Analisis Pengaruh Internet Banking terhadap Kinerja Bank di Indonesia dengan Metode Data Envelopment Analysis (DEA) dan Principal Component Analysis (PCA) Talitha Ulima Sofiana, Isti Surjandari P. Departemen Teknik Industri, Fakultas Teknik, Universitas Indonesia, Depok, 16424 Email:
[email protected]
Abstrak Sebuah penelitian terdahulu menyebutkan bahwa internet banking memberikan dampak negatif terhadap kinerja bank di Indonesia. Penelitian ini merupakan tindakan lanjut untuk mengetahui pengaruh internet banking terhadap kinerja setiap bank penyedia layanan tersebut pada tahun 2013. Pendekatan nilai tambah digunakan untuk menentukan variabel input dan output yang digunakan pada penelitian. Metode DEA digunakan untuk menghitung efisiensi yang menjadi indikator kinerja bank. Model DEA yang digunakan ialah model variable return to scale berorientasi input. Metode PCA digunakan untuk membuat component loading yang dapat memetakan kinerja setiap bank beserta pengaruh internet banking-nya. Berdasarkan hasil tersebut, dapat disimpulkan bahwa 60,00 % bank-bank penyedia layanan internet banking di Indonesia pada tahun 2013 memang belum memiliki kinerja yang baik. Adapun bank-bank yang kinerjanya mendapat pengaruh yang besar dari internet banking-nya ialah sebesar 45,71 % dari total bank penyedia layanan internet banking di Indonesia. Hasil penelitian ini berupa pemetaan yang diharapkan dapat menjadi salah satu referensi bagi bank agar dapat menentukan keputusan dan strategi terkait dengan layanan internet banking-nya.
The Analysis of Internet Banking Impact on Bank Performance in Indonesia using Data Envelopment Analysis (DEA) and Principal Component Analysis (PCA) Abstract A previous study said that internet banking gave negative impact on Indonesian bank performance. This is a follow-up study to determine the impact of internet banking toward each bank performance in 2013. Valueadded approach is used to determine the input and output variables used in this study. DEA is used to calculate efficiency which is used as indicator of bank performance. The DEA model used is variable returns to scale input oriented model. PCA is used to generate component loading for depicting performance of each bank along with its internet banking impact. Based on the results, it can be concluded that 60.00% internet banking service providers in Indonesia year 2013 did not have good performance. In the other hand, banks which their performances are greatly influenced by internet banking are 45.71% from total of internet banking service providers in Indonesia. The result of this research is a mapping which is expected could be a reference for banks in order to determine decisions and strategies related to its internet banking service. Keyword: internet banking, bank, performance, efficiency, mapping, DEA, PCA
1 Analisis Pengaruh..., Talitha Ulima Sofiana, FT UI, 2014
Pendahuluan
Kemajuan teknologi yang semakin hari berkembang secara pesat memberikan dampak yang signifikan pada dunia jasa perbankan (Pradhana, 2007). Internet, sebagai salah satu teknologi yang dimanfaatkan untuk mendukung keberlangsungan segmen tersebut, kini mampu memfasilitasi terjadinya pemenuhan kebutuhan yang mengedepankan aspek kemudahan, efisiensi, fleksibilitas dan kesederhanaan sehingga menjadi media alternatif bagi pengguna jasa lembaga tersebut. Meskipun menawarkan berbagai manfaat, faktanya minat nasabah untuk menggunakan fasilitas internet banking masih terbilang kurang tinggi. Sampai tahun 2013, pengguna layanan ini masih berada pada kisaran 9% dari total pengguna internet di Indonesia (Noor, 2013). Adapun pada tahun 2013, total pengguna internet mencapai 58 juta dari total populasi 251.160.124 jiwa. Walaupun demikian, Indonesia adalah negara ke-7 di dunia yang penduduknya paling banyak menggunakan layanan internet dengan jumlah pertumbuhan sebesar 430% dalam 5 tahun terakhir (Global Web Index, 2013). Kondisi ini dinilai sebagai potensi besar yang menarik untuk mengembangkan bisnis berbasis teknologi informasi. Di bidang perbankan, hal ini ditandai oleh kemunculan 35 bank yang mulai menyediakan layanan internet banking di Indonesia per tahun 2013. Sebuah penelitian menarik dari Pradhana (2007) menyebutkan bahwa fasilitas internet banking memberikan pengaruh yang signifikan terhadap kinerja bank-bank di Indonesia. Yang mengejutkan, pengaruh tersebut justru memberikan dampak negatif terhadap profitabilitas bank. Temuan ini tidak dapat ditelaah secara langsung oleh para pelaku perbankan untuk menentukan kebijakan yang sesuai bagi internet banking mereka karena pernyataan tersebut bersifat umum, artinya penyataan tersebut belum tentu sesuai jika digunakan untuk menetapkan kebijakan pada setiap bank yang memiliki kondisi beragam. Terlebih dengan melihat biaya pendirian (set up) layanan internet banking yang sangat besar baik dari segi teknologi dan pemasaran (Lin et al., 2001), menutup internet banking bagi bank-bank yang sudah memiliki fasilitas tersebut bukanlah hal yang mudah. Mengetahui pengaruh layanan internet banking terhadap kinerja bank secara keseluruhan pun mampu menjadi keharusan bagi bank-bank tersebut. Salah satu dilema yang dihadapi oleh pelaku bisnis saat ini adalah bagaimana menghasilkan suatu pengukuran kinerja yang bersifat multikriteria karena biasanya sebuah kriteria pengukuran belum tentu mampu memenuhi tujuan dari evaluasi kinerja (Camp, 1995). Di Indonesia, bentuk evaluasi terhadap kinerja perbankan yang melibatkan pengukuran multikriteria pun belum begitu populer. Studi mengenai evaluasi kinerja perbankan sejauh ini 2 Analisis Pengaruh..., Talitha Ulima Sofiana, FT UI, 2014
telah dibahas dalam berbagai literatur dengan berbagai pendekatan. Dibandingkan dengan pendekatan yang lain, pendekatan Data Envelopment Analysis (DEA) dinilai merupakan metode yang efektif untuk mengevaluasi efisiensi relatif dari para unit penentuan keputusan (decision making units / DMUs) ketika pengukuran kinerja dengan multikriteria dibutuhkan. Meskipun demikian, pendekatan ini masih sulit menjelaskan bagaimana bank-bank mampu mencapai skor efisiensi tersebut, terlebih jika berkaitan dengan pengaruh internet banking yang menjadi sorotan pada penelitian ini. Oleh karena itu, metode Principal Component Analysis (PCA) juga perlu diterapkan untuk mengetahui pengaruh internet banking terhadap kinerja bank berdasarkan serangkaian model yang menggabungkan seluruh input dan output dan memungkinkan untuk dipakai oleh perusahaan (Chien-Ta & Desheng, 2009). Penelitian ini diharapkan mampu memberikan informasi mengenai pengaruh internet banking terhadap kinerja bank-bank di Indonesia yang memiliki fasilitas tersebut. Dengan mengetahui pengaruh dari internet banking, para pelaku perbankan diharapkan mampu mendapatkan salah satu referensi untuk mengambil keputusan dan strategi yang tepat untuk mengelola internet banking yang telah mereka bangun sehingga kinerja terbaik dari para pelaku perbankan dapat tercapai.
