sidang tesis -...
TRANSCRIPT
SIDANG TESIS
APLIKASI SISTEM INFERENSI FUZZY DAN METODE REGRESIUNTUK MENGETAHUI FAKTOR – FAKTOR YANG
MEMPENGARUHI KINERJA KEUANGAN PERBANKAN(Studi Kasus Bank di Indonesia Periode 2005 - 2009)
Dosen Pembimbing :
Dr. Imam Mukhlash,S.Si,M.T
Oleh : Enny Rohmawati Malik
Keberadaan sektor perbankan mempunyai peranan yang cukup penting
sebagai subsistem dalam perekonomian.
Tingkat profitabilitas yang tinggi dapat menjadi salah satu indikator
naiknya kepercayaan masyarakat kepada bank yang bersangkutan.
Salah satu ukuran untuk melihat kinerja keuangan perbankan adalah
melalui Return On Asset (ROA). (Dendawijaya,2005)
Kinerja keuangan bank dapat dinilai dari rasio keuangan bank, seperti
Capital Adequancy Ratio (CAR), Non Performing Loan (NPL), Net
Interest Margin (NIM), Biaya Operasional/Pendapatan Operasional
(BOPO), dan Loan to Deposit Ratio (LDR).
PENDAHULUAN
Pada umumnya dalam mencari hubungan antara dua atau lebihvariabel menggunakan regresi atau korelasi, maka dalampenelitian ini dilakukan metode yang menggabungkan LogikaFuzzy (dalam hal ini adalah Sistem Inferensi Fuzzy) danRegresi.
Sistem Inferensi Fuzzy merupakan perkembangan dari teorilogika Fuzzy. Sistem ini mampu memetakan suatu input kedalam suatu output tanpa mengabaikan faktor–faktor yang ada.
Menurut Watada (2002), Teori Quantifikasi Fuzzy (analisisregresi kualitatif) sama halnya menentukan suatu fungsi linier dari beberapa kategori, dengan demikian metode Regresi dalampenelitian dikaitkan dengan Teori Quantifikasi Fuzzy untukmencari pengaruh beberapa variabel bebas terhadap ROA.
Keunggulan menggunakan Teori Quantifikasi Fuzzy yaitupengolahan data menjadi lebih sederhana karena data diubah kedalam bentuk fuzzy [0,1] sehingga memungkinkan suatu bentukpersamaan regresi baru dengan nilai error yang lebih kecil.
Berdasarkan uraian di atas maka peneliti tertarik untukmelakukan penelitian dengan judul “Aplikasi Sistem InferensiFuzzy dan Metode Regresi untuk Mengetahui Faktor-Faktor yang Mempengaruhi Kinerja KeuanganPerbankan.”
Tesis ini diharapkan dapat mengetahui hubungan faktor–faktoryang mempengaruhi kinerja keuangan perbankan (ROA) sertadapat memberikan masukan–masukan pada perusahaanberkaitan dengan kendala yang dihadapi oleh bank dalammencapai profitabilitas yang maksimum.
Permasalahan :Rumusan masalah dalam penelitian ini adalah bagaimana aplikasi
Sistem Inferensi Fuzzy dan Metode Regresi untuk mengetahui faktor-faktor
yang mempengaruhi kinerja keuangan perbankan (ROA).
Batasan Masalah
Faktor-faktor yang mempengaruhi ROA adalah NPL, CAR, NIM,
BOPO, dan LDR.
Bentuk Fuzzy Inference System adalah Tipe Mamdani
Penelitian dilakukan pada 79 bank di Indonesia selama periode
tahun 2005– 2009.
PENELITIAN TERDAHULU
1. Diaz-Hermida (2009). Penelitian ini menggunakan Quantifikasi Fuzzy dalammenentukan himpunan keanggotaannya serta metode Sistem Inferensi Fuzzy pada pencarian dokumen/informasi pada sekumpulan data–data dengan jumlah besarserta permasalahan robot yang bergerak untuk mencapai sasaran target yang dituju dengan memasukkan variabel berupa jarak, waktu, dan kecepatan dalam pencapaian target.
