FAKTOR FAKTOR YANG MEMPENGARUHI PROFITAB
EVALUSI TENGAH SEMESTER GANJIL 2017
JARINGAN SYARAF TIRUAN
FAKTOR-FAKTOR YANG MEMPENGARUHI PROFITABILITAS
DAN KLASIFIKASI BERDASARKAN LABA ATAU RUGI
PERBANKAN DI INDONESIA MENGGUNAKAN
PENDEKATAN NEURAL NETWORK
Dedi Setiawan (06211440000071)
Mahasiswa Departemen Statistika, FKMSD, ITS-Surabaya
dedi1statistika@gmail.com
Abstrak. Industri perbankan saat ini masih menghadapi tantangan yang sangat bervariasi, mulai dari
profitabilitas yang rendah atau bahkan kerugian. Bank Indonesia (BI) selaku bank primer di Indonesia
seharusnya dapat membuat kebijakan untuk dapat membantu meningkatakan industry perbankan kea rah yang
lebih baik lagi. Dalam peraturan Bank Indonesia terdapat beberapa faktor yang digunakan untuk
mengukur tingkat kesehatan bank, yaitu profil resiko (risk profile), Good Corporate Governance, rentabilitas
(earnings), dan permodalan (capital). Untuk mengatasi masalah perbankan di Indonseia perlu dilakukan analisis
untuk mengetahui faktor-faktor yang mempengarui tingkat profitabilitas. Selain, itu juga dilakukan
pengklasifikasian bank di Indonesia yang rugi atau tidak. Unit observasi yang digunakan dalam penelitian ini
sebnyak 84 bank yang ada di Indonesia, dengan menggunakan variabel sebanyak 7 variabel. Metode yang
digunakan adalah regresi stepwise, regresi logistik dan juga neural network. Hasil yang diperoleh bahwa metode
neural network lebih baik disbanding dengan metode regresi stepwise dan juga regresi logistik. Faktor-faktor
yang berpengaruh terhadap profitabilitas perbakan di Indonesia adalah resiko kredit, efisiensi manajemen,
permodalan, dan juga inflasi
Kata Kunci : Klasifikasi, Neural Network, Profitabilitas, Regresi, Rugi
I. PENDAHULUAN
Dewasa ini industri perbankan masih harus menghadapi berbagai tantangan yang terus
berkembang. Oleh karena itu, perbankan bersama Bank Indonesia harus membuat kebijakan untuk
memperbaiki posisi dan mengembangkan industri perbankan ke arah yang lebih baik dari tahun-tahun
sebelumnya. Tantangan dan harapan inilah yang menjadi dasar tujuan bagi Bank Indonesia bersama
perusahaan perbankan untuk menciptakan berbagai keputusan atau kebijakan. Kebijakan yang tepat
dan didukung dengan pengawasan serta penilaian terhadap kinerja perbankan akan membantu
perbankan untuk mencapai tujuan. Bank Indonesia selaku pembina dan pengawas bank di Indonesia
menyatakan kebijakan yang berkaitan dengan masalah tingkat kesehatan bank umum. Dalam
peraturan Bank Indonesia terdapat beberapa faktor yang digunakan untuk mengukur tingkat
kesehatan bank, yaitu profil resiko (risk profile), Good Corporate Governance , rentabilitas
(earnings), dan permodalan (capital). Untuk mengetahui penilaian kinerja perusahaan dapat
dilakukan dengan menganalisis laba rugi yang di dalamnya terdapat profitabilitas atau laba yang
dicapai perusahaan yang merupakan aspek penilaian rentabilitas (earnings). Penilaian terhadap
profitabilitas bank dapat digunakan untuk menilai hasil kinerja bank dari tahun ke tahun serta dapat
digunakan untuk menentukan strategi dan tujuan di masa yang akan datang.
Terdapat beberapa faktor fundamental internal dan eksternal yang dapat mempengaruhi
profitabilitas perusahaan perbankan yang ada di Indonesia yaitu pengaruh resiko kredit yang
menggambarkan potensi timbulnya kredit macet dari setiap rupiah dana yang disalurkan untuk
pinjaman atau kredit yang merupakan rasio dari loan loss provision dan total loans, resiko likuiditas
yang menggambarkan besar aset likuid yang dapat digunakan untuk memenuhi kewajiban kepada
deposan yang merupakan rasio dari liquid asset dan total asset, efisiensi manajemen yang
menggambarkan besarnya biaya operasional yang dapat mengurangi pendapatan operasional bank
sehingga mencerminkan kemampuan bank dalam melakukan efisiensi biaya yang nilai rasionya
EVALUSI TENGAH SEMESTER GANJIL 2017
JARINGAN SYARAF TIRUAN
didapat dari operating cost dan operating revenue, permodalan yang menggambarkan jumlah modal
sendiri yang dimiliki bank untuk menutupi setiap rupiah aset yang mengalami penurunan nilai yang
merupakan rasio dari equality capital dan total asset, efisiensi inflasi yang menggambarkan kenaikan
harga barang secara umum yang terjadi secara berkelanjutan, untuk nilai efisiensi inflansi disini
merupakan koefisien beta yang didapat dari nilai variabel inflansi, dan efisiensi Produk Domestik
Bruto (PDB) yang menggambarkan nilai pasar dari seluruh barang dan jasa yang dihasilkan di
indonesia, nilai efisiensi PDB disini merupakan koe fisien beta yang didapat dari nilai variabel PDB.
Berdasarkan penjelasan di atas maka perlu dilakukan untuk menganalisis faktor-faktor yang
mempengaruhi perbankan di Indonesia, salah satu metode yang dapat digunakan adalah regresi.
Selain, itu juga dilakukan klasifikasai perbankan di Indonesia untuk mengetahui apkah bank tersebut
termasuk bank yang merugi atau tidak. Metode yang digunakan adalah menggunakan pendekatan
Neural Network.
II. METODE DAN TINJAUAN PUSTAKA
Pada analisis ini, metode yang digunakan meliputi metode untuk pre-processing data dan metode
analisis data. Metode preprocessing data yang digunakan adalah Attribute Transformation.
Sedangkan untuk metode analisis yang digunakan adalah analisis regresi stepwise, neural network,
regresi logistik dan juga klasifikasi menggunakan algoritma neural network. Pada penelitian ini
software yang digunakan adalah Matlab R2010a dan R 3.4.2. Toolbox yang digunakan pada software
matlab adalah “nftool” dan “nprtool”. Sedangkan, untuk package R yang digunakan antara lain
“GGally”, “nuralnet”, “tidyverse”, “ggplot2”, “tibble”, “dplyr”, “purrr”, “readr”, dan “stats”. Berikut
tahapan analisis yang ditampilkan dalam bentuk diagram pada Gambar 1
Data
Pre-processing data : Attribute Transformation
Melakukan transformasi untuk mengubah skala data
menjadi [0-1]
1.
2.
3.
4.
5.
6.
Analisis :
Deskriptif dan Karakteristik
Regresi Stepwise
Regresi Neural Network
Regresi Logistik
Klasifikasi dengan Algoritma Neural Network
Singular Value Decomposition (SVD)
Kesimpulan
Gambar 1. Diagram Alir Penelitian
A. Tahap Pre-Processing
Tahap ini merupakan tahap untuk mempersiapkan data sebelum diolah menggunakan data
mining dengan metode apapun. Secara umum, ada beberapa cara yang dapat digunakan pada tahap
pre-processing ini [1], yaitu :
1. Aggregation, yaitu mengombinasikan dua objek atau lebih guna mereduksi jumlah objek yang
ingin diolah, dalam hal ini bisa observasi ataupun variabel.
EVALUSI TENGAH SEMESTER GANJIL 2017
JARINGAN SYARAF TIRUAN
2.
Sampling, yaitu pemilihan sebagian dari keseluruhan data yang akan digunakan. Langkah ini
hampir sama dengan langkah sebelumnya, yaitu bertujuan untuk mengurangi jumlah data,
namun dengan tidak menghilangkan karakteristik populasi.