Tinjauan Teoritis Perbankan Perbankan adalah segala sesuatu yang menyangkut tentang bank, mencakup kelembagaan, kegiatan usaha, serta cara dan proses dalam melaksanakan kegiatan usahanya. Istilah perbankan mengacu pada kata bank yang berasal dari bahasa Italia, banca, yang berarti tempat untuk menukarkan uang (Bouvier, 1956). Definisi bank sendiri menurut UndangUndang RI Nomor 10 Tahun 1998 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. Menurut Hasibuan (2005), bank sendiri didefinisikan sebagai badan usaha yang kekayaannya terutama dalam bentuk aset keuangan (financial assets) serta berorientasi pada profit dan juga aspek sosial, bukan hanya mencari keuntungan. Adapun Kasmir (2008) berpendapat bahwa bank merupakan lembaga keuangan yang kegiatannya menghimpun dana dari masyarakat dalam bentuk simpanan kemudian menyalurkan kembali ke masyarakat, serta memberikan jasa-jasa bank lainnya.
3 Analisis Pengaruh..., Talitha Ulima Sofiana, FT UI, 2014
Internet Banking Menurut Cambridge Advanced Learner’s Dictionary, internet banking didefinisikan dengan cukup sederhana, yakni sebagai sistem yang memungkinkan pengguna (dalam hal ini dikenal dengan istilah nasabah) untuk menyimpan dan menggunakan uang dari akun bank mereka dengan menggunakan fasilitas internet. Adapun internet sendiri merupakan kumpulan jaringan komputer yang saling berhubungan dan memiliki infrastruktur yang sangat unik, mampu menghubungkan jutaan orang di seluruh dunia dan selalu berkembang setiap waktu (Cranor & Greeinstein, 2002). Internet banking juga dikenal dengan beragam istilah lain seperti cyberbanking, virtual banking, online banking maupun home banking. Layanan ini merupakan salah satu wujud dari electronic banking (e-banking, layanan yang menggunakan kartu atau alat elektronik untuk menyelenggarakan berbagai kegiatan perbankan) selain ATM, phone banking, sms-banking, kartu kredit dan beberapa contoh yang lain (Bank Commonwealth, 2014). Sejauh ini, penelitian mengenai evaluasi kinerja bank penyedia internet banking memang belum banyak terpublikasi. Meskipun demikian, penelitian mengenai penilaian kinerja online telah menjadi sebuah area riset yang menarik bagi peneliti dan praktisi. Ruang lingkup dari beberapa literatur yang sudah ada secara garis besar menggunakan pendekatan berbasis kinerja finansial (Chien–Ta & Desheng, 2009). Meskipun demikian, penelitian dari Serrano – Cincaa et al. (2005) mengemukakan bahwa tanpa dukungan dari informasi berbasis kinerja non-finansial, informasi finansial tidak selalu cukup untuk memberikan penilaian pada bisnis online. Adapun beberapa model evaluasi kinerja secara garis besar dibentuk dari kombinasi input dan output yang mungkin digunakan oleh penyedia bisnis online. Ada beberapa pendekatan yang dapat digunakan untuk menentukan input dan output yang akan diolah menjadi suatu model evaluasi. Eltivia (2013) memberikan keterangan mengenai pendekatan untuk menentukan input dan output tersebut, seperti berikut. 1. pendekatan operasional, yakni melihat bank sebagai unit bisnis untuk menghasilkan total pendapatan berdasarkan total biayanya; 2. pendekatan intermediasi, yakni melihat bank sebagai penghubung antara pemilik tabungan dan peminjam dana; total pinjaman dan investasi merupakan output sedangkan simpanan / dana pihak ketiga, tenaga kerja dan modal merupakan input; 3. Pendekatan nilai tambah; hampir sama dengan pendekatan intermediasi, hanya saja output merupakan simpanan / dana pihak ketiga dan akun sejenis yang berkontribusi terhadap nilai tambah dari suatu bank.