2. Kusumadewi (2004). Pada penelitian ini dilakukan pencarian pengaruh penilaian kinerja dosen berdasarkan faktor kehadiran dosen dan kelulusan mahasiswadengan menggunakan Teori Quantifikasi Fuzzy (Watada,2002) yang mirip denganbentuk regresi linier.
3. Muhith (2006). Aplikasi lain dari Teori Quantifikasi Fuzzy (Watada,2002) adalahuntuk mengukur kemampuan siswa dalam menyiapkan diri ke Perguruan Tinggi.
4. Puspitasari (2009), menjelaskan pengaruh CAR, NPL, PDN, NIM, BOPO, LDR, dan Suku Bunga SBI terhadap ROA dengan menggunakan metode Regresi.
5. Pada penelitian Kusumawardhani (2006) mengenai pengaruh Non Performing Loan(NPL) terhadap efisiensi biaya bank, dengan variabel kontrol Capital Adequacy Ratio(CAR), Giro Wajib Minimum (GWM), Penyisihan Penghapusan Aktiva Produktif terhadap Aktiva Produktif (PPAP), Loan to Deposit Ratio (LDR) merupakan penelitian yang mirip dengan penelitian Puspitasari (2009). Namun, pada penelitian ini juga terdapat PPAP dan GWM sebagai variabel.
Logika fuzzy merupakan teori himpunan yang dapat membantudalam menyelesaikan ketidakpastian batas antara satu kriteriadengan kriteria lainnya yang dihasilkan oleh adanya penilaianmanusia terhadap sesuatu hal dengan mengguanakanhimpunan fuzzy.
Sistem Inferensi Fuzzy adalah bagian dari Logika Fuzzy.
FIS Tipe Mamdani.
LOGIKA FUZZY
Himpunan Crisp
Apabila seseorang berusia 34 tahun, maka ia dikatakan MUDA.1)35( =MUDAµ
Apabila seseorang berusia 35 tahun lebih 1 hari, maka iadikatakanTIDAK
0)harisatu lebih 35( =MUDAµ
Berdasarkan contoh di atas, pemakaian himpunan crisp untukmenyatakan umur sangat tidak adil, adanya perubahan sedikitsaja pada suatu nilai mengakibatkan perbedaan kategori yang cukup signifikan. Himpunan fuzzy digunakan untukmengantisipasi hal tersebut.
Jika X adalah sebuah koleksi obyek-obyek yang dinotasikandengan x, maka himpunan fuzzy dalam X adalah sebuahhimpunan pasangan berurutan :
: Fungsi keanggotaan atau derajat keanggotaan yangmemetakan x ke ruang keanggotaan M yang terletakpada rentang [0,1] (Zimmermann,2000).
Himpunan Fuzzy
{ }XxxxA A ∈= |)(,µ)(xAµ
Fungsi Keanggotaan Himpunan Fuzzy
derajatkeanggotaan
µ(x)
a domain
1
0
1. Representasi Linier
derajatkeanggotaan
µ(x)
0a domain b
1
Bentuk ini sangat sederhana sehingga dapat menjadi pilihan yang baik untukmendekati suatu konsep yang kurang jelas.
2. Representasi Segitiga
domain
0
derajatkeanggotaan
µ(x)
a b
1
c
Kurva segitiga merupakan salah satu bagiandari kurva linear, namun penggunaan kurvalinear digunakan untuk merepresentasikandata-data yang sifatnya tetap atau bisadiprediksi.
3. Representasi Trapesium
domain
0a b
1
derajatkeanggotaan
µ(x)
c d
Kurva trapesium pada dasarnya seperti bentuksegitiga, hanya saja ada beberapa titik yang memiliki nilai keanggotaan 1.
