BAB 5 HASIL PENELITIAN DAN PEMBAHASAAN
5.3. Pembahasan
Hasil pengujian masing-masing variabel independen terhadap variabel dependennya dapat dianalisis sebagai berikut :
1. Pengaruh Capital Adequacy Ratio (X1) terhadap prediksi kondisi bermasalah Bank Perkreditan Rakyat.
Berdasarkan hasil penelitian tersebut di atas dapat diketahui bahwa Capital Adequacy Ratio (X1) tidak memiliki pengaruh signifikan terhadap prediksi kondisi bermasalah pada Bank Perkreditan Rakyat. Hal ini ditunjukkan oleh Signifikansi = 0,157 yang lebih besar dari α = 0,05. Hal ini bertentangan dengan hasil penelitian yang dilakukan oleh peneliti terdahulu Luciana dan Winny (2005) menunjukkan variabel CAR berpengaruh negatif dan signifikan terhadap prediksi kondisi bermasalah BPR. Tetapi hal ini sejalan dengan penelitian Sugiyanto et al. (2002) (2002) bahwa kekuatan permodalan tidak memiliki hubungan terhadap prediksi kondisi bermasalah bank.
2. Pengaruh rasio Kualitas Aktiva Produktif (X2) terhadap prediksi kondisi bermasalah Bank Perkreditan Rakyat.
Berdasarkan hasil penelitian, dapat diketahui bahwa rasio kualitas aktiva produktif bermasalah (X2) memiliki pengaruh yang signifikan terhadap prediksi kondisi bermasalah pada Bank Perkreditan Rakyat. Hal ini ditunjukkan oleh signifikansi = 0,007 yang lebih besar dari α = 0,05. Pengaruh rasio aktiva produktif bermasalah terhadap predisksi kondisi bermasalah menunjukkan arah positif. Dapat dikemukakan bahwa dengan semakin tinggi rasio aktiva produktif bermasalah (X2) maka akan semakin tinggi potensi Bank Perkreditan Rakyat (BPR) dalam kondisi bermasalah satu tahun berikutnya. Hal ini sama dengan penelitian Sugiyanto et al. (2002) bahwa kualitas aset, memiliki hubungan terhadap prediksi kondisi bermasalah bank.
Relevan dengan temuan tersebut, penurunan kualitas aktiva menyebabkan peningkatan cadangan penyisihan penghapusan aktiva produktif. Semakin menurunnya suatu kualitas aktiva menyebabkan persentase cadangan penyisihan penghapusan aktiva produktif yang harus dipenuhi semakin besar.
Hal tersebut menyebabkan semakin meningkatnya biaya operasional untuk penurunan atas aktiva produktif termasuk biaya penghapusan piutang tidak tertagih atau kredit macet. Oleh karena itu, Bank Perkreditan Rakyat harus dapat mengendalikan aktiva produktifnya semaksimal mungkin.
3. Pengaruh rasio PPAP terhadap total aktiva (X3) terhadap prediksi kondisi bermasalah Bank Perkreditan Rakyat.
Berdasarkan hasilpenelitian, dapat diketahui bahwa rasio PPAP terhadap aktiva produktif (X3) tidak memiliki pengaruh signifikan terhadap prediksi
kondisi bermasalah pada Bank Perkreditan Rakyat. Hal ini ditunjukkan oleh signifikansi = 0,391 yang lebih besar dari α = 0,05.
4. Pengaruh Return On Asset (X4) terhadap prediksi kondisi bermasalah Bank Perkreditan Rakyat.
Berdasarkan hasil penelitian, dapat diketahui bahwa variabel rasio return on asset (X4) tidak memiliki pengaruh yang signifikan terhadap prediksi kondisi bermasalah Bank Perkreditan Rakyat. Hal ini ditunjukkan oleh nilai signifikansi = 0,327 yang lebih besar dari α = 0,05. Hasil ini bertentangan dengan penelitian Sugiyanto et al. (2002) bahwa earning power memiliki hubungan terhadap prediksi kondisi bermasalah bank..
5. Pengaruh rasio Beban Operasional terhadap Pendapatan Operasional (X5) terhadap prediksi kondisi bermasalah Bank Perkreditan Rakyat.