4 Analisis Pengaruh..., Talitha Ulima Sofiana, FT UI, 2014
Data Envelopment Analysis (DEA) DEA diciptakan sebagai suatu alat evaluasi kinerja berdasarkan rasio antara output / input, sebagaimana konsep efisiensi teknikal yang dikemukakan oleh Farrel (1957). Pentingnya metode ini muncul ketika suatu sistem pengukuran kinerja melibatkan input dan output yang bersifat non-parametrik dan multifaktor sehingga untuk menentukan efisiensi memerlukan pembobotan tertentu untuk menyamakan parameter dari input dan output yang ada (Charnes et al., 1978). Adapun unit yang dianalisis dalam metode ini dikenal dengan istilah Decision Making Unit (DMU) dan berfungsi sebagai dasar untuk perbandingan dan menentukan benchmark untuk DMU lain (Cooper et. al, 2004). Metode DEA diciptakan dengan beragam orientasi untuk mengukur efisiensi, antara lain sebagai berikut (Scheel, 2000). 1. Orientasi Input (Input-Oriented) Perspektif ini melihat efisiensi sebagai pengurangan penggunaan input yang terkuantifikasi dengan tetap mempertahankan jumlah output. 2. Orientasi Output (Output-Oriented) Sebaliknya, perspektif ini melihat efisiensi sebagai peningkatan output secara proporsional dengan menggunakan tingkat input yang sama. Dasar dalam menentukan orientasi dari model ialah dengan melihat variabel mana yang bisa dikontrol secara langsung. Jika DMU lebih memiliki kemampuan untuk mengontrol input secara langsung, maka model yang digunakan adalah model berorientasi input, dan begitu pula sebaliknya. Beberapa model yang sudah cukup awam digunakan antara lain ialah sebagai berikut. 1. Model CCR (Charnes, Cooper dan Rhodes) (Charnes et al., 1978) Model ini merupakan model pengembangan paling dasar dari konsep DEA dengan asumsi bahwa untuk setiap penambahan input sebesar X akan memberikan penambahan sebesar X pula pada output atau dengn kata lain perbandingan antara input maupun output suatu DMU tidak mempengaruhi produktivitas yang mungkin dicapai, yakni Constant Return to Scale (CRS). 2. Model BCC (Banker, Charnes dan Cooper) Model ini digunakan dengan asumsi bahwa perbandingan terhadap input maupun output suatu perusahaan akan mempengaruhi produktivitas yang mungkin dicapai, yaitu VRS (Variable Return to Scale). Dalam hal ini, untuk setiap penambahan x input tidak akan memberikan penambahan sebesar x terhadap output, namun bisa lebih atau kurang. 5 Analisis Pengaruh..., Talitha Ulima Sofiana, FT UI, 2014
Model DEA yang akan digunakan pada penelitian ini ialah model BCC-I (variable return-to-scale, input-oriented) yang dinyatakan dengan persamaan berikut:
dengan C0 = nilai yang merepresentasikan besarnya penambahan output yang tidak proporsional. j
= 1,2, ... n (DMU)
m
= jumlah input
s
= jumlah output
ur
= bobot output ke-r
vi
= bobot input ke-i
yro = besar output ke-r yang digunakan oleh DMU xio = besar input ke-i yang digunakan oleh DMU Principal Component Analysis (PCA) Menurut Santosa (2007), Principal Component Analysis (PCA) adalah suatu teknik handal untuk mengekstrasi struktur dari suatu set data dengan dimensi yang cukup banyak. Permasalahan dalam PCA adalah menemukan eigenvalue dan eigenvectors. PCA akan membuat transformasi orthogonal (tegak lurus) dari sistem koordinat yang akan mendeskripsikan data. Koordinat baru di mana data dideskripsikan dinamakan principal component atau PC, sering juga disebut sebagai komponen atau konsep. Langkah-langkah untuk melakukan metode PCA ialah sebagai berikut (Smith, 2002). 1. Persiapan Data Misalkan terdapat data dengan susunan sebagai berikut: X 11 X 21 X . X m1
X 12
X 22
. X m2
X 1n X 2 n . X mn
(4) 6
Analisis Pengaruh..., Talitha Ulima Sofiana, FT UI, 2014
dimana n adalah jumlah variabel/atribut dan m adalah banyaknya observasi. 2. Menghitung Mean dan Zero Mean Data dapat ditransformasi ke dalam suatu kolom, misalkan dengan cara centering atau zero mean yakni mengurangi setiap data dengan rata-rata dari setiap atribut yang ada dengan rumus sebagai berikut:
^
X X X
(5)
adalah vektor hasil setelah centering, X adalah vektor kolom dan
adalah rata-rata
dari kolom yang bersangkutan. Proses tersebut dilakukan untuk semua kolom dari i = 1 sampai i = n. 3. Membuat matriks covariance Matriks covariance didapatkan dengan mengalikan matriks zero mean dengan transpose-nya, dengan rumus:
di mana m adalah jumlah variabel dalam data. 4. Menghitung eigenvalue, yakni dengan rumus: (7) di mana
= eigenvalue dan I = matriks identitas
5. Membuat matriks eigenvector Dalam
memperhatikan
pola
dari
datanya,
data-data
tersebut
akan
direpresentasikan sebagai eigenvectors. Eigenvector didefinisikan sebagai kumpulan hubungan karakteristik-karakteristik dari suatu data untuk mengenali data tersebut secara spesifik. Mencari eigenvector dapat dilakukan dengan menggunakan rumus berikut: (8) di mana U = nilai dari eigenvector 6. Mengurangi dimensi sebesar K dimensi yang didapatkan dari eigenvalue pertama.
Metode Penelitian Pengumpulan Data Untuk mengukur kinerja dari bank penyedia layanan internet banking, efisiensi dipilih sebagai parameter pengukuran. Nilai efisiensi dari bank penyedia layanan internet banking dapat diketahui secara garis besar dengan melakukan perbandingan terhadap variabel input 7 Analisis Pengaruh..., Talitha Ulima Sofiana, FT UI, 2014
dan output-nya. Oleh karena itu, variabel input dan output dari penelitian ini perlu diketahui terlebih dahulu. Penentuan input dan output dilakukan dengan menggunakan pendekatan nilai tambah sehingga variabel yang akan digunakan oleh penelitian ini merupakan variabel yang dinyatakan dalam Tabel 1 berikut. Tabel 1 Daftar Variabel Input dan Output No. 1
Nama Variabel jumlah pekerja
A
Jenis Variabel Input
Simbol
Satuan
Keterangan
orang
total pekerja dalam setahun aset dan inventaris yang dimiliki oleh bank untuk menyelenggarakan kegiatan operasional terkait dengan peralatan kantor, komputer, pengeluaran IT, pengeluaran software dan pengeluaran hardware merupakan selisih antara pendapatan operasional dan biaya operasional
2
aset tetap dan inventaris
B
Input
IDR
3
profit
1
Output
IDR
4
simpanan / dana pihak ketiga
2
Output
IDR
terdiri dari tabungan, giro dan deposito
5
website global daily reach rate
%
menyatakan persentase dari rata-rata pengunjung yang berasal dari seluruh penjuru dunia setiap harinya
3
Output
(Sumber: Chien-Ta & Desheng (2009) dan Eltivia (2013), telah diolah kembali)
Penelitian ini dilakukan dengan menggunakan data sekunder, yakni data terkait layanan internet banking dari setiap bank yang dikeluarkan oleh Bank Indonesia untuk variabel (A), (B), (1), dan (2) serta Alexa.com (penyedia jasa informasi pengunjung suatu website milik Amazon.com) untuk variabel (3). Adapun seluruh data mengacu pada data pada tahun 2013. Bank-bank yang dipilih sebagai objek dari penelitian ini ialah 35 bank penyedia layanan internet banking pada tahun 2013.