4. Representasi Kurva Bahu
Himpunan fuzzy ‘bahu’, bukan segitiga, digunakan untuk mengakhiri variabel suatudaerah fuzzy. Bahu kiri bergerak dari benar ke salah, demikian juga bahu kananbergerak dari salah ke benar.
sangat rendah rendah nyaman tinggi sangat tinggi
1
0 10 20 30 40
µ(x)
Temperatur (°C)
Temperatur
Bahu kanan
derajatkeanggotaan
Bahu kiri
Sistem Inferensi Fuzzy
Sistem Inferensi Fuzzy (Fuzzy Inference System/FIS) adalah sistemyang dapat melakukan penalaran dengan prinsip serupa sepertimanusia melakukan penalaran dengan nalurinya. Terdapatbeberapa jenis FIS yang dikenal yaitu Mamdani, Sugeno danTsukamoto. FIS yang paling mudah dimengerti, karena paling sesuai dengan naluri manusia adalah FIS Mamdani.
Sistem Inferensi Fuzzy Metode Mamdani
Metode Mamdani sering juga dikenal dengan nama Metode Max-Min. Untuk memperoleh output, diperlukan 4 tahapan yaitu(Kusumadewi,2004) :
1. Pembentukan himpunan fuzzy (fuzzifikasi)Pada metode Mamdani, baik variabel input maupun variabeloutput dibagi menjadi satu atau lebih himpunan fuzzy.Inputnya berupa bilangan crisp dan outputnya berupa derajatkeanggotaan.
2. Aplikasi fungsi implikasiPada Metode Mamdani, fungsi implikasi yang digunakanadalah Minimum. Aplikasi ini digunakan untuk mendapatkanoutput berdasarkan derajat kebenaran dari antesenden. Aplikasiini menggunakan operator AND/Minimum.
))(),(min( yx BABA µµµ =∩
3. Komposisi AturanPada tahapan ini sistem terdiri dari beberapa aturan, makainferensi diperoleh dari kumpulan dan korelasi antar aturan.Tahap ini antara rule satu dengan yang lainMetode yang dipakai adalah metode Max/OR atau mengambilnilai yang maksimum.
4. Defuzzifikasi/PenegasanTujuan dari tahap ini adalah mencari titik berat dari hasilkomposisi aturan/agregasi. Inputnya berupa himpunan fuzzyyang diperoleh dari komposisi aturan fuzzy dan outputnyaberupa bilangan pada domain himpunan fuzzy.Metode yang digunakan adalah metode centroid.
))(),(max()( ikfisfisf xxx µµµ =
∫∫=∗
z
z
zdz
dzzzz
µ
µ )(
Regresi Linier Regresi linear : metode analisis statistik yang mempelajari pola
hubungan antara dua atau lebih variabel.
Dari hasil persamaan maka dapat dilihat pengaruh dari tiap
variabel bebas terhadap ROA.
errorbebas variabelparameterkoefisien/
ROA1
0
====
++= ∑=
ε
β
εββ
i
n
iii
x
y
xy
Uji Asumsi Klasik Regresi Linier
Koefisien-koefisien regresi linier sebenarnya adalah nilai dugadari parameter model regresi. Untuk mengetahui apakahkoefisien regresi yang kita dapatkan telah benar/dapatditerima), maka kita perlu melakukan pengujian terhadapkemungkinan adanya pelanggaran asumsi klasik tersebut.
Secara manual, dalam melakukan uji asumsi klasik regresi linier, kitaharus terlebih dahulu mendapatkan data residual. Perlu kita ingat, pengujian asumsi klasik menggunakan data residual, bukan data pengamatan, kecuali uji asumsi multikolinieritas. Dengan kata lain, penerapan pengujian asumsi klasik regresi linier dilakukan terhadapdata residual, kecuali untuk uji asumsi multikolinieritas.
1. Uji Normalitas
Tujuan uji normalitas : untuk menguji apakah dalam sebuah regresi,mempunyai residual yang berdistribusi normal atau tidak.Model regresi yang baik adalah memiliki distribusi normal ataumendekati normal.
