Post on 08-May-2019
DETEKSI DINI POTENSI KEBANGKRUTAN BANK MELALUI
ANALISIS RASIO KEUANGAN
DAN MARKET EFFECT MODEL REGRESI LOGISTIK MULTINOMIAL
Tengku Nuzulul Qurriyani
Universitas Indonesia
Abstrak:Prediksi potensi kebangkrutan bank berbasis rasio keuangan adalah tiada henti
untuk diteliti. Upaya ini dilakukan agar dapat menemukan model prediksi yang dianggap
mampu menjelaskan tingkat kesehatan bank, mampu memprediksi maupun mendeteksi
secara dini potensi kebangkrutan bank, menemukan formula yang bisa diterapkan untuk
semua bank, demi menyelamatkan bank dan sekaligus menciptakan kemakmuran
perekonomian negara—perbankan adalah tulang punggung perekonomian negara. Hal ini
dimungkinkan dengan bantuan teknik statistik berbasis model regresi logistik multinomial—
variabel dependen bersifat kategorik. Ditemukan bahwa rasio keuangan yang bercerita
mengenai capital adequacy sebuah bank dan rasio yang menggambarkan market effect,
memang berdampak signifikan dalam mendeteksi secara dini potensi kebangkrutan bank.
Terbukti dari ketepatan prediksi yang bisa diraih: bank gagal (bank likuidasi) adalah 80%,
bank dalam penyelamatan (bdp) adalah 45.45%, dan bank sehat (bank survive (bs)) adalah
90.32%.Rasio keuangan dipercaya memiliki andil dalam model prediksi kebangkrutan, yaitu
sebesar 71.92%.
Keywords: bank go public, kategori bank survival, ketepatan prediksi (prediction correct),
model regresi logistik multinomial, rasio keuangan.
Abstract:Prediction of potential bankruptcy of the bank based on financial ratio is a
continual research. This study is done in order to find prediction model that is considered to
explain the bank’s health, be able to predict or detect early potential bankruptcy of the
bank, find a formula that can be applied to all banks, promote sound banking and at the
same time create economic prosperity of the country—bank is the backbone of the country’s
economy. This is possible with the help of statistical techniques based on multinomial
logistic regression model, the dependent variable is categorical. It is found that the
financial ratio about bank’s capital adequacy and the financial ratio that describes the
market effect, it does have have a significant impact in the early detection of potential bank
insolvency. It is proved from the accuracy of predictions which can be achieved: bank
classified under failed bank (bl)) is 80%, bank classified under special surveillance or bank
in resolution (bdp) is 45.45%, and bank classified under sound bank (bs) is 90.32%.
Financial ratio is believed to have contributed to the bankruptcy prediction model,
amounting to 71.92%.
Keywords:bank survival category, financial ratio, go public bank, multinomial logistic
regression model, prediction correct.
1
1. Pendahuluan
Suatu negara tidak pernah luput dari terpaan krisis moneter. Dampak paling
signifikan terlihat pada sektor perbankan. Ini ditandai dengan bank-bank yang masuk
kategori bank beku operasi (BBO) dan bank takeover (BTO), yaitu seperti kasus krisis
moneter yang meluas menjadi krisis perbankan pada tahun 1998 di Indonesia. Fraser &
Fraser (1990) menyatakan bahwa kegagalan suatu bank akan dapat menyebabkan kegagalan
pada banking system: ―… while the failure of an individual bank is tolerable, the failure of
the banking system is intolerable.‖ Ini bermakna suatu bank itu bisa berdampak sistemik,
yaitu bisa menyebabkan bank-bank sehat masuk ke dalam pusaran arus yang berbahaya—
kepercayaan masyarakat dipertaruhkan di sini. Rujukan hal itu berada pada pasal 37A
Penjelasan Atas Undang-Undang Republik Indonesia Nomor 10 Tahun 1998 Tentang
Perubahan Atas Undang-Undang Nomor 7 Tahun 1992 Tentang Perbankan:
… yang dimaksud dengan kesulitan perbankan yang membahayakan perekonomian
nasional adalah suatu kondisi sistem perbankan yang menurut penilaian Bank
Indonesia terjadi krisis kepercayaan masyarakat terhadap perbankan yang
berdampak kepada hajat hidup orang banyak. Dapat dikatakan bahwa perbankanlah yang sebenarnya menjaga perekonomian suatu
negara—sebagai tulang punggung perekonomian negara, untuk itu perlu senantiasa
menganalisis tingkat kesehatan bank.
Indikator yang dapat merepresentasikan tingkat kesehatan bank adalah berada pada
rasio keuangan. Contoh rasio yang sering dijadikan acuan untuk memprediksi kebangkrutan
adalah rasio profitability dan rasio liquidity. ―Low profitability may be a prime signal of
financial distress, it is not necessarily fatal if a business has a strong liquidity
position‖(Morris, 1998). Rasio profitability adalah rasio keuangan yang menunjukkan
kemampuan sesuatu bank untuk generate earnings melalui utilisasi resources; rasio
2
liquidity adalah rasio keuangan yang menunjukkan kemampuan sesuatu bank untuk dapat
memenuhi kewajiban-kewajiban yang segera ditagih.Ini menunjukkan bahwa rasio
keuangan memang berpotensi menjadi alat deteksi tingkat kesehatan bank.
Terdapat wacana bahwa sebenarnya market effect juga bisa difungsikan sama
seperti rasio keuangan, yaitu memiliki kemampuan prediksi atau mampu menjelaskan
tingkat kesehatan bank ataupun menjadi alat deteksi potensi kebangkrutan bank. Market
effect berkenaan dengan reaksi pasar saham, bisa ditunjukkan melalui harga saham sesuatu
bank itu ataukah rasio yang merefleksikan penilaian pasar saham atas kinerja bank. Rasio
yang menggambarkan market effect inilah yang akan menjadi tambahan variabel penelitian.
Diduga reaksi pasar saham bisa berkoneksi secara langsung dalam menggambarkan kinerja
bank, sehingga dapat menjadi alat prediksi maupun alat deteksi potensi kebangkrutan bank.
Kemampuan rasio keuangan dan market effect dalam memprediksi dan menjelaskan
tingkat kesehatan suatu bank harus melalui pengujian empiris. Ini dibutuhkan dalam rangka
membangun sebuah model yang dapat menjawab apakah data akuntansi (accounting
numbers) tersebut memang mampu memprediksi dan menjelaskan tingkat kesehatan bank,
serta mampu mendeteksi secara dini potensi kebangkrutan bank.
2. Tinjauan Pustaka dan Hipotesis
2.1 Evolusi Teori Akuntansi
Perkembangan teori akuntansi telah berevolusi. Fenomena yang terjadi dalam dunia
nyata—praktik akuntansi, harus bisa dijelaskan melalui keberadaan suatu teori (Watts &
Zimmerman, 1986). Evolusi itu berkembang seiring perkembangan zaman dan ilmu
pengetahuan. Terdapat perubahan perilaku dalam praktik akuntansi. Kemajuan dalam
modern finance theory juga ikut menyumbang percepatan evolusi dalam teori akuntansi.
3
Tujuan utama teori akuntansi itu adalah memberikan dasar prediksi dan penjelasan
mengenai perilaku dan peristiwa akuntansi (Belkaoui, 2004). Pada awalnya, dominasi teori
berada pada kemampuan memberikan gambaran mengenai suatu kondisi ideal atau kondisi
yang memang seharusnya begitu, yang kadangkala berbeda dengan praktik yang terjadi.
Teori bersifat normatif (normative theory). Keynes (1891): ―a normative or regulative
science as a body of systematized knowledge relating to criteria of what ought to be, and
concerned therefore with the ideal as distinguished from the actual….‖ Dari sinilah bisa
timbul pertanyaan-pertanyaan, yaitu sebagai akibat ada perbedaan antara kriteria ideal yang
seharusnya terjadi dan kondisi sebenarnya dalam dunia nyata (praktik). Perkembangan
selanjutnya, ternyata kemampuan memprediksi dan menjelaskan atas suatu fenomena dalam
dunia nyata, membawa kepada pemahaman mengenai konsep positive theory.
Tanpa positive theory, para akademisi dan profesional tidak akan pernah membuat
suatu kemajuan yang berarti dalam menjawab pertanyaan-pertanyaan normatif tersebut
(Jensen, 1976). Inilah yang mencuatkan ide mengenai pengujian empiris atas fenomena
yang terjadi, sehingga hasil pengujian bisa dibandingkan dengan prediksi yang berasal dari
teori, dan pada gilirannya akan mampu menjelaskan mengapa suatu fenomena itu terjadi.
2.2 Model Prediksi Kebangkrutan
Dalam rangka mencoba memprediksi dan menjelaskan suatu fenomena itulah, maka
timbul curiosity mengenai praktik akuntansi yang berlaku di dunia nyata. Hal yang menarik
adalah pada saat angka akuntansi dalam suatu organisasi (perusahaan, bank) bisa
merefleksikan kondisi kesehatan keuangan dari organisasi tersebut, maka akan bermanfaat
apabila mampu mendeteksi potensi kebangkrutan secara lebih dini. Model prediksi
kebangkrutan ini biasanya menggunakan data akuntansi, yaitu dalam bentuk analisis rasio
keuangan (Watts & Zimmerman, 1986). Ini menyiratkan bahwa angka akuntansi tersebut,
4
yang tercermin dalam laporan keuangan, memiliki kandungan informasi yang berunsur
prediksi. Bernstein (1989):
financial statement analysis is the judgemental process that aims to evaluate the
current and past financial positions and the results of operations of an enterprise,
with the primary objective of determining the best possible estimates and predictions
about future conditions and performance.
Penelitian ini akan dibatasi pada perbankan. Ini adalah karena perbankan itu
merupakan tulang punggung perekonomian negara. Bank memainkan peran penting dalam
memelihara kepercayaan masyarakat terhadap sistem moneter, sehingga kesehatan bank
menjadi perhatian utama, yaitu berkaitan dengan likuiditas dan solvabilitas bank (PSAK
31). ―Banks serve as the principal caretaker of the economy's money supply and, along with
other financial intermediaries, provide an important source of funds for consumers and
businesses― (Ritter, Silber, & Udell, 2009).
Dampak sistemik juga menjadi perhatian, karena sesungguhnya apabila terlihat ada
potensi kebangkrutan dari suatu bank, keresahan nasabah akan mudah menyebar dan akan
berakibat juga pada bank-bank sehat. Walaupun dampak sistemik ini tidak diatur secara
jelas dalam Perpu JPSK (Jaring Pengaman Sistem Keuangan), yaitu mengenai ukuran dan
kriteria bank yang ditengarai berdampak sistemik, namun Bank Indonesia melihat dalam
konteks penyelamatan sistem keuangan, perbankan, dan perekonomian secara keseluruhan
(Gatra 2009, 23). Apabila satu bank dinyatakan bank gagal, ada 2 pilihan yang dapat
dilakukan: diselamatkan atau tidak diselamatkan, dan penanganannya diserahkan kepada
Lembaga Penjamin Simpanan (LPS) (Gatra 2009, 19). Penjelasan Pasal 33 Undang-Undang
LPS menyebutkan bahwa LPS menangani bank hingga bank itu menjadi sehat sesuai
dengan Undang-Undang Perbankan (Tempo 2009, 127).
5
Qurriyani (2000) meneliti mengenai kesehatan bank melalui penggunaan logit model
(model regresi logistik trikotomi): pada saat variabel dependen adalah trichotomous
outcome variabel—penunjukan bank survival (BBO, BTO, bank survive) sebagai suatu
fungsi dari sejumlah variabel independen (rasio keuangan CAMEL), maka akan dapat
diketahui probability sesuatu bank itu masuk kategori BBO atau BTO atau bank survive.
Ternyata, dari 22 bank go public yang menjadi sampel penelitian Qurriyani, 75% terjadi
ketepatan pengkategorian untuk kasus BBO, 50% untuk kasus BTO, dan 66.7% terkategori
bank survive.
Penelitian yang akan dilakukan saat ini merupakan pemberlanjutan dari penelitian
Qurriyani sebelumnya. Rasio yang menggambarkan market effect akan menjadi tambahan
variabel dalam penelitian ini, dan akan dijelaskan kemudian (2.3.2). Logit model masih
akan digunakan dalam penelitian ini, yaitu karena perbankan merujuk pada tiga kategori
(bank gagal (bank likuidasi (bl)), bank dalam pengawasan khusus (bank dalam
penyelamatan (bdp)), bank sehat (bank survive (bs)). ―Logit regression models have the
potential advantage of being nonlinear and should enable the likelihood of a company
failing in the next accounting period to be assessed― (Morris, 1998). Logit juga berguna
sebagai model prediksi kebangkrutan dengan ukuran sampel yang relatif kecil (Stone &
Rasp, 1991). Logit analysis akan membentuk sebuah model yang diperkirakan dapat
menjawab persoalan probability kebangkrutan bank. Hosmer & Lemeshow (2000): ―…the
conditional mean must be greater than or equal to zero and less than or equal to 1
1|0 xYE .‖Ini menunjukkan bahwa lebih kecil atau sama dengan 0 (nol) berarti
probability sesuatu bank itu akan berada pada kategori bank sehat (bank survive), dan
apabila mendekati 1..maka sesuatu bank itu akan berada pada kategori bank likuidasi atau
bank dalam pengawasan khusus (bank dalam penyelamatan).
