BAB IV HASIL PENELITIAN DAN PEMBAHASAN
4.3 Pembahasan
Berdasarkan hasil perhitungan rasio pada masing-masing perusahaan perbankan, dilakukan perhitungan Springate Score kemudian nilai Springate S-Score tersebut dibandingkan dengan standar yang telah diterapkan Springate agar dapat memprediksi kondisi masing-masing perusahaan perbankan. Adapun rumus dari model Springate S-Score dalam penelitian ini adalah sebagai berikut:
S-Score = 1.03X1 + 3.07X2 + 0.66X3 + 0.4X4
Menggunakan rumus Springate S-Score tersebut, maka dapat dibuat perhitungan untuk mencari nilai S-Score. PT. Bank Rakyat Indonesia Agroniaga Tbk (AGRO) pada tahun 2017 adalah:
S = 1.03X1 + 3.07X2 + 0.66X3 + 0.4X4
82
= 1.03 (0,212814) +3.07 (0,627213) +0.66 (0,264794) +0.4 (0,105918)
= 0,962584
Setelah memasukkan keempat rasio keuangan yang akan diuji kedalam rumus Springate S-Score kemudian digolongkan kedalam standar penilaian untuk menentukan prediksi kebangkrutan perusahaan perbankan yang telah ditentukan, standar penilaian tersebut adalah sebagai berikut:
3. S > 0,862 perusahaan masuk dalam kategori kondisi perusahaan non-financial distress. Perusahaan tidak berpotensi mengalami kebangkrutan.
4. S < 0,862 perusahaan masuk ke dalam kategori kondisi perusahaan financial distress. Perusahaan berpotensi sebagai perusahaan bangkrut.
Tabel 4.7
Hasil Perhitungan S-Score pada Tahun 2017-2019
No Nama
7 BBNI 0,994397
84 prediksi dari perusahaan perbankan yang terdaftar di Bursa Efek Indonesia. Pada tahun 2017 terdapat 12 perusahaan perbankan berada pada kondisi non-financial distress (tidak mengalami kesulitan keuangan) dan terdapat 19 perusahaan perbankan yang di prediksi mengalami financial distress (kesulitan keuangan). Pada tahun 2018 terdapat penambahan satu perusahaan perbankan yang berada pada kondisi non-financial distress yaitu Bank Oke Indonesia, Tbk (DNAR) namun terdapat satu perusahaan yang pada tahun 2017 berada pada kondisi non-financial distress di prediksi mengalami financial distress pada tahun 2018 sehingga terdapat 12 perusahaan perbankan berada pada kondisi non-financial distress (tidak mengalami kesulitan keuangan) dan terdapat 19 perusahaan perbankan yang di prediksi mengalami financial distress. Pada tahun 2019 terdapat satu perusahaan perbankan yang pada tahun 2018 pada kondisi non-financial distress namun pada tahun 2019 di prediksi mengalami financial distress dan terdapat satu perusahaan perbankan yang pada tahun 2018 di prediksi mengalami financial distress namun pada tahun 2019 berada pada kondisi non-financial distress, sehingga12 perusahaan perbankan berada
Universitas Sumatera Utara
pada kondisi non-financial distress (tidak mengalami kesulitan keuangan dan terdapat 19 perusahaan perbankan yang di prediksi mengalami financial distress.
Berdasarkan pembahasan diatas dapat dilihat bahwa terdapat 11 perusahaan perbankan konsisten mempertahankan kinerjanya dengan baik sehingga dalam tahun 2017-2019 perusahaan berada pada kondisi non-financial distress atau tidak berpotensi mengalami kebangkrutan. Terdapat dua perusahaan yang tidak konsisten dan terdapat 18 perusahaan perbankan yang dalam tahun pengamatan berada pada kondisi financial distress, hal ini perlu menjadi perhatian dan evaluasi bagi pihak manajemen perusahaan agar kondisi perusahaan dapat membaik untuk tahun selanjutnya dan terhindar dari kebangkrutan.
