (LDR) No 1 2 3 4 5 6 7 8 9 10 11 12 13 No 1 2 3

Daftar Nama Bank Tidak Bermasalah PT. Bank Bumi Arta, Tbk PT. Bank Ganesha PT. Bank Kesawan, Tbk PT. Bank Mayapada Internasional PT. Bank Mestika Dharma PT. Bank Nusantara Parahyangan, Tbk PT. Bank Sinarmas PT. Bank Swadesi, Tbk PT. Bank Harda Internasional PT. Bank Jasa Jakarta PT. Bank Kesejahteraan Ekonomi PT. Bank Victoria International PT. Bank Yudha Bhakti Daftar Nama Bank Bermasalah PT. Bank Agroniaga, Tbk PT. Bank Mutiara, Tbk PT. Bank Eksekutif International, Tbk

127

Variabel 3 (X3) No

Tahun

1 2 3 4 5

2007 2007 2007 2007 2007

6 7 8 9 10 11 12 13 14 15 16 17 18

2007 2007 2007 2007 2007 2007 2007 2007 2008 2008 2008 2008 2008

19 20 21 22 23 24 25 26 27 28 29 30 31

2008 2008 2008 2008 2008 2008 2008 2008 2009 2009 2009 2009 2009

32 33 34 35 36 37 38 39

2009 2009 2009 2009 2009 2009 2009 2009

Profit Margin (PM) = Beban Bunga/Total Asset Daftar Nama Bank Tidak Bermasalah B. Bunga T. Asset PT. Bank Bumi Arta, Tbk 85854 1950256 PT. Bank Ganesha 83371 1569533 PT. Bank Kesawan, Tbk 141544 2184493 PT. Bank Mayapada Internasional 275949 4474878 PT. Bank Mestika Dharma 181587 4459009 PT. Bank Nusantara Parahyangan, Tbk 219943 3772770 PT. Bank Sinarmas 228424 5468441 PT. Bank Swadesi, Tbk 67129 1167733 PT. Bank Harda Internasional 70670 1053715 PT. Bank Jasa Jakarta 167307 2734028 PT. Bank Kesejahteraan Ekonomi 55332 1023550 PT. Bank Victoria International 265733 5183742 PT. Bank Yudha Bhakti 145334 1925860 PT. Bank Bumi Arta, Tbk 94331 2044367 PT. Bank Ganesha 95926 1467759 PT. Bank Kesawan, Tbk 105565 1981048 PT. Bank Mayapada Internasional 330097 5512694 PT. Bank Mestika Dharma 188252 4998368 PT. Bank Nusantara Parahyangan, Tbk 203143 3694809 PT. Bank Sinarmas 411431 6064626 PT. Bank Swadesi, Tbk 67537 1359868 PT. Bank Harda Internasional 65529 1037658 PT. Bank Jasa Jakarta 184427 2846450 PT. Bank Kesejahteraan Ekonomi 101449 1359521 PT. Bank Victoria International 393972 5580480 PT. Bank Yudha Bhakti 153835 1994475 PT. Bank Bumi Arta, Tbk 96048 2403187 PT. Bank Ganesha 100040 1411461 PT. Bank Kesawan, Tbk 122861 232456 PT. Bank Mayapada Internasional 529088 7629928 PT. Bank Mestika Dharma 199485 5388446 PT. Bank Nusantara Parahyangan, Tbk 252636 3896393 PT. Bank Sinarmas 454556 8036015 PT. Bank Swadesi, Tbk 82498 1537378 PT. Bank Harda Internasional 77994 1289600 PT. Bank Jasa Jakarta 180299 3259597 PT. Bank Kesejahteraan Ekonomi 151743 1537791 PT. Bank Victoria International 486349 7271127 PT. Bank Yudha Bhakti 187007 2223304

PM 0.0440219 0.0531183 0.0647949 0.0616663 0.0407236 0.0582975 0.0417713 0.0574866 0.0670675 0.0611943 0.0540589 0.0512628 0.0754645 0.0461419 0.0653554 0.0532875 0.0598794 0.0376627 0.0549806 0.0678411 0.0496644 0.0631509 0.0647919 0.0746211 0.0705982 0.0771306 0.0399669 0.0708769 0.5285344 0.0693438 0.0370209 0.0648384 0.0565649 0.0536615 0.0604792 0.0553133 0.098676 0.0668877 0.0841122

128

No 1 2 3 4 5 6 7 8 9

Tahun 2007 2007 2007 2008 2008 2008 2009 2009 2009

Daftar Nama Bank Bermasalah PT. Bank Agroniaga, Tbk PT. Bank Mutiara, Tbk PT. Bank Eksekutif International, Tbk PT. Bank Agroniaga, Tbk PT. Bank Mutiara, Tbk PT. Bank Eksekutif International, Tbk PT. Bank Agroniaga, Tbk PT. Bank Mutiara, Tbk PT. Bank Eksekutif International, Tbk

