PREDIKSI KONDISI BERMASALAH BERDASARKAN ANALISIS RASIO CAMEL MENGGUNAKAN PENDEKATAN LOGISTIC REGRESSION PADA LEMBAGA PERBANKAN YANG GO PUBLIK


MAJALAH EKONOMI || Telaah Manajemen, Akuntansi, dan Bisnis
Volume XVIII || Nomor 1 || Juli 2014 || ISSN: 1411-9501
Penerbit : Fakultas Ekonomi Universitas PGRI Adi Buana Surabaya

Penulis  : Rina Fariana

PDF

Abstrak
Mampu memprediksi kondisi bermasalah menjadi salah satu alternatif bagi investor dalam menganalisis kinerja keuangan dan menginvestasikan dana yang dimilikinya.Jika kondisi bermasalah mampu diketahui secara dini, maka investor atau pihak yang berkepentingan dapat meminimalisasi kemungkinan risiko yang akan diderita. Faktor-faktor yang diuji dalam penentuan kondisi kebangkrutan dan kesulitan keuangan perusahaan adalah rasio CAMEL.
Sampel penelitian terdiri dari 13 bank sehat, 4 bank yang mengalami kebangkrutan, dan 3 bank yang mengalami kondisi kesulitan keuangan. Analisis logit merupakan alat analisis yang banyak digunakan dalam penelitian peramalan kebangkrutan. Analisis logit bertujuan untuk menguji probabilitas terjadinya variabel terikat dengan variabel bebasnya.
Penelitian ini mengungkap bahwa variabel berdasarkan rasio CAMEL yang berpengaruh signifikan terhadap kondisi bermasalah adalah rasio CAR, APB, ROA, NIM, LAR, dan NCM to CA. Variabel yang memiliki kontribusi terbesar terhadap prediksi kondisi bermasalah pada perusahaan jasa perbankan berdasarkan analisis logit adalah rasio yang berhubungan dengan aspek earning yaitu ROA. Analisis logit memberikan tingkat keakuratan yang cukup tinggi yaitu sebesar 90%.
Kata kunci: CAMEL, Kebangkrutan, Kesulitan Keuangan, Regresi Logistik

 

Pendahuluan

Perkembangan dalam dunia perekonomian membuat persaingan dalam bidang usaha jasa perbankan semakin ketat. Persaingan yang ketat dan kesalahan dalam pengelolaan bank mengakibatkan banyaknya perusahaan jasa perbankan yang mengalami kebangkrutan karena tidak mampu bersaing dengan kompetitornya.

Permasalahan kesehatan perbankan yang pada akhirnya mengarah ke kebangkrutan dapat diidentifikasikan sebagai ukuran tendensi perusahaan mengalami kegagalan secara finansial dan akhirnya tidak mampu lagi menjalankan operasional usahanya. Kecenderungan ini dapat dinilai dalam dimensi waktu, sebagai ukuran prediksi kapan tepatnya perusahaan akan mengalami kondisi kolaps setelah periode berjalan.

Bank sebagai badan usaha yang dipercaya untuk menghimpun dana dari berbagai pihak dengan jumlah yang cukup besar dan juga menjual sahamnya di bursa dan dibeli masyarakat luas (bagi bank yang go public), maka akan sangat bermanfaat apabila ada alat untuk memprediksi dan mengklasifikasikan kondisi bank yang mengalami kebangkrutan maupun kesulitan keuangan yang dapat diolah dari laporan keuangan yang dipublikasikan.

Rasio keuangan merupakan instrumen analisis prestasi perusahaan yang menjelaskan berbagai hubungan dan indikator keuangan, yang ditujukan untuk menunjukkan perubahan dalam kondisi keuangan atau prestasi operasi di masa lalu dan membantu menggambarkan trend pola perubahan tersebut, untuk kemudian menunjukkan resiko dan peluang yang melekat pada perusahaan yang bersangkutan. Hal ini menunjukkan bahwa analisis rasio keuangan, meskipun didasarkan pada data dan kondisi masa lalu tetapi dimaksudkan untuk menilai resiko dan peluang di masa yang akan datang.

Pada umumnya untuk menilai kinerja keuangan perbankan digunakan lima aspek penilaian yaitu CAMEL (Capital, Assets, Managements, Earnings, Liquidity). Empat dari lima aspek tersebut masing-masing capital, assets, earning, dan liquidity dinilai dengan menggunakan rasio keuangan. Hal ini menunjukkan bahwa rasio keuangan bermanfaat dalam menilai kondisi keuangan perusahaan perbankan yang juga berperan sebagai prediktor dalam kebangkrutan dan kegagalan bank. Sehingga CAMEL merupakan rasio keuangan tingkat construct yang dapat digunakan untuk memprediksi kebangkrutan perusahaan-perusahaan perbankan.

