PENGARUH NPL, KREDIT MACET, LABA BERSIH, DAN JUMLAH KREDIT …

PENGARUH NPL, KREDIT MACET, LABA BERSIH, DAN JUMLAH KREDIT YANG DIBERIKAN TERHADAP PENYISIHAN KERUGIAN

KREDIT PADA BANK DI INDONESIA

Friska Prihartini,Muthia Pramesti

Ekstensi Manajemen, PEFE Universitas Indonesia, Kampus UI Depok 16424

E-mail :[email protected]

Abstrak Skripsi ini membahas mengenai bagaimana pengaruh NPL, Kredit Macet, Laba Bersih, dan Jumlah Kredit yang diberikan terhadap Penyisihan Kerugian kredit pada Bank di Indonesia pada periode tahun 2003 sampai dengan 2012. Data yang digunakan berupa laporan keuangan yang meliputi neraca, laporan laba rugi, dan laporan kualitas aktiva produktif. Dengan menggunakan metode Pooled Least Square, hasil penelitian menunjukkan bahwa secara parsial terdapat pengaruh yang signifikan antara NPL, Kredit Macet, Laba Bersih, dan Jumlah Kredit yang diberikan terhadap Penyisihan Kerugian kredit pada Bank di Indonesia. Dimana NPL, Kredit Macet, dan Jumlah Kredit yang diberikan memiliki pengaruh yang signifikan positif terhadap Penyisihan Kerugian kredit.Sedangkan laba bersih memiliki pengaruh yang signifikan negatif terhadap Penyisihan Kerugian kredit. Pengaruh secara bersama-sama dapat dilihat pada hasil R2 bahwa variasi variabel NPL, Kredit Macet, Laba Bersih, dan Jumlah Kredit yang diberikan dapat menjelaskan variabel Penyisihan Kerugian kredit sebesar 59,36%. Kata Kunci : Bank;Jumlah kredit yang diberikan;Kredit macet; Laba bersih;NPL; Penyisihan kerugian kredit

The Effect of NPL, Bad Debt, Net Income, Total Loans & AdvancesforLoan Loss ProvisionsofBanks in Indonesia

Abstract

The purpose of this research is to examinedthe effect of NPL, Bad Debt, Net Income, Total Loans & AdvancesforLoan Loss ProvisionsofBanks in Indonesia in the period of 2003 to2012.The dataused was in the formof financial statement which includeda balance sheet,income statement, andearning asset quality. ByusingPooledLeastSquaremethod, the research result showsthat partially, there is a significant effectbetweenNPL, Bad Debt, Net Income, Total Loans & Advances toLoan Loss ProvisionsofBanks in Indonesia. WhereasNPL, Bad Debt, and Total Loans & Advanceshavea significantpositiveeffectonLoan Loss Provisions.Meanwhile, Net Incomehasa significantnegativeeffectonLoan Loss Provisions. Collectiveinfluencescan be seen inthe result of R2 that thevariable variation ofNPL, Bad Debt, Net Income, Total Loans & Advancescan explain thevariable of Loan Loss Provisions at 59.36%. Keywords: Bad Debt; Bank; Loan Loss Provisions, NetIncome; NPL; Total Loans & Advances

Pengaruh NPL..., Friska Prihartini, FE UI, 2013.

Pendahuluan

Perbankan merupakan industri yang syarat dengan resiko, terutama karenamelibatkan

pengelolaan uang masyarakat dan yang digunakandalamberbagaiinvestasi, seperti pemberian

kredit, pembelian surat-surat berharga dan investasi dana lainnya.

Kondisi perbankan di Indonesia selama beberapa tahun ini penuh dinamika bagi

industri perbankan nasional. Hal ini terlihat dari laporan keuangan perbankan saat mengalami

krisis ekonomi pada tahun 1997 dan krisis keuangan global pada tahun 2008. Krisis yang

terjadi pada tahun 1997-1998 mengakibatkan kurs naik sampai 600 persen dan inflasi sebesar

75 persen. Sementara pada tahun 2008 kurs hanya naik sekitar 20 persen dan inflasi sebesar 3

persen (Kompas, 2010, p.1). Ditengah beratnya tantangan yang dihadapi, bank pada

umumnya mampu mempertahankan kinerja yang positif. Namun demikian, fungsi

intermediasi masih terkendala akibat perubahan kondisi perekonomian yang kurang

menguntungkan.

Indikator utama yang dijadikan dasar penilaian perusahaan adalah laporan keuangan

perusahaan. Berdasarkan laporan keuangan perusahaan dapat dilihat berapa laba yang

berhasil dicapai oleh perusahaan tersebut. Apabila laba yang dicapai oleh perusahaan tersebut

tinggi, maka akan semakin tinggi pula kinerja dari perusahaan tersebut. Disamping itu, bank

memberi laporan keuangan untuk menunjukkan informasi dan posisi keuangan yang disajikan

untuk pihak-pihak yang berkepentingan.

Dalam laporan keuangan dapat menunjukkan posisi penyisihan kerugian kredit yang

terdapat pada neraca sisi aktiva. Penyisihan kerugian kredit terjadi apabila debitur tidak dapat

membayar tunggakan kreditnya, maka pihak bank yang akan mengambil alih

kekuranganatascoveragejaminan kredit debitur tersebut. Bank wajib membentuk atau

menyisihkan dana untuk menutupi risiko atas penyisihan kerugian kredit tersebut, untuk

mengantisipasi jika jaminan atas kredit tersebut tidak dapat menutupi tunggakan kreditnya.

Menurut Suhartono, 2012, penyisihan kerugian kredit ini dalam istilah akuntansi perbankan

lebih dikenal dengan istilah Cadangan Kerugian Penurunan Nilai (CKPN). Dengan

menyisihkan dana sebagai penyisihan kerugian kredit maka laporan keuangan bank tersebut

telah mencerminkan keadaan yang sebenarnya.