B. Bunga 235851 565715 96189 224659 728706 99963 224838 473364 99262

T. Asset 2983769 13796376 1349719 2578439 5585890 1492166 2981696 7531145 1425576

PM 0.079045 0.041005 0.071266 0.08713 0.130455 0.066992 0.075406 0.062854 0.069629

Variabel 6 (X6)

No 1 2 3 4 5 6 7 8 9 10 11 12 13 No 1 2 3

Aktiva Produktif Bermasalah (APB) 2007 Daftar Nama Bank Tidak Bermasalah APB PT. Bank Bumi Arta, Tbk 0.0100 PT. Bank Ganesha 0.0109 PT. Bank Kesawan, Tbk 0.0456 PT. Bank Mayapada Internasional 0.0218 PT. Bank Mestika Dharma 0.0293 PT. Bank Nusantara Parahyangan, Tbk 0.0092 PT. Bank Sinarmas 0.0016 PT. Bank Swadesi, Tbk 0.0094 PT. Bank Harda Internasional 0.0046 PT. Bank Jasa Jakarta 0.0082 PT. Bank Kesejahteraan Ekonomi 0.0130 PT. Bank Victoria International 0.0096 PT. Bank Yudha Bhakti 0.0262

2008 APB 0.0099 0.0101 0.0343 0.0035 0.0171 0.0081 0.0153 0.0154 0.0104 0.0080 0.0134 0.0096 0.0133

2009 APB 0.0086 0.0123 0.0456 0.0068 0.0811 0.0129 0.0294 0.0121 0.0236 0.0049 0.0148 0.0116 0.0169

2007 APB 0.1336 0.0109 0.1425

2008 APB 0.0511 0.5830 0.1317

2009 APB 0.0500 0.4208 0.2312

Daftar Nama Bank Bermasalah PT. Bank Agroniaga, Tbk PT. Bank Mutiara, Tbk PT. Bank Eksekutif International, Tbk

129

Variabel 7 (X7) NPL Gross No 1 2 3 4 5 6 7 8 9 10 11 12 13 No 1 2 3

Daftar Nama Bank Tidak Bermasalah PT. Bank Bumi Arta, Tbk PT. Bank Ganesha PT. Bank Kesawan, Tbk PT. Bank Mayapada Internasional PT. Bank Mestika Dharma PT. Bank Nusantara Parahyangan, Tbk PT. Bank Sinarmas PT. Bank Swadesi, Tbk PT. Bank Harda Internasional PT. Bank Jasa Jakarta PT. Bank Kesejahteraan Ekonomi PT. Bank Victoria International PT. Bank Yudha Bhakti Daftar Nama Bank Bermasalah PT. Bank Agroniaga, Tbk PT. Bank Mutiara, Tbk PT. Bank Eksekutif International, Tbk

2007 NPL g 0.0227 0.0128 0.0681 0.0048 0.0401 0.0189 0.0026 0.0195 0.0067 0.0127 0.0184 0.0239 0.0496

2008 NPL g 0.0192 0.0139 0.0408 0.0283 0.0213 0.0124 0.0199 0.0216 0.0153 0.0124 0.0149 0.0254 0.0203

2009 NPL g 0.0215 0.0208 0.0570 0.0096 0.1078 0.0183 0.0218 0.0164 0.0337 0.0075 0.0164 0.0300 0.0258

2007 NPL g 0.0654 0.0346 0.1517

2008 NPL g 0.0615 0.3517 0.1549

2009 NPL g 0.0700 0.3759 0.2790

2007 NPL n 0.0178 0.0103 0.0633 0.0014 0.0396 0.0148 0.0127 0.0147 0.0062 0.0078 0.0048 0.0020 0.0430

2008 NPL n 0.0146 0.0114 0.0374 0.0207 0.0206 0.0112 0.0172 0.0182 0.0151 0.0087 0.0043 0.0044 0.0183

2009 NPL n 0.0171 0.0162 0.0533 0.0049 0.0965 0.0181 0.0165 0.0142 0.0330 0.0018 0.0045 0.0115 0.0254

2007 NPL n 0.0458 0.0333 0.1436

2008 NPL n 0.0359 0.1042 0.1429

2009 NPL n 0.0400 0.0953 0.1839

Variabel 8 (X8) NPL Net No 2 3 4 6 7 8 9 10 11 12 13 14 15 No 1 2 3

Daftar Nama Bank Tidak Bermasalah PT. Bank Bumi Arta, Tbk PT. Bank Ganesha PT. Bank Kesawan, Tbk PT. Bank Mayapada Internasional PT. Bank Mestika Dharma PT. Bank Nusantara Parahyangan, Tbk PT. Bank Sinarmas PT. Bank Swadesi, Tbk PT. Bank Harda Internasional PT. Bank Jasa Jakarta PT. Bank Kesejahteraan Ekonomi PT. Bank Victoria International PT. Bank Yudha Bhakti Daftar Nama Bank Bermasalah PT. Bank Agroniaga, Tbk PT. Bank Mutiara, Tbk PT. Bank Eksekutif International, Tbk

130

Lampiran 2 : Output SPSS 17 Uji Normalitas GET FILE='C:\Documents and Settings\Compaq\My Documents\data spss\fix.sav'. NPAR TESTS /K-S(NORMAL)=CAR ATM NIM LDR PM APB NPLg NPLn /MISSING ANALYSIS.

