perbandingan model logit dan model multiple discriminant

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

v

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

vi

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.

vii

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)

viii

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)

ix

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 pihak-

pihak 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.

x

5. Ibu Lies Suzanawaty, SE, M.Si selaku Sekretaris Jurusan Manajemen.

6. Segenap jajaran pengajar atau dosen yang tanpa pamrih memberikan ilmu-

ilmu 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 doa-

doanya. 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.

xi

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

xii

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

xiii

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

xiv

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

xv

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

xvi

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

xvii

DAFTAR GAMBAR


2.1. Kerangka Berpikir ............................................................................ 53

3.2. Model Fungsi Diskrminan ............................................................... 64

3.3. Model Fungsi Regresi Binary Logit ................................................. 65

xviii

DAFTAR GAMBAR


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

1

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 1988-

1996 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).

2

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

3

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.

4

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

5

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

6

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

7

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).

8

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 2007-

2009?

9

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

10

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.

11

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

12

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 lalu-

lintas 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

13

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 :

14

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)

15

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.

16

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

17

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

18

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.

19

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 model kebangkrutan melalui analisis keuangan

kemungkinan kesalahan klasifikasi model (classification 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 Yang Diharapkan Hasil Sesunggunya

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:

20

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

21

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

22

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.

23

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.

24

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:

25

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


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.

26

3. Management

Penilaian terhadap faktor manajemen meliputi penilaian terhadap


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


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


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.

27

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.

28

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


4. Untuk predikat Tingkat Kesehatan ”Tidak Sehat” dipersamakan


29

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

30

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).

31

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

32

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.

33

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.

34

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:

35

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.

36

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

37

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).

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

CAR = Modal x 100%

ATMR

38

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 :

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

ATTM = Aktiva Tetap dan Inventaris x100%

Modal

39

dapat dirumuskan sebagi berikut (SE BI No 3/30DPNP tgl 14

Desember 2001) :

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:

APB = Aktiva Produktif Bermasalah x 100%

Total Aktiva Produktif

NPLg = Kredit yang Diberikan (kol 3-5) x 100%

Total Kredit yang Diberikan

40

Sedangkan Non Performing Loan Net (NPLn) dapat

dirumuskan sebagai berikut:

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:

NPLn= Kredit yang Diberikan (kol 3-5) – PPAP Khusus (Kol. 3-5) x 100%

Total Kredit yang Diberikan

NIM = Interest Income – Interest Expensens x 100%

Average Interest Earning Asset

41

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:

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).

PM = Biaya Bunga x 100%

Total Asset

LDR = Total kredit yang diberikan x 100%

Total DPK

42

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).

43

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

44

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

45

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.

46

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, benar-

benar 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

47

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.

48

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 penelitian-

penelitian sebelumnya dapat dilihat pada tabel sebagai berikut:

49

Tabel 2.2

Daftar Penelitian Sebelumnya Untuk Masalah Kebangkrutan Bank

Tahun

Penelitian

Nama Peneliti Masalah yang Diteliti

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

Wagner

Perbaikan terhadap aplikasi EWS pada bank

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

Almilia dan Winny

Herdiningtyas

Prediksi kondisi bermasalah dengan rasio

CAMEL menggunakan metode regresi logistic

2008 Penny

Mulyaningrum

Prediksi kebangkrutan dengan menggunakan

model analisa logit.

2010 Argo Asmoro Pengaruh rasio keuangan terhadap prediksi

kondisi bermasalah dengan menggunakan

metode regresi logistik

2010 Sumantri dan

Teddy Jurnali

Manfaat rasio keuangan dalam memprediksi

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).

50

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:

51

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 (2-

tailed) > 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

52

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.

53

Gambar 2.1

Kerangka Berpikir

M. Hipotesis

Laporan Keuangan Bank Umum Swasta Nasional Devisa dan Non Devisa

yang Mengalami Kondisi Bermasalah dan Bank yang Sehat

Bank Indonesia

Hasil perbandingan perhitungan prediksi

kebangkrutan model MDA dan Logit

Rasio-rasio :

1. CAR

2. ATTM

3. NIM

4. LDR

5. PM

6. APB

7. NPLg

8. NPLn

Hasil Perhitungan prediksi

kebangkrutan dengan model Logit

Hasil Perhitungan prediksi

kebangkrutan dengan model MDA

Uji Asumsi Diskriminan :

1.Uji Normalitas

2.Uji Independent Sample T-Test

3.Uji Linieritas

Uji Multiple Discriminant Analysis

(MDA)

Uji Logit

54

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.

55

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 .

