BRKP Vol.3, No.1, November 2021

VOL. 3, NO.
1, NOVEMBER 2021 ISSN 2714-5794
BRKP
BULETIN RISET KEBIJAKAN PERBANKAN
Departemen Penelitian dan Pengaturan Perbankan

VOL. 3, NO. 1, NOVEMBER 2021 ISSN 2714-5794
BRKP
Vol. 3, No. 1, November 2021

Menara Radius Prawiro Lantai 9-10
Kompleks Perkantoran Bank Indonesia
Jl M.H. Thamrin No. 2, Jakarta 10350
Pengarah
Heru Kristiyana, S.H., M.M.
Penasihat
Dr. Teguh Supangkat S.E., Akt., M.Si. CA.
Penanggung Jawab
Dr. Anung Herlianto E.C., S.E., Akt., CA., M.B.A.
Mohamad Miftah, S.E., M.B.A.
Reviewer
Prof. Ir. Roy Sembel, MBA, Ph.D., CSA.
Dr. Sulaeman Rahman Nidar, S.E., M.B.A.
Dr. Irene Rini Demi Pengestuti, M.E.
Dr. Irwan Trinugroho
Andry Asmoro, S.E., M.A.
Mohammad Miftah, CA, SE, MBA
Ayahandayani Kussetyowati, SE, AK, MBA
Woro Kusumaningrum, SE, AK, MACC
Rizal Wisnajaya, SE, MH
Editor Umum
Yudhisti Ramadiantio
Nila Khusnika Sari
Sekar Dwi Nadesky
Kontributor
M. Saeful Hakim dan Alif Ihsan A Fahta, Universitas Indonesia
Ihsanul Ihwan dan Aisyah Assalafiyah, International Islamic University dan Tazkia Institute Bogor
Tri Wahyu Ari Hastuti, Universitas Muhammadiyah Surakarta
Alexander Natanael S. dan Daniel Wira K., Universitas Diponegoro
Fitri Susilowati, Universitas PGRI Yogyakarta
M. Aulia Putra S. dan Putri Wella H., Kementerian Koordinator bidang Perekonomian
Dina Puji Lestari dan Putri Permatasari, Universitas Siliwangi
ii OTORITAS JASA KEUANGAN

VOL. 3, NO. 1, NOVEMBER 2021
KATA PENGANTAR
P
uji syukur ke hadirat Allah SWT, Tuhan yang Maha Kuasa, karena dengan rahmat
dan hidayah-Nya, Buletin Riset Kebijakan Perbankan (BRKP) ini dapat diterbitkan.
Penerbitan BRKP Vol. 4, No. 1 November 2021 ini merupakan salah satu upaya
Otoritas Jasa Keuangan (OJK) dalam mendorong peningkatan publikasi riset mengenai
kebijakan dan perkembangan industri perbankan untuk mewujudkan kebijakan berbasis
penelitian (research-based policy). Hal tersebut sangat mendukung pelaksanaan tugas
pokok OJK dalam mengatur dan mengawasi sektor jasa keuangan, termasuk sektor
perbankan.
Penerbitan BRKP kali ini menyajikan sejumlah karya terpilih hasil kompetisi
tahunan Call for Paper Seminar Riset Kebijakan Perbankan OJK tahun 2021 dengan
tema “Memperkuat Ketahanan dan Digitalisasi Sektor Perbankan untuk mendukung
Pemulihan Ekonomi saat Pandemi”. Karya ilmiah dalam BRKP ini telah melalui proses
penjurian yang selektif oleh dewan juri yang terdiri dari akademisi, praktisi, dan
tim OJK. Beragam topik menarik terkait penguatan perbankan di masa pemulihan
ekonomi pascapandemi disajikan dengan mengidentifikasi permasalahan yang ada,
menganalisis berdasarkan teori dan metodologi yang sesuai kaidah keilmuan, dan
memberikan kesimpulan serta rekomendasi kebijakan yang bermanfaat terhadap
perumusan kebijakan OJK.
Sebagaimana kita ketahui bersama, pandemi Covid-19 yang melanda dunia
sejak tahun 2020 lalu memberikan tekanan yang berat bagi perekonomian. Berbagai
kebijakan pembatasan mobilisasi masyarakat dalam rangka menekan laju penyebaran
Covid-19 berdampak pada tertekannya sisi supply dan demand secara bersamaan,
yang berakibat pada menurunnya pendapatan masyarakat. Berbagai kebijakan untuk
menstimulasi perekonomian baik dari sisi supply maupun demand telah dikeluarkan
oleh otoritas fiskal dan moneter, termasuk OJK. Dari sisi supply, pemerintah telah
mengeluarkan kebijakan stimulasi berupa penurunan tarif pajak dan transfer payment
berupa peningkatan perlindungan sosial, sementara dari sisi demand telah dilakukan
upaya untuk menjaga cash flow dan menjaga keberlanjutan usaha dari para pelaku
usaha.
DEPARTEMEN PENELITIAN DAN PENGATURAN PERBANKAN

iii
Tekanan akibat pandemi Covid-19 juga dirasakan oleh industri perbankan,

dimana penurunan pendapatan masyarakat mengakibatkan turunnya kinerja debitur
dalam memenuhi kewajiban bayar dan permintaan kredit konsumsi. Meski demikian,
kondisi perbankan nasional di masa pandemi tetap stabil dan mampu menyokong
pertumbuhan ekonomi Indonesia.
Sebagai langkah antisipatif untuk memberikan ruang likuiditas dan permodalan
perbankan dalam rangka menjaga stabilitas sistem keuangan di tengah pelemahan
ekonomi sebagai dampak pandemi Covid-19, OJK mengeluarkan paket kebijakan yang
terdiri dari relaksasi restrukturisasi kredit (POJK No. 11/POJK.03/2020 sebagaimana diubah
dengan POJK No. 17/POJK.03/2021) beserta pelaporan/perlakuannya, penyesuaian
implementasi beberapa ketentuan perbankan, dan penundaan implementasi Basel III
Reforms. Kebijakan relaksasi restrukturisasi kredit terbukti dapat mendukung perbankan
yang terus menunjukkan kinerja membaik, ditinjau dari pertumbuhan kredit yang
positif dan angka Loan at Risk (LaR) yang menunjukkan tren menurun meskipun masih
tergolong relative tinggi. Adapun kebijakan relaksasi restrukturisasi perbankan akan
berakhir pada 31 Maret 2023, dengan harapan perbankan memiliki waktu yang cukup
untuk membentuk Cadangan Kerugian Penurunan Nilai (CKPN) dan debitur dapat
menata kembali usahanya agar dapat menghindari gejolak ketika stimulus berakhir.
Akhir kata, semoga BRKP ini dapat memberikan manfaat dan menjadi referensi
bagi seluruh pemangku kepentingan yang memiliki perhatian terhadap pengembangan
industri perbankan di Indonesia, terutama di masa pemulihan ekonomi pascapandemi
Covid-19. Semoga perbankan Indonesia dapat tumbuh dan berkembang semakin
tangguh, inovatif, dan kontributif bagi perekonomian Indonesia.
Selamat membaca.
Deputi Komisioner
Pengawas Perbankan I
Otoritas Jasa Keuangan
Teguh Supangkat
iv OTORITAS JASA KEUANGAN

VOL. 3, NO. 1, NOVEMBER 2021 ISSN 2714-5794
Daftar Isi
iii Kata Pengantar
COVIDNOMICS: The Impact of COVID-19 Pandemic on

02 Financial Stability and Performance of Bank in Indonesia (M.
Saeful Hakim dan Alif Ihsan A Fahta)
Does The COVID-19 Pandemic Have An Impact on The

21 Banking Industry? A Nonparametric Approach to Two
Categories of Indonesian Banks (Ihsanul Ihwan dan Aisyah
Assalafiyah)
Analisis Kinerja Sektor Lembaga Keuangan dan Pengaruh

46 Kesempatan Kerja Selama Pandemi Covid-19 di Jawa Tengah
(Tri Wahyu Ari Hastuti)
Covid-19 and Banking Performance (Alexander Natanael

64
Silaban dan Daniel Wira Kristia)
Efektivitas Kebijakan Countercyclical Pada Resiko Kredit

82
Perbankan dalam Masa Pandemi Covid-19 (Fitri Susilowati)
Evaluasi Dampak Kebijakan Stimulus Pemerintah terhadap

103 Perbankan dan UMKM pada Masa Pandemi COVID-19 (M.
Aulia Putra Saragih dan Putri Wella Handayani)
Dampak Pandemi COVID-19 pada Risiko Perbankan (Dina

124
Puji Lestari dan Putri Permatasari)

v
Halaman ini sengaja dikosongkan
vi OTORITAS JASA KEUANGAN

Dampak Pandemi Covid-19 dan Evaluasi

Kebijakan Stimulus Pemerintah saat Pandemi
terhadap Risiko dan Kinerja Perbankan
1. COVIDNOMICS: The Impact of COVID-19 Pandemic on Financial

Stability and Performance of Bank in Indonesia (M. Saeful Hakim
dan Alif Ihsan A Fahta)
2. Does The COVID-19 Pandemic Have An Impact on The Banking

Industry? A Nonparametric Approach to Two Categories of
Indonesian Banks (Ihsanul Ihwan dan Aisyah Assalafiyah)
3. Analisis Kinerja Sektor Lembaga Keuangan dan Pengaruh

Kesempatan Kerja Selama Pandemi Covid-19 di Jawa Tengah (Tri
Wahyu Ari Hastuti)
4. Covid-19 and Banking Performance (Alexander Natanael Silaban

dan Daniel Wira Kristia)
5. Efektivitas Kebijakan Countercyclical Pada Resiko Kredit Perbankan

dalam Masa Pandemi Covid-19 (Fitri Susilowati)
6. Evaluasi Dampak Kebijakan Stimulus Pemerintah terhadap

Perbankan dan UMKM pada Masa Pandemi COVID-19 (M. Aulia
Putra Saragih dan Putri Wella Handayani)
7. Dampak Pandemi COVID-19 pada Risiko Perbankan (Dina Puji

Lestari dan Putri Permatasari)

01
COVIDNOMICS: The Impact of COVID-19 Pandemic

on Financial Stability and Performance of Bank in
Indonesia
Muhammad Saeful Hakim1 dan Alif Ihsan A Fahta2

1.2
Universitas Indonesia
Abstrak
Krisis ekonomi akibat pandemi COVID-19 memaksa lembaga keuangan
seperti bank untuk bersiap menghadapi tantangan masa depan yang sulit dan
beragam. Dengan menggunakan data finansial bank yang terdiri atas 78 bank di
Indonesia selama 13 triwulan sejak triwulan I tahun 2018 hingga triwulan I 2021,
penelitian ini menggunakan model random effect untuk menginvestigasi dampak
pandemi COVID-19 terhadap stabilitas keuangan dan kinerja bank di Indonesia
dalam accounting-based performance dan risk-based indicators. Penelitian ini
menemukan bahwa pandemi COVID-19 memengaruhi efisiensi operasi dan
secara tidak langsung signifikan risiko serta performa bank. Selain itu, peneliti juga
menemukan dampak perbedaan karakteristik bank sebagai determinan performa
dan risiko bank. Berdasarkan temuan, peneliti menyarankan regulator untuk
merumuskan strategi agar dapat memastikan bahwa risiko yang muncul di sektor
perbankan saat ini tidak akan membuat Indonesia jatuh ke krisis lainnya di saat
nantinya kita sudah mulai pulih dari pandemi COVID-19.
Kata kunci : COVID-19; Performa Bank; Risiko Bank; Stabilitas Bank
02 OTORITAS JASA KEUANGAN

Abstract
A pandemic-led economic crisis has forced financial institutions such as banks
to face a future with multiple problems and challenges. Using financial data from 78
banks in Indonesia for 13 quarters from the first quarter of 2018 to the first quarter
of 2021, this study uses random effects regression model to investigate the impact
of the COVID-19 pandemic on the finances and performance of banks in Indonesia
in terms of performance-based accounting and risk-based indicators. This study
found that the COVID-19 pandemic affected the company’s operational efficiency
and risk and indirectly bank performance. In addition, this paper also saw the impact
of differences in bank characteristics as the determinant of bank performance and
risk. Based on the findings, this study suggests regulators formulate strategies to
ensure that the risks in the banking sector today will not make Indonesia fall into
another crisis when the economy starts to recover from the COVID-19 pandemic.
Keywords : Bank Performance; Bank Risk; Bank Stability; COVID-19

JEL Classification : G21, G28

03
1. Pendahuluan
Krisis yang bermula dari krisis kesehatan akibat pandemi COVID-19 dengan
cepat berkembang menjadi krisis ekonomi akibat kebijakan pembatasan mobilitas
masyarakat di berbagai daerah untuk mengurangi penyebaran COVID-19.
Penurunan aktivitas ekonomi di Indonesia terlihat pada triwulan I dan triwulan II
2020 dengan pertumbuhan ekonomi mencapai -5,32% (Y-o-Y) pada triwulan II
2020, tingkat terendah dalam dua dekade terakhir (LPEM, 2021). Ketidakpastian
penanganan pandemi dan ekspektasi pemburukan kinerja ekonomi ke depan
tentunya juga menimbulkan tekanan pada stabilitas sistem keuangan di Indonesia.
Kejutan secara mendadak berupa pandemi ini mengharuskan lembaga
keuangan seperti bank untuk bersiap menghadapi tantangan masa depan yang
sulit dan beragam. Penyebaran gejolak ini telah mempengaruhi aktivitas perbankan
di banyak negara dan telah memicu reaksi kehati-hatian dari para deposan (Barua,
2020; Baldwin dan di Mauro, 2020; Sharma et al., 2020). Pada saat yang sama,
terdapat dampak operasional dari usaha bank untuk menjaga operasi keuangan
yang hemat biaya, profitabilitas, dan pemenuhan kebutuhan permodalan sehingga
layanan perbankan tetap berjalan di tengah pandemi (Elnahass et al., 2021).
Di Indonesia, krisis yang sedang berlangsung memberikan fraksi dampak
terhadap masyarakat. Terjadi peningkatan tabungan kelompok menengah ke atas
bersamaan dengan penurunan tabungan kelompok masyarakat termiskin (LPEM,
2021). Selain itu, pandemi COVID-19 menyebabkan pertumbuhan kredit mengalami
penurunan drastis dan mencatatkan pertumbuhan negatif pertamanya sejak Krisis
Finansial Asia tahun 1998 dikarenakan mengganggu dunia usaha (LPEM, 2021).
Kedua hal tersebut memberi tekanan besar pada sektor perbankan akibat tidak
mampunya sektor perbankan menyalurkan likuiditas ke pinjaman yang produktif
pada sektor riil (LPEM, 2021). Banjirnya likuiditas pada sektor perbankan tanpa
adanya penyaluran yang produktif ke sektor riil diterjemahkan menjadi performa
perbankan yang suram. Hal tersebut dibuktikan dengan loan to deposit ratio (LDR)
yang mencapai titik terendahnya dalam delapan tahun terakhir. Ancaman lain

yang membayangi sektor perbankan adalah “bom waktu” dari non-performing

loans (NPL) (LPEM, 2021). Seiring dengan mandeknya aktivitas ekonomi sektor riil,
rasio kredit macet/NPL meningkat setelah triwulan I 2020. Kondisi tekanan ganda
yang bersumber dari minimnya permintaan kredit dan macetnya kredit existing
tersebut pada akhirnya dapat menggerus profitabilitas bank (LPEM, 2021).
Apabila dilihat lebih jauh pada bank syariah di Indonesia, pandemi COVID-19
ternyata tidak memberi pengaruh yang signifikan dalam aspek performa dan
stabilitas bank. Hal ini dapat terlihat dari financing to deposit ratio (FDR) bank
umum syariah yang tetap stabil selama masa pandemi COVID-19 (OJK, 2021). Di
sisi lain indikator non-performing financing (NPF) pun dalam kondisi stabil selama
krisis ini (OJK, 2021). Kedua indikator yang tetap stabil ini mengindikasikan bahwa
secara umum bank syariah masih tergolong kuat dalam hal pembiayaan dan
simpanan serta tahan terhadap gelombang pandemi COVID-19. Namun apabila
dilihat pada bank asing, terdapat kontraksi kredit sebesar -25,56 % (Y-o-Y) menjadi
Rp 171,3 triliun di akhir Februari 2021 (Rahma, 2021). Penurunan kredit bank asing
mencatatkan kontraksi paling besar dari jenis bank lainnya di masa pandemi
COVID-19 ini.
Menurut proyeksi IMF, pemulihan global yang substansial pada tahun 2021
(5,8%) tidak hanya bergantung pada kelanjutan dari dukungan kebijakan luar
biasa saat ini, tetapi juga pada negosiasi ulang yang memadai atas pinjaman yang
diberikan oleh bank kepada rumah tangga dan perusahaan, serta secara bersamaan
mempertahankan penilaian risiko kredit yang transparan (Währungsfonds, 2020).
Bukan tanpa sebab, sistem perbankan yang berfungsi dengan baik dinilai dapat
merangsang pertumbuhan ekonomi (Levine dan Zervos, 1998; Beck dan Levine,
2004) melalui penyediaan likuiditas secara umum (Berger dan Sedunov, 2017) dan
alokasi kredit pada khususnya (Jayaratne dan Strahan, 1996).
Secara umum, semua lembaga keuangan harus dapat secara aktif melayani
perekonomian mereka sambil menjaga stabilitas dan ketahanan sistem keuangan.
Dengan demikian, apakah bank mengubah perilaku pinjaman mereka dalam
menanggapi ketidakpastian dan risiko yang meningkat juga harus menjadi

05
perhatian yang sangat penting bagi pembuat kebijakan. Sejauh mana efek
pemulihan selanjutnya pada stabilitas perbankan akan tergantung pada efektivitas
tindakan kebijakan yang diambil untuk mendukung industri perbankan global dan
sejauh mana kepercayaan publik dalam pemulihan industri (Elnahass et al., 2021).
Penelitian terdahulu telah berhasil meneliti berbagai determinan atas
performa bank serta risiko yang dimiliki oleh bank. Dalam konteks performa bank,
penelitian awal dilakukan oleh Bourke (1989) serta Demirgüç-Kunt dan Huizinga
(1999) dengan menggunakan return dan net interest margin. Kemudian, penelitian
yang dilakukan oleh Goddard et al. (2004) dan Heffernan dan Fu (2010) dengan
menggunakan return on average asset dan equity. Penelitian juga dilakukan dalam
konteks negara seperti Angbazo (1997), Miller dan Noulas (1997), dan Kosmidou
(2008). Selain itu, terdapat penelitian dengan analisis pada tingkat regional dan
multinegara seperti penelitian yang dilakukan oleh Molyneux dan Thornton (1992),
Staikouras dan Wood (2004), serta Menicucci dan Paolucci (2016). Penelitian pada
konteks tersebut juga diperkaya oleh penemuan dari Guisse (2012), Al-Baidhani
(2013), Terraza (2015), Al-Hawari (2006), Fernandes et al. (2021), dan Olokoyo et
al. (2021).
Penelitian juga difokuskan pada konteks risiko perbankan seperti yang
dilakukan oleh Stiroh (2006), Haq dan Heaney (2012), Zhang et al. (2016), dan Trinh
et al. (2020). Penelitian mengenai determinan performa dan risiko di Indonesia
juga telah berhasil dilakukan oleh Setiawan dan Hermanto (2017), Hidayanti et al.
(2021), dan Manurung et al. (2020). Meskipun begitu, penelitian mengenai dampak
COVID-19 terhadap aspek risiko dan profitabilitas masih terfokus pada penelitian
tingkat dunia atau di negara lain seperti Park dan Shin (2021), Elnahass et al., (2021),
dan Hladika (2021).
Kekosongan penelitian tersebut mendorong peneliti untuk melakukan analisis
pada konteks: (i) accounting-based dan (ii) risk-based indicators perbankan setelah
adanya pandemi COVID-19 di Indonesia. Temuan dalam studi ini memberikan
implikasi kebijakan yang berharga untuk regulator dan pelaku pasar yang terlibat
dengan sektor perbankan di Indonesia dan sistem perbankan yang berbeda.

Temuan ini juga penting bagi deposan dalam hal memilih antara bank syariah dan
konvensional atau bank asing dan lokal selama periode keuangan yang penuh
tekanan ini, dan bagi manajer bank yang ingin mengidentifikasi pendorong utama
stabilitas keuangan bank.
2. Data dan Metodologi

2.1. Data
Penelitian menggunakan data finansial bank yang terdiri atas 78 bank di
Indonesia selama 13 triwulan sejak triwulan I tahun 2018 hingga triwulan I 2021. Data
tersebut berisikan 61 bank konvensional, 9 bank syariah, serta 8 bank asing yang
beroperasi di Indonesia. Penggunaan data kuartal dilakukan karena kemudahan
atas akses data serta kelengkapan data yang tersedia. Data finansial bank diperoleh
peneliti dari website Otoritas Jasa Keuangan. Peneliti membagi data menjadi
periode pra dan pascapandemi yang didasarkan pada kemunculan kasus pandemi
pertama di Indonesia. Selain itu peneliti menggunakan data pendukung seperti
keterlibatan bank pada laku pandai, penerapan Open Application Programming
Interface (Open API), ketersediaan mobile banking, serta pendapatan per kapita
yang diperoleh dari berbagai sumber. Data pendukung tersebut diperoleh peneliti
dari website World Bank serta laporan keuangan bank terkait.
2.2. Metodologi
Peneliti mengadopsi model yang dibuat oleh Elnahass et al (2021). Model
tersebut digunakan untuk mengetahui dampak dari adanya pandemi COVID-19
pada risiko serta kinerja perbankan. Dalam meneliti dampak tersebut, peneliti
menggunakan variabel accounting-based performance seperti return on asset
(roa), return on equity (roe), return on average asset (roaa), return on average
equity (roae), serta beban operasional terhadap pendapatan operasional (bopo)
untuk mengukur dampak kemunculan pandemi COVID-19 terhadap kinerja bank
di Indonesia. Selanjutnya, untuk mengukur perubahan tingkat risiko pada bank di

07
Indonesia, peneliti menggunakan risk-based indicators seperti bentuk logaritma

natural dari z-score (lnzscore), tingkat kredit macet yang ditunjukkan oleh non-
performing loans (npl) untuk bank konvensional dan non-performing funds (npf)
untuk bank syariah, loan-deposit ratio (ldr), standar deviasi dari ROA (sdroa), dan
perbandingan antara ROA dengan standar deviasi dari ROA (roasdroa). Penulis
menggunakan standar deviasi dari ROA sepanjang lima triwulan seperti pada
Zhang et al. (2016).
Yit= β0 + β1 covidt +β2 islamici + β3 asingi + β4 Ω(i)(t) +β5 covidt×Ω(i)(t)+ εit
Pada model tersebut, Yit merupakan variabel dependen yang terdiri dari
accounting-based performance serta risk-based indicators. Selanjutnya, peneliti
memasukkan variabel dummy berupa covidt, islamici, dan asingi. Pada variabel
covidt, bank akan mendapatkan nilai satu (=1) ketika bank diobservasi pada
triwulan dengan kasus COVID-19 di Indonesia. Sedangkan untuk dua variabel
dummy lainnya, yaitu islamici dan asingi, bank akan mendapatkan nilai satu ketika
bank merupakan bank syariah serta mendapatkan nilai satu jika bank merupakan
bank asing. Selanjutnya, peneliti memasukkan Ω (variabel kontrol) pada model.
Variabel tersebut berisikan variabel keterlibatan pada program laku pandai
(lakupandai), penerapan open API (openapi), ketersediaan layanan mobile banking
(mobinetbank), bentuk logaritma natural dari total aset bank (size), leverage yang
ditunjukkan oleh rasio antara total liabilitas dengan total aset (leverage), posisi
likuiditas yang ditunjukkan oleh rasio antara total kas dengan total aset (cashta),
serta variabel makroekonomi berupa bentuk logaritma natural dari pendapatan
per kapita (gdp). Selain itu, peneliti juga memasukkan interaksi dari variabel kontrol
dengan variabel covidt.

3. Hasil dan Pembahasan

3.1. Dampak Pandemi COVID-19
Sebelum memilih model regresi, peneliti melakukan berbagai uji pendukung
seperti Chow test, Breusch-Pagan Lagrange Multiplier (LM) test, Hausman Test,
Variance Inflation Factor, dan Overidentification test. Hasil yang didapat oleh peneliti
dari berbagai pengujian tersebut mengarahkan peneliti menggunakan model
regresi random effect berbasis generalized least square. Dengan menggunakan
model tersebut, peneliti menemukan bahwa adanya pandemi COVID-19 secara
signifikan memengaruhi bopo, npl, sdroa, serta roasdroa yang ditunjukkan oleh
baris pertama pada Tabel 1 dan 2. Hasil tersebut mengindikasikan bahwa dalam
konteks accounting-based performance, pandemi COVID-19 memengaruhi
profitabilitas perusahaan melalui bopo. Keberadaan pandemi COVID-19
meningkatkan bopo sebesar 6,866% dibandingkan periode sebelum pandemi
COVID-19 seperti yang terlihat pada kolom 5 baris 1 pada Tabel 1. Penemuan
tersebut sejalan dengan penelitian yang dilakukan oleh Svejdova (2021) serta
Elnahass et al. (2021) yang menemukan bahwa keberadaan pandemi COVID-19
secara signifikan meningkatkan bopo.

09
Tabel 1. Hasil Regresi Random Effect Bagian 1
(1) (2) (3) (4) (5)

Variabel
ROA ROE ROAA ROAE BOPO
covid 0.000217 -0.00264 0.000453 0.105 6.866***
(0.00178) (0.0204) (0.00172) (0.0683) (1.317)
islamic 0.00274 0.0168 0.00338 0.0127 -2.871
(0.00311) (0.0396) (0.00300) (0.105) (6.255)
asing 0.00771** 0.217*** 0.00899** -0.227* -15.28**
(0.00388) (0.0490) (0.00374) (0.131) (7.034)
lakupandai 0.00208 0.0161 0.00216 -0.0113 0.496
(0.00297) (0.0377) (0.00287) (0.100) (5.764)
openapi 0.00158 0.0197 0.00113 -0.00936 -3.989
(0.00333) (0.0417) (0.00321) (0.113) (4.952)
mobinetbank 0.00488* 0.0358 0.00484** -0.00369 -3.408
(0.00252) (0.0314) (0.00243) (0.0864) (3.450)
size -0.000435 -0.00458 -0.0000355 0.0169 -2.449*
(0.000856) (0.0108) (0.000825) (0.0291) (1.400)
age 0.000861 0.00211 0.000549 -0.0234 0.199
(0.00171) (0.0217) (0.00165) (0.0576) (3.383)
leverage 0.00601*** -0.00187 0.0000736 0.00285 -0.0997
(0.000218) (0.00252) (0.000211) (0.00828) (0.174)
gdp 0.0272 -0.355 0.0267 0.944 35.04
(0.0295) (0.338) (0.0285) (1.132) (21.36)
cashta 0.0490* -0.0519 0.0148 0.226 -23.33
(0.0264) (0.305) (0.0255) (1.003) (19.72)
Constant -0.224 3.057 -0.226 -8.299 -123.9
(0.246) (2.816) (0.237) (9.422) (178.9)
Observasi 1,014 1,014 1,014 1,014 1,014
Number of bank 78 78 78 78 78

Selanjutnya, dalam konteks profil risiko bank, pandemi COVID-19 meningkatkan

risiko kredit yang tercermin pada npl serta risiko aset yang ditunjukkan oleh
roasdroa. Keberadaan pandemi COVID-19 meningkatkan npl sebesar 0,516%
seperti yang tercantum pada kolom 2 baris 1 Tabel 2. Kedua penemuan tersebut
sejalan dengan hasil yang ditemukan oleh Özsoy et al. (2020) serta Elnahass et al.
(2021). Meskipun begitu, keberadaan pandemi COVID-19 memiliki dampak positif
terhadap risiko operasional dengan menurunkan standar deviasi dari ROA sebesar
0,471%.
3.2. Dampak Model Bisnis Bank

Setelah melakukan regresi panel data, peneliti menemukan bahwa islamic
secara signifikan dan positif terkait dengan roasdroa (yaitu risiko aset yang lebih
rendah). Hal tersebut terlihat pada Tabel 2 kolom 5 baris 2. Penemuan ini konsisten
dengan hasil yang didapatkan literatur-literatur sebelumnya (Abdelsalam et al.,
2020; Pappas et al., 2017). Rendahnya risiko aset bagi bank syariah terjadi karena
aset baru yang disekuritisasi secara syariah dipantau secara ketat untuk memastikan
kualitasnya tidak menurun (Abdelsalam et al., 2020). Fitur sekuritisasi syariah ini
pada akhirnya berimplikasi pada masalah moral hazard dalam hal pemantauan aset
yang mendasarinya. Selain itu pemantauan aset secara ketat akan meningkatkan
kualitas loan book, membuat income profile menjadi lebih lancar, dan menurunkan
risiko solvabilitas (Abdelsalam et al., 2020).