Berdasarkan pada tabel 5.7 di atas, dapat diketahui bahwa variabel rasio keuangan Beban Operasional terhadap Pendapatan Operasional (X5) tidak memiliki pengaruh signifikan terhadap prediksi kondisi bermasalah pada Bank Perkreditan Rakyat. Hal ini ditunjukkan oleh nilai signifikansi = 0,270 yang lebih besar dari α = 0,05. Hal ini berbeda dengan hasil penelitian yang dilakukan oleh peneliti terdahulu Luciana dan Winny (2005) menunjukkan variabel BOPO berpengaruh positif dan signifikan terhadap prediksi kondisi bermasalah BPR. Juga bertentangan dengan penelitian Sugiyanto et al. (2002) bahwa earning power memiliki hubungan terhadap prediksi kondisi bermasalah bank untuk satu tahun dan dua tahun yang akan datang.
6. Pengaruh Loan to Deposit Ratio (X6) terhadap prediksi kondisi bermasalah BankPerkreditan Rakyat.
Berdasarkan hasil penelitian, maka dapat diketahui bahwa variabel rasio Loan to Deposit Ratio (X6) memiliki pengaruh signifikan terhadap prediksi kondisi bermasalah pada Bank Perkreditan Rakyat. Hal ini ditunjukkan oleh nilai Signifikansi = 0,026 yang lebih kecil dari α = 0,05. Pengaruh Loan to Deposit Ratio (X6) terhadap predisksi kondisi bermasalah menunjukkan arah yang negatif. Dapat dikemukakan bahwa dengan semakin rendah rasio Loan to Deposit Ratio (X6) maka akan semakin tinggi potensi Bank Perkreditan Rakyat (BPR) berada dalam kondisi bermasalah pada satu tahun berikutnya.
Hasil ini sejalan dengan penelitian Sugiyanto et al. (2002) bahwa likuiditas memiliki hubungan terhadap prediksi kondisi bermasalah bank untuk satu tahun dan dua tahun yang akan datang.
7. Pengaruh Cash Ratio (X7) terhadap prediksi kondisi bermasalah BankPerkreditan Rakyat.
Berdasarkan hasil penelitian, maka dapat diketahui bahwa variabel rasio Cash Ratio (X7) memiliki pengaruh signifikan terhadap prediksi kondisi bermasalah pada Bank Perkreditan Rakyat. Hal ini ditunjukkan oleh nilai Signifikansi = 0,020 yang lebih kecil dari α = 0,05. Pengaruh cash Ratio (X7) terhadap predisksi kondisi bermasalah menunjukkan arah yang negatif. Dapat dikemukakan bahwa dengan semakin rendah rasio cash Ratio (X7) maka akan semakin tinggi potensi Bank Perkreditan Rakyat (BPR) berada dalam kondisi bermasalah pada satu tahun berikutnya. Hasil ini sejalan dengan penelitian
Sugiyanto et al. (2002) bahwa likuiditas memiliki hubungan terhadap prediksi kondisi bermasalah bank untuk satu tahun dan dua tahun yang akan datang.
Komisaris Independen (Z)
Dengan adanya komisaris independen diharapkan akan mengurangi kemungkinan kondisi bermasalah BPR. Dalam penelitian ini komisaris independen tidak dapat memoderasi hubungan antara rasio-rasio CAEL terhadap prediksi kondisi bermasalah BPR, hal ini terbukti dengan adanya komisaris independen prediksi kondisi bermasalah BPR semakin besar.
Hasil penelitian ini menunjukkan bahwa rasio keuangan Kualitas Aktiva Produktif yang merupakan proksi faktor Asset, rasio keuangan Loan To Deposit Ratio dan Cash Ratio yang merupakan proksi faktor Liquidity memiliki pengaruh yang signifikan dalam memprediksi kondisi bermasalah Bank Perkreditan Rakyat yang berada di wilayah Sumatera Utara untuk satu tahun sebelum kondisi bermasalah BPR sedangkan untuk dua tahun sebelum kondisi bermasalah BPR hanya rasio keuangan Kualitas Aktiva Produktif yang merupakan proksi faktor Asset yang berpengaruh segnifikan dalam memprediksi kondisi bermasalah Bank Perkreditan Rakyat yang berada di wilayah Sumatera Utara. Hasil penelitian tersebut merupakan bukti bahwa dari sekian banyak rasio keuangan CAEL terdapat tiga jenis yang memberikan pengaruh signifikan terhadap prediksi kondidi bermasalah BPR.