Pengolahan Data Pada tahap ini, data tersebut akan diolah dengan metode Data Envelopment Analysis (DEA) untuk menghasilkan nilai efisiensi dari setiap bank penyedia layanan internet banking. Hasil dari DEA ini kemudian akan diolah kembali dengan metode Principal Component Analysis (PCA). Suatu pemetaan pengaruh internet banking terhadap kinerja bank penyedia
8 Analisis Pengaruh..., Talitha Ulima Sofiana, FT UI, 2014
layanan internet banking di Indonesia kemudian dapat diperoleh dengan memetakan hasil dari DEA terhadap hasil dari PCA. Perhitungan DEA dilakukan terhadap 21 model yang muncul akibat kombinasi seluruh input dan output yang dilibatkan dalam penelitian ini (seperti model A1, A2, A3, dan seterusnya di mana A1 melambangkan model yang melibatkan variabel input jumlah pekerja dan output simpanan, dan lain sebagainya). Hasil dari pengoalahan dengan metode DEA dapat disaksikan pada Tabel 2. Dua puluh satu nilai efisiensi per DMU yang dihasilkan dengan metode DEA akan menjadi masukan untuk metode PCA. Metode ini akan mengekstrak data, mengurangi informasi yang kurang berguna dan memvisualisasikan hubungan umum yang terjadi pada data dengan cara mereduksi data multidimensional menjadi data yang lebih sedikit dimensinya (dalam penjelasan lebih lanjut, dimensi sering disebut sebagai konsep atau komponen), namun dengan tetap mempertahankan variablitias (informasi) dari datanya. Tujuan utama dari metode ini ialah menghasilkan nilai component loading dari variabel maupun case (dalam hal ini DMU) dalam komponen-komponen tertentu yang nantinya akan digunakan untuk membuat pemetaan.. Component 1, sebagai konsep dengan variabilitas data terbesar yang nilainya digambarkan pada sumbu horizontal, akan memberikan gambaran mengenai component loading dari efisiensi bank penyedia layanan internet banking secara keseluruhan di mana jika nilainya semakin positif, maka efisiensinya akan semakin baik dan begitu pula sebaliknya. Adapun component 2, yang nilainya digambarkan pada sumbu vertikal, akan menjelaskan component loading dari pengaruh variabel input dan output model untuk mencapai tingkat efisiensi tersebut. Interpretasi dari konsep 2 ini dapat diperoleh dengan melakukan beberapa tinjauan pada kemunculan nilai positif dan negatif dari component loading yang berasal dari variabel. Adapun karena penelitian lebih berfokus untuk melihat pengaruh dari internet banking, maka variabel yang akan ditinjau lebih jauh ialah variabel-variabel efisiensi yang menggunakan output berupa website global daily reach rate (3), yakni variabel B13, B3, AB3, A13, A3, B123, AB123, B23, A123, AB23 dan A23. Semua variabel yang menggunakan output (3) sebagai suatu output tunggal, yakni seperti A3, B3, dan AB3, memberikan tanda negatif pada nilai component loading-nya sehingga dapat diketahui bahwa output (3) cenderung memberikan kontribusi pada sumbu negatif. Hal ini dapat juga diperkuat dengan melihat perbandingan antara jumlah nilai component loading dari variabel-variabel yang memiliki output (3) dan total nilai component loading dari seluruh variabel dalam suatu sumbu. Nilai component loading tersebut dapat dilihat pada Tabel 3 dan 4. 9 Analisis Pengaruh..., Talitha Ulima Sofiana, FT UI, 2014
Tabel 2 Rekapitulasi Nilai Efisiensi dari DMU untuk Seluruh Model Kombinasi Input dan Output DMU F1
A1 A2 100.00% 100.00%
A3 A12 A13 A23 A123 AB1 AB2 65.18% 100.00% 100.00% 100.00% 100.00% 100.00% 100.00%
AB3 AB12 59.28% 100.00% 37.04%
F2
65.20%
73.08%
53.55%
F3
100.00%
69.11%
51.29% 100.00% 100.00%
79.41% 100.00% 100.00% 100.00%
35.71% 100.00%
F4
100.00%
61.41%
61.62% 100.00% 100.00%
74.41% 100.00% 100.00%
46.61%
46.81% 100.00%
F5
51.88%
67.00%
51.83%
78.00%
67.93%
78.00%
83.50%
35.46%
51.86%
35.38%
63.89%
F6
51.42%
73.22%
50.85%
82.15%
67.65%
82.15%
86.61%
35.22%
65.20%
34.36%
74.00%
F7
55.44%
58.61%
55.60%
72.41%
70.40%
72.41%
79.31%
40.04%
43.86%
40.19%
57.90%
F8
53.82%
61.52%
53.93%
74.34%
69.29%
74.34%
80.76%
39.53%
50.50%
39.66%
62.87%
F9
82.05%
76.80%
82.05%
86.54%
60.18%
72.60%
79.83%