3. Dimensionality reduction, yaitu mereduksi dimensi, baik variabel maupun observasi demi
memperkecil volume memori dan mempersingkat waktu pemrosesan. Biasanya digunakan
factor analysis, principal components analysis, multidimensional scaling, cluster analysis,
canonical correlation, dan lain sebagainya.
4. Feature selection digunakan untuk menghilangkan fitur-fitur atau variabel yang kurang relevan
dan yang dapat menimbulkan kebingungan.
5. Feature creation, yaitu membuat artificial attribute sehingga dapat menangkap informasi
penting dari data daripada hanya menggunakan attribute yang asli.
6. Discretization and binarization , yaitu transformasi data dari kontinyu ke diskret atau dari banyak
nilai ke biner.
7. Attribute transformation, konversi yang dilakukan kepada attribute lama ke attribute baru
menggunakan transformasi matematis tertentu sehingga dapat dilakukan pemrosesan data
dengan lebih baik.
Pada analisis ini metode pre-processing data yang digunakan adalah Attribute Transformation
yaitu dengan merubah skala data menjadi [0-1], transformasi bertujuan untuk menyamakan skala dari
data karena ada beberapa variabel yang memiliki skala yang sangat berbeda dengan variabel lain.
Rumus yang digunakan untuk transformasi data ditampilkan pada persamaan 1.
B.
� =
� − i �
(1)
ax � − i �
Tahap Analisis
Pada penelitian ini metode yang digunakan adalah regresi dan dan klasifikasi menggunakan
algoritma neural network. Berikut merupakan penjelasan dari metode-metode yang digunakan dalam
analisis.
1. Statistika Deskriptif
Statistika deskriptif adalah metode-metode yang berkaitan dengan pengumpulan dan penyajian
suatu gugus data sehingga memberikan informasi yang berguna. Mean adalah salah satu ukuran untuk
memberikan gambaran yang lebih jelas dan singkat tentang sekumpulan data. Mean juga merupakan
wakil dari sekumpulan data atau dianggap suatu nilai yang paling dekat dengan hasil pengukuran
yang sebenarnya. rumus yang digunakan untuk menghitung mean data adalah :
x
1
n
x
n
i 1
i
(2)
keterangan,
xi = data pengamatan ke-i
n
= banyaknya data
Nilai minimum adalah nilai terendah dari suatu data. Sedangkan nilai maksimum adalah nilai tertinggi
dari suatu data. [2]
Korelasi digunakan untuk mengrtahui hubungan antara keeratan antar variabel. Nilai korelasi
berkisar diantara -1 hingga 1, semakin mendekati angka 1 maka hubungan kedua variabel tersebut
sngat erat, tanda positif dan negatif sebagai arah hubungan. Sedangkan jika korelasi mendekati angka
0 maka dapat dipastikan bahwa kedua variabel mempunyai hubunga yang sangat kecil atau bahkan
tidak memiliki hubungan. Rumus korelasi dapat ditampilkan pada persamaan 3 dibawah ini
EVALUSI TENGAH SEMESTER GANJIL 2017
JARINGAN SYARAF TIRUAN
(3)
keterangan,
� = jumlah data
= variabel pertama
= variabel kedua
� = korelasi
�
= 1, 2, 3..., �
2. Regresi
Regresi merupakan metode yang digunakan untuk mengatahui pola hubungan antara varaibel
respon (y) dan variabel prediktor (x).secara sederhada peramaan regresi linier berganda dapat
dituliskan dengan persamaan sebagai berikut ini
=� +�
+�
+ ⋯+ �
+�
4)
keterngan,
= variabel respon, i : 1, 2, …, n
x
= variabel prediktor
� = koefisen, j : 1, 2, …, k
� = error
Ada beberapa macam jenis dan metode regresi ini, pada analisis ini metode regresi yang digunakan
adalah regresi stepwise dan regresi neural network. Berikut penjelasan untuk regresi stepwise
i. Regresi Stepwise
Regresi Stepwise melibatkan dua jenis proses yaitu: forward selection dan backward elimination.
Teknik ini dilakukan melalui beberapa tahapan. Pada masing-masing tahapan,kita akan memutuskan
variabel mana yang merupakan prediktor terbaik untuk dimasukkan ke dalam model. Variabel
ditentukan berdasarkan uji-F, variabel ditambahkan ke dalam model selama nilai p-value nya kurang
dari nilai kritik alpha (α). Kemudian variabel dengan nilai p-value lebih dari nilai kritik α akan
dihilangkan. Proses ini dilakukan terus menerus hingga tidak ada lagi variabel yang memenuhi
kriteria untuk ditambahkan atau dihilangkan. [3]
ii. Koefisen Determinasi dan Sum Square Error
Kebaikan dari model regresi yang terbentuk dapat dilihat berdasarkan nilai dari koefisien
deteriminasi (Rsq) dan atau nilai dari sum square error (SSE). Nilai koefisien determinasi merupakan
suatu ukuran yang menunjukan besar sumbangan dari variabel penjelasan terhadap respon [4]. Rumus
untuk menghitung koefisien diterminasi di tampilkan pada persamaan 5 dibawah ini
��� = 1 −
�
5)
keterangan,
SSE = Sum Square Error
SST = Sum Square Total
Sum square error adalah kesalah dari hasil prediksi model terhadap nilai sebenarnya, sehingga
semakin kecil SSE maka model yang terbentuk semakin baik.
3. Klasifikasi
Metode klasifikasi yang digunakan untuk kasus perbankan di Indonesia adala dengan metode
regresi logistik dan juga klasifikassi dengan algoritma neural network.
EVALUSI TENGAH SEMESTER GANJIL 2017
JARINGAN SYARAF TIRUAN
i.
Regresi Logistik
Model regresi logistik digunakan untuk mencari hubungan antara variabel respon yang bersifat
kategorik dengan variabel prediktor yang bersifat kontinu atau kategorik. Nilai dari variabel respon
Y yang bersifat biner atau dikotomus dibedakan atas dua kategori, misalnya Y = 0 dan Y = 1. Misalkan
terdapat k variabel X’ = (X1, X2, …, Xk) yang berpasangan dengan variabel respon Y. Peluang Y = 1
dinotasikan dengan π(x). Fungsi regresi logistik π(x) adalah:
dimana, �
=� +�
+�
�
+ ⋯+ �
=
�� �
+� � �
6)
[5]
Fungsi regresi di atas berbentuk curvilinear sehingga untuk membuatnya menjadi fungsi linear
dilakukan transformasi logit sebagai berikut [6]:
log
� �
+� �
=�
7)
Metode estimasi parameter menggunakan maximum likelihood estimation.
ii. Tingkat Akurasi
Akurasi klasifikasi pada dat imbalance dapat dihitung menggunakan Area Under ROC Curve
(AUC). Rumus untuk menghitung AUC adalah sebagai berikut ini [7]:
�
��� = � ∑ = �
8)
dimana,
�
� = ∑�
�=1
��
� = jumlah prediksi �̂� yang tepat diklasifikasikan ke �
� = jumlah prediksi �̂ yang diklasifikasikan ke �
4. Neural Network
Neural Networks (NN) dapat dipandang sebagai model regresi nonlinear dimana kompleksitas
modelnya dapat diubah-ubah. Pada level kompleksitas yang paling rendah, NN hanya terdiri dari satu
lapisan input dan satu lapisan output. NN memungkinkan untuk mengubah kompleksitas jaringan
sehingga dapat mengakomodasi efek nonlinear, khususnya efek interaksi diantara variabel
independen. Hornik dkk. (1987) telah menunjukkan bahwa NN dengan satu hidden layer mampu
menghampiri sembarang fungsi pada himpunan kompak tanpa asumsi awal tentang fungsi yang
dimodelkan.