Berdasarkan table 4.6 Hasil Capital Adequancy Ratio (CAR) Perusahaan Perbankan yang Terdaftar di Bursa Efek Indonesia Tahun 2017-2019 terdapat perbedaan hasil keadaan kondisi perusaahan perbankan apabila dibandingkan dengan Tabel 4.7 Hasil Perhitungan S-Score pada Tahun 2017-2019. Terdapat beberapa perusahaan yang dalam kondisi kecukupan modal atau Capital Adequacy Ratio (CAR) berada dalam kondisi baik namun berdasarkan perhitungan springate s-score perusahaan tersebut berada pada kondisi kesehatan yang buruk dan di prediksi mengalami financial distress.
Bank yang memiliki kondisi CAR tidak sehat, baik yang berada di bawah batas standar, seperti Bank MNC Internasional Tbk (BABP) pada tahun 2017, Bank
86
Daerah Banten, Tbk (BEKS) pada tahun 2017,2018 dan 2019 jika dilihat pada hasil perhitungan springate s-score berada pada kondisi financial distress atau pada kondisi yang tidak sehat. Begitu pula dua bank yang nilai persentase CAR ketat di ambang batas aman, yakni Bank J Trust Indonesia, Tbk (BCIC) dan Bank Mayapada International, Tbk (MAYA) 2019 jika dilihat pada hasil perhitungan springate s-score berada pada kondisi financial distress atau pada kondisi yang tidak sehat.
Tabel 4.8
Hasil perbandingan jumlah bank yang sehat antara menggunakan perhitungan CAR dengan Springate-Score
Tahun Capital Adequacy Ratio (CAR)
Springate S-Score
2017 28 12
2018 30 12
2019 29 12
Universitas Sumatera Utara
88 BAB V
KESIMPULAN DAN SARAN 5.1 Kesimpulan
Capital Adequacy Ratio (CAR) lebih relavan dalam memprediksi kondisi kesehatan pada perusahaan perbankan dibandingk menggunakan modal Springate S-Score yang hanya menggunakan pengukuran dengan rasio-rasio keuangan pada perusahaan umum. Penilaian kondisi kesehatan bank dengan Capital Adequacy Ratio (CAR) lebih relavan untuk digunaan karena sumber pendanaan bank yang sebagian besar dari nasabah, sehingga penting untuk menjamin keberlangsungan perbankan melalui pemantauan rasio kecukupan modal (CAR). Model Springate S-Score dapat memprediksi potensi terjadinya financial distress (kesulitan keuangan) pada perusahaan perbankan yang terdaftar di Bursa Efek Indonesia (BEI) pada tahun 2017-2019. Pada tahun 2017 terdapat 12 perusahaan perbankan berada pada kondisi non-financial distress dan 19 perusahaan perbankan yang di prediksi mengalami non-financial distress. Pada tahun 2018 terdapat penambahan satu perusahaan perbankan yang berada pada kondisi non-financial distress dan terdapat satu perusahaan yang pada tahun 2017 berada pada kondisi non-financial distress di prediksi mengalami financial distress pada tahun 2018, sehingga terdapat 12 perusahaan perbankan berada pada kondisi non-financial dan terdapat 19 perusahaan perbankan yang di prediksi mengalami financial distress. Pada tahun 2019 terdapat12 perusahaan perbankan berada pada kondisi non-financial distress dan 19 perusahaan perbankan yang di prediksi mengalami financial distress. Perbedaan hasil kondisi kesehatan
Universitas Sumatera Utara
perbankan dengan menggunakan perhitungan Capital Adequacy Ratio (CAR) dimana bank yang berada pada kondisi sehat ternyata tidak dalam kondisi sehat dalam perhitungan model springate s-core, namun dapat dilihat CAR bank yang dibawah standar atau di ambang batas ketetapan Bank Indonesia ternyata diprediksi mengalami financial distress atau berada pada kondisi yang tidak sehat. Berdasarkan hasil perhitungan menggunaka CAR dan Springate S-Score perlu menjadi perhatian dan evaluasi bagi pihak manajemen perusahaan agar kondisi perusahaan dapat membaik untuk tahun selanjutnya dan memperkecil peluang potensi terjadinya kebangkrutan yang disebabkan oleh financial distress pada perusahaan perbankan.