Di dalam menganalisis suatu bank pada umumnya perhatian difokuskan pada kecukupan modal bank karena masalah solvensi memang penting. Namun demikian, menganalisis kualitas aktiva produktif secara cermat tidaklah kalah pentingnya. Dalam kondisi normal sebagian besar aktiva suatu bank terdiri dari
kredit dan aktiva lain yang dapat menghasilkan atau menjadi sumber pendapatan bagi bank, sehingga jenis aktiva tersebut sering disebut sebagai aktiva produktif.
Kualitas aktiva produktif bank yang sangat jelek secara implisit akan menghapus modal bank. Walaupun secara riil bank memiliki modal yang cukup besar, apabila kualitas aktiva produktifnya sangat buruk dapat saja kondisi modalnya menjadi buruk pula. Hal ini antara lain terkait dengan berbagai permasalahan seperti pembentukan cadangan, penilaian asset, pemberian pinjaman kepada pihak terkait, dan sebagainya.
Dalam prakteknya sering kali bank seperti Bank Perkreditan Rakyat dimiliki dan dikendalikan oleh individu, keluarga, atau kelompok kecil yang sepenuhnya mengendalikan dan mencengkeram pengurus atau pengelola bank.
Dengan keadaan tersebut dapat dipastikan bahwa good corporate governance, sistem pengendalian intern dan bahkan para pengawas ekstern menjadi tidak berfungsi. Kepemilikan bank juga sering terkait dengan kepemilikan badan usaha komersial nonbank yang lain. Hal ini juga akan medorong pemberian pinjaman kepada pihak terkait. Dengan trik‐trik sederhana pemberian pinjaman kepada pihak terkait ini juga dapat dikaburkan sehingga akan sulit dideteksi oleh para pengawas. Hal‐hal tersebut pada akhirnya akan memperburuk kondisi aktiva produktif bank.
Untuk dapat menjalankan fungsinya dengan baik, BPR harus mempunyai modal yang cukup, menjaga kualitas asetnya dengan baik, dikelola dengan baik dan dioperasikan berdasarkan prinsip kehati‐hatian, menghasilkan keuntungan yang cukup untuk mempertahankan kelangsungan usahanya, serta memelihara likuiditasnya sehingga dapat memenuhi kewajibannya setiap saat. Selain itu, suatu
bank harus senantiasa memenuhi berbagai ketentuan dan aturan yang telah ditetapkan, yang pada dasarnya berupa berbagai ketentuan yang mengacu pada prinsip‐prinsip kehati‐hatian di bidang perbankan.
Laba berhubungan dengan biaya yang digunakan untuk operasional terhadap pendapatan operasional. Untuk mempertahankan kesehatan Bank Perkreditan Rakyat perlu adanya perbaikan manajemen untuk meningkatkan laba perusahaan. Harus diakuia bahwa salah satu parameter untuk mengukur tingkat kesehatan suatu bank adalah kemampuan bank untuk memperoleh keuntungan.
Perlu diketahui bahwa apabila bank selalu mengalami kerugian dalam kegiatan operasinya maka tentu saja lama kelamaan kerugian tersebut akan memakan modalnya. Bank yang dalam kondisi demikian tentu saja tidak dapat dikatakan sehat. Penilaian didasarkan kepada rentabilitas atau earning suatu bank yaitu melihat kemampuan suatu bank dalam menciptakan laba. Implikasi kondisi bermasalah yang terjadi menunjukkan bahwa faktor‐faktor yang mempengaruhi kondisi bermasalah suatu Bank Perkreditan Rakyat terkait dengan faktor penting yang tersaji dalam laporan keuangan. Hasil penelitian ini mengindikasikan bahwa laporan keuangan yang diterbitkan oleh perusahaan Bank Perkreditan Rakyat merupakan salah satu sumber informasi mengenai posisi keuangan, kinerja serta perubahan posisi keuangan, yang berguna untuk mendukung pengambilan keputusan yang tepat. Dengan memperhatikan proses penelitian ini, informasi yang tersaji dalam laporan keuangan harus dikonversi menjadi informasi yang berguna dalam pengambilan keputusan. Hal ini ditempuh dengan cara melakukan analisis laporan keuangan. Alat analsisis CAEL merupakan model yang dapat digunakan dalam melakukan analisis tersebut adalah dalam bentuk rasio‐rasio
keuangan. Keempat faktor CAEL memang merupakan faktor yang menentukan kondisi suatu bank. Apabila suatu bank mengalami permasalahan pada salah satu faktor tersebut, maka bank tersebut akan mengalami kesulitan. Sebagai contoh, suatu bank yang mengalami masalah likuiditas (meskipun bank tersebut modalnya cukup, selalu untung, dikelola dengan baik, kualitas aktiva produktifnya baik) maka apabila permasalahan tersebut tidak segera dapat diatasi maka dapat dipastikan bank tersebut akan menjadi tidak sehat. Pada waktu terjadi krisis perbankan di Indonesia sebetulnya tidak semua bank dalam kondisi tidak sehat, tetapi karena terjadi rush dan mengalami kesulitan likuiditas, maka sejumlah bank yang sebenarnya sehat menjadi tidak sehat atau kondisi bermasalah.