Terdapat tiga jenis utama dari ANN yakni Multilayer Perceptron, Radial Basis Function, dan
Kohonen Network. Multilayer Perceptron merupakan model yang paling banyak digunakan untuk
melakukan prediksi. Radial Basis Function merupakan model yang dapat melakukan hal yang
dilakukan oleh Multilayer Perceptron. Kohonen Network baik digunakan pada permasalahan
clustering [8]. Pada penelitian Ini digunakan model Multilayer Perceptron karena model ini umum
digunakan pada permasalahan prediksi. merupakan model yang memetakan suatu set input data
menjadi set output, dengan menggunakan Multilayer Perceptron fungsi aktivasi nonlinier. Pada
Multilayer Perceptron variabel independen maupun dependen dapat memiliki tingkat pengukuran
metrik maupun nonmetrik. Multilayer perceptron merupakan feedforward neural network dimana
informasi bergerak hanya dalam satu arah, dari simpul input melalui simpul tersembunyi dan simpul
output [9]. NN dapat digunakan untuk regresi dan juga untuk klasifikasi. Berikut contoh gambar ANN
untuk regresi dan klasifikasi
EVALUSI TENGAH SEMESTER GANJIL 2017
JARINGAN SYARAF TIRUAN
a)
b)
Gambar 2. Gambar Arsitektur Artificial Neural Network a) Regresi dan b) Klasifikasi
C. Data dan Variabel Penelitian
Data yang digunakan dalam analisis ini adalah data mengenai profitablitas perbankan di
Indonesia pada tahun 2010. Data yang digunakan memiliki 8 variabel, diantaranya adalah variabel
profitabilitas (y), resiko kredit , resiko likuiditas (x2), efisiensi manajemen (x3), permodalan (x4), β
inflasi (x5), β PDB (x6), dan kode klasifikasi (bernilai 0 dan 1, 1 : rugi dan 0 : untung). Setelah
dilakukan transformasi untuk menyamakan skala data, selanjutnya akan dilakukan pembagian data
untuk data training dan testing. Proporsi yang digunakan adalah [80, 20] persen.
III. HASIL DAN PEMBAHASAN
Hasil analisis mengenai profitabilitas perbankan dan klasifikasi perbankan di Indonesia pada
thaun 2010 akan dibahas pada poin-poin dibawah ini.
A. Karakteristik Data
Karakteristik data perbankan di Indonesia pada tahun 2010 dapat dilihat pada Tabel 1 dibawah
ini
Tabel 1. Karakteristik Data Perbankan di Indonesia Tahun 2010
Variable
Minimum
Maximum
Resiko Kredit
Resiko Likuiditas
Efisiensi Manajemen
Permodalan
Inflasi
PDB
Profitabilitas
0.0007
0.1767
0.5816
0.0602
-199797.8055
-21.3287
-0.0568
0.4756
0.7767
2.0949
0.2484
292664.0113
44.1636
0.0339
Mean
0.0272
0.3151
0.8277
0.1119
2225.0188
-0.1740
0.0133
Std. Deviation
0.0518
0.1156
0.1816
0.0335
51471.0087
6.7298
0.0124
Berdsarkan Tabel 1 dapat diketahui bahwa data mempunyai skala yang berbeda sehingga perlu
dilakukan transformasi sehingga akan dihaslkan persamaan regresi yang terbaik. Pada Tabel 1 juga
dapat dilihat bahwa data cenderung homogen. Selanjutnya dilakukan trasnformasi data
mengggunakan Persamaan 1, dan akan dilihat untuk pola hubungan antara semua variabel penelitian
terhadap profitabilitas menggunakan korelasi dan plot, yang ditampilkan pada Gambar 3 dibawah ini
EVALUSI TENGAH SEMESTER GANJIL 2017
JARINGAN SYARAF TIRUAN
Gambar 3. Hubungan Antar Setiap Variabel
Berdasarkan plot pada Gambar 3 dapat diketahui tidak semua variabel memberikan pengaruh
positif terhadap profitabilitas, variabel yang memeberikan pengaruh negatif adalah variabel Resiko
Kredit, Resiko Likuiditas, dan Efisiensi Manajemen. Variabel efisiensi manajemen memberikan
pengaruh yang sangat besar terhadap profitabilitas, sedangkan variabel PDB memberikan pengaruh
sebaliknya. Dimana jika dilihat dari nilai korelasi urutan hubungan terbesar sampai terkecil secara
terurut adalah sebagai berikut efisiensi manajeman, risiko manajeman, risiko likuiditas, β inflasi,
permodalan dan β PDB. Berikut merupakan pie chart untuk jumlah bank yang mengalami kerugian
dan tidak.
Gambar 4. Pie Chart Klasifikasi Perbankan di Indonesia 2010
Berdasarkan Gambar 4 dari 84 bank yang di observasi, hanya 4 bank saja yang diklasifikasikan
mengalami kerugian. Bank yang mengalami kerugian tersebuat diantaranya adalah Bank Central Asia
Tbk (BBCA), Bank Mizuho Indonesia (BMZI), Bank Maybank Indonesia Tbk (BNII) dan Bank
Tabungan Pensiunan Nasional,Tbk (BTPN). Sehingga, berdasarkan pie chart dapat disimpulkan
bahwa data imbalance, cenderung masuk klasifikasi 0 (tidak merugi).
B. Regresi untuk Memprediksi Nilai Profitabilitas Bank
Selanjutnya akan dilakukan analisis regresi stepwise dan regresi neural network, berikut
pembahasan mengenai hasil analisis
1. Regresi Stepwise
Menggunakan regresi stepwise karena diduga ada beberapa variabel yang tidak berpengaruh
signifikan terhadap perofitabilitas bank, hasil estimasi parameter menggunkan software R dapat
ditampilkan pada Tabel 2 berikut ini
EVALUSI TENGAH SEMESTER GANJIL 2017
JARINGAN SYARAF TIRUAN
Tabel 2. Hasil Estimasi Parameter denan Regresi
Variabel
Estimate
Std. Error
T
P-Value
(Intercept)
RK
0.9028
0.02509
35.983
2E-16
0.22367
0.06828
3.276
0.00173
-1.22501
0.06299
-19.448
2.00E-16
PERMODALAN
0.07546
0.03123
2.417
0.01862
INFLASI
0.09356
0.04982
1.878
0.06512
EM
Berdasarkan Tabel 2 dengan menggunakan alpha sebesar 10% maka dapat diketahui bahwa
variabel yang signifikan berpengaruh terhadap profitabilitas adalah resiko kredit, efisiensi
manajemen, permodalan dan juga inflasi. Nilai Rsq untuk persmaan regresi diatas dengan data
training didapatkan adalah sebesar 0,9173 dan nilai SSE sebesar 0,04359. Berikut plot residual yang
digunakan untuk uji asumsi klasik residual
Gambar 4. Plot Residual
Berdasarkan Gambar 4 dapat diketahui bahwa residual tidak memenuhi asumsi klasik regresi. Dengan
menggunakan persamaan yang diperoleh pada Tabel 2 diatas maka akan diprediksi untuk data testing
sejumlah 20% dari data dan didapatkan hasil nilai SSE sebesar 0,9572176, nilai SSE ini masih sangat
tinggi bila dibandingkan dengan skala data profitabilitas yaitu (0-1).
2. Regresi Neural Network
Berikut ini analisis menggunakan regresi neural network dengan beberapa kombinasi hidden,
yang digunakan adalah [1,1], [8,1], [10,1] dan [20]. Dengan menggunakan data training dan testing
dan menggunakan kombinasi hidden yang digunakan maka didaptkan nilai SSE yang dapat ditampil
pada tabel dibawh ini
Tabel 3. Perbandingan Sum Square Error (SSE)
Hidden
Data
SSE
[1,1]
Training
Testing
[8,1]
Training
Testing
[10,2]
Training
Testing
[20]
Training
Testing
0.0712
0.0669
0.0712
0.0669
0.7014
0.0656
0.0704
0.0118
Berdasarkan Tabel 3 dapat disimpulkan bahwa model yang baik adalah saat hidden sebanyak 20 dan
layer sebanyak satu, berikut gambar jaringan syaraf yang diperoleh
EVALUSI TENGAH SEMESTER GANJIL 2017
JARINGAN SYARAF TIRUAN
Gambar 5. Jaringan Syaraf untuk [20]
3.
