PENGARUH NPL, KREDIT MACET, LABA BERSIH, DAN JUMLAH KREDIT YANG DIBERIKAN TERHADAP PENYISIHAN KERUGIAN KREDIT PADA BANK DI INDONESIA

PENGARUH NPL, KREDIT MACET, LABA BERSIH, DAN JUMLAH KREDIT YANG DIBERIKAN TERHADAP PENYISIHAN KERUGIAN KREDIT PADA BANK DI INDONESIA Friska Prihartini,Muthia Pramesti Ekstensi Manajemen, PEFE Universitas Indonesia, Kampus UI Depok 16424 E-mail :[email protected]

Abstrak Skripsi ini membahas mengenai bagaimana pengaruh NPL, Kredit Macet, Laba Bersih, dan Jumlah Kredit yang diberikan terhadap Penyisihan Kerugian kredit pada Bank di Indonesia pada periode tahun 2003 sampai dengan 2012. Data yang digunakan berupa laporan keuangan yang meliputi neraca, laporan laba rugi, dan laporan kualitas aktiva produktif. Dengan menggunakan metode Pooled Least Square, hasil penelitian menunjukkan bahwa secara parsial terdapat pengaruh yang signifikan antara NPL, Kredit Macet, Laba Bersih, dan Jumlah Kredit yang diberikan terhadap Penyisihan Kerugian kredit pada Bank di Indonesia. Dimana NPL, Kredit Macet, dan Jumlah Kredit yang diberikan memiliki pengaruh yang signifikan positif terhadap Penyisihan Kerugian kredit.Sedangkan laba bersih memiliki pengaruh yang signifikan negatif terhadap Penyisihan Kerugian kredit. Pengaruh secara bersama-sama dapat dilihat pada hasil R2 bahwa variasi variabel NPL, Kredit Macet, Laba Bersih, dan Jumlah Kredit yang diberikan dapat menjelaskan variabel Penyisihan Kerugian kredit sebesar 59,36%. Kata Kunci : Bank;Jumlah kredit yang diberikan;Kredit macet; Laba bersih;NPL; Penyisihan kerugian kredit

The Effect of NPL, Bad Debt, Net Income, Total Loans & AdvancesforLoan Loss ProvisionsofBanks in Indonesia Abstract The purpose of this research is to examinedthe effect of NPL, Bad Debt, Net Income, Total Loans & AdvancesforLoan Loss ProvisionsofBanks in Indonesia in the period of 2003 to2012.The dataused was in the formof financial statement which includeda balance sheet,income statement, andearning asset quality. ByusingPooledLeastSquaremethod, the research result showsthat partially, there is a significant effectbetweenNPL, Bad Debt, Net Income, Total Loans & Advances toLoan Loss ProvisionsofBanks in Indonesia. WhereasNPL, Bad Debt, and Total Loans & Advanceshavea significantpositiveeffectonLoan Loss Provisions.Meanwhile, Net Incomehasa significantnegativeeffectonLoan Loss Provisions. Collectiveinfluencescan be seen inthe result of R2 that thevariable variation ofNPL, Bad Debt, Net Income, Total Loans & Advancescan explain thevariable of Loan Loss Provisions at 59.36%. Keywords: Bad Debt; Bank; Loan Loss Provisions, NetIncome; NPL; Total Loans & Advances

Pengaruh NPL..., Friska Prihartini, FE UI, 2013.

Pendahuluan Perbankan merupakan industri yang syarat dengan resiko, terutama karenamelibatkan pengelolaan uang masyarakat dan yang digunakandalamberbagaiinvestasi, seperti pemberian kredit, pembelian surat-surat berharga dan investasi dana lainnya. Kondisi perbankan di Indonesia selama beberapa tahun ini penuh dinamika bagi industri perbankan nasional. Hal ini terlihat dari laporan keuangan perbankan saat mengalami krisis ekonomi pada tahun 1997 dan krisis keuangan global pada tahun 2008. Krisis yang terjadi pada tahun 1997-1998 mengakibatkan kurs naik sampai 600 persen dan inflasi sebesar 75 persen. Sementara pada tahun 2008 kurs hanya naik sekitar 20 persen dan inflasi sebesar 3 persen (Kompas, 2010, p.1). Ditengah beratnya tantangan yang dihadapi, bank pada umumnya mampu mempertahankan kinerja yang positif. Namun demikian, fungsi intermediasi masih terkendala akibat perubahan kondisi perekonomian yang kurang menguntungkan. Indikator utama yang dijadikan dasar penilaian perusahaan adalah laporan keuangan perusahaan. Berdasarkan laporan keuangan perusahaan dapat dilihat berapa laba yang berhasil dicapai oleh perusahaan tersebut. Apabila laba yang dicapai oleh perusahaan tersebut tinggi, maka akan semakin tinggi pula kinerja dari perusahaan tersebut. Disamping itu, bank memberi laporan keuangan untuk menunjukkan informasi dan posisi keuangan yang disajikan untuk pihak-pihak yang berkepentingan. Dalam laporan keuangan dapat menunjukkan posisi penyisihan kerugian kredit yang terdapat pada neraca sisi aktiva. Penyisihan kerugian kredit terjadi apabila debitur tidak dapat membayar

tunggakan

kreditnya,

maka

pihak

bank

yang

akan

mengambil

alih

kekuranganatascoveragejaminan kredit debitur tersebut. Bank wajib membentuk atau menyisihkan dana untuk menutupi risiko atas penyisihan kerugian kredit tersebut, untuk mengantisipasi jika jaminan atas kredit tersebut tidak dapat menutupi tunggakan kreditnya. Menurut Suhartono, 2012, penyisihan kerugian kredit ini dalam istilah akuntansi perbankan lebih dikenal dengan istilah Cadangan Kerugian Penurunan Nilai (CKPN). Dengan menyisihkan dana sebagai penyisihan kerugian kredit maka laporan keuangan bank tersebut telah mencerminkan keadaan yang sebenarnya. Berdasarkanuraianlatarbelakangmasalahdiatasmakayang menjadirumusanmasalahdaripenelitianiniadalah: 1.