56

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.

57

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.

58

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

dan BUSNND) (55) (52) (49)

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, jurnal-

jurnal 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

59

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.

http://bi.go.id/

60

2. Uji Asumsi Diskriminan

a. Uji Normalitas

Hasil analisis diskriminan sangat sensitif jika terjadi

penyimpangan atas asumsi yang digunakan. 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

61

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):

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.

t = µ1 - µ2

S.E

62

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 (2-

tailed) > 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 (2-

tailed) < 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.

63

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

Dengan menggunakan fungsi diskriminan dapat dihitung nilai

optimum cutting score (Zcu) dari rata-rata z score setiap kategori

Zscore = a +W1X1+W2X2+W3X3+W4X4+W5X5+W6X6+W7X7+W8X8

Notasi: Zscore = Discriminant score

a

W

= Intersep

= timbangan diskriminan variabel independen

X1

X2

X3

X4

X5

X6

X7

X8

= 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)

64

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.

65

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

1 – P1

Notasi: P 1

Ln

1 – P1

= Dummy variabel kondisi bank (P1 = 1 untuk bank

tidak bermasalah dan 1 – P1 = 0 untuk bank yang

bermasalah

β0 = Konstanta

β1-8 = Koefisien

X1

X2

X3

X4

X5

X6

X7

X8

= 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

66

: 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).

67

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).

68

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 :

69

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).

70

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.

71

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.

72

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 Bank Tidak Bermasalah

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

Tabel 4.2

Bank Umum Swasta Nasional Non Devisa

No Bank Bermasalah

1 PT. Bank Agroniaga, Tbk

2 PT. Bank Mutiara, Tbk

3 PT. Bank Eksekutif International, Tbk

73

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 2007 2008 2009

CAR CAR CAR

1 PT. Bank Bumi Arta, Tbk 0.3430 0.3115 0.2842

2 PT. Bank Ganesha 0.2100 0.2121 0.1004

3 PT. Bank Kesawan, Tbk 0.1036 0.1043 0.1256

4 PT. Bank Mayapada Internasional 0.2995 0.2369 0.1756

5 PT. Bank Mestika Dharma 0.2609 0.2649 0.2848

6 PT. Bank Nusantara Parahyangan, Tbk 0.1762 0.1411 0.1260

7 PT. Bank Sinarmas 0.1118 0.1152 0.1305

8 PT. Bank Swadesi, Tbk 0.2066 0.3327 0.3290

9 PT. Bank Harda Internasional 0.1398 0.1658 0.1350

10 PT. Bank Jasa Jakarta 0.2344 0.2563 0.2461

11 PT. Bank Kesejahteraan Ekonomi 0.2089 0.1434 0.1317

12 PT. Bank Victoria International 0.1958 0.2322 0.1692

13 PT. Bank Yudha Bhakti 0.1638 0.1524 0.1311

14 PT. Bank Agroniaga, Tbk 0.1794 0.1351 0.2000

15 PT. Bank Mutiara, Tbk 0.1591 -0.3962 0.1231

16 PT. Bank Eksekutif International, Tbk 0.1191 0.0934 0.0802

Rata-rata 0.1945 0.1563 0.1733

Minimum 0.1036 -0.3962 0.0802

Maksimum 0.3430 0.3327 0.3290

Sumber : data diolah

74

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

75

kemampuan bank untuk menutupi penurunan sebagai akibat dari kerugian-

kerugian 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.

76

Tabel 4.4

Pehitungan Nilai ATTM

No Nama Bank 2007 2008 2009

CAR CAR CAR

1 PT. Bank Bumi Arta, Tbk 46.60% 44.71% 46.53%

2 PT. Bank Ganesha 29.09% 31.28% 34.05%

3 PT. Bank Kesawan, Tbk 52.74% 53.97% 47.15%

4 PT. Bank Mayapada Internasional 29.08% 35.85% 37.30%

5 PT. Bank Mestika Dharma 19.50% 17.66% 16.92%

6 PT. Bank Nusantara Parahyangan, Tbk 13.72% 13.48% 13.00%

7 PT. Bank Sinarmas 27.65% 40.89% 43.18%

8 PT. Bank Swadesi, Tbk 29.67% 13.19% 12.97%

9 PT. Bank Harda Internasional 39.86% 33.45% 33.72%

10 PT. Bank Jasa Jakarta 13.05% 12.76% 12.78%

11 PT. Bank Kesejahteraan Ekonomi 7.61% 9.63% 9.55%

12 PT. Bank Victoria International 27.32% 23.22% 31.30%

13 PT. Bank Yudha Bhakti 15.91% 14.51% 14.26%

14 PT. Bank Agroniaga, Tbk 13.36% 14.97% 11.00%

15 PT. Bank Mutiara, Tbk 23.97% -18.36% 60.93%

16 PT. Bank Eksekutif International, Tbk 113.62% 111.20% 175.97%

Rata-rata 31.42% 28.28% 37.54%

Maksimum 113.62% 111.20% 175.97%

Minimum 7.61% -18.36% 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

77

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


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.