5.2 Saran
Berdasarkan kesimpulan yang telah diuraikan maka peneliti memberikan beberapa saran, yaitu:
1. Bagi Perusahaan
Berdasarkan hasil penelitian ini, dalam menjaga kondisi keuangan perusahaan agar tidak pada kondisi financial distress dan terhindar dari gangguan yang mengancam kelangsungan hidup perusahaan, manajemen perusahana perlu berhati-hati dalam mengambil kebijakan yang akan dijalankan oleh perusahaan, serta harus berhati-hati dalam mengelola dan melakukan tiap kegiatan operasional. Manajemen perusahaan sebaiknya melakukan evaluasi terhadap kinerja perusahaan serta dapat melakukan perbaikan dan menerapkan kebijakan baru untuk mengatasi permasalahan yang dapat mengancam
90
kesehatan perusahaan. Hal ini terutama bagi perusahaan yang berpotensi mengalami financial distress atau berpotensi mengalami kebangkrutan, yang disebabkan rendahnya rasio likuiditas dan profitabilitas, sebaiknya pihak manajemen perusahaan lebih efektif dan efisien lagi dalam melakukan manajemen asset perusahaan agar tidak pada kondisi modal kerja negatif.
Sebaiknya manajemen perusahaan lebih meningkatkan efektifitas dan efisiensi dalam pengelolaan aktiva yang dimiliki dengan meningkatkan aktiva lancar.
2. Bagi Peneliti Selanjutnya
penelitian-penelitian selanjutnya agar menggunakan model-model prediksi financial distress lainnya guna memperkecil peluang kebangkrutan pada perusahaan agar dapat dijadikan sebagai perbandingan untuk memprediksi potensi terjadinya financial distress dan apabila menggunakan rasio keuangan yang lebih spesifik untuk perusahaan perbankan.
Universitas Sumatera Utara
DAFTAR PUSTAKA
Almilia, Luciana dan Kristijadi, 2003. “Analisis Rasio Keuangan untuk Memprediksi Kondisi Financial Distress Perusahaan Manufaktur yang Terdaftar di Bursa Efek Jakarta”.Jurnal Akuntansi
Beraver, H. William, Correia, Maria & McNichols, F. Maureen. (2010). ”Financial Statement Analysis and the Prediction of Financial Distress”. Foundation and Trends in Accounting, VOL. 5, No. 2, hlmn 99-173.
Dahlan Siamat, 2005. Manajemen Lembaga Keuangan “Kebijakan Moneter dan Perbankan”, Jakarta : Fakultas Ekonomi Universitas Indonesia, edisi kesatu Darmawi, Herman (2012). Manajemen Perbankan. Jakarta: Bumi Aksara.
Erlina. (2008). Metodologi Penelitian Bisnis: untuk Akuntansi dan Manajemen.
Medan: USU Press.
Etta Citrawati Yuliastary, Made Gede Wirakusuma. 2014. “Analisis Financial Distress dengan Metode Z-score Altman, Springate, Zmijewski”. Jurnal Akuntansi Universitas Udayana Volume 6, Nomor 3. Hal 379-389.
Fadrul, F. and Ridawati, R. (2020) “Analysis of Method Used to Predict Financial Distress Potential in Pulp and Paper Companies of Indonesia”, International Journal of Economics Development Research (IJEDR), 1(1), pp. 57 - 69.
Fahmi, Irham. (2017). Analisis Laporan Keuangan. Cetakan Ke-6. Bandung:
Alfabeta.
Harahap, Sofyan Syafri (2008). Analisis Kritis Atas Laporan Keuangan. Jakarta: PT.
Raja Grafindo Persada.
https://idx.co.id
Ihsan dan Kartika (2015). “Potensi Kebangkrutan Pada Sektor Perbankan Syariah Untuk Menghadapi Perubahan Lingkungan Bisnis”. UIN Syarif Hidayatullah Jakarta, Vol 4 No. 2, hlmn 113- 146.
Iqbal, Riyadi, Sabrianti dan Afidah (2018). “Pemetaan Tingkat Kesulitan Keuangan Bank Syariah Di Indonesia”. Jurnal Economia, Perbanas Institute, Indonesia, Vol. 14, No, 2.