Residual awal diuji memotong data outlier transformasibox-cox residual baru memenuhi asumsi uji normalitas
Metode : metode analisis grafik, dengan melihat secaraNormal Probability Plot.
2. Uji Multikolinearitas
Multikolinearitas : menunjukkan terjadinya korelasi linear yang tinggidiantara variabel-variabel bebas (X1, X2,. . . , Xp).
Metode : pengujian ada tidaknya multikolinearitas dapat dilakukandengan menggunakan metode VIF (Variance Inflation Factor). Jika nilaiVIF kurang dari 10, maka memenuhi uji Multikolinearitas
3. Uji Autokorelasi
Pengertian : Uji korelasi antar varian error dari setiap observasi, jikaada hubungan/korelasi antar varian error dari observasi satu denganyang lainnya maka disebut ada autokorelasi .
Metode : menggunakan plot hubungan antara data saat ini dengandata sebelumnya dengan korelasi data pertama dengandata kedua (lag 1), data kedua dan ketiga (lag 2), dan selanjutnya.
4. Uji Heteroskedastisitas
Tujuan uji heteroskedastisitas : untuk menentukan apakah variasivariabel berbeda untuk semua pengamatan.
Metode : dengan melihat scatter plot antara nilai prediksivariabel respon dengan kuadrat errornya.
Teori Quantifikasi Fuzzy Teori Quantifikasi Fuzzy sama halnya menentukan suatu fungsi
linier dari beberapa kategori (Watada,2002)
Teori Quantifikasi Fuzzy dihubungkan dengan analisis regresi
linier untuk mencari pengaruh beberapa variabel bebas terhadap
ROA, dengan nilai antara 0 sampai 1 (dalam bentuk fuzzy).
data banyaknya bebas variabel
konstanta ROA
i
1
====
=∑=
n
ay
ay
i
i
n
ii
µ
µ
UKURAN HASIL ESTIMASIUkuran akurasi hasil estimasi dapat ditentukan dengan berbagai cara,
antara lain (Nasution,2006) :
Rata-rata Deviasi Mutlak (Mean Absolute Deviation / MAD)MAD merupakan rata-rata kesalahan mutlak selama
periode tertentu tanpa memperhatikan apakah hasil perkiraanlebih besar atau lebih kecil dibandingkan kenyataannya. Secaramatematis, MAD dirumuskan sebagai berikut :
Rata-rata Kuadrat Kesalahan (Mean Square Error / MSE)MSE dihitung dengan menjumlahkan kuadrat semua
kesalahan hasil perkiraaan pada setiap periode dan membaginyadengan jumlah periode perkiraan. Secara matematis, MSEdirumuskan sebagai berikut:
Lukman Dendawijaya (2003) :Rasio ROA digunakan untuk mengukur kemampuan manajemenbank dalam memperoleh keuntungan (laba) secara keseluruhan,semakin besar ROA suatu bank semakin besar pula tingkatkeuntungan yang dicapai bank tersebut dan semakin baik pulaposisi bank tersebut dari segi penggunaan aktiva.
Return On Asset (ROA)
Capital Adequacy Ratio (CAR)Capital Adequacy Ratio (CAR) dijadikan variabel independenyang mempengaruhi ROA didasarkan atas hubungannya dengantingkat risiko bank yang bermuara pada profitabilitas bank (ROA). Rasio CAR digunakan untuk mengukur kecukupan modal yang dimiliki bank untuk menunjang aktiva yang mengandung ataumenghasilkan resiko, misalnya kredit yang diberikan(Dendawijaya, 2003).
Non Performing Loan (NPL)Rasio NPL digunakan untuk mengukur kemampuan manajemenbank dalam mengelola kredit bermasalah yang diberikan oleh bank. Risiko kredit yang diterima oleh bank merupakan salah satu risikousaha bank, yang diakibatkan dari ketidakpastian dalampengembaliannya atau yang diakibatkan dari tidak dilunasinyakembali kredit yang diberikan oleh pihak bank kepada debitur, (Hasibuan, 2007).