Perbandingan Performansi Model
Berikut perbandingan nilai sum square error untuk masing-masing metode, dapat dilihat pada
Gambar 6.
Gambar 6. Perbandingan Nilai Sum Square Error untuk Setiap Metode
Berdasarkan Gambar 6 dapat diketahui bahwa metode Neural Network untuk regresi lebih baik
disbanding metode regresi linier berganda, hal ini dapat dilihat berdasarkan hasil nilai SSE dimana
untuk metode NN cenderung memberikan nilai SSE yang kecil. Dari 4 kombinasi hidden layer yang
digunakan hidden [20] merupakan yang paling optimum untuk kasus regresi profitabilitas perbankan
di Indonesia pada tahun 2010 ini.
C. Klasifikasi Perbankan di Indonesia
Pengklasifikasian bank di Indonesia berdasarkan rugi tidaknya dapat menggunakan dua metode
yaitu regresi logistik dan klasifikasi menggunkan algoritma neural network, berikut hasil analis
yang diperoleh
1. Regresi Logistik
Dengan menggunakan SPSS didapatkkan estimasi parameter untuk regresi logistik terlihat pada
Tabel 4 dibawah ini
EVALUSI TENGAH SEMESTER GANJIL 2017
JARINGAN SYARAF TIRUAN
Tabel 4. Hasil Estimasi Parameter untuk Koefisien Parameter Logistik
Variabel
df
Sig.
Exp(B)
RK
225.88387
B
332077.7
S.E.
4.627E-07
Wald
1
0.9994573
1.259E+98
RL
5.2175073
27175.829
3.686E-08
1
0.9998468
184.47377
EM
64.62623
107832.79
3.592E-07
1
0.9995218
1.166E+28
Permodalan
3.0692944
35539.547
7.459E-09
1
0.9999311
21.526709
Inflasi
-14.16733
183301.42
5.974E-09
1
0.9999383
7.034E-07
PDB
-23.788734
285272.46
6.954E-09
1
0.9999335
4.663E-11
Constant
-31.693887
52556.09
3.637E-07
1
0.9995188
1.72E-14
Berdarkan Tabel 5 dapat diketahui bahwa semua variabel tidak signifikan terhadpa kode, atau
klasifikasi bank rugi tau tidak. Berikut hasil tabel klasifikasi untuk data training dan testing yang
diperoleh
Tabel 5. Tabel Hasil Klasifikasi Data Training dan Testing Menggunkan Regresi Logistik
Sample
Training
Testing
Observed
0
1
Overall
Percent
0
1
Overall
Percent
Predicted
0
Percent
Correct
64
2
1
0
0
100%
0%
97%
16
2
0
0
89%
0%
100%
0%
89%
97%
0%
Berdasarkan Tabel 5 dapat diketahui bahwa tidak ada yang tepat diklasifikasikan ke kelompok
satu, sehingga metode ini kurang baik digunakan saat data imbalance.
2. Klasifikasi dengan Neural Network
Berdasarkan hasil analisis klasifikasi dengan neural network menggunakan software SPSS
didapatkan jumlah hidden layer optimum adalah sebanyak lima dengan jumlah layer sebanyak satu,
berikut gambar arsitektur neural network yang terbentuk
Gambar 7. Arsitektur Neural Network yang Terbentuk
EVALUSI TENGAH SEMESTER GANJIL 2017
JARINGAN SYARAF TIRUAN
Berdasarkan hasil neural network diatas maka dilakukan untuk data testing, sehingga didapatkan hasil
prediksi untuk data testing yang dapat dilihat pada Tabel 6 dibawah ini
Tabel 6. Tabel Hasil Klasifikasi untuk Data Testing
Sample
Training
Testing
Observed
Predicted
0
0
1
Overall
Percent
0
1
Overall
Percent
Percent
Correct
1
63
0
0
2
100%
100%
97%
3%
100%
17
0
0
2
100%
100%
89%
11%
100%
Berdasarkan Tabel 6 diatas dapat diketahui bahwa dengan menggunakan algoritma neural network,
data testing dapat tepat 100% di klasifikasikan.
3. Perbandingan Akurasi
Data yang digunakan untuk setiap kelas klasifikasi tidak balance (imbalance) sehingga dalam
perhitungan tingkat keakurasiian menggunkan metode AUC, berikut hasil AUC untuk setiap metode
yang digunakan
Tabel 7. Perbandingan Nilai Akurasi Setiap Metode
Metode
Sample
AUC
Regresi
Logistik
Training
50%
Testing
50%
Neural
Netwoek
Training
100%
Testing
100%
Berdasarkan Tabel 7 diatas dapat diketahui bahwa pengklasifikasian menggunakan neural
network sangat baik, karena dapat memberikan nilai akurasi yang sempurna yaitu 100%.
IV. KESIMPULAN DAN SARAN
Pada tahun 2010 kondisi perbankan di Indonesia, terdapat 4 bank yang mengalami kerugian yaitu
Bank Central Asia Tbk (BBCA), Bank Mizuho Indonesia (BMZI), Bank Maybank Indonesia Tbk
(BNII) dan Bank Tabungan Pensiunan Nasional, Tbk (BTPN). Rata-rata profitabilitas perbakan di
Indonesia pada tahun 2010 sebesar 1,33% dimana bank yang berada dibawah angka tersebut sebanyak
52,38% bank. Faktor-faktor yang berpengaruh terhadap profitabilitas perbakan di Indonesia adalah
resiko kredit, efisiensi manajemen, permodalan, dan juga inflasi. Metode regresi dengan algoritma
neural network dengan hidden layer sebanyak 20 lebih baik dibandingkan dengan metode regresi
stepwise karena memberikan nilai SSE yang lebih rendah. Pengklasifikasian menggunakan NN
sangat lebih baik dibandingkan dengan regresi logistik, saat jumlah hidden layer sebanyak 5 akurasi
yang diperoleh sebesar 100%.
Perlu dilakukan pemodelan ulang dengan menggunakan kombinasi hidden layer dan jumlah
layer yang lain. Untuk regresi performansi model tidak hanya di lihat dari SSE saja mungkin bisa
menggunakan Rsq. Untuk pengklasifikasian seharusnya digunakan dengan data yang imbalance
sehingga untuk metode regresi logistiK bisa lebih akurat lagi.
DAFTAR PUSTAKA
[1] Gorunescu, Florin. (2011). Data Mining : Concepts, Models, and Techniques. Berlin : Springer.
[2] Hair, J. F. Jr. 1995. Multivariate Data Analysis with Readings, 4th edition . Madison : Pearson
Prentice-Hall.
EVALUSI TENGAH SEMESTER GANJIL 2017
JARINGAN SYARAF TIRUAN
[3] Suprihartiningsih, E. (2017). Analisis Regresi : Pemilihan Model Terbaik. Retrieved from
http://ernasuprihartiningsih.blogspot.co.id
[4] Siagaan, D., Sugiarto. (2006). Metode Statistika Untuk Bisnis dan Ekonomi . PT Gramedia
Pustaka Utama. Jakarta
[5] Hosmer, D.W. Lemeshow, S. (1989). Applied Logistic Regression. New York: John Wiley &
Sons Ltd.
[6] Agresti, A. (1990). Categorical Data Analysis. New York: John Wiley and Sons, Inc.
[7] Bekkar, M., Djeemaa, H., & Alitouch, T. (2013). Evaluation Measures for Models Assesment
over Imbalanced Data Sets, Vol 3. Journal of Information Engineering an Application , 27-38.