6
Penelitian mengenai pengkategorian bangkrut atau tidak bangkrut sesuatu
perusahaan ataupun bank itu berada pada: Altman (1968), Altman et al. (1977), Sinkey
(1975), Ohlson (1980), Thomson (1991). Orientasi penelitian mereka adalah mengenai
prediksi bankruptcy menggunakan rasio keuangan dengan bantuan teknik statistik.
Altman (1968): ―the detection of firm operating and financial difficulties is a
subject which has been particularly susceptible to financial ratio analysis.‖Multiple
Discriminant Analysis (MDA) adalah statistic tools yang digunakan Altman (1968) dengan
5 rasio keuangan. Untuk satu tahun pertama, ketepatan pengkategorian (prediksi) mencapai
95%, untuk dua tahun sebelum bangkrut 72%, dan untuk tahun-tahun berikutnya sudah
tidak signifikan ketepatan prediksinya. Berbeda dengan penelitian Altman et al. (1977)
yang menggunakan model ZETA, dengan 7 rasio keuangan, ketepatan prediksi
kebangkrutan dapat mencapai hingga 5 tahun, serta sudah memperhitungkan cost of errors
in classification. Analisis statistik mereka adalah discriminant analysis.
Thomson (1991) memprediksi kegagalan bank-bank di AS tahun 1980. Thomson
memakai rasio CAMEL. Ternyata, rasio CAMEL cukup signifikan dalam memprediksi dan
menjelaskan kemungkinan sesuatu bank itu gagal, yaitu untuk jangka waktu empat tahun
sebelum bank gagal. Thomson juga menganalisis kondisi ekonomi, yaitu unemployment,
growth in personal income, business failure rate, dan diversifikasi ekonomi. Teknik
statistik yang digunakan adalah model logit regression.
Bank bermasalah di AS juga menjadi penelitian Sinkey (1975). Aspek yang lebih
dominan yang menyebabkan bank gagal itu adalah sebagian besar terletak pada
ketidakjujuran manajemen. Sampel Sinkey 110 bank komersial yang bermasalah. Statistik
yang digunakan adalah MDA, yaitu untuk mengidentifikasi rasio keuangan yang akan
membedakan bank bermasalah dan bank tidak bermasalah.
7
Ohlson (1980) menggunakan logit analysis untuk mendiskriminasikan perusahaan
bangkrut dan tidak bangkrut. Ohlson secara tepat mengkategorikan 87.6% dari sampel
perusahaan bangkrut, dan 82.6% dari sampel perusahaan nonbangkrut, untuk masa 1 tahun
sebelum bangkrut (classification errors dapat diminimalisasi melalui probability cutoff).
Terdapat tanda (sign) berupa koefisien positif dan negatif pada variabel independennya:
koefisien positif bermakna probability of bankruptcy yang meningkat; koefisien negatif
bermakna probability of bankruptcy yang menurun.
Rasio keuangan juga bermanfaat untuk memprediksi pertumbuhan laba sesuatu
perusahaan perbankan, seperti penelitian Machfoedz (1994), Zainuddin & Hartono (1999),
sementara penelitian Payamta & Machfoedz (1999) berada pada penggunaan rasio
keuangan untuk mengevaluasi kinerja perusahaan perbankan sebelum go public dan
sesudah go public. Penelitian Surifah (2002) berkenaan dengan kinerja keuangan perbankan
swasta nasional Indonesia sebelum dan setelah krisis ekonomi. Indikasi praktik manajemen
laba (earnings management) juga bisa ditunjukkan melalui analisis rasio keuangan (Zahara
& Siregar, 2009).
2.3 Faktor Penentu Kebangkrutan
2.3.1 Rasio Keuangan
Diketahui bahwa industri perbankan adalah bersifat spesifik, yaitu bahwa
keberadaan perbankan dalam suatu negara selalu berkenaan dengan hajat hidup orang
banyak. Ini menyiratkan arti bahwa perbankan itu memiliki unsur intermediasi atau sebagai
agent of development. Di sinilah, kesehatan bank itu perlu menjadi kajian serius dari pihak
perbankan itu sendiri, dan tentu saja dari pihak regulator (pemerintah). Konsep CAMEL
(Capital, Assets, Management, Earnings, dan Liquidity) menjadi alat bantu yang cukup
efektif dalam menganalisis tingkat kesehatan bank.
8
Keberadaan konsep CAMEL dapat dijelaskan melalui beberapa aspek berikut, dan
juga merupakan variabel independen penelitian ini:
Permodalan (capital adequacy)
Permodalan sesuatu bank dianggap memadai apabila mampu menutup risiko kerugian
yang mungkin timbul dari penanaman dana dalam aktiva produktif yang memang
berisiko, serta mampu membiayai penanaman dalam aktiva tetap. ―Capital ratios and
leverage are significant to banks because they pertain to risk‖ (Kamerschen, 1992).
c1 → Capital Adequacy Ratio (CAR) = Equity Capital – Fixed Assets
Total Loans + Securities
c2 → Risked Assets Ratio = Equity Capital
Total Assets – Cash − Securities
c3 → Capital Risk = Equity Capital
Risked Assets
Kualitas Aktiva Produktif (assets quality)
Aktiva produktif selalu identik dengan credit risk, sebagai akibat pemberian kredit dan
investasi yang dilakukan oleh bank.
a1 → Return on Risked Assets (RORA) = Laba Sebelum Pajak
Total Loans + Securities
a2 → Assets Utilization = Operating Income + Non Operating Income
Total Assets
Manajemen
Perolehan laba sesuatu bank itu merupakan refleksi dari aspek manajemen.
m1 → Assets Management (ROA) = Earnings Before Taxes
Total Assets
m2 → Leverage Management = Debt
Equity
m3 → Net Profit Margin (NPM) = Net Income
Operating Income
Rentabilitas (earnings)
9
Terdapat unsur efektifitas manajemen dalam mengutilisasi resources demi menghasilkan
laba.
e1 → Gross Profit Margin = Operating Income − Operating Expense
Operating Income
e2 → Return on Equity Capital = Net Income
Equity Capital
e3 → Efficiency Ratio (BOPO) = Biaya Operasional
Pendapatan Operasional
Likuiditas (liquidity)
Sesuatu bank itu harus mampu memenuhi kewajiban-kewajiban yang segera ditagih
(berjangka sangat pendek), dalam rangka minimalisasi liquidity risk.
l1 → Net Call Money → Kewajiban Bersih Call Money
Aktiva Lancar
l2 → Quick Ratio = Cash Assets
Total Deposit
l3 → Banking Ratio = Total Loans
Total Deposit
l4 → Loans to Assets Ratio → Total Loans
Total Assets
Variabel-variabel independen ini dianggap memiliki kemampuan prediksi, dan
tentunya diharapkan memang dapat menjawab pertanyaan penelitian: apakah data akuntansi
(accounting numbers) yang terefleksi dalam rasio keuangan dapat menjelaskan tingkat
kesehatan bank ataupun mampu mendeteksi secara dini potensi kebangkrutan bank? Ini
yang mendasari pembentukan hipotesis1.
Hipotesis1. Rasio keuangan secara signifikan mampu merefleksikan kinerja bank, dan
sekaligus menjadi alat deteksi potensi kebangkrutan bank.
10
2.3.2 Market Effect
Selain konsep CAMEL, diperhatikan pula aspek lain yang dianggap mampu
merefleksikan kinerja perbankan, dalam kaitan mendeteksi potensi kebangkrutan bank,
yaitu aspek market effect. Diketahui bahwa interaksi antara pasar modal dan analisis
laporan keuangan tidak perlu diragukan lagi. Semakin aktif pasar modal..semakin kritis
investor menelaah keputusan berinvestasi. Data akuntansi (accounting numbers) akan
berbicara banyak dalam kaitan investor mengambil keputusan berinvestasi. Diyakini bahwa
melalui berinvestasi, kesejahteraan (wealth) akan meningkat. Bodie et al. (2011):―An
investment is the current commitment of money or other resources in the expectation of
reaping future benefits; sacrifice something of value now, expecting to benefit from that
sacrifice later.‖
Refleksi market effect—dalam kaitan menilai kinerja bank, bisa berasal dari cash
flows from operations (CFO): kemampuan bank menghasilkan benefit di masa mendatang.
―The cash flow statement provides information about the firm’s liquidity and its ability to
finance its growth from internally generated funds― (White et al., 2003). Apakah data
akuntansi yang berbentuk CFO mampu menjawab keingintahuan investor dan analis
mengenai tingkat kesehatan bank ataupun mampu mendeteksi potensi kebangkrutan bank?
Selama ini fokus pengukuran kinerja berada pada informasi earnings, namun karena
informasi earnings terpengaruh oleh management discretionary sebagai akibat fleksibilitas
yang dimilki dalam pemilihan metode akuntansi, maka dicoba satu informasi lain yang
mungkin saja mampu menjawab kebutuhan para investor dan analis. Cheng et al. (1997):
Harold Williams (former SEC): “Corporate earnings reports communicate, at best, only
part of the story….Indeed, in my view, cash flow from operations is a better measure of
performance than earnings-per-share.” (Foster, 1986, 604). Penelitian Cheng et al. (1997)
11
berfokus pada sisi reported CFO (SFAS No. 95), walaupun tetap melibatkan aspek
earnings, dalam melihat value-relevant information. Dibuktikan oleh Cheng et al. (1997)
bahwa reported CFO memberikan gambaran yang cukup signifikan terhadap market
returns—dalam hal ini unexpected return (actual return – expected return), dan memiliki
value-relevant information, begitu pula halnya dengan earnings. Penelitian ini
menggunakan formula Cheng et al. (1997), dalam hal rasio earnings& CFO beserta
perubahannya:
mkt1 → △Earnings
P (t-1)
mkt2 → Earnings
P (t-1)
mkt3 → △Cash Flow (CFO)
P (t-1)
mkt4 → Cash Flow (CFO)
P (t-1)
𝐸𝑗𝑡 &𝐶𝐹𝑗𝑡 → earnings& CFO bank j tahun t (2006 & 2007);
△ 𝐸𝑗𝑡 &△ 𝐶𝐹𝑗𝑡 → perubahan earnings & CFO bank j dari tahun t-1 (2005 & 2006) hingga
tahun t (2006 &2007);
variabel independen diskala dengan market value of equity awal tahun (𝑃𝑗𝑡 −1)).
Dipertegas oleh Bauman (2003) bahwa earnings berkorelasi dan memiliki pengaruh
secara positif dan signifikan terhadap market value of equity. Pada saat earnings menurun—
indikasi poor earnings prospect—biasanya selalu mengikutkan market value of equity (ME)
yang juga rendah. Ingin dilihat sisi risiko dari kondisi keuangan perusahaan/bank—
perspektif pasar (market effect).
Rasio yang dianggap juga berkenaan dengan equity valuation model (securities
valuation) adalah rasio BE/ME (book value of equity dibagi market value of equity)—
12
dianalogikan dengan rasio PBV (P/B atau price to book value of equity). Rasio ini dianggap
mewakili pengaruh pasar (market effect) terhadap kinerja sesuatu perusahaan. Berbicara
market effect..tentu berbicara return dan risk—high risk..high return, yang terefleksi dalam
rasio tersebut. Fama & French (1992): ―high BE/ME are signals of poor earnings prospects;
if current earnings proxy for expected future earnings, high-risk stocks with high expected
returns will have low prices relative to their earnings.‖
Disimpulkan oleh Fama & French (1992) bahwa rasio BE/ME memiliki pengaruh
signifikan dalam memprediksi average return perusahaan. White et al. (2003): ―Fama &
French (1992) found that the P/B ratio was the best predictor of future stock returns; firms
with low P/B ratios subsequently had consistenly higher returns than firms with high P/B
ratios.‖Low P/B ratio sekaligus pertanda high BE/ME, dan otomatis bermakna poor
earnings prospects. Ini menunjukkan bahwa rasio tersebut bisa juga dipakai dalam
mengukur kinerja perusahaan—dalam hal ini bank, sehingga bisa memunculkan prediksi
potensi kebangkrutan bank. Dibuktikan oleh Beaver (1968) bahwa memang terdapat
hubungan antara return saham dan rasio, dan investor sudah biasa untuk menggunakan rasio
dalam menilai solvency perusahaan, serta perubahan harga pasar saham mampu
memprediksi failure (dua indikator dari prediksi failure: rasio keuangan dan perubahan
harga pasar saham).
mkt5 → PBV = Share Price
Book Value of Equity per Share
Rasio ini akan menjadi tambahan variabel independen penelitian, selain variabel
CFO, dalam kaitan market effect terhadap penjelasan tingkat kesehatan bank ataupun
pendeteksian potensi kebangkrutan bank. Diharapkan variabel independen yang mewakili
potensi pasar (market effect) dalam menangkap fenomena mengenai tingkat kesehatan bank,
adalah benar-benar mampu menjawab pertanyaan penelitian: apakah reaksi pasar saham
13
yang terefleksi dalam data akuntansi (accounting numbers) memang dapat dijadikan
indikator pendeteksian potensi kebangkrutan bank? Dari sini, terbentuklah hipotesis2.
