26 Tingkat Kesehatan Bank maka predikat Tingkat Kesehatan Bank adalah
sebagai berikut : a.
Untuk predikat Tingkat Kesehatan “Sehat” dipersamakan dengan Peringkat Komposit 1PK-1 atau Peringkat komposit 2 PK-2
b. Untuk predikat Tingkat Kesehatan “Cukup Sehat” dipersamakan
dengan Peringkat Komposit 3 PK-3 c.
Untuk predikat Tingkat Kesehatan “Kurang Sehat” dipersamakan dengan Peringkat Komposit 4 PK-4
d. Untuk predikat tingkat Kesehatan “Tidak Sehat” dipersamakan dengan
Peringkat Komposit 5 PK-5
B. Penelitian – Penelitian Terdahulu
Kesehatan atau kondisi keuangan atau nonkeuangan bank merupakan kepentingan semua pihak terkait, baik pemilik, masyarakat pengguna jasa
bank, pemerintah melalui Bank Indonesia, karena kegagalan perbankan akan berakibat buruk pada perekonomian. Kesehatan suatu bank dapat diketahui
dengan perhitungan sesuai dengan peraturan yang dikeluarkan oleh Bank Indonesia.
Penelitian- penelitian terdahulu yang membahas tentang penilaian kesehatankebangkrutan bank antara lain, Mohamed Salama 2013 dalam
memprediksi keadaankegagalan keuangan bank komersial di Egypt yaitu CIB bank dan CFEB bank. Dalam penelitian ini menggunakan Fuzzy Logic
dengan 13 indikator Capital: EA ; Assets: LPL, PA, LPSTL dan AFCLFC; Earning: NIIA, NOIIA, NPE dan NPA; Liquidity: SA, DA, LD dan ARRB.
27 Setelah mengimplementasikan model tersebut, manajer bank akan dapat
mengetahui tingkat kegagalan keuangan bank, sehingga dapat dilakukan remidi untuk menyelesaikan permasalahan keuangan bank.
Vasu Ravi dalam prediksi kebangkrutan bank. Pada penelitian ini menggunakan Principal Component Analysis Threshold Accepting trained
Wavelet Neural Network Hybrid Hybrid PCA-TAWNN untuk memprediksi kebangkrutan 40 bank Turki dengan 12 indikator
66 bank Spanyol dengan 9 indikator
dan 60 bank UK dengan 10 indikator
Hasil perhitungan dalam penelitian ini diperoleh akurasi dan sensitivitas 100 untuk bank Turki dan Spanyol,
sedangkan untuk bank UK diperoleh akurasi sebesar 89,98 dan sensitivitas sebesar 95,5.
28 Zang, Wu Guo 2014 dalam menentukan peringkat untuk 16 bank
yang ada di China. Pada penelitian ini menggunakan Analytic Hierarchy Process AHP. Dalam penelitian ini menggunakan 13 security: NPL ratio,
core capital adequacy ratio, provision coverage; profitability: return on total assets, ROE Return On Equity, NIM Net Interest Margin, NPM Net Profit
Margin, NIS; development capacity: profit growth, loan growth, risk- adjusted EVA; efficiency: cost to income ratio, cost margin indikator dengan
bobot untuk masing-masing indikator dilakukan secara subjektif. Pardhan, Pathak Singh 2011 menggunakan Neural Network pada
aplikasi untuk prediksi keadaan keuangan Bank of India. Dalam penelitian ini menggunakan 4 indikator
,
Data yang digunakan selama 11 tahun yaitu tahun 2000-2010. Data tahun 2001-2008 digunakan untuk deret Neuran Network dan data tahun 2009-2010
digunakan untuk validasi. Dalam penelitian ini diperoleh error pada Z-value sebesar 3.48 pada tahun 2008, 10,01 pada tahun 2009 dan 6,47 pada
tahun 2010. Nafas, Tayekenko Voitenco 2014. Pada penelitian ini menggunakan
metode Fuzzy Neural Network FNN ANFIS, TSK dan Fuzzy Group Method and Data Handling FGMDH untuk menganalisis keuangan bank dan
prediksi kebangkrutan untuk 170 bank Ukraina untuk data periode 01 Januari 2008 dan 01 Juli 2009. Pada 01 Januari 2008 menggunakan metode Anfis 5
29 aturan, Anfis 10 aturan, TSK 5 aturan, TSK 10 aturan diperoleh error
masing-masing sebesar 12, 14, 10 dan 12. Pada 01 Januari 2008 menggunakan metode
Kromonov’s untuk 5 aturan, 8 aturan, 9 aturan dan 10 aturan diperoleh error masing-masing sebesar 10, 10, 17 dan 13.
Sedangkan untuk prediksi menggunakan metode FGMDH diperoleh error sebesar 14 tahun 2004, 13 tahun 2005, 11,4 tahun 2006, 10 tahun
2007, 8,5 tahun 2008 dan 8,5 tahun 2009. Nurma Jayanti, Sulistyo Puspitodjati dan Tety Elida 2008
menggunakan teknik klasifikasi Pohon Keputusan dalam memprediksi kebangkrutan bank. Pada penelitian ini menggunakan 7 indikator CAR,
ATTM, ROA, ROE, BOPO, NIM dan LDR dan 36 record data_BUSND yang terdiri dari 29 data tidak gagal dan 7 data gagal. Pada model pohon
keputusan yang terbentuk menghasilkan akurasi yang baik terhadap hasil prediksi pada data secara keseluruhan yairu 94,4444.
Penelitian yang dilakukan oleh Ali Nurdin 2005 dengan multivariate discriminant analisys menggunakan metode Z-Score Altman untuk prediksi
kebangkrutan bank pada perbankan Go Publik di bursa efek Jakarta. Dalam penelitian ini diperoleh akurasi sebesar 87.
Penelitian yang dilakukan oleh Yudhi Herliansyah 2002 dengan menggunakan t-test dan analisis diskriminan pada bank Go Publik dan bank
Non Go Publik di Indonesia. Pada penelitian ini menggunakan 10 indikator yaitu rasio CAR, RORA, NPM, ROA, BOPO, LK1, LK2, Ln size, KRLC dan
BMPK. Hasil akurasi prediksi dan observasi terhadap masing-masing model
30 prediksi kebangkrutan adalah 85,78 bank Go Publik dan 94,41 bank Non
Go Publik.
C. Logika Fuzzy