APLIKASI MODEL ARTIF ICIAL NEURAL NETWORK PADA ANALISIS DETERMINAN PROFITABILITAS BANK SYARIAH
(Studi Empiris Pada Bank Syariah Di Indonesia Periode 2006.Q1 – 2016.Q1)
Hantoro Ksaid Notolegowo1), Arif Pujiyono1)
1
Jurusan Ilmu Ekonomi dan Studi Pembangunan, Universitas Diponegoro, Jalan Prof. Soedharto SH Tembalang, Semarang, 50239
E-mail: [email protected]
Abstract
This study aimed to analyze the influence of internal and external Bank variables to profitability Return on Asset (ROA) of Islamic Bank in Indonesia using Artificial Neural Network (ANN). This study also trying to analyze the best models between Artificial Neural Network (ANN) and Multiple Linear Regression (MLR) by comparing the value of Mean Squares Error (MSE). Data used in this study are quarterly data from 2006.Q1 until 2016.Q1. Variables used in this study consisted of independent variables and dependent variables. Non Performing Financing (NPF), Financing to Deposit Ratio (FDR), Operating Expenses to Operating Income (BOPO), Size, Inflation and Gross Domestic Product (GDP) are used as independent (input) variable. Profitability Return on Assets (ROA) of Islamic Banks is used as dependent (output) variable. The results using ANN showed that from seven independent variables are used, the BOPO variables is the most influental variables in determining profitability Return on Asset (ROA). Then, the other variables also influence ROA, they are GDP, FDR, Size, Inflation Rate, and NPF. The best model testing showed that ANN is better than MLR because it give lower value of Mean Square Error (0,00069 compared 0,111). Thus ANN give more accurate prediction than MLR.
Keywords: profitability, islamic bank, accuracy, ANN, MLR
Abstrak
Penelitian ini bertujuan untuk menganalisis pengaruh variabel internal dan eksternal bank terhadap profitabilitas Return on Asset (ROA) Bank Syariah di Indonesia menggunakan Artificial Neural Network (ANN). Penelitian ini juga mencoba membandingkan hasil pengujian Artificial Neural Network (ANN) dengan Multiple Linear Regression (MLR) untuk mendapatkan model terbaik dengan membandingkan nilai Mean Square Error (MSE). Data yang digunakan dalam penelitian merupakan data triwulanan periode 2006.Q1 sampai dengan 2016.Q1. Variabel yang digunakan dalam penelitian terdiri dari variabel independen dan variabel dependen. Variabel Non Performing Financing (NPF), Financing to Deposit Ratio (FDR), Biaya Operasional terhadap Pendapatan Operasional (BOPO), Size, Inflasi dan Produk Domestik Bruto (PDB) digunakan sebagai variabel independen (input). Variabel profitabilitas Return on Asset (ROA) Bank Syariah digunakan sebagai variabel dependen (output). Jumlah sampel sebesar 41. Hasil pengujian menggunakan ANN menunjukkan bahwa variabel BOPO merupakan variabel yang paling berpengaruh terhadap profitabilitas Return on Asset (ROA). Variabel berikutnya yang berpengaruh adalah PDB, FDR, Size, Inflasi, dan NPF. Pengujian model terbaik menunjukkan bahwa ANN lebih baik dari MLR karena menghasilkan nilai Mean Square Error (MSE) lebih rendah (0,00069 banding 0,111). Dengan demikian ANN menghasilkan prediksi yang lebih akurat dibandingkan MLR.
Kata Kunci: profitabilitas, bank syariah, akurasi, ANN, MLR
PENDAHULUAN
yang mengandung unsur riba, maisir, dan gharar. Selain itu, tata cara pelaksanaan atau proses dalam menjalankan aturan, memiliki kesesuaian dengan nilai-nilai dan etika Islam, seperti kejujuran, keadilan, dan kemaslahatan. Bisnis bank baik konvensional maupun syariah merupakan bisnis yang dibangun atas dasar kepercayaan. Kegiatan utama bank syariah dan bank pada umumnya adalah menjalankan amanah dalam menyimpan dan menyalurkan dana yang berasal dari nasabah.
Salah satu faktor yang menentukan tingkat kepercayaan nasabah adalah kinerja bank. Kinerja bank yang semakin baik akan meningkatkan kepercayaan nasabah kepada bank. Oleh karena itu, bank harus terus berupaya menciptakan kinerja yang positif. Indikator yang mampu merepresentasikan dengan baik kinerja bank adalah profitabilitas. Profitabilitas merupakan ukuran kinerja dilihat dari sisi laba, yaitu kemampuan bank dalam memperoleh laba. Pengukuran kinerja berdasarkan laba, menjadi acuan penting dalam menilai kondisi perbankan, karena orientasi utama kegiatan bisnis/ usaha adalah menciptakan laba. Rasio yang biasa digunakan untuk mengukur profitabilitas adalah Return on Asset (ROA) dan Return on Equity (ROE).