NPar Tests [DataSet1] C:\Documents and Settings\Compaq\My Documents\data spss\fix.sav One-Sample Kolmogorov-Smirnov Test CAR N

ATM

48

Normal Mean a, Parameters ,b Std. Deviation Most Absolute Extreme Differences Positive Negative Kolmogorov-Smirnov Z

NIM

48

LDR 48

PM

48

APB 48

NPLg 48

NPLn 48

48

.174698 .324119 .051296 .747281 .062971 -3.948440 -3.587806 -4.007703 .109901 .313789 .020726 .158829 .016566 1.2014204 1.0284222 1.1294836 2 7 9 5 4 .188 .194 .107 .056 .120 .186 .152 .102

Asymp. Sig. (2-tailed)

.075 -.188 1.303

.194 -.194 1.346

.107 -.105 .742

.056 -.053 .385

.120 -.067 .832

.186 -.128 1.287

.152 -.114 1.053

.102 -.084 .705

.067

.053

.640

.998

.493

.073

.218

.703

a. Test distribution is Normal. b. Calculated from data.

T-TEST GROUPS=kategori(0 1) /MISSING=ANALYSIS LDR PM APB NPLg NPLn /CRITERIA=CI(.95).

/VARIABLES=CAR ATM NIM

T-Test [DataSet1] C:\Documents and Settings\Compaq\My Documents\data spss\fix.sav Group Statistics Kategori CAR

Bermasalah Tidak Bermasalah

ATM

Bermasalah Tidak Bermasalah

NIM

Bermasalah Tidak Bermasalah

LDR

Bermasalah Tidak Bermasalah

PM

Bermasalah Tidak Bermasalah

APB

Bermasalah Tidak Bermasalah

NPLg

Bermasalah Tidak Bermasalah

NPLn

Bermasalah Tidak Bermasalah

N

Mean

Std. Deviation

Std. Error Mean

9

.077022

.1815991

.0605330

39

.197238

.0722155

.0115637

9

.562956

.6409503

.2136501

39

.269003

.1366333

.0218788

9

.044300

.0313429

.0104476

39

.052910

.0176144

.0028206

9

.777300

.1486342

.0495447

39

.740354

.1621355

.0259625

9

.075978

.0240922

.0080307

39

.059969

.0129588

.0020751

9

-2.149653

1.2141844

.4047281

39

-4.363544

.7291943

.1167645

9

-2.065543

.8600475

.2866825

39

-3.939097

.6906108

.1105862

9

-2.580381

.6751837

.2250612

39

-4.337085

.9423659

.1508993

131

Independent Samples Test Levene's Test for Equality of Variances

t-test for Equality of Means 95% Confidence Interval of the Difference

F

Sig.

t

Std. Error Sig. (2Mean Differen tailed) Difference ce

df

Lower

Upper

CAR Equal variances assumed

2.967 .092 -3.244

46

.002 -.1202162 .0370603

-.1948147 -.0456178

Equal variances not assumed

-1.951

8.592

.084 -.1202162 .0616277

-.2606430

.0202105

2.697

46

.010

.2939530 .1089929

.0745618

.5133442

Equal variances not assumed

1.369

8.168

.208

.2939530 .2147674

-.1995292

.7874352

NIM Equal variances assumed

4.947 .031 -1.127

46

.266 -.0086103 .0076430

-.0239947

.0067742

Equal variances not assumed

-.796

9.198

.446 -.0086103 .0108217

-.0330104

.0157899

.625

46

.535

.0369462 .0591197

-.0820557

.1559480

.661 12.794

.521

.0369462 .0559351

-.0840926

.1579849

ATM Equal variances assumed

LDR Equal variances assumed

57.901 .000

1.738 .194

Equal variances not assumed PM

Equal variances assumed

1.929 .172

Equal variances not assumed APB Equal variances assumed

3.366 .073

Equal variances not assumed NPLg Equal variances assumed

2.071 .157

Equal variances not assumed NPLn Equal variances assumed Equal variances not assumed