Net Interest Margin (NIM)Rasio NIM juga digunakan untuk mengukur kemampuanmanajemen bank dalam menghasilkan pendapatan dari bungadengan melihat kinerja bank dalam menyalurkan kredit, mengingatpendapatan operasional bank sangat tergantung dari selisih bungadari kredit yang disalurkan (Mahardian, 2008 dalamPuspitasari,2009).
Biaya Operasional/Pendapatan Operasional(BOPO)Rasio BOPO digunakan untuk mengukur tingkat efisiensi dankemampuan bank dalam melakukan kegiatan operasinya. Setiappeningkatan biaya operasional akan berakibat pada berkurangnyalaba sebelum pajak yang pada akhirnya akan menurunkan laba atauprofitabilitas (ROA) bank yang bersangkutan (Dendawijaya, 2003).
Loan to Deposit Ratio (LDR)Rasio LDR digunakan untuk mengukur kemampuan bank tersebutapakah mampu membayar hutang-hutangnya dan membayar kembalikepada deposannya, serta dapat memenuhi permintaan kredit yang diajukan. Atau dengan kata lain seberapa jauh pemberian kreditkepada nasabah, kredit dapat mengimbangi kewajiban bank untuksegera memenuhi permintaan deposan yang ingin menarik kembaliuangnya yang telah digunakan oleh bank untuk memberikan kredit(Dendawijaya, 2003).
Pengambilan Data
Identifikasi Data
Pengolahan Data dengan Fuzzy Inference System
Metode Regresi
Quantifikasi Fuzzy
Penarikan Kesimpulan dan Membuat Laporan
METODE PENELITIAN
No Keterangan 2005 2006 2007 2008 2009
1 NPL 9,59 9,51 8,24 8,48 8,10
2 CAR 18,99 19,27 19,19 18,99 18,99
3 NIM 8,33 8,80 8,87 8,77 8,68
4 BOPO 8,99 8,88 8,69 8,58 8,81
5 LDR 12,13 11,70 14,86 15,33 15,29
6 ROA 8,64 8,63 8,63 8,41 8,32
Perkembangan Rata – rata Rasio NPL, CAR, NIM, BOPO, LDR, ROABank di Indonesia Periode 2005 – 2009
Variabel N Max Min Mean Std. Dev
NPL 395 12,50 0,00 8,82 3,21
CAR 395 21,58 16,20 19,09 1,25
NIM 395 15,94 1,83 8,69 1,84
BOPO 395 17,50 0,00 8,79 2,55
LDR 395 17,50 0,71 13,86 3,62
ROA 395 14,68 0,00 8,53 2,81
Hasil Olah Data DeskriptifDescriptive StatisticsIdentifikasi Data
Penggunaan regresi linier dikaitkan dengan bentuk Teori
Quantifikasi Fuzzy sebagai fungsi linier dari beberapa kategori,
sehingga penelitian dilakukan dengan menggunakan regresi linier
(regresi linier berganda).
Pengujian : residual memenuhi asumsi regresi linier.
Hasil pengujian yang baik adalah pengujian yang tidak
melanggar asumsi–asumsi yang mendasari model regresi linier.
Asumsi–asumsi dalam penelitian ini meliputi uji normalitas,
uji multikolinearitas, uji autokorelasi, dan uji
heteroskedastisitas.
Metode Regresi
1. Uji Normalitas
Tujuan uji normalitas : untuk menguji apakah dalam sebuah regresi,mempunyai residual yang berdistribusi normal atau tidak.Model regresi yang baik adalah memiliki distribusi normal ataumendekati normal.
Residual awal diuji memotong data outlier transformasibox-cox residual baru memenuhi asumsi uji normalitas
Metode : metode analisis grafik, dengan melihat secaraNormal Probability Plot.