Berdasarkanuraianlatarbelakangmasalahdiatasmakayang

menjadirumusanmasalahdaripenelitianiniadalah:

1. ApakahNon Performing Loanberpengaruh terhadapPenyisihan kerugian kredit pada

Bank di Indonesia pada periode tahun 2003 sampai dengan 2012?


2. Apakah Kredit Macet berpengaruh terhadapPenyisihan kerugian kredit pada Bank di

Indonesia pada periode tahun 2003 sampai dengan 2012?

3. Apakah Laba Bersih berpengaruh terhadapPenyisihan kerugian kredit pada Bank di

Indonesia pada periode tahun 2003 sampai dengan 2012?

4. Apakah jumlah kredit yang diberikan berpengaruh terhadapPenyisihan kerugian kredit

pada Bank di Indonesia pada periode tahun 2003 sampai dengan 2012?

5. Apakah pengaruhNon Performing Loan, kredit macet, laba bersih, dan jumlah kredit

yang diberikan secarabersama-sama (simultan)terhadapPenyisihan kerugian kredit pada

Bank di Indonesia pada periode tahun 2003 sampai dengan 2012?

Adapun yang menjaditujuan daripenelitianiniadalah:

1. Menganalisis pengaruhNon Performing LoanterhadapPenyisihan kerugian kredit yang

terjadi pada Bank di Indonesia pada periode tahun 2003 sampai dengan 2012.

2. Menganalisis pengaruhKredit Macet terhadapPenyisihan kerugian kredit yang terjadi

pada Bank di Indonesia pada periode tahun 2003 sampai dengan 2012.

3. Menganalisis pengaruh Laba Bersih terhadapPenyisihan kerugian kredit yang terjadi


4. Menganalisis pengaruh jumlah kredit yang diberikan terhadapPenyisihan kerugian kredit


5. Menganalisis pengaruh Non Performing Loan, kredit macet, laba bersih, dan jumlah

kredit yang diberikan secarabersama-sama (simultan) terhadapPenyisihan kerugian

kredit pada Bank di Indonesia periode tahun 2003 sampai dengan 2012.

Tinjauan Teoritis

Penyisihan kerugian kredit biasa disebut juga dengan Penyisihan kerugian

kredit(Loan-Loss Provisioning) atau Cadangan Kerugian Penurunan Nilai (CKPN) adalah

penyisihan kerugian atas portofolio kredit dan pendanaannya yang mengalami penurunan

nilai ekonomi. Nilai ekonomi dari portofolio kredit dan pendanaannya dapat naik atau turun

disebabkan karena adanya perubahan dengan kualitas kredit yaitu jika terjadi masalah

terhadap itikad baik dan kemampuan debitur untuk melunasi kreditnya. Dalam laporan

keuangan posisi penyisihan kerugian kredit terdapat pada neraca sisi aktiva.Menurut

Pedoman Akuntansi Perbankan Indonesia (PAPI) (2008, 178), CKPN adalah penyisihan yang

dibentuk apabila nilai tercatat kredit setelah penurunan nilai kurang dari nilai tercatat awal.


Non Performing Loan (NPL) menunjukkan bahwa kemampuan manajemen bank

dalam mengelola kredit bermasalah yang diberikan oleh bank. Kredit bermasalah adalah

kredit dengan kualitas kurang lancar, diragukan dan macet (Almilia dan Herdiningtyas,

2005).Menurut Kuncoro dan Suharjono (2001), kredit bermasalah adalah suatu keadaan

dimana nasabah sudah tidak sanggup membayar sebagian atau seluruh kewajibannya kepada

bank sesuai dengan perjanjian.

Kredit Macet adalah suatu keadaan dimana nasabah sudah tidak sanggup membayar

sebagian atau seluruh kewajibannya kepada bank yang seperti sudah diperjanjikan.Menurut

Siamat (1993, 220), kredit macet adalah kredit yang mengalami kesulitan pelunasan akibat

adanya faktor-faktor atau unsur kesengajaan atau karena kondisi di luar kemampuan debitur.

Laba merupakan indikasi kesuksesan suatu badan usaha. Tercapainya laba merupakan

keberhasilan suatu perusahaan dalam melakukan usahanya. Laba ini juga bisa digunakan

sebagai indikator untuk menilai baik tidaknya kinerja suatu perusahaan. Menilai kemampuan

perusahaan dalam memperoleh laba.Dalam bisnis perbankan, laba adalah jumlah yang tersisa

setelah biaya tetap dan biaya variabel dikurangkan dari penerimaan bank (Sastradipoera,

2004,269).

Besarnya jumlah kredit yang disalurkan akan menentukan keuntungan bank. Jika

bank tidak mampu menyalurkan kredit, sementara dana yang terhimpun dari simpanan

banyak, akan menyebabkan bank tersebut rugi (Kasmir, 2008,71).

Metode Penelitian

Sumber-sumber data dari penelitian ini adalah data sekunder yang berupa data

tahunan pada 3 bank pemerintah, 3 bank swasta dan 3 bank asing yang memiliki aset terbesar

dan memiliki kantor cabang lebih dari satu di Indonesiadengan periode penelitian yang

dimulai dari tahun 2003 hingga tahun 2012.

Data yang digunakan merupakan data sekunder berupa data tahunan selama periode

tahun 2003 – 2012. Jenis data yang digunakan dalam penelitian ini adalah data panel

sedangkan pengolahan datanya menggunakan software Eviews 6.Data panel merupakan

penggabungan antara data cross section dan time series. Jika setiap unit cross section

memiliki jumlah observasi time series yang sama, maka data panel dengan jenis seperti itu

disebut dengan balanced panel. Sebaliknya unbalanced panel adalah data panel yang terdiri

dari unit cross section dengan jumlah observasi time series yang berbeda.


Pengambilan sampel yang digunakan dalam penelitian ini menggunakan teknik

purposive judgement sampling, yaitu sampel yang digunakan dipilih berdasarkan penilaian

atau kriteria tertentu yang ditetapkan oleh peneliti sehingga sampel dapat mencerminkan

populasi dan memiliki banyak informasi didalamnya (Cooper dan Schindler , 2006).