Hipotesis2. Rasio yang menggambarkan keterlibatan market effect—berkaitan dengan
securities valuation—mampu mendeteksi potensi kebangkrutan bank.
Variabel independen—rasio keuangan dan market effect—yang dicoba dirangkum
dalam penelitian ini adalah dalam rangka menjawab pertanyaan penelitian: apakah data
akuntansi (accounting numbers) dapat memprediksi atau menjelaskan tingkat kesehatan
bank ataupun mampu mendeteksi secara dini potensi kebangkrutan bank?
Hasil penelitian diharapkan dapat menjadi bahan pertimbangan bagi regulator dalam
mengkategorikan sesuatu bank itu masuk kategori bank likuidasi, bank dalam pengawasan
khusus (bank dalam penyelamatan), ataukah bank sehat (bank survive). Walaupun diketahui
ada variabel politis yang melekat dalam pengambilan keputusan melikuidasi bank atau
justru malah menyelamatkan bank tersebut dari kemungkinan likuidasi.
3. Metodologi Penelitian
3.1 Koleksi Data
Data sekunder menjadi sumber data penelitian—bank sebagai unit analisis.
Informasi laporan keuangan per 31 Desember 2006 dan 31 Desember 2007 (laporan
laba/rugi, neraca, laporan arus kas), dan data pasar saham (2005, 2006, 2007), berasal dari
bank go public (terdaftar di Bursa Efek Indonesia (BEI)). Perolehan data ini dimungkinkan
oleh keberadaan website Bursa Efek Indonesia (BEI), website bank, Indonesian Capital
Market Directory (ICMD), dan Yahoo Finance.
Populasi penelitian adalah bank go public (listing di BEI), melalui pertimbangan
ketersediaan data laporan keuangan (unsur transparansi sudah lebih diutamakan), dan telah
diaudit. Dibatasi sampel hanya bank go public tahun 2006 dan 2007—masa listing minimal
14
satu tahun. Sampel akhir adalah 47 observasi (tahun 2006 & 2007) (Tabel 3.1): 29 bank
listing pada tahun 2007, dikurangi 1 bank karena delisting dari BEI, dikurangi 3 bank
karena baru listing pada tahun 2007, dikurangi 1 bank karena diakuisisi oleh bank lain pada
tahun 2007; 25 bank listing pada tahun 2006, dikurangi 2 bank karena baru listing pada
tahun 2006. Dianggap 2 tahun tersebut dapat mewakili pendeteksian potensi kebangkrutan
bank (atau bank survival) yang terjadi 1 tahun atau 2 tahun kemudian.
Dalam hal observasi kategori bank survival(Tabel 3.2), dianalogikan bahwa bank
yang sama sekali berganti nama—diakuisisi, berarti terkategori bank likuidasi; bank yang
dimerger demi penyehatan bank, berarti terkategori bank dalam penyelamatan; dan bank
survive adalah bank yang sampai saat ini masih beroperasi, tanpa status apapun. Sumber
data variabel dependen berasal dari website wikipedia, laporan tahunan bank, dan laporan
tahunan LPS (Lembaga Penjamin Simpanan).
3.2 Identifikasi Variabel
Variabel dependen:
bank sehat (bank survive (bs)) → Y=0
bank dalam penyelamatan (bdp) → Y=1
bank likuidasi (bl)→ Y=2
Variabel independen:
c1 → Capital Adequacy Ratio (CAR) = Equity Capital – Fixed Assets
Total Loans + Securities
c2 → Risked Assets Ratio = Equity Capital
Total Assets – Cash − Securities
c3 → Capital Risk = Equity Capital
Risked Assets
a1 → Return on Risked Assets (RORA) = Laba Sebelum Pajak
Total Loans + Securities
15
a2 → Assets Utilization = Operating Income + Non Operating Income
Total Assets
m1 → Assets Management (ROA) = Earnings Before Taxes
Total Assets
m2 → Leverage Management = Debt
Equity
m3 → Net Profit Margin (NPM) = Net Income
Operating Income
e1 → Gross Profit Margin = Operating Income − Operating Expense
Operating Income
e2 → Return on Equity Capital = Net Income
Equity Capital
e3 → Efficiency Ratio (BOPO) = Biaya Operasional
Pendapatan Operasional
l1 → Net Call Money → Kewajiban Bersih Call Money
Aktiva Lancar
l2 → Quick Ratio = Cash Assets
Total Deposit
l3 → Banking Ratio = Total Loans
Total Deposit
l4 → Loans to Assets Ratio → Total Loans
Total Assets
mkt1 → △Earnings
P (t-1)
mkt2 → Earnings
P (t-1)
mkt3 → △Cash Flow (CFO)
P (t-1)
mkt4 → Cash Flow (CFO)
P (t-1)
mkt5 → PBV = Share Price
Book Value of Equity per Share
3.3 Prosedur Stepwise
16
Pada saat variabel independen terkadang bercerita untuk hal yang sama, ditandai
dengan multicollinearity (antar variabel independen saling berinteraksi → ≥ 0.8), diperlukan
suatu teknik statistik untuk mengatasinya: prosedur stepwise. ―The stepwise procedure is
employed to select variables for inclusion in the regression variate‖ (Hair et al., 2010).
Korelasi tinggi biasa terjadi ketika jumlah variabel independen adalah banyak.
Dikhawatirkan variabel independen itu menjadi tidak signifikan dalam menjelaskan tingkat
kesehatan bank ataupun mendeteksi potensi kebangkrutan bank. Melalui prosedur stepwise,
variabel langsung membentuk grup yang memiliki signifikansi tinggi, selebihnya akan
hilang dari model statistik.
3.4 Model Regresi Logistik Multinomial
Variabel dependen lebih dari 2 kategori, teknik statistik yang dianggap mampu
mengakomodir persoalan itu adalah model regresi logistik multinomial. Model dengan 3
kategori..menghasilkan 2 fungsi logit. Pertanyaan penelitian diharapkan dapat dijawab oleh
pilihan model ekonometrika tersebut, yaitu model regresi logistik multinomial. Multinomial
logit: regressand bersifat unordered dengan categorical responses yang lebih dari 2
(Gujarati & Porter, 2009). ―Discriminant analysis and logistic regression are the
appropriate statistical techniques when the dependent variable is a categorical (nominal or
nonmetric) variable and the independent variables are metric variables‖ (Hair et al., 2010).
Terdapat 2 fungsi logit dalam model dengan 3 kategori: fungsi logit dalam Y=1
banding Y=0, dan fungsi logit dalam Y=2 banding Y=0 (kode Y=0 akan berfungsi sebagai
kategori pembanding/acuan (reference outcome value). Kode 0, 1, 2 diberikan sebagai kode
variabel dependen:bank sehat (bank survive) → Y=0; bank dalam penyelamatan → Y=1;
bank likuidasi → Y=2.
17
Pembentukan model dengan asumsi pcovariates dan konstanta, x sebagai vektor dari
p+1 dengan 0x =1, terjadi denotasi 2 fungsi logit(Hosmer & Lemeshow, 2000):
11212111101 '...)|0(
)|1(ln)( xxxx
xYP
xYPxg pp
22222121202 '...)|0(
)|2(ln)( xxxx
xYP
xYPxg pp
Diperlihatkan 3 conditional probability dari setiap kategori variabel dependen:
)|0(1
1
1
1)()(2
1
)(0
21
xYPee
exgxg
j
xg j
)|1(1
1)()(
)(
2
1
)(
)(
121
11
xYPee
e
e
exgxg
xg
j
xg
xg
j
)|2(1
1)()(
)(
2
1
)(
)(
221
22
xYPee
e
e
exgxg
xg
j
xg
xg
j
Bentuk umum conditional probability dalam model dengan 3 kategori:
2
0
)(
)(
)|()(
k
xg
xg
j
k
j
e
exjYPx
(vektor 0 =0 0)(0 xg )
4. Hasil Empiris
4.1 Variabel Dependen dan Independen
Sekumpulan data diperoleh untuk bisa menjawab apakah rasio keuangan (accounting
numbers) memang mampu menjelaskan tingkat kesehatan bank ataupun mampu menjadi
alat deteksi dini potensi kebangkrutan bank. Terdapat 20 rasio keuangan bank yang
dianggap mencerminkan kinerja bank—populer dalam literatur mengenai kesehatan bank,
18
beserta rasio dari sisi perspektif pasar. Target penelitian adalah 47 observasi untuk bank go
public yang listing di Bursa Efek Indonesia minimal 1 tahun, periode 2006 dan 2007.
Variabel penelitian terangkum dalam Tabel 4.1.
4.2 Analisis Statistik—Pendukung Model
4.2.1 Korelasi antar Variabel
Diupayakan untuk menghindari masalah multicollinearity antar variabel independen.
Walaupun diketahui setiap variabel independen itu bermakna dalam menjelaskan variabel
dependen, namun bisa saja karena ukuran sampel penelitian yang relatif kecil sehingga tidak
bisa mengakomodir semua variabel independen. Gujarati & Porter (2009): ―although the
theory says that all the X’s are important, sample may not be “rich” enough to
accommodate all X variables in the analysis.‖ Dampaknya adalah sulit untuk mendapatkan
estimasi koefisien dengan standard error yang kecil (Gujarati & Porter, 2009).
Kemampuan rasio keuangan sebagai variabel independen dalam menjelaskan
ataupun memprediksi bank survival, tentu tidak luput dari masalah multicollinearity. Rasio
keuangan yang digunakan dalam penelitian ini memiliki interaksi cukup tinggi antar sesama
variabel independen. Ini bisa terjadi sebagai akibat ada unsur yang sama yang digunakan
sebagai pembilang atau penyebut dari rasio keuangan itu. Diketahui juga bahwa sebenarnya
dalam model prediksi, tidak menjadi masalah mendasar isu multicollinearity ini. Gujarati &
Porter (2009):
If the sole purpose of regression analysis is prediction or forecasting, then
multicollinearity is not a serious problem because the higher the 𝑅2, the better the
prediction; if the objective the analysis is not only prediction but also reliable
estimation of the parameters, serious multicollinearity will be a problem because
we have seen that it leads to large standard errors of the estimators.
19
4.2.2 Prosedur Stepwise
Estimasi stepwise digunakan dalam rangka mengurangi jumlah variabel independen
dalam model penelitian ini—mengakomodir isu multicollinearity. Langkah yang ditempuh
(Hair et al., 2010):
memeriksa dan menghilangkan setiap variabel dalam persamaaan yang memang berada
di bawah significance threshold;
menambahkan variabel dengan korelasi parsial yang secara statistik adalah signifikan
tertinggi.
Forward stepwise adalah metode yang diambil demi menyederhanakan model
regresi dalam penelitian ini, agar tercapai tujuan memprediksi atau mendeteksi
kebangkrutan bank. Hair et al. (2010): ―The stepwise estimation procedure is designed to
develop a regression model with the fewest number of statistically significant independent
variables and maximum predictive accuracy‖. Forward stepwise fokus pada stopping rules
(Bendel dan Afifi, 1977):
the forward selection procedure selects the independent variable that maximizes the
squared partial correlation coefficient with the dependent variable, given the
variables already selected; the process “stops” whenever the sample partial
correlation in “nonsignificant”.