Hasil Uji : Berdistribusi Normal
-4 -3 -2 -1 0 1 20.0010.0030.01 0.02 0.05 0.10 0.25 0.50 0.75 0.90 0.95 0.98 0.99 0.9970.999
Pro
bability
Normal Probability Plot
2. Uji Multikolinearitas
Multikolinearitas : menunjukkan terjadinya korelasi linear
yang tinggi diantara variabel-variabel bebas
(X1, X2,. . . , Xp).
Metode : pengujian ada tidaknya multikolinearitas dapat
dilakukan dengan menggunakan metode VIF (Variance
Inflation Factor). Jika nilai VIF kurang dari 10, maka
memenuhi uji Multikolinearitas
Hasil Uji : memenuhi asumsi multikolinearitas
Variabel NPL CAR NIM BOPO LDR
VIF 4,1802 0,0082 0,0215 0,0012 0,0197
3. Uji Autokorelasi
Pengertian : Uji korelasi antar varian error dari setiap observasi, jika ada hubungan/korelasi antar varian error dari observasi satudengan yang lainnya maka disebut ada autokorelasi .
Metode : menggunakan plot hubungan antara data saat ini dengandata sebelumnya dengan korelasi data pertama dengandata kedua (lag 1), data kedua dan ketiga (lag 2), dan selanjutnya.
Hasil Uji : memenuhi asumsi autokorelasi
0 2 4 6 8 10 12 14 16 18 20-0.5
0
0.5
1
Lag
Sam
ple
Auto
corr
ela
tion
Sample Autocorrelation Function (ACF)
4. Uji Heteroskedastisitas
Tujuan uji heteroskedastisitas : untuk menentukan apakahvariasi variabel berbeda untuk semua pengamatan.
Metode : dengan melihat scatter plot antara nilai prediksivariabel respon dengan kuadrat errornya.
Hasil Uji : memenuhi asumsi heteroskedastisitas
-2 0 2 4 6 8 10 12 14 16 180
10
20
30
40
50
60e
2
y prediksi
Analisis Regresi Hasil persamaan regresi :
εββββββ ++++++= 55443322110 xxxxxy
ROA= -6.0428 + 0.0139NPL + 0.2140 CAR + 0.1654 NIM +0.9471 BOPO + 0.0420 LDR + 1.1134
Kesimpulan : Dari data yang didapat bahwa semua koefisien setiap
variabel bebas adalah positif, sehingga disimpulkan bahwa semua
variabel-variabel yang sudah ditentukan mempunyai pengaruh
positif terhadap ROA. Namun, hasil yang diperoleh dari metode
Regresi belum cukup mewakili data variabel bebas dengan nilai kecil
tetapi mempunyai nilai ROA yang cukup besar.
Pengaruh inilah yang akan digunakan sebagai bahan
pertimbangan dalam pengolahan data dengan FIS.
1. Pembentukan Himpunan Fuzzy
Fungsi VariabelNama Himpunan
FuzzySemesta
PembicaraanDomain
Input
NPL
TB
[0,00 – 12,50]
[0,00 – 6,00]CB [4,00 – 8,00]B [6,00 – 12,50]
CARCB
[16,20 – 21,58][0,00 – 18,00]
B [16,20 – 21,58]
NIM
TB
[1,83 – 15,94]
[1,83 – 4,00]CB [1,83 – 8,00]B [4,00 – 15,94]
BOPO
TB
[0,00 – 17,50]
[0,00 – 5,00]CB [2,00 – 8,00]B [5,00 – 17,50]
LDR
TB
[0,00 – 15,00]
[0,71 – 7,50]CB [5,00 – 10,00]
B [7,50 – 17,50]
Output ROA
TB
[0,00 – 12,00]
[0,00 – 6,00]CB [4,00 – 8,00]B [6,00 – 12,00]
SISTEM INFERENSI FUZZY
2. Pembuatan Fungsi Keanggotaan
Pembuatan fungsi keanggotaan didasarkan dari hasil Regresi bahwa
setiap variabel bebas mempunyai pengaruh positif terhadap ROA,
sehingga salah satu pendekatan yang dipakai adalah kurva bahu
linier kanan (nilai positif yang semakin besar) pada setiap variabel
fuzzy dalam memperoleh derajat keanggotaan suatu nilai dalam
suatu himpunan fuzzy.