Kriteria pemilihan sampel dalam penelitian ini adalah sebagai berikut:

Gambar 1. Flow Chart Pemilihan Sampel

Penelitian ini menggunakan model penelitian dengan model persamaan analisis

regresi berganda.Analisis regresi berganda adalah sebuah teknik statistik yang digunakan

untuk memprediksi variasi variabel terkait dengan meregresikan lebih sari satu variabel bebas

terhadap variabel terikat tersebut secara bersamaan. Analisis regresi berganda dalam

penelitian ini dilakukan untuk menguji pengaruh beberapa variabel bebas terhadap variabel

terikat secara simultan. Analisis regresi berganda akan membantu dalam memahami seberapa

besar variasi dari variabel terikat dapat dijelaskan oleh sejumlah prediktor.


Model penelitian yang digunakan adalah sebagai berikut:

∆LLPit = β0 + β1∆NPLit + β2∆BDit + β3∆NIit + β4∆LAit+ εit

Dimana :

∆LLP = Perubahan penyisihan kerugian kredit / Loan Loss Provisionning, variabelterikat

i = Identitas 9 bank (1,2,3,........,9)

t = Waktu selama penelitian yaitu 10 tahun sejak tahun 2003 hingga 2012.

β0 = Intersep nilai rata-rata Y ketika NPL, kredit macet, laba bersih, dan jumlah kredit

yang diberikan yang sama dengan nol

∆NPL = Perubahan Non Performing Loan (NPL)

∆BD = Perubahan Kredit macet / Bad Debt

∆NI = Perubahan Laba bersih / Net Income

∆LA = Perubahan jumlah kredit yang diberikan / Loan and Advances

ε = Kesalahan acak

Hasil Penelitian

Penelitian ini menggunakan jenis data panel sehingga perlu dilakukan beberapa

pengujian terlebih dahulu dalam memilih metode pendekatan yang digunakan untuk

mengestimasi model penelitian.

Hal pertama yang dilakukan untuk pemilihan model yang tepat adalah melakukan uji

Chow untuk memilih antara penggunaan pendekatan kuadrat terkecil (Pooled Least Square)

atau pendekatan efek tetap (Fixed Effect Model).Indikator yang digunakan pada uji ini adalah

F-statistic.

Penelitian ini memperoleh nilai dari F hitung sebesar 0,4135. Sementara itu F tabel

(FN-1,NT-N-K) pada pengujian ini adalah sebesar 1,29. Dengan demikian dapat dilihat bahwa F

hitung lebih kecil daripada F tabel.Sehingga dapat disimpulkan bahwa H0 tidak ditolak.

Berdasarkan hipotesis, maka dapat diketahui bahwa model yang dipilih adalah model Pooled

Least Square. Sehingga untuk selanjutnya tidak perlu lagi dilakukan uji Haussman yang

diperuntukkan untuk mengetahui apakah model yang akan digunakan model Fixed Effect atau

model Random Effect.

Selanjutnya akan dilakukan uji ekonometrika yang berupa uji asumsi classical linear

regression model (uji asumsi klasik). Tujuan dari pengujian ini untuk memastikan bahwa

model atau persamaan yang diuji tidak melanggar asumsi dasar ekonometrika.Pengujian ini


juga dimaksudkan untuk membuktikan bahwa estimasi yang diperoleh bersifat BLUE (Best

Linear Unbiased Estimator). Beberapa pengujian yang akan dilakukan meliputi pengujian

mengenai heteroskedastisitas, autokorelasi, dan multikolinieritas. Berikut pengujian yang

dilakukan:

a. Uji Heteroskedastisitas

Dalam rangka menghindari adanya heterokedastisitas dalam persamaan yang diuji, maka

dapat dilakukan treatment yang disebut white heteroskedasticity consistent covariance

treatment yang dapat dilakukan dengan menggunakan E-Views 6 pada saat melakukan

estimasi untuk memastikan bahwa persamaan yang diolah telah bebas dari

heteroskedastisitas (Nachrowi, 2006). Dengan menggunakan metode tersebut, maka

permasalahan heteroskedastisitas dianggap sudah teratasi.

b. Uji Autokorelasi

Permasalahan autokorelasi dapat dideteksi dengan menggunakan pengujian statistik d

Durbin Watson.Dari pengujian yang dilakukan, nilai statistik d Durbin Watson dengan

menggunakan model Pooled Least Square yaitu sebesar 2.476068.Maka keputusannya

adalah tolak hipotesis nol yaitu adanya autokorelasi negatif.Permasalahan autokorelasi

dapat diatasi dengan meregresikan variabel bebas dengan autoregresif ordo 1 sampai p,

sehingga gejala autokorelasi dapat dihilangkan.

c. Uji Multikolineritas

Pada penelitian ini dengan menggunakan software Eviews 6 dilakukan uji multikolineritas

untuk mengetahui apakah terdapat hubungan linier (berkorelasi) antar variabel bebas

dalam persamaan. Hasil perhitungan jika nilai matrik korelasi antar variabel penjelas

kurangdari 0,8 artinya bahwa semua variabel penjelas/bebas tidak terjadi

multikolinearitas sehingga tidak membiaskan interprestasi hasil analisis regresi.

Berikut adalah hasil penelitian berupa output E-views 6 dengann menggunakan

model Pooled Least Square:

Tabel 1.Hasil Ringkasan Uji Signifikansi model Pooled Least Square

Variabel Koefisien Prob t-stat R2

NPL 0.331320 0.0001 0.593662

BD 0.17351 0.0427

NI -0.005521 0.0000

LA 0.390491 0.0067

Sumber: output Eviews 6, olahan penulis


Dengan menggunakan tingkat signifikansi sebesar 5% maka dapat dilihat bahwa

terdapat empat variabel yang signifikan mempengaruhi dengan nilai probabilita t-statistik

beserta variabel independennya antara lain: Non Performing Loan (NPL) sebesar 0,0001 ;

Kredit macet (Bad Debt / BD) sebesar 0,0427 ; Laba bersih (Net Interest / NI) sebesar 0.0000,

dan Jumlah kredit yang diberikan (Loan and Advances / LA) sebesar 0.0067. Artinya variabel

NPL, BD, NI, dan LA memberikan pengaruh yang signifikan terhadap penyisihan kerugian

kredit (Loan Loss Provisioning / LLP) bank secara parsial.