[8] J. Hair & R. Anderson (1998). Multivariate Data Analysis. New York: Prentice Hall
[9] D. Pyle.(1999). Data Preparation for Data Mining. Morgan Kaufmann Publisher
JARINGAN SYARAF TIRUAN
FAKTOR-FAKTOR YANG MEMPENGARUHI PROFITABILITAS
DAN KLASIFIKASI BERDASARKAN LABA ATAU RUGI
PERBANKAN DI INDONESIA MENGGUNAKAN
PENDEKATAN NEURAL NETWORK
Dedi Setiawan (06211440000071)
Mahasiswa Departemen Statistika, FKMSD, ITS-Surabaya
dedi1statistika@gmail.com
Abstrak. Industri perbankan saat ini masih menghadapi tantangan yang sangat bervariasi, mulai dari
profitabilitas yang rendah atau bahkan kerugian. Bank Indonesia (BI) selaku bank primer di Indonesia
seharusnya dapat membuat kebijakan untuk dapat membantu meningkatakan industry perbankan kea rah yang
lebih baik lagi. Dalam peraturan Bank Indonesia terdapat beberapa faktor yang digunakan untuk
mengukur tingkat kesehatan bank, yaitu profil resiko (risk profile), Good Corporate Governance, rentabilitas
(earnings), dan permodalan (capital). Untuk mengatasi masalah perbankan di Indonseia perlu dilakukan analisis
untuk mengetahui faktor-faktor yang mempengarui tingkat profitabilitas. Selain, itu juga dilakukan
pengklasifikasian bank di Indonesia yang rugi atau tidak. Unit observasi yang digunakan dalam penelitian ini
sebnyak 84 bank yang ada di Indonesia, dengan menggunakan variabel sebanyak 7 variabel. Metode yang
digunakan adalah regresi stepwise, regresi logistik dan juga neural network. Hasil yang diperoleh bahwa metode
neural network lebih baik disbanding dengan metode regresi stepwise dan juga regresi logistik. Faktor-faktor
yang berpengaruh terhadap profitabilitas perbakan di Indonesia adalah resiko kredit, efisiensi manajemen,
permodalan, dan juga inflasi
Kata Kunci : Klasifikasi, Neural Network, Profitabilitas, Regresi, Rugi
I. PENDAHULUAN
Dewasa ini industri perbankan masih harus menghadapi berbagai tantangan yang terus
berkembang. Oleh karena itu, perbankan bersama Bank Indonesia harus membuat kebijakan untuk
memperbaiki posisi dan mengembangkan industri perbankan ke arah yang lebih baik dari tahun-tahun
sebelumnya. Tantangan dan harapan inilah yang menjadi dasar tujuan bagi Bank Indonesia bersama
perusahaan perbankan untuk menciptakan berbagai keputusan atau kebijakan. Kebijakan yang tepat
dan didukung dengan pengawasan serta penilaian terhadap kinerja perbankan akan membantu
perbankan untuk mencapai tujuan. Bank Indonesia selaku pembina dan pengawas bank di Indonesia
menyatakan kebijakan yang berkaitan dengan masalah tingkat kesehatan bank umum. Dalam
peraturan Bank Indonesia terdapat beberapa faktor yang digunakan untuk mengukur tingkat
kesehatan bank, yaitu profil resiko (risk profile), Good Corporate Governance , rentabilitas
(earnings), dan permodalan (capital). Untuk mengetahui penilaian kinerja perusahaan dapat
dilakukan dengan menganalisis laba rugi yang di dalamnya terdapat profitabilitas atau laba yang
dicapai perusahaan yang merupakan aspek penilaian rentabilitas (earnings). Penilaian terhadap
profitabilitas bank dapat digunakan untuk menilai hasil kinerja bank dari tahun ke tahun serta dapat
digunakan untuk menentukan strategi dan tujuan di masa yang akan datang.
Terdapat beberapa faktor fundamental internal dan eksternal yang dapat mempengaruhi
profitabilitas perusahaan perbankan yang ada di Indonesia yaitu pengaruh resiko kredit yang
menggambarkan potensi timbulnya kredit macet dari setiap rupiah dana yang disalurkan untuk
pinjaman atau kredit yang merupakan rasio dari loan loss provision dan total loans, resiko likuiditas
yang menggambarkan besar aset likuid yang dapat digunakan untuk memenuhi kewajiban kepada
deposan yang merupakan rasio dari liquid asset dan total asset, efisiensi manajemen yang
menggambarkan besarnya biaya operasional yang dapat mengurangi pendapatan operasional bank
sehingga mencerminkan kemampuan bank dalam melakukan efisiensi biaya yang nilai rasionya
EVALUSI TENGAH SEMESTER GANJIL 2017
JARINGAN SYARAF TIRUAN
didapat dari operating cost dan operating revenue, permodalan yang menggambarkan jumlah modal
sendiri yang dimiliki bank untuk menutupi setiap rupiah aset yang mengalami penurunan nilai yang
merupakan rasio dari equality capital dan total asset, efisiensi inflasi yang menggambarkan kenaikan
harga barang secara umum yang terjadi secara berkelanjutan, untuk nilai efisiensi inflansi disini
merupakan koefisien beta yang didapat dari nilai variabel inflansi, dan efisiensi Produk Domestik
Bruto (PDB) yang menggambarkan nilai pasar dari seluruh barang dan jasa yang dihasilkan di
indonesia, nilai efisiensi PDB disini merupakan koe fisien beta yang didapat dari nilai variabel PDB.
Berdasarkan penjelasan di atas maka perlu dilakukan untuk menganalisis faktor-faktor yang
mempengaruhi perbankan di Indonesia, salah satu metode yang dapat digunakan adalah regresi.
Selain, itu juga dilakukan klasifikasai perbankan di Indonesia untuk mengetahui apkah bank tersebut
termasuk bank yang merugi atau tidak. Metode yang digunakan adalah menggunakan pendekatan
Neural Network.
II. METODE DAN TINJAUAN PUSTAKA
Pada analisis ini, metode yang digunakan meliputi metode untuk pre-processing data dan metode
analisis data. Metode preprocessing data yang digunakan adalah Attribute Transformation.
Sedangkan untuk metode analisis yang digunakan adalah analisis regresi stepwise, neural network,
regresi logistik dan juga klasifikasi menggunakan algoritma neural network. Pada penelitian ini
software yang digunakan adalah Matlab R2010a dan R 3.4.2. Toolbox yang digunakan pada software
matlab adalah “nftool” dan “nprtool”. Sedangkan, untuk package R yang digunakan antara lain
“GGally”, “nuralnet”, “tidyverse”, “ggplot2”, “tibble”, “dplyr”, “purrr”, “readr”, dan “stats”. Berikut
tahapan analisis yang ditampilkan dalam bentuk diagram pada Gambar 1
Data
Pre-processing data : Attribute Transformation
Melakukan transformasi untuk mengubah skala data
menjadi [0-1]
1.
2.
3.
4.
5.
6.
Analisis :
Deskriptif dan Karakteristik
Regresi Stepwise
Regresi Neural Network
Regresi Logistik
Klasifikasi dengan Algoritma Neural Network
Singular Value Decomposition (SVD)
Kesimpulan
Gambar 1. Diagram Alir Penelitian
A. Tahap Pre-Processing
Tahap ini merupakan tahap untuk mempersiapkan data sebelum diolah menggunakan data
mining dengan metode apapun. Secara umum, ada beberapa cara yang dapat digunakan pada tahap
pre-processing ini [1], yaitu :
1. Aggregation, yaitu mengombinasikan dua objek atau lebih guna mereduksi jumlah objek yang
ingin diolah, dalam hal ini bisa observasi ataupun variabel.
EVALUSI TENGAH SEMESTER GANJIL 2017
JARINGAN SYARAF TIRUAN
2.
Sampling, yaitu pemilihan sebagian dari keseluruhan data yang akan digunakan. Langkah ini
hampir sama dengan langkah sebelumnya, yaitu bertujuan untuk mengurangi jumlah data,
namun dengan tidak menghilangkan karakteristik populasi.