Hal ini dikarenakan agar nilai ROA prediksi yang diperoleh lebih
banyak dipengaruhi oleh nilai-nilai yang berada di daerah kurva
bahu linier kanan.
3. Pembentukan Aturan Penentuan aturan rule didasarkan pada pengelompokan data asli pada
tiap variabel menjadi beberapa kategori.
Dengan melihat pola data maka dapat dibentuk aturan fuzzy seperti
terlampir pada Lampiran.
Fungsi implikasi yang digunakan adalah minimum/AND
4. Pembuatan Komposisi AturanMetode yang digunakan dalam melakukan fuzzy inference system yaitumetode max (maximum).
5. Defuzzifikasi/PenegasanInput dari proses defuzzifikasi adalah suatu himpunan fuzzy yang diperoleh dari komposisi aturan–aturan fuzzy, sedangkan output yang dihasilkan merupakan suatu bilangan pada domain himpunan fuzzy tersebut. Sehingga jika diberikan suatu himpunan fuzzy dalam range tertentu, maka harus dapat diambil suatu nilai crisp tertentu. Dalampenelitian ini Penegasan (defuzzy) yang digunakan adalah metodeCentroid (Composite Moment) menurut aturan Mamdani.
Selisih ROA prediksi dengan ROA riil yang terbesar adalah 6,61. Hal itu
disebabkan munculnya data-data yang tidak sesuai dengan data
yang diharapkan, seperti nilai nol atau mendekati nol,
sehingga membuat beberapa nilai prediksi ROA menjadi jauh dari rata-
rata nilai ROA yang diharapkan.
Perbedaan nilai ROA riil dengan nilai ROA prediksi disebabkan
perbedaan batas interval atas dan bawah pada pengelompokan nilai
himpunan variabel antara pihak perbankan dengan metode FIS
Data ROA yang diperoleh dengan FIS memperoleh hasil
hasil yang cukup baik dengan nilai kesalahan sebesar 10,5 %.
Analisis :
Quantifikasi Fuzzy
Tujuan : untuk mengetahui mengetahui faktor-faktor yang
mempengaruhi kinerja keuangan perbankan (ROA)
Proses : variabel input ditransformasi ke dalam bentuk fuzzy [0,1]
selanjutnya dilakukan regresi :ROA= -6,3497 – 1,3671 NPL + 12,6063 CAR + 1,2999 NIM + 10,4377BOPO - 1,0079 LDR + 0,6479
Hasil : bentuk persamaan Quantifikasi Fuzzy seperti berikut :
i
n
iiay µ∑
=
=1
5544332211 µµµµ axxaaay ++++=
ROA= – 1,3671 NPL + 12,6063 CAR + 1,2999 NIM + 10,4377BOPO - 1,0079 LDR
Nilai NPL dan LDR berpengaruh negatif dan nilai CAR, NIM,BOPO berpengaruh positif
KESIMPULAN
Teori Quantifikasi Fuzzy dan Analisis Regresi dapat digunakanuntuk mengetahui faktor-faktor yang mempengaruhi kinerjakeuangan perbankan (dalam hal ini ROA) berdasarkan faktor-faktor yang sudah ditetapkan. Penerapan metode FIS dapat meningkatkan akurasi penentuannilai ROA dengan nilai sebesar 10,5 %.Metode FIS dan Quantifikasi Fuzzy dapat menghasilkan suatunilai yang lebih baik dengan nilai error yang lebih kecildibandingkan dengan hanya menggunakan metode Regresi. Perbedaan pengelompokan nilai himpunan variabel antarapihak perbankan dengan metode FIS menyebabkan nilai deviasiyang cukup besar antara ROA riil dengan ROA hasil FIS.