Nilai R2 dari model penelitian yang diperoleh dengan menggunakan pendekatan

kuadrat terkecil cukup besar yaitu sebesar 0.593662 (59,36%). Hal ini berarti bahwa sekitar

59,36% dari variasi yang terjadi pada variabel terikat yaitu penyisihan kerugian kredit (Loan

Loss Provisioning / LLP) dapat dijelaskan oleh variabel-variabel bebasnya (NPL, BD, NI,

dan LA). Sehingga dapat diartikan variabel-variabel bebas yang digunakan dalam penelitian

ini dapat menjelaskan variabel terikatnya dengan baik.

Pembahasan - Non Performing Loan signifikan mempengaruhi penyisihan kerugian kredit.

Untuk mengetahui bagaimana pengaruh Non Performing Loan

terhadappenyisihan kerugian kredit, tingginya tingkat Non Performing Loan yang

terjadi dapat menimbulkan keengganan bank untuk menyalurkan kredit karena harus

membentuk penyisihan kerugian kredit yang besar.

Hal ini terbukti dengan hasil penelitian yang menyatakan bahwa Non

Performing Loan memiliki hubungan yang positif dengan penyisihan kerugian kredit.

Hubungan yang positif berarti ketika terjadi peningkatan Non Performing Loan maka

akan mengakibatkan peningkatan padapenyisihan kerugian kredit juga.Hasil

penelitian menunjukkan bahwa jika terjadi kenaikan pada Non Performing Loan

sebesar 1 satuan, maka besarnya penyisihan kerugian kredit akan mengalami kenaikan

sebesar 0,331320 satuan. Hubungan yang signifikan menunjukkan bahwa variabelNon

Performing Loan mampu menangkap pergerakan variabel penyisihan kerugian kredit.

Penelitian yang dilakukan oleh Mohd Yaziz (2011) juga menemukan bahwa

variabelNon Performing Loan memiliki hubungan yang signifikan secara positif

dengan penyisihan kerugian kredit dengan nilai koefisien 0,000743.


Ash Shiddieq dalam penelitiannya juga menemukan bahwa terdapat koefisien

korelasi dan koefisien determinasi Non Performing Loan terhadap CKPN sebesar

0,561 dengan arah positif, hal ini berarti semakin besar Non Performing Loan,

semakin besar pula kemungkinan CKPN yang harus dibentuk, begitu pula sebaliknya

apabila tingkat kredit bermasalah dapat ditekan seminimal mungkin, maka CKPN

yang harus dibentuk jumlahnya dapat dikurangi.

Selain itu Lin dan Mei (2006) menambahkan bahwa telah ditemukan bukti

hubungan kausal antara Non Performing Loan dengan penyisihan kerugian kredit, dan

penentuan Non Performing Loan sebagai variabel penjelas dari penyisihan kerugian

kredit tidak ditolak karena tidak merupakan estimator yang bias.

- Kredit macet signifikan mempengaruhi penyisihan kerugian kredit

Signifikan hubungan pada variabel kredit macet dan penyisihan kerugian

kredit terbukti pada hasil output penelitian yaitu sebesar 0,0427. Arah hubungan yang

positif menjelaskan bahwa koefisien sebesar 0,17351 artinya adalah jika terjadi

kenaikan pada nilai kredit macet sebesar 1 satuan, maka penyisihan kerugian kredit

juga mengalami kenaikan sebesar 0,017351 satuan. Hal ini berarti variabel kredit

macet mampu menangkap pergerakan dari penyisihan kerugian kredit.

Penelitian yang dilakukan oleh Dermine dan Carvalho (2004) juga

menemukan hasil yang sama, bahwa kredit macet mempunyai hubungan yang

signifikan negatif terhadap penyisihan kerugian kredit. Penelitian ini menjelaskan

bahwa nilai kredit macet yang tinggi diakibatkan oleh jaminan kredit yang tidak

mencukupi untuk menutupi jumlah kredit yang macet. Selain itu untuk menghindari

terjadinya pembentukan penyisihan kerugian kredit yang terlalu besar, maka Bank

harus segera melakukan usaha pemulihan kredit macet sejak timbulnya gejala-gejala

kredit tersebut akan macet. Sehingga kredit macet dapat ditangani sedini mungkin.

Selain itu, hasil penelitian yang sama juga ditemukan oleh Xianlei Dong, Jia

Liu, dan Beibei Hu (2012) bahwa kredit macet memiliki hubungan yang negatif

dengan penyisihan kerugian kredit. Penelitian yang mengambil sampel 14 bank

komersial di China selama periode tahun 2001 sampai 2009 dengan menggunakan

perbandingan 3 model penelitian yaitu Ordinary Least Square Model, Random Effect

Model, dan Fixed Effect Model, menemukan bahwa dari semua model yang

digunakan hubungan antara kredit macet dengan penyisihan kerugian kredit adalah

negatif.


Namun hal ini tidak sejalan dengan penelitian yang dilakukan oleh Mohd

Yaziz (2011) serta Podder (2004) yang menemukan bahwa kredit macet tidak

berkorelasi atau tidak signifikan dengan penyisihan kerugian kredit.

- Laba bersih signifikan mempengaruhi penyisihan kerugian kredit

Laba bersih memiliki hubungan negatif dan signifikan terhadap penyisihan

kerugian kredit.Semakin tinggi nilai laba bersih suatu bank, maka akan semakin tinggi

tingkat kemampuan bank dalam mengalokasikan dananya untuk penyisihan kerugian

kredit.

Variabel laba bersih dapat menangkap pergerakan penyisihan kerugian kredit.