11
Tabel 2. Hasil Regresi Random Effect Bagian 2
(1) (2) (3) (4) (5)

Variabel
lnzscore npl ldr sdroa roasdroa
covid 0.163 0.516*** -1.310 -0.00471** -1.529***
(0.137) (0.114) (5.214) (0.00192) (0.382)
islamic 0.591 -1.039 -2.163 0.00204 2.801**
(0.516) (0.694) (15.27) (0.00565) (1.211)
asing -1.684*** 0.0564 72.04*** -0.00267 -0.0401
(0.597) (0.758) (18.21) (0.00673) (1.431)
lakupandai 0.152 2.007*** 11.13 -0.00192 3.524***
(0.481) (0.628) (14.40) (0.00532) (1.138)
openapi 0.559 0.959** 16.69 -0.00549 -1.632
(0.455) (0.473) (14.72) (0.00544) (1.139)
mobinetbank 0.685** 0.371 13.17 -0.0105*** 0.651
(0.325) (0.321) (10.77) (0.00397) (0.827)
size -0.131 -1.137*** -13.32*** 0.000883 0.717**
(0.124) (0.141) (3.893) (0.00144) (0.303)
age -0.117 0.192 5.348 0.00392 0.988
(0.281) (0.373) (8.350) (0.00309) (0.661)
leverage -0.00121 -0.0798*** -2.090*** 0.00196*** 0.0350
(0.0177) (0.0154) (0.663) (0.000244) (0.0488)
gdp 4.474** 4.374** 99.59 0.0304 -13.94**
(2.237) (1.827) (85.72) (0.0315) (6.263)
cashta -0.987 -1.629 -51.32 0.0237 -7.667
(2.063) (1.685) (78.68) (0.0289) (5.759)
Constant -28.89 0.454 -352.9 -0.279 92.43*
(18.71) (15.32) (715.6) (0.263) (52.31)
Observasi 1,014 1,014 1,014 1,014 1,014
Number of bank 78 78 78 78 78

3.3. Dampak Pemodal Bank

Dari hasil uji statistik, terdapat perbedaan pada roa, roe, bopo, lnzscore, dan
ldr sebagai dampak dari perbedaan pemodal. Bank yang memiliki permodalan
dari pihak asing (dalam bentuk kantor pembantu atau cabang bank asing)
akan memiliki profitabilitas yang lebih tinggi baik dari roa maupun roe setelah
mempertimbangkan dampak pandemi COVID-19. Hal tersebut terlihat pada Tabel
1 kolom 1 dan 2 baris 3 yang menunjukkan terdapat perbedaan roa sebesar 0,771%
serta roa sebesar 21,7%. Meskipun begitu, perbedaan tersebut dapat dijelaskan
oleh perbedaan risiko yang dimiliki oleh bank. Bank asing cenderung memiliki
risiko yang lebih tinggi. Penemuan tersebut terlihat pada Tabel 2 kolom 1 dan 3
baris 3. Bank asing memiliki risiko insolvensi serta likuiditas yang lebih tinggi yang
ditunjukkan oleh penurunan lnzscore sebesar 1,684 poin serta kenaikan ldr sebesar
72,04%.
3.4. Dampak Interaksi Pandemi COVID-19 dengan Variabel Kontrol

Selain itu, peneliti juga menemukan adanya dampak interaksi antara variabel
pandemi COVID-19 dengan variabel kontrol. Pertama, peneliti menemukan
adanya interaksi antara variabel pandemi COVID-19 dengan openapi. Hal
tersebut mengindikasikan bahwa terdapat perbedaan dampak yang ditimbulkan
oleh pandemi COVID-19 ketika bank menerapkan sistem open banking. Dengan
menerapkan open banking, roasdroa bank akan turun sebesar -2.98 poin yang
ditunjukkan oleh penurunan pada Tabel 3 kolom 1 baris 12. Penurunan roasdroa
mengimplikasikan bahwa bank yang menerapkan open banking memiliki risiko
aset yang lebih tinggi.
Selanjutnya, hubungan signifikan juga terlihat pada interaksi antara variabel
pandemi COVID-19 dengan lakupandai. Pada Tabel 3 kolom 2 baris 13, ditunjukkan
bahwa interaksi antara kedua variabel tersebut menurunkan roasdroa sebesar
4.42 poin. Dengan demikian, interaksi antara kedua variabel tersebut menjelaskan
bahwa terdapat perbedaan risiko aset yang dimiliki bank. Bank yang ikut serta
pada program laku pandai memiliki risiko aset yang lebih tinggi.
Selain itu, signifikansi interaksi antara variabel pandemi COVID-19 juga
terlihat pada variabel mobinetbank. Interaksi antara variabel pandemi COVID-19
dengan mobinetbank berimplikasi pada dua penemuan. Penemuan pertama yaitu

13
interaksi antara kedua variabel tersebut menjelaskan bahwa risiko aset bank yang
menerapkan layanan mobile banking lebih tinggi. Hal tersebut ditunjukkan oleh
penurunan roasdroa pada Tabel 3 kolom 3 baris 14. Kondisi tersebut dapat terjadi
dikarenakan setelah memasukkan variabel interaksi variabel covid tidak signifikan.
Hal tersebut menjelaskan bahwa mobile banking merupakan perantara antara
dampak pandemi COVID-19 terhadap bank. Selain itu, pada Tabel 3 kolom 4 baris
14, ditemukan bahwa interaksi antara kedua variabel menurunkan bopo sebesar
-4.8. Penurunan tersebut mengindikasikan bahwa pada kondisi pandemi, bank
yang menerapkan layanan mobile banking memiliki efisiensi yang lebih tinggi.
Tabel 3. Hasil Regresi dengan Variabel Interaksi
(1) (2) (3) (4)

Variabel
roasdroa roasdroa roasdroa bopo
covid -1.012** -0.709* -0.765 9.888***
(0.408) (0.406) (0.574) (1.970)
islamic 2.776** 2.829** 2.802** -2.865
(1.212) (1.208) (1.216) (6.291)
asing -0.0887 -0.0580 -0.0260 -15.13**
(1.431) (1.425) (1.436) (7.069)
lakupandai 3.558*** 4.963*** 3.513*** 0.436
(1.139) (1.165) (1.143) (5.794)
openapi -0.272 -0.858 -1.526 -3.228
(1.206) (1.141) (1.143) (4.975)
mobinetbank 0.518 0.434 1.117 -1.573
(0.826) (0.821) (0.869) (3.567)
size 0.709** 0.690** 0.691** -2.614*
(0.303) (0.302) (0.305) (1.407)
age 0.928 0.850 0.981 0.154
(0.662) (0.660) (0.664) (3.402)
leverage 0.0370 0.0333 0.0374 -0.0935
(0.0486) (0.0482) (0.0488) (0.174)
gdp -14.09** -14.30** -13.98** 34.89
(6.226) (6.172) (6.254) (21.32)

Tabel 3. Hasil Regresi dengan Variabel Interaksi (lanjutan)
(1) (2) (3) (4)

Variabel
roasdroa roasdroa roasdroa bopo
cashta -7.700 -4.954 -7.639 -23.08
(5.726) (5.700) (5.751) (19.68)
1.covid#1.
-2.978***
openapi
(0.864)
1.covid#1.
-4.420***
lakupandai
(0.821)
1.covid#1.
-1.213* -4.799**
mobinetbank
(0.683) (2.330)
Constant 94.04* 96.47* 93.32* -118.7
(52.01) (51.56) (52.24) (178.5)
Observations 1,014 1,014 1,014 1,014
Number of bank 78 78 78 78
4. Kesimpulan dan Rekomendasi

Penelitian ini mencoba memberikan gambaran yang komprehensif dan
indikatif dari indikator (accounting-based dan risk-based indicators) yang diamati
mengenai dampak pandemi COVID-19 terhadap perbankan secara umum maupun
perbankan berdasarkan pemodal dan sistem perbankan (bank syariah dan bank
asing) di Indonesia.
Peneliti menemukan bahwa dalam konteks accounting-based performance
adanya pandemi COVID-19 memengaruhi profitabilitas perusahaan secara
langsung melalui bopo. Sementara itu dalam konteks profil risiko bank, pandemi
COVID-19 meningkatkan risiko kredit yang tercermin pada npl serta meningkatkan
risiko aset yang ditunjukkan oleh roasdroa. Di sisi lain peneliti menemukan bahwa
model bisnis bank syariah terindikasi memiliki risiko aset yang lebih rendah. Selain
itu bank asing memiliki profitabilitas yang lebih tinggi tetapi dengan risiko yang
lebih tinggi pula. Selanjutnya peneliti menemukan bahwa penerapan mobile

15
banking, laku pandai, dan open banking akan meningkatkan risiko bank pada masa
pandemi COVID-19. Meskipun penerapan mobile banking meningkatkan risiko
bank, penerapan tersebut akan meningkatkan efisiensi bank pada masa pandemi.
Melalui hasil penelitian ini, peneliti menyarankan kepada otoritas regulator
terkait untuk segera merumuskan strategi agar dapat memastikan bahwa dampak
yang ditimbulkan oleh kemunculan pandemi COVID-19 terhadap sektor perbankan
menjadi minimal. Selain itu, dengan melihat bahwa model bisnis bank syariah
memiliki risiko aset yang lebih rendah di saat pandemi COVID-19, maka perlu bagi
otoritas regulator terkait untuk segera mendorong pengembangan perbankan
syariah dalam masyarakat dan sistem perbankan. Di sisi lain otoritas regulator
terkait perlu membantu bank asing untuk membuat skema yang terkait dengan
upaya meminimalkan risiko default dan likuiditas. Sementara untuk perbankan,
peneliti menyarankan bahwa bank perlu menerapkan manajemen risiko untuk
dapat meminimalkan risiko aset. Dengan adanya usaha untuk dapat mencegah
kenaikan risiko aset, bank dapat mendorong penggunaan mobile banking agar
bank memiliki efisiensi yang lebih tinggi. Selain itu bank perlu membuat framework
yang tepat dalam menjalankan laku pandai dan open banking guna meminimalisasi
risiko aset.
Ke depannya, penelitian lebih lanjut dapat menggunakan data mobilitas
penduduk agar dapat melihat dampak aktivitas ekonomi secara riil terhadap
stabilitas keuangan dan performa perbankan di Indonesia. Selain itu, penelitian
juga dapat menggunakan sistematika baru sehingga dapat menginkorporasi
bank perkreditan rakyat. Selanjutnya, penelitian dapat ditingkatkan dengan
menggunakan market-based performance sebagai pelengkap accounting-based
performance dan risk-based indicators agar dapat memberikan hasil penelitian
yang lebih beragam.

Daftar Referensi
Abdelsalam, O., Elnahass, M., Ahmed, H., & Williams, J. (2020). Asset securitizations
and bank stability: evidence from different banking systems. Global Finance
Journal, 100551.
Al-Baidhani, A. M. (2013). The effects of corporate governance on bank performance:
Evidence from the Arabian Peninsula. SSRN Electronic Journal, 1-31.
Al-Hawari, M. (2006). The effect of automated service quality on bank financial
performance and the mediating role of customer retention. Journal of Financial
Services Marketing, 10(3), 228-243.
Angbazo, L. (1997). Commercial bank net interest margins, default risk, interest-
rate risk, and off-balance sheet banking. Journal of Banking & Finance, 21(1),
55-87.
Baldwin, R., & di Mauro, B. W. (2020). Economics in the time of COVID-19: A new
eBook. VOX CEPR Policy Portal, 2-3.
Barua, S. (2020). Understanding Coronanomics: The economic implications of the
coronavirus (COVID-19) pandemic. Available at SSRN 3566477.
Beck, T., & Levine, R. (2004). Stock markets, banks, and growth: Panel evidence.
Journal of Banking & Finance, 28(3), 423-442.
Berger, A. N., & Sedunov, J. (2017). Bank liquidity creation and real economic
output. Journal of Banking & Finance, 81, 1-19.
Bourke, P. (1989). Concentration and other determinants of bank profitability in
Europe, North America and Australia. Journal of Banking & Finance, 13(1), 65-
79.
Demirgüç-Kunt, A., & Huizinga, H. (1999). Determinants of commercial bank
interest margins and profitability: some international evidence. The World
Bank Economic Review, 13(2), 379-408.
Elnahass, M., Trinh, V. Q., & Li, T. (2021). Global banking stability in the shadow of
Covid-19 outbreak. Journal of International Financial Markets, Institutions and
Money, 72, 101322.

17
Fernandes, G., dos Santos Mendes, L., & de Oliveira Leite, R. (2021). Cash holdings
and profitability of banks in developed and emerging markets. International
Review of Economics & Finance, 71, 880-895.
Goddard, J., Molyneux, P., & Wilson, J. O. (2004). The profitability of European
banks: a cross‐sectional and dynamic panel analysis. The Manchester School,
72(3), 363-381.
Guisse, M. L. (2012). Financial performance of the Malaysian banking industry:
Domestic vs foreign banks (Doctoral dissertation, Eastern Mediterranean
University (EMU)).
Haq, M., & Heaney, R. (2012). Factors determining European bank risk. Journal of
International Financial Markets, Institutions and Money, 22(4), 696-718.
Heffernan, S. A., & Fu, X. (2010). Determinants of financial performance in Chinese
banking. Applied Financial Economics, 20(20), 1585-1600.
Hidayanti, U., Pratiwi, L. N., & Tamara, D. A. D. (2021). Analisis Perbandingan Kinerja
Keuangan Sebelum dan Setelah Penerapan Program Branchless Banking.
Journal of Applied Islamic Economics and Finance, 1(2), 276-296.
Hladika, M. (2021). IMPACT OF COVID-19 PANDEMIC ON THE LOANS QUALITY,
PROVISIONS AND PROFITABILITY OF THE BANKING SECTOR. In Economic
and Social Development (Book of Proceedings), 69th International Scientific
Conference on Economic and Social (p. 138).
Jayaratne, J., & Strahan, P. E. (1996). The finance-growth nexus: Evidence from bank
branch deregulation. The Quarterly Journal of Economics, 111(3), 639-670.
Kosmidou, K. (2008). The determinants of banks’ profits in Greece during the period
of EU financial integration. Managerial finance.
Levine, R., & Zervos, S. (1998). Stock markets, banks, and economic growth.
American economic review, 537-558.
LPEM. (2021). Seri Analisis Makroekonomi: Indonesia Economic Outlook, Triwulan
I-2021. https://www.lpem.org/id/macroeconomic-analysis-series-indonesia-
economic-outlook-q1-2021/

Manurung, A. H., Hutahayan, B., & Deniswara, K. (2020). Determinant of Bank Risk
in Indonesia.
Menicucci, E., & Paolucci, G. (2016). Factors affecting bank profitability in Europe:
An empirical investigation. African Journal of Business Management, 10(17),
410-420.
Miller, S. M., & Noulas, A. G. (1997). Portfolio mix and large-bank profitability in the
USA. Applied Economics, 29(4), 505-512.
Molyneux, P., & Thornton, J. (1992). Determinants of European bank profitability: A
note. Journal of banking & Finance, 16(6), 1173-1178.
Olokoyo, F., Ibhagui, O., Babajide, A., & Yinka-Banjo, C. (2021). THE IMPACT OF
MACROECONOMIC VARIABLES ON BANK PERFORMANCE IN NIGERIA.
Savings and Development, 42, 31-47.
Otoritas Jasa Keuangan. (2021). Statistik Perbankan Syariah. https://www.ojk.go.id/
id/kanal/syariah/data-dan-statistik/statistik-perbankan-syariah/Default.aspx
Özsoy, S. M., Rasteh, M., Yönder, E., & Yücel, M. (2020). COVID-19 Impacts on Bank
Stability in a Liquidity-Backed Environment. Available at SSRN 3713526.
Pappas, V., Ongena, S., Izzeldin, M., & Fuertes, A. M. (2017). A survival analysis of
Islamic and conventional banks. Journal of Financial Services Research, 51(2),
221-256.
Park, C. Y., & Shin, K. (2021). COVID-19, nonperforming loans, and cross-border
bank lending. Journal of Banking & Finance, 106233.
Rahma, A. (2021). Kredit Bank Asing di Indonesia Turun Tajam, Ini Alasannya.
liputan6.com. https://www.liputan6.com/bisnis/read/4519646/kredit-bank-
asing-di-indonesia-turun-tajam-ini-alasannya
Setiawan, A., & Hermanto, B. (2017). Comparative study: determinant on banking
profitability between buku 4 and buku 3 bank in indonesia. Benefit: Jurnal
Manajemen dan Bisnis, 2(1), 92-101.
Sharma, P., Leung, T. Y., Kingshott, R. P., Davcik, N. S., & Cardinali, S. (2020).
Managing uncertainty during a global pandemic: An international business

19
perspective. Journal of business research, 116, 188-192.

Staikouras, C. K., & Wood, G. E. (2004). The determinants of European bank
profitability. International Business & Economics Research Journal (IBER), 3(6).
Stiroh, K. J. (2006). New evidence on the determinants of bank risk. Journal of
Financial Services Research, 30(3), 237-263.
Svejdova, A. (2021). How is the COVID-19 pandemic affecting the operating
performance of commercial banks in the United States?. https://elearning.
unyp.cz/mod/data/view.php?d=20&rid=780
Trinh, V. Q., Elnahass, M., Salama, A., & Izzeldin, M. (2020). Board busyness,
performance and financial stability: does bank type matter?. The European
Journal of Finance, 26(7-8), 774-801.
Terraza, V. (2015). The effect of bank size on risk ratios: Implications of banks’
performance. Procedia Economics and Finance, 30, 903-909.
Währungsfonds, I. (2020). World Economic Outlook April 2020, The Great Lockdown.
International Monetary Fund: Washington, DC, USA.
Zhang, Z., Xie, L., Lu, X., & Zhang, Z. (2016). Determinants of financial distress
in large financial institutions: Evidence from US bank holding companies.
Contemporary Economic Policy, 34(2), 250-267.

Does the COVID-19 Pandemic Have an Impact on the

Banking Industry? A Nonparametric Approach to Two
Categories of Indonesian Banks
Ihsanul Ikhwan1, Aisyah As-Salafiyah2

1
International Islamic University
2
Tazkia Institute Bogor
Abstrak
Selama dua tahun terakhir, pandemi COVID-19 telah mempengaruhi industri
perbankan, baik bank konvesional maupun syariah. Pada era berkelanjutan
saat ini, peningkatan efisiensi merupakan salah satu tujuan yang harus dicapai
oleh perbankan. Penelitian ini bertujuan untuk mengukur efisiensi perbankan,
khususnya pada masa pandemi COVID-19 terhadap 30 bank di Indonesia dalam
kurun waktu 6 tahun, dari tahun 2015 hingga 2020. Metode Data Envelopment
Analysis (DEA) digunakan sebagai metode penelitian dalam mengukur efisiensi.
Hasil DEA juga digunakan untuk mengidentifikasi variabel input dan output yang
harus ditingkatkan jika suatu Decision Making Unit (DMU) perlu meningkatkan
efisiensinya dalam bentuk potential improvement. Hasil penelitian menunjukkan
bahwasanya COVID-19 berdamapak pada efisiensi perbankan, yang juga
dikonfirmasi dengan Return to Scale (RTS) yang termasuk pada kategori Decreasing
Return to Scale (DRS). Perbankan syariah mendapatkan skor 0.66, lebih tinggi
daripada bank konvesional dengan skor 0.59. selain itu, variabel paling penting
untuk ditingkatkan oleh perbankan selama pandemi adalah output pembiayaan
(total kredit atau total pembiayaan).
Kata Kunci: Efisiensi, DEA, Bank, COVID-19, Indonesia

21
Abstract
Over the past two years, the COVID-19 pandemic has affected the banking
industry, both conventional and Islamic. In the current sustainable era, increasing
efficiency is one of the goals to be achieved by banks. This study aims to measure
banking efficiency, especially during the COVID-19 pandemic in 30 banks in Indonesia
over a 6 years period, from 2015 to 2020. Data Envelopment Analysis (DEA) was
employed as a research method in measuring efficiency. The DEA results are also
used to identify input or output variables that must be improved if the Decision-
Making Unit (DMU) needs to improve efficiency in form of potential improvement.
The results showed that COVID-19 had an impact on banking efficiency, also
confirmed by Return to Scale (RTS) which was included in the Decreasing Return to
Scale (DRS) category. Islamic banking got a higher score of 0.66 than conventional
banking with a score of 0.59. In addition, the most important variable performance
to be improved by banks during the pandemic is financing output (total credit or
total financing).
Keywords: Efficiency, DEA, Bank, COVID-19, Indonesia

JEL Classification: C14, G20, G21

1. INTRODUCTION
1.1. Background
The banking industry aims to serve people with surplus and deficit to improve
their standard of living (Julia & Kassim, 2020). Various countries currently have
implemented a dual banking system mechanism where there is a conventional
banking system and a sharia banking system in the banking industry (Yunita,
2020). Therefore, banks continue to strive to grow and improve their efficiency
performance. Islamic banking itself has existed for more than three decades, but
its market acceptance is relatively lower when compared to conventional banks
(Shaikh et al., 2020). However, Islamic banking specifically seeks to develop the
economy by increasing real economic activities that following sharia principles
(Muneeza & Mustapha, 2020).
Various policies issued by governments in various countries aim to maximize
banking efficiency so that they can be more optimal in realizing financial prosperity
and economic equity, especially in the era of the COVID-19 pandemic, where most
countries in the world are affected (Jamaruddin & Markom, 2020). COVID-19 has
become a global challenge and has had devastating consequences in terms of
pandemics, economic and social problems (Shahabi et al., 2020), including in the
banking industry.
The impact of COVID-19 on the banking industry sector was initiated by the large
number of business owner customers who had difficulty paying their obligations
to banks, resulting in bad loans. The increase in the ratio of non-performing loans
(NPL) and funding freezes are one of the direct impacts of COVID-19 in the banking
industry (Baldwin & Weder, 2020).
(Jaelani & Hanim, 2020), either through the restructuring process, increasing
the financing period, or providing a grace period of 3-6 months in the future. for
customers affected by COVID-19 (Habibah, 2020).
Many conventional and Islamic banks have implemented restructuring policies
(Iskandar et al., 2020), however, restructuring is not abolition, but provides leeway
to pay off debts or financing payments, so that these funds are not recorded as bad
loans. In the Islamic banking system, this restructuring policy follows the principle
of granting suspensions to problematic customers, as stated in the Al-Quran Surah
Al-Baraqah verse 280.

23
Based on data from the Indonesian Banking Statistics, as of November 2020,

the NPL (Non Performing Loans) ratio for conventional banking reached 3.15%
(Otoritas Jasa Keuangan, 2020a), while in the Sharia Banking Statistics in December
2020, the NPF (Non-Performing Financing) ratio for Islamic banking was up to
December 2020 reached 3.13% (Otoritas Jasa Keuangan, 2020b). This study aims to
see the level of efficiency of banking, both sharia and conventional, in the last five
years, especially in 2020 whether the COVID-19 pandemic has an impact on both
conventional and sharia banking industries.
1.2. Objective
This research has several objectives. Among them are measuring the level of
efficiency of banking in Indonesia during the 2015-2020 period. In addition, it also
analyzes the potential improvement of the slack value between the original data
and the projected data. This is done to identify input or output variables that need
to be improved to produce efficient banking performance.
This research is structured as follows. The second part discusses in general the
theoretical background of banking development and some previous research. The
third section describes the methodology, which consists of data and development
models. The fourth section presents the results of research on bank efficiency in
Indonesia as well as provides an analysis of the most efficient banks and provides
an explanation of potential improvements. The fifth section is the closing, which
contains a summary of the main discussions and recommendations.
2. LITERATURE REVIEW
2.1. Background Theory
The pandemic has hurt the economic and financial sectors, several financial
institutions including banks have reported losses or decreased profits caused by
the increased depreciation of credit scores related to COVID-19. This has resulted
in the attention of countries in the world shifting from the problem of the spread
of disease to focusing on the economic and financial consequences for the nation
and society (Rusydiana, 2021).

From January 2008 to December 2019 before the pandemic, financial crises
in the financial sector occurred several times. It was recorded in 2008 as a global
financial crisis that had a major impact on the stability of the financial sector
including banking, however, the capital of the banking industry, especially Islamic
banking, was still able to survive (Yunita, 2020). The occurrence of the COVID-19
pandemic then had a negative impact in the form of a very severe economic crisis
and had an impact on changes in the structure of the global economic order
(Shahabi et al., 2020).
The shocks that occurred around the world as a consequence of the measures
taken to contain the virus have severely hampered the economic and financial
sectors. Funds channeled from financial institutions to community businesses, as
well as corporations, are affected. The existence of regional quarantine also causes
banking products not to be distributed properly (Aisyah et al., 2020). This causes
the financial system to erode, including conventional bank interest rates, because
many banks have to lower their loan interest rates. As a result of this pandemic,
the financial sector, including banking financial institutions, as one of the industries
predicted to be affected, needs to develop innovations that can to increase the
efficiency of its performance (Afandi, 2020).
2.2. Previous Studies

In most developing countries, the increasing caseload of the COVID-19
pandemic coupled with barriers to vaccination resulted in the withdrawal of some
macroeconomic support. Following a 3.5 percent contraction due to the COVID-19
pandemic in 2020, global economic activity is gaining momentum for improvement
but is still far below pre-pandemic projections. In addition, the recovery is also
uneven, many poor countries are still unable to cope with the pandemic, and there
are still many economic uncertainties in the future (The World Bank, 2021).
The largest output losses occur in countries that depend on tourism and
commodity exports and for those with limited policy space to respond. Many of
these countries entered the crisis in dire fiscal situations and with less capacity to
scale up health care policy responses or support livelihoods, so income inequality
is likely to increase significantly due to the pandemic, with nearly 95 million-plus
people estimated to have fallen,. below the extreme poverty threshold by 2020

25
(International Monetary Fund, 2021).