Return on Asset (ROA) merupakan ukuran kinerja yang digunakan untuk menilai kemampuan perusahaan dalam menghasilkan laba dari aset yang dimiliki perusahaan. Return on Equity (ROE) merupakan ukuran kinerja yang digunakan untuk menilai kemampuan perusahaan dalam menghasilkan laba dari modal yang berasal dari pemilik perusahaan. Dengan demikian, ROA mengukur tingkat profit dari pendapatan operasi perusahaan, sedangkan ROE mengukur tingkat profit terbatas pada aktivitas investasi yang dilakukan pemilik perusahaan.
Penelitian ini bertujuan untuk menganalisis determinan profitabilitas ROA bank syariah dengan mengukur pengaruh variabel internal dan eksternal bank menggunakan metode ANN. Rasio keuangan yaitu NPF, FDR, BOPO dan ukuran bank (size) merupakan variabel internal yang mempengaruhi proses estimasi. Kondisi makroekonomi Indonesia yaitu tingkat inflasi dan Produk Domestik Bruto (PDB) merupakan variabel eksternal yang mempengaruhi proses estimasi.
Penelitian-penelitian yang menganalisis determinan profitabilitas bank dengan mempertimbangkan faktor internal dan eksternal menggunakan Artificial Neural Network masih terbilang sedikit, khususnya di Indonesia. Penelitian Al-Osaimy (1998) menganalisis kinerja keuangan perbankan syariah menggunakan Kohonen dan Backpropagation Neural Network. Hasil penelitian menunjukkan pentingnya variabel likuiditas dan efisiensi dalam klasifikasi kinerja perbankan syariah.
Abu Bakar dan Tahir (2009) menganalisis determinan profitabilitas Return on Average Asset (ROA) perbankan di Malaysia menggunakan metode Artificial Neural Network (ANN) dan Multiple Linear Regression (MLR). Hasil pengujian menggunakan MLR menunjukkan bahwa variabel yang signifikan mempengaruhi ROA adalah loan loss provision-to-loans ratio (credit risk) dan cost income ratio. Metode ANN memiliki tingkat akurasi yang lebih baik dari MLR didalam melakukan prediksi determinan ROA perbankan di Malaysia.
Penelitian ini merujuk pada penelitian yang dilakukan oleh Al-Osaimy (1998); Abu Bakar dan Tahir (2009) serta Sarokolaei, et. al. (2012) yang menganalisis determinan kinerja perbankan menggunakan ANN dan melakukan studi komparasi akurasi metode ANN dengan MLR.
METODE PENELITIAN Variabel Penelitian
Penelitian ini menganalisis keterkaitan antara variabel dependen dengan variabel independen menggunakan data triwulanan periode 2006.Q1 sampai dengan 2016.Q1. Variabel yang digunakan dalam penelitian disajikan dalam tabel berikut.
Tabel 1
X3 BOPO : Biaya Operasional terhadap Pendapatan Operasional. Digunakan sebagai ukuran efisiensi
X4 Size : ukuran bank berdasarkan total aset
X5 Inflasi : persentase kenaikan harga-harga barang secara umum berdasarkan Indeks Harga Konsumen (IHK)
X6 GDP : Gross Domestic Product
Penelitian ini menggunakan metode Artificial Neural Network (ANN) dalam melakukan analisis data. Jaringan saraf tiruan atau Artificial Neural Network (ANN) merupakan metode analisis yang meniru prinsip kerja otak manusia dalam memecahkan masalah. Jaringan saraf tiruan (Artificial Neural Network), atau disingkat ANN, adalah sistem komputasi di mana arsitektur dan operasi diilhami dari pengetahuan tentang sel saraf biologis didalam otak, yang merupakan salah satu representasi buatan dari otak manusia yang selalu mencoba menstimulasi proses pembelajaran pada otak manusia tersebut (Hermawan, 2006). Alasan dipilihnya ANN sebagai metode analisis dalam penelitian ini karena mampu menghasilkan hasil prediksi yang akurat melalui kemampuannya didalam meminimalkan error pada model. Selain itu, ANN dapat memberikan hasil yang lebih baik, saat tidak ada hubungan matematis yang sesuai antara data dan variabel independen dan dependen (Sarokolaei, et. al., 2012).