78

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 2007 2008 2009

NIM NIM NIM


2 PT. Bank Ganesha 4.58% 4.16% 4.42%





7 PT. Bank Sinarmas 4.15% 3.66% 5.04%








15 PT. Bank Mutiara, Tbk 3.34% -0.85% 0.76%


Rata-rata 5.28% 4.92% 5.19%

Maksimum 8.85% 8.68% 9.15%

Minimum 2.56% -0.85% 0.76%


79

Berdasarkan tabel 4.5 menunjukkan bahwa rata-rata nilai NIM


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

80

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.

81

Tabel 4.6

Pehitungan Nilai LDR

No Nama Bank 2007 2008 2009

LDR LDR LDR


2 PT. Bank Ganesha 69.57% 76.30% 63.41%





7 PT. Bank Sinarmas 62.18% 83.31% 79.01%








15 PT. Bank Mutiara, Tbk 43.61% 93.16% 81.66%


Rata-rata 69.32% 79.80% 75.07%

Maksimum 103.88% 103.35% 102.32%

Minimum 43.61% 53.46% 50.43%


Berdasarkan tabel 4.6 menunjukkan bahwa rata-rata nilai LDR


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

82

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

83

Devisa dan Non Devisa periode 2007-2009 dapat dilihat melalui tabel

4.7 berikut ini.

Tabel 4.7

Pehitungan Nilai PM

No Nama Bank 2007 2008 2009

PM PM PM


2 PT. Bank Ganesha 5.31% 5.31% 7.09%





7 PT. Bank Sinarmas 4.18% 4.18% 5.66%










Rata-rata 5.76% 6.35% 6.39%

Maksimum 7.90% 13.05% 9.87%

Minimum 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

84

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.

85

Tabel 4.8

Pehitungan Nilai APB

No Nama Bank 2007 2008 2009

APB APB APB


2 PT. Bank Ganesha 1.09% 1.01% 1.23%





7 PT. Bank Sinarmas 0.16% 1.53% 2.94%










Rata-rata 3.04% 5.84% 6.14%

Maksimum 14.25% 58.30% 42.08%

Minimum 0.16% 0.35% 0.49%


Berdasarkan tabel 4.8 menunjukkan bahwa rata-rata nilai APB

pada industri perbankan, mengalami peningkatan dari tahun 2007-

2009. 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

86

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 2007-

2009 dapat dilihat melalui tabel 4.9 berikut ini.

87

Tabel 4.9

Pehitungan Nilai NPLg

No Nama Bank 2007 2008 2009

NPL g NPL g NPL g


2 PT. Bank Ganesha 1.28% 1.39% 2.08%





7 PT. Bank Sinarmas 0.26% 1.99% 2.18%










Rata-rata 3.45% 5.21% 6.95%

Maksimum 15.17% 35.17% 37.59%

Minimum 0.26% 1.24% 0.75%


Berdasarkan tabel 4.9 menunjukkan bahwa rata-rata nilai NPLg


2009. Pada tahun 2007 rata-rata nilai NPLg yang dihasilkan sebesar


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.


88

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.

89

Tabel 4.10

Pehitungan Nilai NPLn

No Nama Bank 2007 2008 2009

NPL n NPL n NPL n


2 PT. Bank Ganesha 1.03% 1.14% 1.62%





7 PT. Bank Sinarmas 1.27% 1.72% 1.65%










Rata-rata 2.88% 3.03% 3.95%

Maksimum 14.36% 14.29% 18.39%

Minimum 0.14% 0.43% 0.18%


Berdasarkan tabel 4.9 menunjukkan bahwa rata-rata nilai NPLn


2009. Pada tahun 2007 rata-rata nilai NPLn yang dihasilkan sebesar


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

90

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

91

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 ATTM NIM LDR PM APB NPLg NPLn

N 48 48 48 48 48 48 48 48

Normal

Parametersa,,b

Mean .174698 .324119 .051296 .747281 .062971 -3.948440 -3.587806 -4.007703

Std. Deviation .1099012 .3137897 .0207269 .1588295 .0165664 1.2014204 1.0284222 1.1294836

Most Extreme

Differences

Absolute .188 .194 .107 .056 .120 .186 .152 .102

Positive .075 .194 .107 .056 .120 .186 .152 .102

Negative -.188 -.194 -.105 -.053 -.067 -.128 -.114 -.084

Kolmogorov-Smirnov Z 1.303 1.346 .742 .385 .832 1.287 1.053 .705

Asymp. Sig. (2-tailed) .067 .053 .640 .998 .493 .073 .218 .703

a. Test distribution is Normal.

b. Calculated from data.