Dari berbagai model prediksi kesulitan keuangan dan kebangkrutan perusahaan, yang cukup populer adalah model Z-Score yang dikembangkan oleh Edward I. Altman. Z-score Model Altman merupakan salah satu model diskriminan yang sering dipakai oleh beberapa ahli statistik sebagai acuan dasar bagi mereka untuk menciptakan model-model diskriminan yang baru untuk memprediksi kondisi kebangkrutan perusahaan. Ohlson (1980) adalah peneliti pertama yang menggunakan analisa logit untuk memprediksi kepailitan. Pada penelitiannya, Ohlson menggunakan 105 perusahaan yang pailit dan 2058 perusahaan yang tidak pailit serta menemukan bahwa 7 rasio keuangan mampu mengidentifikasikan perusahaan yang akan pailit dengan tingkat ketepatan yang mendekati hasil penelitian Altman.

Analisis logit sebenarnya mirip dengan analisis diskriminan yaitu menguji apakah probabilitas terjadinya variabel terikat dapat diprediksi dengan variabel bebasnya. Data penelitian yang tidak memenuhi asumsi multivariate normal distribution karena variabel bebas merupakan campuran antara variabel kontinyu (metrik) dan kategorikal (non-metrik) dapat dianalisis dengan analisis logit. Pada analisis logit tidak memerlukan asumsi normalitas data pada variabel bebasnya.

Kinerja Keuangan dan Analisis Laporan Keungan Bank

Secara sederhana kinerja dapat diartikan membandingkan suatu indikator dalam waktu rentang tertentu (time series), misalnya dalam beberapa tahun. Menurut Horngren et al (1997:932), pengukuran kinerja meliputi:

1. Pengukuran kinerja keuangan

Pengukuran ini menjabarkan indikasi-indikasi kinerja dalam jumlah uang serta merupakan hasil akhir dari kegiatan dan keputusan manajemen.

2. Pengukuran kinerja non-keuangan

Pengukuran ini menunjukkan kinerja sebagai suatu proses dari aktivitas fisik dan merupakan alat utama dalam pengendalian strategik.

Analisa laporan keuangan menjadi indikator yang sering digunakan untuk menilai kinerja keuangan yang biasanya digunakan oleh pihak eksternal karena mudah untuk dipahami. Kreditur jangka pendek seperti bank melakukan analisis informasi akuntansi untuk mengukur kesehatan keuangan calon debitur. Investor, broker, dan analis keuangan melihat informasi keuangan untuk mengukur tingkat pengembalian investasinya. Analis pasar modal melakukan analisis informasi akuntansi emiten untuk memberi saran kepada investor kapan membeli, menahan, dan menjual saham emiten tersebut.

Analisa laporan keuangan dapat berupa (Kieso et al.,2007:1317):

1. Analisa rasio, yaitu suatu analisis untuk mengetahui hubungan dari pos-pos tertentu dalam neraca atau laporan laba-rugi secara individu atau kombinasi keduanya.

2. Analisa komparatif, yaitu analisis dengan cara menyajikan data komparatif yang umumnya mencakup dua tahun informasi neraca dan tiga tahun informasi laporan laba-rugi.

3. Analisa persentase, yaitu analisis yang melibatkan pengurangan serangkaian jumlah yang berhubungan menjadi serangkian persentase atas dasar tertentu.
Salah satu cara untuk mengetahui apakah perusahaan mengalami financial distress (kesulitan keuangan) yaitu melalui analisis rasio-rasio keungan. Maka dari itu diperlukan tolok ukur yang menghubungkan dua data keuangan yang satu dengan yang lainnya untuk menilai kondisi keuangan.

 

Analisis Rasio CAMEL

Dalam penilaian tingkat kesehatan bank digunakan pendekatan penilaian kualitatif atau penilaian kuantitatif terhadap aspek yang berpengaruh pada kondisi dan kinerja bank yaitu faktor Permodalan, Kualitas Aset, Manajemen, Rentabilitas, dan Likuiditas (CAMEL).

 

Kebangkrutan Bank

Kebangkrutan dapat diartikan sebagai kegagalan perusahaan dalam menjalankan operasi perusahaan untuk menghasilkan laba atau likuiditas yang sangat parah sehingga perusahaan tidak mampu menjalankan operasi dengan baik.

Sedangkan financial distress adalah kesulitan keuangan atau likuiditas yang mungkin mengawali kebangkrutan.