Dari 19 rasio keuangan, diperolehlah 6 rasio keuangan yang berasal dari step 6
prosedur forward stepwise—SPSS19 (Lampiran 2) (STATA belum mengakomodir
persoalan stepwise selection of variables (Hosmer & Lemeshow (2000)). Dianggap step 6
mampu memberikan hasil signifikan pada model penelitian ini, setelah melalui serangkaian
trial&error atas step 7, step 8, dan step 9. Selanjutnya, 6 rasio keuangan ini akan masuk
dalam model regresi logistik multinomial.
c1 → Capital Adequacy Ratio (CAR) = Equity Capital – Fixed Assets
Total Loans + Securities
20
c2 → Risked Assets Ratio = Equity Capital
Total Assets – Cash − Securities
c3 → Capital Risk = Equity Capital
Risked Assets
mkt1 → △Earnings
P (t-1)
mkt2 → Earnings
P (t-1)
mkt5 → PBV = Share Price
Book Value of Equity per Share
4.2.3Statistik Deskriptif dan Korelasi
Rangkuman statistik deskriptif berada pada Tabel 4.2 Panel A. Variasi cukup tinggi
ditunjukkan dengan rata-rata survival(kategori tingkat kesehatan bank) sebesar 0.447 dan
standar deviasi sebesar 0.686. Berarti, 47 observasi itu memang mengandung potensi bank
sehat dan potensi bank bangkrut. Rasio keuangan yang menjadi prediktor potensi
kebangkrutan bank, rata-rata paling tinggi berada pada mkt5 (1.936), rata-rata terendah
berada pada mkt1 (0.039). Rasio ini menggambarkan aspek market effect. Terlihat juga
bahwa standar deviasi untuk rasio c1, c2, c3—aspek capital adequacy ratio, dan mkt2,
mkt5—aspek market effect, lebih kecil daripada rata-rata masing-masing rasio tersebut
(misal: standar deviasi c1 (0.061) lebih kecil daripada rata-rata c1 (0.118)). Ini bermakna
penyimpangan dari data variabel c1, c2, c3, mkt2, mkt5 adalah relatif kecil. Nilai minimum
aspek capital adequacy ratio (c1, c2, c3) menunjukkan sebenarnya 47 observasi itu masih
mengalami permodalan yang belum menggembirkan. Rasio keuangan yang menggambarkan
leverage management (m2) dikeluarkan dari model karena terdeteksi sebagai outlier—nilai
maksimum variabel m2 melebihi 3x standar deviasi.
21
Korelasi yang terjadi antar variabel (Tabel 4.2 Panel B), cukup tinggi berada pada
aspek permodalan (c1, c2, c3), namun seperti Gujarati & Porter (2009) katakan bahwa untuk
model prediksi, isu multicollinearity bisa ditinggalkan. Tanda negatif atas koefisien c2
(risked assets ratio), mkt2 (earnings/MV of equity atauearnings/share price), mkt5 (price to
book value of equity (PBV)) terhadap survivalbermakna: semakin tinggi risiko aktiva
produktif bank (risked assets ratio), semakin tinggi mkt2, semakin tinggi mkt5, maka akan
menyebabkan semakin rendah tingkat kesehatan bank (potensi kebangkrutan bank
meningkat). Rasio c2, c3 yang menjelaskan masalah kecukupan modal bank, bertanda
positif, berarti semakin tinggi modal bank, maka akan semakin tinggi tingkat kesehatan
bank (potensi kebangkrutan bank menurun).
4.3 Model Regresi Logistik Multinomial
Teknik statistik yang dianggap mampu menjawab persoalan variabel dependen yang
bersifat kategorik adalah model regresi logistik multinomial. Model dengan 3
kategori..menghasilkan 2 fungsi logit. Hosmer & Lemeshow (2000): ―When the outcome
variable has three categories we have two estimated logistic probabilities, the estimated
probabilities of categories 1 and 2, 𝑃(𝑌 = 1 ∣ 𝑥) and 𝑃(𝑌 = 2 ∣ 𝑥).‖
Diperoleh persamaan regresi logistik multinomial—hasil STATA10 (Tabel 4.3,
Lampiran 3) (bank survive (bs) → kategori pembanding):
2975.271940.90113.1)|(
)|(ln)( cc
xbsP
xbdpPxgbdp
2751.1032239.861945.90149.2)|(
)|(ln)( mktcc
xbsP
xblPxgbl
Probability bank survive (bs), bank dalam penyelamatan (bdp), bank likuidasi (bl):
)|(1
12751.1032239.861945.90149.22975.271940.90113.1
xbsPee mktccccbs
22
)|(1 2751.1032239.861945.90149.22975.271940.90113.1
2975.271940.90113.1
xbdpPee
emktcccc
cc
bdp
)|(1 2751.1032239.861945.90149.22975.271940.90113.1
2975.271940.90113.1
xblPee
emktcccc
cc
bl
Lampiran 3(output STATA10) memperlihatkan berapa probability bank itu masuk
kategori bank dalam penyelamatan (bdp) dibandingkan terhadap bank survive (bs), dan
berapa probability bank itu masuk kategori bank likuidasi (bl) dibandingkan terhadap bank
survive (bs). Ketepatan prediksi mencapai 90.32% untuk kategori bank survive; 45.45%
untuk kategori bank dalam penyelamatan; dan 80% untuk kategori bank likuidasi.
4.4Analisis Kebangkrutan Bank
Dalam rangka menegakkan tonggak yang kokoh bagi sistem perbankan Indonesia,
pemerintah telah membentuk API (Arsitektur Perbankan Indonesia) pada Januari 2004.
Tindakan preventif banyak dilakukan melalui API ini demi menyelamatkan dunia
perbankan. Salah satunya adalah dengan mengadakan merger dan akuisisi. Terdapat
beberapa catatan bahwa ada bank go public masuk kategori bank dalam pengawasan
khusus; bank yang diakuisisi (dilikuidasi); bank yang dimerger sebagai akibat
menyelamatkan bank tersebut agar berkinerja lebih baik. Inilah yang kemudian mengilhami
penulis untuk meneliti apakah kategori yang tercipta itu (bank sehat (bank survive), bank
dalam penyelamatan, bank likuidasi) mampu dicerminkan melalui keberadaan rasio
keuangan?
Selama ini banyak penelitian terdahulu yang mengungkapkan kemampuan prediksi
dari rasio keuangan sehubungan dengan potensi kebangkrutan. Ingin ditelaah kembali,
setelah memasukkan sejumlah rasio keuangan, mampukah membentuk model prediksi
kebangkrutan bank dengan rasio apa saja yang menjadi prediktor utama. Untuk itu dibentuk
hipotesis 1 dan 2. Hipotesis 1 mengarah pada aspek rasio keuangan yang berkiblat pada
23
CAMEL; hipotesis 2 berkiblat pada rasio keuangan dengan persepsi pasar saham—market
effect.
Ternyata, setelah olah data melalui STATA10, diketahui aspek rasio keuangan yang
mampu menjadi prediktor utama dalam menjelaskan tingkat kesehatan bank adalah rasio
keuangan berunsur permodalan (c1, c2), dan berunsur market effect (mkt2). Signifikansi
tercapai untuk fungsi logit 1 (bdp) dan 2 (bl) atas variabel c1, c2; atas variabel mkt2,
signifikansi tercapai untuk fungsi logit 2 (bl). Hipotesis 1 dan 2 terbukti. Permodalan
merupakan aspek penting bagi terciptanya sustainability bagi bisnis bank. Kamerschen
(1992): ―Bank capital is much like capital provided for any business in that it provides an
incentive and protection; a bank needs capital to operate.‖ Pada saat kecukupan modal
bank terpenuhi, maka dimungkinkan bank tersebut untuk memperkuat ekspansi bisnis bank,
mengantisipasi risiko, mengembangkan teknologi, dan meningkatkan kapasitas penyaluran
kredit. Ini akan bermuara pada peningkatan kemampuan bank untuk menghasilkan laba.
Sustainability bank (bank survive) pun akan tercapai. Faktor permodalan ini juga memiliki
bobot terbesar penilaian rating bank versi Infobank: bank yang sejumlah indikator kinerja
keuangannya tidak mengalami pertumbuhan, namun terpilih sebagai rising star (predikat
sangat bagus) adalah semata-mata karena faktor permodalan (Infobank 2009, 44).
Rasio yang menggambarkan market effect diwakili oleh mkt2(earnings/MV of equity
atau earnings/share price) sebagai rasio yang signifikan mampu menjelaskan tingkat
kesehatan bank maupun memprediksi potensi kebangkrutan bank. Sejalan dengan Beaver
(1968) bahwa perubahan harga saham bisa memprediksi failure. Pada saat rasio mkt2 tinggi
yang menyiratkan arti bahwa bisa saja penyebut (harga saham) bernilai rendah, maka
tingkat kesehatan bank diprediksi menjadi rendah. Diperlihatkan dengan tanda koefisien
negatif atas variabel mkt2 pada persamaan fungsi logit 2 (bl).
24
Secara overall, model prediksi kebangkrutan bank melalui telaah rasio keuangan
berbasis CAMEL dan market effect, memiliki ketepatan prediksi sebesar 71.92%. Andil
rasio keuangan dalam memprediksi bank survive (bs) berada pada 90.32%, memprediksi
bank dalam penyelamatan (bdp) adalah 45.45%, dan memprediksi bank likuidasi (bl) adalah
80%. Banyak keraguan untuk mengkategorikan sesuatu bank itu masuk dalam kategori bank
dalam penyelamatan, karena memang tidak dinyatakan secara jelas. Asumsi yang diambil
adalah bahwa resolusi bank demi penyelamatan dunia perbankan mewajibkan peningkatan
kecukupan modal, membawa akibat bank-bank yang tidak cukup kuat struktur
permodalannya..melakukan merger. Inilah yang memicu pengkategorian bank merger
sebagai bank yang sedang berada dalam kondisi penyelamatan, sehingga ketepatan prediksi
hanya 45.45%.
Dalam hal bank likuidasi, 80% ketepatan prediksi diperoleh sebagai akibat memang
terbukti bank itu masuk dalam pengawasan LPS (Lembaga Penjamin Simpanan). Laporan
Tahunan LPS (2010):
… pendekatan penyelamatan bank dalam UU LPS dibedakan menjadi 2 yakni
penyelamatan bank gagal yang tidak berdampak sistemik dan yang berdampak
sistemik; untuk bank gagal tidak sistemik, keputusan melaksanakan penyelamatan
sepenuhnya menjadi wewenang LPS, sedangkan untuk bank gagal sistemik,
keputusan suatu bank berdampak sistemik dan oleh karenanya harus diselamatkan
ditetapkan oleh Forum Stabilitas Sistem Keuangan (FSSK)/KK.
Ketepatan prediksi bank survive adalah 90.32%. Ini membuktikan bahwa API
memainkan perannya sedemikian rupa. Bank-bank yang terkena imbas krisis moneter tahun
1998, direstrukturisasi, dilakukan penguatan permodalan bank, sehingga laporan keuangan
tahun 2006 dan 2007 sudah cukup menunjukkan tingkat permodalan yang baik dan tingkat
pertumbuhan yang baik, tercermin dalam rasio keuangan bank-bank tersebut.
25
5. Kesimpulan
Berbasis hasil model regresi logistik multinomial, diperlihatkan bahwa rasio
keuangan, baik yang berasal dari accounting numbers maupun dari perspektif pasar saham
(market effect), ternyata secara signifikan mampu menjelaskan tingkat kesehatan bank dan
sekaligus menjadi alat prediksi potensi kebangkrutan bank. Diwakili oleh rasio permodalan
(c1, c2) dan rasio market effect (mkt2).
Formula model prediksi kebangkrutan yang ditemukan dari penelitian ini,
diharapkan bisa mengakomodir persoalan penyelamatan bank secara lebih dini, membantu
regulator (pemerintah) dalam membuat tonggak yang kokoh dalam dunia perbankan.
Memberi masukan kepada Bapepam mengenai model prediksi kebangkrutan bank, sehingga
diharapkan Bapepam mencanangkan penambahan pengungkapan apa saja yang dirasa perlu
bagi bank yang listing di Bursa Efek Indonesia (BEI). Pelaporan cash flow belum merata
dijumpai di bank go public. Diharapkan juga melalui penelitian ini, investor lebih bisa
melihat kondisi fundamental perusahaan atau bank, lebih waspada akan kemungkinan
failure yang melanda perusahaan atau bank sebagai tempat berinvestasi. Keputusan
berinvestasi merupakan keputusan penting yang harus diambil investor demi tujuan
peningkatan wealth.
Model prediksi ini memiliki 𝑃𝑠𝑒𝑢𝑑𝑜 𝑅2 44.43%. Ini menunjukkan bahwa ada
informasi lain selain rasio keuangan dalam model penelitian ini yang mungkin saja
mempengaruhi prediksi potensi kebangkrutan bank. Dunia perbankan juga identik dengan
situasi politik suatu negara, kondisi makro ekonomi, kebijakan Bank Indonesia, unsur
corporate governance dari bank itu sendiri. Hal-hal ini yang perlu menjadi bahan kajian
selanjutnya agar bisa mendapatkan model prediksi potensi kebangkrutan bank secara
26
komprehensif demi tercapai kemakmuran perekonomian negara melalui sistem perbankan
yang kokoh.
