Studi Pengelompokan Perbankan berbasis fuzzy c-mean dan fuzzy gustafson kessel
Kartika Ayu Kinanti1, Hari Sukarno2, Elok Sri Utami3
University of Jember123
Email: [email protected]
Abstract
The banking sector as one of the drivers of the economy plays an important role in society. Over time, bank operations are not only collecting funds from the public but are more complex. The development of the banking industry can be seen from the number of banks in Indonesia that spur the level of competition. Of course, banks must pay attention to their health. The use of bank soundness or RGEC parameters combined with clusters is interesting to study. By using the cluster method, banks can be classified based on the parameters of their soundness level. This study aims to analyze the classification of bank groupings based on RGEC generated by clustering analysis of the Fuzzy C-Means and Fuzzy Gustafson Kessel methods using financial ratio data on 80 conventional banks in Indonesia. The software used in this research is Matlab r2015b. The results showed that the Clustering FCM had a smaller standard deviation than the FGK so that cluster 1 in the FCM showed that the bank was in good condition compared to the other clusters, although the overall condition of Banks in Indonesia was good when viewed from their financial performance.
Keyword: Fuzzy C-Means, Fuzzy Gustafson Kessel, Banking.
INTRODUCTION
Sektor perbankan yang kini semakin berkembang keberadaanya telah lama menjadi subjek studi yang menarik untuk dijadikan sumber penelitian karena perannya yang penting sebagai roda penggerak perekonomian. Pada Undang-undang Nomor 10 Tahun 1998 tentang Perbankan, Bank disebutkan sebagai badan usaha yang menghimpun dana dari masyarakat dalam bentuk simpanan dan menyalurkannya kepada masyarakat dalam bentuk kredit dan atau bentuk-bentuklainnya dalam rangka meningkatkan taraf hidup masyarakat. Seiring waktu kegiatan operasional bank tidak hanya menghimpun dana dari masyarakat melainkan lebih kompleks. Bank adalah suatu jenis lembaga keuangan yang melaksanakan berbagai macam jasa, seperti memberikan pinjaman, mengedarkan mata uang, pengawasan terhadap mata uang, bertindak sebagai tempat penyimpanan benda-benda berharga, membiayai usaha perusahaan-perusahaan dan lain-lain. Kinerja bank yang baik dan kondisi bank yang sehat diperlukan dalam menentukan dimana seseorang atau perusahaan akan menginvestasikan modalnya ataupun melakukan pelayanan perbankan lainnya (Abdurrahman, 2001).
Hasil dari faktor-faktor yang mempengaruhi tingkat kesehatan adalah berupa peringkat komposit tingkat kesehatan bank yang ditetapkan berdasarkan analisis secara komprehensif dan terstruktur terhadap peringkat setiap faktor sebagaimana dimaksud dalam Pasal 8 ayat (2), ayat (3), ayat (4), danayat (5) dalam Surat Edaran Bank Indonesia No. 13/24/DPNP tanggal 25 Oktober 2011dengan memperhatikan materialitas dan signifikansi masing-masing faktor. Banyaknya jumlah perusahaan sub sektor perbankan menimbulkan suatu bentuk persaingan dalam meningkatkan kinerja dan memperluas pangsa pasar, dengan menggunakan metode cluster banyaknya bank yang ada dapat dikelompokkan dalam cluster-cluster yang memiliki kemiripan dilihat dari rasio tingkat kesehatan bank sehingga akan terlihat kelompok-kelompok bank yang memiliki karakteristik yang sama.
Analisis Cluster termasuk dalam teknik analisis multivariate metode interdependen. Teknik ini bertujuan untuk mengatur informasi / meringkas data dengan cara mengelompokkan objek-objek
berdasarkan kesamaan karakteristik tertentu. Dengan demikian, Cluster Analysis atau clustering memiliki tujuan untuk mengelompokkan data dari serangkaian pengamatan ke subset (disebut cluster). Analisis cluster panjang (Tryon, 1939, 1957) meliputi beberapa algoritma yang berbeda dan metode untuk mengelompokkan benda serupa ke dalam kategori masing-masing. Sebuah pertanyaan umum yang dihadapi peneliti di banyak bidang penelitian adalah bagaimana mengorganisasi data yang diamati ke dalam struktur yang bermakna, yaitu, untuk mengembangkan taksonomi. Analisis cluster dapat digunakan untuk menemukan struktur data tanpa memberikan penjelasan / penafsiran. Dengan kata lain, analisis cluster hanya menemukan struktur data tanpa menjelaskan mengapa mereka ada.