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 (2-

Tailed) 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,

92

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.

93

Tabel 4.12

Uji Independent Sample T-Test

Rasio Signifikansi Hipotesis Null

CAR 0,092 Diterima

ATTM 0,000 Ditolak

NIM 0,031 Ditolak

LDR 0,194 Diterima

PM 0,172 Diterima

APB 0,073 Diterima

NPLg 0,157 Diterima

NPLn 0,635 Diterima


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.

94

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 4.202

F Approx. 4.036

Df1 1

Df2 1608.089

Sig. .045

Tests null hypothesis of equal population covariance matrices.


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.

95

Tabel 4.14

Analysis Case Processing Summary

Unweighted Cases N Percent

Valid 48 100.0

Excluded Missing or out-of-range group codes 0 .0

At least one missing discriminating variable 0 .0

Both missing or out-of-range group codes and at least one

missing discriminating variable

0 .0

Total 0 .0

Total 48 100.0

Sumber: data diolah

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.

96

Tabel 4.15

Tests of Equality of Group Means

Wilks'

Lambda F df1 df2 Sig.

CAR .814 10.522 1 46 .002

ATTM .863 7.274 1 46 .010

NIM .973 1.269 1 46 .266

LDR .992 .391 1 46 .535

PM .855 7.819 1 46 .008

APB .472 51.522 1 46 .000

NPLg .484 49.113 1 46 .000

NPLn .624 27.761 1 46 .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

97

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


menunjukkan adanya perbedaan antar grup, atau variabel PM bagi



98


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


menunjukkan adanya perbedaan antar grup, atau variabel APB bagi




dengan besarnya APB bank tersebut. Dengan kata lain perusahaan

yang dikategorikan bank bermasalah memiliki nilai APB lebih kecil


tidak bermasalah.

Variabel NPLg nilai signifikan adalah di bawah 0.05 yaitu sebesar


menunjukkan adanya perbedaan antar grup, atau variabel NPLg bagi




dengan besarnya NPLg bank tersebut. Dengan kata lain perusahaan

yang dikategorikan bank bermasalah memiliki nilai NPLg lebih kecil

99


tidak bermasalah.

Variabel NPLn nilai signifikan adalah di bawah 0.05 yaitu sebesar


menunjukkan adanya perbedaan antar grup, atau variabel NPLn bagi




dengan besarnya NPLn bank tersebut. Dengan kata lain perusahaan

yang dikategorikan bank bermasalah memiliki nilai NPLn lebih kecil


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.

100

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

Step Entered

Min. D Squared

Statistic Between Groups

Exact F

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.


Tabel 4.17 Wilks' Lambda Model MDA

Step Number of Variables Lambda df1 df2 df3

Exact F


1 1 .472 1 1 46 51.522 1 46.000 .000


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

101

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 Tolerance Sig. of F to Remove

1 APB 1.000 .000


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.

102

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 Cumulative %

Canonical

Correlation

1 1.120a 100.0 100.0 .727

a. First 1 canonical discriminant functions were used in the

analysis.


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.

103

4. Menentukkan Fungsi Diskriminan

Tabel 4.20

Fungsi Dikriminan

Canonical Discriminant

Function Coefficients

Function

1

APB 1.199

(Constant) 4.734

Unstandardized coefficients


Pada tabel 4.20 terlihat hanya satu variabel saja yang

mempengaruhi terbentuknya fungsi diskriminan yaitu variabel APB.

Sehingga fungsi diskriminan yang terbentuk adalah:

5. Penentuan Nilai Cut-off

Tabel 4.21

Functions at Group Centroids

Kategori

Function

1

Bermasalah 2.157

tdk bermasalah -.498

Unstandardized canonical discriminant

functions evaluated at group means


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

Z = 4.734 + 1.199 APB

104

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 Z-

score 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

105

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

Kategori

Predicted Group Membership

Total 0 1

Original Count Bermasalah 8 1 9

Tidak bermasalah 3 36 39

% Bermasalah 88.9 11.1 100.0

Tidak bermasalah 7.7 92.3 100.0

Cross-validateda Count Bermasalah 8 1 9

Tidak bermasalah 3 36 39

% Bermasalah 88.9 11.1 100.0

Tidak bermasalah 7.7 92.3 100.0

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.