100.00% 100.00% 100.00% 100.00% 100.00% 100.00% 100.00% 100.00% 100.00% 100.00% 100.00%
F10
53.67%
77.44%
52.41%
84.96%
69.77%
84.96%
88.72%
39.57%
78.76%
35.67%
88.24%
F11
50.16%
53.96%
50.25%
69.30%
66.89%
69.30%
76.98%
33.96%
49.18%
33.92%
62.16%
F12
52.14%
73.03%
52.09%
82.02%
68.17%
82.02%
86.51%
36.29%
61.87%
36.13%
71.40%
F13
61.74%
76.90%
61.89%
84.60%
74.60%
84.60%
88.45%
51.06%
71.93%
51.23%
78.95%
F14
66.28%
66.28%
66.48%
77.52%
77.66%
77.66%
83.24%
64.12%
64.12%
64.39%
73.09%
F15
50.60%
78.21%
51.19%
85.47%
67.49%
85.47%
89.10%
34.13%
77.77%
34.67%
83.33%
F16
55.79%
58.98%
55.99%
72.65%
70.66%
72.66%
79.49%
42.20%
46.65%
42.42%
59.99%
F17
50.99%
72.88%
51.08%
81.92%
67.43%
81.92%
86.44%
34.23%
56.74%
34.29%
67.55%
F18
53.50%
51.84%
51.61%
69.89%
69.54%
67.96%
77.42%
39.32%
35.88%
35.36%
56.23%
10 Analisis Pengaruh..., Talitha Ulima Sofiana, FT UI, 2014
Tabel 2 Rekapitulasi Nilai Efisiensi dari DMU untuk Seluruh Kombinasi Input dan Output (Lanjutan) DMU
AB13
AB23
AB123
B1
B2
B3
B12
B13
B23
B123
F1
58.41% 100.00% 100.00%
76.29% 100.00%
73.75% 100.00%
93.21% 100.00% 100.00%
F2
53.33%
61.34%
52.00%
77.00%
F3
53.44% 100.00% 100.00% 100.00% 100.00%
F4
100.00%
F5
79.45%
83.86%
72.60%
81.73%
82.61%
86.95%
52.27% 100.00% 100.00% 100.00% 100.00%
60.10% 100.00% 100.00%
57.52%
57.52% 100.00% 100.00%
71.68% 100.00%
50.32%
63.89%
71.11%
51.30%
57.36%
51.09%
71.57%
67.54%
71.57%
78.68%
F6
50.97%
73.90%
79.20%
51.41%
69.95%
50.60%
80.01%
67.62%
79.97%
85.01%
F7
50.32%
57.90%
66.32%
54.19%
54.64%
54.08%
69.81%
69.47%
69.76%
77.36%
F8
50.11%
62.87%
70.30%
54.84%
60.58%
54.84%
73.72%
69.89%
73.72%
80.29%
F9
70.34% 100.00% 100.00%
71.55%
80.23% 100.00%
86.82% 100.00% 100.00% 100.00%
F10
53.08%
84.07%
90.59%
53.74%
80.61%
51.06%
88.26%
72.42%
87.80%
91.24%
F11
50.64%
61.88%
69.80%
50.78%
69.01%
50.59%
79.57%
67.39%
79.34%
84.71%
F12
50.66%
71.40%
77.12%
52.29%
65.13%
51.83%
76.76%
68.23%
76.76%
82.57%
F13
51.84%
78.95%
83.16%
64.54%
71.89%
63.13%
81.74%
76.40%
81.26%
86.31%
F14
50.94%
73.29%
78.63%
76.91%
76.44%
76.44%
84.60%
84.60%
84.29%
88.45%
F15
50.65%
83.33%
86.66%
50.59%
82.76%
50.75%
88.51%
67.25%
88.51%
91.38%
F16
50.45%
59.99%
67.99%
56.82%
57.39%
56.66%
71.69%
71.24%
71.59%
78.77%
F17
50.24%
67.55%
74.04%
50.35%
57.67%
50.31%
71.78%
66.92%
71.78%
78.84%
F18
55.08%
51.91%
65.16%
55.48%
51.38%
51.31%
71.43%
70.91%
67.59%
78.65%
11 Analisis Pengaruh..., Talitha Ulima Sofiana, FT UI, 2014
Tabel 2 Rekapitulasi Nilai Efisiensi dari DMU untuk Seluruh Kombinasi Input dan Output (Lanjutan) DMU
A1
A2
A3
A12
A13
A23
A123
AB1
AB2
AB3
AB12
F19
51.44%
75.67%
51.05%
83.78%
67.84%
83.78%
87.83%
35.30%
70.31%
34.54%
78.19%
F20
52.26%
99.41%
51.21%
99.61%
68.44%
99.61%
99.71%
35.44%
94.69%
34.35%
96.02%
F21
51.28%
91.60%
51.42%
94.40%
68.02%
94.40%
95.80%
35.16% 100.00%
34.91% 100.00%
F22
50.93%
56.58%
51.49%
71.05%
67.66%
71.05%
78.29%
34.95%
43.22%
35.62%
F23
77.47%
51.56%
51.68%
84.98%
84.98%
67.85%
88.73% 100.00%
35.64%
35.48% 100.00%
F24
51.41%
79.03%
51.12%
86.02%
67.68%
86.02%
89.51%
68.73%
34.51%
F25
59.58%
63.42%
59.87%
75.61%
73.24%
75.62%
81.72% 100.00% 100.00% 100.00% 100.00%
F26
76.50%
76.50%
77.11%
84.34%
84.74%
84.74%
88.56% 100.00% 100.00% 100.00% 100.00%
F27
54.07%
80.10%
52.88%
86.73%
69.68%
86.73%
90.05%
38.27%
66.23%
36.47%
75.20%
F28
63.07%
78.05%
61.39%
85.37%
75.40%
85.37%
89.03%
50.80%
68.72%
48.12%
77.80%
F29
51.76%
62.92%
53.11%
75.28%
68.74%
75.28%
81.46%
35.48%
48.31%
36.76%
61.23%
F30
34.91%
57.42%
76.55%
100.00% 100.00% 100.00% 100.00% 100.00% 100.00% 100.00% 100.00% 100.00% 100.00% 100.00%
F31
68.93%
99.79%
65.88%
99.86%
79.29%
99.86%
99.89%
58.35% 100.00%
53.61% 100.00%
F32
53.26%
79.39%
53.77%
86.48%
70.43%
86.26%
89.86%
39.27%
81.15%
38.15%
F33
53.58%
88.16%
53.27%
92.11%
70.19%
92.11%
94.08%
39.49%
95.14%
37.51% 100.00%
F34
77.11% 100.00%
65.55% 100.00%
61.29% 100.00%
F35
54.40%
74.42% 100.00%
91.82% 100.00%
85.51% 100.00% 100.00%
94.55% 100.00% 100.00% 100.00%
90.24%
42.72% 100.00% 100.00% 100.00%
12 Analisis Pengaruh..., Talitha Ulima Sofiana, FT UI, 2014