3. Dimensionality reduction, yaitu mereduksi dimensi, baik variabel maupun observasi demi
memperkecil volume memori dan mempersingkat waktu pemrosesan. Biasanya digunakan
factor analysis, principal components analysis, multidimensional scaling, cluster analysis,
canonical correlation, dan lain sebagainya.
4. Feature selection digunakan untuk menghilangkan fitur-fitur atau variabel yang kurang relevan
dan yang dapat menimbulkan kebingungan.
5. Feature creation, yaitu membuat artificial attribute sehingga dapat menangkap informasi
penting dari data daripada hanya menggunakan attribute yang asli.
6. Discretization and binarization , yaitu transformasi data dari kontinyu ke diskret atau dari banyak
nilai ke biner.
7. Attribute transformation, konversi yang dilakukan kepada attribute lama ke attribute baru
menggunakan transformasi matematis tertentu sehingga dapat dilakukan pemrosesan data
dengan lebih baik.
Pada analisis ini metode pre-processing data yang digunakan adalah Attribute Transformation
yaitu dengan merubah skala data menjadi [0-1], transformasi bertujuan untuk menyamakan skala dari
data karena ada beberapa variabel yang memiliki skala yang sangat berbeda dengan variabel lain.
Rumus yang digunakan untuk transformasi data ditampilkan pada persamaan 1.
B.
� =
� − i �
(1)
ax � − i �
Tahap Analisis
Pada penelitian ini metode yang digunakan adalah regresi dan dan klasifikasi menggunakan
algoritma neural network. Berikut merupakan penjelasan dari metode-metode yang digunakan dalam
analisis.
1. Statistika Deskriptif
Statistika deskriptif adalah metode-metode yang berkaitan dengan pengumpulan dan penyajian
suatu gugus data sehingga memberikan informasi yang berguna. Mean adalah salah satu ukuran untuk
memberikan gambaran yang lebih jelas dan singkat tentang sekumpulan data. Mean juga merupakan
wakil dari sekumpulan data atau dianggap suatu nilai yang paling dekat dengan hasil pengukuran
yang sebenarnya. rumus yang digunakan untuk menghitung mean data adalah :
x
1
n
x
n
i 1
i
(2)
keterangan,
xi = data pengamatan ke-i
n
= banyaknya data
Nilai minimum adalah nilai terendah dari suatu data. Sedangkan nilai maksimum adalah nilai tertinggi
dari suatu data. [2]
Korelasi digunakan untuk mengrtahui hubungan antara keeratan antar variabel. Nilai korelasi
berkisar diantara -1 hingga 1, semakin mendekati angka 1 maka hubungan kedua variabel tersebut
sngat erat, tanda positif dan negatif sebagai arah hubungan. Sedangkan jika korelasi mendekati angka
0 maka dapat dipastikan bahwa kedua variabel mempunyai hubunga yang sangat kecil atau bahkan
tidak memiliki hubungan. Rumus korelasi dapat ditampilkan pada persamaan 3 dibawah ini
EVALUSI TENGAH SEMESTER GANJIL 2017
JARINGAN SYARAF TIRUAN
(3)
keterangan,
� = jumlah data
= variabel pertama
= variabel kedua
� = korelasi
�
= 1, 2, 3..., �
2. Regresi
Regresi merupakan metode yang digunakan untuk mengatahui pola hubungan antara varaibel
respon (y) dan variabel prediktor (x).secara sederhada peramaan regresi linier berganda dapat
dituliskan dengan persamaan sebagai berikut ini
=� +�
+�
+ ⋯+ �
+�
4)
keterngan,
= variabel respon, i : 1, 2, …, n
x
= variabel prediktor
� = koefisen, j : 1, 2, …, k
� = error
Ada beberapa macam jenis dan metode regresi ini, pada analisis ini metode regresi yang digunakan
adalah regresi stepwise dan regresi neural network. Berikut penjelasan untuk regresi stepwise
i. Regresi Stepwise
Regresi Stepwise melibatkan dua jenis proses yaitu: forward selection dan backward elimination.
Teknik ini dilakukan melalui beberapa tahapan. Pada masing-masing tahapan,kita akan memutuskan
variabel mana yang merupakan prediktor terbaik untuk dimasukkan ke dalam model. Variabel
ditentukan berdasarkan uji-F, variabel ditambahkan ke dalam model selama nilai p-value nya kurang
dari nilai kritik alpha (α). Kemudian variabel dengan nilai p-value lebih dari nilai kritik α akan
dihilangkan. Proses ini dilakukan terus menerus hingga tidak ada lagi variabel yang memenuhi
kriteria untuk ditambahkan atau dihilangkan. [3]
ii. Koefisen Determinasi dan Sum Square Error
Kebaikan dari model regresi yang terbentuk dapat dilihat berdasarkan nilai dari koefisien
deteriminasi (Rsq) dan atau nilai dari sum square error (SSE). Nilai koefisien determinasi merupakan
suatu ukuran yang menunjukan besar sumbangan dari variabel penjelasan terhadap respon [4]. Rumus
untuk menghitung koefisien diterminasi di tampilkan pada persamaan 5 dibawah ini
��� = 1 −
�
5)
keterangan,
SSE = Sum Square Error
SST = Sum Square Total
Sum square error adalah kesalah dari hasil prediksi model terhadap nilai sebenarnya, sehingga
semakin kecil SSE maka model yang terbentuk semakin baik.
3. Klasifikasi
Metode klasifikasi yang digunakan untuk kasus perbankan di Indonesia adala dengan metode
regresi logistik dan juga klasifikassi dengan algoritma neural network.
EVALUSI TENGAH SEMESTER GANJIL 2017
JARINGAN SYARAF TIRUAN
i.
Regresi Logistik
Model regresi logistik digunakan untuk mencari hubungan antara variabel respon yang bersifat
kategorik dengan variabel prediktor yang bersifat kontinu atau kategorik. Nilai dari variabel respon
Y yang bersifat biner atau dikotomus dibedakan atas dua kategori, misalnya Y = 0 dan Y = 1. Misalkan
terdapat k variabel X’ = (X1, X2, …, Xk) yang berpasangan dengan variabel respon Y. Peluang Y = 1
dinotasikan dengan π(x). Fungsi regresi logistik π(x) adalah:
dimana, �
=� +�
+�
�
+ ⋯+ �
=
�� �
+� � �
6)
[5]
Fungsi regresi di atas berbentuk curvilinear sehingga untuk membuatnya menjadi fungsi linear
dilakukan transformasi logit sebagai berikut [6]:
log
� �
+� �
=�
7)
Metode estimasi parameter menggunakan maximum likelihood estimation.
ii. Tingkat Akurasi
Akurasi klasifikasi pada dat imbalance dapat dihitung menggunakan Area Under ROC Curve
(AUC). Rumus untuk menghitung AUC adalah sebagai berikut ini [7]:
�
��� = � ∑ = �
8)
dimana,
�
� = ∑�
�=1
��
� = jumlah prediksi �̂� yang tepat diklasifikasikan ke �
� = jumlah prediksi �̂ yang diklasifikasikan ke �
4. Neural Network
Neural Networks (NN) dapat dipandang sebagai model regresi nonlinear dimana kompleksitas
modelnya dapat diubah-ubah. Pada level kompleksitas yang paling rendah, NN hanya terdiri dari satu
lapisan input dan satu lapisan output. NN memungkinkan untuk mengubah kompleksitas jaringan
sehingga dapat mengakomodasi efek nonlinear, khususnya efek interaksi diantara variabel
independen. Hornik dkk. (1987) telah menunjukkan bahwa NN dengan satu hidden layer mampu
menghampiri sembarang fungsi pada himpunan kompak tanpa asumsi awal tentang fungsi yang
dimodelkan.