Kondisi bermasalah terjadi sebelum kebangkrutan. Model prediksi kondisi bermasalah perlu dikembangkan, karena dengan mengetahui kondisi tersebut sejak dini diharapkan dapat dilakukan tindakan-tindakan untuk mengantisipasi kondisi yang mengarah pada kebangkrutan. Prediksi kondisi bermasalah seperti ini akan menjadi perhatian banyak pihak antara lain: (1) Pemberi pinjaman. Hasil prediksi kondisi bermasalah mempunyai relevansi terhadap institusi pemberi pinjaman, baik dalam memutuskan apakah akan memberikan suatu pinjaman dan menentukan kebijakan untuk mengawasi pinjaman yang telah diberikan; (2) Investor. Hasil prediksi kondisi bermasalah dapat membantu investor ketika akan menilai kemungkinan masalah suatu perusahaan dalam melakukan pembayaran kembali pokok dan bunga; (3) Pembuat peraturan. Lembaga regulator mempunyai tanggung jawab mengawasi kesanggupan membayar hutang dan menstabilkan perusahaan, hal ini merupakan manfaat model aplikatif untuk mengetahui kesanggupan perusahaan membayar hutang dan menilai stabilitas perusahaan; (4)
Pemerintah. Prediksi kondisi bermasalah juga penting bagi pemerintah dalam antitrust regulation; (5) Auditor. Model prediksi kondisi bermasalah dapat menjadi alat yang berguna bagi auditor dalam membuat penilaian going concern suatu perusahaan; (6) Manajemen. Apabila perusahaan mengalami kebangkrutan maka perusahaan akan menanggung biaya langsung (fee akuntan dan pengacara) dan biaya tidak langsung (kerugian penjualan atau kerugian paksaan akibat ketetapan pengadilan). Sehingga dengan adanya model prediksi kondisi bermasalah sebagaimana dilakukan dalam penelitian ini diharapkan perusahaan dapat menghindari kebangkrutan dan otomatis juga dapat menghindari biaya langsung dan tidak langsung dari kebangkrutan.
BAB 6
KESIMPULAN DAN SARAN
6.1. Kesimpulan
Berdasarkan hasil analisis data serta pembahasan yang dilakukan pada bab sebelumnya, maka penelitian ini menghasilkan beberapa kesimpulan sebagai berikut:
11. Pengujian hipotesis secara serempak (simultan) menunjukkan bahwa variabel independen (CAR, KAP, PPAP, ROA, BOPO, LDR dan CR) berpengaruh signifikan terhadap prediksi kondisi bermasalah BPR baik satu tahun maupun dua tahun sebelum kondisi bermasalah. Sedangkan secara parsial pengujian hipotesis menunjukkan sebagai berikut: (1) Capital Adequacy Ratio (CAR) berpengaruh negatif dan tidak signifikan terhadap prediksi kondisi bermasalah BPR baik satu tahun maupun dua tahun sebelum kondisi bermasalah, (2)KAP berpengaruh positif dan signifikan terhadap prediksi kondisi bermasalah BPR baik satu tahun maupun dua tahun sebelum kondisi bermasalah. (3)rasio PPAP terhadap Total Asset tidak berpengaruh terhadap prediksi kondisi bermasalah, (4) ROA tidak berpengaruh terhadap prediksi kondisi bermasalah BPR, (5) BOPO tidak berpengaruh terhadap prediksi kondisi bermasalah BPR, (6) LDR berpengaruh negatif dan signifikan terhadap prediksi kondisi bermasalah BPR untuk satu tahun sebelum kondisi bermasalah. (7) CR berpengaruh negatif dan signifikan terhadap prediksi kondisi bermasalah BPR untuk satu tahun sebelum kondisi bermasalah.