Tabel 2 Rekapitulasi Nilai Efisiensi dari DMU untuk Seluruh Kombinasi Input dan Output (Lanjutan) DMU
AB13
AB23
AB123
B1
B2
B3
B12
B13
B23
B123
F19
51.30%
77.74%
82.55%
51.51%
74.66%
50.68%
83.31%
67.75%
83.11%
87.48%
F20
51.61%
96.02%
96.82%
50.90%
69.43%
50.28%
80.32%
67.30%
79.62%
85.24%
F21
51.59% 100.00% 100.00%
51.46% 100.00%
50.88% 100.00%
67.86% 100.00% 100.00%
F22
50.62%
57.42%
51.43%
56.71%
51.75%
67.88%
F23
55.90%
51.73% 100.00% 100.00%
51.43%
51.47% 100.00% 100.00%
67.64% 100.00%
F24
50.67%
76.55%
68.28%
50.56%
78.85%
F25
50.97% 100.00% 100.00% 100.00% 100.00% 100.00% 100.00% 100.00% 100.00% 100.00%
F26
50.74% 100.00% 100.00%
96.85%
96.85%
96.85%
97.90%
97.90%
97.90%
98.42%
F27
52.65%
74.67%
80.16%
53.34%
63.30%
51.62%
75.92%
68.99%
75.53%
81.94%
F28
54.14%
76.54%
82.24%
63.12%
67.11%
59.53%
80.22%
75.42%
78.07%
85.17%
F29
51.14%
61.23%
68.99%
51.42%
56.82%
51.84%
71.22%
67.95%
71.22%
78.41%
F30
57.61% 100.00% 100.00% 100.00%
94.21%
94.21% 100.00% 100.00%
96.14% 100.00%
F31
56.62% 100.00% 100.00%
68.60%
79.25%
62.85%
89.21%
79.07%
86.16%
91.91%
F32
55.80%
85.86%
92.19%
55.64%
86.51%
53.26%
94.48%
71.44%
91.01%
95.86%
F33
55.24%
96.36% 100.00%
55.66%
96.96%
52.77% 100.00%
71.11%
97.98% 100.00%
F34
58.70% 100.00% 100.00%
71.21%
73.68%
65.29%
81.07%
82.46%
F35
100.00% 100.00% 100.00%
65.93%
81.24%
50.96%
71.14%
78.85%
86.47%
67.33%
71.14%
78.35%
84.14%
89.85%
59.68% 100.00% 100.00% 100.00% 100.00% 100.00% 100.00%
13 Analisis Pengaruh..., Talitha Ulima Sofiana, FT UI, 2014
Tabel 3 Nilai Component Loading Berdasarkan Variabel Variabel A1 A12 A123 A13 A2 A23 A3 AB12 AB123
Component 1 0.669536 0.839064 0.853063 0.767948 0.752553 0.766407 0.710836 0.924920 0.925043
Component 2 -0.453160 0.269855 0.250954 -0.479220 0.504457 0.479143 -0.398115 0.096559 0.095805
Variabel AB2 AB23 AB3 B12 B123 B13 B2 B23 B3
Component 1 0.887724 0.888151 0.703697 0.843272 0.884116 0.739369 0.821689 0.855876 0.696298
Component 2 0.344011 0.343344 -0.487655 -0.070423 -0.109071 -0.632898 0.196702 0.151006 -0.495685
Tabel 4 Nilai Component Loading Berdasarkan Case / DMU Case / DMU Bank KEB Indonesia Bank Central Asia , Tbk Standard Chartered Bank Bank Mandiri (Persero), Tbk Bank Andara Bank Rakyat Indonesia (Persero), Tbk Bank Of China Limited Bank Resona Perdania Bank Nationalnobu (Alfindo Sejahtera) Bank Permata, Tbk The Hongkong & Shanghai B.C, LTD Bank Antar Daerah Pan Indonesia Bank, Tbk Citibank N.A Bank CIMB Niaga, Tbk Bank Internasional Indonesia, Tbk Bank Hana Bank SBI Indonesia Bank Syariah Mandiri Bank Chinatrust Indonesia Bank Negara Indonesia (Persero), Tbk Bank OCBC NISP , Tbk Bank UOB Indonesia Bank ANZ Indonesia Bank Bukopin,Tbk Bank Ekonomi Raharja. Tbk Bank Mega, Tbk
Component Component 1 2 6.49440 -1.69562 6.14948 -1.82823 5.96498 -1.21723 5.43042 0.17675 4.16464 -1.88541 3.97044 -0.32500 3.35089 1.06755 3.16071 1.77137 2.94501
-1.94005
2.64153 2.42220 1.56999 1.06016 0.71266 -0.03912 -0.31363 -0.43561 -0.59193 -0.74160 -0.75337 -0.86012 -1.26781 -1.55536 -1.72166 -1.97549 -2.36402 -3.16501
3.11387 2.45691 -2.71112 3.27290 1.43386 1.31090 1.63713 0.01003 -1.75044 -2.69042 0.06946 0.22466 1.19997 1.34728 1.08987 0.89884 0.65379 0.61559
14 Analisis Pengaruh..., Talitha Ulima Sofiana, FT UI, 2014
Tabel 4 Nilai Component Loading Berdasarkan Case / DMU (Lanjutan)
Bank Artha Graha Internasional, Tbk Bank ICB Bumiputera Indonesia, Tbk Bank Danamon Indonesia,Tbk Bank Maspion Indonesia Bank Commonwealth Bank Bumi Arta Bank Sinarmas, Tbk Bank Muamalat Indonesia
Component 1 -3.71841 -3.72535 -4.01016 -4.10431 -4.10958 -4.52245 -4.81540 -5.24714
Component 2 0.02575 -0.64484 -0.67148 -1.14696 -0.41482 -1.10435 -0.85597 -1.49457
Hasil Penelitian Adapun hasil dari Tabel 4 dapat dituangkan dalam sebuah pemetaan sebagaimana tergambar pada Gambar 1. Pemetaan tersebut menunjukkan bahwa berdasarkan kinerja dan pengaruh internet banking-nya, bank-bank penyedia layanan internet banking di Indonesia dapat dibagi menjadi 4 kelompok besar / kuadran.