So far, many studies that analyze banking efficiency have been carried out
with different case studies, research periods, and analytical methods. This study
attempts to analyze the level of banking efficiency from 2015-2020, especially in
2020 when COVID-19 began to spread in Indonesia. The analysis is then continued
by making comparisons to conventional and Islamic banking, and state-owned and
private banks. Several studies comparing the efficiency of Islamic and conventional
banking have been carried out quite a lot (Khalil & Siddiqui, 2019; Matar, 2017;
Musa et al., 2020; Nafla & Hammas, 2016; Nauman et al., 2018; Parsa, 2020; Wafik
& Tharwat, 2015) Comparison of banking efficiency is also often done by several
previous researchers by comparing the efficiency of government-owned and
private banks (Das & Ghosh, 2006; Kamarudin et al., 2016; Kristianto & Hendrawan,
2020; Maity, 2020; Subramanyam & Suresh, 2018; Tanwar et al., 2020; Vanina
Soetanto, 2011; Zewde Alemu, 2016).
3. METHODOLOGY
3.1. Method
This research uses a quantitative non-parametric approach, Data Envelopment
Analysis (DEA). DEA was originally developed by Charnes, Cooper & Rhodes
(1978) and later expanded by Banker, Charnes, & Cooper (1984) to measure the
productivity and efficiency of business units. This allows for multiple outputs
(weighted) and multiple inputs (weighted) in measuring productivity or efficiency,
usually referred to as a weighted output level resulting from a given input. In the
efficiency literature, DEA is widely used to measure technical efficiency, including
the efficiency of financial institutions (Sharma et al., 2013). DEA method can also
provide information about Decision Making Unit (DMU) (in this context is banking
in Indonesia), that do not use efficient inputs and causes of inefficiencies, both
in input and output variables. Last, this method can generate information on how
much input and output must be adjusted to have a maximum relative efficiency
value.
A business unit is said to be efficient if it can produce maximum output for
a certain level of input, or if it can minimize costs for a certain level of output.
Ozcan (2008) divides efficiency into several aspects: technical efficiency, scale

efficiency, cost efficiency, and allocation efficiency. The process of converting

inputs into outputs is known as technical efficiency. Since this idea deals only with
the internal technical relationship between inputs and outputs, a firm is considered
economically effective if it can reduce production costs to produce a given output,
while remaining within standard technology and market price levels.
In DEA two basic models can be used, namely Charnes, Choper & Rhodes
(CCR) models and Banker, Charnes & Rhodes (BCR) Models. The CCR model is used
with the assumption that changes in the value of output produced by DMU will
always be equal to the proportion of adding a certain output value. This is in line
with the Constant Return to Scale (CRS) assumption that the production function is
fixed. Whereas the BCR model assumes changes in the output value generated by
DMU are different for each proportion of change in the value of a particular input.
This is in line with Variable Return to Scale (VRS), which means that each input
does not necessarily produce the same output. VRS model assumes that the ratio
between input and output increment is different, which means that the addition
of input x times will not cause the output to increase by x times, it can be smaller
or larger. In this paper banking efficiency is calculated by comparing the CRS and
VRS models, with the intermediation approach which was adopted to reflect the
activities of Islamic banks.
Figure 1. DEA Method (Ascarya 2012)

27
3.2. Data
This study focuses on analyzing the efficiency of 30 banks (both conventional
and syariah) in Indonesia, in the 2015 to 2020 period. The input variables used in
this study are fixed asset, labor cost, dan third-party-funds, whereas output variabel
used are total financing and operating revenues. The selection of input-output
variables is in line with Sufian (2007), Ascarya &Yumanita (2008) and, Rusydiana &
Marlina (2019). Data related to the input and output variables used were obtained
from the financial statements and annual reports of each bank The analytical tool is
the MAXDea 8 software. The efficiency score should range between zero and one.
The radial distance from the projected production limit to the considered DMU is
reflected in the efficiency score (Kamarudin et al., 2017).
4. RESULTS AND ANALYSIS

4.1. Results
Before analyzing the value of banking efficiency in Indonesia, an overview of
the data used in this study will be presented. Table 1 presents descriptive statistics
of the input and output variables of banking in Indonesia, for the 2015-2020 period.
Table 1. Statistic Descriptive (in million)
Variable Mean Max Min
Input
Fixed Asset 5.070.671 46.728.153 2.210
Labor cost 3.063.682 26.319.791 7.316
Third-party funds 134.160.295 1.087.555.173 40.162
Output
Total Financing 114.440.359 899.458.207 5.066

Operating
13.811.832 111.157.163 31.277
Revenues

Since the DEA window analysis method Based on the input variable, Third
Party Funds (TPF) is the variable with the largest number, far above other variables.
The average Third Party Funds (TPF) of banking in Indonesia is Rp. 134,160,295, with
the largest value of Rp. 1,087,555,173, and the smallest of Rp. 40,162. Meanwhile,
based on the output variable, the amount of financing has an average value that
is greater than operating income, which is Rp. 114,440,359. The largest value of the
variable amount of financing is Rp. 899,458,207, and the smallest value is Rp. 5,066.
This discussion will show the efficiency level of 30 banks in Indonesia during
the 2015-2020 period using the DEA method. The results will be displayed through
an efficiency score with a range of 1-10%. A score of 100% describes the bank’s
ability to manage their input and output variable already optimal. Meanwhile, if
the efficiency score is further away from 100%, it can be indicated that the bank is
inefficient or has not managed its input dan output variable optimally. The efficiency
scores after data processing can be seen in the following table:
Table 2. Indonesian Banking Efficiency Score
CRS
DMU
2015 2016 2017 2018 2019 2020
Mandiri 0,63 0,72 0,66 0,70 0,66 0,60
BRI 0,57 0,66 0,61 0,60 0,61 0,55
BCA 0,61 0,62 0,61 0,63 0,65 0,65
BTN 0,92 0,90 0,85 1,00 0,92 0,90
BNI 0,64 0,64 0,61 0,62 0,62 0,63
CIMB Niaga 0,45 0,49 0,47 0,46 0,47 0,42
OCBC NISP 0,54 0,51 0,53 0,56 0,54 0,47
Panin 0,51 0,57 0,55 0,61 0,59 0,65
Danamon 0,65 0,69 0,67 0,67 0,68 0,61
BTPN 0,63 0,57 0,56 0,64 0,80 0,70
Permata 0,59 0,45 0,48 0,47 0,62 0,63
Maybank Indonesia 0,55 0,56 0,53 0,55 0,54 0,48
Mega 0,63 0,61 0,59 0,55 0,54 0,63
HSBC 1,00 0,64 0,51 0,60 0,51 0,39
DKI Bank 0,63 0,77 0,61 0,72 0,60 0,51
DBS Bank 0,56 0,53 0,53 0,49 0,52 0,56
Aceh Syariah Bank 1,00 0,46 0,56 0,59 0,54 0,48

29
Table 2. Indonesian Banking Efficiency Score
CRS
DMU
2015 2016 2017 2018 2019 2020
BPD NTB Syariah 0,92 0,82 1,00 1,00 0,65 0,65
Muamalat 0,66 0,53 0,55 0,46 0,44 0,43
Victoria Syariah 0,72 0,57 0,63 0,67 0,70 0,78
BRI Syariah 0,77 0,78 0,73 0,80 0,74 0,79
BNI Syariah 0,65 0,59 0,60 0,54 0,51 0,46
BSM 0,70 0,67 0,65 0,69 0,68 0,73
Jabar Banten Syariah Bank 0,77 0,66 0,60 0,62 0,61 0,59
Mega Syariah 0,63 0,67 0,68 0,60 0,65 0,71
Panin Dubai Syariah 1,00 0,77 0,67 0,59 0,82 0,85
Bukopin Syariah 0,88 0,76 0,66 0,74 0,76 0,97
BCA Syariah 0,50 0,47 0,51 0,55 0,58 0,52
BTPN Syariah 0,86 0,86 0,49 0,54 1,00 0,93
Maybank Syariah Indonesia 1,00 0,99 0,82 1,00 1,00 0,44
Mean 0,70 0,65 0,62 0,64 0,65 0,62
VRS
DMU
2015 2016 2017 2018 2019 2020 RTS
Mandiri 1,00 1,00 0,96 1,00 1,00 0,93 DRS
BRI 1,00 1,00 1,00 1,00 1,00 1,00 DRS
BCA 0,96 0,94 0,94 0,97 0,99 1,00 DRS
BTN 1,00 0,98 0,97 1,00 1,00 0,99 DRS
BNI 0,94 0,91 0,89 0,96 0,97 1,00 DRS
CIMB Niaga 0,67 0,70 0,69 0,67 0,68 0,59 DRS
OCBC NISP 0,80 0,71 0,75 0,77 0,76 0,78 DRS
Panin 0,76 0,86 0,81 0,88 0,84 0,96 DRS
Danamon 0,96 1,00 0,99 1,00 1,00 0,93 DRS

VRS
DMU
2015 2016 2017 2018 2019 2020 RTS
BTPN 0,93 0,81 0,86 0,90 1,00 0,95 DRS
Permata 0,83 0,70 0,71 0,64 0,80 0,89 DRS
Maybank Indonesia 0,90 0,85 0,85 0,84 0,81 0,70 DRS
Mega 0,81 0,79 0,77 0,73 0,72 0,86 DRS
HSBC 1,00 0,89 0,72 0,84 0,76 0,63 DRS
DKI Bank 0,72 0,88 0,69 0,76 0,68 0,61 DRS
DBS Bank 1,00 0,90 0,89 0,73 0,71 0,76 DRS
Aceh Syariah Bank 1,00 0,57 0,69 0,70 0,65 0,57 DRS
BPD NTB Syariah 1,00 0,91 1,00 1,00 0,76 0,76 DRS
Muamalat 0,86 0,72 0,79 0,62 0,59 0,60 DRS
Victoria Syariah 0,75 0,59 0,67 0,72 0,77 0,80 DRS
BRI Syariah 0,98 0,98 0,95 1,00 0,99 1,00 DRS
BNI Syariah 0,84 0,77 0,80 0,73 0,68 0,58 DRS
BSM 0,95 0,98 1,00 1,00 1,00 0,92 DRS
Jabar Banten Syariah Bank 0,86 0,77 0,70 0,70 0,72 0,70 DRS
Mega Syariah 0,68 0,76 0,77 0,71 0,78 0,80 DRS
Panin Dubai Syariah 1,00 0,84 0,78 0,71 1,00 1,00 DRS
Bukopin Syariah 0,92 0,85 0,77 0,84 0,85 1,00 DRS
BCA Syariah 0,57 0,55 0,58 0,60 0,63 0,58 DRS
BTPN Syariah 0,92 0,89 0,60 0,66 1,00 0,94 DRS
Maybank Syariah Indonesia 1,00 0,99 0,85 1,00 1,00 0,77 IRS
Mean 0,89 0,84 0,81 0,82 0,84 0,82

31
Based on the CRS assumption, none of the banks obtained the maximum
relative efficiency value during the 5-year observation period. BTN obtained the
highest average efficiency score with a score of 0.91, while Bank CIMB Niaga
obtained the lowest average score with a score of 0.46. Meanwhile, based on the
VRS assumption, BRI is the only bank that gets the maximum score, with a relative
efficiency value equal to one during the study period. This result is in line with
the research by Kristianto & Hendrawan (2020) and Hendawan & Nasution (2018),
where BRI is the most efficient bank compared to other banks during the study
period, while BCA Syariah has the lowest efficiency score with an average value of
0.59.
Meanwhile, based on observations during the research period, the average
value of banking efficiency in Indonesia fluctuates every year. Interestingly, there is
a similar pattern, both based on the CRS and VRS assumptions. The value of banking
efficiency in Indonesia decreased from 2015 to 2017. Then there was an increase in
2018 and 2019, and a decline again in 2020. The spread of COVID-19 has already
affected banking activities in many countries, and it has triggered precautionary
reactions on the part of the depositors (eg, withdrawal rates) and counterparties
of financial intermediaries (eg, reducing market funding) (Baldwin et al., 2020). In
Indonesia, overall banking performance also declined when COVID-19 began to
spread (Nugroho et al., 2020).
Figure 2. Comparison of CRS and VRS assumptions Score

4.1.1. Efficiency Comparison of Conventional and Islamic Banking

Furthermore, a comparison will be made on banking efficiency based on the
classification of conventional banks and Islamic banks. The comparison is made by
looking at the average efficiency value of conventional and Islamic banking each
year, during the five-year study period.
Comparison of the Efficiency of Islamic

Figure 3.
and Conventional Banks
Based on Figure 3, the efficiency value of Islamic banking is higher than

conventional banking. The results of this analysis are in line with Musa et al., (2020),
Nafla & Hammas (2016), and Parsa (2020) where Islamic banks are considered
more efficient than conventional banks. However, several other research results
contradict the results of this study (Khalil & Siddiqui, 2019; Matar, 2017; Khan
et.al., 2018; Wafik & Tharwat, 2015). But overall, Islamic and conventional banks
showed a similar pattern during the research period, where there was a decrease
in the average efficiency value in 2015-2017, then slightly improved until 2019, and
decreased again in 2020.

33
4.1.2. Comparison of Public and Private Banking efficiency

The next analysis will compare the efficiency performance of government-
owned and private-owned banks, from 2015 to 2020. The comparison is made by
looking at the average value of government and private banking efficiency each
year.
Comparison of the Efficiency of Public

Figure 4.
and Private Banks
Based on Figure 4, the efficiency value of government-owned banks is higher

than that of private banks. The results of this research analysis are in line with
research conducted by Subramanyam & Suresh (2018), Kristianto & Hendrawan
(2020), Soetanto (2011), Tanwar, et al., (2020), Das & Ghosh (2006). However,
several studies have contradictory results with this study where the efficiency level
of private banks is considered better than govenrment banks (Kamarudin et al.,
2016; Maity, 2020; Alemu, 2016)
These two types of banking show the same pattern, where the average
efficiency of state and private banks decreased from 2015 to 2017, and increased in
2018. However, the performance of government banking efficiency has decreased
over the last two years, while private banks continued to increase until 2019, before
finally experiencing a decline in performance in 2020.

4.1.3. Potential Improvement
10%
Figure 5. Potential Improvement
Besides being able to produce efficiency values, the DEA method can also
produce potential improvements or the level of improvement needed to achieve
optimal efficiency values. So it can be known which variables need to be optimized.
Analysis of potential improvement is carried out using the last year of observation
and is carried out separately from previous years, to describe the real value that
must be achieved. The results of the measurement of potential improvement can
be seen in the figure above.
Based on the analysis of potential improvement, it can be seen that the main
cause of inefficiency in banking is the output variable, where the distribution of
funds for financing has not been optimal. This variable is very dominant in causing
inefficiency compared to other variables, which is 76%. This means that banks
that are not yet efficient should increase the amount of their financing by 76%
to achieve an efficient performance. While the utilization of fixed assets in the
banking period is considered not optimal by 10% in achieving the expected output
so that it becomes the main source of inefficiency in the input variable.

35
4.2. Discussion
Based on the results of research on Indonesian banking efficiency in the 2015
to 2020 research period, there are several findings that can be used by further
researchers for academic purposes and by regulators as one of the considerations
in making a policy. The first finding is shown by graphs of CCR and BCC scores which
show a timeline of the average development of banking efficiency levels from year
to year and tables of CCR and BCC which show the value of bank efficiency each
year.
Both graphs and tables show that 2020, which is the year COVID-19 began to
spread into a pandemic throughout the world, had an impact on banking efficiency
in general, both Islamic banks and conventional banks. This is in accordance with
research from (Shahabi et al., 2020) which states that developments in the banking
industry indicate that the role of banks in the financial sector has changed a lot as
well as changing customer preferences and demands.
Currently, due to the pandemic and various applicable restrictions, customers
are more interested in using a digital operating system to carry out their banking-
related activities. Financial technology is an innovation that allows banks to be
more efficient in providing services to their customers. Various innovations need
to be carried out by banks in order to facilitate their customers and increase
their declining efficiency level. In the long term, increased customer engagement
enables banks to be more efficient and cost-effective.
In response to reduced efficiency in banking, authorities around the world
are implementing various relief measures to support banks and to ensure the flow
of credit to the real economy while maintaining bank resilience. The steps taken
are for example by providing direct support to borrowers in the form of public
guarantees for bank loans, state subsidies, a moratorium on debt payments, or
encouraging restructuring loans. This effort was carried out to provide flexibility
in financial integrity requirements to help overcome the challenges of banking
efficiency during the COVID-19 pandemic (Feyen et al., 2021).
The next finding from this research is the result of the comparison of the level
of banking efficiency between the categories of Islamic banks and conventional
banks. Islamic banks in 2019 got a score of 0.69225 and decreased in 2020 to
0.664868. Likewise, conventional banks experienced a score of 0.61765 in 2019 and

decreased to 0.587859 in 2020. This data shows that both types of banks, both
sharia and conventional, experienced a decrease in efficiency during the COVID-19
pandemic. However, if the two scores in 2020 are compared, it will be found that
Islamic banks have a higher score, meaning that Islamic banks in terms of efficiency
are better than conventional banks during 2020.
The difference between these two types of industry is basically the point of
Sharia compliance requirements, which refers to the provision of products that are
permitted by Sharia. In addition, Islamic banking needs to protect every transaction
carried out from things that are prohibited in Islamic law, such as usury, gambling,
and obscurity (Jamaruddin & Markom, 2020). Several studies have stated that
Islamic banking is not only able to be more efficient during this pandemic, but also
has the potential an alternative sustainable banking system. The current pandemic
shows that Islamic banks are more stable because they are based on the principles
of risk-sharing, ethics, and morality, and have a social function that safeguards
the interests of the poor and those under crisis (Rabbani et al., 2021). This shows
that it does not mean that Islamic banking is not affected during the COVID-19
pandemic, but that the impact is less than that of conventional banks.
The third finding, this study also compares the level of efficiency between
state-owned banks and private-owned banks to see how the performance of the
two in the last five years, especially during the COVID-19 pandemic in 2020. The
results show that at the beginning of the research period, state banks were able to
achieve a higher efficiency score than private banks, with a score of 0.735051, while
private banks got a score of 0.684931. This difference continued to widen until in
2018, the score gap between the two was even greater with a score of 0.708492
for state banks and 0.596851 for private banks. However, from 2019 to 2020, or
during the COVID-19 pandemic, state banks experienced a more drastic decrease
in efficiency compared to private banks, wherein 2020 state banks scored 0.632275
and Islamic banks scored 0.618144.
Basically, private banks and state banks can freely apply various innovations
to develop their financial services, but the influence of banking services on their
market share may be different, where the system in private banks allows Islamic
banks to do more efforts and development (Nazaritehrani & Mashali, 2020). This
finding can be a consideration for both types of banking to continue to make

37
improvements to achieve better efficiency scores in the future.

The fourth finding of this study is related to the potential for improving banking
efficiency. Through efficiency analysis, this study provides information about the
potential for improvement through sensitivity analysis. The graph and the potential
improvement table contain the results of the sensitivity analysis of each bank
in the 2020 dataset. The table shows the amount of slack (difference in the gap
between the efficient projected value and the original value of the data) for each
controllable input and observation output for each bank. The slack variable is used
to identify sources of inefficiency. If a variable tends to be low, the bank is not
fully efficient because inputs can be reduced without reducing output. Slack is
calculated by comparing the inputs and outputs of each bank with the inputs and
outputs of an efficient bank reference data set. This efficient reference bank is a
bank that operates under the same conditions as the bank being compared but
has an efficiency of 1 and a gap of 0.
The variable that contributes the most to the decrease in efficiency scores so
that it needs to be considered for banks to be efficient is the output variable of the
amount of financing, this variable needs to be increased by 76% of total slack so
that banks can increase efficiency to 1.00. The total financing includes total credit
in conventional banks and total financing in Islamic banks. The value of slack or
difference indicates the level of inefficiency that occurs to variables that need to be
corrected by Islamic banks and conventional banks. In addition, for certain banks,
other variables have high slack values so that they need to be improved to reduce
inputs or increase output.
The last finding is related to Return To Scale (RTS) which is used as an indicator
to describe how well the bank’s ability to produce its output. In the relationship
between production factors or inputs with the level of production or output,
RTS describes the response of output to a proportional change in input. In this
case, 29 of the 30 banks studied experienced a Decreasing Return To Scale (DRS)
condition, which indicates that an increase in all inputs the same amount causes a
disproportionate increase in total output, this occurs when the increase in output
is smaller than the added input. This result also indirectly confirms the results of the
first finding which shows a decrease in the efficiency level of all banks in 2020 or
during the COVID-19 pandemic.

Thus, the level of efficiency still needs to be improved in all banks after facing a
decline in 2020 both in Islamic banks, conventional banks, state banks, and private
banks. The entire banking industry must continue to make efficiency efforts by
adjusting to variables that still have a large enough slack value, in accordance with
the table showing potential improvement.

5. CONCLUSION AND RECOMMENDATION
5.1. Conclusion
The results of this study show that the average efficiency score of all banks in
Indonesia included in the 2015-2020 observations fluctuated throughout the study
period. However, in 2020, the average efficiency score decreased both calculated
by CRS and VRS frontier, wherein 2019 the average efficiency score achieved was
0.65 (CRS) and 0.84 (VRS), then decreased in 2020 to a score of 0.62 (CRS) and 0.82
(VRS). This can be explained because the banking industry is affected by COVID-19,
where the impact on banking is caused by bad credit and financing from customers.
Based on the DEA analysis, COVID-19 has more impact on the efficiency level
of conventional banking than Islamic banking, where conventional banking gets
a score of 0.59 and Islamic banking gets a score of 0.66. In addition, government
banking which initially had a high-efficiency score then experienced a more drastic
decline in performance than private banking which experienced an increase before
then declined in 2020.
This study also provides a classification of the potential for improvement for
each input and output variable. The results of the analysis show that Islamic banks
in Indonesia need to improve the output variable of the amount of financing to
achieve optimal efficiency values, because the main cause of inefficiency in banking
is the output variable, namely the distribution of financing is not yet optimal, so
banks need to increase the amount of their financing by 76% in order to achieve
efficient performance.
5.2. Recommendation
Recommendations for practitioners include the need to improve the quality of
human resources in banking and provide innovation in banking products in order
to provide more varied choices for customers so that financing distribution can

39
be more optimal. Recommendations for academics include continuing to update

banking efficiency information and data, especially in 2021 because the pandemic
period is still not over so that further research is expected to produce solutions
to improve efficiency performance, with various updates that are appropriate to
the situation. Recommendations for regulators are the need to improve banking
quality from all aspects, especially efficiency.
We also suggest several recommendations to Otoritas Jasa Keuangan (OJK)
as a bank supervisor. Firstly OJK needs to provide a capable system to supervising
banks, especially related to evaluating the efficiency of banking performance
using Non-parametric approach. Secondly, there is a needs to continued policy
innovations that can accelerate the achievement of efficiency such as restructuring,
mergers, or banking consolidations.

REFERENCES
Afandi, M. A. (2020). Switching Intentions among Millennial Banking Customers to
Fintech Lending. IJIEF: International Journal of Islamic Economics and Finance,
3(July), 281–302. https://doi.org/10.18196/ijief.3230
Aisyah, B. N., Yuliani, N. A., Amelia, E., & Nasiroh, F. (2020). Pelarangan Riba dalam
Perbankan: Impact pada Terwujudnya Kesejahteraan di Masa Covid-19. Jurnal
Imara, 4(1), 1. https://doi.org/10.31958/imara.v4i1.2083
Ascarya, A., & Yumanita, D. (2008). Comparing the efficiency of Islamic banks in
Malaysia and Indonesia. Bulletin of Monetary Economics and Banking, 11(2),
95-119. https://doi.org/10.21098/bemp.v11i2.237.
Ascarya. (2012). Efficiency using data envelopment analysis. Working Paper. Center
for Central Banking Education and Studies, April 2012.
Baldwin, R., Weder, B., & Mauro, D. (2020). Economics in the time of COVID-19. In
Economics in the Time of COVID-19. CEPR Press. https://www.ecdc.europa.eu/
en/geographical-distribution-2019-ncov-cases
Banker, R. D., Charnes, A., & Cooper, W. W. (1984). Some models for estimating
technical and scale inefficiencies in data envelopment analysis. Management
Science, 30(9), 1078-1092.
Charnes, A., Cooper, W. W., & Rhodes, E. (1978). Measuring the efficiency of
decision-making units. European Journal of Operational Research, 2(6), 429-
444.
Das, A., & Ghosh, S. (2006). Financial deregulation and efficiency: An empirical
analysis of Indian banks during the post reform period. Review of Financial
Economics, 15(3), 193–221. https://doi.org/10.1016/j.rfe.2005.06.002
Feyen, E., Alonso Gispert, T., Kliatskova, T., & Mare, D. S. (2021). Financial
Sector Policy Response to COVID-19 in Emerging Markets and Developing
Economies. Journal of Banking & Finance, 106184. https://doi.org/10.1016/j.
jbankfin.2021.106184
Habibah, N. F. (2020). Tantangan dan Strategi Perbankan Syariah dalam Menghadapi
Covid-19. Iqtishodiah Jurnal Ekonomi Dan Perbankan Syariah, 2(1).

41
Hendrawan, R., & Nasution, A. A. (2018). Assessing Banking Profit Efficiency Using
Stochastic Frontier Analysis. GATR Journal of Finance and Banking Review,
3(4), 67–76. https://doi.org/10.35609/JFBR.2018.3.4(5)
International Monetary Fund. (2021). World Economic Outlook: Managing
Divergent Recoveries. In International Monetary Fund.
Iskandar, A., Possumah, B. T., & Aqbar, K. (2020). Peran Ekonomi dan Keuangan
Sosial Islam Saat Pandemi Covid-19. SALAM: Jurnal Sosial Dan Budaya Syar-I,
7(7), 625–638. https://doi.org/10.15408/sjsbs.v7i7.15544
Jaelani, A., & Hanim, T. F. (2020). Sustainability of Public Finances During The
COVID-19 Outbreak in Indonesia. Al-Amwal: Jurnal Ekonomi Dan Perbankan
Syariah, 12(1), 109–123. https://doi.org/10.24235/amwal.v1i1.6557
Jamaruddin, W. N., & Markom, R. (2020). The Application of Fintech in the Operation
of Islamic Banking Focussing on Islamic Documentation: Post-Covid-19. INSLA
E-Proceedings, 3(1), 31–43.
Julia, T., & Kassim, S. (2020). Exploring green banking performance of Islamic banks
vs conventional banks in Bangladesh based on Maqasid Shariah framework.
Journal of Islamic Marketing, 11(3), 729–744. https://doi.org/10.1108/JIMA-10-
2017-0105
Kamarudin, F., Hue, C. Z., Sufian, F., & Mohamad Anwar, N. A. (2017). Does
productivity of Islamic banks endure progress or regress? Empirical evidence
using data envelopment analysis based Malmquist Productivity Index.
Humanomics, 33(1), 84-118. https://doi.org/10.1108/H-08-2016-0059.
Kamarudin, F., Sufian, F., & Nassir, A. M. (2016). Crisis financiera global, propiedad
y eficiencia de las ganancias en los bancos comerciales estatales y privados
en Bangladesh. Contaduria y Administracion, 61(4), 705–745. https://doi.
org/10.1016/j.cya.2016.07.006
Khalil, F., & Siddiqui, D. A. (2019). Comparative Analysis of Financial Performance
of Islamic and Conventional Banks: Evidence from Pakistan. SSRN Electronic
Journal. https://doi.org/10.2139/SSRN.3397473

Kristianto, B., & Hendrawan, R. (2020). Indonesian Listed Bank Efficiency in

2008 – 2017 using Data Envelopment Analysis (DEA). 55–64. https://doi.
org/10.5220/0008427500550064
Maity, S. (2020). (PDF) Are Private Sector Banks really more Efficient than Public
Sector Banks? -A comparative analysis using DEA. https://www.researchgate.
net/publication/341576605_Are_Private_Sector_Banks_really_more_Efficient_
than_Public_Sector_Banks_-A_comparative_analysis_using_DEA
Matar, A. (2017). Evaluating the Performance of Islamic and Commercial Banks in
Jordan: A Comparative Study. In Jordan Journal of Economic Sciences (Vol. 4,
Issue 1).
Musa, H., Natorin, V., Musova, Z., & Durana, P. (2020). Comparison of the efficiency
measurement of the conventional and Islamic banks. Oeconomia Copernicana,
11(1), 29–58. https://doi.org/10.24136/oc.2020.002
Nafla, A., & Hammas, A. (2016). Islamic Banks, Conventional banks and Subprime
Crisis: Empirical Evidence by Using DEA Approach. Journal of Islamic Banking
and Finance, 4(1). https://doi.org/10.15640/jibf.v4n1a2
Nauman Khan Md Fouad Bin Amin Imran Khokhar Mehboob ul Hassan Khaliq Ahmad,
M. (2018). EFFICIENCY MEASUREMENT OF ISLAMIC AND CONVENTIONAL
BANKS IN SAUDI ARABIA: AN EMPIRICAL AND COMPARATIVE ANALYSIS 1.
http://saudigazette.com.sa;
Nazaritehrani, A., & Mashali, B. (2020). Development of E-banking channels and
market share in developing countries. Financial Innovation, 6(1). https://doi.
org/10.1186/s40854-020-0171-z
Nugroho, L., Utami, W., Doktoralina, C. M., & Harnovinsah. (2020). (PDF)
COVID-19 AND THE POTENCY OF DISRUPTION ON THE ISLAMIC BANKING
PERFORMANCE (INDONESIA CASES). International Journal of Economic and
Business Applied, 1(1). https://www.researchgate.net/publication/344432498_
COVID-19_AND_THE_POTENCY_OF_DISRUPTION_ON_THE_ISLAMIC_
BANKING_PERFORMANCE_INDONESIA_CASES

43
Otoritas Jasa Keuangan. (2020a). Statistik Perbankan Indonesia November 2020.

Otoritas Jasa Keuangan. (2020b). Statistik Perbankan Syariah Desember 2020.
Ozcan, Y. (2008). Health care benchmarking and performance evaluation: An
assessment using data envelopment analysis. Boston: Springer.
Parsa, M. (2020). Efficiency and stability of Islamic vs. conventional banking models:
a meta frontier analysis. Journal of Sustainable Finance and Investment. https://
doi.org/10.1080/20430795.2020.1803665
Rabbani, M. R., Ali, M. A. M., Rahiman, H. U., Atif, M., Zulfikar, Z., & Naseem, Y.
(2021). The response of islamic financial service to the covid-19 pandemic: The
open social innovation of the financial system. Journal of Open Innovation:
Technology, Market, and Complexity, 7(1). https://doi.org/10.3390/
JOITMC7010085
Rusydiana, A. S. (2021). Bibliometric analysis of journals, authors, and topics
related to COVID-19 and Islamic finance listed in the Dimensions database by
Biblioshiny. Science Editing, 8(1), 72–78. https://doi.org/10.6087/kcse.232
Rusydiana, A. S., & Marlina, L. (2019). Financial and social efficiency on indonesian
Islamic banks. Journal of Islamic Monetary Economics and Finance, 5(3), 579-
602.
Shahabi, V., Azar, A., Razi, F. F., & Shams, M. F. F. (2020). Simulation of the effect
of COVID-19 outbreak on the development of branchless banking in Iran: case
study of Resalat Qard - al-Hasan Bank. Review of Behavioral Finance. https://
doi.org/10.1108/RBF-06-2020-0123
Sharma, D., Sharma, A. K., & Barua, M. K. (2013). Efficiency and productivity of
banking sector: A critical analysis of literature and design of conceptual model.
Qualitative Research in Financial Markets, 5(2), 1755-4179.
Subramanyam, T., & Suresh, S. (2018). Efficiency and Risk Management in Indian
Banks: A Method to Decompose the Risk. International Journal of Advances
in Management and Economics, 7, 2–08. http://www.managementjournal.info
Sufian, F. (2007). Malmquist Indices of productivity change in Malaysian Islamic
banking industry: Foreign versus domestic banks. Journal of Economic
Cooperation, 28(1), 115–150. https://doi.org/10.1007/BF02294970.