Gambar 1 menunjukkan struktur ANN dengan input x0, x1, x2, ...xi. Masing-masing sinyal input (x0, x1, x2, ...xi) dikalikan dengan besaran bobot koneksi (wk0, wk1, wk2, ...wki). Selanjutnya sinyal input yang telah dikalikan dengan bobot koneksi dijumlahkan dan disimpan dalam fungsi penjumlahan (summing function) yang disimbolkan dengan
Gambar 1 Struktur ANN
Sumber : Abu Bakar dan Tahir (2009)
Berdasarkan Gambar 1, sinyal input (x0, x1, x2, ...xi) menunjukkan variabel input yang digunakan dalam penelitian ini, yaitu Non Performing Financing (NPF), Financing to Deposit Ratio (FDR), Biaya Operasional terhadap Pendapatan Operasional (BOPO), ukuran bank (size), inflasi dan PDB. Fungsi penjumlahan “∑“ menghubungkan sinyal input (variabel independen) dengan nilai output (variabel dependen), dan menyimpan hasil perkalian input (x0, x1, x2, ...xi) dengan bobot (wk0, wk1, wk2, ...wki). Hasil perkalian input (x0, x1, x2, ...xi) dengan bobot (wk0, wk1, wk2, ...wki) pada lapisan tersembunyi kemudian dikalikan dengan bobot pada lapisan tersembunyi (vk), dan ditransformasikan hasilnya menjadi output jaringan (yk) menggunakan fungsi aktivasi (φ).
Populasi
Populasi adalah gabungan dari seluruh elemen yang berbentuk peristiwa, hal atau orang yang memiliki karakteristik yang serupa yang menjadi pusat perhatian seorang peneliti karena itu dipandang sebagai sebuah semesta penelitian (Ferdinand, 2006). Penelitian ini menggunakan populasi Bank Syariah, yaitu Bank Umum Syariah dan Unit Usaha Syariah periode tahun 2006 – 2016.
Jenis dan Sumber Data
Jenis data yang digunakan dalam penelitian ini adalah data sekunder. Data diperoleh dari berbagai macam sumber. Data-data yang mencakup variabel penelitian didapatkan melalui website. Data yang termasuk dalam variabel dependen didapatkan melalui website Otoritas Jasa Keuangan, sedangkan data yang termasuk dalam variabel independen didapatkan melalui website Otoritas Jasa Keuangan dan Bank Indonesia. Adapun data-data yang digunakan sebagai bahan untuk mendukung penelitian didapatkan dari berbagai macam sumber, baik cetak maupun elektronik, diantaranya buku dan jurnal.
HASIL DAN PEMBAHASAN
Network Diagram
Network Diagram menghasilkan informasi komponen lapisan input, lapisan tersembunyi, dan lapisan output. Network Diagram juga menghasilkan informasi fungsi aktivasi yang digunakan pada lapisan tersembunyi (hidden layer) dan lapisan output (output layer). Gambar 2 menunjukkan output Network Diagram pengujian 3 model ANN menggunakan sampel pelatihan, pengujian dan ketidaksepakatan sebesar 80 % : 20 % : 0 %.
Gambar 2 Network Diagram
Sumber : olah data dengan SPSS 21
Berdasarkan Network Diagram, lapisan input (input layer) yang digunakan dalam penelitian ini adalah Non Performing Financing (NPF), Financing to Deposit Ratio (FDR), Biaya Operasional terhadap Pendapatan Operasional (BOPO), ukuran bank (size), tingkat inflasi, dan Produk Domestik Bruto (PDB). Lapisan tersembunyi (hidden layer) terdiri dari bias, H(1:1), H(1:2), H(1:3). Lapisan output adalah variabel dependen yang digunakan yaitu Return on Asset (ROA).
tanh(x) = (( - )/ ( + )} (SPSS).1 Fungsi aktivasi pada lapisan output (output layer) menggunakan fungsi identitas (identity).
Parameter Estimates
Parameter Estimates menghasilkan output berupa synaptic weight. Synaptic weight (bobot sinaptik) merupakan koefisien yang menunjukkan kekuatan hubungan antar lapisan (lapisan input dengan lapisan tersembunyi dan lapisan tersembunyi dengan lapisan output). Jumlah bobot sinaptik dapat menjadi lebih besar tetapi pada umumnya tidak digunakan untuk menginterpretasikan hasil jaringan (SPSS). Tabel 2 menunjukkan output Parameter Estimates pengujian 3 model ANN menggunakan sampel pelatihan, pengujian dan ketidaksepakatan sebesar 80 % : 20 % : 0 %.
Berdasarkan Tabel 2, menunjukkan bahwa hidden layer yang berpengaruh terhadap output layer (ROA) adalah H(1:2) karena memiliki nilai koefisien –1.515, sedangkan input layer yang berpengaruh terhadap hidden layer adalah BOPO dan PDB yang ditunjukkan oleh kotak yang lebih besar dan garis yang lebih tebal pada Network Diagram.