Diharapkan untuk menjadi penelitian masa mendatang adalah dengan meningkatkan
jumlah sampel, serta mempertimbangkan variabel risiko, corporate governance, dan kondisi
makro ekonomi.
DAFTAR REFERENSI
Altman, Edward I. 1968. Financial Ratios, Discriminant Analysis and the Prediction of
Corporate Bankruptcy. The Journal of Finance. Vol. XXIII (4): 589-609.
Altman, Edward I., Haldeman, Robert G., Narayanan, P. 1977. ZETA Analysis A New
model to identify bankruptcy risk of corporations. The Journal of Finance. Vol. XXIII (4): 29-
54.
Atmanto, Irwan Andri, & Manuputty, Cavin R. Rekayasa Sistemik Tanpa Dasar Hukum.
Gatra. No. 03 Tahun XVI (26 November-2 Desember 2009).
Bauman, Mark P. 2003. The Impact and Valuation of Off-Balance-Sheet Activities
Concealed by Equity Method Accounting. Accounting Horizons. Vol. 17(4): 303-314.
Beaver, William H. 1968. Market Prices, Financial Ratios, and the Prediction of Failure.
Journal of Accounting Research. Vol. 6(2): 179-192.
Belkaoui, Ahmed Riahi. 2004. Accounting Theory, 5th edition. South-Western.
Bendel, Robert B., A. A. Afifi. 1977. Comparison of Stopping Rules in Forward ―Stepwise‖
Regression. Journal of the American Statistical Association. Vol. 72(357): 46-53.
Bernstein, Leopold A. 1989. Financial Statement Analysis Theory, Application, and Interpretation.
Richard D. Irwin, Inc., Illinois.
Bodie, Kane, & Marcus, 2011, Investments and Portfolio Management, 9th
Edition, Irwin
McGraw Hill, Singapore.
Cheng, C.S. Agnes, Chao-Shin Liu & Thomas F. Schaefer. 1997. The The Value-Relevance
of SFAS No. 95 Cash Flows from Operations as Assessed by Security Market Effects.
Accounting Horizons. Vol. 11(3): 1-15.
27
Christenson, Charles. 1983. The Methodology of Positive Accounting. The Accounting
Review. Vol. LVIII (1): 1-21.
Djaelani, Firdaus: Kami Tak Tahu Uang Itu ke Mana. Tokoh. Tempo. Edisi 14-20 Desember
2009.
Fama, Eugene F., Kenneth R. French. 1992. The Cross-Section of Expected Stock Returns.
The Journal of Finance. Vol. 47(2): 427-465.
Fraser, Donald R., & Lyn M. Fraser. 1990. Evaluating Commercial Bank Performance A
Guideto Financial Analysis. Bankers Publishing Company, Illinois.
Gujarati, Damodar N., Dawn C. Porter. 2009. Basics Econometrics, 5th Edition. McGraw-
Hill/Irwin, New York.
Hair, Joseph F., William C. Black, Barry J. Babin, Rolph E. Anderson. 2010. Multivariate
Data Analysis A Global Perspective. Pearson Prentice Hall, New Jersey.
Harman, Harry H. 1989. Modern Factor Analysis. The University of Chicago, Chicago.
Hosmer, David W., Stanley Lemeshow. 2000. Applied Logistic Regression. John Wiley &
Sons, Inc.
Ikatan Akuntan Indonesia. 2009. Standar Akuntansi Keuangan: Per 1 Juli 2009. Jakarta.
Penerbit Salemba Empat.
Iskandar, Tofik: Bank yang Dulu Muram Kini Bersinar. Fokus Utama. Infobank. No.
363Vol. XXXI (Juni 2009).
Jensen, M.C. 1976. Reflection on the State of Accounting Research and the Regulation of
Accounting. Stanford Lectures in Accounting (Graduate School of Business, Stanford
University):11-19.
Kamerschen, David R. 1992. Money and Banking. South-Western Publishing Co.,
Cincinnati.
Keynes, J.N. 1891. The Scope and Method of Political Economy. Macmillan.
LPS (Lembaga Penjamin Simpanan). 2010. Laporan Tahunan.
Machfoedz, Mas’ud. 1994. Financial Ratio Analysis and the Prediction of Earnings Change
in Indonesia. Kelola Gadjah Mada University Business Review. 7: 114-134.
Mulyaningsih, Tri, Anne Daly. 2011. Competitive Conditions in Banking Industry: An
Empirical Analysis of the Consolidation, Competition and Concentration in the Indonesia
Banking Industry between 2001 and 2009. Buletin Ekonomi, Moneter dan Perbankan: 151-
185.
28
Morris, Richard. How Useful are Failure Prediction Models? 1998. Management
Accounting: 22-24.
Ohlson, James A. 1980. Financial Ratios and the Probabilistic Prediction of Bankruptcy.
Journal of Accounting Research. (Spring): 109-131.
Payamta, & Mas’ud Machfoedz. 1999. Evaluasi Kinerja Perusahaan Perbankan Sebelum
dan Sesudah Menjadi Perusahaan Publik di BEJ. Kelola Gadjah Mada University Business
Review. 20 (1999), 54-67.
Qurriyani, Tengku Nuzulul. 2000. Indikasi Potensial menuju Bank Survival melalui
Analisis Rasio Keuangan Model Regresi Logistik Trikotomi. Simposium Nasional Akuntansi III:
619-651. Ikatan Akuntan Indonesia Kompartemen Akuntan Pendidik. Universitas Indonesia.
Depok. Karya Akhir Program Studi Magister Akuntansi Fakultas Ekonomi Universitas
Indonesia.
Republik Indonesia. Penjelasan Atas Undang-Undang Republik Indonesia Nomor 10 Tahun
1998 Tentang Perubahan Atas Undang-Undang Nomor 7 Tahun 1992 Tentang Perbankan.
Ritter, Lawrence S., William L. Silber, & Gregory F. Udell. 2009. Principles of Money,
Banking & Financial Markets.Pearson Education, Inc., Boston.
Sinkey, Joseph F., Jr. 1975. A Multivariate Statistical Analysis of the Characteristics of
Problem Banks. The Journal of Finance: 21-36.
Stone, Mary, & John Rasp. 1991. Tradeoffs in the Choice Between Logit and OLS for
Accounting Choice Studies. The Accounting Review. Vol. 66 (1): 170-187.
Surifah. 2002. Kinerja Keuangan Perbankan Swasta Nasional Indonesia sebelum dan
setelah Krisis Ekonomi. Jurnal Auditing dan Akuntansi Indonesia, Vol. 6 (2): 23-50.
Thomson, James B. 1991. Predicting Bank Failure in the 1980s. Economic Review: 9-20.
Ross L. Watts, Jerold L. Zimmerman. 1978. Towards a Positive Theory of the
Determination of Accounting Standards. The Journal of Finance. Vol. LIII (1): 112-134.
White, Gerald I., Ashwinpaul C. Sondhi, Dov Fried. 2003. The Analysis and Use of
Financial Statements, 3rd
Edition. John Wiley & Sons, Inc., USA.
Zahara, & Sylvia Veronica Siregar. 2009. Pengaruh Rasio CAMEL terhadap Praktik
Manajemen Laba di Bank Syariah. Jurnal Riset Akuntansi Indonesia, Vol. 12 (2): 88-102.
Zainuddin, & Jogiyanto Hartono. 1999. Manfaat Rasio Keuangan dalam Memprediksi
Pertumbuhan Laba: Suatu Studi Empiris pada Perusahaan Perbankan yang Terdaftar di
Bursa Efek Jakarta. Jurnal Riset Akuntansi Indonesia, (1): 66-90.
29
LAMPIRAN 1
TABEL
Tabel 3.1
Sampel Data
2006
No Bank Go Public Listing
1 Bank Arta Niaga Kencana Tbk 2/11/2000
2 Bank Artha Graha Internas ional Tbk 23/8/1990
3 Bank Buana Indones ia Tbk 28/7/2000
4 Bank Bumiputera Indones ia Tbk 15/7/2002
5 Bank Centra l As ia Tbk 31/5/2000
6 Bank Century Tbk 25/6/1997
7 Bank Danamon Indones ia Tbk 6/12/1989
8 Bank Eksekuti f Internas ional Tbk 13/7/2001
9 Bank International Indones ia Tbk 21/11/1989
10 Bank Kesawan Tbk 21/11/2002
11 Bank Lippo Tbk 10/11/1989
12 Bank Mandiri (Persero) Tbk 14/7/2003
13 Bank Mayapada Tbk 29/8/1997
14 Bank Mega Tbk 17/4/2000
15 Bank Negara Indones ia (Persero) Tbk 25/11/1996
16 Bank Niaga Tbk 29/11/1989
17 Bank NISP Tbk 20/10/1994
18 Bank Nusantara Parahyangan Tbk 10/1/2001
19 Bank Pan Indones ia Tbk 29/12/1982
20 Bank Permata Tbk 15/1/1990
21 Bank Rakyat Indones ia (Persero) Tbk 10/11/2003
22 Bank Swades i Tbk 1/5/2002
23 Bank Victoria International Tbk 30/6/1999
30
Tabel 3.2
Kategori Bank Survival
2007
No Bank Go Public Listing
24 Bank Artha Graha Internas ional Tbk 23/8/1990
25 Bank Bukopin Tbk 10/7/2006
26 Bank Bumi Artha Tbk 1/6/2006
27 Bank Bumiputera Indones ia Tbk 15/7/2002
28 Bank Centra l As ia Tbk 31/5/2000
29 Bank Century Tbk 25/6/1997
30 Bank Danamon Indones ia Tbk 6/12/1989
31 Bank Eksekuti f Internas ional Tbk 13/7/2001
32 Bank Himpunan Saudara 1906 Tbk 15/12/2006
33 Bank International Indones ia Tbk 21/11/1989
34 Bank Kesawan Tbk 21/11/2002
35 Bank Lippo Tbk 10/11/1989
36 Bank Mandiri (Persero) Tbk 14/7/2003
37 Bank Mayapada Tbk 29/8/1997
38 Bank Mega Tbk 17/4/2000
39 Bank Negara Indones ia Tbk 25/11/1996
40 Bank Niaga Tbk 29/11/1989
41 Bank NISP Tbk 20/10/1994
42 Bank Nusantara Parahyangan Tbk 10/1/2001
43 Bank Pan Indones ia Tbk 29/12/1982
44 Bank Permata Tbk 15/1/1990
45 Bank Rakyat Indones ia (Persero) Tbk 10/11/2003
46 Bank UOB Buana Tbk 28/7/2000
47 Bank Victoria International Tbk 30/6/1999
2006
Bank dalam
Bank Likuidasi (bl) Penyelamatan (bdp) Bank Survive (bs)
tahun 2007: tahun 2007: Bank Artha Graha Internas ional Tbk
Bank Swades i Tbk Bank Arta Niaga Kencana Tbk → Bank Commonwealth Bank Centra l As ia Tbk
Bank Danamon Indones ia Tbk
tahun 2008: tahun 2008: Bank International Indones ia Tbk
Bank Century Tbk Bank Buana Indones ia Tbk → Bank UOB Buana Tbk Bank Kesawan Tbk
Bank Lippo Tbk → merger menjadi CIMB Niaga Bank Mandiri (Persero) Tbk
tahun 2009: Bank Niaga Tbk → Bank CIMB Niaga Bank Mayapada Tbk
Bank Eksekuti f Internas ional Tbk Bank NISP Tbk → Bank OCBC NISP Bank Mega Tbk
Bank Negara Indones ia Tbk
tahun 2009: Bank Nusantara Parahyangan Tbk