Kasmir (2015). Dasar-Dasar Perbankan Edisi Revisi. Jakarta: PT. Raja Grafindo
92
Kasmir. 2008. Analisis Laporan Keuangan. Cetak. Jakarta: PT. Raja Grafindo Persada.
Kieso dan Weygandt 1995. Intermediate Accounting : Akuntansi Intermediate.Diterjemahkan Herman Wibowo. Edisi ketujuh.Jilid 1. Jakarta : Binarupa Aksara
Ko, Li-Jen, Blocher, J. Edward, Lin, P. 2001. Prediction of Corporate Financial Distress: An Application of the Composite Rule Induction System. The International Journal of Digital Accounting Research, Vol. 1, No 1, hlmn 69-85.
Kurniasari dan Ghozali 2013. “Analisis Pengaruh Rasio Camel Dalam Memprediksi Financial Distress Perbankan Indonesia.” Diponegoro Journal Of Accounting, Vol. 2, No.4, halm 1-10.
Sinarti. dan Tia Maria Sembiring, 2015. “Bankruptcy Prediction Analysis of Manufacturing Companies Listed in Indonesia Stock Exchange.” International Journal of Economics and Financial Issues 5(Special Issue) 354-359.
Sirait, Pirmatua. 2017. Analisis Laporan Keuangan. Yogyakarta : Ekuilibria
Subramanyam, K. R., & Wild, J. J. 2013. Analisis Laporan Keuangan. Jakarta:
Salemba Empat.
Subramanyam, K.R. 2017. Analisis Laporan Keuangan. Edisi Kesebelas. Jakarta:
Salemba Empat
Sugiyono 2016. Metode Penelitian Administrasi. Cetakan Ke-23. Bandung: Alfabeta.
Suhadi dan Kusumaningtias 2018. “Pengaruh Rasio Keuangan Terhadap Kondisi Financial Distress Bank Umum Syariah Di Indonesia.” Jurusan Akuntansi, Fakultas Ekonomi, Universitas Negeri Surabaya, Vol 6, No 3.
Suwandani, V.P dan Nuzula, N.F, 2017. “Springate S-Score Model Untuk Memprediksi Financial Distress Perusahaan (Studi pada Perusahaan Tekstil dan Garmen yang Terdaftar di Bursa Efek Indonesia Periode 2006-2015)”, Jurnal Adiministrasi Bisnis (JAB), Vol. 47, No. 1.
Wahyu, Wadri, 2017. Analisis Deteksi Potensi Kebangkrutan Perbankan Pada Bank Milik Pemerintah Periode 2011-2015 [Skripsi]. Pekanbaru [ID]: Universitas Islam Negeri Sultan Syarif Kasim Riau.
Yoseph A. Catarina (2018). Analisis Prediksi Kebangkrutan Metode Altman, Springate, Smijewski Dan Grover Dalam Kondisi Financial Distress (Studi
Universitas Sumatera Utara
Empiris Terhadap Perusahaan Manufaktur Yang Terdaftar Di Bursa Efek Indonesia 2011-2015) [Skripsi]. Yogyakarta [ID]: Universitas Sanata Dharma.