Analisis pengelompokan adalah analisis data yang bermaksud menentukan kelompok atau grup dari sekelompok data berdasarkan kesamaan karakteristiknya sehingga perkembangan lebih lanjut dari analisis cluster adalah dengan mempertimbangkan tingkat keanggotaan yang mencakup himpunan fuzzy sebagai dasar pembobotan bagi pengelompokan yang disebut dengan fuzzy clustering (Rahmatika, Suparti, & Safitri, 2015). Ada banyak metode pengelompokkan dalam Fuzzy clustering, salah satunya yaitu Fuzzy C-Means (FCM) dan Fuzzy Gustafson Kessel (FGK).
Setelah dilakukan pengelompokkan dengan kedua metode tersebut, langkah selanjutnya adalah mencari banyaknya cluster yang optimum berdasarkan indeks XB dan menentukan metode terbaik dengan melihat kriteria icdrate, kemudian dilakukan analisis MANOVA untuk mengetahui perbedaan karakteristik setiap cluster.
Penelitian ini didukung oleh beberapa penelitian terkait dengan rasio RGEC antara lain Daryanto, Utami, and Rakhmawati (2018), Devianto and Dwiasnati (2018), Nicola, Manalu, and Hutapea (2017), Minarrohmah, Yaningwati, and Nuzula (2014), Andriyani, Pebrica, Mayasari, and Aryani (2018), Dewi and Candradewi (2018). Sementara itu Amalia, Widodo, and Oktaviana (2016) juga meneliti kesehatan bank dengan rasio CAMELS tapi juga mengklusterkan bank-bank tersebut.
Penelitian Rahmatika et al. (2015) juga menggunakan metode cluster tapi tidak untuk lingkup perbankan.
Perkembangan industri perbankan yang dapat dilihat dari banyaknya bank yang ada di Indonesia yang memacu tingkat persaingan. Tentunya bank harus memperhatikan kesehatannya. Penggunaan parameter tingkat kesehatan bank yang dikombinasikan dengan cluster menarik untuk dikaji.
Dengan menggunakan metode cluster maka bank-bank dapat diklasifikasikan berdasarkan parameter tingkat kesehatannya.
METHOD
Penelitian ini adalah penelitian deskriptif yaitu mengumpulkan, menginterpretasikan, dan menganalisis data dengan melakukan perhitungan berdasarkan teori dengan data objektif yang terjadi sehingga dapat memberikan gambaran lengkap permasalahan penelitian dan upaya penyelesaiannya. Populasi pada penelitian ini adalah semua bank konvesional yang beroperasi di Indonesia. Sampel pada penelitian ini diambil berdasarkan atas ketersediaan data dan kemudahan mendapatkannya atau disebut dengan metode convenience sampling. Jenis data berupa data sekunder berupa laporan keuangan bank seperti Laporan Posisi Keuangan, Laporan Laba Rugi, dan lain-lain. Sumber data diperoleh dari website resmi Otoritas Jasa Keuangan (OJK), Bursa Efek Indonesia dan Website Bank yang berupa laporan keuangan tahunan perbankan khususnya bank konvesional pada tahun 2019.
Variabel penelitian berdasarkan aspek RGEC terbatas pada aspek Risk, Earnings dan Capital.
Aspek Risk (Risiko) terdiri atas dua variabel yaitu variabel Risiko Kredit dan Risiko Likuiditas.