Independent Variable Importance
Independent Variable Importance memberikan informasi sensitivitas/ persentase yang menunjukkan pentingnya variabel independen dalam menentukan jaringan syaraf. Independent Variabel Importance menunjukkan seberapa besar pengaruh variabel independen terhadap variabel dependen. Tabel 3 menunjukkan output Independent Variable Importance pengujian 3 model ANN menggunakan sampel pelatihan, pengujian dan ketidaksepakatan sebesar 80 % : 20 % : 0 %.
Hasil pengujian menunjukkan bahwa variabel independen yang paling berpengaruh terhadap Return on Asset (ROA) adalah Biaya Operasional terhadap Pendapatan Operasional (BOPO) dengan importance sebesar 0,299, berikutnya adalah Produk
1
Domestik Bruto (PDB) dengan importance sebesar 0,230, Financing to Deposit Ratio (FDR) dengan importance sebesar 0,155, ukuran bank (size) dengan importance sebesar 0,114, tingkat inflasi dengan importance sebesar 0,101, dan Non Performing Financing (NPF) dengan importance sebesar 0,101. Hasil pengujian berdasarkan Independent Variable Importance menghasilkan sebuah grafik yang menggambarkan kekuatan pengaruh variabel independen seperti pada gambar 3 di bawah.
Tabel 3
Independent Variable Importance Importance Normalized Importance
NPF .101 33.8%
FDR .155 51.8%
BOPO .299 100.0%
Size .114 38.3%
Inflasi .101 33.9%
PDB .230 76.8%
Sumber : olah data dengan SPSS 21
Gambar 3
Sumber : olah data dengan SPSS 21
Perbandingan Akurasi ANN dan MLR
Pembuktian akurasi dilakukan dengan membandingkan nilai Mean Square Error (MSE) metode ANN dan MLR. Metode terbaik adalah metode yang menghasilkan nilai MSE terkecil. Nilai MSE metode MLR dapat dilihat dari Tabel ANOVA berikut.
Tabel 4 ANOVA
1
Nilai MSE metode ANN didapatkan dari output Model Summary. Model Summary menghasilkan informasi sum of squares error, relative error, aturan penghentian yang digunakan untuk menghentikan waktu pelatihan (stopping rule used), dan waktu yang dengan perkalian sampel (N) pada proses pelatihan2 dan jumlah output (O).
(2)
Perbandingan akurasi metode ANN dan MLR menunjukkan bahwa nilai MSE untuk metode ANN lebih kecil dari MLR (0,00069 banding 0,111). Nilai MSE yang lebih kecil membuktikan bahwa metode ANN lebih baik didalam memprediksi determinan profitabilitas Return on Asset (ROA) bank syariah dalam penelitian ini.
SIMPULAN
Profitabilitas ROA merupakan ukuran yang sangat penting didalam menilai kemampuan bank dalam menghasilkan laba dari aset yang dimilikinya. Berdasarkan hasil analisis menunjukkan bahwa faktor internal dan eksternal bank memiliki pengaruh yang berbeda-beda pada setiap variabelnya. Implikasi kebijakan yang dapat dirumuskan berdasarkan hasil analisis adalah sebagai berikut :
Bank syariah di Indonesia didalam pengambilan keputusan terkait profitabilitas dapat mempertimbangkan faktor internal dan eksternal bank. Faktor internal yang harus diberikan perhatian lebih adalah pada rasio Biaya Operasional terhadap Pendapatan Operasional (BOPO) dan Financing to Deposit Ratio (FDR), karena dalam mempengaruhi profitabilitas ROA Bank Syariah, BOPO dan FDR memiliki nilai importance tertinggi dari seluruh variabel internal bank yang digunakan dalam penelitian, sehingga kebijakan yang
diambil lebih ditujukan untuk mengantisipasi setiap perubahan pada rasio BOPO dan FDR. Faktor eksternal bank yang harus diberikan perhatian lebih adalah pada Produk Domestik Bruto (PDB), karena dalam mempengaruhi profitabilitas ROA Bank Syariah, PDB memiliki nilai importance tertinggi dari seluruh variabel eksternal bank yang digunakan dalam penelitian, sehingga kebijakan yang diambil lebih ditujukan untuk mengantisipasi setiap perubahan PDB.
DAFTAR PUSTAKA
Abu Bakar, N. M., & Tahir, I. M. (2009). Applying Multiple Linear Regression and Neural Network to Predict Bank Performance. International Business Research, 2, 176-183. Al-Osaimy, Mahmoud H. (1998). A Neural Network System for Predicting Islamic Banks
Performance. JKAU : Econ. & Adm., 11, 33-46.
Ferdinand, A. T. (2006). Metode Penelitian Manajemen. Semarang : Badan Penerbit Universitas Diponegoro.
Hermawan, Arif. (2006). Jaringan Saraf Tiruan, Teori dan Aplikasi. Yogyakarta : ANDI. Sarokolaei, M. A., Alinezhad, P., & Khosroshahi, M. A. (2012). A Comparative Study of