 

Perkembangan Teknik Penelitian Corporate Failure

Beaver merupakan salah satu akademisi yang menjadi pioneer dalam meneliti corporate failure. Pendekatan yang dipakai Beaver adalah univariat, yaitu setiap rasio, tanpa diikuti oleh rasio lainnya, diuji kemampuannya untuk memperkirakan corporate failure. Altman (1968) mencoba memperbaiki penelitian Beaver dengan menerapkan multivariate linear discriminant analysis (MDA), suatu metode yang kerap dibuktikan memiliki keterbatasan. Teknik MDA yang digunakan oleh Altman merupakan suatu teknik regresi dari beberapa uncorrelated time series variables, dengan menggunakan cut-off value untuk menetapkan kriteria klasifikasi masing-masing kelompok. Kelebihan penggunaan teknik MDA adalah mudah digunakan, karena seluruh ciri karakteristik variabel yang diobservasi dimasukkan, bersamaan dengan interaksi mereka. Ada beberapa masalah yang terkait dengan MDA pada prediksi corporate failure adalah masalah normalitas data, inequality dari matriks dispersion dari seluruh kelompok dan non-random-sampling dari perusahaan yang fail maupun tidak fail. Setiap masalah tersebut menyebabkan output regresi menjadi biasa.
Ohlson pada tahun 1980 mengembangkan teknik untuk menghindari keterbatasan teknik MDA dalam memprediksi kepailitan, yaitu logistic regression (logit analysis) Pada logit analysis, asumsi multivariate normal distribution diabaikan. Dengan adanya asumsi inilah maka keterbatasan yang terdapat pada teknik pengujian statistik untuk kepailitan dengan menggunakan MDA dapat diatasi oleh logit. Logit, bersama dengan probit analysis (variasi dari logit), disebut sebagai conditional probability model karena logit menyediakan conditional probability dari observasi yang berasal dalam suatu kelompok.
Pertimbangan lain untuk memilih logit antara lain karena logit model memiliki keunggulan secara statistik. Namun demikian, model tersebut perlu dimodifikasi untuk menjamin kevalidan koefisien parameter dengan pengaruh kelompok yang ditimbulkan oleh panel data.

 

Jenis dan Sumber Data

Jenis data yang digunakan adalah data kuantitatif, contohnya laporan keuangan. Dalam penelitian ini menggunakan data sekunder berupa laporan keuangan tahunan dari bank-bank umum yang diperoleh dari Indonesian Capital Market Directory yang diterbitkan oleh Institute for Economics and Financial Research. Informasi perusahaan jasa perbankan yang delisted dan yang masih listing dapat diketahui dari pengumuman pencatatan emiten yang diterbitkan BEI melalui situs www.idx.co.id beserta penelitian terdahulu.

 

Prosedur Pengumpulan Data dan Metode Pengumpulan Sampel

Prosedur pengumpulan data yang digunakan untuk penelitian ini
menggunakan 2 cara, yaitu:
1. Studi lapangan
2. Studi kepustakaan

Teknik sampling yang digunakan dalam penelitian adalah metode purposive
sampling, yaitu sampel ditarik sejumlah tertentu dari populasi emiten dengan
menggunakan pertimbangan atau kriteria tertentu.

Populasi dalam penelitian ini sebanyak 24 bank umum yang delisted selama
tahun 1996 sampai 2007, dan 31 bank umum yang masih listing sampai tahun 2008.
Sampel bank yang digunakan dalam penelitian meliputi seluruh bank go public di
BEI yang terbagi menjadi dua kategori, yaitu:

1. Perusahaan jasa perbankan yang bermasalah, dengan kriteria sebagai berikut:
a. Perusahaan jasa perbankan yang delisted pada tahun 2004 dan yang digunakan
adalah data keuangan 3 tahun sebelum bank delisted.
b. Bank-bank yang menderita kerugian minimal tiga tahun berturut-turut atau
mengalami kerugian lebih dari 50% modal disetor pada tahun 2001-2003.

2. Perusahaan jasa perbankan yang tidak bermasalah digunakan data keuangan
tahun 2001-2003, dengan kriteria sebagai berikut:
a. Perusahaan jasa perbankan yang listing sebelum tahun 2001 dan masih listing
minimum sampai tahun 2006.
b. Bank-bank tersebut tidak mengalami kerugian tiga tahun berturut-turut dan tidak
mengalami kerugian lebih dari 50% modal disetor pada tahun 2001-2003.

3. Bank-bank tersebut mengeluarkan laporan keuangan secara terus-menerus
selama periode penelitian yaitu tahun 2001-2003.
Berdasarkan kriteria pengambilan sampel, jumlah sample akhir yang terpilih
sebanyak 20 bank umum yang terdiri dari 13 bank yang tidak bermasalah dan 7 bank
yang bermasalah. Bank bermasalah terdiri dari 4 bank yang delisted dan 3 bank yang
menderita kerugaian tiga tahun berturut-turut dan mengalami kerugian lebih dari 50%
modal disetor.