Terdapat tiga jenis utama dari ANN yakni Multilayer Perceptron, Radial Basis Function, dan
Kohonen Network. Multilayer Perceptron merupakan model yang paling banyak digunakan untuk
melakukan prediksi. Radial Basis Function merupakan model yang dapat melakukan hal yang
dilakukan oleh Multilayer Perceptron. Kohonen Network baik digunakan pada permasalahan
clustering [8]. Pada penelitian Ini digunakan model Multilayer Perceptron karena model ini umum
digunakan pada permasalahan prediksi. merupakan model yang memetakan suatu set input data
menjadi set output, dengan menggunakan Multilayer Perceptron fungsi aktivasi nonlinier. Pada
Multilayer Perceptron variabel independen maupun dependen dapat memiliki tingkat pengukuran
metrik maupun nonmetrik. Multilayer perceptron merupakan feedforward neural network dimana
informasi bergerak hanya dalam satu arah, dari simpul input melalui simpul tersembunyi dan simpul
output [9]. NN dapat digunakan untuk regresi dan juga untuk klasifikasi. Berikut contoh gambar ANN
untuk regresi dan klasifikasi
EVALUSI TENGAH SEMESTER GANJIL 2017
JARINGAN SYARAF TIRUAN
a)
b)
Gambar 2. Gambar Arsitektur Artificial Neural Network a) Regresi dan b) Klasifikasi
C. Data dan Variabel Penelitian
Data yang digunakan dalam analisis ini adalah data mengenai profitablitas perbankan di
Indonesia pada tahun 2010. Data yang digunakan memiliki 8 variabel, diantaranya adalah variabel
profitabilitas (y), resiko kredit , resiko likuiditas (x2), efisiensi manajemen (x3), permodalan (x4), β
inflasi (x5), β PDB (x6), dan kode klasifikasi (bernilai 0 dan 1, 1 : rugi dan 0 : untung). Setelah
dilakukan transformasi untuk menyamakan skala data, selanjutnya akan dilakukan pembagian data
untuk data training dan testing. Proporsi yang digunakan adalah [80, 20] persen.
III. HASIL DAN PEMBAHASAN
Hasil analisis mengenai profitabilitas perbankan dan klasifikasi perbankan di Indonesia pada
thaun 2010 akan dibahas pada poin-poin dibawah ini.
A. Karakteristik Data
Karakteristik data perbankan di Indonesia pada tahun 2010 dapat dilihat pada Tabel 1 dibawah
ini
Tabel 1. Karakteristik Data Perbankan di Indonesia Tahun 2010
Variable
Minimum
Maximum
Resiko Kredit
Resiko Likuiditas
Efisiensi Manajemen
Permodalan
Inflasi
PDB
Profitabilitas
0.0007
0.1767
0.5816
0.0602
-199797.8055
-21.3287
-0.0568
0.4756
0.7767
2.0949
0.2484
292664.0113
44.1636
0.0339
Mean
0.0272
0.3151
0.8277
0.1119
2225.0188
-0.1740
0.0133
Std. Deviation
0.0518
0.1156
0.1816
0.0335
51471.0087
6.7298
0.0124
Berdsarkan Tabel 1 dapat diketahui bahwa data mempunyai skala yang berbeda sehingga perlu
dilakukan transformasi sehingga akan dihaslkan persamaan regresi yang terbaik. Pada Tabel 1 juga
dapat dilihat bahwa data cenderung homogen. Selanjutnya dilakukan trasnformasi data
mengggunakan Persamaan 1, dan akan dilihat untuk pola hubungan antara semua variabel penelitian
terhadap profitabilitas menggunakan korelasi dan plot, yang ditampilkan pada Gambar 3 dibawah ini
EVALUSI TENGAH SEMESTER GANJIL 2017
JARINGAN SYARAF TIRUAN
Gambar 3. Hubungan Antar Setiap Variabel
Berdasarkan plot pada Gambar 3 dapat diketahui tidak semua variabel memberikan pengaruh
positif terhadap profitabilitas, variabel yang memeberikan pengaruh negatif adalah variabel Resiko
Kredit, Resiko Likuiditas, dan Efisiensi Manajemen. Variabel efisiensi manajemen memberikan
pengaruh yang sangat besar terhadap profitabilitas, sedangkan variabel PDB memberikan pengaruh
sebaliknya. Dimana jika dilihat dari nilai korelasi urutan hubungan terbesar sampai terkecil secara
terurut adalah sebagai berikut efisiensi manajeman, risiko manajeman, risiko likuiditas, β inflasi,
permodalan dan β PDB. Berikut merupakan pie chart untuk jumlah bank yang mengalami kerugian
dan tidak.
Gambar 4. Pie Chart Klasifikasi Perbankan di Indonesia 2010
Berdasarkan Gambar 4 dari 84 bank yang di observasi, hanya 4 bank saja yang diklasifikasikan
mengalami kerugian. Bank yang mengalami kerugian tersebuat diantaranya adalah Bank Central Asia
Tbk (BBCA), Bank Mizuho Indonesia (BMZI), Bank Maybank Indonesia Tbk (BNII) dan Bank
Tabungan Pensiunan Nasional,Tbk (BTPN). Sehingga, berdasarkan pie chart dapat disimpulkan
bahwa data imbalance, cenderung masuk klasifikasi 0 (tidak merugi).
B. Regresi untuk Memprediksi Nilai Profitabilitas Bank
Selanjutnya akan dilakukan analisis regresi stepwise dan regresi neural network, berikut
pembahasan mengenai hasil analisis
1. Regresi Stepwise
Menggunakan regresi stepwise karena diduga ada beberapa variabel yang tidak berpengaruh
signifikan terhadap perofitabilitas bank, hasil estimasi parameter menggunkan software R dapat
ditampilkan pada Tabel 2 berikut ini
EVALUSI TENGAH SEMESTER GANJIL 2017
JARINGAN SYARAF TIRUAN
Tabel 2. Hasil Estimasi Parameter denan Regresi
Variabel
Estimate
Std. Error
T
P-Value
(Intercept)
RK
0.9028
0.02509
35.983
2E-16
0.22367
0.06828
3.276
0.00173
-1.22501
0.06299
-19.448
2.00E-16
PERMODALAN
0.07546
0.03123
2.417
0.01862
INFLASI
0.09356
0.04982
1.878
0.06512
EM
Berdasarkan Tabel 2 dengan menggunakan alpha sebesar 10% maka dapat diketahui bahwa
variabel yang signifikan berpengaruh terhadap profitabilitas adalah resiko kredit, efisiensi
manajemen, permodalan dan juga inflasi. Nilai Rsq untuk persmaan regresi diatas dengan data
training didapatkan adalah sebesar 0,9173 dan nilai SSE sebesar 0,04359. Berikut plot residual yang
digunakan untuk uji asumsi klasik residual
Gambar 4. Plot Residual
Berdasarkan Gambar 4 dapat diketahui bahwa residual tidak memenuhi asumsi klasik regresi. Dengan
menggunakan persamaan yang diperoleh pada Tabel 2 diatas maka akan diprediksi untuk data testing
sejumlah 20% dari data dan didapatkan hasil nilai SSE sebesar 0,9572176, nilai SSE ini masih sangat
tinggi bila dibandingkan dengan skala data profitabilitas yaitu (0-1).
2. Regresi Neural Network
Berikut ini analisis menggunakan regresi neural network dengan beberapa kombinasi hidden,
yang digunakan adalah [1,1], [8,1], [10,1] dan [20]. Dengan menggunakan data training dan testing
dan menggunakan kombinasi hidden yang digunakan maka didaptkan nilai SSE yang dapat ditampil
pada tabel dibawh ini
Tabel 3. Perbandingan Sum Square Error (SSE)
Hidden
Data
SSE
[1,1]
Training
Testing
[8,1]
Training
Testing
[10,2]
Training
Testing
[20]
Training
Testing
0.0712
0.0669
0.0712
0.0669
0.7014
0.0656
0.0704
0.0118
Berdasarkan Tabel 3 dapat disimpulkan bahwa model yang baik adalah saat hidden sebanyak 20 dan
layer sebanyak satu, berikut gambar jaringan syaraf yang diperoleh
EVALUSI TENGAH SEMESTER GANJIL 2017
JARINGAN SYARAF TIRUAN
Gambar 5. Jaringan Syaraf untuk [20]
3.