Tanwar, J., Seth, H., Kumar, A., & Rao, M. (2020). Revisiting the Efficiency of Indian
Banking Sector: An Analysis of Comparative Models Through Data Envelopment
Analysis. Indian Journal of Finance and Banking, 4(1). www.cribfb.com/journal/
index.php/ijfb
The World Bank. (2021). Global Economy Prospects. In The World Bank Goup.
Vanina Soetanto, T. (2011). Technical Efficiency of Indonesian Commercial Banks: An
Application of Two-Stage DEA. Jurnal Manajemen Dan Kewirausahaan, 13(2).
Wafik, D., & Tharwat, A. (2015). Investigating Economical Performance for UAE Islamic
Banks versus Commercial Banks. International Journal of Interdisciplinary
Research and Innovations, 3(3), 61–71. www.researchpublish.com
Yunita, P. (2020). The Future of Indonesia Islamic Banking Industry: Bankruptcy
Analyzing the Second Wave of Global Financial Crisis. International Journal of
Islamic Economics and Finance (IJIEF), 3(2), 199–226. https://doi.org/10.18196/
ijief.3227
Zewde Alemu, F. (2016). Evaluating the Technical Efficiency of Commercial Banks
in Ethiopia: A Data Envelopment Analysis. In European Journal of Business and
Management www.iiste.org ISSN (Vol. 8, Issue 28). Online. www.iiste.org

45
Analisis Kinerja Sektor Lembaga Keuangan dan

Pengaruh Kesempatan Kerja Selama Pandemi Covid-19
di Jawa Tengah
Tri Wahyu Ari Hastuti

Universitas Muhammadiyah Surakarta
Abstrak
Pandemi Covid-19 yang telah menyebar pada akhirnya membawa risiko yang
buruk bagi perekonomian dunia termasuk wilayah Indonesia khususnya dari sektor
jasa keuangan serta investasi. Penelitian ini bertujuan untuk menganalisis kinerja
jasa keuangan baik bank dan nonbank selama pandemi covid-19 periode triwulan
1 sampai triwulan 4 tahun 2020. Penelitian ini menggunakan metode analisis input-
output. Jenis data yang digunakan dalam penelitian ini adalah data sekunder
dan teknik pengumpulan data yang digunakan adalah teknik kepustakaan. Hasil
penelitian menunjukkan bahwa sektor jasa keuangan selama masa pandemi
mengalami gejolak yang berakibat terhadap penurunan permintaan output akhir
perekonomian, penurunan perubahan pendapatan rumah tangga dan perubahan
permintaan kesempatan kerja di sektor jasa keuangan.
Kata kunci: Pandemi Covid-19, Lembaga Keuangan, Input-Output, Ekonomi

Regional

Abstract
The Covid-19 pandemic that has spread ultimately carries a bad risk to the
world economy including Indonesia, especially from the financial institutions
and investment sectors. This study aims to analyze the performance of financial
institutions both banks and nonbanks during the covid-19 pandemic period of
the first quarter to the third quarter of 2020. This study uses input-output analysis
method. The types of data used in this study are secondary data and the data
collection techniques used library techniques. The results showed that the financial
institution sector during the pandemic experienced turmoil that resulted in a
decrease in demand for final output of the economy, a decrease in household
income changes and changes in demand for employment opportunities in the
financial institution sector.
Keywords: Pandemic Covid-19, Financial Institutions, Input-Output, Regional

Economy
JEL Classification: D24, D57, F63

47
1. PENDAHULUAN
1.1. Latar Belakang
Lembaga keuangan seperti bank ataupun nonbank mempunyai tugas dan
wewenang sebagaimana yang telah diatur dalam Undang-Undang Nomor 23
Tahun 1999 tentang Bank Indonesia. Kemudian diubah dalam Undang-Undang
Nomor 3 Tahun 2004 tentang kebijakan Bank Indonesia, sebagaimana upaya
pengembangan UMKM (Usaha Mikro Kecil Menengah) mengalami perubahan
paradigma yang cukup mendasar karena terjadi alih fungsi. Bank Indonesia
tidak dapat lagi memberikan bantuan keuangan atau kredit likuiditas dan dialih
fungsikan kepada pihak lembaga keuangan bank dan nonbank yang berada dalam
lingkup Bank Indonesia. Masing-masing lembaga keuangan bank dan non-bank
yang diharuskan membantu memberi bantuan kemitraan dan permodalan pada
unit usaha mikro untuk lebih mengembangkan usaha (Lintang Venusita, 2013).
Perkembangan perekonomian khususnya saat memasuki awal kuartal
1 tahun 2020 menjadi fenomena mengerikan untuk seluruh umat di dunia.
Organisasi internasional seperti International Monetary Fund dan World Bank
telah memprediksi bahwa pada tahun 2020 ekonomi global akan memasuki resesi
ekonomi yang terlihat tajam (Liu, 2020). Padahal kedua lembaga diatas sebelumnya
telah memproyeksikan bahwa ekonomi global saat memasuki awal kuartal 1 tahun
2020 akan mengalami pertumbuhan sebesar 3% dari kuartal sebelumnya (Carillo-
Larco & Castillo-Cara, 2020). Fenomena mengerikan ini terjadi karena telah muncul
virus baru yang menjangkit seluruh umat di dunia ini yang bernama Coronavirus
Disease atau yang memiliki nama lain Covid-19 yang berasal dari Wuhan, China.
Pandemi COVID-19 yang telah menyebar pada akhirnya membawa risiko yang
sangat buruk bagi perekonomian dunia termasuk Indonesia khususnya dari sektor
lembaga keuangan serta investasi.

Gambar 1.1 Grafik Persebaran Kasus Covid-19 Tahun 2020
Penyebaran kasus Covid-19 merujuk pada Gambar 1.1 terlihat bahwa jumlah
kasus Covid-19 dengan 3 urutan teratas diantaranya adalah Provinsi DKI Jakarta,
Jawa Timur dan disusul Jawa Tengah, Provinsi Jawa Tengah sendiri berdasarkan
data Kementerian Kesehatan memiliki total kasus positif Covid-19 sebanyak 66.517
jiwa. Covid-19 yang berasal dari China menyebabkan alur dan sistem perdagangan
dunia berdampak negatif, tidak terkecuali pada Indonesia. Pandemi Covid-19 ini
tidak hanya berdampak terhadap perdagangan internasional sajatetapi juga ikut
berimbas pada sektor industri, termasuk industri jasa keuangan.
Menurut laporan (Bank Indonesia, 2020) ditinjau berdasarkan sektor ekonomi,
perlambatan penyaluran kredit perbankan di Jawa Tengah berlangsung pada
seluruh kelompok kredit berdasarkan jenis penggunaan. Melambatnya realisasi
kredit berlangsung pada kredit modal kerja dari 6,38% (yoy) pada triwulan lalu
menjadi 1,77% (yoy). Dikutip langsung dari (Organisation for Economic Co-
operation and Development, 2020), karantina wilayah dan pembatasan pergerakan
yang diberlakukan sebagai tanggapan atas krisis kesehatan ini menjadi beban
besar bagi aktivitas ekonomi. Pasar keuangan dan sektor perbankan melemah,
bisnis-bisnis dihadapkan pada pendapatan yang lebih rendah dan meningkatnya
hutang, dan rumah tangga terekspos pada risiko yang meningkat akibat hilangnya
pekerjaan dan prospek tenaga kerja yang lemah.

49
Merujuk laporan data laju pertumbuhan PDRB (BPS, 2020) sektor jasa keuangan
dan asuransi di Jawa Tengah mengalami penurunan yang cukup drastis saat triwulan
kedua tahun 2020 dengan besaran laju pertumbuhan sebesar -8,10% sedangkan
diketahui sebelumnya laju pertumbuhan sektor jasa keuangan dan asuransi saat
triwulan 1 sebesar 3,08%. Selain sektor industri pertanian saat triwulan 1 dan
triwulan 2 semua sektor industri mengalami penurunan laju pertumbuhan PDRB,
tetapi pada triwulan ke 3 sebagian besar sektor industri mengalami peningkatan
laju pertumbuhan PDRB.
Berdasarkan latar belakang masalah diatas maka penulis mengangkat topik
dalam penelitian ini dengan judul “Analisis Kinerja Sektor Lembaga Keuangan
dan Pengaruh Kesempatan Kerja Selama Pandemi Covid-19 di Jawa Tengah”
1.2. Rumusan Masalah

Bagaimana pengaruh pandemi Covid-19 terhadap kinerja sektor lembaga
keuangan dan kesempatan kerja di Jawa Tengah?
1.3. Tujuan Penelitian

Menganalisis pengaruh pandemi Covid-19 terhadap kinerja sektor lembaga
keuangan dan kesempatan kerja di Jawa Tengah.
1.4. Manfaat Penelitian

Mengetahui pengaruh pandemi Covid-19 terhadap kinerja sektor lembaga
keuangan dan kesempatan kerja di Jawa Tengah.
1.5. Tantangan Perekonomian Indonesia di Masa Pandemi Covid-19

dan Penelitian Terdahulu
Penyebaran pandemi Covid-19 saat ini menjadi fokus penting bagi pemangku
kepentingan dan masyarakat di Indonesia karena telah berdampak pada
permasalahan ekonomi yang terus menyebar terhadap sektor industri di Indonesia.
Hal ini menjadi tantangan bagi perkembangan ekonomi dan bisnis, karena akibat
pandemi ini realisasi penanaman modal terhambat. Tidak terkecuali investor yang
berencana menanamkan modal pada industri bisnis di Indonesia (Yenti Sumarni,
2020).

Pemerintah melalui program stimulus penanganan pandemi Covid-19

menghimbau kepada pelaku bisnis dapat mengambil manfaat untuk menyusun
strategi dalam membangkitkan usaha. Sektor lembaga keuangan diharapkan dapat
mulai merevisi target pertumbuhan, mengembangkan inovasi berbasis teknologi
digital keuangan (financial technology) dalam proses transaksi keuangan yang bisa
berupa suatu aplikasi sehingga memberi kemudahan bagi nasabah bertransaksi di
masa work from home.
Penelitian tentang dampak Covid-19 di sektor industri keuangan sebelumnya
telah dilakukan oleh (Kashif Malik, 2020) dengan obyek industri keuangan mikro
di Pakistan. Diperoleh hasil penelitian bahwa rata- rata penjualan dan pendapatan
rumah tangga turun sekitar 90%, 70% dari sampel peminjam keuangan mikro
dilaporkan tidak dapat membayar kembali pinjaman mereka. Kesimpulan dari
penelitian ini adalah dinyatakan bahwa Covid- 19 menyebabkan krisis keuangan
mikro di masyarakat berpenghasilan rendah.
2. METODE PENELITIAN
Penelitian ini mencakup perekonomian regional Provinsi Jawa Tengah dengan
obyek yang diteliti adalah output akhir perekonomian dan tenaga kerja di Jawa
Tengah yang difokuskan pada sektor lembaga keuangan selama masa pandemi
covid-19 tahun 2020. Jenis penelitian yang digunakan dalam penelitian ini adalah
deskriptif kuantitatif, penelitian ini didasarkan atas data sekunder dari beberapa
sumber seperti data Tabel Transaksi Total Input-Output Atas Dasar Harga
Konsumen Provinsi Jawa Tengah tahun 2013, BPS (Badan Pusat Statistik), laporan
triwulanan Bank Indonesia, data World Health Organization, laporan Kementerian
Kesehatan, World Bank, jurnal dan artikel ilmiah terdahulu yang relevan.
Alat analisis yang digunakan dalam penelitian ini adalah analisis metode
input-output. Analisis ini digunakan untuk mengetahui dampak permintaan akhir
terhadap output perekonomian dan permintaan akhir terhadap tenaga kerja.
2.1. Teknik Analisis Data Menggunakan Matriks Inverse Leontief

2.1.1. Analisis Indeks Total Keterkaitan
Indeks total keterkaitan digunakan sebagai dasar perumusan strategi
pembangunan ekonomi dengan melihat keterkaitan antar sektor dalam suatu

51
sistem perekonomian. Menurut Rasmussen indeks total keterkaitan meliputi indeks

total keterkaitan ke belakang dan indeks total keterkaitan ke depan.
2.1.2. Analisis Keterkaitan ke Belakang (Backward Linkage)

Kerangka model input-output menjelaskan bahwa kegiatan produksi suatu
sektor memiliki dua pengaruh terhadap sektor lain dalam perekonomian, pengaruh
atau efek tersebut adalah efek meningkatkan permintaan dan penawaran. Jika terjadi
suatu sektor dengan nilai backward linkage lebih besar dibanding dengan sektor
lain artinya ekspansi dalam produksi sektor tersebut akan menimbulkan dampak
ekonomi yang lebih besar bagi perekonomian. Analisis keterkaitan ini digunakan
untuk melihat dampak dari perubahan permintaan akhir suatu sektor terhadap
output seluruh sektor ekonomi di suatu wilayah. Jumlah dampak keterkaitan ke
belakang sering disebut dengan daya penyebaran.
Untuk mengetahui dampak penyebaran sektor ke-j maka digunakan rumus
indeks sebagai berikut:
Dimana:
BLj=indeks total keterkaitan ke belakang sektor j
αij = unsur matriks kebalikan Leontief
Besaran BLj dapat mempunyai nilai = 1, > 1 atau < 1. Apabila BLj = 1 hal tersebut
berarti bahwa daya penyebaran sektor j sama dengan rata-rata penyebaran seluruh
sektor ekonomi. Apabila BLj > 1 hal tersebut berarti daya penyebaran sektor j
berada di atas ratarata daya penyebaran seluruh sektor ekonomi. Sebaliknya, bila
BLj < 1 hal tersebut berarti bahwa daya penyebaran sektor j lebih rendah dari rata
–rata daya penyebaran seluruh sektor ekonomi.

2.1.3. Analisisa Keterkaitan ke Depan (Forward Linkage)

Ketika peningkatan produksi sektor i menimbulkan peningkatan penawaran
bagi sektor lainnya hal ini disebut dengan forward linkage. Analisis ini digunakan
untuk melihat dampak yang terjadi terhadap output suatu sektor sebagai akibat
dari perubahan permintaan akhir dari masing-masing sektor perekonomian. Untuk
melihat daya kepekaan sektor ke- i digunakan rumus indeks sebagai berikut:
Dimana:
FLi = indeks total keterka itan ke depan sektor i
αij = unsur matriks kebalikan Leontief
Nilai FLi dapat bernilai = 1, > 1 atau < 1. Apabila FLi = 1 hal tersebut berarti
bahwa derajat kepekaan sektor i sama dengan rata-rata derajat kepekaan seluruh
sektor ekonomi. Bila FLi > 1 hal tersebut berarti derajat kepekaan sektor i lebih
tinggi dari derajat kepekaan seluruh sektor ekonomi. Sebaliknya, bila FLi < 1
hal tersebut berarti bahwa derajat kepekaan sektor i dibawah rata-rata derajat
kepekaan seluruh sektor ekonomi.
2.1.4. Analisis Dampak Permintaan Akhir terhadap Output (Output Multipler)

Model input-output menjelaskan bahwa output memiliki hubungan timbal
balik dengan permintaan akhir. Artinya bahwa jumlah output yang diproduksi
tergantung dari jumlah permintaan akhir. Semakin besar angka pengganda output
semakin penting peranan sektor tersebut dalam output perekonomian sehingga
biasa disebut sebagai sektor unggulan. Untuk memperoleh besaran output dapat
dihitung dengan rumus:
XFT = (I-A)-1 (F-M)
XFD = (I-Ad)-1 x Fd
dimana :
X = matriks output I = matriks identitas
A = matriks koefisien input total F=matriks permintaan akhir
M = matriks impor

53
2.1.5. Analisis Dampak Permintaan Akhir Terhadap Tenaga Kerja (Labor

Multiplier)
Berdasarkan asumsi dasar model input-output, dapat disimpulkan bahwa
tenaga kerja memiliki hubungan linier dengan output. Artinya naik turun output
di suatu sektor ekonomi akan berpengaruh terhadap naik turunnya jumlah tenaga
kerja di sektor terkait. Pengganda ini digunakan untuk melihat penambahan
kesempatan kerja baru akibat peningkatan permintaan akhir di suatu sektor
tertentu. Untuk melihat hubungan antara tenaga kerja dengan output dapat
dihitung menggunakan rumusan berikut:
L = ii (I-A)-1
dimana:
L = koefisien pengganda tenaga kerja (labor coefficient)
ii = koefisien tenaga kerja (rasio tenaga kerja terhadap total input setiap sektor.
2.1.6. Pilihan Skenario Sektor Lembaga Keuangan (Shock Skenario)

Pada penelitian ini juga dilakukan simulasi atas skenario pendapatan
rumah tangga dalam sektor lembaga keuangan. Output akhir pendapatan
rumah tangga dipilih sebagai elemen yang diberikan shock karena output akhir
diasumsikan berkaitan langsung dengan konsumsi, sehingga pendapatan rumah
tangga diposisikan sebagai salah satu komponen permintaan akhir. Selanjutnya,
untuk mengetahui efek perubahan pendapatan rumah tangga terhadap output
akhir perekonomian Jawa Tengah di sektor lembaga keuangan selama masa
pandemi Covid-19, skenario shock yang digunakan pada penelitian ini adalah :
mengasumsikan bahwa pendapatan rumah tangga di sektor lembaga keuangan
berkaitan langsung dengan konsumsi dan investasi (sektor 1: pertanian, sektor 3:
industri pengolahan, sektor 6: perdagangan, sektor 9: jasa- jasa) rata-rata turun
sebesar 7%.
3. HASIL ANALISIS DAN PEMBAHASAN

Diketahui bahwa struktur perekonomian Provinsi Jawa Tengah tidak hanya
disebabkan oleh besarnya total output permintaan dan penawaran, namun

demikian merujuk pada Gambar 3.1 dapat kita lihat adanya perubahan yang cukup
signifikan terhadap perekonomian di Jawa Tengah dari tahun 2015 sampai tahun
2020 terkhusus sektor 8n (lembaga keuangan, real estate dan jasa perusahaan).
Grafik Kondisi Perekonomian Jawa Tengah

Gambar 3.1
Berdasarkan PDRB ADHB Tahun 2015-2020
Dapat diketahui berdasarkan Gambar 3.1 kondisi perekonomian Jawa Tengah

terutama sektor 8n memiliki kecenderungan meningkat dari tahun 2015 sampai
tahun 2019, akan tetapi sektor real estate dan jasa perusahaan mengalami penurun
kontribusi total output pada tahun 2020 berdasarkan data PDRB Atas Dasar Harga
Berlaku tahun 2020. Sektor lembaga keuangan sendiri mengalami kenaikan dari
tahun 2015 sampai tahun 2020. Penurunan kontribusi output dari masing-masing
sektor diindikasikan akibat adanya pandemi Covid-19 yang menyebar ke seluruh
wilayah di Indonesia termasuk Jawa Tengah.
3.1. Peranan Sektor Lembaga Keuangan Terhadap Struktur

Perekonomian Provinsi Jawa Tengah
Merujuk pada Gambar 3.2 diketahui bahwa kontribusi output PDRB sub-sektor
lembaga keuangan mengalami penurunan yang signifikan selama masa pandemi
Covid-19 triwulan I, II, III, dan IV di tahun 2020. Terdapat 3 subsektor dalam sektor
lembaga keuangan antara lain yaitu subsektor jasa keuangan dan asuransi, asuransi
dan dana pensiun, dan jasa keuangan lainnya. Pada masa pandemi Covid-19

55
sub-sektor jasa keuangan dan asuransi yang tidak lain adalah subsektor dengan
kontribusi terbesar dari sektor lembaga keuangan dalam menghasilkan kontribusi
output PDRB di regional Jawa Tengah triwulan I senilai Rp 671,53 Milliar, triwulan II
menurun senilai Rp 184,37 Milliar, triwulan III menurun lagi senilai Rp 163,82 Milliar.
Grafik PDRB Atas Dasar Harga Berlaku Sektor

Gambar 3.2
Lembaga Keuangan Masa Pandemi Covid-19 Tahun 2020
Selanjutnya subsektor asuransi dan keuangan yang merupakan subsektor

dengan kontribusi terbesar kedua dari sektor lembaga keuangan dalam
menghasilkan kontribusi output PDRB Jawa Tengah pada triwulan I menghasilkan
output senilai Rp 149,83 Milliar, triwulan II senilai Rp 39,04 Milliar, menurun lagi
pada triwulan III senilai Rp 39,96 Milliar. Sedangkan subsektor jasa keuangan lainnya
yang merupakan subsektor dengan nilai kontribusi output PDRB terendah dari
sektor lembaga keuangan pada triwulan I menghasilkan output senilai Rp102,60
Milliar, mengalami penurunan yang cukup drastis pada triwulan II senilai Rp 27,08
Milliar, dan kembali mengalami penurunan hasil kontribusi output pada triwulan III
senilai Rp 25,73 Milliar. Berdasarkan penjelasan grafik 3.3 dapat ditarik kesimpulan
bahwa sektor lembaga keuangan dan subsektornya mengalami penurunan hasil
output terhadap kontribusi PDRB Jawa Tengah, yang mana kondisi ini terjadi saat
terjadi penyebaran wabah Corona Viruses Disease atau dikenal Covid-19.

3.2. Analisis Keterkaitan Ke Belakang

Analisis input output memiliki keunggulan yang dapat mengetahui seberapa
kuat hubungan antara sektor-sektor produksi dalam perekonomian suatu wilayah
(Arga Maulana, 2012). Nilai keterkaitan ke belakang yang tinggi dapat diartikan
sebagai ketergantungan yang tinggi dari sektor terkait terhadap bahan baku hasil
dari produksi sektor-sektor lain dalam suatu wilayah
Nilai Keterkaitan Ke Belakang 9 Sektor

Tabel 3.1
BACKWARD LINKAGE
Sektor Langsung Total
1n 0.9733 4.8988
2n 1.2932 6.5089
3n 1.9850 9.9912
4n 0.6690 3.3672
5n 0.6966 3.5063
6n 0.9840 4.9528
7n 0.8229 4.1421
8n 0.8298 4.1765
9n 0.7462 3.7559
Sektor lembaga keuangan berdasarkan analisis backward linkage menghasilkan

derajat penyebaran sebesar 0,8298, yang artinya jika terjadi peningkatan 1 rupiah
permintaan akhir di sektor lembaga keuangan sedangkan permintaan terhadap
sektor yang lain tetap, maka kenaikan tersebut akan mampu menaikkan keseluruhan
output sebesar Rp 4,176 Milliar yang terdistribusi pada perubahan output sektor
lembaga keuangan sebesar Rp 0,8298 Milliar dan sisanya terdistribusi pada
peningkatan sektor lainnya.
Dengan demikian, apabila perekonomian Provinsi Jawa Tengah kehilangan

sektor lembaga keuangan akibat adanya pandemi Covid-19 menurut nilai daya
penyebaran dapat berpotensi menurunkan permintaan akhir terhadap sektor lain
terutama sektor yang memiliki keterkaitan erat dengan sektor lembaga keuangan
seperti misalnya sektor industri pengolahan, sektor perdagangan besar dan eceran,

57
dan sektor jasa-jasa lainnya karena ketiga sektor tersebut memerlukan suntikan
tambahan modal dalam mengembangkan dan mengelola output sektor industri
masing- masing.
3.3. Analisis Keterkaitan Ke Depan

Perlu diketahui peran dari sektor lembaga keuangan dengan melihat nilai
derajat kepekaan (forward linkage) yang merupakan keterkaitan penjualan
output sektor tersebut dan digunakan sebagai input produksi bagi sektor lain di
wilayah Jawa Tengah. Menurut perhitungan keterkaitan ke depan, sektor lembaga
keuangan memiliki derajat kepekaan total senilai 0,782 dan secara langsung sebesar
0,155, artinya sektor lembaga keuangan cukup memiliki daya dorong atau bersifat
menumbuhkan perkembangan sektor lain sebesar 0,155 kali ketika permintaan
akhir sektor lembaga keuangan meningkat sebesar 1 rupiah. Melalui perputaran
ekonomi yang terjadi akibat interaksi secara berulang terhadap sektor lainnya,
peningkatan permintaan akhir sebesar 1 rupiah akhirnya dapat meningkatkan
perekonomian secara keseluruhan sebesar 0,782 kali.
Nilai Keterkaitan Ke Depan 9 Sektor dalam

Tabel 3.2
FORWARD LINKAGE
Sektor Langsung Total
1n 0.159 0.799
2n 0.151 0.757
3n 0.224 1.129
4n 0.244 1.227
5n 0.248 1.249
6n 0.188 0.944
7n 0.222 1.116
8n 0.155 0.782
9n 0.197 0.992

3.4. Analisis Shock Scenario

Penelitian ini menggunakan skenario perubahan permintaan output akhir di
sektor lembaga keuangan untuk menentukan perubahan permintaan terhadap
output akhir perekonomian Jawa Tengah sektor lembaga keuangan, maka dari itu
dilakukan shock sckenario menggunakan data nominal dari sektor yang berkaitan
langsung terhadap sektor lembaga keuangan.
Agregasi Analisisa Shock Sckenario Sektor
Tabel 3.4
Lembaga Keuangan di Jawa Tengah (Milliar Rupiah)
∆ Output Akhir
Sektor Triwulan I Triwulan II Triwulan III Triwulan IV Akumulasi
1n 188789.15 171194.83 176276.87 180536.99 716797.8448
2n 251005.72 227613.09 234369.93 240034.0104 953022.7504
3n 966949.56 876834.11 902863.51 924683.2449 3671330.425
4n 91134.92 82641.54 85094.81 87151.32091 346022.5909
5n 714971.58 648339.37 667585.75 683719.4716 2714616.172
6n 352096.44 319282.6 328760.71 336705.9551 1336845.705
7n 331709.06 300795.23 309724.54 317209.7286 1259438.559
8n 11613436.61 10531115.35 10843738.43 11105801.88 44094092.27
9n 315853.48 286417.33 294919.81 302047.2162 1199237.836
Total
14825946.52 13444233.45 13843334.4 14177889.82 56291404.1
Output
Berdasarkan hasil analisis shock scenario yang ditunjukkan pada Tabel 3.4,
selama pandemi Covid-19 berlangsung pada tahun 2020 menyatakan bahwa sektor
lembaga keuangan dengan kode (8n) menghasilkan perubahan output Rp 11,613
Milliar di triwulan I, triwulan II mengalami penurunan dengan nilai Rp 10,531 Milliar
dan triwulan III sektor lembaga keuangan mengalami sedikit kenaikan perubahan
output akhir dibandingkan dengan triwulan sebelumnya senilai Rp 10,843 Milliar,
lalu pada triwulan IV sektor lembaga keuangan mengalam kenaikan nilai sebesar
Rp 11,105 Milliar dari total output akhir. Dengan demikian, dapat ditarik kesimpulan
dari hasil analisisa shock scenario ini bahwa 9 sektor perekonomian di Jawa Tengah
terdampak adanya pandemi Covid-19 ditunjukkan dengan terjadinya penurunan
perubahan terhadap permintaan output akhir dari setiap sektor pada triwulan III
tahun 2020.