.229 .635

2.796

46

.008

.0160085 .0057250

.0044847

.0275324

1.930

9.095

.085

.0160085 .0082945

-.0027250

.0347420

7.178

46

.000 2.2138908 .3084321 1.5930492 2.8347324

5.256

9.373

.000 2.2138908 .4212349 1.2667477 3.1610340

7.008

46

.000 1.8735533 .2673419 1.3354219 2.4116847

6.097 10.509

.000 1.8735533 .3072721 1.1933761 2.5537306

5.269

46

.000 1.7567040 .3334137 1.0855771 2.4278310

6.483 16.123

.000 1.7567040 .2709671 1.1826367 2.3307713

132

Lampiran 3 : Output spss 17 model Multiple Dicriminant Analysis (MDA) DISCRIMINANT /GROUPS=kategori(0 1) /VARIABLES=CAR ATM NIM LDR PM APB NPLg NPLn /ANALYSIS ALL /PRIORS EQUAL /STATISTICS=MEAN STDDEV UNIVF BOXM RAW CORR COV GCOV TCOV TABLE CROSSVALID /PLOT=CASES /CLASSIFY=NONMISSING POOLED.

Discriminant [DataSet1] C:\Documents and Settings\Compaq\My Documents\data spss\fix.sav Analysis Case Processing Summary Unweighted Cases Valid Excluded

N

Missing or out-of-range group codes At least one missing discriminating variable Both missing or out-of-range group codes and at least one missing discriminating variable Total

Total

Percent 48 0

100.0 .0

0

.0

0

.0

0 48

.0 100.0

Group Statistics Valid N (listwise) Kategori Bermasalah

Mean

Total

Unweighted

Weighted

CAR

.077022

.1815991

9

9.000

ATM

.562956

.6409503

9

9.000

NIM

.044300

.0313429

9

9.000

LDR

.777300

.1486342

9

9.000

PM

Tidak Bermasalah

Std. Deviation

.075978

.0240922

9

9.000

APB

-2.149653

1.2141844

9

9.000

NPLg

-2.065543

.8600475

9

9.000

NPLn

-2.580381

.6751837

9

9.000

CAR

.197238

.0722155

39

39.000

ATM

.269003

.1366333

39

39.000

NIM

.052910

.0176144

39

39.000

LDR

.740354

.1621355

39

39.000

PM

.059969

.0129588

39

39.000

APB

-4.363544

.7291943

39

39.000

NPLg

-3.939097

.6906108

39

39.000

NPLn

-4.337085

.9423659

39

39.000

CAR

.174698

.1099012

48

48.000

ATM

.324119

.3137897

48

48.000

NIM

.051296

.0207269

48

48.000

LDR

.747281

.1588295

48

48.000

PM

.062971

.0165664

48

48.000

APB

-3.948440

1.2014204

48

48.000

NPLg

-3.587806

1.0284222

48

48.000

NPLn

-4.007703

1.1294836

48

48.000

133

Tests of Equality of Group Means Wilks' Lambda CAR ATM NIM LDR PM APB NPLg NPLn

F

.814 .863 .973 .992 .855 .472 .484 .624

df1

df2

10.522 7.274 1.269 .391 7.819 51.522 49.113 27.761

Sig.

1 1 1 1 1 1 1 1

46 46 46 46 46 46 46 46

Pooled Within-Groups Matrices CAR Covariance

Correlation

ATM

NIM

LDR

.002 .010 .266 .535 .008 .000 .000 .000 a

PM

APM

NPLg

NPLn

CAR

.010

.004

.001

.000

-.001

-.025

-.017

-.015

ATM

.004

.087

.002

-.008

-.001

.038

.051

.087

NIM

.001

.002

.000

.001

.000

.001

.001

.004

LDR

.000

-.008

.001

.026

.001

.035

.000

-.022

PM

-.001

-.001

.000

.001

.000

.003

.001

-.002

APB

-.025

.038

.001

.035

.003

.696

.486

.404

NPLg

-.017

.051

.001

.000

.001

.486

.523

.466

NPLn

-.015

.087

.004

-.022

-.002

.404

.466

.813

CAR

1.000

.134

.495

-.020

-.676

-.298

-.231

-.171

ATM

.134

1.000

.386

-.174

-.301

.154

.242

.329

NIM

.495

.386

1.000

.361

-.408

.064

.063

.195

LDR

-.020

-.174

.361

1.000

.229

.263

-.005

-.155

PM

-.676

-.301

-.408

.229

1.000

.241

.105

-.126

APB

-.298

.154

.064

.263

.241

1.000

.805

.537

NPLg

-.231

.242

.063

-.005

.105

.805

1.000

.715

NPLn

-.171

.329

.195

-.155

-.126

.537

.715

1.000

a. The covariance matrix has 46 degrees of freedom.