Pembahasan Dari pemetaan tersebut, dapat dilihat bahwa 14 bank tersebar pada sumbu horizontal positif dan 21 bank pada sumbu horizontal negatif. Oleh karena itu, dapat disimpulkan bahwa 60,00 % bank penyedia layanan internet banking di Indonesia pada tahun 2013 memang belum memiliki kinerja yang baik. Lima bank dengan kinerja terbaik berdasarkan penelitian ini berhasil diduduki oleh Bank KEB Indonesia (nilai component loading = 6,49440); kemudian disusul oleh Bank Central Asia, Tbk. (6,41948); Standard Chartered Bank (5,96498); Bank Mandiri (Persero), Tbk. (5,43042) dan Bank Andara (4,16464). Adapun kelima bank yang memiliki kinerja paling tidak baik diduduki oleh Bank Muamalat Indonesia, Tbk. (-5,24714), Bank Sinarmas, Tbk. (-4,81540); Bank Bumi Arta (-4,52245); Bank Commonwealth (-4,10958); dan Bank Maspion Indonesia (-4,10431). Analisis Pengaruh Internet Banking terhadap Kinerja Bank Penyedia Layanan Internet Banking di Indonesia Dengan melihat sumbu vertikal dari pemetaan, dapat dilihat bahwa persebaran pengaruh internet banking terhadap kinerja bank-bank penyedia layanan internet banking di Indonesia hampir seimbang. Bank-bank yang kinerjanya mendapat pengaruh yang besar dari 15 Analisis Pengaruh..., Talitha Ulima Sofiana, FT UI, 2014
4.00
3.00
2.00
1.00
0.00 -6.00
-4.00
-2.00
0.00
2.00
4.00
6.00
8.00
-1.00
-2.00
-3.00
-4.00
Bank KEB Indonesia Bank Central Asia , Tbk Standard Chartered Bank Bank Mandiri (Persero), Tbk Bank Andara Bank Rakyat Indonesia (Persero), Tbk Bank Of China Limited Bank Resona Perdania Bank Nationalnobu (Alfindo Sejahtera) Bank Permata, Tbk The Hongkong & Shanghai B.C, LTD Bank Antar Daerah Pan Indonesia Bank, Tbk Citibank N.A Bank CIMB Niaga, Tbk Bank Internasional Indonesia, Tbk Bank Hana Bank SBI Indonesia Bank Syariah Mandiri Bank Chinatrust Indonesia Bank Negara Indonesia (Persero), Tbk Bank OCBC NISP , Tbk Bank UOB Indonesia Bank ANZ Indonesia Bank Bukopin,Tbk Bank Ekonomi Raharja. Tbk Bank Mega, Tbk Bank Artha Graha Internasional, Tbk Bank ICB Bumiputera Indonesia, Tbk Bank Danamon Indonesia,Tbk Bank Maspion Indonesia Bank Commonwealth Bank Bumi Arta Bank Sinarmas, Tbk Bank Muamalat Indonesia
Gambar 1 Pemetaan dari Component Loading yang Berasal dari Case / DMU
16 Analisis Pengaruh..., Talitha Ulima Sofiana, FT UI, 2014
internet banking-nya terdiri dari 16 bank. Lima bank dengan layanan internet banking yang memiliki pengaruh terbesar pada kinerjanya ialah Bank Antar Daerah (-2,71112); Bank Syariah Mandiri (-2,69042); Bank Nationalnobu (Alfindo Sejahtera) (-1,94005); Bank Andara (-1,88541), dan Bank Central Asia, Tbk. (-1,82823). Adapun lima bank yang internet banking-nya memiliki pengaruh terkecil pada kinerjanya ialah Pan Indonesia Bank, Tbk. (3,27290); Bank Permata, Tbk. (3,11387); The Hongkong & Shanghai B.C, LTD (2,45691); Bank Resona Perdania (1,77137); dan Bank Internasional Indonesia, Tbk. (1,63713 Dari pemetaan, dapat dilihat bahwa beberapa bank tersebar mendekati sumbu horizontal seperti Bank Mandiri (Persero), Tbk.; Bank Rakyat Indonesia (Persero), Tbk.; Bank Hana; Bank Chinatrust Indonesia, Bank Negara Indonesia (Persero), Tbk.; Bank Artha Graha Internasional dan Bank Commonwealth. Bank-bank ini dapat diartikan sebagai bank yang cukup seimbang dalam memanfaatkan internet banking maupun variabel-variabel lain untuk mencapai kinerja mereka.
Analisis Pengaruh Internet Banking terhadap Kinerja Beberapa Bank Penyedia Fasilitas Internet Banking di Indonesia Dengan melihat persebaran nilai component-nya, bank-bank penyedia layanan internet banking di Indonesia dapat dikelompokkan ke dalam 4 kuadran, sebagai berikut.
Kuadran I Kuadran ini menggambarkan sekelompok bank yang telah menyediakan fasilitas internet banking dan berhasil mencapai kinerja perusahaan yang bagus secara keseluruhan. Anggota kuadran ini ialah Bank Mandiri (Persero), Tbk.; Bank of China Limited; Bank Resona Perdania; Bank Permata, Tbk.; The Hongkong and Shanghai B.C., LTD.; Pan Indonesia Bank, Tbk.; dan Citibank N.A. Bagi para bank anggota kuadran ini, internet banking tidak memberikan pengaruh yang besar terhadap kinerjanya sehingga tidak mendayagunakan atau meniadakan fasilitas internet banking bukanlah fokus utama yang harus dilakukan. Meskipun demikian, mempertahankan fasilitas internet banking pun bukan merupakan langkah yang salah karena dalam kondisi saat ini, bank sudah mencapai kinerja yang cukup bagus dan mungkin saja bank memiliki berbagai pertimbangan lain terhadap internet banking-nya, misalnya jika bank ingin tetap mempertahankan pelanggan yang sudah cukup nyaman menggunakan fasilitas internet banking mereka.
Kuadran II Kuadran ini menggambarkan bank-bank penyedia layanan internet banking yang memiliki kinerja kurang baik dan internet banking-nya tidak memberikan pengaruh yang besar 17 Analisis Pengaruh..., Talitha Ulima Sofiana, FT UI, 2014
terhadap kinerjanya. Kuadran ini memiliki anggota paling banyak, yakni sebesar 34,39% dari total bank penyedia layanan internet banking di Indonesia. Bank-bank tersebut ialah Bank CIMB Niaga, Tbk.; Bank Internasional Indonesia, Tbk.; Bank Hana; Bank Chinatrust Indonesia; Bank Negara Indonesia (Persero), Tbk.; Bank OCBC NISP, Tbk.; Bank UOB Indonesia, Tbk.; Bank ANZ Indonesia; Bank Bukopin, Tbk.; Bank Ekonomi Raharja, Tbk.; Bank Mega, Tbk., dan Bank Artha Graha Internasional, Tbk. Untuk menaikkan kinerja bank, anggota dari kuadran ini akan lebih baik jika berfokus untuk menindaklanjuti hal-hal selain internet banking terlebih dahulu.
Kuadran III Kuadran ini menggambarkan beberapa bank yang tergolong memiliki kinerja kurang baik dan internet banking-nya memiliki pengaruh yang besar terhadap pencapaian kinerja tersebut. Bank-bank yang tergolong pada kuadran ini meliputi Bank Muamalat Indonesia; Bank Sinarmas, Tbk.; Bank Bumi Arta; Bank Commonwealth; Bank Maspion Indonesia; Bank Danamon Indonesia, Tbk., Bank Syariah Mandiri; Bank SBI Indonesia; dan Bank ICB Bumiputera Indonesia, Tbk. Dengan melihat besarnya pengaruh internet banking terhadap kinerjanya, maka anggota dari kuadran ini perlu untuk menindaklanjuti layanan internet banking mereka.
Kuadran IV Kuadran ini merupakan sekelompok bank yang tergolong memiliki kinerja yang baik dan internet banking memiliki pengaruh yang besar untuk mencapai kinerja tersebut. Anggota dari kuadran meliputi Bank KEB Indonesia, Bank Central Asia, Tbk., Standard Chartered Bank, Bank Rakyat Indonesia (Persero), Tbk.; Bank Nationalnobu (Alfindo Sejahtera); Bank Andara; dan Bank Antar Daerah. Karena internet banking memiliki kontribusi besar terhadap kinerja baik yang telah berhasil mereka dapatkan, maka tidak mendayagunakan dengan sebaik mungkin atau bahkan meniadakan layanan internet banking bukanlah hal yang tepat bagi bank-bank yang tergolong pada kuadran ini.