ApakahNon Performing Loanberpengaruh terhadapPenyisihan kerugian kredit pada Bank di Indonesia pada periode tahun 2003 sampai dengan 2012?


2.

Apakah Kredit Macet berpengaruh terhadapPenyisihan kerugian kredit pada Bank di Indonesia pada periode tahun 2003 sampai dengan 2012?

3.

Apakah Laba Bersih berpengaruh terhadapPenyisihan kerugian kredit pada Bank di Indonesia pada periode tahun 2003 sampai dengan 2012?

4.

Apakah jumlah kredit yang diberikan berpengaruh terhadapPenyisihan kerugian kredit pada Bank di Indonesia pada periode tahun 2003 sampai dengan 2012?

5.

Apakah pengaruhNon Performing Loan, kredit macet, laba bersih, dan jumlah kredit yang diberikan secarabersama-sama (simultan)terhadapPenyisihan kerugian kredit pada Bank di Indonesia pada periode tahun 2003 sampai dengan 2012? Adapun yang menjaditujuan daripenelitianiniadalah:

1.

Menganalisis pengaruhNon Performing LoanterhadapPenyisihan kerugian kredit yang terjadi pada Bank di Indonesia pada periode tahun 2003 sampai dengan 2012.

2.

Menganalisis pengaruhKredit Macet terhadapPenyisihan kerugian kredit yang terjadi pada Bank di Indonesia pada periode tahun 2003 sampai dengan 2012.

3.

Menganalisis pengaruh Laba Bersih terhadapPenyisihan kerugian kredit yang terjadi pada Bank di Indonesia pada periode tahun 2003 sampai dengan 2012.

4.

Menganalisis pengaruh jumlah kredit yang diberikan terhadapPenyisihan kerugian kredit pada Bank di Indonesia pada periode tahun 2003 sampai dengan 2012.

5.

Menganalisis pengaruh Non Performing Loan, kredit macet, laba bersih, dan jumlah kredit yang diberikan secarabersama-sama (simultan) terhadapPenyisihan kerugian kredit pada Bank di Indonesia periode tahun 2003 sampai dengan 2012.

Tinjauan Teoritis Penyisihan kerugian kredit biasa disebut juga dengan Penyisihan kerugian kredit(Loan-Loss Provisioning) atau Cadangan Kerugian Penurunan Nilai (CKPN) adalah penyisihan kerugian atas portofolio kredit dan pendanaannya yang mengalami penurunan nilai ekonomi. Nilai ekonomi dari portofolio kredit dan pendanaannya dapat naik atau turun disebabkan karena adanya perubahan dengan kualitas kredit yaitu jika terjadi masalah terhadap itikad baik dan kemampuan debitur untuk melunasi kreditnya. Dalam laporan keuangan posisi penyisihan kerugian kredit terdapat pada neraca sisi aktiva.Menurut Pedoman Akuntansi Perbankan Indonesia (PAPI) (2008, 178), CKPN adalah penyisihan yang dibentuk apabila nilai tercatat kredit setelah penurunan nilai kurang dari nilai tercatat awal.


Non Performing Loan (NPL) menunjukkan bahwa kemampuan manajemen bank dalam mengelola kredit bermasalah yang diberikan oleh bank. Kredit bermasalah adalah kredit dengan kualitas kurang lancar, diragukan dan macet (Almilia dan Herdiningtyas, 2005).Menurut Kuncoro dan Suharjono (2001), kredit bermasalah adalah suatu keadaan dimana nasabah sudah tidak sanggup membayar sebagian atau seluruh kewajibannya kepada bank sesuai dengan perjanjian. Kredit Macet adalah suatu keadaan dimana nasabah sudah tidak sanggup membayar sebagian atau seluruh kewajibannya kepada bank yang seperti sudah diperjanjikan.Menurut Siamat (1993, 220), kredit macet adalah kredit yang mengalami kesulitan pelunasan akibat adanya faktor-faktor atau unsur kesengajaan atau karena kondisi di luar kemampuan debitur. Laba merupakan indikasi kesuksesan suatu badan usaha. Tercapainya laba merupakan keberhasilan suatu perusahaan dalam melakukan usahanya. Laba ini juga bisa digunakan sebagai indikator untuk menilai baik tidaknya kinerja suatu perusahaan. Menilai kemampuan perusahaan dalam memperoleh laba.Dalam bisnis perbankan, laba adalah jumlah yang tersisa setelah biaya tetap dan biaya variabel dikurangkan dari penerimaan bank (Sastradipoera, 2004,269). Besarnya jumlah kredit yang disalurkan akan menentukan keuntungan bank. Jika bank tidak mampu menyalurkan kredit, sementara dana yang terhimpun dari simpanan banyak, akan menyebabkan bank tersebut rugi (Kasmir, 2008,71).

Metode Penelitian Sumber-sumber data dari penelitian ini adalah data sekunder yang berupa data tahunan pada 3 bank pemerintah, 3 bank swasta dan 3 bank asing yang memiliki aset terbesar dan memiliki kantor cabang lebih dari satu di Indonesiadengan periode penelitian yang dimulai dari tahun 2003 hingga tahun 2012. Data yang digunakan merupakan data sekunder berupa data tahunan selama periode tahun 2003 – 2012. Jenis data yang digunakan dalam penelitian ini adalah data panel sedangkan pengolahan datanya menggunakan software Eviews 6.Data panel merupakan penggabungan antara data cross section dan time series. Jika setiap unit cross section memiliki jumlah observasi time series yang sama, maka data panel dengan jenis seperti itu disebut dengan balanced panel. Sebaliknya unbalanced panel adalah data panel yang terdiri dari unit cross section dengan jumlah observasi time series yang berbeda.