Aspek Earnings terdiri atas empat variabel yaitu variabel Return on Assets (ROA), Beban Operasional terhadap Pendapatan Operasional (BOPO), dan Net Interest Margin (NIM). Aspek Capital terdiri dari satu variabel yaitu Capital Adequacy Ratio (CAR). Hasil dari perhitungan rasio-rasio berbasis RGEC akan diolah dengan menggunakan metode Cluster Fuzzy C-Means dengan rumus seperti pada persamaan 1 dan 2 pada kajian teori atau dapat ditampilkan dibawah ini:
Selain itu raiso tersebut dimasukkan ke dalam metode Cluster Fuzzy Gustafson Kessel dengan rumus dibawah ini:
sehingga akan terbentuk cluster-cluster yang tiap cluster atau kelompok memiliki kemiripan satu dengan lainnya. Hasil olah data menggunakan metode Cluster Fuzzy C-Means dan Gustafson Kessel akan menampilkan berapa cluster yang terbentuk dan berapa anggota tiap cluster sehingga akan diketahui metode cluster mana yang terbaik yaitu yang memiliki standar deviasi terkecil.
RESULT AND DISCUSSION
Result
Clustering atau pengelompokan bank di Indonesia akan dibagi menjadi 5 cluster dimana masing- masing cluster dilabel dengan angka 1-5. Data rasio kesehatan bank yang sudah didapatkan akan dikelompokan dengan metode cluster FCM dan FGK dalam software Matlab r2015b. Hasil dari pengelompokan tersebut sebagai berikut:
Tabel 1. Hasil Cluster dengan Metode FCM Clu
ster Nama Bank Anggota
1
1. Bank Mandiri 2. BRI
3. BNI
4. Bank Mandiri Taspen 5. Bank Bali
6. Bank Jawa Barat 7. Bank Bengkulu 8. Bank DKI 9. Bank Jambi 10. Bank Jateng 11. Bank Jatim 12. Bank Kalbar 13. BTPN 14. BCA 15. Bank Panin
16. Bank Kalteng 17. Bank Lampung 18. Bank Maluku Malut 19. Bank Nagari 20. Bank NTT 21. Bank Riau Kepri 22. Bank Sulselbar 23. Bank Sulteng 24. Bank Sultra 25. Bank Sulutgo 26. Bank BNP Paribas Indonesia
27. China Construction Bank
28. Bank CIMB Niaga 29. Bank Danamon 30. Bank ICBC Indonesia
31. Bank Oke Indonesia 32. Citibank
33. Bank KEB Hana 34. Bank Maspion 35. Bank Mega
36. Bank Maybank Indonesia 37. Bank Mestika Dharma 38. Bank OCBC NISP 39. Bank SBI Indonesia 40. Bank Woori Saudara 41. Bangkok Bank 42. Amar Bank Indonesia 43. Bank Bisnis Indonesia 44. Bank Jasa Jakarta 45. Bank Sumut
2 1. Bank Digital BCA 3
1. Bank Artha Graha Internasional 2. Bank Kaltimtara
3. Bank Commonwealth 4. Bank HSBC Indonesia
5. Bank Artos Indonesia 6. JP Morgan Chase
4
1. BTN
2. BRI Agroniaga 3. Bank Banten 4. Bank Kalsel 5. Bank Papua 6. Bank Bukopin
7. Bank Capital Indonesia 8. Bank CTBC Indonesia 9. Bank DBS Indonesia
10. Bank Ganesha 11. Bank IBK Indonesia 12. Bank Mayapada 13. Bank Mayora 14. Bank Multi Arta Sentosa
15. Bank Nationalnobu 16. Bank of India Indonesia
19. Bank Resona Perdania 20. Bank Sinarmas 21. Bank UOB Indonesia 22. Bank Victoria Internasional
23. Bank Fana Indonesia 24. Bank Kesejahteraan Ekonomi
25. Bank Sahabat Sampoerna
17. Bank Permata 18. Bank QNB Indonesia 5 1. Bank Mizuho Indonesia 2. Bank Shinhan
Indonesia
3. MUFG Bank Sumber: Data diolah, 2020
Berdasarkan tabel 1 dapat dilihat bahwa cluster ke-1 memiliki anggota terbanyak yaitu 45 bank sedangkan cluster dengan anggota paling sedikit adalah cluster ke-2 yaitu dengan anggota hanya 1 bank.