134

a

Covariance Matrices Kategori

CAR

Bermasalah

ATM

NIM

LDR

PM

APM

NPLg

NPLn

CAR

.033

.030

.003

-.011

-.004

-.128

-.089

-.043

ATM

.030

.411

.015

-.013

-.006

.161

.215

.329

NIM

.003

.015

.001

.000

.000

-.010

-.005

.007

LDR

-.011

-.013

.000

.022

.003

.118

.063

.021

PM

-.004

-.006

.000

.003

.001

.017

.009

.002

APB

-.128

.161

-.010

.118

.017

1.474

.966

.582

NPLg

-.089

.215

-.005

.063

.009

.966

.740

.480

NPLn

-.043

.329

.007

.021

.002

.582

.480

.456

Tidak Bermasalah CAR

.005

-.002

.001

.002

.000

-.003

-.002

-.010

ATM

-.002

.019

.000

-.007

.000

.012

.017

.037

NIM

.001

.000

.000

.002 -8.585E-5

.003

.002

.003

LDR

.002

-.007

.002

.026

.000

.018

-.014

-.031

Total

PM

.000

.000 -8.585E-5

.000

.000

.000

.000

-.003

APB

-.003

.012

.003

.018

.000

.532

.385

.367

NPLg

-.002

.017

.002

-.014

.000

.385

.477

.463

NPLn

-.010

.037

.003

-.031

-.003

.367

.463

.888

CAR

.012

-.002

.001

-.001

-.001

-.066

-.051

-.048

ATM

-.002

.098

.002

-.006

.000

.138

.136

.166

NIM

.001

.002

.000

.001

.000

-.002

-.002

.001

LDR

-.001

-.006

.001

.025

.001

.047

.010

-.012

PM

-.001

.000

.000

.001

.000

.009

.006

.003

APB

-.066

.138

-.002

.047

.009

1.443

1.121

1.000

NPLg

-.051

.136

-.002

.010

.006

1.121

1.058

.968

NPLn

-.048

.166

.001

-.012

.003

1.000

.968

1.276

a. The total covariance matrix has 47 degrees of freedom.

Analysis 1 Box's Test of Equality of Covariance Matrices Log Determinants Kategori

Rank

Bermasalah Tidak Bermasalah Pooled within-groups

Log Determinant 1 1 1

.388 -.632 -.363

The ranks and natural logarithms of determinants printed are those of the group covariance matrices. Test Results Box's M F

4.202 4.036

Approx. df1

1

df2

1608.089

Sig.

.045

Tests null hypothesis of equal population covariance matrices.

135

Stepwise Statistics Variables Entered/Removed

a,b,c,d

Min. D Squared Exact F Step 1

Entered APB

Statistic

Between Groups

Statistic

7.046 Bermasalah and Tidak Bermasalah

df1

51.522

df2 1

Sig.

46.000

4.933E-9

At each step, the variable that maximizes the Mahalanobis distance between the two closest groups is entered. a. Maximum number of steps is 16. b. Maximum significance of F to enter is .05. c. Minimum significance of F to remove is .10. d. F level, tolerance, or VIN insufficient for further computation. Variables in the Analysis Step 1

Tolerance APB

1.000

Sig. of F to Remove .000 Variables Not in the Analysis

Step 0

1

Tolerance

Min. Tolerance

Sig. of F to Enter

Min. D Squared

Between Groups

CAR

1.000

1.000

.002

1.439 Bermasalah and Tidak Bermasalah

ATM

1.000

1.000

.010

.995 Bermasalah and Tidak Bermasalah

NIM

1.000

1.000

.266

.174 Bermasalah and Tidak Bermasalah

LDR

1.000

1.000

.535

.053 Bermasalah and Tidak Bermasalah

PM

1.000

1.000

.008

1.069 Bermasalah and Tidak Bermasalah

APB

1.000

1.000

.000

7.046 Bermasalah and Tidak Bermasalah

NPLg

1.000

1.000

.000

6.716 Bermasalah and Tidak Bermasalah

NPLn

1.000

1.000

.000

3.796 Bermasalah and Tidak Bermasalah

CAR

.911

.911

.437

7.228 Bermasalah and Tidak Bermasalah

ATM

.976

.976

.280

7.400 Bermasalah and Tidak Bermasalah

NIM

.996

.996

.287

7.390 Bermasalah and Tidak Bermasalah

LDR

.931

.931

.378

7.281 Bermasalah and Tidak Bermasalah

PM

.942

.942

.461

7.210 Bermasalah and Tidak Bermasalah

NPLg

.351

.351

.167

7.632 Bermasalah and Tidak Bermasalah

NPLn

.711

.711

.261

7.429 Bermasalah and Tidak Bermasalah

136

Wilks' Lambda Exact F

Number of Variables

Step 1

Lambda 1

df1

.472

df2 1

df3 1

Statistic 46

df1

51.522

df2 1

46.000

Sig. .000

Summary of Canonical Discriminant Functions Eigenvalues Function

Eigenvalue

1

% of Variance

1.120

a

Canonical Correlation

Cumulative %

100.0

100.0

.727

a. First 1 canonical discriminant functions were used in the analysis.

