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.

Graphical User Interface (GUI) Tools

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.

Hasil Pembuatan Fungsi Keanggotaan dari Matlab

NPL CAR

NIM BOPO

LDR ROA

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.

Komposisi aturan fuzzy

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.

Saran

Dalam upaya meningkatkan ketepatan dalammenentukan faktor-faktor yang mempengaruhi ROAdisarankan mengkaji lebih lanjut tentang parameter-parameter yang berpengaruh terhadap ROA yangakan dijadikan acuan penentuan laba yangdiinginkan.