 

Definisi Operasional

Variabel Independen
1. Permodalan (Capital)
Capital Adequacy Ratio (X1) adalah rasio untuk mengukur kecukupan modal
(Rizky & Majidi, 2008 : 234).
2. Kualitas Aktiva Produktif (Assets)
a. Return on Risked Assets (X2) adalah rasio untuk mengukur kualitas aktiva
100%
( )
 
Aktiva Tertimbang Menurut Risiko ATMR
Modal
CAR

produktif (Mudrajad, 2002).
b. Non Performing Loan (X3) adalah rasio untuk mengukur kemampuan
manajemen bank dalam mengelola kredit bermasalah yang diberikan oleh bank
(Almilia & Herdinigtyas, 2005).
c. Aktiva Produktif Bermasalah (X4) adalah rasio untuk mengukur kemampuan
manajemen bank dalam mengelola aktiva produktif bermasalah terhadap total
aktiva produktif (SE BI No. 3/30/DPNP tanggal 14 Desember 2001).

3. Profitabilitas (Earning)
a. Net Profit Margin (X5) adalah rasio yang menggambarkan tingkat keuntungan
(laba) yang diperoleh bank dibandingkan dengan pendapatan yang diterima dari
kegiatan operasionalnya (Dendawijaya, 2003:119)..
b. Return on Asset (X6) adalah rasio ini digunakan untuk mengukur kemampuan
manajemen bank dalam memperoleh keuntungan (Almilia & Herdinigtyas,
2005).
c. Return on Equity (X7) adalah rasio ini digunakan untuk mengukur kinerja
manajemen bank dalam mengelolah modal yang tersedia untuk menghasilkan
laba setelah pajak (Almilia & Herdinigtyas, 2005).
d. Biaya Operasional terhadap Pendapatan Operasional (X8) adalah rasio bank
dalam melakukan kegiatan operasi (Almilia & Herdinigtyas, 2005).
e. Net Interest Margin (X9) adalah rasio untuk mengukur kemampuan manajemen
100%
tan
 
Pendapa Operasional
Biaya Operasional
BOPO
100%


Rata rata Total Ekuitas
Laba Setelah Pajak
ROE
100%
tan
 
Pendapa Operasional
Laba Bersih
NPM
 100%
Risked Assets
Earning After Taxes
RORA
 100%
Total Kredit
Kredit Bermasalah
NPL
100%
Pr
Pr
 
Total Aktiva oduktif
Aktiva oduktif Bermasalah
APB
100%


Rata rata Total Asset
Laba Sebelum Pajak
ROA
bank dalam mengelola aktiva produktifnya untuk menghasilkan pendapatan
bunga bersih (SE BI No. 3/30/DPNP tanggal 14 Desember 2001).

4. Likuiditas (Liquidity)
a. Loan to Deposit Rasio (X10) adalah rasio antara jumlah kredit yang diberikan
oleh bank terhadap dana pihak ketiga (Rizky & Majidi, 2008 : 223).
b. Loan to Asset Rasio (X11) adalah rasio yang digunakan untuk mengukur tingkat
likuidasi bank yang menunjukkan kemampuan bank untuk memenuhi permintaan
kredit dengan menggunakan total asset yang dimiliki bank (Dendawijaya,
2003:118).
c. Net Call Money to Current Asset (X12) adalah rasio yang menunjukkan besarnya
kewajiban bersih call money terhadap aktiva lancar atau aktiva yang paling likuid
dari bank (Dendawijaya, 2003:119).

 

Variabel Dependen

Definisi dari variabel Y adalah variabel yang tergantung atau dependen
variabel. Dalam penelitian ini variabel terikat adalah:
1. Bank Tidak Bermasalah (Y1) dalam penelitian ini ialah bank umum yang
dinyatakan sehat dan bank-bank yang bertahan tanpa rekapitalisasi, dengan kode
1 (satu) sebagai variabel dummy.

2. Bank Bermasalah (Y2) dalam penelitian ini ialah bank yang delisted pada tahun
2000-2005, dengan kode 0 (nol) sebagai variabel dummy.
Teknik Analisis
1. Mengelompokkan subyek penelitian pada masing-masing kelompok bank
dibedakan sebagai kategori tidak bermasalah dengan angka (simbol) 1, dan
kategori bermasalah dengan angka (simbol) 0.
2. Menghitung rasio CAMEL bank pada masing-masing kelompok bank tidak
bermasalah (1) dan bank bermasalah (0).
3. Setelah dilakukan penghitungan rasio bank, langkah selanjutnya adalah proses
 100%
Aktiva Lancar
Kewajiban Bersih Call Money
NCM to CA
100%
 