Wilks' Lambda Test of Function( s)

Wilks' Lambda

1

.472

Chi-square 34.190

df

Sig. 1

.000

Standardized Canonical Discriminant Function Coefficients Function 1 APM

1.000 Structure Matrix Function 1

APB a NPLg a NPLn a CAR a LDR a PM a ATM a NIM

1.000 .805 .537 -.298 .263 .241 .154 .064

Pooled within-groups correlations between discriminating variables and standardized canonical discriminant functions Variables ordered by absolute size of correlation within function. a. This variable not used in the analysis.

137

Canonical Discriminant Function Coefficients Function 1 APB (Constant)

1.199 4.734

Unstandardized coefficients

Functions at Group Centroids Function Kategori

1

Bermasalah Tidak Bermasalah

2.157 -.498

Unstandardized canonical discriminant functions evaluated at group means

Classification Statistics Classification Processing Summary Processed Excluded

48 0

Missing or out-of-range group codes At least one missing discriminating variable Used in Output

0 48

Prior Probabilities for Groups Cases Used in Analysis Kategori Bermasalah Tidak Bermasalah Total

Prior .500 .500 1.000

Unweighted

Weighted 9 39 48

9.000 39.000 48.000

138

Casewise Statistics Highest Group

Second Highest Group

Discrimina nt Scores

P(D>d | G=g)

Case Numbe r Origina 1 l 2

Actual Group

Predicted Group

p

Squared Squared Mahalano Mahalano bis bis Distance Distance P(G=g P(G=g to to | D=d) Centroid Group | D=d) Centroid Function 1