Bank Bumiputera Indones ia Tbk → ICB Bumiputera Bank Pan Indones ia Tbk
Bank Permata Tbk
Bank Rakyat Indones ia (Persero) Tbk
Bank Victoria International Tbk
3 6 14
31
2007
Bank dalam
Bank Likuidasi (bl) Penyelamatan (bdp) Bank Survive (bs)
tahun 2008: tahun 2008: Bank Artha Graha Internas ional Tbk
Bank Century Tbk Bank Lippo Tbk → merger menjadi CIMB Niaga Bank Bukopin Tbk
Bank Niaga Tbk → Bank CIMB Niaga Bank Bumi Artha Tbk
tahun 2009: Bank NISP Tbk → Bank OCBC NISP Bank Centra l As ia Tbk
Bank Eksekuti f Internas ional Tbk Bank Buana Indones ia Tbk → Bank UOB Buana Tbk Bank Danamon Indones ia Tbk
Bank Himpunan Saudara 1906 Tbk
tahun 2009: Bank International Indones ia Tbk
Bank Bumiputera Indones ia Tbk → ICB Bumiputera Bank Kesawan Tbk
Bank Mandiri (Persero) Tbk
Bank Mayapada Tbk
Bank Mega Tbk
Bank Negara Indones ia Tbk
Bank Nusantara Parahyangan Tbk
Bank Pan Indones ia Tbk
Bank Permata Tbk
Bank Rakyat Indones ia (Persero) Tbk
Bank Victoria International Tbk
2 5 17
32
Tabel 4.1
Deskripsi Variabel
2006
Capital Adequacy Market Effect
no bank go public survival c1 c2 c3 mkt1 mkt2 mkt5
1 Bank Arta Niaga Kencana Tbk. 1 0.129 0.156 0.185 0.0003 0.076 1.50
2 Bank Artha Graha International Tbk. 0 0.050 0.065 0.067 0.006 0.021 0.41
3 Bank Bumiputera Indonesia Tbk. 1 0.111 0.115 0.118 0.233 0.033 0.87
4 Bank Central Asia Tbk. 0 0.139 0.242 0.159 0.015 0.101 3.55
5 Bank Centrury Tbk. 2 0.103 0.087 0.124 0.007 0.020 1.79
6 Bank Danamon Indonesia Tbk. 0 0.122 0.191 0.144 -0.029 0.057 3.53
7 Bank Eksekutif International Tbk. 2 0.014 0.097 0.134 0.538 -0.222 0.46
8 Bank International Indonesia Tbk. 0 0.119 0.160 0.141 -0.012 0.085 2.20
9 Bank Kesawan Tbk. 0 0.055 0.080 0.081 0.006 0.021 1.81
10 Bank Lippo Tbk. 1 0.202 0.148 0.261 0.016 0.087 1.88
11 Bank Mandiri (Persero)Tbk. 0 0.109 0.199 0.133 0.055 0.073 2.27
12 Bank Mayapada Tbk. 0 0.055 0.105 0.138 0.136 0.244 1.92
13 Bank Mega Tbk. 0 0.049 0.145 0.076 -0.009 0.052 1.76
14 Bank Negara Indonesia (Persero) Tbk. 0 0.098 0.140 0.136 0.030 0.113 1.68
15 Bank Niaga Tbk. 1 0.112 0.130 0.124 0.021 0.135 2.30
16 Bank NISP Tbk. 1 0.092 0.139 0.122 0.009 0.063 1.71
17 Bank Nusantara Parahyangan Tbk. 0 0.098 0.137 0.108 0.019 0.274 0.79
18 Bank Pan Indonesia Tbk. 0 0.249 0.235 0.307 0.025 0.108 1.76
19 Bank Permata 0 0.082 0.137 0.130 0.003 0.057 1.83
20 Bank Rakyat Indonesia (Persero)Tbk. 0 0.143 0.181 0.160 0.012 0.117 3.75
21 Bank Swadesi Tbk. 2 0.220 0.208 0.258 -0.027 0.064 1.87
22 Bank UOB Buana Tbk. 1 0.213 0.268 0.240 0.012 0.075 1.976
23 Bank Victoria International Tbk. 0 0.109 0.224 0.127 0.092 0.292 0.59
2007
Capital Adequacy Market Effect
no bank go public survival c1 c2 c3 mkt1 mkt2 mkt5
24 Bank Artha Graha International Tbk. 0 0.064 0.072 0.082 -0.069 0.066 2.185
25 Bank Bukopin Tbk. 0 0.064 0.083 0.077 0.015 0.095 1.628
26 Bank Bumi Artha Tbk. 0 0.332 0.391 0.474 -0.010 0.033 1.677
27 Bank Bumiputera Indonesia Tbk. 1 0.107 0.099 0.115 0.036 0.058 1.224
28 Bank Central Asia Tbk. 0 0.132 0.214 0.148 0.004 0.070 4.403
29 Bank Centrury Tbk. 2 0.144 0.114 0.162 0.017 0.046 1.478
30 Bank Danamon Indonesia Tbk. 0 0.137 0.171 0.158 0.024 0.064 3.688
31 Bank Eksekutif International Tbk. 2 0.006 0.097 0.125 0.275 0.014 0.490
32 Bank Himpunan Saudara 1906 Tbk. 0 0.135 0.133 0.156 0.071 0.121 1.233
33 Bank International Indonesia Tbk. 0 0.110 0.144 0.128 -0.020 0.035 2.568
34 Bank Kesawan Tbk. 0 0.051 0.090 0.073 0.009 0.027 1.873
35 Bank Lippo Tbk. 1 0.154 0.142 0.193 0.037 0.117 2.199
36 Bank Mandiri (Persero)Tbk. 0 0.113 0.174 0.134 0.032 0.073 2.479
37 Bank Mayapada Tbk. 0 0.206 0.250 0.270 0.004 0.060 1.912
38 Bank Mega Tbk. 0 0.077 0.174 0.104 0.108 0.152 1.742
39 Bank Negara Indonesia (Persero) Tbk. 0 0.099 0.158 0.128 -0.041 0.036 1.680
40 Bank Niaga Tbk. 1 0.105 0.112 0.115 0.011 0.070 2.101
41 Bank NISP Tbk. 1 0.116 0.147 0.148 0.003 0.060 1.554
42 Bank Nusantara Parahyangan Tbk. 0 0.093 0.162 0.102 0.007 0.144 1.533
43 Bank Pan Indonesia Tbk. 0 0.153 0.196 0.193 0.019 0.081 1.833
44 Bank Permata 0 0.093 0.133 0.139 0.027 0.073 1.802
45 Bank Rakyat Indonesia (Persero)Tbk. 0 0.132 0.159 0.144 0.009 0.077 4.689
46 Bank UOB Buana Tbk. 1 0.207 0.253 0.229 0.002 0.066 1.925
47 Bank Victoria International Tbk. 0 0.063 0.166 0.091 0.115 0.281 0.879
33
Tabel 4.2
Deskripsi statistik
Standard
Variable Mean Deviation Minimum Maximum
Panel A: Descriptive Statistics
surviva l 0.447 0.686 0 2
c1 0.118 0.061 0.006 0.332
c2 0.158 0.061 0.065 0.391
c3 0.152 0.072 0.067 0.474
mkt1 0.039 0.096 -0.069 0.538
mkt2 0.082 0.080 -0.222 0.292
mkt5 1.936 0.939 0.410 4.689
Panel B: Correlations surviva l c1 c2 c3 mkt1 mkt2 mkt5
surviva l 1
c1 0.018 1
c2 -0.207 0.806 1
c3 0.113 0.915 0.791 1
mkt1 0.388 -0.384 -0.215 -0.125 1
mkt2 -0.415 0.065 0.159 -0.077 -0.312 1
mkt5 -0.312 0.252 0.272 0.096 -0.419 -0.011 1
34
Tabel 4.3
Multinomial Logit Model
Variable coefficient z p-value
Panel A: Logit Model
bdp
c1 90.941 2.360 0.018**
c2 -27.975 -1.800 0.072*
c3 -45.248 -1.490 0.135
mkt1 22.412 1.560 0.119
mkt2 -13.898 -1.230 0.219
mkt5 -0.695 -1.100 0.270
intercept 1.113 0.600 0.552
bl
c1 90.946 2.020 0.068*
c2 -86.239 -1.490 0.045**
c3 7.855 -0.510 0.850
mkt1 25.412 -0.510 0.117
mkt2 -103.752 -1.020 0.096*
mkt5 0.206 -1.030 0.907
intercept 2.150 1.450 0.481
Number of obs = 47
LR chi2(12) = 35.62
Prob > chi2 = 0.0004
Pseudo R2 = 0.4443
(**s igni fikan=5%; *s igni fikan=10%)
Panel B: Prediction Correct predicted
survival 0 1 2 tota l
bs 28 3 0 31
90.32 9.68 0 100.00
bdp 5 5 1 11
45.45 45.45 9.09 100.00
bl 0 1 4 5
0.00 20.00 80.00 100.00
tota l 33 9 5 47
70.21 19.15 10.64 100.00
35
LAMPIRAN 2
OUTPUT SPSS19
GET
FILE='C:\Users\quri\Documents\tengkunuzululqurriyani_mra_newest\1tengkunuz
ululqurriyani_mra\1qresearch_mra\excel&spss_final\qspss.sav'.
DATASET NAME DataSet1 WINDOW=FRONT.
LOGISTIC REGRESSION VARIABLES surviv
/METHOD=FSTEP(WALD) c1 c2 c3 a1 a2 m1 m3 e1 e2 e3 l1 l2 l3 l4 mkt1 mkt2
mkt3 mkt4 mkt5
/CRITERIA=PIN(0.7) POUT(0.77) ITERATE(20) CUT(0.5).
Logistic Regression
Case Processing Summary
Unweighted Casesa N Percent
Selected Cases Included in Analysis 47 100.0
Missing Cases 0 .0
Total 47 100.0
Unselected Cases 0 .0
Total 47 100.0
a. If weight is in effect, see classification table for the total number of
cases.
Dependent Variable Encoding
Original Value Internal Value
.00 0
1.00 1
Classification Tablea,b
Observed
Predicted
Surviv Percentage
Correct .00 1.00
Step 0 surviv .00 31 0 100.0
1.00 16 0 .0
Overall Percentage 66.0
a. Constant is included in the model.
b. The cut value is .500
36
Variables in the Equation
B S.E. Wald df Sig. Exp(B)
Step 0 Constant -.661 .308 4.616 1 .032 .516
Variables not in the Equationa
Score df Sig.
Step 0 Variables c1 .510 1 .475
c2 1.184 1 .277
c3 .861 1 .354
a1 1.119 1 .290
a2 .791 1 .374
m1 1.874 1 .171
m3 1.689 1 .194
e1 2.451 1 .117
e2 4.405 1 .036
e3 2.451 1 .117
l1 .477 1 .490
l2 .034 1 .854
l3 .887 1 .346
l4 1.932 1 .165
mkt1 3.317 1 .069
mkt2 4.674 1 .031
mkt3 .126 1 .723
mkt4 .006 1 .938
mkt5 3.499 1 .061
a. Residual Chi-Squares are not computed because of redundancies.
Block 1: Method = Forward Stepwise (Wald)
Omnibus Tests of Model Coefficients
Chi-square df Sig.
Step 1 Step 5.580 1 .018
Block 5.580 1 .018
Model 5.580 1 .018
Step 2 Step 3.891 1 .049
Block 9.471 2 .009
Model 9.471 2 .009
37
Step 3 Step 2.238 1 .135
Block 11.709 3 .008
Model 11.709 3 .008
Step 4 Step 6.685 1 .010
Block 18.395 4 .001
Model 18.395 4 .001
Step 5 Step 3.703 1 .054
Block 22.098 5 .001
Model 22.098 5 .001
Step 6 Step 1.865 1 .172
Block 23.962 6 .001
Model 23.962 6 .001
Step 7 Step 2.797 1 .094
Block 26.759 7 .000
Model 26.759 7 .000
Step 8 Step 2.351 1 .125
Block 29.110 8 .000
Model 29.110 8 .000
Step 9 Step 1.885 1 .170
Block 30.995 9 .000
Model 30.995 9 .000
Step 10 Step 6.858 1 .009
Block 37.853 10 .000
Model 37.853 10 .000
Step 11 Step 4.123 1 .042
Block 41.976 11 .000
Model 41.976 11 .000
Step 12a Step -.051 1 .821
Block 41.925 10 .000
Model 41.925 10 .000
Step 13 Step 4.097 1 .043
Block 46.022 11 .000
Model 46.022 11 .000
Step 14 Step 14.262 1 .000
Block 60.284 12 .000
Model 60.284 12 .000
Step 15a Step .000 1 .996
Block 60.284 11 .000
Model 60.284 11 .000
38
Step 16a Step -27.340 1 .000
Block 32.943 10 .000
Model 32.943 10 .000
Step 17a Step -.028 1 .867
Block 32.915 9 .000
Model 32.915 9 .000
Step 18 Step 14.015 1 .000
Block 46.931 10 .000
Model 46.931 10 .000
Step 19 Step 13.353 1 .000
Block 60.284 11 .000
Model 60.284 11 .000
Step 20a Step -17.120 1 .000
Block 43.164 10 .000
Model 43.164 10 .000
a. A negative Chi-squares value indicates that the Chi-squares
value has decreased from the previous step.