12. Pengujian hipotesis untuk variabel pemoderasi Komisaris Independen tidak dapat memoderasi hubungan CAR, KAP, PPAP, ROA, BOPO, LDR dan CR terhadap kondisi bermasalah Bank Perkreditan Rakyat.
6.2. Keterbatasan Penelitian
Peneliti telah berusaha melakukan penelitian dengan optimal tetapi terdapat beberapa kendala yang terjadi, yaitu :
1. Periode penelitian yang singkat. Periode yang diamati dalam penelitian ini hanya 1 (satu) tahun yaitu tahun 2011 dan populasi yang terbatas pula yaitu hanya 51 BPR.
2. Variabel independen yang digunakan sebagai dasar untuk memprediksi ROA hanya terbatas pada CAR, KAP, Rasio PPAP terhadap Total Asset, ROA, BOPO, LDR, dan CR. Sesuai dengan SE BI No.6/10/PBI/2004 suatu bank dinyatakan sehat apabila memenuhi criteria CAMELS, dimana “S” adalah sensitivibilitas bank terhadap pasar, sementara dalam penelitian ini unsur penilaian terhadap manajemen dan sensitivibilitas bank terhadap pasar yang mencerminkan risk tidak diteliti.
3. Faktor yang mempengaruhi prediksi kondisi bermasalah Bank Perkreditan Rakyat dari sisi variabel makro ekonomi seperti : inflasi dan faktor makro lainnya tidak diteliti dalam penelitian ini.
6.3. Saran
Berdasarkan penelitian ini maka dibeberapa saran yaitu :
1. Penelitian yang akan datang diharapkan dapat menambah rentang waktu penelitian diatas 6 (enam) tahun, sehingga hasil yang diperoleh akan lebih akurat.
2. Untuk tingkat kesehatan bank diperlukan menambah criteria CAMELS, dimana “S” adalah sensitivibilitas bank terhadap pasar. Sensitivibilitas bank tersebut berupa resiko lingkungan, resiko manajemen, resiko penyerahan, dan resiko keuangan.
3. Perlunya penambahan variabel independen yang mempengaruhi prediksi kondisi bermasalah Bank Perkreditan Rakyat yang tidak diteliti dalam penelitian ini, seperti faktor makro ekonomi, yaitu tingkat inflasi, pertumbuhan ekonomi, kebijakan pemerintah dan lain-lain. Hal ini diindikasikan dari hasil nilai Nagelkerke R Square untuk satu tahun sebelum kondisi bermasalah sebesar 82,9% sedangkan sisanya 17,1% merupakan variabel independen yang mempengaruhi prediksi kondisi bermasalah Bank Perkreditan Rakyat yang tidak diteliti dalam penelitian ini.
4. Model untuk memprediksi kondisi bermasalah BPR dalam penelitian ini adalah
P= 1
1+e -(10,525-0,277CAR + 0,152KAP + 0,100PPAP + 0,091ROA + 0,023BOPO - 0,120LDR - 0,124CR
Maka untuk pejabat BPR yang beroperasi di Wilayah Sumatera Utara agar lebih memperhatikan rasio KAP, LDR, dan CR karena KAP, LDR, dan CR berpengaruh signifikan terhadap prediksi kondisi bermasalah Bank Perkreditan Rakyat. Dimana semakin tinggi nilai KAP maka prediksi kondisi bermasalah BPR akan semakin tinggi, dan jika LDR dan CR semakin rendah maka prediksi kondisi bermasalah BPR akan semakin tinggi.
5. Bank Indonesaia harus lebih ketat lagi dalam pengawasan laporan keuangan yang dilaporkan oleh BPR beroperasi di Wilayah Sumatera Utara. Hal ini dilakukan untuk dapat mengawasi tingkat kesehatan dari BPR tersebut.
DAFTAR PUSTAKA
Bank Indonesia (1997), Surat Keputusan Direksi Bank Indonesia Nomor 30/12/KEP/DIR Tentang Tatacara Penilaian Tingkat Kesehatan Bank Perkreditan Rakyat, 30 April 1997.