94
DAFTAR LAMPIRAN Lampiran 1
Daftar Populasi Penelitian
No Kode Nama Perusahaan Tanggal Listing
1. AGRO Bank Rakyat Indonesia Agro Niaga, Tbk 08 Agustus 2003 2. AGRS Bank IBK Indonesia, Tbk 22 Desember 2014 3. ARTO Bank artos Indonesia, Tbk 12 Januari 2016 4. BABP Bank MNC Internasional,Tbk 15 Juli 2002 5. BACA Bank Capital Indonesia, Tbk 08 Oktober 2007
6. BBCA Bank Central Asia, Tbk 31 Mei 2000
7. BBHI Bank Harda Internasional, Tbk 12 Agustus 2015
8. BBKP Bank Bukopin, Tbk 10 Juli 2006
9. BBMD Bank Mestika Dharma, Tbk 08 Juli 2013
10. BBNI Bank Negara Indonesia (Persero), Tbk 25 November 1996 11. BBRI Bank Rakyat Indonesia (Persero), Tbk 10 November 2003 12. BBTN Bank Tabungan Negara (Persero), Tbk 17 Desember 2009 13. BBYB Bank Yudha Bhakti, Tbk 13 Januari 2015 14. BCIC Bank J Trust Indonesia, Tbk 25 Juni 1997 15. BDMN Bank Danamon Indonesia, Tbk 6 Desember 1989 16. BEKS Bank Pembangunan Daerah Banten, Tbk 13 Juli 2001
17. BGTB Bank Ganesha, Tbk 12 Mei 2016
18. BINA Bank Ina Perdana, Tbk 16 Januari 2014 19. BJBR Bank Pembangunan Daerah Jawa Barat,
Tbk
26. BNII Bank Maybank Indonesia, Tbk 21 November 1989
27. BNLI Bank Permata, Tbk 15 Januari 1990
28. BSIM Bank Sinar Mas, Tbk 13 Desember 2010
29. BSWD Bank Of India Indonesia, Tbk 01 Mei 2002
30. BTPN Bank BTPN, Tbk 12 Maret 2008
31. BVIC Bank Victoria International, Tbk 30 Juni 1999
32. DNAR Bank Oke Indonesia, Tbk 11 Juli 2014
33. INPC Bank Arta Graha International, Tbk 29 Agustus 1990 34. MAYA Bank Mayapada International, Tbk 29 Agustus 1997 35. MCOR Bank China Construction Bank Ind., Tbk 03 Juli 2007 41. SDRA Bank Woori Saudara Indonesia, Tbk 15 Desember 2006
Universitas Sumatera Utara
Lampiran 2
Daftar Sampel Penelitian
No Kode Nama Perusahaan Tanggal Listing
1 AGRO Bank Rakyat Indonesia Agro Niaga, Tbk 08 Agustus 2003
2 BABP Bank MNC Internasional,Tbk 15 Juli 2002
3 BBCA Bank Central Asia, Tbk 31 Mei 2000
4 BBHI Bank Harda Internasional, Tbk 12 Agustus 2015
5 BBKP Bank Bukopin, Tbk 10 Juli 2006
6 BBMD Bank Mestika Dharma, Tbk 08 Juli 2013
7 BBNI Bank Negara Indonesia (Persero), Tbk 25 November 1996 8 BBRI Bank Rakyat Indonesia (Persero), Tbk 10 November 2003 9 BBTN Bank Tabungan Negara (Persero), Tbk 17 Desember 2009
10 BBYB Bank Yudha Bhakti, Tbk 13 Januari 2015
11 BCIC Bank J Trust Indonesia, Tbk 25 Juni 1997 12 BDMN Bank Danamon Indonesia, Tbk 6 Desember 1989 13 BEKS Bank Pembangunan Daerah Banten, Tbk 13 Juli 2001
14 BINA Bank Ina Perdana, Tbk 16 Januari 2014
15 BJBR Bank Pembangunan Daerah Jawa Barat, Tbk
08 Juli 2010 16 BJTM Bank Daerah Jawa Timur, Tbk 12 Juli 2012
17 BKSW Bank ONB Indonesia, Tbk 21 November 2002
18 BMAS Bank Maspion Indonesia, Tbk 11 Juli 2013 19 BMRI Bank Mandiri (Persero), Tbk 14 Juli 2003
20 BNBA Bank Bumi Arta, Tbk 31 Desember 1999
21 BNII Bank Maybank Indonesia, Tbk 21 November 1989
22 BNLI Bank Permata, Tbk 15 Januari 1990
23 BSIM Bank Sinar Mas, Tbk 13 Desember 2010