Pengambilan sampel yang digunakan dalam penelitian ini menggunakan teknik purposive judgement sampling, yaitu sampel yang digunakan dipilih berdasarkan penilaian atau kriteria tertentu yang ditetapkan oleh peneliti sehingga sampel dapat mencerminkan populasi dan memiliki banyak informasi didalamnya (Cooper dan Schindler , 2006). Kriteria pemilihan sampel dalam penelitian ini adalah sebagai berikut:

Gambar 1. Flow Chart Pemilihan Sampel

Penelitian ini menggunakan model penelitian dengan model persamaan analisis regresi berganda.Analisis regresi berganda adalah sebuah teknik statistik yang digunakan untuk memprediksi variasi variabel terkait dengan meregresikan lebih sari satu variabel bebas terhadap variabel terikat tersebut secara bersamaan. Analisis regresi berganda dalam penelitian ini dilakukan untuk menguji pengaruh beberapa variabel bebas terhadap variabel terikat secara simultan. Analisis regresi berganda akan membantu dalam memahami seberapa besar variasi dari variabel terikat dapat dijelaskan oleh sejumlah prediktor.


Model penelitian yang digunakan adalah sebagai berikut: ∆LLPit = β0 + β1∆NPLit + β2∆BDit + β3∆NIit + β4∆LAit+ εit Dimana : ∆LLP

= Perubahan penyisihan kerugian kredit / Loan Loss Provisionning, variabelterikat i

= Identitas 9 bank (1,2,3,........,9)

t

= Waktu selama penelitian yaitu 10 tahun sejak tahun 2003 hingga 2012.

β0

= Intersep nilai rata-rata Y ketika NPL, kredit macet, laba bersih, dan jumlah kredit yang diberikan yang sama dengan nol

∆NPL = Perubahan Non Performing Loan (NPL) ∆BD

= Perubahan Kredit macet / Bad Debt

∆NI

= Perubahan Laba bersih / Net Income

∆LA

= Perubahan jumlah kredit yang diberikan / Loan and Advances

ε

= Kesalahan acak

Hasil Penelitian Penelitian ini menggunakan jenis data panel sehingga perlu dilakukan beberapa pengujian terlebih dahulu dalam memilih metode pendekatan yang digunakan untuk mengestimasi model penelitian. Hal pertama yang dilakukan untuk pemilihan model yang tepat adalah melakukan uji Chow untuk memilih antara penggunaan pendekatan kuadrat terkecil (Pooled Least Square) atau pendekatan efek tetap (Fixed Effect Model).Indikator yang digunakan pada uji ini adalah F-statistic. Penelitian ini memperoleh nilai dari F hitung sebesar 0,4135. Sementara itu F tabel (FN-1,NT-N-K) pada pengujian ini adalah sebesar 1,29. Dengan demikian dapat dilihat bahwa F hitung lebih kecil daripada F tabel.Sehingga dapat disimpulkan bahwa H0 tidak ditolak. Berdasarkan hipotesis, maka dapat diketahui bahwa model yang dipilih adalah model Pooled Least Square. Sehingga untuk selanjutnya tidak perlu lagi dilakukan uji Haussman yang diperuntukkan untuk mengetahui apakah model yang akan digunakan model Fixed Effect atau model Random Effect. Selanjutnya akan dilakukan uji ekonometrika yang berupa uji asumsi classical linear regression model (uji asumsi klasik). Tujuan dari pengujian ini untuk memastikan bahwa model atau persamaan yang diuji tidak melanggar asumsi dasar ekonometrika.Pengujian ini


juga dimaksudkan untuk membuktikan bahwa estimasi yang diperoleh bersifat BLUE (Best Linear Unbiased Estimator). Beberapa pengujian yang akan dilakukan meliputi pengujian mengenai heteroskedastisitas, autokorelasi, dan multikolinieritas. Berikut pengujian yang dilakukan: a. Uji Heteroskedastisitas Dalam rangka menghindari adanya heterokedastisitas dalam persamaan yang diuji, maka dapat dilakukan treatment yang disebut white heteroskedasticity consistent covariance treatment yang dapat dilakukan dengan menggunakan E-Views 6 pada saat melakukan estimasi untuk memastikan bahwa persamaan yang diolah telah bebas dari heteroskedastisitas (Nachrowi, 2006). Dengan menggunakan metode tersebut, maka permasalahan heteroskedastisitas dianggap sudah teratasi. b. Uji Autokorelasi Permasalahan autokorelasi dapat dideteksi dengan menggunakan pengujian statistik d Durbin Watson.Dari pengujian yang dilakukan, nilai statistik d Durbin Watson dengan menggunakan model Pooled Least Square yaitu sebesar 2.476068.Maka keputusannya adalah tolak hipotesis nol yaitu adanya autokorelasi negatif.Permasalahan autokorelasi dapat diatasi dengan meregresikan variabel bebas dengan autoregresif ordo 1 sampai p, sehingga gejala autokorelasi dapat dihilangkan. c. Uji Multikolineritas Pada penelitian ini dengan menggunakan software Eviews 6 dilakukan uji multikolineritas untuk mengetahui apakah terdapat hubungan linier (berkorelasi) antar variabel bebas dalam persamaan. Hasil perhitungan jika nilai matrik korelasi antar variabel penjelas kurangdari

0,8

artinya

bahwa

semua

variabel

penjelas/bebas

tidak

terjadi

multikolinearitas sehingga tidak membiaskan interprestasi hasil analisis regresi. Berikut adalah hasil penelitian berupa output E-views 6 dengann menggunakan model Pooled Least Square: Tabel 1.Hasil Ringkasan Uji Signifikansi model Pooled Least Square Variabel