Pengelompokkan berdasarkan FGK juga dilakukan menggunakan program Matlab r2015b sama halnya dengan FCM pada FGK akan dibagi menjadi 5 kelompok yang memiliki kemiripan atau disebut dengan cluster. Adapun hasil dari cluster secara FGK menghasilkan anggota tiap cluster sebagai berikut:
Tabel 2. Hasil Cluster dengan Metode FGK Clu
ster Nama Bank Anggota
1
1. BRI Agroniaga 2. Bank BantenI 3. Bank BNP Paribas Indonesia
4. Bank Bukopin
5. Bank IBK Indonesia 6. Bank Multi Arta Sentosa 7. Bank QNB Indonesia 8. Amar Bank Indonesia
9. Bank Fana Indonesia 10. Bank Oke Indonesia 11. Bank Victoria Internasional
2
1. Bank Jateng 2. Bank Sulteng 3. Bank NTT
4. Bank Mestika Dharma 5. Bank SBI Indonesia 6. Bank Bisnis Indonesia
7. Bank Jasa Jakarta 8. JP Morgan Chase 9. MUFG Bank
3
1. Bank Mandiri 2. BRI
3. BNI
4. Bank Mandiri Taspen 5. Bank Bali
6. Bank Jawa Barat 7. Bank Bengkulu 8. Bank DKI 9. Bank Jambi 10. Bank Kalsel 11. Bank Jatim 12. Bank Kalbar 13. Bank Kalteng 14. BTN
15. Bank Papua 16. BCA
17. Bank Lampung 18. Bank Maluku Malut 19. Bank Nagari 20. Bank Sumut 21. Bank Riau Kepri 22. Bank Capital Indonesia 23. Bank CIMB Niaga 24. Bank Sultra 25. Bank Sulutgo 26. Bank Danamon
27. China Construction Bank 28. Bank CTBC Indonesia
29. Bank DBS Indonesia 30. Bank Ganesha 31. Bank ICBC Indonesia
32. Bank Mayapada 33. Bank KEB Hana 34. Bank Mayora 35. Bank Nationalnobu 36. Bank OCBC NISP 37. Bank Permata 38. Bank Resona Perdania
39. Bank UOB Indonesia 40. Bank Kesejahteraan Ekonomi
4
1. Bank Kaltimtara 2. Bank Sulselbar 3. Bank Artha Graha Internasional
4. Bank Sahabat Sampoerna 5. Bank HSBC Indonesia
6. Bank Maspion
7. Bank Maybank Indonesia 8. Bank Woori Saudara 9. Bank Mizuho Indonesia 10. BTPN
11. Bank Panin 12. Bank Sinarmas 13. Bank Mega 14. Bangkok Bank 15. Citibank
5
1. Bank Commonwealth 2. Bank of India Indonesia
3. Bank Shinhan Indonesia 4. Bank Artos Indonesia
5. Bank Digital BCA
Sumber: Data diolah, 2020
Dari tabel 2 anggota cluster diatas dapat dilihat bahwa anggota cluster terbanyak dengan menggunakan metode FGK adalah cluster ke-3 yaitu sebanyak 40 anggota sedangkan cluster dengan anggota yang paling sedikit adalah cluster ke-5 dengan 5 anggota.
Iterasi keberapa masing-masing fuzzy yaitu FCM dan FGK menjadi konvergen atau mendapatkan hasil yang terbaik. Grafik pada gambar menunjukkan fungsi objektif dari FCM konvergen ketika
mencapai iterasi dibawah 200 sedangkan untuk FGK berada pada iterasi ke 200 lebih. Nilai error yang dihasilkan 10^-8 atau 0,00000001, dimana semakin kecil nilai error maka semakin konvergen data yang didapat.