Classification Tablea
Observed
Predicted
surviv Percentage
Correct .00 1.00
Step 1 surviv .00 29 2 93.5
1.00 13 3 18.8
Overall Percentage 68.1
Step 2 surviv .00 28 3 90.3
1.00 10 6 37.5
Overall Percentage 72.3
Step 3 surviv .00 27 4 87.1
1.00 9 7 43.8
Overall Percentage 72.3
Step 4 surviv .00 27 4 87.1
1.00 9 7 43.8
Overall Percentage 72.3
Step 5 surviv .00 28 3 90.3
1.00 7 9 56.3
Overall Percentage 78.7
Step 6 surviv .00 28 3 90.3
39
1.00 5 11 68.8
Overall Percentage 83.0
Step 7 surviv .00 29 2 93.5
1.00 4 12 75.0
Overall Percentage 87.2
Step 8 surviv .00 29 2 93.5
1.00 4 12 75.0
Overall Percentage 87.2
Step 9 surviv .00 29 2 93.5
1.00 4 12 75.0
Overall Percentage 87.2
Step 10 surviv .00 29 2 93.5
1.00 4 12 75.0
Overall Percentage 87.2
Step 11 surviv .00 29 2 93.5
1.00 3 13 81.3
Overall Percentage 89.4
Step 12 surviv .00 30 1 96.8
1.00 3 13 81.3
Overall Percentage 91.5
Step 13 surviv .00 30 1 96.8
1.00 2 14 87.5
Overall Percentage 93.6
Step 14 surviv .00 31 0 100.0
1.00 0 16 100.0
Overall Percentage 100.0
Step 15 surviv .00 31 0 100.0
1.00 0 16 100.0
Overall Percentage 100.0
Step 16 surviv .00 29 2 93.5
1.00 4 12 75.0
Overall Percentage 87.2
Step 17 surviv .00 29 2 93.5
1.00 4 12 75.0
Overall Percentage 87.2
Step 18 surviv .00 30 1 96.8
1.00 1 15 93.8
Overall Percentage 95.7
Step 19 surviv .00 31 0 100.0
40
1.00 0 16 100.0
Overall Percentage 100.0
Step 20 surviv .00 29 2 93.5
1.00 2 14 87.5
Overall Percentage 91.5
a. The cut value is .500
Variables in the Equation
B S.E. Wald df Sig. Exp(B)
Step 1a mkt2 -12.677 7.216 3.086 1 .079 .000
Constant .276 .595 .215 1 .642 1.318
Step 2b mkt2 -11.906 6.380 3.483 1 .062 .000
mkt5 -.887 .528 2.821 1 .093 .412
Constant 1.915 1.157 2.740 1 .098 6.790
Step 3c c1 8.537 5.993 2.029 1 .154 5099.376
mkt2 -12.626 6.785 3.462 1 .063 .000
mkt5 -1.067 .572 3.483 1 .062 .344
Constant 1.235 1.230 1.008 1 .316 3.438
Step 4d c1 33.728 13.266 6.464 1 .011 4.444E14
c2 -29.606 12.845 5.312 1 .021 .000
mkt2 -12.607 7.874 2.563 1 .109 .000
mkt5 -.946 .654 2.091 1 .148 .388
Constant 2.452 1.406 3.044 1 .081 11.614
Step 5e c1 44.474 16.308 7.437 1 .006 2.065E19
c2 -37.535 14.988 6.272 1 .012 .000
mkt1 15.253 9.385 2.641 1 .104 4210275.669
mkt2 -12.815 9.996 1.644 1 .200 .000
mkt5 -.416 .591 .496 1 .481 .660
Constant 1.029 1.507 .466 1 .495 2.798
Step 6f c1 79.174 32.890 5.795 1 .016 2.425E34
c2 -30.579 15.046 4.131 1 .042 .000
c3 -32.263 25.151 1.646 1 .200 .000
mkt1 24.174 12.126 3.974 1 .046 3.153E10
mkt2 -18.498 12.204 2.298 1 .130 .000
mkt5 -.705 .644 1.201 1 .273 .494
Constant 1.522 1.677 .824 1 .364 4.581
Step 7g c1 123.778 49.522 6.247 1 .012 5.703E53
c2 -36.617 16.633 4.847 1 .028 .000
c3 -57.387 32.630 3.093 1 .079 .000
e3 8.665 5.491 2.490 1 .115 5797.368
mkt1 34.591 15.468 5.001 1 .025 1.054E15
41
mkt2 -13.571 10.330 1.726 1 .189 .000
mkt5 -.579 .666 .755 1 .385 .561
Constant -7.276 5.734 1.610 1 .204 .001
Step 8h c1 110.304 48.314 5.212 1 .022 8.021E47
c2 -44.251 18.651 5.629 1 .018 .000
c3 -46.616 34.451 1.831 1 .176 .000
m3 29.885 24.975 1.432 1 .231 9.521E12
e3 17.720 13.980 1.606 1 .205 49601787.239
mkt1 27.675 17.030 2.641 1 .104 1.045E12
mkt2 -15.831 11.781 1.806 1 .179 .000
mkt5 -1.016 .773 1.726 1 .189 .362
Constant -15.729 14.095 1.245 1 .264 .000
Step 9i c1 124.219 53.386 5.414 1 .020 8.867E53
c2 -51.381 21.482 5.721 1 .017 .000
c3 -49.997 37.612 1.767 1 .184 .000
m3 28.427 21.974 1.674 1 .196 2.217E12
e3 19.531 11.430 2.920 1 .087 3.036E8
l4 5.124 3.942 1.689 1 .194 168.000
mkt1 30.745 18.839 2.663 1 .103 2.250E13
mkt2 -14.431 13.045 1.224 1 .269 .000
mkt5 -.828 .791 1.095 1 .295 .437
Constant -20.542 12.037 2.912 1 .088 .000
Step 10j c1 204.605 90.418 5.121 1 .024 7.224E88
c2 -60.689 26.343 5.307 1 .021 .000
c3 -88.144 52.739 2.793 1 .095 .000
m3 47.831 30.023 2.538 1 .111 5.923E20
e3 31.120 14.882 4.373 1 .037 3.276E13
l3 -31.017 16.125 3.700 1 .054 .000
l4 44.184 20.916 4.462 1 .035 1.545E19
mkt1 45.403 25.419 3.191 1 .074 5.229E19
mkt2 -24.775 15.884 2.433 1 .119 .000
mkt5 -1.237 1.016 1.482 1 .223 .290
Constant -33.663 15.893 4.487 1 .034 .000
Step 11k c1 147.955 82.553 3.212 1 .073 1.803E64
c2 -109.152 55.996 3.800 1 .051 .000
c3 17.242 75.784 .052 1 .820 30766800.798
m3 85.951 48.079 3.196 1 .074 2.129E37
e3 40.682 21.775 3.491 1 .062 4.656E17
l2 -23.546 13.528 3.029 1 .082 .000
l3 -46.760 20.017 5.457 1 .019 .000
l4 60.992 25.526 5.709 1 .017 3.078E26
42
mkt1 18.003 29.777 .366 1 .545 65877760.710
mkt2 -20.563 16.785 1.501 1 .221 .000
mkt5 -.777 1.217 .407 1 .523 .460
Constant -42.487 22.463 3.577 1 .059 .000
Step 12k c1 161.544 62.854 6.606 1 .010 1.437E70
c2 -101.273 40.791 6.164 1 .013 .000
m3 81.611 43.045 3.595 1 .058 2.775E35
e3 40.200 20.863 3.713 1 .054 2.876E17
l2 -21.832 11.199 3.800 1 .051 .000
l3 -46.150 20.057 5.294 1 .021 .000
l4 60.304 25.582 5.557 1 .018 1.548E26
mkt1 23.373 19.045 1.506 1 .220 1.416E10
mkt2 -21.332 16.846 1.603 1 .205 .000
mkt5 -.827 1.200 .475 1 .491 .437
Constant -42.086 21.655 3.777 1 .052 .000
Step 13l c1 299.701 198.293 2.284 1 .131 1.440E130
c2 -193.385 127.593 2.297 1 .130 .000
m3 149.846 126.399 1.405 1 .236 1.194E65
e3 76.381 78.214 .954 1 .329 1.486E33
l2 -37.175 25.896 2.061 1 .151 .000
l3 -81.597 57.106 2.042 1 .153 .000
l4 109.176 76.265 2.049 1 .152 2.597E47
mkt1 33.714 40.014 .710 1 .399 4.383E14
mkt2 -39.851 26.279 2.300 1 .129 .000
mkt3 2.093 1.495 1.961 1 .161 8.112
mkt5 -1.092 1.703 .411 1 .521 .336
Constant -79.769 78.978 1.020 1 .312 .000
Step 14m c1 48254.083 718878.281 .005 1 .946 .
c2 -33113.787 492678.758 .005 1 .946 .000
a1 -72480.977 1079435.077 .005 1 .946 .000
m3 40351.237 601293.950 .005 1 .946 .
e3 12338.081 185481.327 .004 1 .947 .
l2 -2971.009 44878.767 .004 1 .947 .000
l3 -10402.895 155325.894 .004 1 .947 .000
l4 14611.843 218274.411 .004 1 .947 .
mkt1 4971.717 74827.087 .004 1 .947 .
mkt2 -3887.823 57935.292 .005 1 .946 .000
mkt3 301.833 4468.086 .005 1 .946 1.214E131
mkt5 37.998 926.426 .002 1 .967 3.179E16
Constant -13596.560 204120.444 .004 1 .947 .000
Step 15m c1 59435.771 766406.339 .006 1 .938 .
43
c2 -40674.292 524316.634 .006 1 .938 .000
a1 -86594.638 1118950.902 .006 1 .938 .000
m3 46821.968 614528.882 .006 1 .939 .
e3 12841.372 175954.336 .005 1 .942 .
l2 -3741.184 48772.921 .006 1 .939 .000
l3 -13321.141 171936.940 .006 1 .938 .000
l4 18659.358 240498.373 .006 1 .938 .
mkt1 7399.161 95094.970 .006 1 .938 .
mkt2 -5163.858 66583.501 .006 1 .938 .000
mkt3 380.534 4913.232 .006 1 .938 1.835E165
Constant -14412.511 194991.184 .005 1 .941 .000
Step 16m c1 104.153 37.099 7.882 1 .005 1.710E45
c2 -74.659 28.832 6.705 1 .010 .000
a1 -248.742 157.751 2.486 1 .115 .000
m3 59.479 35.540 2.801 1 .094 6.782E25
l2 -1.140 6.830 .028 1 .867 .320
l3 -14.374 9.559 2.261 1 .133 .000
l4 20.137 12.123 2.759 1 .097 5.564E8
mkt1 32.115 13.461 5.692 1 .017 8.859E13
mkt2 -21.425 13.666 2.458 1 .117 .000
mkt3 1.075 .838 1.645 1 .200 2.929
Constant -1.710 2.987 .328 1 .567 .181
Step 17m c1 104.814 37.258 7.914 1 .005 3.313E45
c2 -76.217 27.609 7.620 1 .006 .000
a1 -262.644 135.775 3.742 1 .053 .000
m3 62.432 31.039 4.046 1 .044 1.300E27
l3 -13.801 8.768 2.477 1 .115 .000
l4 19.749 11.746 2.827 1 .093 3.776E8
mkt1 32.571 13.275 6.020 1 .014 1.397E14
mkt2 -21.186 13.580 2.434 1 .119 .000
mkt3 1.106 .832 1.766 1 .184 3.021
Constant -1.931 2.651 .530 1 .466 .145
Step 18n c1 425.303 242.666 3.072 1 .080 5.092E184
c2 -315.771 175.174 3.249 1 .071 .000
a1 -975.236 668.228 2.130 1 .144 .000
m3 344.515 204.775 2.830 1 .092 4.178E149
e3 64.093 39.443 2.640 1 .104 6.841E27
l3 -75.011 44.282 2.869 1 .090 .000
l4 109.737 63.850 2.954 1 .086 4.552E47
mkt1 86.833 51.298 2.865 1 .091 5.142E37
mkt2 -34.737 19.719 3.103 1 .078 .000
44
mkt3 3.082 1.672 3.397 1 .065 21.806
Constant -76.528 45.099 2.879 1 .090 .000
Step 19o c1 36729.314 647357.080 .003 1 .955 .
c2 -24954.166 439469.953 .003 1 .955 .000
a1 -123208.119 2179405.076 .003 1 .955 .000
m1 97845.670 1735294.094 .003 1 .955 .
m3 24251.465 428185.927 .003 1 .955 .
e3 5908.842 104050.023 .003 1 .955 .
l3 -6328.084 111274.856 .003 1 .955 .000
l4 8900.889 156665.789 .003 1 .955 .
mkt1 6340.551 111792.981 .003 1 .955 .