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

106

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

%.

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

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

2

107

kemampuan diskriminan. Variabel dependen (respons) Y bertipe

kategorik/dua pilihan yaitu: bank-bank yang bermasalah = 0 dan bank-

bank 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 0

Tidak bermasalah 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 N Percent

Selected

Cases

Included in Analysis 48 100.0

Missing Cases 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

108

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

Iteration

-2 Log

likelihood

Coefficients

Constant

Step 0 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.


Kemudian perhitungan nilai -2LogLikelihood pada blok kedua

(Block Number = 1)terlihat nilai -2LogLikelihood sebesar 19.510

sehingga dapat dilihat terjadi penurunan pada blok kedua (Block

Number = 1) yang ditunjukkan pada tabel 4.26 sebagai berikut:

109

Tabel 4.26

Ketepatan Model dalam Memprediksi Kondisi Bermasalah

(Block Number = 1)


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:

Iteration Historya,b,c,d

Iteration -2 Log likelihood

Coefficients

Constant APM

Step 1 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.

110

Tabel 4.27

Koefisien Cox & Snell R Square dan Nagelkerke R Square

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

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

Model Summary

Step -2 Log likelihood Cox & Snell R

Square Nagelkerke R

Square

1 19.510a .428 .691

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

Hosmer and Lemeshow Test

Step Chi-square df Sig.

1 10.019 7 .187

111

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


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

Classification Tablea

Observed

Predicted

kategori Percentage

Correct 0 1

Step 1 kategori 0 6 3 66.7

1 1 38 97.4

Overall Percentage 91.7

a. The cut value is .500

112

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.

g. Uji Wald

Tabel 4.30

Koefisien Regresi Logistik Variables in the Equation

B S.E. Wald Df Sig. Exp(B)

95% C.I.for EXP(B)

Lower Upper

Step 1a APM -2.328 .745 9.776 1 .002 .097 .023 .419

Constant -6.491 2.475 6.879 1 .009 .002

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


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

Ketepatan prediksi secara rata-rata = 66.7 + 97.4 = 82.05 %

2

113

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

114

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:

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 .

Z-score = 4.734 + 1.199 APB

115

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 Bank-

bank 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

116

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:

117

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

Y = - 6.491 - 2.328 APB

118

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.

119

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

120

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 peneliti-

peneliti 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.

121

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.

122

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 54-

75.2003.

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.

123

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, Pune-

411 048, India. 2005.

Mulyaningrum, Penni. “Pengaruh Rasio Keuangan Terhadap Kebangkrutan

Bank di Indonesia”. Tesis Program Pasca Sarjana Magister Akuntansi

Universitas Diponegoro. 2008

http://bi.go.id/

124

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 Indikator-

Indikator 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.

125

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.

126

Variabel 2 (X2)

Aktiva Tetap Terhadap Modal (ATTM)

No Daftar Nama Bank Tidak Bermasalah 2007 2008 2009

ATTM ATTM ATTM


2 PT. Bank Ganesha 0.2909 0.3128 0.3405





7 PT. Bank Sinarmas 0.2765 0.4089 0.4318







No Daftar Nama Bank Bermasalah 2007 2008 2009

ATTM ATTM ATTM




Variabel 1 (X1)

CAR


CAR CAR CAR


2 PT. Bank Ganesha 0.2100 0.2121 0.1004





7 PT. Bank Sinarmas 0.1118 0.1152 0.1305








CAR CAR CAR




127

Variabel 3 (X3)

Net Interest Margin (NIM)


NIM NIM NIM


3 PT. Bank Ganesha 0.0458 0.0416 0.0442





9 PT. Bank Sinarmas 0.0415 0.0366 0.0504








NIM NIM NIM




Variabel 4 (X4)

Loan to Deposit Ratio (LDR)


LDR LDR LDR


2 PT. Bank Ganesha 0.6957 0.7630 0.6341





7 PT. Bank Sinarmas 0.6218 0.8331 0.7901








LDR LDR LDR


2 PT. Bank Mutiara, Tbk 0.4361 0.9316 0.8166


128

Variabel 3 (X3)