_____________ (1997), Surat Edaran Bank Indonesia Nomor 30/3/UPPB Tentang Tatacara Penilaian Tingkat Kesehatan Bank Perkreditan Rakyat , 30 April 1997.
_____________ (2004), Peraturan Bank Indonesia Nomor 6/10/PBI/2004 Tentang Sistem Penilaian Tingkat Kesehatan Bank Umum, 12 April 2004.
_____________ (2004), Surat Edaran Bank Indonesia Nomor 6/23/DPNP Tentang Sistem Penilaian Tingkat Kesehatan Bank Umum, 31 Mei 2004.
_____________ (2005), Peraturan Bank Indonesia Nomor 7/34/PBI/2005 Tentang Tindak Lanjut Penanganan Terhadap Bank Perkreditan Rakyat Dalam Status Pengawasan Khusus, 22 September 2005.
_____________ (2005), Surat Edaran Bank Indonesia Nomor 7/50/DPBPR Tentang. Tindak Lanjut Penanganan Terhadap Bank Perkreditan Rakyat Dalam Status Pengawasan Khusus, 22 September 2005.
_____________ (2006), Peraturan Bank Indonesia No. 8/4/PBI/2006 tentang Pelaksanaan Good Corporate Governance bagi BankUmum, 30 Januari 2006.
_____________ (2006), Peraturan Bank Indonesia No. 8/26/PBI/2006 tentang BPR, 08 Nopember 2006.
Beritasore.com/2011/12/01/ Banyak BPR di Sumut dalam Pengawasan Khusus, 27 Pebruari 2013
Etty M. Nasser, Titik Aryati (2000). “Model Analisis CAMEL Untuk Memprediksi Financial Distress Pada Sektor Perbankan Yang Go Public.”
Jurnal Auditing dan Akuntansi Indonesia. Volume 4. No.2 Desember.
Jakarta.
Hair, Jr., Joseph F, Rolph E. Anderson, Ronald L.Tatman, and William C. Black, (1995), Multivariate Data Analysis With Reading, Fifth Edition, New York : Mac Millan Publishing Company.
Harahap, Sofyan Syafri, (1999), Analisis Kritis atas Laporan Keuangan, Raja Grafindo Persada, Jakarta.
Herliansyah, Yudhi., Syafrudin, Moch dan Ardiyanto, M. Didik (2002), Model Prediksi Kondisi bermasalah Bank Go Public dan Bank Non Go Public di Indonesia, Jurnal Maksi Vol. 1, Agustus 2002
Institut Bankir Indonesia (1999), Kamus Perbankan Indonesia, Institut Bankir Indonesia, Jakarta.
Imam Ghozali (2002), Analisis Multivariate Lanjutan Dengan Program SPSS, Badan Penerbit Universitas Diponegoro, Semarang.
Indira Januarti (2002), Variabel Proksi CAMEL dan Karakteristik Bank Lainnya untuk Memprediksi Kondisi bermasalah Bank di Indonesia, Jurnal Bisnis Strategi Vol. 10/Desember/ Th. VII/ 2002.
Indra Bastian, Suhardjono (2006), Akuntansi Perbankan, Buku 2, Salemba Empat, Jakarta
Lembaran Negara RI (1998), Undang-undang No. 10 Tahun 1998 Tentang Perbankan, Jakarta.
Luciana Spica Almilia dan Winny Herdiningtyas (2005), Analisis Rasio CAMEL terhadap Prediksi Kondisi Bermasalah pada Lembaga Perbankan Perioda 2000-2002, Jurnal Akuntansi dan Keuangan, Vol. 7 No. 2, Nopember 2005.
Munawir S., (2007), Analisa Laporan Keuangan, Cetakan Keempat belas, Liberty, Yogyakarta
Mas’ud Machfoedz (1994), "Financial Ratio Analysis and The Predictions of Earnings Changes in Indonesia, Kelola, No. 7/III/, Universitas Gajah Mada : 114-137.
Payamta & Mas’ud Machfoedz, (1999), Evaluasi Kinerja Perusahaan Perbankan Sebelum dan Sesudah Menjadi Perusahaan Publik di Bursa Effek Jakarta, Kelola, No. 20/VIII/1999, Universitas Gajah Mada : 54-69.