mkt2 -2866.066 50826.405 .003 1 .955 .000
mkt3 228.427 4083.101 .003 1 .955 1.601E99
Constant -6988.454 123146.975 .003 1 .955 .000
Step 20o c1 228.609 94.496 5.853 1 .016 1.922E99
c2 -161.812 65.386 6.124 1 .013 .000
a1 -641.896 312.421 4.221 1 .040 .000
m1 573.271 381.250 2.261 1 .133 9.296E248
m3 130.415 68.321 3.644 1 .056 4.352E56
e3 42.438 20.805 4.161 1 .041 2.696E18
l3 -44.164 20.890 4.469 1 .035 .000
l4 58.602 27.684 4.481 1 .034 2.822E25
mkt1 52.287 31.513 2.753 1 .097 5.103E22
mkt2 -18.977 20.322 .872 1 .350 .000
Constant -48.158 22.998 4.385 1 .036 .000
45
LAMPIRAN 3
OUTPUT STATA10
(survival==bs is the base outcome) _cons 2.149533 3.051995 0.70 0.481 -3.832267 8.131332 mkt5 .2061906 1.756202 0.12 0.907 -3.235902 3.648283 mkt2 -103.7515 62.28511 -1.67 0.096 -225.8281 18.3251 mkt1 25.41243 16.2158 1.57 0.117 -6.36995 57.1948 c3 7.854556 41.52174 0.19 0.850 -73.52655 89.23567 c2 -86.23943 43.09866 -2.00 0.045 -170.7112 -1.767613 c1 90.94559 49.82003 1.83 0.068 -6.69987 188.5911bl _cons 1.113018 1.869479 0.60 0.552 -2.551092 4.777129 mkt5 -.6953891 .6300852 -1.10 0.270 -1.930333 .5395552 mkt2 -13.89834 11.30513 -1.23 0.219 -36.056 8.25931 mkt1 22.41176 14.38759 1.56 0.119 -5.787409 50.61092 c3 -45.24778 30.27549 -1.49 0.135 -104.5867 14.09109 c2 -27.97516 15.56059 -1.80 0.072 -58.47336 2.52303 c1 90.94086 38.5063 2.36 0.018 15.46989 166.4118bdp survival Coef. Std. Err. z P>|z| [95% Conf. Interval]
Log likelihood = -22.270883 Pseudo R2 = 0.4443 Prob > chi2 = 0.0004 LR chi2(12) = 35.62Multinomial logistic regression Number of obs = 47
Iteration 8: log likelihood = -22.270883Iteration 7: log likelihood = -22.270883Iteration 6: log likelihood = -22.271187Iteration 5: log likelihood = -22.287605Iteration 4: log likelihood = -22.434135Iteration 3: log likelihood = -22.995142Iteration 2: log likelihood = -24.331821Iteration 1: log likelihood = -27.058366Iteration 0: log likelihood = -40.079296
. mlogit survival c1 c2 c3 mkt1 mkt2 mkt5, base(0)
. label value survival survival
. label define survival 0 "bs" 1 "bdp" 2 "bl"
mkt5 -0.3119 0.2523 0.2722 0.0955 -0.4188 -0.0106 1.0000 mkt2 -0.4150 0.0652 0.1589 -0.0768 -0.3120 1.0000 mkt1 0.3881 -0.3839 -0.2153 -0.1247 1.0000 c3 0.1126 0.9152 0.7911 1.0000 c2 -0.2072 0.8057 1.0000 c1 0.0182 1.0000 survival 1.0000 survival c1 c2 c3 mkt1 mkt2 mkt5
(obs=47). corr survival c1 c2 c3 mkt1 mkt2 mkt5
mkt5 47 1.935766 .9389898 .41 4.689 mkt2 47 .082234 .0796954 -.222 .292 mkt1 47 .0392191 .096151 -.069 .538 c3 47 .1523617 .0721811 .067 .474 c2 47 .1579362 .0614787 .065 .391 c1 47 .1184255 .0610576 .006 .332 survival 47 .4468085 .6855182 0 2 Variable Obs Mean Std. Dev. Min Max
. summarize survival c1 c2 c3 mkt1 mkt2 mkt5
. use "C:\Users\quri\Documents\tengkunuzululqurriyani_mra_newest\qstata10\qqmlogit_data.dta", clear
2. (/v# option or -set maxvar-) 5000 maximum variables 1. (/m# option or -set memory-) 10.00 MB allocated to dataNotes:
harry Licensed to: harry Serial number: 198081611Unlimited-user Stata for Windows (network) perpetual license:
979-696-4601 (fax) 979-696-4600 stata@stata.com 800-STATA-PC http://www.stata.com Special Edition College Station, Texas 77845 USA 4905 Lakeway Drive Statistics/Data Analysis StataCorp___/ / /___/ / /___/ 10.0 Copyright 1984-2007 /__ / ____/ / ____/ ___ ____ ____ ____ ____ tm
46
.
47. .063 .166 .091 .115 .281 .879 bs .9793356 .0206644 1.56e-14 46. .207 .253 .229 .002 .066 1.925 bdp .4278905 .5702609 .0018486 45. .132 .159 .144 .009 .077 4.689 bs .8740675 .121206 .0047264 44. .093 .133 .139 .027 .073 1.802 bs .889639 .1087055 .0016554 43. .153 .196 .193 .019 .081 1.833 bs .7613768 .2378292 .0007939 42. .093 .162 .102 .007 .144 1.533 bs .9232426 .0767574 3.79e-08 41. .116 .147 .148 .003 .06 1.554 bdp .7248201 .2682073 .0069726 40. .105 .112 .115 .011 .07 2.101 bdp .4598109 .5277078 .0124813 39. .099 .158 .128 -.041 .036 1.68 bs .9336233 .0638137 .0025631 38. .077 .174 .104 .108 .152 1.742 bs .9138384 .0861615 1.87e-08 37. .206 .25 .27 .004 .06 1.912 bs .7991933 .189788 .0110188 36. .113 .174 .134 .032 .073 2.479 bs .8264708 .1731825 .0003468 35. .154 .142 .193 .037 .117 2.199 bdp .4772509 .5204144 .0023347 34. .051 .09 .073 .009 .027 1.873 bs .7761633 .1654218 .0584149 33. .11 .144 .128 -.02 .035 2.568 bs .7707394 .185543 .0437176 32. .135 .133 .156 .071 .121 1.233 bs .1593399 .8403712 .0002889 31. .006 .097 .125 .275 .014 .49 bl .255036 .086351 .658613 30. .137 .171 .158 .024 .064 3.688 bs .7726046 .2154164 .011979 29. .144 .114 .162 .017 .046 1.478 bl .0381303 .4216143 .5402554 28. .132 .214 .148 .004 .07 4.403 bs .9709256 .0289934 .000081 27. .107 .099 .115 .036 .058 1.224 bdp .1100529 .8297946 .0601525 26. .332 .391 .474 -.01 .033 1.677 bs .7008746 .0374513 .2616741 25. .064 .083 .077 .015 .095 1.628 bs .7286639 .2710135 .0003226 24. .064 .072 .082 -.069 .066 2.185 bs .9384542 .0585459 .0029999 23. .109 .224 .127 .092 .292 .59 bs .967518 .032482 1.51e-15 22. .213 .268 .24 .012 .075 1.976 bdp .5049371 .4944864 .0005766 21. .22 .208 .258 -.027 .064 1.87 bl .2633058 .6052083 .1314859 20. .143 .181 .16 .012 .117 3.75 bs .8956838 .1042848 .0000314 19. .082 .137 .13 .003 .057 1.83 bs .9574079 .0413494 .0012427 18. .249 .235 .307 .025 .108 1.76 bs .2423721 .7483875 .0092404 17. .098 .137 .108 .019 .274 .79 bs .9325047 .0674953 8.82e-13 16. .092 .139 .122 .009 .063 1.71 bdp .8560578 .1426127 .0013295 15. .112 .13 .124 .021 .135 2.3 bdp .7219346 .2780521 .0000133 14. .098 .14 .136 .03 .113 1.68 bs .8919869 .1079899 .0000232 13. .049 .145 .076 -.009 .052 1.76 bs .9832571 .0167175 .0000254 12. .055 .105 .138 .136 .244 1.92 bs .9913813 .0086187 2.08e-10 11. .109 .199 .133 .055 .073 2.27 bs .8720843 .1278655 .0000502 10. .202 .148 .261 .016 .087 1.88 bdp .1021811 .4042056 .4936133 9. .055 .08 .081 .006 .021 1.81 bs .5664278 .1698614 .2637109 8. .119 .16 .141 -.012 .085 2.2 bs .8698484 .1299539 .0001978 7. .014 .097 .134 .538 -.222 .46 bl 5.10e-15 2.34e-11 1 6. .122 .191 .144 -.029 .057 3.53 bs .9717122 .0279679 .0003199 5. .103 .087 .124 .007 .02 1.79 bl .0279868 .0815541 .8904591 4. .139 .242 .159 .015 .101 3.55 bs .9769495 .0230498 6.68e-07 3. .111 .115 .118 .233 .033 .87 bdp .000779 .7060432 .2931777 2. .05 .065 .067 .006 .021 .41 bs .3157282 .4559813 .2282904 1. .129 .156 .185 .0003 .076 1.5 bdp .8764115 .1206175 .002971 c1 c2 c3 mkt1 mkt2 mkt5 survival bspr bdppr blpr
. list c1 c2 c3 mkt1 mkt2 mkt5 survival bspr bdppr blpr in 1/47
70.21 19.15 10.64 100.00 Total 33 9 5 47 0.00 20.00 80.00 100.00 bl 0 1 4 5 45.45 45.45 9.09 100.00 bdp 5 5 1 11 90.32 9.68 0.00 100.00 bs 28 3 0 31 survival 0 1 2 Total survivalhat
row percentage frequency Key
47
IDENTITAS PEMAKALAH
Nama : Tengku Nuzulul Qurriyani
(mahasiswi Program Pascasarjan Ilmu Akuntansi (PPIA)
Fakultas Ekonomi Universitas Indonesia (FEUI))
Alamat : Central Park C5 Kota Wisata Cibubur
Jakarta 16968
Phone : 021-84931900/87795166
08151679000
E-mail : tengkuquri@hotmail.com
Judul Makalah : Deteksi Dini Potensi Kebangkrutan Bank
Penelitian melalui Analisis Rasio Keuangan dan Market Effect Model Regresi
Logistik Multinomial
Bidang Kajian : Akuntansi Keuangan dan Pasar Modal (AKPM)
(Kuantitatif)
48
Objective Simposium Nasional Akuntansi XV Banjarmasin, 20-23 September 2012 (Paper: Deteksi Dini Potensi Kebangkrutan Bank melalui Analisis Rasio Keuangan dan Market Effect Model Regresi Logistik Multinomial)
Education 2011–present Pascasarjana Ilmu Akuntansi Depok
(semester 3) Universitas Indonesia (PIA-UI)
Akuntansi, Strata 2 (Research Based)
Pascasarjana
1998–2000 Magister Akuntansi Jakarta
Universitas Indonesia (MAKSI-UI)
Akuntansi, Strata 2
Pascasarjana
1987–1992 Universitas Syiah Kuala Banda Aceh
Akuntansi, Strata 1
Sarjana
Experience February 2001- Universitas Atma Jaya Jakarta
December 2002
Dosen
September 2000 Magister Akuntansi Depok
Universitas Indonesia (MAKSI-UI)
Pemakalah
Simposium Nasional Akuntansi III
1992–1995 Kantor Akuntan Publik Bandung
Koesbandijah dan Rekan
Interests membaca, fotografi, musik
49
Personal
Specification Name : Tengku Nuzulul Qurriyani
Date of birth : Medan, 7 Desember 1968
Marital Status : Married
Spouse Name : Syahmudrian Lubis
Children Name : Anqi Querida Lubis
Anza Sahel Lubis
Anra Querina Lubis
Blood Group : A
50
STATEMENTOFAUTHORSHIP
―Saya yang bertandatangan dibawah ini menyatakan bahwa makalah penelitian terlampir
adalah murni hasil pekerjaan saya sendiri. Tidak ada pekerjaan orang lain yang saya
gunakan tanpa menyebutkan sumbernya. Makalah penelitian ini belum pernah
dipublikasikan.‖
Nama :Tengku Nuzulul Qurriyani
(mahasiswi Program Pascasarjana Ilmu Akuntansi (PPIA)
Fakultas Ekonomi Universitas Indonesia (FEUI))
Judul : Deteksi Dini Potensi Kebangkrutan Bank
melalui Analisis Rasio Keuangan
dan Market Effect
Model Regresi Logistik Multinomial
Tanggal : 28 Juni 2012
Tanda Tangan :