df

1

1

.772

1

.987

.084

0

.013

8.668

-.787

1

1

.852

1

.982

.035

0

.018

8.070

-.684

3

1

**

.261

1

.631

1.265

1

.369

2.339

1.032

4

1

1

.519

1

.860

.416

0

.140

4.039

.147

5

1

1

.318

1

.705

.998

0

.295

2.740

.501

6

1

1

.697

1

.990

.152

0

.010

9.266

-.887

7

1

1

.013

1

1.000

6.185

0

.000

26.433

-2.985

8

1

1

.716

1

.989

.132

0

.011

9.110

-.862

9

1

1

.222

1

.999

1.490

0

.001

15.017

-1.718

10

1

1

.598

1

.993

.278

0

.007

10.125

-1.025

11

1

1

.980

1

.969

.001

0

.031

6.914

-.473

12

1

1

.735

1

.988

.115

0

.012

8.958

-.836

13

1

1

.387

1

.773

.748

0

.227

3.201

.367

14

1

1

.763

1

.987

.091

0

.013

8.739

-.799

15

1

1

.781

1

.986

.077

0

.014

8.598

-.775

16

1

1

.235

1

.591

1.412

0

.409

2.150

.690

17

1

1

.122

1

1.000

2.398

0

.000

17.663

-2.046

18

1

1

.724

1

.930

.125

0

.070

5.294

-.144

19

1

1

.588

1

.993

.294

0

.007

10.219

-1.040

20

1

1

.826

1

.950

.048

0

.050

5.925

-.278

21

1

1

.820

1

.949

.052

0

.051

5.887

-.270

22

1

1

.808

1

.985

.059

0

.015

8.393

-.740

23

1

1

.577

1

.993

.311

0

.007

10.315

-1.055

24

1

1

.951

1

.966

.004

0

.034

6.725

-.436

25

1

1

.735

1

.988

.115

0

.012

8.958

-.836

26

1

1

.958

1

.967

.003

0

.033

6.771

-.445

27

1

1

.638

1

.992

.221

0

.008

9.765

-.968

28

1

1

.967

1

.974

.002

0

.026

7.268

-.539

29

1

**

.261

1

.631

1.265

1

.369

2.339

1.032

30

1

1

.452

1

.996

.566

0

.004

11.604

-1.250

31

1

**

.664

1

.914

.189

1

.086

4.928

1.722

32

1

1

.988

1

.970

.000

0

.030

6.963

-.482

33

1

1

.316

1

.703

1.007

0

.297

2.726

.506

34

1

1

.951

1

.976

.004

0

.024

7.374

-.559

35

1

1

.459

1

.826

.547

0

.174

3.666

.242

36

1

1

.252

1

.999

1.311

0

.001

14.435

-1.643

37

1

1

.857

1

.955

.033

0

.045

6.121

-.317

38

1

1

.911

1

.979

.012

0

.021

7.652

-.609

39

1

1

.734

1

.932

.115

0

.068

5.359

-.158

40

0

0

.870

1

.981

.027

1

.019

7.943

2.321

41

0

**

.852

1

.982

.035

0

.018

8.070

-.684

0

0 0

1

139

42

0

0

.809

1

43

0

0

.323

1

44

0

0

.054

1

45

0

0

.883

1

46

0

0

.310

1

47

0

0

.124

48

0

0

.411

.058

1

.015

8.385

2.398

.711

.977

1

1.000

3.727

1

.289

2.776

1.168

.000

21.021

4.087

.980

.022

.696

1.029

1

.020

7.847

2.303

1

.304

2.689

1.142

1

1.000

1

.997

2.370

1

.000

17.589

3.696

.675

1

.003

12.082

2.978

1

1

.768

1

.985

.087

0

.015

8.495

1

1

.850

**

1

.981

.036

0

.019

7.901

3

1

.253

1

.650

1.306

1

.350

2.543

4

1

1

.511

1

.855

.432

0

.145

3.988

5

1

1

.305

1

.699

1.052

0

.301

2.741

6

1

1

.692

1

.989

.157

0

.011

9.096

7

1

1

.007

1

1.000

7.393

0

.000

29.998

8

1

1

.711

1

.988

.137

0

.012

8.938

9

1

1

.208

1

.999

1.588

0

.001

15.195

10

1

1

.591

1

.992

.289

0

.008

9.967

11

1

1

.980

1

.967

.001

0

.033

6.764

12

1

1

.731

1

.987

.118

0

.013

8.786

13

1

1

.376

1

.769

.784

0

.231

3.185

14

1

1

.759

1

.986

.094

0

.014

8.566

15

1

1

.778

1

.985

.080

0

.015

8.425

16

1

1

.220

1

.583

1.502

0

.417

2.172

17

1

1

.106

1

1.000

2.610

0

.000

18.256

18

1

1

.719

1

.926

.129

0

.074

5.193

19

1

1

.581

1

.992

.305

0

.008

10.063

20

1

1

.823

1

.947

.050

0

.053

5.803

21

1

1

.817

1

.946

.054

0

.054

5.766

22

1

1

.805

1

.983

.061

0

.017

8.221

23

1

1

.570

1

.993

.322

0

.007

10.161

24

1

1

.950

1

.964

.004

0

.036

6.579

25

1

1

.731

1

.987

.118

0

.013

8.786

26

1

1

.958

1

.965

.003

0

.035

6.624

27

1

1

.632

1

.991

.229

0

.009

9.600

28

1

1

.966

1

.972

.002

0

.028

7.110

29

1

**

.253

1

.650

1.306

1

.350

2.543

30

1

1

.442

1

.996

.590

0

.004

11.497

31

1

**

.649

1

.940

.208

1

.060

5.705

32

1

1

.987

1

.968

.000

0

.032

6.812

33

1

1

.303

1

.697

1.061

0

.303

2.728

34

1

1

.950

1

.974

.004

0

.026

7.214

Cross- 1 validat a 2 ed

0

0

0

.985

140

35

1

1

.450

1

.822

.571

0

.178

3.630

36

1

1

.238

1

.999

1.392

0

.001

14.547

37

1

1

.855

1

.952

.034

0

.048

5.992

38

1

1

.910

1

.977

.013

0

.023

7.487

39

1

1

.730

1

.929

.119

0

.071

5.256

40

0

0

.855

1

.980

.033

1

.020

7.775

41

0

**

.837

1

.998

.042

0

.002

12.448

42

0

0

.788

1

.983

.072

1

.017

8.214

43

0

0

.266

1

.684

1.239

1

.316

2.782

44

0

0

.024

1

1.000

5.077

1

.000

22.626

45

0

0

.870

1

.979

.027

1

.021

7.680

46

0

0

.253

1

.667

1.307

1

.333

2.699

47

0

0

.078

1

.999

3.115

1

.001

18.265

48

0

0

.357

1

.996

.850

1

.004

12.018

1

For the original data, squared Mahalanobis distance is based on canonical functions. For the cross-validated data, squared Mahalanobis distance is based on observations. **. Misclassified case a. Cross validation is done only for those cases in the analysis. In cross validation, each case is classified by the functions derived from all cases other than that case.

Classification Results

b,c

Predicted Group Membership kategori Original

Count

% a

Count %

Tidak Bermasalah

Total

Bermasalah

8

1

9

Tidak Bermasalah

3

36

39

88.9

11.1

100.0

Bermasalah Tidak Bermasalah

Cross-validated

Bermasalah

7.7

92.3

100.0

Bermasalah

8

1

9

Tidak Bermasalah

3

36

39

88.9

11.1

100.0

7.7

92.3

100.0

Bermasalah Tidak Bermasalah

a. Cross validation is done only for those cases in the analysis. In cross validation, each case is classified by the functions derived from all cases other than that case. b. 91.7% of original grouped cases correctly classified. c. 91.7% of cross-validated grouped cases correctly classified.