Total DPK KLBI Modal Inti
Jumlah Kredit yang Diberikan
LDR
100%
Pr
tan
 
Aktiva oduktif
Pendapa Bunga Bersih
NIM
 100%
Jumlah Asset
Jumlah Kredit yang Diberikan
LAR
pembuatan model Logistic Regression dengan menggunakan SPSS 15.0, kondisi-kondisi yang perlu diperhatikan dari output logistic regression adalah :
a. Goodness-Of-Fit
Statistik yang digunakan berdasarkan pada fungsi likelihood. Likelihood L dari model adalah probabilitas bahwa model yang dihipotesakan menggambarkan data input. Untuk menguji hipotesis nol dan alternatif, L ditransformasikan menjadi -2LogL.
b. Nilai nagelkerke’s R2 untuk menentukan seberapa besar kemampuan variabel-variabel independen dapat menjelaskan perbedaaan yang terjadi antara kedua kelompok perusahaan.
c. Estimasi maksimum likelihood parameter dari model dilihat pada tampilan output Variabel in the Equation.
d. Test For Specifiation Errors.

Penelitian ini juga menguji kemampuan regresi dalam memperkirakan kemungkinan perusahaan yang akan pailit dengan menggunakan seluruh observasi. Tabel klasifikasi 2 x 2 menghitung nilai estimasi yang benar (correct) dan salah (incorrect). Dengan menggunakan cut-off value tertentu, model ini menghasilkan estimasi dengan 3 kategori: correct estimates, “error I type” estimates dan “error II type” estimates. Cut-off value adalah titik untuk menentukan apakah suatu bank dikelompokkan sebagai bank yang akan bermasalah atau tidak bermasalah. Pemilihan cut-off value memainkan peran penting dalam menghitung error type. Perbandingan bank yang bermasalah dengan yang tidak bermasalah merupakan kriteria terbaik untuk menentukan nilai cut-off value. Misalnya, sampel yang terdiri dari 50% bank bermasalah dan 50% bank yang tidak bermasalah akan menggunakan cut-off value 0,5, sedangkan sample yang terdiri dari 60% bank bermasalah dan 40% tidak bermasalah akan menggunakan cut-off value 0,4.
4. Selanjutnya, dapat dilakukan analisis rasio yang berpengaruh signifikan terhadap kondisi bermasalah pada bank dengan pendekatan logistic regression.

 

Gambaran Umum Objek Penelitian

Objek penelitian berasal dari perusahaan jasa perbankan yang terdaftar di Bursa Efek Indonesia (BEI) yang diklasifikasikan menjadi dua kategori, yaitu kategori bank yang diperkirakan akan mengalami kondisi bermasalah dan kategori bank yang diperkirakan tidak akan mengalami kondisi bermasalah.

Tabel 1. Klasifikasi Sampel
Kondisi bank sehingga bank tersebut dikategorikan bank bermasalah ditunjukkan dalam tabel 2 dibawah ini.
No
Nama Bank
Kondisi Bank
1
Bank Century
Bank bermasalah karena mengalami kerugian minimal tiga tahun berturut-turut dan kerugian lebih dari 50% modal disetor.
2
Bank International Indonesia
Bank bermasalah karena mengalami kerugian minimal tiga tahun berturut-turut dan kerugian lebih dari 50% modal disetor.
3
Bank Lippo
Bank bermasalah karena mengalami kerugian minimal tiga tahun berturut-turut dan kerugian lebih dari 50% modal disetor.
No
Kategori 1 : Bank Tidak Bermasalah
No
Kategori 0 : Bank Bermasalah
1
Bank Arta Niaga Kencana
1
Bank Century
2
Bank Buana Indonesia
2
Bank International Indonesia
3
Bank Central Asia
3
Bank Lippo
4
Bank Danamon Indonesia
4
Bank Global International
5
Bank Eksekutif International
5
Bank Inter-Pacific
6
Bank Mayapada International
6
Bank Pikko
7
Bank MEGA
7
Bank Danpac
8
Bank Negara Indonesia
9
Bank Niaga
10
Bank NISP
11
Bank Nusantara Parahyangan
12
Bank Pan Indonesia (PANIN)
13
Bank Victoria International
Majalah Ekonomi ISSN 1411-9501 : Vol XIX No 1 Juli 2014
Rina Fariana/Prediksi Kondisi Bermasalah Berdasarkan………………………………………. Page 125
4
Bank Global International
Bank bermasalah karena bangkrut dan delisted
5
Bank Inter-Pacific
Bank bermasalah karena bangkrut dan delisted
6
Bank Pikko
Bank bermasalah karena bangkrut dan delisted
7
Bank Danpac
Bank bermasalah karena bangkrut dan delisted
Tabel 2. Kondisi Bank Bermasalah

 

Analisis Model Logit

Analisis logit dalam penelitian ini memiliki tujuan untuk mengetahui faktor-faktor yang mempengaruhi kemungkinan terjadinya kondisi bermasalah pada bank. Untuk mengetahui pengaruh variabel independen yang signifikan terhadap prediksi kondisi bermasalah bank-bank umum di Indonesia pada tahun 2001-2003, digunakan metode stepwise.