24 BSWD Bank Of India Indonesia, Tbk 01 Mei 2002
25 BTPN Bank BTPN, Tbk 12 Maret 2008
26 BVIC Bank Victoria International, Tbk 30 Juni 1999
27 DNAR Bank Oke Indonesia, Tbk 11 Juli 2014
28 MAYA Bank Mayapada International, Tbk 29 Agustus 1997 29 MCOR Bank China Construction Bank Ind., Tbk 03 Juli 2007
30 MEGA Bank Mega, Tbk 17 April 2000
31 NISP Bank OCBC NISP, Tbk 20 Oktober 1994
96
2018 0,209685 0,585548 0,010630 0,098066
2019 0,450664 0,392171 0,001251 0,075830
2 BABP 2017 0,061948 0,089711 -0,018895 -0,064450
2018 0,063939 0,089711 0,005638 0,044119 2019 0,038392 0,071618 0,002253 0,047313 3 BBCA 2017 0,422824 0,306254 0,148931 0,090118
2018 0,415565 0,255715 0,091171 0,141933
2019 0,566049 0,213022 0,064093 0,037891
4 BBHI 2017 0,077433 0,069899 0,001751 0,036192
2018 0,041468 0,065802 0,014469 0,040163 2019 0,077433 0,038066 0,005121 0,036129
5 BBKP 2017 0,069048 0,061916 0,000868 0,037057 2018 0,081944 0,022096 0,001789 0,036953
2019 0,069048 0,001064 0,001068
0,034257 6 BBMD 2017 0,403733 0,403578 0,035349 0,079225
Universitas Sumatera Utara
2018 0,393610 0,459798 0,054986 0,078506 2019 0,364433 0,488203 0,0485190 0,082009
7 BBNI 2017 0,341473 0,550220 0,030480 0,072224 2018 0,363994 0,498122 0,032116 0,075016 2019 0,408111 0,440334 0,031699 0,068881
8 BBRI 2017 0,396864 0,449188 0,449188 0,038148 2018 0,465792 0,378926 0,042199 0,072783 2019 0,383158 0,403315 0,034415 0,076552
9 BBTN 2017 0,369030 0,356103 0,113778 0,031905 2018 0,434278 0,303180 0,100988 0,032555
2019 0,484229 0,339470 0,012683 0,035563
10 BBYB 2017 0,141127 0,012301 0,003150 0,003150 2018 0,140440 0,069865 -0,000269 0,053394 2019 0,116747 0,026092 0,000651 0,044745 11 BCIC 2017 0,085436 0,158888 -0,018418 0,027954 2018 0,070889 0,057003 -0,017452 0,030661 2019 -0,006635 0,140619 0,001813 0,043322
12 BDMN 2017 0,531554 0,165085 0,048860 0,206078 2018 0,401674 0,199854 0,032979 0,239595
2019 0,459923 0,194693 0,038118 0,195846
13 BEKS 2017 0,048964 -0,040025 -0,010036 0,030917 2018 0,345953 0,086724 0,028749 0,051473 2019 0,372255 0,094123 0,031172 0,058733
14 BINA 2017 0,353055 0,114573 0,008388 0,044560 2018 0,366696 0,213489 0,004253 0,029966 2019 0,389570 0,295801 0,171753 0,028404
15 BJBR 2017 0,215770 0,045407 0,012341 0,043019 2018 0,250986 0,250986 0,014819 0,041900 2019 0,274748 0,051180 0,015260 0,041569
16 BJTM 2017 0,369729 0,299844 0,153399 0,041100 2018 0,498311 0,186272 0,046774 0,019724 2019 0,401786 0,374862 0,140179 0,022220
17 BKSW 2017 0,306021 -0,118099 -0,030934 0,035074 2018 -0,021916 0,003853 0,001087 0,030918
2019 0,041501 0,000553 0,000156 0,027420
18 BMAS 2017 0,088329 0,047358 0,012810 0,035409 2018 0,070726 0,043786 0,011612 0,033931 2019 0,053634 0,034178 0,008487 0,033496
19 BMRI 2017 0,518383 0,347247 0,042339 0,064449
0,515711 0,342030 0,050058 0,062117
98
2019 0,505238 0,317863 0,048282 0,059482
20 BNBA 2017 0,101996 0,054024 0,014586 0,040319 2018 0,168789 0,053303 0,015886 0,037200