59
3.5. Analisis Dampak Permintaan Akhir Terhadap Kesempatan

Kerja
Apabila terjadi perubahan permintaan akhir maka dipastikan terjadi pula
perubahan output yang diproduksi oleh suatu sektor dan akan merubah
permintaan tenaga kerja yang dibutuhkan.
Perubahan Output Akhir Kesempatan Kerja

Tabel 3.5
di Sektor Lembaga Keuangan
Koefisien
∆ Triwulan ∆ Triwulan ∆ Triwulan
Sektor Pengganda
1-2 2-3 3-4
Pend. RT
1n 0.28959168 0.00000 0.00000 0.0000
2n 0.442938614 0.00000 0.00000 0.0000
3n 0.570150418 4297084.74 -1591978.46 1425115.45
4n 0.110250378 0.00000 0.00000 0.0000
5n 0.178044157 0.00000 0.00000 0.0000
6n 0.320455995 0.00000 0.00000 0.0000
7n 0.264843985 0.00000 0.00000 0.0000
8n 0.185964947 987210.60 -285150.84 -239034.22
9n 0.536865187 1037887.83 -660776.08 -4016.00
Berdasarkan Tabel 3.5 sektor lembaga keuangan memiliki total perubahan

output akhir terhadap kesempatan kerja di sektor lembaga keuangan pada triwulan
1-2 sebesar 987.210 artinya adalah jika sektor lembaga keuangan mengalami
penurunan Rp 1 Miliar maka sektor lembaga keuangan akan menurunkan atau
mengurangi kesempatan kerja untuk sejumlah 987.210 orang. Begitu pula pada
triwulan 2-3 sektor lembaga keuangan memiliki total perubahan output akhir
terhadap kesempatan kerja sebesar -285.150, artinya adalah jika sektor lembaga
keuangan mengalami penurunan Rp 1 Miliar maka sektor lembaga keuangan akan
menurunkan atau mengurangi kesempatan kerja untuk sejumlah 285.150 orang.
keuangan pada triwulan 3-4 sebesar -239.034 artinya adalah jika sektor lembaga
keuangan mengalami penurunan Rp 1 Miliar maka sektor lembaga keuangan
akan menurunkan atau mengurangi kesempatan kerja untuk sejumlah 239.034
orang. Dengan demikian dampak pandemi Covid-19 tidak hanya berpengaruh

dengan hasil kontribusi output masing-masing sektor perekonomian Jawa Tengah

terutama sektor lembaga keuangan, tetapi penyebaran wabah Covid- 19 ini juga
menimbulkan dampak negatif melalui pengurangan kesempatan kerja pada
masing-masing sektor perekonomian di Jawa Tengah.
4. KESIMPULAN DAN REKOMENDASI KEBIJAKAN

4.1. Kesimpulan
Kesimpulan yang diperoleh dari penelitian analisis kinerja sektor lembaga
keuangan dan pengaruh kesempatan kerja selama pandemi Covid-19 di Provinsi
Jawa Tengah adalah sebagai berikut:
1. Penelitian menggunakan analisis shock scenario menghasilkan temuan

bahwa sektor lembaga keuangan merupakan sektor yang terdampak akibat
adanya pandemi Covid-19 yang ditunjukkan melalui penurunan secara drastis
terhadap permintaan output akhir perekonomian pada triwulan III tahun 2020.
2. Hasil analisis menggunakan dampak pengganda perubahan permintaan
akhir terhadap kesempatan kerja menunjukkan bahwa pandemi Covid-19
berpengaruh positif terhadap jumlah kesempatan kerja yang ada di Provinsi
Jawa Tengah tahun 2020.

4.2. Rekomendasi Kebijakan
Berdasarkan kesimpulan di atas, beberapa saran dan rekomendasi kebijakan
yang dapat digunakan oleh pembuat kebijakan dan penelitian selanjutnya antara
lain:
1. Terkait masalah kinerja lembaga keuangan di masa pandemi Covid-19, penulis
mengusulkan rekomendasi kebijakan kepada pemerintah Provinsi Jawa
Tengah agar lebih memberikan peran kerjasama aktif antara pelaku industri
keuangan dan masyarakat dalam mempertimbangkan bahwa sektor lembaga
keuangan merupakan lembaga intermediasi salah satunya yaitu terwujud
melalui kenaikan permintaan kredit perbankan baik kredit konsumsi, modal
kerja, ataupun investasi yang akan mendorong daya beli, pertumbuhan usaha,
sampai dengan peningkatan investasi di Jawa Tengah.

61
2. Dapat melakukan optimalisasi peran BLK (Balai Latihan Kerja), Bantuan Langsung
Tunai (BLT) untuk tenaga kerja terdampak pandemi Covid-19 oleh Pemerintah
Provinsi Jawa Tengah agar dapat mengurangi angka pengangguran yang
disebabkan adanya Pemutusan Hubungan Kerja di Masa Pandemi Covid-19.

Daftar Referensi
Aditia, D., Nasution, D., Sains, F. S., Pembangunan, U., Budi, P., & Utara, U. S. (2020).
Aditia, 2020. Jurnal Benefita, 5(2), 212–224.
BPS Jawa Tengah Tengah. (2013). Pertumbuhan Ekonomi Jawa Tengah Triwulan Iii
Tahun 2013. 6 November, 50, 1–7. http://jateng.bps.go.id/
BPS. (2019). STATISTIK Pertumbuhan Ekonomi. Berita Resmi Statistik, No. 15/02/
(15), 1–12.
Input-output, D. P. A. (2004). Peranan sektor padi dalam pembangunan wilayah di
kabupaten kudus (dengan pendekatan analisis input-output).
Malik, K., Meki, M., Morduch, J., Ogden, T., Quinn, S., & Said, F. (2020). COVID-19
and the future of microfinance: Evidence and insights from Pakistan. Oxford
Review of Economic Policy, 36(May), S138–S168. https://doi.org/10.1093/oxrep/
graa014
Maulana, A., Ekonomi, F., Magister, P., Dan, P., & Publik, K. (2012). Universitas
Indonesia Analisa Dampak Perpindahan Bandar Udara Universitas Indonesia.
Pandemi, S., & Umkm, C.-B. (2020). Eco-Entrepreneurship, Vol 6 No 1 Juni 2020.
6(1), 34–42.
Pratiwi, N. M. D., & Adriati, I. G. A. W. (2020). Dampak Penurunan Suku Bunga
Kredit terhadap Penyaluran Kredit di LPD Kuta Saat Pandemi Covid-19. Widya
Manajemen, 2(2), 81–87. https://doi.org/10.32795/widyamanajemen.v2i2.909
Pratomo, K., & Taufik, T. (2018). Mekanisme Pasar dan Penetapan Harga dalam
Perekonomian Islam (Studi Analisis Pemikiran Ibn Taimiyah). Jurnal Ilmiah
Ekonomi Islam, 4(03), 213. https://doi.org/10.29040/jiei.v4i03.331
Prayoga, N. G. (2008). Analisis Sektor Unggulan dalam Struktur Perekonomian
Jawa Tengah Tahun 2000 dan Tahun 2004 (Analisis Input Output ). 2004.
Setiawan, M. A. (2015). Peranan Investasi Sektor Riil Untuk Meningkatkan
Perekonomian Di Sumatera Barat Dalam Menghadapi Masyarakat Ekonomi
ASEAN. 1.
United Nations. (2020). The Impact of COVID-19 on South-East Asia. Policy Briefs,
1–29.

63
COVID-19 AND BANKING PERFORMANCE
Alexander Natanael Silaban1 dan Daniel Wira Kristia2

1,2
Universitas Diponegoro
Abstrak
Penelitian ini mengeksplorasi pengaruh pandemi COVID-19 terhadap kinerja
perbankan di negara emerging market Asia Pasifik dan Eropa Timur. Penelitian
ini menggunakan sampel bank dari 13 negara. Analisis regresi linear berganda
digunakan dalam penelitian ini untuk menguji pengaruh COVID-19 terhadap
kinerja perbankan. Data dalam penelitian ini terdiri dari 114 bank yang berada
di negara emerging market dari Q2 2020 sampai dengan Q2 2021. Hasil yang
didapatkan adalah COVID-19 berpengaruh negatif terhadap kinerja perbankan
dengan diperkuat oleh adanya fenomena credit crunch dan pinjaman bermasalah.
Kata kunci: Pandemi COVID-19, industri perbankan, ukuran perusahaan, PDB,
loan to deposit ratio, non-performing loan
Abstract
This study explore the impact of the COVID-19 pandemic on banking
performance in emerging market countries in Asia Pacific and Eastern Europe. This
study uses a sample of banks from 13 countries. Multiple linear regression analysis
was used in this study to examine the effect of COVID-19 on banking performance.
The data in this study consists of 114 banks located in emerging market countries
from Q2 2020 to Q2 2021. The results obtained are that COVID-19 has a negative
effect on banking performance, reinforced by the phenomenon of credit crunch
and non-performing loans.
Keyword: COVID-19 pandemic, banking industry, size, GDP, loan to deposit ratio,
non-performing loan
JEL Classification: G21, G28

1. Pendahuluan
Wabah virus corona atau yang lebih dikenal sebagai COVID-19 (coronavirus
disease-19) yang dimulai dari kota Wuhan telah menyebar secara global.
Penyebaran COVID-19 yang sangat cepat terjadi menyebabkan pemerintah
di setiap negara menerapkan kebijakan pembatasan sosial untuk menekan laju
penyebaran COVID-19. Penerapan kebijakan pembatasan yang berlaku secara
global menyebabkan penurunan aktivitas ekonomi. Penurunan aktivitas ekonomi
yang terjadi secara drastis menyebabkan peningkatan non-performing loan yang
dapat mempengaruhi kinerja perbankan secara keseluruhan (Çolak & Öztekin,
2021).
Bank yang berfungsi sebagai lembaga intermediasi keuangan dapat
memberikan stimulus kepada aktivitas perekonomian (Thorsten Beck; Levine, 2004)
melalui penyediaan likuiditas secara umum (Berger & Sedunov, 2017) dan alokasi
kredit (Jayaratne & Strahan, 2017). Walaupun begitu, bank dapat mengubah
perilaku penilaian kelayakan dalam memberikan kredit sebagai bentuk respon
dalam menghadapi ketidakpastian dan risiko yang melekat sebagai akibat dari
pemberian kredit.
Perilaku penilaian kelayakan kredit yang ketat akan memberikan efek ketatnya
persyaratan kredit yang harus dipenuhi oleh debitur karena kompensasi bank
dalam kondisi yang penuh risiko. Perilaku bank yang demikian menyebabkan
munculnya fenomena credit crunch, di mana ketersediaan pasokan kredit seolah-
olah berkurang (Sari dan Nidar, 2012).
Selama pandemi COVID-19 melanda dunia, bank sentral di setiap negara
menetapkan kebijakan moneter sebagai respon terhadap adanya kekhawatiran
mengenai solvabilitas dan likuiditas dari perusahaan non keuangan. Pemerintah
di setiap negara juga mengeluarkan kebijakan restrukturisasi kredit sebagai
dukungan pemerintah untuk mendukung kegiatan perekonomian (Bennedsen
et al., 2020). Restrukturisasi kredit, injeksi likuiditas, dan pembelian obligasi yang
dikeluarkan oleh perusahaan oleh pemerintah telah menjadi instrumen kebijakan
pemerintah untuk menyediakan likuiditas kepada perusahaan yang terdampak
pandemi COVID-19 (Alstadsæter et al., 2020). Artikel ini juga membahas pengaruh
pandemi COVID-19 terhadap tingkat pinjaman perbankan pada negara emerging
market di asia pasifik dan eropa timur.

65
Masuknya dana dari program injeksi likuiditas, deposan, dan tingkat modal
perbankan memungkinkan bank untuk mengakomodasi lonjakan permintaan
likuiditas di awal pandemi COVID-19. Hal ini berbanding terbalik pada saat krisis
keuangan global di mana tingkat permintaan terhadap pinjaman baru turun secara
signifikan (Ivashina & Scharfstein, 2010). Bagaimana pun, survei menunjukkan bahwa
pemberian pinjaman atau kredit disertai dengan peningkatan standar penilaian
kelayakan kredit (Colak et al., 2021). Peningkatan standar penilaian kelayakan kredit
mengakibatkan peningkatan ketidakpastian ekonomi dan pengurangan toleransi
risiko yang dihadapi perbankan. Peningkatan standar penilaian kelayakan kredit
dilakukan sebagai upaya sektor perbankan dalam mengurangi risiko pinjaman
bermasalah yang disertai oleh tingginya permintaan terhadap pinjaman baru
meskipun dapat mempengaruhi kinerja perbankan secara keseluruhan.
Krisis COVID-19 memiliki beberapa kesamaan dengan krisis ekonomi pada
tahun 2008 karena keduanya memberikan tekanan yang signifikan pada ekonomi
global melalui kebangkrutan yang meluas, kekurangan likuiditas, dan kerugian
besar. Krisis COVID-19 tidak seperti krisis sebelumnya, di mana bank sendiri yang
mengalami kerugian. Krisis 2008 adalah proses yang berasal dari dalam, karena
peristiwa yang mengarah ke krisis disebabkan oleh interaksi pelaku pasar dan
kelemahan sistem keuangan. Di sisi lain, krisis COVID-19 yang sedang berlangsung
merupakan proses yang murni terjadi dari luar sistem keuangan global (Hasan et
al., 2020). Dengan demikian, implikasinya terhadap permintaan dan penawaran
kredit bank tidak dapat diselidiki hanya melalui perspektif risiko endogen.
Teori keuangan menyatakan bahwa ketidakpastian dan risiko sebagai faktor

yang diperhitungkan oleh investor dan lembaga intermediasi keuangan untuk
menyediakan modal kepada pihak defisit (Pástor & Veronesi, 2013). Walaupun
begitu, injeksi likuiditas melalui pemerintah menjadi salah satu faktor mengapa
penawaran pinjaman baru sangat tinggi di masa pandemi COVID-19. Injeksi
likuiditas yang diberikan oleh pemerintah adalah upaya pemerintah dalam
merangsang kegiatan perekonomian di masa pandemi COVID-19.
Penelitian ini bertujuan untuk mengetahui pengaruh pandemi COVID-19

terhadap kinerja perbankan di negara emerging market yang berada di asia

pasifik dan eropa timur dengan menggunakan tingkat penyaluran pinjaman dan
tingkat pinjaman bermasalah sebagai variabel moderasi dan ukuran perusahaan
dan produk domestik bruto sebagai variabel kontrol dan mengetahui pengaruh
pandemi COVID-19 terhadap tingkat kinerja perbankan di negara emerging
market yang berada di asia pasifik dan eropa timur dengan menggunakan tingkat
penyaluran pinjaman dan tingkat pinjaman bermasalah sebagai variabel moderasi
dan ukuran perusahaan dan produk domestik bruto sebagai variabel control.
Penelitian ini menggunakan variabel kontrol berupa produk domestik bruto
dan ukuran perusahaan sebagai salah satu upaya mengontrol keadaan internal
dan keadaan eksternal perbankan dan tingkat penyaluran pinjaman dan tingkat
pinjaman bermasalah sebagai variabel moderasi untuk mengidentifikasi pengaruh
pandemi COVID-19 terhadap kinerja perbankan yang berada di negara ‘emerging
market’ yang terdapat di asia pasifik dan eropa timur.
Penelitian akhir-akhir ini menunjukkan pengaruh positif dari pandemi COVID-19
terhadap tingkat permintaan pinjaman baru di Amerika Serikat (Chodorow-Reich
et al., 2021; Li et al., 2020). Peningkatan ketidakpastian dan risiko menyebabkan
perusahaan-perusahaan untuk menarik pinjaman baru dari perbankan agar dapat
meningkatkan kas mereka sebagai bentuk mitigasi risiko dan ketidakpastian
(Acharya & Steffen, 2020). Walaupun begitu, perbankan sebagai lembaga
intermediasi keuangan yang dapat berfungsi sebagai stimulus ekonomi juga
mengubah penilaian kelayakan kredit sebagai bentuk menghadapi ketidakpastian
dan risiko yang dihadirkan oleh pandemi COVID-19. Ketatnya penilaian kelayakan
kredit menyebabkan fenomena credit crunch di setiap negara khususnya negara
emerging market.
1.1. Fenomena Credit Crunch

Fenomena ‘credit crunch’ adalah fenomena di mana peningkatan penawaran
pinjaman baru tidak disertai dengan peningkatan penyaluran pinjaman baru.
Fenomena ini dapat muncul pada negara ‘emerging market’ pada masa pandemi
COVID-19 yang ditandai dengan tingkat likuiditas yang tinggi dan perubahan
perilaku perbankan dalam menentukan kelayakan kredit sebagai bentuk mitigasi.
Dengan adanya lonjakan likuiditas melalui deposan dan stimulus ekonomi
pemerintah melalui perbankan (Alstadsæter et al., 2020) dan perubahan penilaian

67
kelayakan kredit oleh perbankan (Colak et al., 2021) selain itu penurunan atau
kenaikan penyaluran pinjaman baru memiliki implikasi terhadap kinerja perbankan
yang bertindak sebagai lembaga intermediasi. Oleh karena itu, kami merumuskan
hipotesis sebagai berikut:
H1:Pandemi COVID-19 berpengaruh negatif terhadap kinerja

perbankan dengan tingkat penyaluran pinjaman sebagai
variabel moderasi
Selain penyaluran pinjaman baru, tingkat pinjaman bermasalah atau non-

performing loan (NPL) juga memiliki implikasi terhadap kinerja perbankan.
1.2. Pandemi COVID-19 dan Non-Performing Loan

Rasio NPL bank-bank di negara emerging market di Asia Pasifik dan Eropa
Timur telah mencapai tingkat rasio NPL yang tinggi jauh di atas tingkat sebelum
krisis keuangan global (KKG). Tingkat NPL bank yang begitu tinggi menunjukkan
bahwa bank-bank di beberapa yurisdiksi sedang memasuki krisis yang dibebani
oleh beban pinjaman berkualitas buruk yang dapat menimbulkan tantangan yang
lebih besar lagi. Gangguan parah yang berkepanjangan dapat menyebabkan
tingkat NPL yang tinggi dan bermasalah yang dapat mengganggu neraca bank,
menekan pertumbuhan kredit, dan menunda pemulihan ekonomi (Moreno et al.,
2015). Rasio NPL yang masih tinggi menjadi perhatian di beberapa negara Eropa
pasca krisis keuangan global (KKG), dan pandemi COVID-19 dapat menyebabkan
munculnya kembali masalah NPL (Ari, 2017). Dengan meningkatnya nilai NPL
suatu bank, hal ini dapat menjadi indikasi semakin rendahnya pendapatan yang
diterima (Nidar & Sari, 2012). Penelitian oleh Pranata et al. (2014) mendapati bahwa
pendapatan memiliki pengaruh positif terhadap kinerja bank. Dari hasil penelitian
tersebut dapat disimpulkan bahwa rendahnya pendapatan yang diterima oleh
bank mengindikasikan rendahnya kinerja perbankan. Dari argumen-argumen
tersebut dapat kami rumuskan hipotesis sebagai berikut.
H2:COVID-19 memiliki pengaruh negatif terhadap kinerja

perbankan dengan tingkat pinjaman bermasalah sebagai
variabel moderasi

1.3. Karakteristik ‘Emerging Market’

Karakteristik negara ‘emerging market’ ditunjukkan pada Tabel 1 sebagai
berikut:
Tabel 1 Karakteristik ‘Emerging Market’
Kondisi-Kondisi Ekonomi-Ekonomi Ekonomi-Ekonomi

Emerging Market
Perdagangan Maju Berkembang
Industri Sangat maju Jelek Berkembang cepat
Moderat tapi
Persaingan Besar dan kuat Terbatas
meningkat
Rintangan Moderat sampai Liberalisasi dengan
Minimal
perdagangan tinggi cepat
Volume perdagangan Tinggi Rendah Tinggi
Foreign Direct Moderat sampai

Tinggi Rendah
Investment tinggi
Umur rata-rata
38 tahun 24 tahun 32 tahun
penduduk
Jasa-jasa dan
Agrikultur dan Pembikinan dan
Fokus sektor utama produk-produk
Komoditi jasa-jasa
bermerek
Moderat sampai
Tingkat pendidikan Tinggi Rendah
tinggi
Berubah-ubah atau
Risiko negara Rendah Sedang sampai tinggi
tidak tetap
Rata-rata
pendapatan
33.750 6.450 13.250
perkapita (dollar
amerika)
Authoriatisme, Berpindah cepat ke
Sistem politik Kapitalisme
sosialis atau komunis kapitalisme
Moderat mengalami
Infrastruktur Berkembang baik Tidak cukup
kemajuan
Lingkungan Mencapai banyak
Regulasi minimal Sangat teregulasi
regulatori liberalisasi ekonomi

69
1.4. Pengembangan Model Kerangka Pemikiran

1.4.1. Kerangka Model Penelitian 1
Model penelitian untuk fenomena ‘credit crunch’ dengan ‘loan to deposit ratio’
sebagai variabel moderasi serta SIZE dan GDP sebagai variabel kontrol ditunjukkan
pada Gambar 1 di bawah ini.
Variabel Moderasi
LDR
RECOVER ROA
Variabel Dependen
Variabel Independen
DEATH KINERJA ROE
COVID-19
PERBANKAN
Variabel Kontrol
CASE SIZE & GDP NIM
Gambar 1. Kerangka Model Penelitian 1
1.4.2. Kerangka Model Penelitian 2

Model penelitian fenomena ‘non-performing loan’ dengan tingkat pinjaman
bermasalah sebagai variabel moderasi serta SIZE dan GDP sebagai variabel kontrol
ditunjukkan pada Gambar 2 di bawah ini.
Variabel Moderasi
NPL
RECOVER ROA
Variabel Dependen
Variabel Independen
DEATH KINERJA ROE
COVID-19
PERBANKAN
Variabel Kontrol
CASE SIZE & GDP NIM
Gambar 2. Kerangka Model Penelitian 2


2.1. Data Penelitian
Sampel penelitian yang digunakan oleh penelitian ini didapatkan dari berbagai
sumber data yaitu: Bloomberg, yahoo finance, dan Badan Pusat Statistik. Sampel
penelitian terdiri dari bank-bank yang berada di negara emerging market yang
berada di Asia Pasifik dan Eropa Timur. Tabel 2 di bawah ini menunjukkan jumlah
bank di Asia Pasifik dan Eropa Timur yang menjadi sampel penelitian.
Tabel 2 Sampel Data Penelitian
Negara Jumlah Sampel Bank

Indonesia 35
China 11
Malaysia 7
Vietnam 13
Thailand 7
Filipina 1
Pakistan 14
Republik Ceko 1
Ukraina 3
Polandia 10
Turkey 10
Hungaria 1
Lithuania 1
Total Sampel 114
2.2. Metodologi Penelitian

Data yang digunakan berasal dari Bloomberg dengan menggunakan tiga
indikator untuk menggambarkan pandemi COVID-19 yaitu: tingkat pertumbuhan
kesembuhan, jumlah kasus, dan tingkat kematian (fatality rate).

71
2.2.1. Definisi Variabel Penelitian

1. Kinerja Perbankan
Sebagai proxy kinerja perbankan, penelitian ini menggunakan tiga ukuran
yakni return on assets, return on equity, dan net interest margin. Pengukuran
kinerja perbankan dengan menggunakan tiga ukuran dijelaskan dengan
menggunakan rumus sebagai berikut:
Earning after tax

Return On Assets = Total Assets
x 100%
Earning after tax

Return On Equity = x 100%
Total Equity
Net Interest Margin = Net Interest Income x 100%

Average Productive Assets
2. Tingkat Pinjaman Bermasalah atau Non-Performing Loan

Sebagai proxy tingkat pinjaman bermasalah, penelitian ini menggunakan
satu ukuran yakni non-performing loan. Pengukuran tingkat pinjaman
bermasalah dengan menggunakan satu ukuran dijelaskan dengan
menggunakan rumus sebagai berikut:
Net Non Performing Loan

Non-Performing Loan = x 100%
Total Loan
3. Tingkat Penyaluran Pinjaman

Sebagai proxy tingkat penyaluran pinjaman, penelitian ini menggunakan
satu ukuran yakni loan to deposit ratio. Pengukuran tingkat penyaluran
pinjaman dengan menggunakan satu ukuran dijelaskan dengan menggunakan
rumus sebagai berikut:
Total Loan x 100%

Loan to Deposit Ratio =
Total Deposit

4. Pandemi COVID-19
Sebagai proxy untuk pandemi COVID-19, penelitian ini menggunakan tiga
ukuran yakni: tingkat pertumbuhan kasus, jumlah kasus, dan tingkat kematian
(fatality rate). Pengukuran tingkat penyaluran pinjaman dengan menggunakan
tiga ukuran dijelaskan dengan menggunakan rumus sebagai berikut:
Jumlah Sembuht - Jumlah Sembuht-1

Recovery Rate = x 100%
jumlah sembuht
Jumlah Kematian Akibat Covid-19t x 100%

Tingkat Kematian (Fatality Rate) =
jumlah Kasust
Jumlah kasus = Jumlah kasus yang terkonfirmasi akibat covid-19
5. Variabel Kontrol Penelitian

Berdasarkan berbagai literatur penelitian, perusahaan dengan ciri-ciri
ukuran perusahaan yang besar cenderung memiliki tingkat profitabilitas yang
baik (Denis & Osobov, 2008; Fama & French, 2001). Berdasarkan hal tersebut,
penulis mengikutsertakan karakteristik perusahaan tersebut ke dalam analisis
regresi dalam penelitian. Pada penelitian kami juga akan menggunakan
GDP sebagai variabel kontrol. GDP kami gunakan untuk memperhitungkan
perbedaan perkembangan ekonomi dan lingkungan makro ekonomi antara
masing-masing pasangan negara (Hasan et al.,2020).

3.1. Hasil Statistik Deskriptif
Bagian ini menyajikan hasil dari statistik deskriptif. Rata-rata, median, nilai
maksimum, nilai minimum, dan standar deviasi digunakan untuk mendeskripsikan
data penelitian. Hasil statistik deskriptif untuk data penelitian ini disajikan dalam
Tabel 3 berikut.

73
Tabel 3 Hasil Statistik Deskriptif
Descriptive Statistics
N Minimum Maximum Mean Std. Deviation
NPL 65 -4.34 -0.93 -3.2178 0.85625
LDR 65 0.51 1.40 0.8738 0.17351
CASE 65 -93.110 0.991 -4.27418 17.669854
REC 65 0.00 14.64 10.5402 2.87804
DEA 65 0.00 10.17 6.5762 3.22636
SIZE 65 21.50 35.23 26.9070 3.73255
GDP 65 -17.20 18.30 -0.2906 7.34694
Valid N
65
(listwise)
Berdasarkan dari Tabel 3, penelitian ini menggunakan sampel sejumlah 65.