 

Uji Kesesuaian Model

Uji kesesuaian model dilakukan dengan tujuan untuk mengetahui ada tidaknya perbedaan antara hasil observasi dengan kemungkinan hasil prediksi model.
-2LL Blok Number
-2LL Blok Number 0
77,694
-2LL Blok Number 1
28,989
Cox & Snell R Square
Nagelkerke R Square
Cox & Snell R Square
0,556
Nagelkerke R Square
0,766
Homer and Lemeshow Test
Chi-Square
3,220
Sig.
0,920
Tabel 3. Uji Kesesuaian Model.
Sumber: Output SPSS yang diolah.

 

Berdasarkan fungsi Likelihood , apabila variabel bebas ditambahkan pada model dan -2LogL block number 0 terjadi penurunan menjadi -2LogL block number 1, maka model tersebut menunjukkan model regresi yang baik. Dari tabel 4.10 di atas pada nilai -2LogL awal (blok number 0) adalah 77,694 kemudian terjadi penurunan nilai -2LogL block number 1 menjadi 28,989, maka dapat ditarik kesimpulan bahwa model tersebut menunjukkan model regresi yang baik.

Jika dilihat dari nilai Cox & Snell R Square sebesar 0,556 dan Nagelkerke R
Square sebesar 0,766 dapat menggambarkan bahwa variabel terikat yang dapat
dijelaskan oleh variabelitas variabel bebas sebesar 76,6%, sedangkan 23,4% sisanya
dipengaruhi oleh variabel lain.

Kesesuaian model dapat juga diuji dengan Hosmer and Lemeshow Test yang
menguji hipotesis nol bahwa data empiris cocok dengan model, sehingga model dapat
dikatakan fit. Dasar pengambilan keputusan tersebut jika nilai probabilitas Hosmer
and Lemeshow Test lebih besar dari tingkat signifikansi 0,05%. Dari tabel di atas
nilai statistic Hosmer and Lemeshow Test sebesar 3,220 dengan tingkat probabilitas
signifikansi sebesar 0,920, yang berarti jauh di atas 0,05 sehingga model regresi ini
layak digunakan.

Estimasi Parameter dan Interpretasinya
B Sig.
Step 6 X1 -19,891 0,017
X4 -21,550 0,005
X6 107,829 0,047
X9 61,644 0,049
X11 13,654 0,011
X12 -13,956 0,049
Constant -0,175 0,924
Tabel 4. Koefisien Regresi Logistik dan Tingkat Signifikansi
Sumber: Output SPSS yang diolah

 

Estimasi parameter dan interpretasinya dapat dilihat pada tabel di atas. Pada step
6 terdapat enam variabel independen yang signifikan terhadap prediksi kondisi
bermasalah pada bank, karena signifikansinya di bawah 0,05. Variabel independen
tersebut adalah CAR, APB, ROA, NIM, LAR dan NCM, sedangkan konstanta tidak
memiliki pengaruh yang signifikan terhadap kondisi bermasalah, karena
signifikansinya di atas 0,05. Probabilitas bank yang diperkirakan mengalami kondisi
bermasalah dapat dituliskan sebagai berikut:
9 11 12
1 4 6
61,644 13,654 ( 13,956)
19,891 ( 21,550) 107,829
1
X X X
X X X
p
p
Ln
  
     

Cut off Value Fungsi Logit
Cut-off value adalah titik untuk menentukan apakah suatu bank dikelompokkan
sebagai bank yang akan bermasalah atau tidak bermasalah. Pemilihan cut-off value
didasarkan pada perbandingan bank yang bermasalah dengan yang tidak bermasalah,
yaitu:
0,35
60
21
Bank Bermasalah   0,65
60
39
Bank Tidak Bermasalah  

Berdasarkan perbandingan di atas, nilai cut-off value yang ditetapkan adalah 0,65, arti
nilai ini adalah apabila nilai estimasi yang dihasilkan model adalah > 0,65 artinya
sampel tersebut masuk kedalam kelompok bermasalah dan apabila nilai estimasi yang
dihasilkan model adalah <0,65 artinya sampel tersebut masuk ke dalam kelompok
tidak bermasalah. Error Type I terjadi ketika model menghasilkan nilai estimasi
>0,65 untuk bank yang tidak bermasalah. Sedangkan Error type II terjadi ketika
model menghasilkan nilai estimasi < 0,65 untuk bank yang bermasalah.
Tingkat Ketepatan Klasifikasi yang Mengukur Keberhasilan Fungsi Logit
Tujuan akhir yang ingin dicapai dalam analisis logit adalah menentukan tingkat
keakuratan dari analisis logit dalam mengklasifikasikan bank ke dalam kategori
bermasalah dan kategori tidak bermasalah.