Profit Margin (PM) = Beban Bunga/Total Asset

No Tahun Daftar Nama Bank Tidak

Bermasalah B. Bunga T. Asset PM

1 2007 PT. Bank Bumi Arta, Tbk 85854 1950256 0.0440219

2 2007 PT. Bank Ganesha 83371 1569533 0.0531183

3 2007 PT. Bank Kesawan, Tbk 141544 2184493 0.0647949

4 2007 PT. Bank Mayapada Internasional 275949 4474878 0.0616663

5 2007 PT. Bank Mestika Dharma 181587 4459009 0.0407236

6 2007

PT. Bank Nusantara Parahyangan,

Tbk 219943 3772770 0.0582975

7 2007 PT. Bank Sinarmas 228424 5468441 0.0417713

8 2007 PT. Bank Swadesi, Tbk 67129 1167733 0.0574866

9 2007 PT. Bank Harda Internasional 70670 1053715 0.0670675

10 2007 PT. Bank Jasa Jakarta 167307 2734028 0.0611943

11 2007 PT. Bank Kesejahteraan Ekonomi 55332 1023550 0.0540589

12 2007 PT. Bank Victoria International 265733 5183742 0.0512628

13 2007 PT. Bank Yudha Bhakti 145334 1925860 0.0754645


15 2008 PT. Bank Ganesha 95926 1467759 0.0653554




19 2008


Tbk 203143 3694809 0.0549806

20 2008 PT. Bank Sinarmas 411431 6064626 0.0678411








28 2009 PT. Bank Ganesha 100040 1411461 0.0708769




32 2009


Tbk 252636 3896393 0.0648384

33 2009 PT. Bank Sinarmas 454556 8036015 0.0565649







129

No Tahun Daftar Nama Bank Bermasalah B. Bunga T. Asset PM

1 2007 PT. Bank Agroniaga, Tbk 235851 2983769 0.079045

2 2007 PT. Bank Mutiara, Tbk 565715 13796376 0.041005

3 2007 PT. Bank Eksekutif International, Tbk 96189 1349719 0.071266







Variabel 6 (X6)

Aktiva Produktif Bermasalah (APB)


APB APB APB


2 PT. Bank Ganesha 0.0109 0.0101 0.0123





7 PT. Bank Sinarmas 0.0016 0.0153 0.0294








APB APB APB




130

Variabel 7 (X7)

NPL Gross


NPL g NPL g NPL g


2 PT. Bank Ganesha 0.0128 0.0139 0.0208





7 PT. Bank Sinarmas 0.0026 0.0199 0.0218








NPL g NPL g NPL g




Variabel 8 (X8)

NPL Net


NPL n NPL n NPL n


3 PT. Bank Ganesha 0.0103 0.0114 0.0162





9 PT. Bank Sinarmas 0.0127 0.0172 0.0165








NPL n NPL n NPL n




131

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 ATM NIM LDR PM APB NPLg NPLn

N 48 48 48 48 48 48 48 48

Normal Parameters

a,

,b

Mean .174698 .324119 .051296 .747281 .062971 -3.948440 -3.587806 -4.007703

Std. Deviation

.1099012

.3137897

.0207269

.1588295

.0165664

1.2014204 1.0284222 1.1294836

Most Extreme Differences

Absolute .188 .194 .107 .056 .120 .186 .152 .102

Positive .075 .194 .107 .056 .120 .186 .152 .102

Negative -.188 -.194 -.105 -.053 -.067 -.128 -.114 -.084

Kolmogorov-Smirnov Z 1.303 1.346 .742 .385 .832 1.287 1.053 .705

Asymp. Sig. (2-tailed) .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 /VARIABLES=CAR ATM NIM

LDR PM APB NPLg NPLn /CRITERIA=CI(.95).

T-Test

[DataSet1] C:\Documents and Settings\Compaq\My Documents\data spss\fix.sav

Group Statistics

Kategori N Mean Std. Deviation Std. Error Mean

CAR Bermasalah 9 .077022 .1815991 .0605330

Tidak Bermasalah 39 .197238 .0722155 .0115637

ATM Bermasalah 9 .562956 .6409503 .2136501


NIM Bermasalah 9 .044300 .0313429 .0104476


LDR Bermasalah 9 .777300 .1486342 .0495447


PM Bermasalah 9 .075978 .0240922 .0080307


APB Bermasalah 9 -2.149653 1.2141844 .4047281

Tidak Bermasalah 39 -4.363544 .7291943 .1167645

NPLg Bermasalah 9 -2.065543 .8600475 .2866825


NPLn Bermasalah 9 -2.580381 .6751837 .2250612


132

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 df

Sig. (2-

tailed)

Mean

Difference

Std.