Tarmizi Achmad dan Willyanto Kartiko Kusuno (2003), Analisis Rasio-Rasio Keuangan sebagai Indikator dalam Memprediksi Potensi Kondisi bermasalah Perbankan di Indonesia,Media Ekonomi & Bisnis Vol. XV No. 1 Juni 2003.
Sugiyanto, FX., Prasetiono dan Teddy Hariyanto (2002), Manfaat Indikator-indikator Keuangan dalam Pembentukan Model Prediksi Kondisi Kesehatan Perbankan, Jurnal Bisnis Strategi Vol. 10/ Desember/ th.
VII/ 2002.
REKAPITULASI RASIO CAR, KAP, PPAP Terhadap Total Asst BPR, ROA, BOPOTahun 2011
REKAPITULASI RASIO LDR, CR, RASIO KI TAHUN 2011 DAN KONDISI BPR Tahun 2011
Distribusi Sampel Berdasarkan Kondisi
Kategori Sampel Jumlah Sampel
f ( % )
BPR Bermasalah 10 19,61
BPRTidak Bermasalah 41 80,39
Total sampel 51 100,00
Deskriptif Data
N Minimum Maximum Mean Std. Deviasi
CAR 102 -26,25 56,93 16,61 11,83
KAP 102 0,24 35,33 6,80 9,16
PPAP 102 0,14 30,45 3,57 5,18
ROA 102 -31,61 18,13 1,95 7,57
BOPO 102 45,22 323,49 94,75 42,59
LDR 102 42,39 117,92 84,52 16,55
CR 102 8,70 87,32 31,75 17,15
KI 102 0,00 100,00 43,30 43,06
Valid N (listwise) 102
Lampiran 2
Logistic Regression
Case Processing Summary
Unweighted Casesa N Percent
Selected Cases Included in Analysis 102 100.0
Missing Cases 0 .0
Total 102 100.0
Unselected Cases 0 .0
Total 102 100.0
a. If weight is in effect, see classification table for the total number of cases.
Dependent Variable Encoding Original Value Internal Value
.00000 0
a. Constant is included in the model.
b. Initial -2 Log Likelihood: 100.963
c. Estimation terminated at iteration number 4 because parameter estimates changed by less than .001.
a. Constant is included in the model.
b. The cut value is .500
Variables in the Equation
B S.E. Wald df Sig. Exp(B)
Step 0 Constant -1.411 .249 32.010 1 .000 .244
Variables not in the Equation
Score df Sig.
Step 0 Variables X1 14.187 1 .000
X2 45.894 1 .000
X3 44.161 1 .000
X4 34.758 1 .000
X5 31.441 1 .000
X6 5.675 1 .017
X7 4.368 1 .037
Overall Statistics 64.562 7 .000
Block 1: Method = Enter
Iteration Historya,b,c,d Iteration
-2 Log likelihood
Coefficients
Constant X1 X2 X3 X4
Step 1 1 51.954 .764 -.009 .062 .072 -.026
2 35.889 2.594 -.024 .088 .100 -.049
3 29.640 4.736 -.051 .108 .114 -.069
4 27.113 7.029 -.107 .125 .121 -.081
5 26.074 9.164 -.201 .139 .109 -.085
6 25.869 10.306 -.265 .150 .100 -.090
7 25.863 10.518 -.277 .152 .100 -.091
8 25.863 10.525 -.277 .152 .100 -.091
9 25.863 10.525 -.277 .152 .100 -.091
a. Method: Enter
b. Constant is included in the model.
c. Initial -2 Log Likelihood: 100.963
d. Estimation terminated at iteration number 9 because parameter estimates changed by less than .001.
Iteration Historya,b,c,d
b. Constant is included in the model.
c. Initial -2 Log Likelihood: 100.963
d. Estimation terminated at iteration number 9 because parameter estimates changed by less than .001.
Omnibus Tests of Model Coefficients
Chi-square df Sig.
a. Estimation terminated at iteration number 9 because parameter estimates changed by less than .001.
Hosmer and Lemeshow Test
Step Chi-square df Sig.
1 12.994 8 .112
Contingency Table for Hosmer and Lemeshow Test
Y = .00000 Y = 1.00000
Total Observed Expected Observed Expected
Step 1 1 10 10.000 0 .000 10
Contingency Table for Hosmer and Lemeshow Test
Y = .00000 Y = 1.00000
Total Observed Expected Observed Expected
Step 1 9 1 3.284 9 6.716 10
Correlation Matrix
+
Unweighted Casesa N Percent
Selected Cases Included in Analysis 102 100.0
Missing Cases 0 .0
Total 102 100.0
Unselected Cases 0 .0
Total 102 100.0
a. If weight is in effect, see classification table for the total number of cases.