Perbandingan Performansi Model
Berikut perbandingan nilai sum square error untuk masing-masing metode, dapat dilihat pada
Gambar 6.
Gambar 6. Perbandingan Nilai Sum Square Error untuk Setiap Metode
Berdasarkan Gambar 6 dapat diketahui bahwa metode Neural Network untuk regresi lebih baik
disbanding metode regresi linier berganda, hal ini dapat dilihat berdasarkan hasil nilai SSE dimana
untuk metode NN cenderung memberikan nilai SSE yang kecil. Dari 4 kombinasi hidden layer yang
digunakan hidden [20] merupakan yang paling optimum untuk kasus regresi profitabilitas perbankan
di Indonesia pada tahun 2010 ini.
C. Klasifikasi Perbankan di Indonesia
Pengklasifikasian bank di Indonesia berdasarkan rugi tidaknya dapat menggunakan dua metode
yaitu regresi logistik dan klasifikasi menggunkan algoritma neural network, berikut hasil analis
yang diperoleh
1. Regresi Logistik
Dengan menggunakan SPSS didapatkkan estimasi parameter untuk regresi logistik terlihat pada
Tabel 4 dibawah ini
EVALUSI TENGAH SEMESTER GANJIL 2017
JARINGAN SYARAF TIRUAN
Tabel 4. Hasil Estimasi Parameter untuk Koefisien Parameter Logistik
Variabel
df
Sig.
Exp(B)
RK
225.88387
B
332077.7
S.E.
4.627E-07
Wald
1
0.9994573
1.259E+98
RL
5.2175073
27175.829
3.686E-08
1
0.9998468
184.47377
EM
64.62623
107832.79
3.592E-07
1
0.9995218
1.166E+28
Permodalan
3.0692944
35539.547
7.459E-09
1
0.9999311
21.526709
Inflasi
-14.16733
183301.42
5.974E-09
1
0.9999383
7.034E-07
PDB
-23.788734
285272.46
6.954E-09
1
0.9999335
4.663E-11
Constant
-31.693887
52556.09
3.637E-07
1
0.9995188
1.72E-14
Berdarkan Tabel 5 dapat diketahui bahwa semua variabel tidak signifikan terhadpa kode, atau
klasifikasi bank rugi tau tidak. Berikut hasil tabel klasifikasi untuk data training dan testing yang
diperoleh
Tabel 5. Tabel Hasil Klasifikasi Data Training dan Testing Menggunkan Regresi Logistik
Sample
Training
Testing
Observed
0
1
Overall
Percent
0
1
Overall
Percent
Predicted
0
Percent
Correct
64
2
1
0
0
100%
0%
97%
16
2
0
0
89%
0%
100%
0%
89%
97%
0%
Berdasarkan Tabel 5 dapat diketahui bahwa tidak ada yang tepat diklasifikasikan ke kelompok
satu, sehingga metode ini kurang baik digunakan saat data imbalance.
2. Klasifikasi dengan Neural Network
Berdasarkan hasil analisis klasifikasi dengan neural network menggunakan software SPSS
didapatkan jumlah hidden layer optimum adalah sebanyak lima dengan jumlah layer sebanyak satu,
berikut gambar arsitektur neural network yang terbentuk
Gambar 7. Arsitektur Neural Network yang Terbentuk
EVALUSI TENGAH SEMESTER GANJIL 2017
JARINGAN SYARAF TIRUAN
Berdasarkan hasil neural network diatas maka dilakukan untuk data testing, sehingga didapatkan hasil
prediksi untuk data testing yang dapat dilihat pada Tabel 6 dibawah ini
Tabel 6. Tabel Hasil Klasifikasi untuk Data Testing
Sample
Training
Testing
Observed
Predicted
0
0
1
Overall
Percent
0
1
Overall
Percent
Percent
Correct
1
63
0
0
2
100%
100%
97%
3%
100%
17
0
0
2
100%
100%
89%
11%
100%
Berdasarkan Tabel 6 diatas dapat diketahui bahwa dengan menggunakan algoritma neural network,
data testing dapat tepat 100% di klasifikasikan.
3. Perbandingan Akurasi
Data yang digunakan untuk setiap kelas klasifikasi tidak balance (imbalance) sehingga dalam
perhitungan tingkat keakurasiian menggunkan metode AUC, berikut hasil AUC untuk setiap metode
yang digunakan
Tabel 7. Perbandingan Nilai Akurasi Setiap Metode
Metode
Sample
AUC
Regresi
Logistik
Training
50%
Testing
50%
Neural
Netwoek
Training
100%
Testing
100%
Berdasarkan Tabel 7 diatas dapat diketahui bahwa pengklasifikasian menggunakan neural
network sangat baik, karena dapat memberikan nilai akurasi yang sempurna yaitu 100%.
IV. KESIMPULAN DAN SARAN
Pada tahun 2010 kondisi perbankan di Indonesia, terdapat 4 bank yang mengalami kerugian yaitu
Bank Central Asia Tbk (BBCA), Bank Mizuho Indonesia (BMZI), Bank Maybank Indonesia Tbk
(BNII) dan Bank Tabungan Pensiunan Nasional, Tbk (BTPN). Rata-rata profitabilitas perbakan di
Indonesia pada tahun 2010 sebesar 1,33% dimana bank yang berada dibawah angka tersebut sebanyak
52,38% bank. Faktor-faktor yang berpengaruh terhadap profitabilitas perbakan di Indonesia adalah
resiko kredit, efisiensi manajemen, permodalan, dan juga inflasi. Metode regresi dengan algoritma
neural network dengan hidden layer sebanyak 20 lebih baik dibandingkan dengan metode regresi
stepwise karena memberikan nilai SSE yang lebih rendah. Pengklasifikasian menggunakan NN
sangat lebih baik dibandingkan dengan regresi logistik, saat jumlah hidden layer sebanyak 5 akurasi
yang diperoleh sebesar 100%.
Perlu dilakukan pemodelan ulang dengan menggunakan kombinasi hidden layer dan jumlah
layer yang lain. Untuk regresi performansi model tidak hanya di lihat dari SSE saja mungkin bisa
menggunakan Rsq. Untuk pengklasifikasian seharusnya digunakan dengan data yang imbalance
sehingga untuk metode regresi logistiK bisa lebih akurat lagi.
DAFTAR PUSTAKA
[1] Gorunescu, Florin. (2011). Data Mining : Concepts, Models, and Techniques. Berlin : Springer.
[2] Hair, J. F. Jr. 1995. Multivariate Data Analysis with Readings, 4th edition . Madison : Pearson
Prentice-Hall.
EVALUSI TENGAH SEMESTER GANJIL 2017
JARINGAN SYARAF TIRUAN
[3] Suprihartiningsih, E. (2017). Analisis Regresi : Pemilihan Model Terbaik. Retrieved from
http://ernasuprihartiningsih.blogspot.co.id
[4] Siagaan, D., Sugiarto. (2006). Metode Statistika Untuk Bisnis dan Ekonomi . PT Gramedia
Pustaka Utama. Jakarta
[5] Hosmer, D.W. Lemeshow, S. (1989). Applied Logistic Regression. New York: John Wiley &
Sons Ltd.
[6] Agresti, A. (1990). Categorical Data Analysis. New York: John Wiley and Sons, Inc.
[7] Bekkar, M., Djeemaa, H., & Alitouch, T. (2013). Evaluation Measures for Models Assesment
over Imbalanced Data Sets, Vol 3. Journal of Information Engineering an Application , 27-38.
[8] J. Hair & R. Anderson (1998). Multivariate Data Analysis. New York: Prentice Hall
[9] D. Pyle.(1999). Data Preparation for Data Mining. Morgan Kaufmann Publisher