Hasil penelitian menunjukkan bahwa jika terjadi kenaikan pada nilai laba bersih

sebesar 1 satuan, maka penyisihan kerugian kredit akan mengalami penurunan sebesar

0, 005521 satuan.

Hal ini sejalan dengan penelitian yang dilakukan Mohd Yaziz (2011) yang

menemukan hubungan negatif antara laba bersih terhadap penyisihan kerugian kredit

sebesar -0.280696.

Hasil penelitian yang sama juga ditemukan oleh Anandarajan (2005) yang

mengambil sampel dari seluruh bank komersial di Australia pada periode tahun 1991

sampai 2001, bahwa terdapat hubungan antara pada laba bersih terhadap penyisihan

kerugian kredit.

- Jumlah kredit yang diberikan signifikan mempengaruhi penyisihan kerugian kredit

Hubungan yang signifikan positif pada variabel jumlah kredit yang diberikan

dan penyisihan kerugian kredit terbukti pada hasil output penelitian. Hubungan yang

signifikan positif artinya jika terjadi peningkatan jumlah kredit yang diberikan maka

akan terjadi pula peningkatan pada penyisihan kerugian kredit. Variabel jumlah kredit

yang diberikan mampu menangkap pergerakan penyisihan kerugian kredit.Hasil

penelitian menunjukkan bahwa jika terjadi kenaikan pada nilai jumlah kredit yang

diberikan sebesar 1 satuan, maka penyisihan kerugian kredit juga mengalami kenaikan

sebesar 0,390491 satuan.

Hal ini sejalan dengan penelitian yang dilakukan Mohd Yaziz (2011), yang

menemukan bahwa variabel jumlah kredit yang diberikan memiliki hubungan yang

signifikan positif dengan penyisihan kerugian kredit.Artinya jumlah kredit yang


diberikan mampu menangkap pergerakan penyisihan kerugian kredit, dengan nilai

koefisien sebesar 0.004954.

Penelitian serupa juga dilakukan oleh Dong, Liu, dan Hu yang melakukan

penelitian pada 14 bank komersial di China selama periode tahun 2001 sampai 2009

sebagai sampel. Data panel yang diolah menggunakan Fixed Effect Model ini

menemukan bahwa terdapat hubungan yang positif antara jumlah kredit yang

diberikan terhadap penyisihan kerugian kredit.

Balla dan McKenna (2009) dalam penelitiannya mengatakan pro terhadap

jumlah kredit yang diberikan pada penyisihan kerugian kredit. Artinya saat terjadi

peningkatan yang besar pada jumlah kredit yang diberikan maka Bank akan

membentuk tingkat penyisihan kredit yang besar.

Kesimpulan Berdasarkan tujuan penelitian yang dilakukan dan analisis dengan menggunakan

pendekatan kuadrat terkecil, diperoleh hasil bahwa:

a. Variabel Non Performing Loan (NPL) ternyata memiliki pengaruh yang signifikan secara

positif terhadap penyisihan kerugian kredit pada Bank di Indonesia periode tahun 2003

sampai dengan 2012, hal ini terlihat berdasarkan nilai probabilita Uji-t sebesar 0,0001 dan

koefisiennya sebesar 0,331320.

b. Variabel kredit macet (Bad Debt / BD) ternyata memiliki pengaruh yang signifikan secara

positif terhadap perubahan penyisihan kerugian kredit pada Bank di Indonesia periode

tahun 2003 sampai dengan 2012, hal ini terlihat berdasarkan nilai probabilita Uji-t sebesar

0,0427 dan koefisiennya sebesar 0,17351.

c. Variabel laba bersih (Net Interest / NI) ternyata memiliki pengaruh yang signifikan secara

negatif terhadap penyisihan kerugian kredit pada Bank di Indonesia periode tahun 2003

sampai dengan 2012, hal ini terlihat berdasarkan nilai probabilita Uji-t sebesar 0,0000

dan koefisiennya sebesar -0,005521.

d. Variabel jumlah kredit yang diberikan (Loan and Advances / LA) ternyata memiliki

pengaruh yang signifikan secara positif terhadap penyisihan kerugian kredit pada Bank di

Indonesia periode tahun 2003 sampai dengan 2012, hal ini terlihat berdasarkan nilai

probabilita Uji-t sebesar 0,0067 dan koefisiennya sebesar 0,390491.


e. Dan secara bersama-sama (simultan) variabel bebas dalam penelitian ini yaitu Non

Performing Loan, kredit macet, laba bersih, dan jumlah kredit yang diberikanpada Bank

di Indonesia periode tahun 2003 sampai dengan 2012 memiliki pengaruh yang

signifikan terhadap penyisihan kerugian kredit yang dijelaskan oleh nilai R2 sebesar

0.593662 (59,36%).

Saran

Dengan melihat temuan dari hasil penelitian ini, maka beberapa saran

yangdapatdiberikan antara lain :

- Untuk penelitian selanjutnya

Penelitian ini masih memiliki beberapa kelemahan dan keterbatasan antara lain

yaitu:

Penelitian ini tidak mengikutsertakan semua jenis Bank dalam sampel.Hal

tersebut dikarenakan sesuai dengan sampel yang digunakan pada jurnal acuan

utama.Diharapkan untuk penelitian selanjutnya dapat mengikutsertakan semua jenis

Bank, seperti Bank Pembangunan Daerah (BPD) dan Bank campuran.Sehingga penelitian

lebih bervariasi datanya.

Penulis melakukan penelitian dengan mengambil periode penelitian selama 10

tahun.Diharapkan untuk penelitian selanjutnya dapat menggunakan periode yang lebih

lama untuk melihat pengaruh jangka panjang dengan lebih baik.

Pada penelitian ini penyisihan kerugian kredit hanya diukur pada Non

Performing Loan (NPL), kredit macet, laba bersih, dan jumlah kredit yang diberikan.

Penyisihan kerugian kredit juga bisa diukur dengan Return on Asset (ROA), Loan Debt

Ratio (LDR), dan lain-lain.