Koefisien

Prob t-stat

NPL

0.331320

0.0001

BD

0.17351

0.0427

NI

-0.005521

0.0000

LA

0.390491

0.0067

R2 0.593662

Sumber: output Eviews 6, olahan penulis


Dengan menggunakan tingkat signifikansi sebesar 5% maka dapat dilihat bahwa terdapat empat variabel yang signifikan mempengaruhi dengan nilai probabilita t-statistik beserta variabel independennya antara lain: Non Performing Loan (NPL) sebesar 0,0001 ; Kredit macet (Bad Debt / BD) sebesar 0,0427 ; Laba bersih (Net Interest / NI) sebesar 0.0000, dan Jumlah kredit yang diberikan (Loan and Advances / LA) sebesar 0.0067. Artinya variabel NPL, BD, NI, dan LA memberikan pengaruh yang signifikan terhadap penyisihan kerugian kredit (Loan Loss Provisioning / LLP) bank secara parsial. Nilai R2 dari model penelitian yang diperoleh dengan menggunakan pendekatan kuadrat terkecil cukup besar yaitu sebesar 0.593662 (59,36%). Hal ini berarti bahwa sekitar 59,36% dari variasi yang terjadi pada variabel terikat yaitu penyisihan kerugian kredit (Loan Loss Provisioning / LLP) dapat dijelaskan oleh variabel-variabel bebasnya (NPL, BD, NI, dan LA). Sehingga dapat diartikan variabel-variabel bebas yang digunakan dalam penelitian ini dapat menjelaskan variabel terikatnya dengan baik.

Pembahasan -

Non Performing Loan signifikan mempengaruhi penyisihan kerugian kredit. Untuk

mengetahui

bagaimana

pengaruh

Non

Performing

Loan

terhadappenyisihan kerugian kredit, tingginya tingkat Non Performing Loan yang terjadi dapat menimbulkan keengganan bank untuk menyalurkan kredit karena harus membentuk penyisihan kerugian kredit yang besar. Hal ini terbukti dengan hasil penelitian yang menyatakan bahwa Non Performing Loan memiliki hubungan yang positif dengan penyisihan kerugian kredit. Hubungan yang positif berarti ketika terjadi peningkatan Non Performing Loan maka akan mengakibatkan peningkatan padapenyisihan kerugian kredit juga.Hasil penelitian menunjukkan bahwa jika terjadi kenaikan pada Non Performing Loan sebesar 1 satuan, maka besarnya penyisihan kerugian kredit akan mengalami kenaikan sebesar 0,331320 satuan. Hubungan yang signifikan menunjukkan bahwa variabelNon Performing Loan mampu menangkap pergerakan variabel penyisihan kerugian kredit. Penelitian yang dilakukan oleh Mohd Yaziz (2011) juga menemukan bahwa variabelNon Performing Loan memiliki hubungan yang signifikan secara positif dengan penyisihan kerugian kredit dengan nilai koefisien 0,000743.


Ash Shiddieq dalam penelitiannya juga menemukan bahwa terdapat koefisien korelasi dan koefisien determinasi Non Performing Loan terhadap CKPN sebesar 0,561 dengan arah positif, hal ini berarti semakin besar Non Performing Loan, semakin besar pula kemungkinan CKPN yang harus dibentuk, begitu pula sebaliknya apabila tingkat kredit bermasalah dapat ditekan seminimal mungkin, maka CKPN yang harus dibentuk jumlahnya dapat dikurangi. Selain itu Lin dan Mei (2006) menambahkan bahwa telah ditemukan bukti hubungan kausal antara Non Performing Loan dengan penyisihan kerugian kredit, dan penentuan Non Performing Loan sebagai variabel penjelas dari penyisihan kerugian kredit tidak ditolak karena tidak merupakan estimator yang bias. -

Kredit macet signifikan mempengaruhi penyisihan kerugian kredit Signifikan hubungan pada variabel kredit macet dan penyisihan kerugian kredit terbukti pada hasil output penelitian yaitu sebesar 0,0427. Arah hubungan yang positif menjelaskan bahwa koefisien sebesar 0,17351 artinya adalah jika terjadi kenaikan pada nilai kredit macet sebesar 1 satuan, maka penyisihan kerugian kredit juga mengalami kenaikan sebesar 0,017351 satuan. Hal ini berarti variabel kredit macet mampu menangkap pergerakan dari penyisihan kerugian kredit. Penelitian yang dilakukan oleh Dermine dan Carvalho (2004) juga menemukan hasil yang sama, bahwa kredit macet mempunyai hubungan yang signifikan negatif terhadap penyisihan kerugian kredit. Penelitian ini menjelaskan bahwa nilai kredit macet yang tinggi diakibatkan oleh jaminan kredit yang tidak mencukupi untuk menutupi jumlah kredit yang macet. Selain itu untuk menghindari terjadinya pembentukan penyisihan kerugian kredit yang terlalu besar, maka Bank harus segera melakukan usaha pemulihan kredit macet sejak timbulnya gejala-gejala kredit tersebut akan macet. Sehingga kredit macet dapat ditangani sedini mungkin. Selain itu, hasil penelitian yang sama juga ditemukan oleh Xianlei Dong, Jia Liu, dan Beibei Hu (2012) bahwa kredit macet memiliki hubungan yang negatif dengan penyisihan kerugian kredit. Penelitian yang mengambil sampel 14 bank komersial di China selama periode tahun 2001 sampai 2009 dengan menggunakan perbandingan 3 model penelitian yaitu Ordinary Least Square Model, Random Effect Model, dan Fixed Effect Model, menemukan bahwa dari semua model yang digunakan hubungan antara kredit macet dengan penyisihan kerugian kredit adalah negatif.