141

Lampiran 4 : Output spss 17 model Logit LOGISTIC REGRESSION VARIABLES kategori /METHOD=ENTER CAR ATB NIM LDR PM APM NPLg NPLn /CLASSPLOT /PRINT=GOODFIT CI(95) /CRITERIA=PIN(0.05) POUT(0.10) ITERATE(20) CUT(0.5).

Logistic Regression [DataSet1] C:\Documents and Settings\Compaq\My Documents\data spss\fix.sav Case Processing Summary a

Unweighted Cases Selected Cases

N Included in Analysis Missing Cases Total

Unselected Cases Total

Percent 48

100.0

0

.0

48 0 48

100.0 .0 100.0

a. If weight is in effect, see classification table for the total number of cases. Dependent Variable Encoding Original Value

Internal Value

Bermasalah Tidak Bermasalah

0 1

Block 0: Beginning Block a,b,c

Iteration History

Coefficients Iteration Step 0

-2 Log likelihood

Constant

1

46.685

1.250

2

46.329

1.453

3

46.327

1.466

4

46.327

1.466

a. Constant is included in the model. b. Initial -2 Log Likelihood: 46.327 c. Estimation terminated at iteration number 4 because parameter estimates changed by less than .001. Classification Table

a,b

Predicted kategori Observed Step 0

kategori

Bermasalah

Tidak Bermasalah Percentage Correct

Bermasalah

0

9

.0

Tidak Bermasalah

0

39

100.0

Overall Percentage

81.3

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

142

Variables in the Equation B Step 0

Constant

S.E. 1.466

Wald .370

df

15.723

Sig. 1

Exp(B) .000

4.333

Variables not in the Equation Score Step 0

Variables

df

Sig.

CAR

8.936

1

.003

ATM

6.554

1

.010

NIM

1.289

1

.256

LDR

.404

1

.525

PM

6.974

1

.008

APB

25.359

1

.000

NPLg

24.786

1

.000

NPLn

18.065

1

.000

28.325

8

.000

Overall Statistics

Block 1: Method = Forward Stepwise (Conditional) a,b,c,d

Iteration History

Coefficients Iteration Step 1

-2 Log likelihood

Constant

APM

1

27.430

-2.519

-.955

2

21.127

-4.322

-1.583

3

19.677

-5.709

-2.060

4

19.513

-6.373

-2.288

5

19.510

-6.489

-2.327

6

19.510

-6.491

-2.328

7

19.510

-6.491

-2.328

a. Method: Forward Stepwise (Conditional) b. Constant is included in the model. c. Initial -2 Log Likelihood: 46.327 d. Estimation terminated at iteration number 7 because parameter estimates changed by less than .001. Omnibus Tests of Model Coefficients Chi-square Step 1

df

Sig.

Step

26.818

1

.000

Block

26.818

1

.000

Model

26.818

1

.000

Model Summary Step 1

-2 Log likelihood 19.510

Cox & Snell R Square a

.428

Nagelkerke R Square .691

a. Estimation terminated at iteration number 7 because parameter estimates changed by less than .001.

143

Hosmer and Lemeshow Test Step

Chi-square

1

df

Sig.

10.019

7

.187

Contingency Table for Hosmer and Lemeshow Test kategori = Bermasalah Observed Step 1

kategori = Tidak Bermasalah

Expected

Observed

Expected

Total

1

5

4.674

0

.326

5

2

3

2.949

3

3.051

6

3

0

.724

5

4.276

5

4

0

.253

5

4.747

5

5

0

.142

5

4.858

5

6

1

.100

4

4.900

5

7

0

.085

6

5.915

6

8

0

.052

5

4.948

5

9

0

.021

6

5.979

6

Classification Table

a

Predicted kategori Observed Step 1

kategori

Bermasalah

Tidak Bermasalah Percentage Correct

Bermasalah

6

3

66.7

Tidak Bermasalah

1

38

97.4

Overall Percentage

91.7

a. The cut value is .500 Variables in the Equation 95% C.I.for EXP(B) B Step 1

a

S.E.

Wald

df

Sig.

Exp(B)

APB

-2.328

.745

9.776

1

.002

.097

Constant

-6.491

2.475

6.879

1

.009

.002

Lower .023

Upper .419

a. Variable(s) entered on step 1: APM. Model if Term Removed Model Log Likelihood

Variable Step 1

APB

a

Change in -2 Log Likelihood

-23.967

28.425

df

Sig. of the Change 1

.000

a. Based on conditional parameter estimates

144

Variables not in the Equation Score Step 1

Variables

df

Sig.

CAR

.615

1

.433

ATM

.008

1

.928

NIM

2.589

1

.108

LDR

1.186

1

.276

PM

1.190

1

.275

NPLg

1.251

1

.263

NPLn

.208

1

.648

4.702

7

.696

Overall Statistics

145