- Untuk Regulator

Sebagai pihak yang dapat menetapkan peraturan demi kemajuan dan manfaat

bagi semua pihak, yaitu mengatur secara proposional tingkat maksimum penyisihan

kerugian kredit yang harus ditetapkan oleh semua Bank.Serta melakukan sosialisasi agar

pemahaman mengenai resiko atas penyisihan kerugian kredit ini dapat disadari oleh

seluruh Bank.


- Untuk Bank

Manajemen bank perlu memperhatikan potensi-potensi kegiatan operasional

Bank yang akan mengakibatkan bertambahnya tingkat penyisihan kerugian kredit. Karena

semakin besar tingkat penyisihan kerugian kredit yang terjadi, maka akan semakin besar

jumlah aset bank yang berkurang karenanya.

Manajemen bank harus selalu mengontrol dan mengawasi arus perubahan

transaksi harian bank, agar setiap angka perubahan yang terjadi dapat diketahui secara

cepat.

Bank harus memiliki sumber daya manusia yang memiliki kapasitas dalam

melakukan penilaian kredit untuk menunjang dalam melakukan analisis dalammelakukan

penyaluran kredit kepada calon debiturnya.Dengan penilaian kedit yang detail dan sesuai

prosedur, maka diharapkan walaupun jumlah kredit yang disalurkan oleh bank cukup

besar, namun tidak menambah jumlah kredit yang Non Performing Loan (NPL).

Daftar Referensi Almilia, Luciana Spica., dan Herdiningtyas, Winny., 2005. Analisis Camel terhadap Prediksi

Kondisi Bermasalah pada Lembaga Perbankan periode 2000-2002. Jurnal Akuntansi dan Keuangan, Vol. 7, No. 2, Nopember 2005.

Anandarajan, Asokan; Hasan, Iftekhar; and McCarthy, Cornelia, ’The Use of Loan Loss Provisioning for Earning, Capital Management and Signalling by Australian Banks” (2005). CRIF Working Paper series. Paper 5.

Balla, Eliana, and McKenna, Andrew. 2009. Dynamic Provisioning : A Countercyclical Tool for Loan Loss Reserves. Economic Quarterly – Volume 95, Number 4 – Fall 2009 – Pages 383 418.

J. Dermine and C. Neto de Carvalho. 2006. Bank Loan-Loss Provisioning, Methodology and Application.

Kasmir.2008. Bank dan Lembaga Keuangan Lainnya. Jakarta : Raja Grafindo Persada

Kuncoro, M. dan Suhardjono. 2001. Manajemen Perbankan Teori dan Aplikasi, Edisi Pertama. Yogyakarta : BPFE.

Lin Peter Wei-Shong and Mei Albert Kuo-Chung. 2006. The internal performance measures of bank lending : a value-added approach. Benchmarking : An International Journal Vol. 13 No. 3, 2006 pp. 272-289.

Mohd Yaziz Bin Mohd Isa. 2011. Determinants of Loan Loss Provisioning of Commercial Bank in Malaysia. Journal of 2nd International Conference on Business and Economic Research (2nd ICBER) Proceeding.


Nachrowi, D Nachrowi, Usman, Hardius. 2006. Pendekatan Populer dan Praktis Ekonometrika Untuk Analisis Ekonomi dan Keuangan.Lembaga Penerbit Universitas Indonesia.

Pedoman Akuntansi Perbankan Indonesia. 2008.

Sastradipoera, Komruddin. 2004. Strategi Manajemen Bisnis Perbankan, Konsep dan Implementasi untuk bersaing. Bandung : Kappa Sigma.

Siamat, Dahlan. 1993. Manajemen Bank Umum. Jakarta : Intermedia.

www.kompas.com (2010, Januari 14) Kalla : Krisis 2008 beda dengan Krisis 1997 – 1998. http://nasional.kompas.com/read/2010/01/14/1128322/

Xianlei Dong, Jia Liu, Beibei Hu. 2012.Research on the Relationship of Commercial Bank’s Loan Loss Provision and Earning Management and Capital Management.


Lampiran Lampiran 1. Data Perubahan Penyisihan Kerugian Kredit, Non Performing Loan, Kredit Macet, Laba Bersih, dan Jumlah kredit yang diberikan, pada 9 jenis Bank selama periode tahun 2003 sampai dengan 2012

Bank Tahun LLP NPL BD NI LA Mandiri 2003 0.255042139 0.475793764 2.583850904 0.214520125 0.149245834 Mandiri 2004 -0.056621367 0.060167932 0.180093959 0.220454498 0.205624434 Mandiri 2005 0.384043919 3.068308364 3.098790901 -0.885195707 0.133053259 Mandiri 2006 0.192641161 -0.301819297 0.022199142 3.013141212 0.090245744 Mandiri 2007 -0.098673744 -0.393693258 -0.394508385 0.794918240 0.159505999 Mandiri 2008 -0.112111557 -0.246657546 -0.278279510 0.222399260 0.253737349 Mandiri 2009 0.032941037 -0.368164102 -0.451674374 0.265693122 0.130062119 Mandiri 2010 -0.129954724 -0.096884890 -0.181392201 0.316258653 0.218738758 Mandiri 2011 0.107793879 0.235716203 0.484784166 0.323948309 0.250302292 Mandiri 2012 0.135336285 -0.007004804 0.003059153 0.216667062 0.241655049