Kesimpulan Penelitian ini merupakan suatu kerangka perpaduan antara metode non-parametrik dan analisis multivarat yang diterapkan untuk mengetahui pengaruh internet banking terhadap kinerja 35 bank penyedia layanan internet banking di Indonesia. Hasil dari penggunaan kerangka ini ialah berupa pemetaan dengan 2 sumbu yang memetakan component loading pengaruh internet banking terhadap kinerja dari masing-masing bank. 18 Analisis Pengaruh..., Talitha Ulima Sofiana, FT UI, 2014
Dengan memetakaan koordinat setiap bank berdasarkan pengolahan data dengan metode yang yang sama, maka diperoleh gambaran mengenai kinerja dari bank-bank penyedia layanan internet banking beserta pengaruh dari internet banking-nya. Dari pemetaan tersebut, dapat disimpulkan bahwa 60,00 % bank-bank penyedia layanan internet banking di Indonesia pada tahun 2013 memang belum memiliki kinerja yang baik. Adapun bank-bank yang kinerjanya mendapat pengaruh yang besar dari internet banking-nya ialah sebesar 45,71 % dari total bank penyedia layanan internet banking di Indonesia. Pengelompokkan bank berdasarkan kinerja dan pengaruh internet banking-nya pun dapat dilakukan. Hasil dari penelitian ini diharapkan mampu dijadikan referensi bagi setiap bank di Indonesia untuk menetapkan keputusan dan strategi yang tepat terkait dengan fasilitas internet banking yang telah mereka dirikan.
Saran Pengukuran kinerja dengan menggunakan metode DEA mensyaratkan bahwa jumlah DMU harus lebih banyak dari jumlah variabel. Oleh karena itu, pengukuran kinerja yang dilakukan berdasarkan jenis dapat dilakukan jika suatu saat nanti jumlah bank penyedia fasilitas internet banking di Indonesia telah mampu memenuhi persyaratan tersebut. Penelitian selanjutnya dapat dilakukan dengan variasi waktu yang beragam untuk memberikan gambaran strategi yang spesifik dari masing-masing bank dan kuadran jika memungkinkan. Misalnya, data yang diolah adalah data per bulan agar mampu memberikan gambaran yang dapat digunakan untuk menetapkan keputusan dan strategi jangka pendek. Dengan menerapkan langkah-langkah yang sama, model ini bisa diterapkan untuk mengetahui pengaruh faktor selain internet banking terhadap kinerja setiap bank atau perusahaan lain. Pemilihan input dan output pun dapat dilakukan dengan menggunakan pendekatan operasional atau intermediasi untuk mengetahui ada tidaknya perbedaan hasil dari penerapan pendekatan yang berbeda.
Daftar Referensi Pradhana, R.A. (2007). Analisis kinerja bank-bank yang menggunakan internet banking di Indonesia. Skripsi, Departemen Manajemen Fakultas Ekonomi UI, Depok. Noor, A.R. (2012). Memaksimalkan internet banking. Diambil 3 Mei 2014, dari http://inet.detik.com/read/2013/10/05/110333/2378649/328/1/geliat-e-money-dankendalanya-di-indonesia 19 Analisis Pengaruh..., Talitha Ulima Sofiana, FT UI, 2014
Global Web Index. (2013) As the internet turns 25, China has 2.5 times more users than US. Diambil 8 Mei 2014, dari http://blog.globalwebindex.net/internet-turns-25 Lin, L., Geng X. & Whinston A. (2001). A new perspective to finance and competition and challenges for financial institutions in the Internet era, Bank of International Settlements Papers, Vol.7, pp. 13-25. Camp, R.C. (1995), Business process benchmarking, finding and implementing best practices. Milwaukee, WI: ASQC Quality Press. Chien-Ta B.H. & Desheng D.W. (2009) Online banking performance evaluation using data envelopment analysis and principal component analysis. Journal of Computer and Operations Research, Vol. 36, pp. 1835-1842. Bouvier, J. (1856). A Law Dictionary (6th ed.) Philadelphia: Childs & Peterson. Republik Indonesia. (1998) Undang-undang no. 10 Tahun 1998 tentang perbankan. Lembaran Negara RI tahun 1998, No. 10. Jakarta: Sekretariat Negara. Hasibuan, M.S.P. (2005). Dasar-dasar perbankan. Jakarta: PT. Bumi Aksara. Kasmir. (2008). Bank dan lembaga keuangan lainnya. Jakarta: PT. Raja Grafindo Persada. Cranor, L. & Greenstein S. (2002). Communications policy and information technology: promises, problems, prospects. Cambridge: MIT Press. Bank Commonwealth. 2014. Individual internet banking. Diambil 19 Mei 2014, dari http://www.commbank.co.id/upublic/mod_home/default_content.aspx?code =ec_commaccess_ind Bank Indonesia (2013). Laporan keuangan publikasi bank. Diambil 4 Maret 2014 dari http://www.bi.go.id/id/publikasi/laporan-keuangan/bank/umum-konvensional / Default.aspx. Serrano-Cincaa, C., Fuertes-Calle’n, Y., Mar-Molinero. (2005). Measuring DEA efficiency in internet companies. Decision Support Systems. Vol. 38. pp. 557-573. Eltivia, N. (2013). Indonesian bank’s efficiency under intermediation, operating and value added approach. IOSR Journal of Business and Management. Vol. 8. pp. 46-48. Farrel, M.J. (1957). The measurement of productive efficiency. Journal of Royal Statistical Society. Series A (General), Vol. 120 (3), pp. 253-290. Charnes, A., W.W. Cooper., & Rhodes, E. (1978). Measuring the efficiency of decision making unit. European Journal of Operation Research. Vol. 2, pp. 429-449. Cooper, W. W., Seiford, L. M., Thanassoulis, E., & Zanakis, S. H., (2004). DEA and its uses in different countries. European Journal of Operational Research, Vol. 154(2), pp. 337-344. Scheel, H. (2000). EMS: Efficiency Measurement System user’s manual. Diambil 3 Maret 2014, dari http://www.holger-scheel.de/ems/ems.pdf. Santosa B. (2007). Data mining: Tteori dan aplikasi. Yogyakarta: Graha Ilmu.
20 Analisis Pengaruh..., Talitha Ulima Sofiana, FT UI, 2014