Nilai rata-rata non-performing loan adalah sebesar -3.2178 dengan standar deviasi
0.85625. dari hasil statistik deskripsi juga didapatkan nilai maksimum dari non-
performing loan adalah sebesar -0.93. Sedangkan nilai minimum dari variabel
non-performing loan adalah sebesar -4.34.
Nilai rata-rata loan to deposit ratio adalah sebesar 0.8738 dengan standar
deviasi sebesar 0.17351. Berdasarkan tabel tersebut diketahui nilai maksimum dari
variabel loan to deposit ratio adalah sebesar 1.40. Sedangkan nilai minimum dari
variabel loan to deposit ratio adalah sebesar 0.51.
Rata-rata dari data pada proksi dari variabel pandemi COVID-19 yaitu, CASE
sebesar -4.27418; REC sebesar 10.5402; dan DEA adalah sebesar 6.5762. Nilai
standar deviasi dari tiap proksi variabel pandemi COVID-19 yaitu sebesar 17.669854
untuk proksi CASE, 2.87804 untuk proksi REC; dan 3.22636 untuk proksi DEA. Dari
Ttabel 3 tersebut dapat diketahui nilai maksimum dari variabel pandemi COVID-19
yaitu, CASE sebesar 0.991; REC sebesar 14.64; dan DEA sebesar 10.17. Sedangkan
untuk nilai minimumnya adalah sebesar -93.11 untuk CASE dan 0 untuk REC dan
DEA.
SIZE dan GDP adalah variabel kontrol dalam penelitian ini. Hasil statistik

deskriptif dari variabel kontrol tersebut tersaji dalam tabel tersebut. Nilai rata-rata
dari SIZE adalah sebesar 26.9070 dengan nilai standar deviasi sebesar 3.73255.
Pada variabel GDP didapati nilai rata-rata adalah sebesar -0.2906 dengan standar
deviasinya sebesar 7.34694. Nilai maksimum dari variabel kontrol yang digunakan
masing-masing adalah sebesar 35.23 untuk SIZE dan 18.30 untuk GDP. Sedangkan
nilai minimumnya adalah 21.50 untuk SIZE dan -17.20 untuk GDP.
3.2. Pengaruh COVID-19 terhadap kinerja perbankan dengan

adanya fenomena credit crunch
Pada bagian ini kami menyajikan hasil regresi dari variabel pandemi COVID-19
yaitu, CASE, RECOVER, dan DEA terhadap Kinerja perbankan dengan menggunakan
tingkat penyaluran pinjaman sebagai variabel moderasi untuk melihat adanya
fenomena credit crunch. Hasil uji regresi disajikan ditunjukkan dalam Tabel 4.
Tabel 4 Hasil Regresi Fenomena Credit Crunch
Hasil Regresi Fenomena Credit Crunch
Model ROA ROE NIM
RECOVER 0.032 0.006 0.521
DEATH 0.018 0.014 0.332
CASE 0.122 0.045 0.543
Z_RECOVER 0.020 0.001 0.797
Z_DEATH 0.021 0.002 0.913
Z_CASE 0.057 0.003 0.942
GDP 0.254 0.014 0.610
SIZE 0.850 0.533 0.002

75
3.2.1. COVID-19 terhadap ROA

Menunjuk Tabel 4 di atas, nilai koefisien signifikansi dari masing-masing proksi
COVID-19 yaitu CASE sebesar 0.122; DEA sebesar 0.018; dan RECOVER sebesar
0.034. Berdasarkan nilai koefisien signifikansi yang didapatkan dapat disimpulkan
bahwa pandemi COVID-19 memiliki pengaruh yang signifikan terhadap ROA
dengan dimoderasi oleh LDR. Kesimpulan ini didasarkan pada nilai koefisien
signifikansi dari LDR kurang dari 0.05.
3.2.2. COVID-19 terhadap ROE

bahwa pandemi COVID-19 memiliki pengaruh yang signifikan terhadap ROE
dengan dimoderasi oleh LDR. Kesimpulan ini didasarkan pada nilai koefisien
signifikansi dari masing masing proksi dari variabel pandemi COVID-19 kurang
dari 0.05.
3.2.3. COVID-19 terhadap NIM

bahwa pandemi COVID-19 memiliki pengaruh yang tidak signifikan terhadap
NIM dengan dimoderasi oleh LDR. Kesimpulan ini didasarkan pada nilai koefisien
signifikansi dari masing masing proksi dari variabel pandemi COVID-19 lebih dari
0.05.
3.3. Pengaruh COVID-19 terhadap kinerja perbankan dengan

adanya fenomena pinjaman bermasalah
Pada bagian ini kami menyajikan hasil regresi dari variabel pandemi COVID-19
yaitu, CASE, RECOVER, dan DEA terhadap kinerja perbankan dengan menggunakan
non-performing loan sebagai variabel moderasi untuk melihat adanya fenomena
pinjaman bermasalah.

Tabel 5 Hasil Regresi Fenomena Pinjaman Bermasalah
Hasil Regresi Fenomena Pinjaman Bermasalah
Model ROA ROE NIM
RECOVER 0.000 0.000 0.323
DEATH 0.000 0.000 0.381
CASE 0.000 0.000 0.416
Z_RECOVER 0.000 0.005 0.000
Z_DEATH 0.000 0.000 0.001
Z_CASE 0.000 0.003 0.000
GDP 0.127 0.008 0.528
SIZE 0.279 0.788 0.006
3.3.1. COVID-19 terhadap ROA

bahwa pandemi COVID-19 memiliki pengaruh yang signifikan terhadap ROA
dengan dimoderasi oleh NPL. Kesimpulan ini didasarkan pada nilai koefisien
signifikansi dari NPL kurang dari 0.05.
3.3.2. COVID-19 terhadap ROE

bahwa pandemi COVID-19 memiliki pengaruh yang signifikan terhadap ROE
dengan dimoderasi oleh NPL. Kesimpulan ini didasarkan pada nilai koefisien
signifikansi dari NPL kurang dari 0.05.

77
3.3.3. COVID-19 terhadap NIM

bahwa pandemi COVID-19 memiliki pengaruh yang tidak signifikan terhadap
NIM dengan dimoderasi oleh NPL. Kesimpulan ini didasarkan pada nilai koefisien
signifikansi dari NPL lebih dari 0.05.
3.4. Hasil Penelitian

Tabel 5 Hasil Uji Hipotesis 1: Fenomena Credit Crunch
Hipotesis Regresi Pengaruh Keputusan
COVID-19 dan ROA Negatif Signifikan
H1 COVID-19 dan ROE Negatif Signifikan
COVID-19 dan NIM Negatif Tidak Signifikan
Tabel 6 Hasil Uji Hipotesis 2: Fenomena Pinjaman Bermasalah
Hipotesis Regresi Pengaruh Keputusan
COVID-19 dan ROA Negatif Signifikan
H2 COVID-19 dan ROE Negatif Signifikan
COVID-19 dan NIM Negatif Signifikan

4.1. Kesimpulan
Berdasarkan hasil analisis dari penelitian ini, dapat diambil beberapa kesimpulan
sebagai berikut.
1 Pandemi COVID-19 yang diwakili oleh tiga ukuran yaitu: RECOVER, DEA, dan
CASE memiliki hasil yang bervariasi. Untuk ukuran pandemi COVID-19 yang

diwakili oleh DEA dengan dimoderasi oleh LDR memberikan pengaruh negatif
signifikan terhadap kinerja perbankan yang diwakili oleh ROA, ROE dan NIM.
Oleh sebab itu, hipotesis pertama ditolak.
2 COVID-19 yang diwakili oleh tiga ukuran yaitu: RECOVER, DEA, dan CASE
memiliki pengaruh negatif signifikan terhadap kinerja perbankan yang diwakili
oleh ROA, ROE, dan NIM dengan dimoderasi oleh NPL. Dari hasil uji pengaruh
COVID-19 terhadap kinerja perbankan dengan adanya NPL sebagai variabel
moderasi, dapat disimpulkan bahwa COVID-19 berpengaruh negatif pada
kinerja perbankan. Dengan demikian hipotesis kedua dapat diterima.
Keterbatasan dalam penelitian ini adalah sebagai berikut.

1 Variabel yang digunakan sebagai proksi dari pandemi COVID-19 dan variabel
kontrol yang digunakan kurang bervariasi seperti variabel kontrol untuk
mengontrol kondisi ekonomi makro. Hal ini dikarenakan regulasi dan kondisi
makro setiap negara ‘emerging market’ berbeda.
2 Penelitian kami meneliti dampak COVID-19 pada kinerja perbankan di beberapa
negara. Namun, dalam penelitian kami tidak memperhatikan regulasi yang
ada di negara-negara sampel penelitian.
4.2. Rekomendasi
Dari adanya keterbatasan yang ditemukan dalam penelitian ini peneliti
memberikan saran untuk penelitian selanjutnya terkait pengaruh COVID-19
terhadap kinerja perbankan. Penelitian selanjutnya disarankan untuk menggunakan
variabel-variabel yang lebih luas dan diperkirakan memberikan pengaruh
terhadap kinerja perbankan. Selain itu untuk penelitian selanjutnya dalam melihat
dampak COVID-19 terhadap kinerja perbankan di berbagai negara, dapat
mempertimbangkan regulasi-regulasi yang ada di tiap negaranya.

79
Daftar Referensi
Acharya, V. V., & Steffen, S. (2020). The risk of being a fallen angel and the corporate
dash for cash in the midst of COVID. Review of Corporate Finance Studies,
9(3), 430–471. https://doi.org/10.1093/rcfs/cfaa013
Alstadsæter, A., Bjørkheim, J. B., Kopczuk, W., & Økland, A. (2020). Norwegian
and U.S. Policies Alleviate Business Vulnerability Due To the Covid-19 Shock
Equally Well. National Tax Journal, 73(3), 805–828. https://doi.org/10.17310/
ntj.2020.3.08
Ari, A. (2017). Sovereign Risk and Bank Risk-Taking, WP/17/280, December 2017.
Bennedsen, Morten; Larsen, Birthe; Schmutte, Ian; Scur, D. (2020). Preserving job
matches during the COVID-19 pandemic: firm-level evidence on the role of
government aid. https://www.econstor.eu/handle/10419/221802
Berger, A. N., & Sedunov, J. (2017). Bank liquidity creation and real economic
output. Journal of Banking and Finance, 81, 1–19. https://doi.org/10.1016/j.
jbankfin.2017.04.005
Chodorow-Reich, G., Darmouni, O., Luck, S., & Plosser, M. (2021). Bank liquidity
provision across the firm size distribution. Journal of Financial Economics, xxxx.
https://doi.org/10.1016/j.jfineco.2021.06.035
Colak, G., Gounopoulos, D., Loukopoulos, P., & Loukopoulos, G. (2021). Political
power, local policy uncertainty and IPO pricing. Journal of Corporate Finance,
67(December 2020), 101907. https://doi.org/10.1016/j.jcorpfin.2021.101907
Hasan, I., Politsidis, P. N., & Sharma, Z. (2020). Bank Lending during the COVID-19
Pandemic. SSRN Electronic Journal, 103885. https://doi.org/10.2139/
ssrn.3711021
Ivashina, V., & Scharfstein, D. (2010). Bank lending during the financial crisis of
2008. Journal of Financial Economics, 97(3), 319–338. https://doi.org/10.1016/j.
jfineco.2009.12.001

Jayaratne, J., & Strahan, P. E. (2017). The Finance-Growth Nexus : Evidence from
Bank Branch Deregulation Author ( s ): Jith Jayaratne and Philip E . Strahan
Published by : Oxford University Press Stable URL : http://www.jstor.org/
stable/2946668 JSTOR is a not-for-profit service that helps scho. The Quarterly
Journal of Economics, 111(3), 639–670.
Li, L., Qi, B., Robin, A., & Yang, R. (2020). The effect of enforcement action on audit
fees and the audit reporting lag. Accounting and Business Research, 0(0), 1–29.
https://doi.org/10.1080/00014788.2020.1808441
Moreno, D. Š. K.-Ö. L. L. (2015). Debt Overhang, Rollover Risk and Investment in
Europe.
Pástor, Ŀ., & Veronesi, P. (2013). Political uncertainty and risk premia. Journal
of Financial Economics, 110(3), 520–545. https://doi.org/10.1016/j.
jfineco.2013.08.007
Pranata, D., Hidayat, R., & Nuzula, F. (2014). Pengaruh Total Asset Turnover, Non
Performing Loan, Dan Net Profit Margin Terhadap Return on Asset Studi Pada
Bank. Jurnal Administrasi Bisnis S1 Universitas Brawijaya, 11(1), 82321.
Sulaeman Rahman Nidar; Noviana Puspita Sari. (2012). DETERMINANTS OF CREDIT
CRUNCH : A Study on Commercial Banks in Indonesia in 2005-2010. Repository
UNPAD, 8(5), 55. http://pustaka.unpad.ac.id/wp-content/uploads/2016/06/
DETERMINANTS-CREDIT-CRUNCH.pdf
Thorsten Beck; Levine, R. (2004). STOCK MARKETS, BANKS, AND GROWTH: PANEL
EVIDENCE. Academy of Management Journal, 5(3).
Çolak, G., & Öztekin, Ö. (2021). The impact of COVID-19 pandemic on bank lending
around the world. Journal of Banking and Finance, July 2020, 106207. https://
doi.org/10.1016/j.jbankfin.2021.106207

81
Efektivitas Kebijakan Countercyclical pada Risiko Kredit

Perbankan dalam Masa Pandemi Covid-19
Fitri Susilowati
Universitas PGRI Yogyakarta
Abstrak
Peningkatan jumlah kasus positif covid 19 yang terus meningkat berdampak
pada perlambatan pertumbuhan ekonomi di Indonesia. Perlambatan tersebut
mengakibatkan risiko kredit perbankan mengalami peningkatan. Otoritas Jasa
Keuangan (OJK) melakukan langkah antisipatif dan responsif dengan mengeluarkan
kebijakan Countercyclical Nomor 11 Tahun 2020.
Pengujian efektivitas kebijakan countercyclical terhadap risiko kredit dalam
penelitian ini menggunakan model analisis data panel. Analis dilakukan dengan
data NPL regional pada tiga puluh tiga provinsi di Indonesia. Periode pengamatan
dimulai tahun 2017 dan berakhir di tahun 2020. Total observasi berjumlah 1.485
data.
Berdasarkan pengujian secara statistik kebijakan Countercyclical efektif dalam
menurunkan risiko kredit macet. Implikasi dari hasil penelitian yang pertama
adalah Kebijakan countercyclical dapat dilanjutkan karena secara statistik mampu
mengurangi risiko kredit perbankan. Kedua, efektivitas kebijakan countercyclical
pada kredit investasi dan kredit modal kerja dapat ditingkatkan dengan memberikan
kemudahan akses, pelonggaran restrukturisasi dan pemberian insentif pajak.
Kata Kunci : Covid, Countercyclical, NPL, OJK, regional, risiko

Abstract
The increasing number of positive cases of covid 19 which continues to increase
has an impact on the slowdown of economic growth in Indonesia. This slowdown
increased bank credit risk. Financial Services Authority (OJK) takes anticipatory and
responsive steps by issuing counter cyclical policy Number 11 of 2020.
The testing of the effectiveness of OJK policy No. 11 of 2020 on credit risk in this
study using panel data analysis model. The analysis was carried out with regional
NPL data in thirty-three provinces in Indonesia. The observation period begins in
2017 and ends in 2020. The total observations were carried out using 1,485 data.
Based on testing the counter cyclical policy was able to suppress NPL. The increase
in the number of NPL can be controlled after the implementation of the policy. The
results of the first study imply the counter cyclical policy can be continued because
it is statistically able to reduce bank credit risk. Second, countercyclical policies on
investment loans and working capital loans can be improved by providing easy
access, easing restructuring, and providing tax incentives.
Keywords : Covid, Countercyclical, NPL, OJK, regional, risk

JEL Classification : G28

83
1. Pendahuluan
Wabah Covid-19 setidaknya telah menjangkiti 216 negara di dunia sampai
dengan bulan Maret 2020. Dalam konteks di Indonesia, perkembangan konfirmasi
positif terus menunjukkan peningkatan. Berdasarkan data dari satgas covid 19,
sampai bulan Maret kasus konfirmasi positif telah mencapai lebih dari 1.000 kasus.
Merujuk pada data tersebut, pada bulan Maret pemerintah Indonesia fokus
menekan laju pertumbuhan covid 19. Pemerintah mengeluarkan kebijakan
Pembatasan Sosial Berskala Besar (PSBB) yang tertuang dalam PP Nomor 21
Tahun 2020. Kebijakan tersebut bertujuan untuk percepatan penanganan covid
19. Kebijakan PSBB menyebabkan mobilitas manusia dan barang menjadi terbatas.
Hal tersebut akan berdampak pada menurunnya permintaan domestik, kegiatan
produksi dan juga investasi.
Dampak dari penurunan tersebut dapat dilihat dari perlambatan pertumbuhan
ekonomi domestik yang menyentuh level -5,12 % pada kuartal kedua dan
-3,49% pada kuartal tiga. Lebih lanjut, implementasi PSBB juga berdampak pada
pertumbuhan ekonomi regional. Pada triwulan pertama pertumbuhan ekonomi di
Sumatera sebesar -1,85%; Jawa sebesar -1,37%; Bali dan Nusa Tenggara sebesar
-6,99%, Kalimantan sebesar -1,32%, Sulawesi sebesar -5,58% dan Maluku Papua
sebesar -5,79%. Pada triwulan kedua pertumbuhan ekonomi masih menujukkan
perlambatan, Sumatera sebesar -3,7%; Jawa sebesar -7,23%; Bali dan Nusa Tenggara
sebesar -3,21%, Kalimantan sebesar -5,81%, Sulawesi sebesar -0,73 % dan Maluku
Papua sebesar 0,64%. Perlambatan tersebut mengindikasikan terjadinya kontraksi
aktivitas ekonomi baik dari sisi permintaan maupun penawaran di pasar barang.
Kontraksi aktivitas ekonomi mengakibatkan perekonomian mengalami
perlambatan. Dampak perlambatan tersebut akan semakin menekan kinerja
korporasi karena rendahnya permintaan. Kemampuan bayar korporasipun
mengalami penurunan yang ditunjukkan oleh Interest Coverage Ratio (ICR). Berikut
adalah ICR korporasi berdasarkan lapangan usaha:

Sumber: Bank Indonesia, data diolah
Gambar 1. ICR Korporasi Berdasarkan Lapangan Usaha
Pada Gambar 1 dapat dilihat bahwa pada tahun 2020 triwulan kedua sebagian
besar lapangan usaha mengalami penurunan kemampuan bayar dibandingkan
periode sebelumnya. Sektor pertanian ICR sebesar 0,11; pertambangan sebesar
1,68; industri sebesar 0,71; Listrik, gas dan air sebesar -0,89; konstruksi sebesar 0,21;
perdagangan sebesar 0,51; pengangkutan sebesar 0,063; Jasa dunia usaha sebesar
0,1 dan jasa sosial sebesar 0,41.
Sebagai upaya untuk mengurangi tekanan yang semakin tajam, korporasi
melakukan rasionalisasi operasional dan investasi (Bank Indonesia, 2020). Korporasi
melakukan pengurangan tenaga kerja untuk menurunkan biaya operasional. Di sisi
lain, rasionalisasi yang dilakukan berdampak pada kinerja Rumah Tangga (RT) yang
tercermin pada menurunnya daya beli konsumen. Berikut adalah pengeluaran
konsumsi RT selama satu tahun terakhir:
Sumber: BPS, data diolah
Gambar 2. Pengeluaran Konsumsi Rumah Tangga (RT)

85
Pada Gambar 2 terlihat bahwa memasuki tahun 2020 pengeluaran konsumsi

RT dan pengeluaran konsumsi LNPRT mengalami penurunan dari periode
sebelumnya. Kontraksi paling tinggi ditunjukkan pada kuartal dua di tahun 2020
di mana untuk pengeluaran konsumsi RT menyentuh nilai -5,52 dan pengeluaran
konsumsi LNPRT sebesar -7,75.
Menurunnya kemampuan baik dari sisi korporasi maupun sisi konsumen
berdampak pada peningkatan risiko kredit perbankan dan menurunnya penyaluran
kredit (Karadima & Louri, 2020a). Berikut perkembangan risiko kredit macet di
Indonesia:
Sumber: OJK, data diolah
Gambar 3. Non Performing Loan (NPL) dan Jumlah Kredit
Pada Gambar 3 terlihat bahwa memasuki bulan Maret 2020 risiko kredit
perbankan menunjukkan kenaikan. Hal tersebut dapat dilihat dari nilai NPL pada
bulan Maret sebesar 2,77% dan cenderung mengalami kenaikan sampai bulan
September. Sementara itu, jumlah kredit yang disalurkan menunjukkan perlambatan.
Pada Bulan Maret sebesar 5,71 Miliar cenderung mengalami perlambatan sampai
bulan September mencapai 5,53 Miliar.
Kenaikan kredit macet dan menurunnya jumlah kredit tersebut akan menekan
stabilitas dan kinerja intermediasi perbankan. Sebagai langkah responsif dan
antisipatif OJK mengeluarkan kebijakan countercyclical yang tertuang dalam POJK
nomor 11/POJK.03/2020. Implementasi kebijakan tersebut dengan memberikan
kelonggaran bagi masyarakat dan lembaga jasa keuangan yang terdampak

Covid 19. Kebijakan tersebut meliputi: (1) Kebijakan penetapan kualitas aset dan (2)
Kebijakan restrukturisasi kredit atau pembiayaan.
Beberapa studi empiris terkait efektivitas kebijakan countercyclical telah
dilakukan namun hasil penelitian tidak konsisten. Studi-studi tersebut dapat
dikelompokkan menjadi dua, yaitu kelompok yang menyatakan bahwa kebijakan
countercyclical efektif dan kelompok yang menyimpulkan bahwa kebijakan
countercyclical tidak efektif. Kelompok pertama terdiri dari (Clancy & Merola, 2017),
(Gonzalez et al., 2017), (Guerguil et al., 2017), (Bekiros et al., 2018), (Ben Maatoug
et al., 2019), (Altavilla et al., 2020) menyatakan bahwa countercyclical dapat
meningkatkan stabilitas bank. Kebijakan countercyclical efektif untuk mengatasi
kredit bermasalah atau ancaman krisis. Sebagian besar peneliti menggunakan data
perbankan pada level negara dalam analisisnya.
(Clancy & Merola, 2017) menguji pada analisis makro prudensial untuk
mengetahui efektivitas kebijakan countercyclical. Sementara (Gonzalez et al., 2017)
meneliti pada cadangan modal berdasar Basel Committee on Banking Supervision.
Sedangkan (Guerguil et al., 2017) menyatakan kebijakan fiskal sebagai instrumen
countercyclical dapat mengatasi pertumbuhan kredit. Selanjutnya (Bekiros et al.,
2018) mengembangan model DSGE untuk mengetahui efektivitas penerapan
kebijakan Basel III terhadap stabilitas sektor perbankan di AS. (Ben Maatoug et al.,
2019) menganalisis perilaku bank syariah dan konvensional terhadap penerapan
buffer modal. Analisis dilakukan pada 185 Bank di MENA dengan menggunakan
GMM. Sementara (Altavilla et al., 2020) menekankan pada pemberian kelonggaran
kredit untuk menciptakan keseimbangan sektor riil dalam menciptakan stabilitas
ekonomi.
Lebih Lanjut, beberapa peneliti seperti (Altavilla et al., 2020), (Brancaccio et
al., 2020), (Jackson et al., 2018) juga didukung oleh penelitian yang dilakukan oleh
(Carpinelli & Crosignani, 2017) yang memberikan kelonggaran suku bunga dalam
kebijakan countercyclical. Demikian juga, (Drechsler et al., 2017) menyatakan bahwa
countercyclical moneter dapat membantu perbankan dalam mengendalikan
jumlah kredit macet.
Hasil yang sama disampaikan oleh (Bekiros et al., 2018), (Casu et al., 2019),
(Gonzalez et al., 2017) dan (Berger et al., 2017) yang menyatakan bahwa ketersediaan
modal bagi perbankan sangat diperlukan untuk menjaga stabilitas perbankan.

87
Sementara, (Jackson et al., 2018) menekankan kondisi stabilitas keuangan nasional

yang terjadi pada masa pandemi covid-19. Munculnya ekspektasi terhadap
pertumbuhan ekonomi menyebabkan terjadi sentiment pasar sehingga berdampak
pada kepercayaan masyarakat.
Selain pada kebijakan countercyclical moneter, beberapa peneliti yang
menitikberatkan perhatian pada kebijakan fiskal dilakukan oleh (Jha et al., 2014)
dan (Guerguil et al., 2017) . Lebih lanjut (Jha et al., 2014) menganalisis dampak
dari penerapan kebijakan fiskal pada saat terjadi kriris di sepuluh negara Asia.
Berdasarkan analisis kebijakan fiskal efektif dalam mendorong pemulihan ekonomi
saat terjadi krisis di sepuluh negara Asia tersebut. Menurut (Acharya et al., 2018)
yang melakukan analisis kebijakan modal yang dilakukan oleh perbankan yang
berada di AS. Hasilnya menunjukkan bahwa bank cenderung menerapkan prinsip
kehati-hatian untuk mengurangi risiko kredit macet.
Sedangkan kelompok kedua (Nguyen et al., 2020), (Fernández et al., 2015),
(Bandara, 2014), (Ben Maatoug et al., 2019) menyatakan bahwa countercyclical
tidak berdampak pada penciptaan likuiditas bank. Lebih lanjut, (Bandara, 2014)
menitikberatkan pada investasi asing langung dan ekspor. Model yang digunakan
Vektor Panel Otomatis (PVAR) dan estimasi GMM transmisi. Sementara (Fernández
et al., 2015) menyimpulkan bahwa countercyclical pada masa boom dan bust,
dengan mengukur gap output, nilai tukar, dan siklus neraca berjalan. Sedangkan
(Nguyen et al., 2020) fokus pada pengurangan kredit yang disalurkan bank untuk
menjaga kecukupan modal. Pengurangan kredit ini akan mengurangi peran bank
sebagai intermediasi keuangan. Sumber pembiayaan sektor riil juga berkurang
sehingga akan menurunkan kegiatan ekonomi.
Berdasarkan identifikasi dari beberapa bukti empiris sebelumnya, hasil
penelitian masih inkonsisten dan mayoritas peneliti menggunakan unit analisis
perbankan pada level negara. Dalam penelitian ini unit analisis dipersempit pada
level regional (provinsi). Hal ini dimaksudkan untuk menangkap variasi kontribusi
yang berbeda dalam pertumbuhan ekonomi nasional. Berikut pada Gambar 4
disajikan kontribusi perekonomian regional pada pertumbuhan ekonomi nasional:

Sumber: BPS, data diolah
Gambar 4. Struktur Perekonomian Indonesia Secara Regional
Selain berdasarkan pada bukti empiris, di sisi lain kebijakan POJK akan menjadi
dilema bagi sektor perbankan. Kebijakan pelonggaran kredit yang ditetapkan
oleh OJK di satu sisi akan berimbas pada tingkat pendapatan dan profitabilitas
yang berkurang. Di sisi lain, perbankan memiliki beban kewajiban terhadap biaya
operasional yang harus tetap dibayarkan untuk menunjang perannya sebagai
intermediasi keuangan. Hal tersebut akan berdampak pada kualitas aset, likuiditas
dan kecukupan modal. Apakah kebijakan countercyclical akan meningkatkan
kinerja atau justru meningkatkan risiko kredit macet? Berdasarkan analisis
tersebut kontribusi penelitian untuk mengetahui efektivitas kinerja dari kebijakan
countercyclical pada perbankan di tiga puluh tiga provinsi di Indonesia.

2.1. Data
Penelitian ini dilakukan di Indonesia dengan menggunakan data perbankan
regional pada 33 provinsi. Observasi dalam penelitian ini berjumlah 1.485 data.
Periode pengamatan dimulai tahun 2017 dan berakhir di tahun 2020. Tahun 2017
dipilih sebagai awal tahun pengamatan karena kondisi perekonomian Indonesia
yang stabil, ditunjukkan oleh pertumbuhan ekonomi (y-to-y) yang positif sebesar

89
5,1% dibandingkan tahun 2016 tumbuh sebesar 5,0 %. Selain itu secara regional,
seluruh provinsi yang tersebar dalam enam pulau mengalami pertumbuhan positif.
Pada tahun 2017 perekonomian global secara umum juga mengalami pertumbuhan
positif sebesar 3,7 % lebih tinggi dibandingkan dengan tahun 2016 yang hanya
mencapai 3,2%. Tahun 2020 dipilih sebagai tahun berakhirnya pengamatan karena
alasan teknis dari ketersediaan data dan tahun dikeluarkannya POJK Nomor 11
Tahun 2020. Sumber data diperoleh dari www.ojk.go.id, www.bi.go.id. dan www.
bps.go.id
2.2. Metodologi
Penelitian ini menggunakan pendekatan penelitian kuantitatif dengan
pendekatan regresi linear. Analisis data dalam penelitian ini menggunakan data
panel. Model dalam penelitian ini merupakan pengembangan dari (Beck et al.,
2015); (Ghosh, 2015); (Dimitrios et al., 2016); (Tarchouna et al., 2017); (Bekiros et
al., 2018); (Ben Maatoug et al., 2019); (Breunig & Majeed, 2020); (Chortareas et al.,
2020); (Karadima & Louri, 2020b); (Altavilla et al., 2020) :
LogNPLit = α+logCREDITit + DPKit - WCCit + ICit + CCit -

(ICit * POJK) - (wccit * POJK) - INFit + UNPit + POVit + PDRBit -
POJK + μit (1)
Pada penelitian ini risiko kredit diproksi dengan log NPL ((Beck et al., 2015);
(Dimitrios et al., 2016)). Determinasi dari risiko kredit terdiri dari kredit yang
disalurkan (CREDIT) (Beck et al., 2015) dan (Chortareas et al., 2020), Dana Pihak
ketiga (DPK)(Ghosh, 2015), Rasio Kredit Modal Kerja (WCC), Rasio Kredit Investasi
(IC), Rasio Kredit Konsumsi (CC), Inflasi (INF)(Dimitrios et al., 2016), Pengangguran
(UNP)(Tarchouna et al., 2017), Indeks keparahan Kemiskinan (POV)(Breunig &
Majeed, 2020), dan PDRB(Karadima & Louri, 2020b). Pengujian pengaruh dari
kebijakan POJK dengan menggunakan variable dummy. POJK akan bernilai 1 untuk
periode setelah kebijakan dikeluarkan (Maret – September 2020) dan bernilai 0
sebelum dikeluarkan kebijakan (Januari 2017- Februari 2020).