Dari tabel 3.6, dapat diketahui tingkat keakuratan analisis logit dalam
memprediksi, yaitu sebesar 90%. Atau, tingkat kesalahan analisis logit dalam
mengklasifikasi adalah sebesar 10%.

 

Pembahasan
Model persamaan logit yang menunjukkan probabilitas suatu perusahaan akan
mengalami kebangkrutan adalah:
9 11 12
1 4 6
61,644 13,654 ( 13,956)
19,891 ( 21,550) 107,829
1
X X X
X X X
p
p
Ln
  
     

Bank
Predicted Group
Membership
Percent
age
correct
Berma
salah
Tidak
Bermasa
lah
Step
6
Z
Score
Bermasalah
Tidak
Bermasalah
18
4
3
35
90,5
89,7
Overall percentage 90,0
Tabel 3.5. Hasil Klasifikasi Fungsi Logit
Sumber: Output SPSS yang diolah
78.3% of original grouped cases correctly classified
Sumber: Output SPSS yang diolah

Dari persamaan logit, dapat diketahui bahwa koefisien CAR (X1), APB (X4), NCM (X12), ROA (X6), NIM (X9), dan LAR (X11) yang digunakan dalam persamaan merupakan variabel independen yang signifikan terhadap prediksi kondisi bermasalah pada bank. Dimana rasio CAR (X1), ROA (X6), dan NCM (X12) sejalan dengan hasil penelitian terdahulu. Koefisien rasio CAR (X1), APB (X4) dan NCM (X12) bernilai negatif, artinya semakin tinggi rasio ini kemungkinan bank bermasalah semakin besar. Rasio ROA (X6), NIM (X9), dan LAR (X11) memiliki koefisien bernilai positif, artinya semakin tinggi rasio ini kemungkinan bank bermasalah semakin kecil. Rasio yang memberi kontribusi terbesar adalah rasio profitabilitas yaitu rasio ROA (X6). Sehingga dapat dikatakan bahwa rasio tersebut adalah yang paling menentukan untuk mengkategorikan bank ke dalam kelompok yang diperkirakan akan mengalami kondisi bermasalah atau tidak. Dari rasio ROA, terlihat bahwa bank yang diperkirakan tidak mengalami kondisi bermasalah mampu mengelola aktivanya untuk menghasilkan laba. Berdasarkan tabel 4.3, secara parsial rasio LAR menunjukkan likuiditas bank yang diperkirakan tidak mengalami kondisi bermasalah lebih rendah, artinya bank yang tidak bermasalah lebih banyak menanamkan dananya dalam bentuk kredit. Dalam penyaluran kredit bank memiliki likuiditas yang tinggi, namun kemampuan bank untuk memenuhi kewajiban-kewajiban yang segera ditagih dapat dikatakan rendah. Namun secara diskriminan rasio LAR didukung dengan rasio APB (Aktiva Produktif Bermasalah) yang menunjukkan kemampuan manajemen bank dalam mengelola aktiva produktifnya termasuk peyaluran kredit. Bank yang diperkirakan tidak bermasalah memiliki rasio APB yang lebih rendah dibandingkan bank yang diperkirakan bermasalah, artinya meskipun bank yang tidak bermasalah lebih berani dalam menanamkan dananya dalam bentuk kredit, tetapi manajemen bank tersebut mampu mengelola aktiva produktif bermasalahnya dengan baik. Dengan demikian perputaran dana lancar dan tidak ada penangguhan pembayaran kewajiban-kewajiban yang segera ditagih bagi bank yang tidak bermasalah, hal ini dapat terlihat dan rendahnya rasio NCM to CA bank tidak bermasalah. Kesimpulannya tidak terjadi inefisiensi dalam pengelolaan aktiva produktif bagi bank yang tidak bermasalah, sehingga bank mampu meningkatkan pendapatan bunga bersihnya yang terlihat dari tingginya rasio NIM bank tidak bermasalah.