Gambar 1. Grafik Fungsi Objektif, Error dan Jumlah Iterasi
Plot Cluster dari kedua metode dapat dilihat dari aplikasi matlab dan dapat diganti untuk sumbunya (x,y) dengan variabel yang ada. Pada gambar plot dibawah ini akan nampak tiap cluster memiliki warna yang berbeda.
Gambar 2. Plot Cluster FCM dan FGK
DISCUSSION
Pengelompokkan berdasarkan rasio kesehatan bank dengan menggunakan metode cluster FCM dan FGK menghasilkan anggota yang berbeda di tiap cluster. Metode Fuzzy C-Means (FCM) lebih baik dibandingkan metode Fuzzy Gustafson-Kessel (FGK). Dengan diketahuinya metode cluster FCM adalah metode yang tepat untuk data rasio kesehatan perbankan konvensional di Indonesia maka dapat dianalisa bagaimana kondisi bank di tiap cluster yang terbentuk oleh metode cluster FCM. Berikut analisa tiap rasio atau variabel pada penelitian ini:
a. NPL (Non Perfoming Loan)
NPL memberikan gambaran berkaitan dengan kredit bermasalah pada bank. Peningkatan kredit bermasalah pada bank akan berakibat buruk bagi kesehatan bank untuk itu bank diharapkan
menjaga posisi NPL agar tidak dalam keadaan tinggi. Peraturan Bank Indonesia Nomor 6/10/PBI/2004 tanggal 12 April 2004 tentang Sistem Penilaian Kesehatan Bank Umum menetapkan ambang batas wajar nilai NPL yaitu ≤5% dari total portofolio kreditnya. NPL juga akan berakibat pada pendapatan bank semakin tinggi NPL maka pendapatan bank akan berkurang sehingga bank akan kesulitan dalam menjalankan fungsinya.
Pada hasil cluster diketahui bahwa cluster ke-1 memiliki nilai NPL kisaran -3,3% - 3,39 % dan jika diambil rata-rata menghasilkan NPL 0,95% hal ini menunjukkan bahwa bank pada cluster ke- 1 berada di bawah 5% atau kredit bermasalahan yang dimiliki relatif kecil dan bisa ditangani dengan baik. Hasil berbeda didapat dari cluster ke-2 karena pada cluster ini anggota yang terhimpun hanya 1 anggota yaitu Bank Digital BCA dimana nilai NPL nya adalah 0. Hal ini menunjukkan bahwa bank tidak memiliki kredit bermasalah tapi juga dapat diartikan bank tidak memiliki pendapatan bunga dari kredit. Untuk cluster ketiga, keempat dan kelima masing-masing memiliki nilai rata-rata NPL sebesar 1,86% untuk cluster ke-3 dan 2,72% cluster ke-4 dan 1,00%
pada cluster ke-5. Hasilnya ini dapat diartikan bank masih berada di bawah batas nilai wajar NPL sehingga kondisi bank dikatakan masih mampu mengelola kredit bermasalahan dengan baik.
Secara keseluruhan dari data rasio bank nilai NPL masih dibawah 5%, artinya bank di Indonesia dapat mengendalikan kredit bermasalahnya. Tabel NPL tiap anggota cluster sebagai mana berikut:
Tabel 3. NPL tiap Cluster (%)
NPL cluster 1 cluster 2 cluster3 cluster 4 cluster 5
Average 0,95 0 1,86 20,86 42,79
Min (3,3) - 0 9,01 20,67
Max 3,93 - 4,25 45,48 76,39
Sumber: Data diolah, 2020 b. LDR (Loan to Deposit Ratio)
LDR pada bank adalah rasio yang secara garis besar dapat mengukur kemampuan bank dalam memenuhi kewajiban jangka pendek. LDR perlu dikelola dengan baik karena jika terlalu tinggi maka bank tidak mampu menutup kewajibannya kepada nasabah sedangkan jika terlalu rendah maka bank memiliki pendapatan yang relatif rendah karena seperti yang diketahui bank memperoleh pendapatan terutama dari kredit yang disalurkan. Berdasarkan ketentuan Bank Indonesia yang tertuang dalam PBI No. 17/11/PBI/2015 tanggal 25 Juni 2015 menyebutkan bahwa batas atas LDR yaitu 92% sedangkan batas bawah berada pada 78%.