Berdasarkan pengujian pada tahap satu dan dua, model terbaik yang dianalisis
dalam penelitian ini menggunakan fixed effect. Peneliti melakukan robustness
standard error pada fixed effect model untuk menghasilkan estimasi yang lebih
baik. Berikut pada Tabel 1. disajikan hasil estimasi data panel:
Tabel 1. Hasil Estimasi Data Panel
Robust Std.
Coefient T P>t (95% Conf. Interval)
Err
LCREDIT 0,497 0,205 2,41 0,021 0,079 0,915
DPK 0,002 0,003 0,77 0,450 -0,003 0,007
WCC -0,005 0,014 -0,35 0,730 -0,033 0,023
IC 0,018 0,009 1,92 0,064 -0,001 0,037
CC 0,002 0,001 1,35 0,185 -0,001 0,004
ICPOJK 0,005 0,004 1,31 0,199 -0,002 0,012
WCCPOJK 0,009 0,005 1,88 0,069 -0,001 0,019
INF -0,012 0,005 -2,55 0,016 -0,021 -0,002
UNP 0,141 0,168 0,84 0,409 -0,202 0,483
POV 0,400 0,172 2,33 0,027 0,0496 0,749
Pdrb 0,009 0,003 2,97 0,006 0,003 0,016
Pojk -0,296 0,142 -2,09 0,045 -0,585 0,006
C -0,202 2,320 -0,09 0,931 -4,928 4,524
Sumber: data diolah
Berdasarkan hasil estimasi diperoleh persamaan adalah sebagai berikut:
LogNPLit = -0,202 + 0,497 logCREDITit*** + 0,002 DPKit - 0,005 WCCit +

0,018 ICit* + 0,002 CCit + 0,005 (ICit * POJK) + 0,009 (wccit * POJK)-
0,012 INFit** + 0,141 UNPit +0,400 POVit** + 0,009 PDRBit*** -
0,296 POJK** + μ it (2)

91
3.1. Pengaruh Penerapan Kebijakan Countercyclical terhadap

Risiko Perbankan
Berdasarkan hasil pengujian dengan menggunakan fixed effect model,
secara statistik kebijakan countercyclical mampu menurunkan risiko kredit macet.
Pengujian statistik tersebut dapat dilihat dari koefisien variable Dummy POJK, yaitu
sebesar – 0,296 dan signifikan. Secara empiris, hasil peneltian ini didukung oleh
beberapa peneliti sebelumnya seperti (Altavilla et al., 2020); (Bekiros et al., 2018);
(Jackson et al., 2018); (Clancy & Merola, 2017); (Gonzalez et al., 2017); (Guerguil et
al., 2017); (Smith et al., 2016); (Jokivuolle et al., 2015); (Jha et al., 2014).
Berdasarkan data dari OJK, indikasi efektivitas kebijakan countercyclical
tersebut juga dapat dilihat dari kinerja bank umum di Indonesia selama pandemi
covid-19. Berikut beberapa indikasi yang menunjukkan stabilitas kinerja perbankan
setelah diterapkannya kebijakan countercyclical.
Sumber: OJK, data diolah Sumber: OJK, data diolah
Gambar 5. CAR dan LDR Gambar 6. ROA dan NIM

Berdasarkan pada Gambar 5 diketahui bahwa kemampuan bank umum

dalam memenuhi kecukupan modal masih terjaga, ditunjukkan oleh nilai CAR
yang nilainya masih berada jauh di atas batas minimal yang ditentukan oleh Bank
Indonesia sebesar 8%. Demikian juga terkait dengan likuditas bank umum di
Indonesia sejak bulan Maret – September 2020 menunjukkan trend yang menurun
tetapi masih dalam batas aman yang ditentukan oleh Bank Indonesia (78%-92%).
Hal yang sama juga ditunjukaan dari Gambar 6, dimana kemampuan perbankan
dalam memperoleh profitabilitas dari nilai ROA dan NIM masih dalam batas aman
terkendali.
Gambar 7. NPL dan Kredit Gambar 8. BOPO
Berdasarkan pada Gambar 7 menunjukkan bahwa risiko kredit perbankan

menujukkan peningkatan selama masa pandemic covid-19. Tetapi kenaikan dari
nilai NPL masih di bawah 5% sesuai threshold yang ditentukan oleh Bank Indonesia.
Selain itu, kinerja perbankan juga ditunjukkan oleh Gambar 8 yang menujukkan
efisiensi perbankan berada di bawah 90%. Berdasarkan dari beberapa indikator
kinerja perbankan tersebut di atas mengindikasikan bahwa setelah pemberlakuan
kebijakan countercyclical kinerja bank terjaga.

93
3.2. Pengaruh Penerapan Kebijakan Countercyclical pada Kredit

Investasi dan Kredit Modal Kerja terhadap Risiko Perbankan
Berdasarkan hasil pengujian statistik penerapan kebijakan countercyclical pada
kredit investasi dan kredit modal kerja belum terlihat efektivitasnya. Hal ini dapat
dilihat dari koefisien interaksi antara kredit investasi dan kredit modal kerja yang
bernilai positif. Peningkatan risiko ini diduga disebabkan oleh kurang bergairahnya
aktivitas ekonomi yang berdampak pada menurunnya kegiatan investasi dan
produksi yang akan dilakukan. Optimisme yang menurun menjadi pemicu lesunya
aktivitas investasi dan produksi dalam menghadapi ketidakpastian berakhirnya
pandemic covid-19. Efektivitas kebijakan countercyclical pada kredit modal kerja
dan kredit investasi tersebut diduga memerlukan jangka waktu yang lebih panjang.
Hasil penelitian ini sejalan dengan hasil penelitian (Bandara, 2014); (Fernández et al.,
2015) dan (Nguyen et al., 2020) yang menyatakan bahwa kebijakan countercyclical
tidak berdampak pada peningkatan stabilitas perbankan.
Sumber: OJK, BPS, data diolah Sumber: BPS, data diolah
Gambar 9. NPL dan IKK Gambar 10. IKK, IKE dan IEK

Pada Gambar 9 terlihat bahwa IKK pada bulan Januari 2017 – Maret 2020
masih menunjukkan optimisme yang ditunjukkan oleh IKK diatas 100. Sedangkan
pada bulan April 2020 setelah pemerintah mengumumkan kasus covid pada bulan
Maret terlihat pesimisme konsumen yang ditunjukkan oleh nilai IKK menurun sejak
bulan April yang berada pada level 84,83, Mei sebesar 77,80, Juni sebesar 83,78,
Juli 86,19, Agustus 86,90 dan September 83,36. Penurunan IKK berbanding terbalik
dengan NPL kredit investasi yang cenderung menunjukkan peningkatan.
Pada Gambar 10 dapat dilihat bahwa nilai Indeks Keyakinan Konsumen
(IKK), Indeks Kondisi Ekonomi (IKE), Indeks Ekspektasi Konsumen (IEK) ketiganya
menunjukkan trend penurunan. IKE pada bulan April terkontraksi 62,81; May 50,75;
Juni 45,75; Juli 50,66; Agustus 55,60 dan September 54,14. IEK untuk bulan April
106,85; Mei 104,86; Juni 121,80; Juli 118,20; Agustus 118,20; September 112,58.
Sumber: OJK, data diolah Sumber: BPS, data diolah
NPL dan SB Kredit Pertumbuhan Ekonomi

Gambar 11. Gambar 12.
Investasi Pada Sisi Pengeluaran

95
Pada Gambar 11 terlihat bahwa trend nilai NPL cenderung menunjukkan

peningkatan sejak bulan Maret 2020. Sedangkan untuk suku bunga kredit yang
ditawarkan oleh sektor bank umum cenderung diturunkan. Tingkat suku bunga
bulan September 10,11%, Oktober 10,04%, November 10,02%, Desember 9,90 %.
Demikian juga Januari 2020 sebesar 9,87%, Februari 9,83%, Maret 9,70%, April
9,45%, May 9,32%, Juni 9,30%, Juli 9,21%, Agustus 9,16%, September 9,06%.
Meskipun tingkat suku bunga diturunkan tetapi tingkat NPL justru menunjukkan
tren yang meningkat.
Berdasarkan Gambar 12 terlihat bahwa pertumbuhan ekonomi pada sisi
pengeluaran menunjukkan trend yang menurun. Investasi untuk Pembentukan
Modal Tetap Domestik Bruto (PMTDB), investasi bangunan dan investasi non
bangunan menunjukkan perlambatan yang signifikan pada kuartal II-2020.
Kredit Modal Kerja NPL dan SB

Gambar 13. Gambar 14.
dan SB Modal Kerja

Pada Gambar 13 dapat dilihat bahwa dalam setahun terakhir pada bulan Maret
2020 terjadi penurunan suku bunga kredit dan pertumbuhan kredit modal kerja
juga megalami perlambatan. Suku Bunga kredit bulan September 2019 sebesar
10,33%, Oktober 10,26%, November 10,24%, Desember 10,09%. Demikian juga
Bulan Januri 2020 10,13%; Februari 10,07%: Maret 9,97%; April 9,73%; Mei 9,60%,
Juni 9,48%, Juli 9,47%, Agustus 9,44% dan September 9,44%.
Pada Gambar 14 terlihat bahwa kemampuan pelaku usaha dalam memenuhi
kewajibannya mengalami penurunan meskipun suku bunga diturunkan. Hal
tersebut dapat dilihat pada nilai NPL yang cenderung meningkat sejak bulan
April 2020. Lonjakan NPL terjadi sejak bulan Maret sebesar 93,8 milliar, April 94.8
milliar, Mei 97,7 milliar, Juni 100,19 milliar, Juli 101,42 milliar, Agustus 101,42 miliar,
September 98,9 milliar.
Sumber: Bank Indonesia, data diolah Sumber: Bank Indonesia, data diolah
Indeks Penjualan
Gambar 15. Kinerja Korporasi Gambar 16.
Riil

97
Berdasarkan Gambar 15 dapat diketahui bahwa tingkat profitabilitas korporasi

mengalami penurunan yang signifikan. Jika dilihat dari kemampuan menghasilkan
profitabilitas berdasarkan pengelolaan ekuitas, terlihat memasuki triwulan I-2020
mengalami penurunan sebesar 6,64%, diikuti triwulan II sebesar 6,04% dan triwulan
III sebesar 4,67. Sementara untuk tingkat ROA juga menunjukkan tren yang sama
dengan ROE. Demikian juga untuk penjualan dari sektor riil yang ditunjukkan
Gambar 16 cenderung mengalami perlambatan sejak covid-19 masuk ke Indonesia.
Selain menjelaskan efektivitas dari kebijakan countercyclical, penelitian juga
menjelaskan determinasi dari variable kredit macet (NPL). Berdasarkan pada
pengujian statistik, variable determinasi yang mempengaruhi NPL adalah jumlah
kredit yang disalurkan, tingkat kemiskinan dan produk regional domestik bruto
(PDRB).

4.1. Kesimpulan
Berdasarkan dari hasil analisis data dapat disimpulkan sebagai berikut:
1. Kebijakan countercyclical secara umum dapat dikatakan efektif menurunkan
tingkat risiko kredit macet perbankan secara regional di Indonesia. Meskipun
data NPL cenderung menunjukkan peningkatan, tetapi masih terkendali dan
dalam batas threshold yang ditentukan oleh Bank Indonesia yaitu di bawah
5%.
2. Penerapan kebijakan countercyclical pada kredit investasi dan modal kerja
belum terlihat efektivitasnya secara nyata. Hal tersebut diduga karena
efektivitas kebijakan countercyclical untuk kredit investasi dan modal kerja
dampaknya jangka panjang. Mengingat dalam penelitian ini, periode
pengamatan cukup pendek hanya enam bulan sejak dikeluarkannya kebijakan
countercyclical.

4.2. Rekomendasi
1. Kebijakan countercyclical dapat dilanjutkan karena secara statistik mampu
mengurangi risiko kredit perbankan. Masa pandemi telah membawa sektor
korporasi dan RT terdampak covid sehingga mengalami kesulitan likuiditas
karena tingkat penerimaan yang menurun. Kebijakan countercyclical
mampu menstimulus kinerja korporasi dan RT sehingga mampu mendorong
kegiatan produksi dan konsumsi. Bergairahnya aktivitas korporasi dan RT
dapat mempercepat pemulihan perekonomian nasional.
2. Perbankan tetap menerapkan prinsip kehati-hatian dalam memberikan
restrukturisasi kredit modal kerja, kredit investasi dan kredit konsumsi
mengingat risiko dari masing-masing kredit tersebut. Prinsip kehati-hatian
tersebut dapat dilakukan oleh perbankan dengan menyusun pendoman dan
standard operating procedures untuk menentukan debitur yang terdampak
covid-19. Perbankan dapat mengoptimalkan perannya sebagai intermediasi
keuangan dengan menerapkan kebijakan countercyclical untuk mendukung
pemerintah dalam Pemulihan Ekonomi Nasional
3. Pemerintah dapat melakukan perbaikan kebijakan moneter atau fiskal
yang telah dilakukan. Perbaikan dalam kebijakan fiskal tersebut contohnya
pengurangan pajak (insentif pajak) yang membebani produsen, seperti pajak
penghasilan (PPh), Pajak Pertambahan Nilai (PPN). Hal tersebut dimaksudkan
untuk meningkatkan efektivitas kebijakan countercyclical dalam memitigasi
risiko kredit perbankan.

99
Daftar Referensi
Acharya, V. V., Berger, A. N., & Roman, R. A. (2018). Lending implications of U.S.
bank stress tests: Costs or benefits? Journal of Financial Intermediation, 34,
58–90. https://doi.org/10.1016/j.jfi.2018.01.004
Altavilla, C., Canova, F., & Ciccarelli, M. (2020). Mending the broken link:
Heterogeneous bank lending rates and monetary policy pass-through.
Journal of Monetary Economics, 110, 81–98. https://doi.org/10.1016/j.
jmoneco.2019.01.001
Bandara, A. (2014). How effective are countercyclical policy tools in mitigating the
impact of financial and economic crises in Africa? Journal of Policy Modeling,
36(5), 840–854. https://doi.org/10.1016/j.jpolmod.2014.08.003
Beck, R., Jakubik, P., & Piloiu, A. (2015). Key Determinants of Non-performing
Loans: New Evidence from a Global Sample. Open Economies Review, 26(3),
525–550. https://doi.org/10.1007/s11079-015-9358-8
Bekiros, S., Nilavongse, R., & Uddin, G. S. (2018). Bank capital shocks and
countercyclical requirements: Implications for banking stability and welfare.
Journal of Economic Dynamics and Control, 93, 315–331. https://doi.
org/10.1016/j.jedc.2018.01.049
Ben Maatoug, A., Ben Ayed, W., & Ftiti, Z. (2019). Are MENA banks’ capital
buffers countercyclical? Evidence from the Islamic and conventional banking
systems. Quarterly Review of Economics and Finance, 74, 109–118. https://doi.
org/10.1016/j.qref.2019.04.006
Berger, A. N., Black, L. K., Bouwman, C. H. S., & Dlugosz, J. (2017). Bank loan supply
responses to Federal Reserve emergency liquidity facilities. Journal of Financial
Intermediation, 32, 1–15. https://doi.org/10.1016/j.jfi.2017.02.002
Brancaccio, E., Califano, A., Lopreite, M., & Moneta, A. (2020). Nonperforming
loans and competing rules of monetary policy: A statistical identification
approach. Structural Change and Economic Dynamics, 53, 127–136. https://
doi.org/10.1016/j.strueco.2020.02.001

Breunig, R., & Majeed, O. (2020). Inequality, poverty and economic growth.
International Economics, 161, 83–99. https://doi.org/10.1016/j.inteco.2019.11.005
Carpinelli, L., & Crosignani, M. (2017). The Effect of Central Bank Liquidity Injections
on Bank Credit Supply. Finance and Economics Discussion Series, 2017(038).
https://doi.org/10.17016/feds.2017.038
Casu, B., di Pietro, F., & Trujillo-Ponce, A. (2019). Liquidity Creation and Bank Capital.
Journal of Financial Services Research, 56(3), 307–340. https://doi.org/10.1007/
s10693-018-0304-y
Chortareas, G., Magkonis, G., & Zekente, K. M. (2020). Credit risk and the business
cycle: What do we know? International Review of Financial Analysis, 67. https://
doi.org/10.1016/j.irfa.2019.101421
Clancy, D., & Merola, R. (2017). Countercyclical capital rules for small open
economies. Journal of Macroeconomics, 54, 1339–1351. https://doi.
org/10.1016/j.jmacro.2017.04.009
Dimitrios, A., Helen, L., & Mike, T. (2016). Determinants of non-performing loans:
Evidence from Euro-area countries. Finance Research Letters, 18(October
2017), 116–119. https://doi.org/10.1016/j.frl.2016.04.008
Drechsler, I., Savov, A., & Schnabl, P. (2017). The Deposits Channel of Monetary
Policy. The Quarterly Journal of Economics, Volume 132(4), 1819–1876. https://
doi.org/https://doi.org/10.1093/qje/qjx019
Fernández, A., Rebucci, A., & Uribe, M. (2015). Are capital controls countercyclical?
Journal of Monetary Economics, 76, 1–14. https://doi.org/10.1016/j.
jmoneco.2015.07.001
Ghosh, A. (2015). Banking-industry specific and regional economic determinants of
non-performing loans: Evidence from US states. Journal of Financial Stability,
20, 93–104. https://doi.org/10.1016/j.jfs.2015.08.004
Gonzalez, R. B., Marinho, L. S. G., & Lima, J. I. A. de V. e. (2017). Re-anchoring
countercyclical capital buffers: Bayesian estimates and alternatives focusing on
credit growth. International Journal of Forecasting, 33(4), 1007–1024. https://
doi.org/10.1016/j.ijforecast.2017.04.006

101
Guerguil, M., Mandon, P., & Tapsoba, R. (2017). Flexible fiscal rules and countercyclical
fiscal policy. Journal of Macroeconomics, 52, 189–220. https://doi.org/10.1016/j.
jmacro.2017.04.007
Jackson, L. E., Owyang, M. T., & Soques, D. (2018). Nonlinearities, smoothing and
countercyclical monetary policy. Journal of Economic Dynamics and Control,
95, 136–154. https://doi.org/10.1016/j.jedc.2018.08.007
Jha, S., Mallick, S. K., Park, D., & Quising, P. F. (2014). Effectiveness of countercyclical
fiscal policy: Evidence from developing Asia. Journal of Macroeconomics, 40,
82–98. https://doi.org/10.1016/j.jmacro.2014.02.006
Jokivuolle, E., Pesola, J., & Viren, M. (2015). Why is credit-to-GDP a good measure
for setting countercyclical capital buffers? Journal of Financial Stability, 18, 117–
126. https://doi.org/10.1016/j.jfs.2015.03.005
Karadima, M., & Louri, H. (2020a). Economic policy uncertainty and non-performing
loans: The moderating role of bank concentration. Finance Research Letters.
https://doi.org/10.1016/j.frl.2020.101458
Karadima, M., & Louri, H. (2020b). Non-performing loans in the euro area: Does
bank market power matter? International Review of Financial Analysis,
72(October 2019), 101593. https://doi.org/10.1016/j.irfa.2020.101593
Nguyen, T. V. H., Ahmed, S., Chevapatrakul, T., & Onali, E. (2020). Do stress tests
affect bank liquidity creation? Journal of Corporate Finance, 64. https://doi.
org/10.1016/j.jcorpfin.2020.101622
Smith, S., Fuller, D., Bogin, A., Polkovnichenko, N., & Weiher, J. (2016). Countercyclical
capital regime revisited: Tests of robustness. Journal of Economics and
Business, 84, 50–78. https://doi.org/10.1016/j.jeconbus.2015.11.004
Tarchouna, A., Jarraya, B., & Bouri, A. (2017). How to explain non-performing
loans by many corporate governance variables simultaneously? A corporate
governance index is built to US commercial banks. Research in International
Business and Finance, 42, 645–657. https://doi.org/10.1016/j.ribaf.2017.07.008
Badan Pusat Statistik, Tiga Puluh Tiga Provinsi, Pertumbuhan Ekonomi 2017-2020
Otoritas Jasa Keuangan, Statistik Perbankan Indonesia 2017-2020

Evaluasi Dampak Kebijakan Stimulus Pemerintah

terhadap Perbankan dan UMKM pada Masa Pandemi
Covid-19
M. Aulia Putra Saragih1 dan Putri Wella Handayani2

1,2
Kementerian Koordinator Bidang Perekonomian
Abstrak
Pandemi COVID-19 berdampak pada perekonomian Indonesia. UMKM merupakan
salah satu yang terkena imbas dari lesunya perekonomian di masa pandemi.
Merespon kondisi tersebut pemerintah menerapkan beberapa kebijakan stimulus
dalam rangka pemulihan ekonomi nasional dan UMKM menjadi salah satu
penerimanya. Sementara itu, sektor perbankan berperan penting sebagai alat
transmisi kebijakan selama pandemi. Penelitian ini bertujuan untuk menganalisis
dan mengevaluasi kebijakan stimulus pemerintah melalui sektor perbankan dalam
rangka pemulihan ekonomi nasional, yaitu subsidi bunga, penjaminan kredit,
penempatan dana pemerintah, dan restrukturisasi kredit. Hasil analisis menunjukan
kebijakan-kebijakan tersebut memiliki dampak yang berbeda-beda terhadap
kinerja perbankan. Selain itu, dilakukan juga analisis dampak pemulihan ekonomi
UMKM terhadap sektor perbankan, serta evaluasi efektifitas kebijakan terhadap
pemulihan ekonomi UMKM melalui penyaluran kredit. Penelitian ini memberikan
rekomendasi sebagai tindak lanjut terhadap kebijakan stimulus selama pandemi.
Kata kunci: COVID-19, perbankan, pemulihan ekonomi, UMKM

103
Abstract
The COVID-19 pandemic has had an impact on the Indonesian economy. MSMEs are
one of those affected by the sluggish economy during the pandemic. Responding
to these conditions, the government implemented several stimulus policies in
order of national economic recovery, and MSMEs are also one of the recipients.
Meanwhile, the banking sector has an important role as a policy transmission
tool during the pandemic. The aim of this paper is to analyze and evaluate the
government stimulus policies through banking in order of national economic
recovery, such as interest subsidy, credit guarantee, government fund placement,
and credit restructuring. The analysis results shows that government stimulus
policies have different impacts on each financial indicators. In addition, this paper
also analyzes the impact of MSMEs recovery on banking sector performance and
evaluates the effectivity of the policy on MSMEs recovery through credit growth.
This study provides recommendations as the follow-up to stimulus policies during
the pandemic.
Key words: COVID-19, banking, economic recovery, MSMEs

JEL Cassification: E61, G21, G28


1. Pendahuluan
Pandemi COVID-19 telah membawa dampak bidang kesehatan maupun
perekonomian di Indonesia. Hingga saat ini angka kasus terkonfirmasi positif
terus berfluktuasi mengikuti kebijakan yang diberlakukan pemerintah. Kebijakan
pembatasan mobilitas masyarakat berdampak baik pada sektor kesehatan
karena dapat menekan laju peningkatan angka kasus terkonfirmasi positif.
Namun, pembatasan mobilitas masyarakat menyebabkan terbatasnya aktivitas
ekonomi masyarakat sehingga perekonomian tertekan. Dampak ekonomi dari
wabah COVID-19 terlihat jelas pada Triwulan II 2020 yaitu pertumbuhan ekonomi
terkontraksi hingga -5,3 persen (YoY). Namun kondisi ekonomi mulai membaik
sejak Triwulan III 2020 karena aktivitas ekonomi mulai berjalan secara normal.
Pada Triwulan I 2021 pertumbuhan ekonomi masih terkontraksi 0,74 persen (YoY),
namun periode tersebut telah menunjukan tren pemulihan ekonomi.
Sumber: Badan Pusat Statistik, 2021 (data diolah)
Gambar 1. Laju Pertumbuhan Ekonomi Q4-2019 s.d Q1-2021 (YoY)
Berbeda dengan krisis tahun 1997-1998, perekonomian di sektor UMKM juga

ikut terdampak pada krisis akibat pandemi COVID-19. Kondisi tersebut dapat
terlihat dari laju pertumbuhan sektor perdagangan, di mana 43,38% pelaku usaha
UMKM bergerak pada sektor ini (Sensus Ekonomi 2016). Laju pertumbuhan sektor
perdagangan mulai Triwulan II tahun 2020 terkontraksi hingga 7.59% dibandingkan
Triwulan II tahun 2019 (YoY). Kondisi tersebut masih dialami sektor perdagangan
hingga Triwulan I-2021 namun telah menunjukan tren pemulihan pada -1,23%
(YoY).