 

Simpulan
Sesuai dengan hasil penelitian serta analisis, maka dapat diambil beberapa kesimpulan:
1. Variabel-variabel berdasarkan rasio CAMEL yang memiliki pengaruh signifikan terhadap kondisi bermasalah pada perusahaan jasa perbankan, menurut analisis logit adalah X1 (Capital Adequacy Ratio), X4 (Aktiva Produktif Bermasalah), X6
Majalah Ekonomi ISSN 1411-9501 : Vol XIX No 1 Juli 2014
Rina Fariana/Prediksi Kondisi Bermasalah Berdasarkan………………………………………. Page 129
(Return on Asset),, X9 (Net Interest Margin), X11 (Loan to Asset Ratio), X12 (Net Call Money to Current Asset).
2. Variabel yang memberikan kontribusi terbesar pada analisis logit adalah rasio ROA, sehingga dapat dikatakan bahwa rasio tersebut adalah yang paling menentukan untuk mengkategorikan bank ke dalam kelompok yang diperkirakan akan mengalami kondisi bermasalah atau tidak
3. Analisis logit mampu memprediksi kondisi bermasalah dengan tingkat keakuratan yang cukup tinggi yaitu 90%.
Saran
Penelitian yang dilakukan ini juga tidak luput dari keterbatasan-keterbatasan. Oleh karena itu, ada beberapa hal yang dapat dikemukakan untuk diperbaiki pada penelitian yang akan datang.
1. Data bank yang delisted tidak tersedia secara memadai di Bursa Efek Indonesia, sehingga perlu dipikirkan alternatif sumber data untuk bank yang pailit selain dari BEI tersebut, sehingga variabel dapat dikembangkan dan mendapatkan hasil yang lebih teliti.
2. Dengan terbatasnya data, penelitian ini tidak dibedakan karakteristik bank berdasarkan besarnya aset yang dimiliki (size effect), maka sebaiknya peneliti selanjutnya dapat mempertimbangkannya karena besarnya aset perusahaan dapat membedakan kemampuan perusahaan untuk meng-generate likuiditas pada saat terjadi tekanan keuangan.

 

DAFTAR PUSTAKA
Almilia, Luciana S., Winny Herdinigtyas. 2005. Analisis Rasio CAMEL terhadap Prediksi Kondisi Bermasalah pada Lembaga Perbankan Periode 2000-2002. Jurnal Akuntansi dan Keuangan. Volume 7. No.2 Nopember.
Altman, Edward. 1968. Financial Ratio, Discriminant Analysis and The Prediction of Corporate Bankruptcy. Journal of Finance. Volume 23. No.4 September.
Bank Indonesia, SE no. 26/5/BPPP tanggal 29-05-1993 tentang penilaian tingkat kesehatan bank.
Beaver, William H. 1966. Financial Ratios as Predictors of Failure. Empirical Research in Accounting. Selected Studies and Discussions by Preston K Mearsand By John Neter, pp. 71-127.
Dendawijaya, Lukman. 2003. Manajemen Perbankan. Cetakan ke-2. Jakarta: Ghalia Indonesia.
Majalah Ekonomi ISSN 1411-9501 : Vol XIX No 1 Juli 2014
Rina Fariana/Prediksi Kondisi Bermasalah Berdasarkan………………………………………. Page 130
Fariana, Rina. 2009. Prediksi Kondisi Bermasalah Berdasarkan Analisis Rasio Camel Menggunakan Pendekatan Logistic Regression Pada Lembaga Perbankan Yang Go Publik. Surabaya: Universitas Airlangga. Tesis, tidak dipublikasikan.
Ghazali, Imam. 2001. Aplikasi Analysis Multivariate Dengan Program SPSS.Cetakan ke-4. Semarang: Badan Penerbit Universitas Diponegoro.
Hadad, M. D., S. Santoso dan I. Rulina. 2003. Indikator Kepailitan di Indonesia: An Additional Early Warning Tools pada Stabilitas Sistem Keuangan. Social Scienses Research Network. September, pp. 9-22.
Horngren, Charles T.,George Foster, and Srikant M.Datar. 1997. Cost Accounting: Managerial Emphasis. Eight edition. New Jersey: Prentice Hall Inc Eaglewood Cliffs.
Institute for Economic and Financial Research. 2002. Indonesian Capital Market Directory. Jakarta : BEJ.
Kieso, Donald E., Jerry J Weygandt, Terry D.Warfield. 2007. Intermediate Accounting. Twelfth Edition. New Jersey: John Wiley and Sons, Inc.
Kuncoro, Mudrajad, Suhardjono. 2002. Manajemen Perbankan Teori dan Aplikasi. Cetakan Pertama. Jogjakarta: BPFE.
Tondoprasetyo, Theodora Susanti. 2006. Penggunaan Rasio Keuangan Bank Sebagai Alat Prediksi Kebangkrutan Bank. Surabaya: Universitas Airlangga.
Ohlson, James A. 1980. Financial Ratios and the Probabilitic Prediction of bankruptcy. Journal of Accounting Research. Volume 18. No.1 Spring.
Rizky, Awalil, Nasyith Majidi. 2008. Bank Bersubsidi yang Membebani. Cetakan Pertama. Jakarta: E. Publishing.
www.bi.go.id. Diakses pada tanggal 19 Juni 2014.