Namun hal ini tidak sejalan dengan penelitian yang dilakukan oleh Mohd Yaziz (2011) serta Podder (2004) yang menemukan bahwa kredit macet tidak berkorelasi atau tidak signifikan dengan penyisihan kerugian kredit. -

Laba bersih signifikan mempengaruhi penyisihan kerugian kredit Laba bersih memiliki hubungan negatif dan signifikan terhadap penyisihan kerugian kredit.Semakin tinggi nilai laba bersih suatu bank, maka akan semakin tinggi tingkat kemampuan bank dalam mengalokasikan dananya untuk penyisihan kerugian kredit. Variabel laba bersih dapat menangkap pergerakan penyisihan kerugian kredit. Hasil penelitian menunjukkan bahwa jika terjadi kenaikan pada nilai laba bersih sebesar 1 satuan, maka penyisihan kerugian kredit akan mengalami penurunan sebesar 0, 005521 satuan. Hal ini sejalan dengan penelitian yang dilakukan Mohd Yaziz (2011) yang menemukan hubungan negatif antara laba bersih terhadap penyisihan kerugian kredit sebesar -0.280696. Hasil penelitian yang sama juga ditemukan oleh Anandarajan (2005) yang mengambil sampel dari seluruh bank komersial di Australia pada periode tahun 1991 sampai 2001, bahwa terdapat hubungan antara pada laba bersih terhadap penyisihan kerugian kredit.

-

Jumlah kredit yang diberikan signifikan mempengaruhi penyisihan kerugian kredit Hubungan yang signifikan positif pada variabel jumlah kredit yang diberikan dan penyisihan kerugian kredit terbukti pada hasil output penelitian. Hubungan yang signifikan positif artinya jika terjadi peningkatan jumlah kredit yang diberikan maka akan terjadi pula peningkatan pada penyisihan kerugian kredit. Variabel jumlah kredit yang diberikan mampu menangkap pergerakan penyisihan kerugian kredit.Hasil penelitian menunjukkan bahwa jika terjadi kenaikan pada nilai jumlah kredit yang diberikan sebesar 1 satuan, maka penyisihan kerugian kredit juga mengalami kenaikan sebesar 0,390491 satuan. Hal ini sejalan dengan penelitian yang dilakukan Mohd Yaziz (2011), yang menemukan bahwa variabel jumlah kredit yang diberikan memiliki hubungan yang signifikan positif dengan penyisihan kerugian kredit.Artinya jumlah kredit yang


diberikan mampu menangkap pergerakan penyisihan kerugian kredit, dengan nilai koefisien sebesar 0.004954. Penelitian serupa juga dilakukan oleh Dong, Liu, dan Hu yang melakukan penelitian pada 14 bank komersial di China selama periode tahun 2001 sampai 2009 sebagai sampel. Data panel yang diolah menggunakan Fixed Effect Model ini menemukan bahwa terdapat hubungan yang positif antara jumlah kredit yang diberikan terhadap penyisihan kerugian kredit. Balla dan McKenna (2009) dalam penelitiannya mengatakan pro terhadap jumlah kredit yang diberikan pada penyisihan kerugian kredit. Artinya saat terjadi peningkatan yang besar pada jumlah kredit yang diberikan maka Bank akan membentuk tingkat penyisihan kredit yang besar.

Kesimpulan Berdasarkan tujuan penelitian yang dilakukan dan analisis dengan menggunakan pendekatan kuadrat terkecil, diperoleh hasil bahwa: a. Variabel Non Performing Loan (NPL) ternyata memiliki pengaruh yang signifikan secara positif terhadap penyisihan kerugian kredit pada Bank di Indonesia periode tahun 2003 sampai dengan 2012, hal ini terlihat berdasarkan nilai probabilita Uji-t sebesar 0,0001 dan koefisiennya sebesar 0,331320. b. Variabel kredit macet (Bad Debt / BD) ternyata memiliki pengaruh yang signifikan secara positif terhadap perubahan penyisihan kerugian kredit pada Bank di Indonesia periode tahun 2003 sampai dengan 2012, hal ini terlihat berdasarkan nilai probabilita Uji-t sebesar 0,0427 dan koefisiennya sebesar 0,17351. c. Variabel laba bersih (Net Interest / NI) ternyata memiliki pengaruh yang signifikan secara negatif terhadap penyisihan kerugian kredit pada Bank di Indonesia periode tahun 2003 sampai dengan 2012, hal ini terlihat berdasarkan nilai probabilita Uji-t sebesar 0,0000 dan koefisiennya sebesar

-0,005521.

d. Variabel jumlah kredit yang diberikan (Loan and Advances / LA) ternyata memiliki pengaruh yang signifikan secara positif terhadap penyisihan kerugian kredit pada Bank di Indonesia periode tahun 2003 sampai dengan 2012, hal ini terlihat berdasarkan nilai probabilita Uji-t sebesar 0,0067 dan koefisiennya sebesar 0,390491.


e. Dan secara bersama-sama (simultan) variabel bebas dalam penelitian ini yaitu Non Performing Loan, kredit macet, laba bersih, dan jumlah kredit yang diberikanpada Bank di Indonesia periode

tahun 2003 sampai dengan 2012

memiliki pengaruh yang

signifikan terhadap penyisihan kerugian kredit yang dijelaskan oleh nilai R2 sebesar 0.593662 (59,36%).

Saran Dengan melihat temuan dari hasil penelitian ini, maka beberapa saran yangdapatdiberikan antara lain : -

Untuk penelitian selanjutnya Penelitian ini masih memiliki beberapa kelemahan dan keterbatasan antara lain yaitu: Penelitian ini tidak mengikutsertakan semua jenis Bank dalam sampel.Hal tersebut dikarenakan sesuai dengan sampel yang digunakan pada jurnal acuan utama.Diharapkan untuk penelitian selanjutnya dapat mengikutsertakan semua jenis Bank, seperti Bank Pembangunan Daerah (BPD) dan Bank campuran.Sehingga penelitian lebih bervariasi datanya. Penulis melakukan penelitian dengan mengambil periode penelitian selama 10 tahun.Diharapkan untuk penelitian selanjutnya dapat menggunakan periode yang lebih lama untuk melihat pengaruh jangka panjang dengan lebih baik. Pada penelitian ini penyisihan kerugian kredit hanya diukur pada Non Performing Loan (NPL), kredit macet, laba bersih, dan jumlah kredit yang diberikan. Penyisihan kerugian kredit juga bisa diukur dengan Return on Asset (ROA), Loan Debt Ratio (LDR), dan lain-lain.