Dependent Variable Encoding Original Value Internal Value
.00000 0
1.00000 1
Block 0: Beginning Block
Iteration Historya,b,c
a. Constant is included in the model.
b. Initial -2 Log Likelihood: 100.963
c. Estimation terminated at iteration number 4 because parameter estimates changed by less than .001.
a. Constant is included in the model.
b. The cut value is .500
Variables in the Equation
B S.E. Wald df Sig. Exp(B)
Step 0 Constant -1.411 .249 32.010 1 .000 .244
Variables not in the Equation
Score df Sig.
Overall Statistics 71.276 15 .000
Block 1: Method = Enter
Iteration Historya,b,c,d
Iteration
-2 Log likelihood
Coefficients
Constant X1 X2 X3 X4
Step 1 1 46.466 2.944 -.001 .026 .098 -.019
2 26.249 7.047 -.022 .014 .188 -.006
3 16.002 13.256 -.037 .001 .310 .003
4 9.873 21.417 -.032 .001 .483 .017
5 6.017 35.444 -.073 .017 .704 .069
6 3.004 62.578 -.245 .063 1.019 .212
7 1.206 97.547 -.403 .134 1.577 .401
8 .446 138.672 -.546 .224 2.363 .660
9 .164 180.003 -.682 .309 3.163 .915
10 .061 220.930 -.811 .391 3.968 1.167
11 .022 261.638 -.935 .472 4.785 1.420
12 .008 302.222 -1.053 .553 5.614 1.674
13 .003 342.730 -1.168 .634 6.455 1.932
14 .001 383.194 -1.281 .715 7.302 2.191
15 .000 423.632 -1.392 .796 8.154 2.451
16 .000 464.059 -1.502 .877 9.007 2.711
17 .000 504.478 -1.612 .958 9.862 2.972
18 .000 544.894 -1.722 1.040 10.717 3.233
19 .000 585.308 -1.832 1.121 11.572 3.494
20 .000 625.720 -1.942 1.202 12.428 3.755
a. Method: Enter
b. Constant is included in the model.
c. Initial -2 Log Likelihood: 100.963
d. Estimation terminated at iteration number 20 because maximum iterations has been reached.
Final solution cannot be found.
Iteration Historya,b,c,d
Iteration
Coefficients
X5 X6 X7 Z X1Z X2Z X3Z
Step 1 1 .006 -.042 -.061 -.040 .000 .001 -.001
2 .017 -.090 -.125 -.068 .000 .002 -.004
3 .031 -.166 -.207 -.100 .000 .003 -.008
4 .055 -.280 -.316 -.129 .000 .004 -.014
5 .084 -.456 -.485 -.183 .001 .006 -.021
6 .112 -.749 -.777 -.278 .002 .009 -.032
7 .151 -1.143 -1.170 -.409 .004 .012 -.048
8 .195 -1.614 -1.634 -.709 .005 .016 -.069
9 .240 -2.089 -2.102 -1.023 .006 .020 -.090
10 .286 -2.563 -2.566 -1.329 .008 .024 -.111
11 .332 -3.036 -3.028 -1.631 .009 .028 -.132
12 .379 -3.511 -3.489 -1.932 .010 .032 -.153
13 .426 -3.986 -3.949 -2.232 .011 .036 -.175
14 .473 -4.462 -4.410 -2.532 .012 .040 -.197
15 .521 -4.938 -4.870 -2.832 .014 .044 -.218
16 .569 -5.414 -5.331 -3.132 .015 .048 -.240
17 .616 -5.891 -5.791 -3.432 .016 .052 -.262
18 .664 -6.367 -6.251 -3.732 .017 .056 -.284
19 .712 -6.843 -6.711 -4.032 .018 .060 -.306
20 .760 -7.320 -7.171 -4.332 .019 .064 -.328
a. Method: Enter
b. Constant is included in the model.
c. Initial -2 Log Likelihood: 100.963
d. Estimation terminated at iteration number 20 because maximum iterations has been reached.
Final solution cannot be found.
Iteration Historya,b,c,d
b. Constant is included in the model.
b. Constant is included in the model.