Dari hasil cluster data secara FCM tampak bawah pada cluster ke-1 nilai LDR rata-rata adalah 98,6% ini tergolong sudah memenuhi batas ambang bawah akan tetapi berada di atas batas atas LDR. Pada kelompok ini bank masih mampu menutup kewajibanya dengan baik serta masih pendapatan akan tetapi jika nilainya semakin tinggi dikhawatirkan akan menjadi masalah bagi bank dalam pemenuhan kewajibannya lebih jauh bank bisa mengalami kolaps jika nilainya terus naik. Jika nilai LDR tinggi bank hendaknya mulai mencari alternatif pendanaan lain selain dari penyaluran kredit. Nilai LDR tertinggi tampak pada cluster ke-2 dimana bank Digital BCA mencapai nilai LDR 971,65% dengan nilai ini risiko kolaps tak terhindarkan. Hasil sebaliknya pada cluster ke-3 LDR relatif rendah jauh diambang bawah hal ini menunjukkan banyak dana bank yang tidak tersalurkan secara optimal dalam bentuk kredit. Daftar keseluruhan LDR tiap anggota cluster dapat dilihat pada tabel dibawah ini:
Tabel 4. LDR tiap Cluster (%)
LDR cluster 1 cluster 2 cluster3 cluster 4 cluster 5
Average 98,57 971,65 11,76 85,75 227,99
Min 60,67 - 0 60,55 184,9
Max 163,1 - 47,54 113,50 261,59
Sumber: Data diolah, 2020 c. ROA (Return on Asset)
ROA merupakan salah satu dari rasio profitabilitas yang mengukur kemampuan perusahaan menghasilkan laba dari penggunaan seluruh sumber daya atau aset yang dimilikinya. Semakin
tinggi ROA maka semakin baik kinerja perusahaan dan lebih jauh sebagai pengambilan keputusan apa dibutuhkan ekspansi bisnis dan menarik investor. Menurut Surat Edaran Bank Indonesia No 6/23/DPNP tanggal 31 Mei 2004 batas minimal ROA adalah 1,5%.
Dari hasil pengelompokan didapatakan nilai ROA pada cluster ke-1 rata-rata sebanyak 2,3% ini menunjukkan jika bank dalam cluster ke-1 menghasilkan laba dengan optimal karena bank mampu mengelola aset yang ada dengan baik. Hasil kurang optimal berada pada cluster ke-2 dan ke-3 dimana anggota cluster memiliki nilai ROA negatif yang berarti kemampuan bank menghasilkan laba tidak optimal. Tabel ROA tiap anggota cluster adalah sebagai berikut:
Tabel 5. ROA tiap Cluster (%)
ROA cluster 1 cluster 2 cluster3 cluster 4 cluster 5
Average 2,32 (2,9) (1,76) 0,14 2,02
Min 0,20 - (15,89) (3,78) 0,43
Max 4,67 - 2,72 1,67 4,67
Sumber: Data diolah, 2020
d. BOPO (Belanja Operasional terhadap Pendapatan Operasional)
BOPO merupakan rasio yang menggambarkan efisiensi perbankan dalam menjalankan usahanya.
Belanja operasional dalam hal ini adalah biaya bunga yang dikenakan pada nasabah dan pendapatan operasional adalah bunga yang didapat. Semakin tinggi biaya yang dikeluarkan untuk menghasilkan pendapatan maka semakin tidak efisien operasional pada bank.