Error

Differen

ce 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

ATM Equal variances

assumed

57.901 .000 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

LDR Equal variances

assumed

1.738 .194 .625 46 .535 .0369462 .0591197 -.0820557 .1559480

Equal variances

not assumed

.661 12.794 .521 .0369462 .0559351 -.0840926 .1579849

PM Equal variances

assumed

1.929 .172 2.796 46 .008 .0160085 .0057250 .0044847 .0275324

Equal variances

not assumed

1.930 9.095 .085 .0160085 .0082945 -.0027250 .0347420

APB Equal variances

assumed

3.366 .073 7.178 46 .000 2.2138908 .3084321 1.5930492 2.8347324

Equal variances

not assumed

5.256 9.373 .000 2.2138908 .4212349 1.2667477 3.1610340

NPLg Equal variances

assumed

2.071 .157 7.008 46 .000 1.8735533 .2673419 1.3354219 2.4116847

Equal variances

not assumed

6.097 10.509 .000 1.8735533 .3072721 1.1933761 2.5537306

NPLn Equal variances

assumed

.229 .635 5.269 46 .000 1.7567040 .3334137 1.0855771 2.4278310

Equal variances

not assumed

6.483 16.123 .000 1.7567040 .2709671 1.1826367 2.3307713

133

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 N Percent

Valid 48 100.0

Excluded Missing or out-of-range group codes

0 .0

At least one missing discriminating variable

0 .0

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

0 .0

Total 0 .0

Total 48 100.0

Group Statistics

Kategori Mean Std. Deviation

Valid N (listwise)

Unweighted Weighted

Bermasalah 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 .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

Tidak Bermasalah 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

Total 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

134

Tests of Equality of Group Means

Wilks' Lambda F df1 df2 Sig.

CAR .814 10.522 1 46 .002

ATM .863 7.274 1 46 .010

NIM .973 1.269 1 46 .266

LDR .992 .391 1 46 .535

PM .855 7.819 1 46 .008

APB .472 51.522 1 46 .000

NPLg .484 49.113 1 46 .000

NPLn .624 27.761 1 46 .000

Pooled Within-Groups Matrices

a

CAR ATM NIM LDR PM APM NPLg NPLn

Covariance 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

Correlation 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.

135

Covariance Matrices

a

Kategori CAR ATM NIM LDR PM APM NPLg NPLn

Bermasalah 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

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

Total 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 Log Determinant

Bermasalah 1 .388

Tidak Bermasalah 1 -.632

Pooled within-groups 1 -.363

The ranks and natural logarithms of determinants printed are those of the group covariance matrices.

Test Results

Box's M 4.202

F Approx. 4.036

df1 1

df2 1608.089

Sig. .045

Tests null hypothesis of equal population covariance matrices.

136

Stepwise Statistics

Variables Entered/Removeda,b,c,d

Step Entered

Min. D Squared

Statistic Between Groups

Exact F


1 APB 7.046 Bermasalah and Tidak Bermasalah

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. 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 Tolerance Sig. of F to

Remove

1 APB 1.000 .000

Variables Not in the Analysis

Step Tolerance Min. Tolerance Sig. of F to Enter Min. D Squared Between Groups

0 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

1 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

137

Wilks' Lambda

Step Number of Variables Lambda df1 df2 df3

Exact F


1 1 .472 1 1 46 51.522 1 46.000 .000

Summary of Canonical Discriminant Functions

Eigenvalues

Function Eigenvalue % of Variance Cumulative % Canonical Correlation

1 1.120a 100.0 100.0 .727

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

Wilks' Lambda

Test of Function(s) Wilks' Lambda Chi-square df Sig.

1 .472 34.190 1 .000

Standardized Canonical Discriminant Function

Coefficients

Function

1

APM 1.000

Structure Matrix

Function

1

APB 1.000

NPLga .805

NPLna .537

CARa -.298

LDRa .263

PMa .241

ATMa .154

NIMa .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.