BRI 2003 0.102257057 0.081268106 0.543347704 0.641007700 0.208934524 BRI 2004 0.188128565 -0.088349073 0.124019881 0.451877072 0.310259924 BRI 2005 0.055710046 0.351622866 0.320737603 0.048265344 0.211095488 BRI 2006 0.241726213 0.228922075 1.036504981 0.117887553 0.195271898 BRI 2007 0.035107519 -0.097663606 -0.033607443 0.136328640 0.261075150 BRI 2008 0.151092437 0.124383820 0.020556085 0.231576430 0.413680855 BRI 2009 0.429427563 0.659938044 0.556856641 0.095994239 0.276225761 BRI 2010 0.224200319 0.288464136 0.556280575 0.383327384 0.140587560 BRI 2011 0.133584517 -0.137656019 -0.082580205 0.564940377 0.169137018 BRI 2012 -0.077985021 -0.097857504 -0.138684301 0.280360678 0.236811967 BNI 2003 0.261136695 0.680507729 13.003787546 -0.774239848 0.246023981 BNI 2004 1.547509786 0.159818294 1.078792433 3.229234758 0.264409215 BNI 2005 -0.025201617 1.027478605 1.282914212 -0.060124479 0.060357503 BNI 2006 -0.091590754 -0.234025424 -0.251290428 -0.068965193 0.069784629 BNI 2007 0.413785086 0.171849777 0.430028401 -0.547112637 0.328926118 BNI 2008 0.039704735 -0.260279664 -0.422165287 0.361451029 0.263714612 BNI 2009 0.200601871 -0.082323121 -0.111449559 1.016266048 0.077702289 BNI 2010 0.003603966 0.028642550 0.205155184 0.666489915 0.103122822 BNI 2011 0.032259310 0.055878739 0.337871393 0.387397825 0.187219360 BNI 2012 -0.059555400 -0.048369885 -0.099668536 0.246979401 0.218076428 BCA 2003 0.085377040 0.995872551 -0.521695623 -0.060105773 0.370906954 BCA 2004 0.213480960 -0.241381036 -0.010986123 0.317787570 0.386627350 BCA 2005 0.255932646 0.793010586 4.511670209 0.139894796 0.343611197 BCA 2006 0.286510106 -0.136464271 -0.050410680 0.181830357 0.137151547 BCA 2007 -0.027052276 -0.160802786 -0.011756069 0.059679033 0.340455603 BCA 2008 0.635321693 -0.090587236 -0.091561623 0.166584440 0.365837058 BCA 2009 0.559959323 0.389495773 0.347453333 0.293107115 0.091452325 BCA 2010 -0.092827901 0.168749985 0.200911945 0.233977293 0.252137443


BCA 2011 -0.022459177 -0.001617714 -0.045141936 0.219141789 0.313415955 BCA 2012 0.053191124 -0.003566763 -0.167225003 0.168793654 0.269171496

CIMB 2003 0.050333331 0.486375344 -0.424726955 2.414497883 0.308948239 CIMB 2004 0.301967689 0.425008262 1.969965067 0.332668717 0.522341806 CIMB 2005 -0.080201260 1.226175079 5.629044837 -0.121091936 0.377426808 CIMB 2006 0.136963297 -0.229976781 0.161323731 0.185290692 0.130959665 CIMB 2007 0.585815492 0.406180162 0.875424935 0.177534253 0.260022254 CIMB 2008 0.151820578 -0.062801307 0.048360517 -0.551884729 0.197764670 CIMB 2009 1.042717964 0.654094896 0.306951927 3.410542379 0.639304679 CIMB 2010 0.203751510 0.041065116 0.250585050 0.688971506 0.265330509 CIMB 2011 0.034127570 0.270719735 0.268043352 0.245665390 0.187992046 CIMB 2012 0.085134912 -0.024485896 -0.120485046 0.333622020 0.144008321

Danamon 2003 2.059068211 5.275615351 1.137416548 -0.972041912 0.226165765 Danamon 2004 -0.639038986 -0.641283511 -0.069429555 78.794416664 0.291296343 Danamon 2005 -0.341914122 -0.258019153 0.592723965 -0.168667869 0.228629304 Danamon 2006 0.389987284 0.468493145 1.368911658 -0.338372094 0.143895597 Danamon 2007 0.045360435 -0.148429472 -0.304704467 0.619600221 0.244648644 Danamon 2008 0.050933838 0.293968098 0.173396377 -0.284912984 0.259621726 Danamon 2009 0.417125893 0.857750301 0.356785489 -0.001568139 -0.065458478 Danamon 2010 0.139398154 -0.123899927 -0.034755449 0.881504672 0.259491051 Danamon 2011 -0.107720471 -0.035312007 -0.052221585 -0.172252302 0.157371780 Danamon 2012 0.005198771 0.027454924 0.549727787 0.357124482 0.061312250

HSBC 2003 -0.422991368 -0.399849100 -0.350203257 -0.470049649 0.125438038 HSBC 2004 -0.625784967 -0.648873344 -0.839141621 0.084764791 0.151499972 HSBC 2005 0.556347557 0.160813154 0.015268047 -0.079148079 0.421979588 HSBC 2006 -0.042937862 -0.072798850 -0.455630981 -0.078166653 0.020207544 HSBC 2007 2.092226162 3.499487987 21.766639123 0.506234159 0.384053454 HSBC 2008 0.535361906 0.567113257 0.473842633 0.262916133 0.372122875 HSBC 2009 0.334750004 0.301479787 0.503581729 -0.202206625 -0.106350606 HSBC 2010 -0.792401135 -0.901714543 -0.966301378 0.455789555 0.202916429 HSBC 2011 -0.346387829 0.141676764 0.671711035 0.625295634 0.294923002 HSBC 2012 -0.240007302 -0.406742403 -0.492130303 0.056303068 0.269376757

Citibank 2003 -0.342373389 -0.232738862 -0.499754585 -0.260583142 -0.111919363 Citibank 2004 -0.022526137 -0.413150931 -0.078280184 0.098142298 0.218324050 Citibank 2005 0.131087933 1.480830517 0.353442422 0.213702187 0.233559395 Citibank 2006 0.409271394 -0.176490584 0.531023192 0.081521309 0.404689205 Citibank 2007 0.197346459 0.231423224 0.403552193 0.393386981 0.071812472 Citibank 2008 0.409182103 0.838728259 0.309593548 0.149365754 0.219465918 Citibank 2009 0.015330286 0.084828678 0.290000241 0.102523067 -0.120151324 Citibank 2010 -0.799117832 -0.703456093 -0.914880285 0.047907777 0.118884042 Citibank 2011 -0.083001948 -0.500938731 -0.117219069 -0.193032231 -0.018552399 Citibank 2012 0.025021615 -0.372742807 -0.394534869 0.053358255 0.178750300 Stancard 2003 -0.412587833 -0.495606838 -0.354945436 -0.925074661 -0.045216874 Stancard 2004 -0.259400717 -0.023568886 -0.358168499 1.686180807 0.209074468 Stancard 2005 0.387988020 -0.030655015 0.138333182 0.623785546 0.388220358