2019 0,170078 0,069166 0,008508 0,035616
21 BNII 2017 0,021088 0,044796 0,010827 0,040539 2018 0,132759 0,052608 0,014963 0,038213
2019 0,151213 0,047356 0,013769 0,042815
22 BNLI 2017 0,206014 0,014739 0,006060 0,038521 2018 0,208053 0,022728 0,007628 0,034318
2019 0,209143 0,038234 0,012272 0,032912
23 BSIM 2017 0,127856 0,041142 0,011912 0,047634 2018 0,087630 0,007574 0,002152 0,048782 2019 0,060682 0,006877 0,002105 0,058941 24 BSWD 2017 0,118075 -0,030601 0,029272 0,028201 2018 0,066445 0,012175 0,002565 0,035088 2019 -0,031614 0,015236 0,005431 0,035740 25 BTPN 2017 0,224676 0,385350 0,066419 0,254241 2018 0,226564 0,392391 0,115395 0,295699 2019 0,254753 0,321780 0,070551 0,309748 26 BVIC 2017 0,171916 0,020003 0,005033 0,036067 2018 0,196461 0,010275 0,002714 0,035306 2019 0,200191 0,000587 -0,000716 0,034102
27 DNAR 2017 0,321688 0,016457 0,004615 0,032122 2018 0,440573 0,220818 0,171643 0,037987 2019 0,491464 0,003969 -0,003449 0,032274
28 MAYA 2017 00,137303 0,037388 0,009523 0,037706 2018 0,157218 0,021222 0,005517 0,037080
2019 0,152506 0,023588 0,006083 0,038567
29 MCOR 2017 0,395470 0,265518 0,169804 0,030196 2018 0,469969 0,471727 0,013571 0,033235 2019 0,535028 0,404655 0,009484 0,029129 30 MEGA 2017 -0,135809
0,439376 0,017011 0,049451
2018 -0,127303 0,396439 0,020610 0,042327 2019 0,114749 0,025288 0,029826 0,098191
31 NISP 2017 0,400929 0,312142 0,125408 0,033185 0,117450 0,118756 2018 0,421948 0,399434 0,117450 0,030978
2019 0,423442 0,325208 0,118756 0,033764
Universitas Sumatera Utara
Lampiran 5
Hasil Perhitungan S-Score
No Nama Bank 2017 2018 2019
1 AGRO 0,962584 0,903929 0,919917
2 BABP 0,021489 0,203406 0,159576
3 BBCA 0,928128 0,904385 0,881055
4 BBHI 0,163142 0,161902 0,156749
5 BBKP 0,118915 0,142781 0,105437
6 BBMD 0,921886 0,986900 0,983164
7 BBNI 0,994397 0,969249 0,949025
8 BBRI 0,961306 0,959701 0,897439
9 BBTN 0,870815 0,871000 0,871945
10 BBYB 0,206965 0,263429 0,188234
11 BCIC 0,253860 0,141100 0,179119
12 BDMN 0,951576 0,874103 0,888580
13 BEKS 0,029820 0,512898 0,556283
14 BINA 0,520576 0,114404 0,325528
15 BJBR 0,316537 0,360282 0,382758
16 BJTM 0,864073 0,751081 0,939047
17 BKSW 0,192062 0,013943 0,069630
18 BMAS 0,183907 0,160055 0,129796
19 BMRI 0,972418 0,969916 0,930864
20 BNBA 0,210926 0,275178 0,283368
100
21 BNII 0,117249 0,238544 0,255153
22 BNLI 0,255334 0,272727 0,292562
23 BSMI 0,228545 0,146137 0,128604
24 BSWD 0,144948 0,116273 0,024793
25 BTPN 0,930687 0,902159 0,956833
26 BVIC 0,233019 0,244756 0,232990
27 DNAR 0,374882 0,610095 0,516320
28 MAYA 0,221920 0,221036 0,220743
29 MCOR 0,860988 0,988501 0,978296
30 MEGA 0,370029 0,332074 0,268053
31 NISP 0,871663 0,969809 0,901170
Universitas Sumatera Utara
LAMPIRAN 6
Hasil Capital Adequancy Ratio (CAR) Perusahaan Perbankan yang Terdaftar di Bursa Efek Indonesia Tahun 2017-2019
No Kode Perusahaan Capital Adequancy Ratio (CAR)
2017 2018 2019