-

Untuk Regulator Sebagai pihak yang dapat menetapkan peraturan demi kemajuan dan manfaat bagi semua pihak, yaitu mengatur secara proposional tingkat maksimum penyisihan kerugian kredit yang harus ditetapkan oleh semua Bank.Serta melakukan sosialisasi agar pemahaman mengenai resiko atas penyisihan kerugian kredit ini dapat disadari oleh seluruh Bank.


-

Untuk Bank Manajemen bank perlu memperhatikan potensi-potensi kegiatan operasional Bank yang akan mengakibatkan bertambahnya tingkat penyisihan kerugian kredit. Karena semakin besar tingkat penyisihan kerugian kredit yang terjadi, maka akan semakin besar jumlah aset bank yang berkurang karenanya. Manajemen bank harus selalu mengontrol dan mengawasi arus perubahan transaksi harian bank, agar setiap angka perubahan yang terjadi dapat diketahui secara cepat. Bank harus memiliki sumber daya manusia yang memiliki kapasitas dalam melakukan penilaian kredit untuk menunjang dalam melakukan analisis dalammelakukan penyaluran kredit kepada calon debiturnya.Dengan penilaian kedit yang detail dan sesuai prosedur, maka diharapkan walaupun jumlah kredit yang disalurkan oleh bank cukup besar, namun tidak menambah jumlah kredit yang Non Performing Loan (NPL).

Daftar Referensi Almilia, Luciana Spica., dan Herdiningtyas, Winny., 2005. Analisis Camel terhadap Prediksi Kondisi Bermasalah pada Lembaga Perbankan periode 2000-2002. Jurnal Akuntansi dan Keuangan, Vol. 7, No. 2, Nopember 2005. Anandarajan, Asokan; Hasan, Iftekhar; and McCarthy, Cornelia, ’The Use of Loan Loss Provisioning for Earning, Capital Management and Signalling by Australian Banks” (2005). CRIF Working Paper series. Paper 5. Balla, Eliana, and McKenna, Andrew. 2009. Dynamic Provisioning : A Countercyclical Tool for Loan Loss Reserves. Economic Quarterly – Volume 95, Number 4 – Fall 2009 – Pages 383 418. J. Dermine and C. Neto de Carvalho. 2006. Bank Loan-Loss Provisioning, Methodology and Application. Kasmir.2008. Bank dan Lembaga Keuangan Lainnya. Jakarta : Raja Grafindo Persada Kuncoro, M. dan Suhardjono. 2001. Manajemen Perbankan Teori dan Aplikasi, Edisi Pertama. Yogyakarta : BPFE. Lin Peter Wei-Shong and Mei Albert Kuo-Chung. 2006. The internal performance measures of bank lending : a value-added approach. Benchmarking : An International Journal Vol. 13 No. 3, 2006 pp. 272-289. Mohd Yaziz Bin Mohd Isa. 2011. Determinants of Loan Loss Provisioning of Commercial Bank in Malaysia. Journal of 2nd International Conference on Business and Economic Research (2nd ICBER) Proceeding.


Nachrowi, D Nachrowi, Usman, Hardius. 2006. Pendekatan Populer dan Praktis Ekonometrika Untuk Analisis Ekonomi dan Keuangan.Lembaga Penerbit Universitas Indonesia. Pedoman Akuntansi Perbankan Indonesia. 2008. Sastradipoera, Komruddin. 2004. Strategi Manajemen Bisnis Perbankan, Konsep dan Implementasi untuk bersaing. Bandung : Kappa Sigma. Siamat, Dahlan. 1993. Manajemen Bank Umum. Jakarta : Intermedia. www.kompas.com (2010, Januari 14) Kalla : Krisis 2008 beda dengan Krisis 1997 – 1998. http://nasional.kompas.com/read/2010/01/14/1128322/ Xianlei Dong, Jia Liu, Beibei Hu. 2012.Research on the Relationship of Commercial Bank’s Loan Loss Provision and Earning Management and Capital Management.


Lampiran Lampiran 1. Data Perubahan Penyisihan Kerugian Kredit, Non Performing Loan, Kredit Macet, Laba Bersih, dan Jumlah kredit yang diberikan, pada 9 jenis Bank selama periode tahun 2003 sampai dengan 2012 Bank