Batasan minimal BOPO menurut Bank Indonesia adalah 85%, dilihat dari data cluster menghasilkan rata-rata nilai BOPO pada cluster ke-1 yaitu 76,2% ini menunjukkan bahwa bank pada cluster ke-1 mampu menghasilkan pendapatan secara efisien dengan penggunaan biaya operasional yang tepat sehingga operasional bank berjalan dengan baik. Penggunaan biaya operasional yang kurang tepat menghasilkan nilai BOPO yang tinggi diatas 100% tampal pada cluster 2,3 dan 4 sehingga perlu pengurangan biaya yang operasional yang tidak diperlukan agar nilainya tidak terlalu tinggi. Kenaikan BOPO sebagai akibat diantaranya persaingan antar bank untuk menarik nasabah sehingga membutuhkan biaya untuk promo dan hadiah, selain itu masih belumnya diterapkan teknologi pada bank juga membuat operasional bank tidak efektif dalam menjalankannya. Tabel BOPO tiap anggota cluster Tampak sebagai berikut:
Tabel 6. BOPO tiap Cluster (%)
BOPO cluster 1 cluster 2 cluster3 cluster 4 cluster 5
Average 76,23 134,12 119,42 100,91 66,92
Min 41,10 - 74,16 83,02 93,8
Max 92,80 - 258,09 151,26 82,73
Sumber: Data diolah, 2020 e. NIM (Net Interest Margin)
Standar NIM oleh Bank Indonesia adalah 6% artinya semakin besar nilainya maka akan terjadi peningkatan pendapatan bunga atas aktiva produktif yang dikelola oleh bank sehingga kondisi bank yang mengalami masalah keuangan semakin kecil. Keberadaan promo dalam pemberian kredit mengakibatkan bank bersaing agar tetap mempertahankan tingkat pendapatan bunganya.
NIM pada cluster yang terbentuk dengan menggunakan metode FCM yaitu pada cluster ke-1 rata- rata 5,85% cukup baik hampir mendekati batas minimal adapun jika dilihat dari NIM anggota pada cluster ke-1 ada yang sudah memenuhi batas minimal NIM bahkan Amar Bank Indonesia membukukan NIM 19,3% yang artinya pada cluster ke-1 bank sudah mampu mempertahankan pendapatan bunganya dan dalam kondisi yang stabil. Secara keseluruhan NIM di Indonesia pada 2019 cenderung menurun karena banyaknya bank yang lebih memilih kualitas kredit daripada mencari pendapatan bunga. Tabel NIM tiap anggota cluster yaitu:
Tabel 7. NIM tiap Cluster (%)
BOPO cluster 1 cluster 2 cluster3 cluster 4 cluster 5
Average 5,85 4,51 4,14 4,02 3,33
Min 2,00 - 2,05 1,07 2,17
Max 19,3 - 5,90 7,31 4,49
Sumber: Data diolah, 2020 f. CAR (Capital Adequacy Ratio)
CAR adalah rasio kecukupan modal minimum yang menunjukkan kemampuan perbankan dalam menyediakan dana yang digunakan untuk mengatasi kemungkinan risiko kerugian. Semakin tinggi CAR maka menunjukkan bahwa bank semakin baik dalam menghadapi risiko kerugian. Pada peraturan Bank Indonesia nomor 15/12/PBI/2014 tentang kewajiban penyediaan modal minimum bank umum ditetapkan nilai ambang batas bawah CAR yaitu 8%.
Dari hasil cluster didapatkan rata-rata CAR pada cluster ke-1 adalah 25,1% ini menunjukkan bahwa bank pada cluster ini sudah mempunyai cukup modal untuk menghadapi risiko kerugian.
Secara keseluruhan CAR di Indonesia sudah optimal dan berada diatas nilai ambang bawah yaitu 8%. Tabel CAR tiap anggota cluster sebagai berikut :
Tabel 4.18 Tabel CAR Tiap Cluster
CAR cluster 1 cluster 2 cluster3 cluster 4 cluster 5
Average 25,13 201,04 44,59 20,86 42,79
Min 15,82 - 18,55 9,01 20,67
Max 58,78 - 148,28 45,48 76,39
Sumber: Data diolah, 2020
CONCLUSION
Metode cluster FCM dan FGK telah menghasilkan 5 cluster dan hasil simpangan baku menghasilkan nilai FCM yang lebih kecil dibandingkan FGK, sehingga FCM lebih baik digunakan untuk data perbankan. Dilihat dari rasio NPL cukup baik pada cluster 1. LDR pada cluster 1 sudah memenuhi ambang batas bawah akan tetapi berada di atas batas atas LDR, dan tampak tinggi pada cluster 2, namun sebaliknya pada cluster 3 relatif rendah. ROA pada cluster 1 menghasilkan laba dengan optimal, namun pada cluster 2 dan 3 kurang optimal. BOPO pada cluster 1 mampu menghasilkan pendapatan secara efisien dengan penggunaan biaya operasional yang tepat sehingga operasional bank berjalan dengan baik, namun pada cluster 2 sampai 4 memerlukan adanya pengurangan biaya operasional yang tidak diperlukan agar nilainya tidak terlalu tinggi.