Stancard 2006 0.265354954 0.118415838 0.841607011 0.089883563 0.252034800 Stancard 2007 0.424600364 0.849929979 0.348686362 -0.197649836 0.042344464 Stancard 2008 0.324623039 0.359725129 0.357952094 0.095825159 0.716157972 Stancard 2009 -0.332982198 -0.539066857 -0.922359542 0.097987487 -0.123687644 Stancard 2010 1.171583270 1.954390291 24.362387282 -0.868501393 0.451627789 Stancard 2011 0.291242839 0.213669747 0.277509715 3.427972642 0.161845371 Stancard 2012 -0.276016946 -0.190984585 -0.292097561 -0.179927050 0.212289801

Lampiran 2.Hasil Deskripsi Variabel Penelitian

LLP? NPL? BD? NI? LA? Mean 0.150744 0.228362 0.943082 1.170684 0.215357 Median 0.093817 0.028049 0.149828 0.183561 0.218531 Maximum 2.092226 5.275615 24.36239 78.79442 0.716158 Minimum -0.799118 -0.901715 -0.966301 -0.972042 -0.123688 Std. Dev. 0.462581 0.858219 3.744693 8.312941 0.147874 Skewness 1.760060 3.375852 5.099106 9.197323 0.245589 Kurtosis 8.967962 17.76761 29.51542 86.38240 4.411275

Jarque-Bera 180.0293 988.7547 3026.517 27341.20 8.373577 Probability 0.000000 0.000000 0.000000 0.000000 0.015195

Sum 13.56700 20.55255 84.87741 105.3616 19.38215 Sum Sq. Dev. 19.04430 65.55211 1248.022 6150.344 1.946125

Observations 90 90 90 90 90 Cross sections 9 9 9 9 9 Lampiran 3. Hasil pengolahan data dengan model Pooled Least Square Dependent Variable: LLP? Method: Pooled Least Squares Date: 06/08/13 Time: 21:10 Sample: 2003 2012 Included observations: 10 Cross-sections included: 9 Total pool (balanced) observations: 90

Variable Coefficient Std. Error t-Statistic Prob. NPL? 0.331320 0.044012 7.528010 0.0000

BD? 0.017351 0.010138 1.711557 0.0906 NI? -0.005521 0.003872 -1.426023 0.1575 LA? 0.390491 0.132736 2.941858 0.0042

R-squared 0.593662 Mean dependent var 0.150744

Adjusted R-squared 0.579487 S.D. dependent var 0.462581 S.E. of regression 0.299970 Akaike info criterion 0.473155 Sum squared resid 7.738431 Schwarz criterion 0.584258 Log likelihood -17.29199 Hannan-Quinn criter. 0.517958 Durbin-Watson stat 2.370429


Lampiran 4. Hasil pengolahan data dengan model Pooled Least Square yang sudah terbebas dari Heterokedastisitas

Dependent Variable: LLP? Method: Pooled Least Squares Date: 06/08/13 Time: 23:09 Sample: 2003 2012 Included observations: 10 Cross-sections included: 9 Total pool (balanced) observations: 90 White cross-section standard errors & covariance (d.f. corrected)

Variable Coefficient Std. Error t-Statistic Prob. NPL? 0.331320 0.078932 4.197539 0.0001

BD? 0.017351 0.008435 2.056947 0.0427 NI? -0.005521 0.001197 -4.614309 0.0000 LA? 0.390491 0.140394 2.781391 0.0067


Adjusted R-squared 0.579487 S.D. dependent var 0.462581 S.E. of regression 0.299970 Akaike info criterion 0.473155 Sum squared resid 7.738431 Schwarz criterion 0.584258 Log likelihood -17.29199 Hannan-Quinn criter. 0.517958 Durbin-Watson stat 2.370429

Lampiran 5. Hasil Chow Test

Redundant Fixed Effects Tests Pool: LLP Test cross-section fixed effects

Effects Test Statistic d.f. Prob. Cross-section F 0.310104 (8,77) 0.9601

Cross-section Chi-square 2.853945 8 0.9432

Cross-section fixed effects test equation: Dependent Variable: LLP? Method: Panel Least Squares Date: 06/08/13 Time: 21:12 Sample: 2003 2012 Included observations: 10 Cross-sections included: 9 Total pool (balanced) observations: 90

Variable Coefficient Std. Error t-Statistic Prob. C -0.059823 0.056194 -1.064568 0.2901

NPL? 0.333276 0.044016 7.571713 0.0000 BD? 0.016559 0.010157 1.630305 0.1067 NI? -0.005428 0.003870 -1.402697 0.1643 LA? 0.581349 0.223011 2.606820 0.0108


Adjusted R-squared 0.580138 S.D. dependent var 0.462581 S.E. of regression 0.299737 Akaike info criterion 0.482133


Sum squared resid 7.636612 Schwarz criterion 0.621011 Log likelihood -16.69597 Hannan-Quinn criter. 0.538137 F-statistic 31.74358 Durbin-Watson stat 2.396578 Prob(F-statistic) 0.000000

Lampiran 6. Hasil Uji Multikolinearitas

NPL BD NI LA

NPL 1 0.527923 -‐0.124487 0.179715

BD 0.527923 1 -‐0.044384 0.245554

NI -‐0.124487 -‐0.044384 1 0.070733

LA 0.179715 0.245554 0.070733 1


PENGARUH NPL, KREDIT MACET, LABA BERSIH, DAN JUMLAH KREDIT …

Documents

Transcript of PENGARUH NPL, KREDIT MACET, LABA BERSIH, DAN JUMLAH KREDIT …