Tahun

LLP

NPL

BD

NI

LA

Mandiri

2003

0.255042139

0.475793764

2.583850904

0.214520125

0.149245834

Mandiri

2004

-0.056621367

0.060167932

0.180093959

0.220454498

0.205624434

Mandiri

2005

0.384043919

3.068308364

3.098790901

-0.885195707

0.133053259

Mandiri

2006

0.192641161

-0.301819297

0.022199142

3.013141212

0.090245744

Mandiri

2007

-0.098673744

-0.393693258

-0.394508385

0.794918240

0.159505999

Mandiri

2008

-0.112111557

-0.246657546

-0.278279510

0.222399260

0.253737349

Mandiri

2009

0.032941037

-0.368164102

-0.451674374

0.265693122

0.130062119

Mandiri

2010

-0.129954724

-0.096884890

-0.181392201

0.316258653

0.218738758

Mandiri

2011

0.107793879

0.235716203

0.484784166

0.323948309

0.250302292

Mandiri

2012

0.135336285

-0.007004804

0.003059153

0.216667062

0.241655049

BRI

2003

0.102257057

0.081268106

0.543347704

0.641007700

0.208934524

BRI

2004

0.188128565

-0.088349073

0.124019881

0.451877072

0.310259924

BRI

2005

0.055710046

0.351622866

0.320737603

0.048265344

0.211095488

BRI

2006

0.241726213

0.228922075

1.036504981

0.117887553

0.195271898

BRI

2007

0.035107519

-0.097663606

-0.033607443

0.136328640

0.261075150

BRI

2008

0.151092437

0.124383820

0.020556085

0.231576430

0.413680855

BRI

2009

0.429427563

0.659938044

0.556856641

0.095994239

0.276225761

BRI

2010

0.224200319

0.288464136

0.556280575

0.383327384

0.140587560

BRI

2011

0.133584517

-0.137656019

-0.082580205

0.564940377

0.169137018

BRI

2012

-0.077985021

-0.097857504

-0.138684301

0.280360678

0.236811967

BNI

2003

0.261136695

0.680507729

13.003787546

-0.774239848

0.246023981

BNI

2004

1.547509786

0.159818294

1.078792433

3.229234758

0.264409215

BNI

2005

-0.025201617

1.027478605

1.282914212

-0.060124479

0.060357503

BNI

2006

-0.091590754

-0.234025424

-0.251290428

-0.068965193

0.069784629

BNI

2007

0.413785086

0.171849777

0.430028401

-0.547112637

0.328926118

BNI

2008

0.039704735

-0.260279664

-0.422165287

0.361451029

0.263714612

BNI

2009

0.200601871

-0.082323121

-0.111449559

1.016266048

0.077702289

BNI

2010

0.003603966

0.028642550

0.205155184

0.666489915

0.103122822

BNI

2011

0.032259310

0.055878739

0.337871393

0.387397825

0.187219360

BNI

2012

-0.059555400

-0.048369885

-0.099668536

0.246979401

0.218076428

BCA

2003

0.085377040

0.995872551

-0.521695623

-0.060105773

0.370906954

BCA

2004

0.213480960

-0.241381036

-0.010986123

0.317787570

0.386627350

BCA

2005

0.255932646

0.793010586

4.511670209

0.139894796

0.343611197

BCA

2006

0.286510106

-0.136464271

-0.050410680

0.181830357

0.137151547

BCA

2007

-0.027052276

-0.160802786

-0.011756069

0.059679033

0.340455603

BCA

2008

0.635321693

-0.090587236

-0.091561623

0.166584440

0.365837058

BCA

2009

0.559959323

0.389495773

0.347453333

0.293107115

0.091452325

BCA

2010

-0.092827901

0.168749985

0.200911945

0.233977293

0.252137443


BCA

2011

-0.022459177

-0.001617714

-0.045141936

0.219141789

0.313415955

BCA

2012

0.053191124

-0.003566763

-0.167225003

0.168793654

0.269171496

CIMB

2003

0.050333331

0.486375344

-0.424726955

2.414497883

0.308948239

CIMB

2004

0.301967689

0.425008262

1.969965067

0.332668717

0.522341806

CIMB

2005

-0.080201260

1.226175079

5.629044837

-0.121091936

0.377426808

CIMB

2006

0.136963297

-0.229976781

0.161323731

0.185290692

0.130959665

CIMB

2007

0.585815492

0.406180162

0.875424935

0.177534253

0.260022254

CIMB

2008

0.151820578

-0.062801307

0.048360517

-0.551884729

0.197764670

CIMB

2009

1.042717964

0.654094896

0.306951927

3.410542379

0.639304679

CIMB

2010

0.203751510

0.041065116

0.250585050

0.688971506

0.265330509

CIMB

2011

0.034127570

0.270719735

0.268043352

0.245665390

0.187992046

CIMB

2012

0.085134912

-0.024485896

-0.120485046

0.333622020

0.144008321

Danamon

2003

2.059068211

5.275615351

1.137416548

-0.972041912

0.226165765

Danamon

2004

-0.639038986

-0.641283511

-0.069429555

78.794416664

0.291296343

Danamon

2005

-0.341914122

-0.258019153

0.592723965

-0.168667869

0.228629304

Danamon

2006

0.389987284

0.468493145

1.368911658

-0.338372094

0.143895597

Danamon

2007

0.045360435

-0.148429472

-0.304704467

0.619600221

0.244648644

Danamon

2008

0.050933838

0.293968098

0.173396377

-0.284912984

0.259621726

Danamon

2009

0.417125893

0.857750301

0.356785489

-0.001568139

-0.065458478

Danamon

2010

0.139398154

-0.123899927

-0.034755449

0.881504672

0.259491051

Danamon

2011

-0.107720471

-0.035312007

-0.052221585

-0.172252302

0.157371780

Danamon

2012

0.005198771

0.027454924

0.549727787

0.357124482

0.061312250

HSBC

2003

-0.422991368

-0.399849100

-0.350203257

-0.470049649

0.125438038

HSBC

2004

-0.625784967

-0.648873344

-0.839141621

0.084764791

0.151499972

HSBC

2005

0.556347557

0.160813154

0.015268047

-0.079148079

0.421979588

HSBC

2006

-0.042937862

-0.072798850

-0.455630981

-0.078166653

0.020207544

HSBC

2007

2.092226162

3.499487987

21.766639123

0.506234159

0.384053454

HSBC

2008

0.535361906

0.567113257

0.473842633

0.262916133

0.372122875

HSBC

2009

0.334750004

0.301479787

0.503581729

-0.202206625

-0.106350606

HSBC

2010

-0.792401135

-0.901714543

-0.966301378

0.455789555

0.202916429

HSBC

2011

-0.346387829

0.141676764

0.671711035