NIM menunjukkan hasil yang cukup baik pada cluster 1 dan secara keseluruhan di Indonesia cenderung penurun. CAR pada cluster 1 menunjukkan bahwa bank sudah mempunyai modal untuk menghadapi risiko kerugian dan secara keseluruhan sudah optimal dan di atas nilai ambang bawah.
REFERENCES
Abdurrahman. (2001). Ekonomi Keuangan dan Perbankan. Malang: UMM Press.
Amalia, N. A., Widodo, D. A., & Oktaviana, P. P. (2016). Analisis Clustering Perusahaan Sub Sektor Perbankan berdasarkan Rasio Keuangan CAMELS Tahun 2014 menggunakan Metode Fuzzy C-Means dan Fuzzy Gustafson Kessel. Jurnal Sains dan Seni ITS, 5(2), 321- 326. doi: 10.12962/j23373520.v5i2.16651
Andriyani, I., Pebrica, R., Mayasari, & Aryani, D. S. (2018). Soundness Rating of Commercial Banks Before and After Implementation of RGEC Method In Indonesia. Jurnal Keuangan dan Perbankan, 22(1), 162-169. doi: 10.26905/jkdp.v22i1.1549
Daryanto, W. M., Utami, A. S., & Rakhmawati, T. S. (2018). Banking Health Assessment of Commercial Banks in Indonesia Using RGEC Methods: A Comparative Study.
International Journal of Business Studies, 2(3), 122-132.
Devianto, Y., & Dwiasnati, S. (2018). Banking Health Assessment Using CAMELS And RGEC Methods, Using OJK's Banking Financial Statement Data. International Journal Of Engineering And Computer Science, 7(8), 24187-24196. doi: 10.18535/ijecs/v7i8.03 Dewi, I. A. S. K., & Candradewi, M. R. (2018). Penilaian Tingkat Kesehatan Bank Metode RGEC
pada PT. Bank Tabungan Negara (Persero), tbk. Periode 2014-2016. E-Jurnal Manajemen Unud, 7(3), 1595-1622. doi: 10.24843/EJMUNUD.2018.v7.i03.p017
Minarrohmah, K., Yaningwati, F., & Nuzula, N. F. (2014). Analisis Tingkat Kesehatan Bank dengan Menggunakan Pendekatan RGEC (Risk Profile, Good Corporate Governance, Earnings, Capital) (Studi pada PT. Bank Central Asia, Tbk Periode 2010-2012). Jurnal Administrasi Bisnis (JAB), 17(1), 1-9.
Nicola, D., Manalu, S., & Hutapea, T. M. H. (2017). Effect of Bank Soundness Level RGEC Method on Index of Financial Inclusive in Indonesia. Journal of Applied Management (JAM), 15(4), 702-709. doi: 10.21776/ub.jam.2017.015
Rahmatika, L., Suparti, & Safitri, D. (2015). Analisis kelompok dengan algoritma fuzzy c-means dan gustafson kessel clustering pada indeks LQ45. Jurnal Gaussian, 4(3), 543-552. doi:
10.14710/j.gauss.v4i3.9478
Tryon, R. C. (1939). Cluster analysis. Michigan: Ann Arbor.
Tryon, R. C. (1957). Reliability and behavior domain validity: Reformulation and historical critique. Psychological Bulletin, 54(3), 229-249. doi: 10.1037/h0047980