138

Canonical Discriminant Function Coefficients

Function

1

APB 1.199

(Constant) 4.734

Unstandardized coefficients

Functions at Group Centroids

Kategori

Function

1

Bermasalah 2.157

Tidak Bermasalah -.498

Unstandardized canonical discriminant functions evaluated at group means

Classification Statistics

Classification Processing Summary

Processed 48

Excluded Missing or out-of-range group codes

0

At least one missing discriminating variable

0

Used in Output 48

Prior Probabilities for Groups

Kategori Prior

Cases Used in Analysis

Unweighted Weighted

Bermasalah .500 9 9.000

Tidak Bermasalah .500 39 39.000

Total 1.000 48 48.000

139

Casewise Statistics

Case Number

Highest Group Second Highest Group Discriminant Scores

P(D>d | G=g)

Actual Group

Predicted Group p df

P(G=g | D=d)

Squared Mahalano

bis Distance

to Centroid Group

P(G=g | D=d)

Squared Mahalano

bis Distance

to Centroid Function 1

Original

1 1 1 .772 1 .987 .084 0 .013 8.668 -.787

2 1 1 .852 1 .982 .035 0 .018 8.070 -.684

3 1 0** .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 0** .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 0** .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 1** .852 1 .982 .035 0 .018 8.070 -.684

140

42 0 0 .809 1 .985 .058 1 .015 8.385 2.398

43 0 0 .323 1 .711 .977 1 .289 2.776 1.168

44 0 0 .054 1 1.000 3.727 1 .000 21.021 4.087

45 0 0 .883 1 .980 .022 1 .020 7.847 2.303

46 0 0 .310 1 .696 1.029 1 .304 2.689 1.142

47 0 0 .124 1 1.000 2.370 1 .000 17.589 3.696

48 0 0 .411 1 .997 .675 1 .003 12.082 2.978

Cross-validated

a

1 1 1 .768 1 .985 .087 0 .015 8.495

2 1 1 .850 1 .981 .036 0 .019 7.901

3 1 0** .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 0** .253 1 .650 1.306 1 .350 2.543

30 1 1 .442 1 .996 .590 0 .004 11.497

31 1 0** .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

141

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 1** .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

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


Classification Results

b,c

kategori

Predicted Group Membership

Total Bermasalah Tidak Bermasalah

Original Count Bermasalah 8 1 9

Tidak Bermasalah 3 36 39

% Bermasalah 88.9 11.1 100.0

Tidak Bermasalah 7.7 92.3 100.0

Cross-validateda Count Bermasalah 8 1 9

Tidak Bermasalah 3 36 39

% Bermasalah 88.9 11.1 100.0

Tidak Bermasalah 7.7 92.3 100.0


b. 91.7% of original grouped cases correctly classified.

c. 91.7% of cross-validated grouped cases correctly classified.

142

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

Unweighted Casesa N Percent

Selected Cases Included in Analysis 48 100.0

Missing Cases 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.

Dependent Variable Encoding

Original Value Internal Value

Bermasalah 0

Tidak Bermasalah 1

Block 0: Beginning Block

Iteration Historya,b,c


Coefficients

Constant

Step 0 1 46.685 1.250

2 46.329 1.453

3 46.327 1.466

4 46.327 1.466


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

Observed

Predicted

kategori

Percentage Correct Bermasalah Tidak Bermasalah

Step 0 kategori Bermasalah 0 9 .0

Tidak Bermasalah 0 39 100.0



b. The cut value is .500

143

Variables in the Equation

B S.E. Wald df Sig. Exp(B)

Step 0 Constant 1.466 .370 15.723 1 .000 4.333

Variables not in the Equation

Score df Sig.

Step 0 Variables 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

Overall Statistics 28.325 8 .000

Block 1: Method = Forward Stepwise (Conditional)

Iteration Historya,b,c,d


Coefficients

Constant APM

Step 1 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 df Sig.

Step 1 Step 26.818 1 .000

Block 26.818 1 .000

Model 26.818 1 .000

Model Summary

Step -2 Log likelihood Cox & Snell R Square Nagelkerke R Square

1 19.510a .428 .691

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

144

Hosmer and Lemeshow Test

Step Chi-square df Sig.

1 10.019 7 .187

Contingency Table for Hosmer and Lemeshow Test

kategori = Bermasalah kategori = Tidak Bermasalah

Total Observed Expected Observed Expected

Step 1 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

Observed

Predicted

kategori

Percentage Correct Bermasalah Tidak Bermasalah

Step 1 kategori Bermasalah 6 3 66.7

Tidak Bermasalah 1 38 97.4


a. The cut value is .500

Variables in the Equation

B S.E. Wald df Sig. Exp(B)

95% C.I.for EXP(B)

Lower Upper

Step 1a APB -2.328 .745 9.776 1 .002 .097 .023 .419

Constant -6.491 2.475 6.879 1 .009 .002

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

Model if Term Removed

a

Variable Model Log Likelihood

Change in -2 Log Likelihood df Sig. of the Change

Step 1 APB -23.967 28.425 1 .000

a. Based on conditional parameter estimates

145

Variables not in the Equation

Score df Sig.

Step 1 Variables 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

Overall Statistics 4.702 7 .696