0.625295634

0.294923002

HSBC

2012

-0.240007302

-0.406742403

-0.492130303

0.056303068

0.269376757

Citibank

2003

-0.342373389

-0.232738862

-0.499754585

-0.260583142

-0.111919363

Citibank

2004

-0.022526137

-0.413150931

-0.078280184

0.098142298

0.218324050

Citibank

2005

0.131087933

1.480830517

0.353442422

0.213702187

0.233559395

Citibank

2006

0.409271394

-0.176490584

0.531023192

0.081521309

0.404689205

Citibank

2007

0.197346459

0.231423224

0.403552193

0.393386981

0.071812472

Citibank

2008

0.409182103

0.838728259

0.309593548

0.149365754

0.219465918

Citibank

2009

0.015330286

0.084828678

0.290000241

0.102523067

-0.120151324

Citibank

2010

-0.799117832

-0.703456093

-0.914880285

0.047907777

0.118884042

Citibank

2011

-0.083001948

-0.500938731

-0.117219069

-0.193032231

-0.018552399

Citibank

2012

0.025021615

-0.372742807

-0.394534869

0.053358255

0.178750300

Stancard

2003

-0.412587833

-0.495606838

-0.354945436

-0.925074661

-0.045216874

Stancard

2004

-0.259400717

-0.023568886

-0.358168499

1.686180807

0.209074468

Stancard

2005

0.387988020

-0.030655015

0.138333182

0.623785546

0.388220358


Stancard

2006

0.265354954

0.118415838

0.841607011

0.089883563

0.252034800

Stancard

2007

0.424600364

0.849929979

0.348686362

-0.197649836

0.042344464

Stancard

2008

0.324623039

0.359725129

0.357952094

0.095825159

0.716157972

Stancard

2009

-0.332982198

-0.539066857

-0.922359542

0.097987487

-0.123687644

Stancard

2010

1.171583270

1.954390291

24.362387282

-0.868501393

0.451627789

Stancard

2011

0.291242839

0.213669747

0.277509715

3.427972642

0.161845371

Stancard

2012

-0.276016946

-0.190984585

-0.292097561

-0.179927050

0.212289801

Lampiran 2.Hasil Deskripsi Variabel Penelitian LLP? 0.150744 0.093817 2.092226 -0.799118 0.462581 1.760060 8.967962

NPL? 0.228362 0.028049 5.275615 -0.901715 0.858219 3.375852 17.76761

BD? 0.943082 0.149828 24.36239 -0.966301 3.744693 5.099106 29.51542

NI? 1.170684 0.183561 78.79442 -0.972042 8.312941 9.197323 86.38240

LA? 0.215357 0.218531 0.716158 -0.123688 0.147874 0.245589 4.411275

Jarque-Bera Probability

180.0293 0.000000

988.7547 0.000000

3026.517 0.000000

27341.20 0.000000

8.373577 0.015195

Sum Sum Sq. Dev.

13.56700 19.04430

20.55255 65.55211

84.87741 1248.022

105.3616 6150.344

19.38215 1.946125

Observations Cross sections

90 9

90 9

90 9

90 9

90 9

Mean Median Maximum Minimum Std. Dev. Skewness Kurtosis

Lampiran 3. Hasil pengolahan data dengan model Pooled Least Square Dependent Variable: LLP? Method: Pooled Least Squares Date: 06/08/13 Time: 21:10 Sample: 2003 2012 Included observations: 10 Cross-sections included: 9 Total pool (balanced) observations: 90 Variable

Coefficient

Std. Error

t-Statistic

Prob.

NPL? BD? NI? LA?

0.331320 0.017351 -0.005521 0.390491

0.044012 0.010138 0.003872 0.132736

7.528010 1.711557 -1.426023 2.941858

0.0000 0.0906 0.1575 0.0042

R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat

0.593662 0.579487 0.299970 7.738431 -17.29199 2.370429

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter.

0.150744 0.462581 0.473155 0.584258 0.517958


Lampiran 4. Hasil pengolahan data dengan model Pooled Least Square yang sudah terbebas dari Heterokedastisitas Dependent Variable: LLP? Method: Pooled Least Squares Date: 06/08/13 Time: 23:09 Sample: 2003 2012 Included observations: 10 Cross-sections included: 9 Total pool (balanced) observations: 90 White cross-section standard errors & covariance (d.f. corrected) Variable

Coefficient

Std. Error

t-Statistic

Prob.

NPL? BD? NI? LA?

0.331320 0.017351 -0.005521 0.390491

0.078932 0.008435 0.001197 0.140394

4.197539 2.056947 -4.614309 2.781391

0.0001 0.0427 0.0000 0.0067

R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat

0.593662 0.579487 0.299970 7.738431 -17.29199 2.370429

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter.

0.150744 0.462581 0.473155 0.584258 0.517958

Lampiran 5. Hasil Chow Test Redundant Fixed Effects Tests Pool: LLP Test cross-section fixed effects Effects Test

Statistic

d.f.

Prob.

Cross-section F Cross-section Chi-square

0.310104 2.853945

(8,77) 8

0.9601 0.9432

Cross-section fixed effects test equation: Dependent Variable: LLP? Method: Panel Least Squares Date: 06/08/13 Time: 21:12 Sample: 2003 2012 Included observations: 10 Cross-sections included: 9 Total pool (balanced) observations: 90 Variable

Coefficient

Std. Error

t-Statistic

Prob.

C NPL? BD? NI? LA?

-0.059823 0.333276 0.016559 -0.005428 0.581349

0.056194 0.044016 0.010157 0.003870 0.223011

-1.064568 7.571713 1.630305 -1.402697 2.606820

0.2901 0.0000 0.1067 0.1643 0.0108

R-squared Adjusted R-squared S.E. of regression

0.599008 0.580138 0.299737

Mean dependent var S.D. dependent var Akaike info criterion

0.150744 0.462581 0.482133


Sum squared resid Log likelihood F-statistic Prob(F-statistic)

7.636612 -16.69597 31.74358 0.000000

Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat

0.621011 0.538137 2.396578

Lampiran 6. Hasil Uji Multikolinearitas NPL

BD

NI

LA

NPL

1

0.527923

-‐0.124487

0.179715

BD

0.527923

1

-‐0.044384

0.245554

NI

-‐0.124487

-‐0.044384

1

0.070733

LA

0.179715

0.245554

0.070733

1


PENGARUH NPL, KREDIT MACET, LABA BERSIH, DAN JUMLAH KREDIT YANG DIBERIKAN TERHADAP PENYISIHAN KERUGIAN KREDIT PADA BANK DI INDONESIA

Recommend Documents