105
Sumber: Badan Pusat Statistik, 2021 (data diolah)
Gambar 2. Laju Pertumbuhan PDB Sektor Perdagangan Q4-2019 s.d

Q1-2021 (YoY)
Selain dampak perekonomian secara makro yang ditunjukan dengan

tertekannya pertumbuhan ekonomi, pandemi juga berdampak pada aktivitas
perekonomian secara sektoral salah satunya sektor perbankan. Disrupsi terhadap
aktivitas masyarakat, dunia usaha, investasi, dan pasar keuangan akibat pandemi
COVID-19 telah menyebabkan kelesuan ekonomi. Kondisi ini juga berdampak
terhadap perbankan di mana bank akan mengahadapi potensi risiko kredit dan
risiko likuiditas yang tinggi (Otoritas Jasa Keuangan, 2020). Pricewaterhouse
Coopers Indonesia (2020) menyebutkan pada publikasinya peningkatan NPL,
tertekannya pertumbuhan kredit, serta tertekannya likuiditas menjadi isu yang
dihadapi perbankan di Indonesia sebagai akibat dari pandemi.
Terdapat beberapa penelitian yang mengidentifikasi dampak dari COVID-19
terhadap perbankan. Penelitian yang dilakukan Rizwan, Ahmad, & Ashraf
(2020) dengan judul Systemic Risk: The Impact of COVID-19 menunjukan secara
keseluruhan terjadi peningkatan risiko sistemik yang siginifikan selama periode
COVID-19 di kedelapan negara sampelnya, kemudian terjadi stagnasi saat sudah
berada pada tingkat yang lebih tinggi pada akhir April 2020. Hasil penelitian ini
menunjukan bahwa respon kebijakan memberikan dampak positif yang ditunjukan
dengan terjadinya stagnasi dari risiko sistemik dan beberapa menunjukan
pemulihan. Selain itu, penelitian lain berjudul COVID-19 and Lending Responses of
European Banks oleh Özlem Dursun-de Neef & Schandlbauer (2021) menemukan
bahwa perbankan di Eropa cenderung menurunkan pinjamannya secara signifikan

pada awal pandemi COVID-19. Penelitian dengan pendekatan yang berbeda oleh
Marcu (2021) menggunakan metode kualitatif menjelaskan bahwa bank dengan
skala besar lebih siap menghadapi pandemi karena kondisi modal yang sudah
tahan terhadap krisis. Pada sisi operasional, penelitian ini menyebutkan kondisi
pandemi mendorong bank untuk beradaptasi dengan mempercepat digitalisasi
dan hal ini memberi manfaat bagi bank.
Selain upaya untuk bertahan di tengan pandemi, bank juga berperan sebagai alat
transmisi kebijakan termasuk dalam rangka rangka pemulihan ekonomi di tengah
pandemi (Falianty, 2019). Laporan bersama dari Financial Services Forum, Institute
of International Finance, dan International Swaps and Derivatives Association oleh
Campbel, Portilla, Gray, Iwamoto, & Kennedy (2021) menyebutkan bahwa bank
berusaha lebih efektif dan efisien dalam menyalurkan kredit kepada rumah tangga
maupun pelaku usaha selama pandemi. Laporan tersebut juga menjelaskan peran
bank berskala besar dengan jaringan bisnisnya yang luas mampu mempercepat
distribusi stimulus pemerintah berupa penyaluran kredit kepada pelaku usaha,
sehingga aktivitas ekonomi lebih cepat pulih. Selain itu, penelitian oleh Funke &
Tsang (2020) yang menganalisis respon kebijkan moneter People’s Bank of China
(PBoC) terhadap krisis pada masa pandemi COVID-19 di Tingkok menemukan
bahwa kebijakan moneter PBoC berperan dalam mendorong perekonomian selama
pandemi COVID-19 di negara tersebut. Tiongkok mulai keluar dari tren penurunan
pertumbuhan ekonomi walaupun belum kembali pada posisi normal. Analisis lain
oleh Tashtamirov (2020) menemukan bahwa peran perbankan saat kondisi krisis
sangat penting dalam meningkatkan ketahanan ekonomi Rusia. Selain perannya
terhadap perekonomian, bank juga perlu memperkuat stabilitasnya selama masa
krisis.
Melihat strategisnya peran perbankan dalam pemulihan ekonomi, maka upaya
memperbaiki dan memperkuat sektor keuangan, khususnya sektor perbankan
menjadi sangat penting. Bank perlu menerapkan strategi adaptasi selama
masa pandemi dan disertai dengan dukungan kebijakan dari Pemerintah untuk
menjaga stabilitas sistem perbankan di samping perannya sebagai alat transmisi
kebijakan selama pandemi. Menurut (Accenture, 2020) program Pemerintah dapat
membantu perbankan dalam mitigasi risiko khususnya risiko kredit yang terjadi
selama masa pandemi. Penerapan kebijakan stimulus perekonomian diharapkan

107
berdampak positif terhadap kinerja perbankan, bersamaan dengan perannya

dalam mendorong pemulihan ekonomi.
Terdapat beberapa penelitian yang menganalisis pengaruh kebijakan stimulus
perekonomian terhadap sektor perbankan. Publikasi World Bank dengan judul
Banking Sector Performance During the COVID-19 Crisis oleh Demirgüç-Kunt,
Morales, & Ruiz Ortega (2020) menyebutkan bahwa kebijakan selama pandemi
memiliki dampak yang berbeda pada setiap bank karena adanya perbedaan
karakteristik dan tingkat kerentanannya sejak sebelum terjadinya pandemi. Penelitian
ini menjelaskan bahwa kebijakan sektor jasa keuangan dalam bentuk dukungan
likuiditas, dukungan terkait pemberian kredit, serta kebijakan moneter seperti
pemotongan suku bunga dan pembelian aset dapat mengurangi dampak buruk
dari pandemi terhadap beberapa perbankan yang ditunjukan dengan peningkatan
pengembalian saham perbankan. Penelitian lain oleh Funke & Tsang (2020)
menyebutkan bahwa PBoC menerapkan kebijakan untuk memastikan terjaganya
likuiditas dan penyediaan kredit bank umum selama pandemi di Tiongkok. Hasil
penelitiannya menemukan bahwa kebijakan PBoC berupa pemotongan rasio
cadangan wajib telah meningkatkan likuiditas perbankan sehingga dialokasikan
untuk pinjaman bagi UKM. Peneliti juga menemukan bahwa kebijakan suntikan
likuiditas lebih berperan selama pandemi COVID-19 dibandingkan pada masa
krisis keuangan global di mana kebijakan berfokus pada penurunan suku bunga
dan rasio cadangan wajib.
Sama halnya dengan respon kebijakan di berbagai negara, Pemerintah
Indonesia juga merespon dampak pandemi COVID-19 terhadap perekonomian
melalui program pemulihan ekonomi nasional. Upaya mendorong percepatan
proses pemulihan ekonomi nasional juga membutuhkan peran aktif perbankan
melalui pembiayaan ke sektor-sektor prioritas, konsumsi, UMKM, dan pembangunan
daerah (Bank Indonesia, 2020; Otoritas Jasa Keuangan, 2020). Pemerintah Indonesia
mengeluarkan berbagai kebijakan stimulus perekonomian sebagai respon
terhadap pandemi COVID-19 yang diimplementasikan melalui sektor perbankan,
yaitu restrukturisasi kredit, subsidi bunga, penjaminan kredit, dan Penempatan
Dana Pemerintah (PDP). Kebijakan-kebijakan tersebut tertuang dalam Peraturan
Pemerintah Republik Indonesia No. 23 Tahun 2020 tentang Pelaksanaan Program
Pemulihan Ekonomi Nasional dalam Rangka Mendukung Kebijakan Keuangan

Negara untuk Penanganan Pandemi Corona Virus Disease 2019 (COVID-19) dan/
atau Menghadapi Ancaman yang Membahayakan Perekonomian Nasional dan/
atau Stabilitas Sistem Keuangan serta Penyelamatan Ekonomi Nasional yang
diubah dengan Peraturan Pemerintah Republik Indonesia No. 43 Tahun 2020,
POJK No. 11 /POJK.03/2020 tentang Stimulus Perekonomian Nasional Sebagai
Kebijakan Countercyclical Dampak Penyebaran Corona Virus Disease 2019, dan
Peraturan Menteri Keuangan No. 138 /PMK.05/2020 tentang Tata Cara Pemberian
Subsidi Bunga/ Subsidi Margin dalam Rangka Mendukung Pelaksanaan Program
Pemulihan Ekonomi Nasional.
Sektor perbankan berperan penting sebagai alat transmisi kebijakan tersebut,
sehingga ketahanan sektor perbankan pada masa krisis menjadi sangat penting.
Kebijakan-kebijakan tersebut diharapkan mendukung bank dalam menjaga
kinerjanya di samping perannya sebagai alat transmisi kebijakan bagi masyarakat
dan pelaku usaha. Dalam rangka mengukur efektivitas dan dampak kebijakan
stimulus melalui sektor perbankan yang diterapkan dalam rangka merespon
dampak pandemi COVID-19 dan pemulihan ekonomi nasional (restrukturisasi
kredit, subsidi bunga, penjaminan kredit, dan penempatan dana pemerintah)
terhadap perbankan, maka dilakukan analisis dampak kebijakan terhadap beberapa
indikator kinerja perbankan. Selain itu, dilakukan juga pengukuran dampak
kebijakan stimulus melalui sektor perbankan terhadap UMKM yang diukur melalui
pertumbuhan ekonomi sektor perdagangan. Penulisan karya tulis ini bertujuan
untuk mengevaluasi dampak kebijakan stimulus pemerintah melalui perbankan
terhadap kinerja sektor perbankan, melihat dampak pemulihan ekonomi UMKM
terhadap sektor perbankan, serta efektivitas kebijakan tersebut terhadap pemulihan
ekonomi UMKM yang diukur dengan PDB sektor perdagangan.

2.1. Data
Jenis data yang digunakan pada penelitian ini ialah data primer dan sekunder.
Data primer diperoleh dari kuesioner yang diisi oleh 19 bank sebagai responden.
Sementara data sekunder berupa data kinerja keuangan bank dan institusi
keuangan non-bank periode Triwulan IV tahun 2019 hingga Triwulan I tahun 2021.
Data sekunder tersebut diperoleh dari laporan keuangan bank, Otoritas Jasa

109
Keuangan, Badan Pusat Statistik, Bank Indonesia, dan lembaga keuangan lainnya.
Sampel data dalam penelitian ini berjumlah 30 bank yang mewakili Bank BUMN,
Bank Pembangunan Daerah (BPD), dan Bank swasta nasional. Metode pemilihan
sampel dilakukan dengan random sampling.
2.2. Metodologi Penelitian

Penelitian ini dilakukan dengan metode kuantitatif menggunakan analisis
regresi data panel dan statistik deskriptif, disertai analisis kualitatif. Analisis dampak
kebijakan stimulus pemerintah terhadap perbankan diukur dengan jumlah Kredit
yang diberikan, jumlah penghimpunan dana pihak ketiga (DPK), Loan to Deposit
Ratio (LDR), Rasio Non-Performing-Loan (NPL), Capital Adequacy Ratio (CAR),
dan pencapaian laba. Adapun kebijakan stimulus yang dianalisis ialah subsidi
Bunga KUR bagi UMKM, penjaminan kredit bagi UMKM, restrukturisasi kredit,
dan penempatan dana pemerintah. Selain itu, evaluasi dampak kebijakan stimulus
terhadap perbankan didukung dengan analisis kualitatif dan analisis statistik
deskriptif.
Berikut model yang digunakan dalam analisis dampak kebijakan stimulus
melalui perbankan terhadap indikator keuangan perbankan:
LOGKREDITit = β0 + β1LOGSBit + β2LOGPJUMKMit + β3DPDPit +

β4DPANDEMI + β5LOGPDBDAGANG +εit (1)
LOGDPKit = β0 + β1DPDPit + β2DPANDEMI +
β3LOGPDBDAGANG + εit (2)
NPLit = β0 + β1LOGSBit +β2LOGPJUMKMit +
β3LOGRESTRUK + β4DPANDEMI +
LDRit = β0 + β1LOGSBit + β2LOGPJUMKMit +β3DPDPit +
β4DPANDEMI + β5LOGPDBDAGANG + εit (4)
CARit = β0 + β1LOGPJUMKMit + β2LOGRESTRUK +
β3 DPANDEMI + β4LOGPDBDAGANG + εit (5)
LABAit = β0 + β1LOGSBit + β2LOGPJUMKMit + β4DPDPit +
β3LOGRESTRUK + β5DPANDEMI +

Setelah melakukan analisis dampak kebijakan terhadap perbankan, penelitian

ini juga melakukan analisis dalam mengevaluasi dampak kebijakan tersebut
terhadap UMKM yang diukur dengan PDB sektor perdagangan. Berikut model
evaluasi kebijakan terhadap perekonomian:
LOGPDBDAGANG = β0 + β1LOGKREDITit + β2LOGSBit +

β3DPANDEMI + εit (7)
Berdasarkan hasil pengujian untuk memilih model terbaik maka seluruh model
penelitian dianalisis dengan regresi data panel model random effect. Berikut daftar
variabel penelitian.
Tabel 1. Daftar Variabel
Variabel Definisi Operasional

LOGPDB PDB pada sektor perdagangan sebagai
Produk Domestik Bruto
DAGANG respresentatif UMKM di mana sebagian
Sektor Perdagangan
besar UMKM berada pada sektor tersebut
Total Kredit LOGKREDIT Total penyaluran kredit oleh bank
Total Dana Pihak Ketiga LOGDPK Total Dana Pihak Ketiga pada bank
Rasio kredit macet atau NPL Nett pada
Non-Performing Loan Ratio NPL
bank
Loan to Deposit Ratio LDR Rasio likuiditas pada bank
Capital Adequacy Ratio CAR Rasio kecukupan modal pada bank
Laba LABA Laba (Rugi) Bersih Periode Berjalan
Subsidi Bunga KUR UMKM LOGSB Realisasi subsidi bunga KUR bagi UMKM
LOG
Penjaminan Kredit UMKM Realisasi penjaminan kredit bagi UMKM
PJUMKM
LOG Total restrukturisasi kredit yang telah
Total Restrukturisasi
RESTRUK dilakukan perbankan
Bank yang mendapatkan penempatan
Dummy Penempatan Dana dana pemerintah bernilai 1 dan bank yang
DPDP
Pemerintah tidak mendapatkan penempatan dana
pemerintah bernilai 0
Periode sebelum pandemi bernilai 0
(Triwulan IV-2019) dan periode setelah
Dummy Pandemi DPANDEMI
pandemi bernilai 1 (Triwulan I-2020 s.d
Triwulan I-2021)

111

3.1. Dampak Kebijakan Stimulus Pemerintah terhadap Perbankan
Selama pandemi terdapat empat kebijakan stimulus yang diberikan pemerintah
bagi pelaku usaha yang secara spesifik dibahas dalam tulisan ini ialah UMKM.
Pentingnya peran perbankan juga perlu didukung dengan kondisi keuangan yang
sehat sehingga mampu menjalankan perannya dalam menerapkan kebijakan
stimulus pemerintah. Pada Triwulan IV tahun 2019 rata-rata rasio NPL Nett, LDR,
dan CAR pada sampel menunjukan kondisi kualitas aset, likuiditas, dan permodalan
perbankan masih dalam kondisi aman atau sesuai ketentuan OJK. Setelah kasus
pertama COVID-19 di Indonesia, perekonomian nasional mulai terdampak yang
dapat dilihat pada jatuhnya angka pertumbuhan ekonomi Triwulan II tahun 2020.
Kondisi keuangan perbankan pada Triwulan II tahun 2020 juga berpengaruh
terhadap perbankan yang diterlihat dari angka rasio NPL turun menjadi 1,62%,
LDR turun menjadi 86, 79%, dan CAR meningkat 20,81% dibandingkan Triwulan IV
tahun 2019.
Sumber: Laporan Keuangan Perbankan Q4-2019 s.d Q1-2021 (data diolah)
Gambar 3. Rata-Rata Rasio NPL, LDR, dan CAR di 30 Sampel Bank
Selama pandemi pemerintah memberikan kebijakan stimulus dalam rangka

pemulihan ekonomi nasional. Analisis dampak kebijakan stimulus pemerintah
terhadap perbankan dengan regresi data panel memilih Random Effect Model
dengan hasil estimasi sebagai berikut.

Hasil Estimasi Regresi Data Panel (Random Effect Model ) :

Tabel 2.
Dampak Kebijakan Stimulus Pemerintah terhadap Perbankan
Berdasarkan hasil regresi model random effect maka model yang terbentuk
untuk setiap indikator kinerja perbankan ialah:
LOGKREDITit = 11.42956 + 0.025094LOGSBit +

0.004442LOGPJUMKMit + 0.732501DPDPit -
0.037546DPANDEMI + 0.285136LOGPDBDAGANG + εit (8)
LOGDPKit = -0.712939 + 0.910769DPDPit +
0.121939DPANDEMI + 0.910606LOGPDBDAGANG + εit (9)
NPLit = 112.9695 - 0.004712LOGSBit - 0.007557LOGPJUMKMit -
0.014172LOGRESTRUK - 0.257713DPANDEMI -
5.645497LOGPDBDAGANG + εit (10)
LDRit = 773.514 + 1.448546LOGSBit - 0.304187LOGPJUMKMit -
4.932193DPDPit - 8.032471DPANDEMI -
CARit = -264.689 - 0.109898LOGPJUMKMit +
0.079082LOGRESTRUK - 0.155702DPANDEMI +
LABAit = -177000000 + 400138.3LOGSBit - 249867.5LOGPJUMKMit +
1059987DPDPit +64998.46LOGRESTRUK - 1678136DPANDEMI +
9082641LOGPDBDAGANG + εit (13)

113
Selain hasil regresi data panel tersebut, dilakukan juga analisis kualitatif
menggunakan kuesioner dengan hasil berikut.
Tabel 3. Hasil Analisi Kualitatif dengan Kuesioner
3.1.1. Dampak Kebijakan Subsidi Bunga terhadap Kinerja Perbankan

Subsidi Bunga adalah bagian bunga yang menjadi beban Pemerintah sebesar
selisih antara tingkat bunga yang diterima oleh Penyalur Kredit/ Pembiayaan
dengan tingkat bunga yang dibebankan kepada debitur. Pemberian Subsidi Bunga
bertujuan untuk melindungi, mempertahankan, dan meningkatkan ekonomi debitur
dalam menjalankan usahanya sebagai bagian dari upaya mendukung Program
PEN (Kementerian Keuangan Republik Indonesia, 2020) . Berdasarkan hasil regresi
menunjukan kebijakan subsidi bunga berdampak positif secara signifikan terhadap
penyaluran kredit, LDR, dan laba perbankan. Sementara itu, kebijakan tersebut
berdampak negatif terhadap NPL namun tidak signifikan. Kebijakan subsidi
bunga memberikan kepastian adanya pedapatan bunga yang sebagian berasal
dari pemerintah sehingga menjaga profitabilitas perbankan di tengah kondisi
debitur khususnya UMKM yang mengalami penurunan pendapatan. Hasil regresi
ini didukung dengan tanggapan perbankan yang menyatakan bahwa kebijakan
subsidi bunga efektif/ sangat efektif untuk menurunkan NPL dan meningkatkan
laba.

3.1.2.Dampak Kebijakan Penjaminan UMKM terhadap Kinerja Perbankan

Penjaminan adalah kegiatan pemberian jaminan oleh penjamin atas pemenuhan
kewajiban finansial terjamin kepada penerima jaminan (Republik Indonesia, 2020).
Penjaminan kredit UMKM terdiri dari penjaminan KUR, penjaminan KMK PEN,
dan penjaminan kredit UMKM non-KUR. Hasil regresi menunjukan kebijakan
penjaminan UMKM berpengaruh positif secara signifikan terhadap penyaluran
kredit. Sementara itu, penjaminan kredit UMKM berpengaruh negatif secara
signifikan terhadap CAR dan laba perbankan. Terjadi anomali ketika kebijakan
penjaminan kredit mampu meningkatkan penyaluran kredit, namun laba justru
mengalami penurunan. Hal ini diakibatkan oleh alokasi CKPN yang meningkat
drastis karena kredit berisiko tinggi yang bertambah selama pandemi. Selain itu,
pengaruh negatif signifikan dari penjaminan kredit terhadap CAR juga dapat
disebabkan oleh penurunan laba selama pandemi di mana laba merupakan salah
satu unsur dalam permodalan bank. Sementara itu, hasil analisis ini menunjukan
bahwa penjaminan kredit berpengaruh negatif terhadap NPL dan LDR namun
tidak signifikan secara statistik.
Sumber: Laporan Keuangan Bank (data diolah)
Gambar 4. Rata-Rata CKPN dan Laba Perbankan

115
Hasil regresi tersebut sejalan dengan tanggapan perbankan bahwa kebijakan

penjaminan kredit efektif mempengaruhi peningkatan kredit dan menurunkan
NPL. Namun, kebijakan ini dinilai tidak terlalu efektif dalam meningkatkan LDR dan
laba perbankan.
3.1.3.Dampak Kebijakan Penempatan Dana Pemerintah terhadap Kinerja

Perbankan
Penempatan Dana adalah kegiatan yang dilakukan oleh Pemerintah dengan
menempatkan sejumlah dana pada bank umum tertentu dengan bunga.
Penempatan dana tersebut dimaksudkan untuk disalurkan menjadi kredit/
pembiayaan kepada debitur dalam rangka mendukung dan mengembangkan
ekosistem UMKM dan koperasi, serta mendukung percepatan pemulihan
ekonomi nasional (Republik Indonesia, 2020). Hasil regresi menunjukan tidak
ada perbedaan signifikan dalam peningkatan kredit, DPK, dan laba antara bank
penerima penempatan dana dengan bank yang tidak menerima penempatan
dana. Selain itu, penempatan dana pemerintah justru menurunkan LDR dan tidak
ada perbedaan signifikan antara LDR bank penerima penempatan dana dan bank
yang tidak menerima penempatan dana.
Hasil ini juga didukung oleh tanggapan bank penerima penempatan dana
bahwa penempatan dana tidak efektif terhadap peningkatan kredit, DPK, LDR, dan
laba perbankan. Secara umum saat ini kondisi likuiditas masih ample sehingga
penempatan dana pemerintah dipandang belum sepenuhnya dibutuhkan,
khususnya bagi bank dengan likuiditas yang memadai masih mampu melakukan
ekspansi kredit dari simpanan masyarakat yang ada. Kondisi likuiditas yang ample
terjadi karena masyarakat dan pengusaha pemilik dana cenderung menahan
konsumsi/ekspansi bisnisnya dan memilih untuk menyimpan dananya di perbankan.
Selain itu permintaan kredit yang cenderung menurun di masa pandemi turut
menjadi faktor penyebab kondisi likuiditas perbankan yang ample saat ini.
3.1.4.Dampak Kebijakan Restrukturisasi Kredit terhadap Kinerja Perbankan

Restrukturisasi kredit atau pembiayaan dapat dilakukan terhadap kredit atau
pembiayaan yang diberikan sebelum maupun setelah debitur terkena dampak

penyebaran COVID-19 termasuk debitur UMKM. Restrukturisasi kredit dapat

dilakukan terhadap seluruh kredit yang terkena dampak COVID-19 tanpa batasan
plafon dan bank dapat menetapkan kualitas lancar untuk kredit yang direstrukturisasi
(Otoritas Jasa Keuangan, 2020a). Hasil regresi menunjukan bahwa restrukturisasi
kredit berdampak signifikan dalam menurunkan NPL, serta meningkatkan CAR dan
laba perbankan.
3.2. Pengaruh Pemulihan Ekonomi terhadap Perbankan

Model regresi data panel tersebut juga disertai dengan variabel Dummy
pandemi dan PDB sektor perdagangan sebagai variabel kontrol. Hasil estimasi
menunjukan bahwa pemulihan ekonomi khususnya pada sektor perdagangan
signifikan dalam meningkatkan DPK dan CAR, serta menurunkan NPL. Temuan
tersebut menunjukkan bahwa saat perekonomian khususnya pada sektor
perdagangan mulai membaik maka kemampuan debitur dalam menyelesaikan
kewajibannya akan membaik dan menurunkan kredit macet pada perbankan. Selain
itu, hasil regresi tersebut juga menunjukan pengaruh signifikan pada peningkatan
DPK, serta penurunan kredit, LDR dan laba akibat pandemi COVID-19.
3.3. Evaluasi Kebijakan Stimulus Pemerintah terhadap UMKM

Kebijakan stimulus pemerintah melalui sektor perbankan difokuskan untuk
menjaga kinerja perbankan serta mendorong perbankan untuk tetap menyalurkan
kredit/ pembiayaan selama masa pandemi COVID-19. Untuk itu dilakukan
analisis regresi dengan melihat pengaruh penyaluran kredit terhadap PDB sektor
perdagangan. Selain itu, penelitian ini juga ingin melihat pengaruh kebijakan
subsidi bunga terhadap pemulihan UMKM karena kebijakan tersebut secara
langsung bertujuan untuk melindungi, mempertahankan, dan meningkatkan
ekonomi debitur yang salah satunya pelaku UMKM dalam menjalankan usahanya
sebagai bagian dari upaya mendukung Program Pemulihan Ekonomi Nasional.

117
Hasil Estimasi Regresi Data Panel (Random Effect Model ):

Tabel 3.
Efektivitas Kebijakan Stimulus Pemerintah terhadap UMKM
Berdasarkan hasil regresi model random effect maka model yang terbentuk
untuk evaluasi kebijakan stimulus ekonomi terhadap UMKM ialah:
LOGPDBDAGANG = 19,69656 + 0,000232LOGKREDITit - 0.000117LOGSBit -

0.0.031964DPANDEMI + εit (14)
Berdasarkan hasil di atas menunjukan bahwa tidak ada pengaruh signifikan

secara statistik dari penyaluran kredit dan kebijakan subsidi bunga terhadap PDB
sektor perdagangan. Hal ini diduga terjadi karena kecilnya porsi kredit UMKM
terhadap total kredit perbankan nasional yaitu masih sekitar 18% dan kurangnya
periode observasi. Hasil regresi tersebut juga mengkonfirmasi bahwa pandemi
berdampak pada penurunan PDB sektor perdagangan. Sejalan dengan hasil
tersebut pendapatan pelaku UMKM yang sebagian besar berada pada sektor
perdagangan juga mengalami penurunan.


4.1. Kesimpulan
Berdasarkan hasil analisis yang dilakukan dengan metode data panel, statistik
deskriptif, dan kualitatif dari penilaian langsung oleh perbankan, maka dapat
disimpulkan beberapa hal berikut:
1. Pandemi COVID-19 telah mengakibatkan kontraksi terhadap pertumbuhan
ekonomi sepanjang tahun 2020 dengan level terendah pada triwulan II tahun
2020 yaitu sebesar -5,32% namun telah menunjukan tren pemulihan hingga
pada triwulan I tahun 2021 berada pada level -0,74%.
2. Dalam mengatasi dampak pandemi, Pemerintah mengeluarkan kebijakan
stimulus perekonomian melalui sektor perbankan antara lain subsidi bunga,
penjaminan kredit UMKM, penempatan dana pemerintah, dan restrukturisasi
kredit.
3. Evaluasi dampak kebijakan stimulus perekonomian melalui sektor perbankan,
sebagai berikut:
a. Pemberian subsidi bunga mampu menigkatkan jumlah kredit, LDR, dan
laba perbankan secara signifikan.
b. Kebijakan penjaminan kredit UMKM meningkatkan penyaluran kredit,
namun berpengaruh negatif terhadap laba. Hal tersebut merupakan
sebuah anomali di mana penyaluran kredit tidak diikuti oleh peningkatan
laba disebabkan alokasi CKPN yang meningkat drastis karena tingginya
kredit berisiko tinggi selama pandemi.
c. Penempatan dana pemerintah tidak berpengaruh signifikan terhadap
kinerja perbankan karena bank masih mampu melakukan ekspansi kredit
dengan dana simpanan masyarakat yang dikelolanya dan tidak ada
perbedaan pertumbuhan kredit yang signifikan antara bank penerima
penempatan dana dan bank yang tidak menerima penempatan.
d. Kebijakan restrukturisasi kredit berhasil menjaga rasio NPL, profitabilitas,
dan permodalan perbankan.
5. Pemulihan ekonomi sektor UMKM diikuti dengan pulihnya kemampuan bayar
debitur sehingga berdampak signifikan pada penurunan NPL

119
6. Kebijakan stimulus pemerintah melalui sektor perbankan difokuskan untuk

menjaga kinerja perbankan serta mendorong perbankan untuk tetap
menyalurkan kredit/ pembiayaan selama masa pandemi COVID-19. Namun,
hasil regresi menunjukan tidak terdapat pengaruh signifikan dari penyaluran
kredit dan kebijakan subsidi bunga terhadap pemulihan UMKM diindikasikan
oleh kecilnya porsi kredit UMKM terhadap total kredit perbankan, efektivitas
kebijakan bagi perekonomian bersifat jangka panjang, dan dampak
pemanfaatan kredit belum terlihat jika dalam jangka pendek.
4.2.Rekomendasi
Berdasarkan hasil analisis yang dilakukan, maka berikut rekomendasi kebijakan
yang dapat dipertimbangkan oleh Pemerintah, Otoritas Jasa Keuangan, dan
Perbankan:
1. Pemerintah tetap melanjutkan program pemberian subsidi bunga dan
penjaminan kredit kepada UMKM dengan tetap memperhatikan prioritas
alokasi anggaran.
2. Pemerintah perlu melakukan evaluasi kebijakan penempatan dana pemerintah
karena kebijakan tersebut tidak efektif mendorong penyaluran kredit dan
likuiditas bank secara umum dalam kondisi ample.
3. Pemerintah bersama dengan OJK dan perbankan perlu mengevaluasi
pemberlakukan restrukturisasi kredit dalam rangka COVID-19 dan tata cara
mengakhirinya.
4. Pemerintah bersama dengan OJK dan perbankan perlu merumuskan kebijkan
penyelesaian kredit yang berpotensi macet pasca berakhirnya periode
restrukturisasi kredit.
5. Perbankan perlu mengoptimalkan kebijakan stimulus yang diberikan
pemerintah seperti penjaminan kredit untuk meningkatkan penyaluran kredit.
6. Perbankan perlu meningkatkan porsi kredit UMKM dalam bauran kredit yang
diberikan.

Selain rekomendasi kebijakan tersebut, berdasarkan penelitian yang telah

dilakukan terdapat beberapa hal yang dapat menjadi pertimbangan bagi penelitian
selanjutnya:
1. Penelitian ini hanya menggunakan variabel kebijakan stimulus pemerintah
sehingga penelitian selanjutnya dapat menambahkan variabel lain agar
memperoleh penjelasan yang lebih komprehensif.
2. Dalam mengevaluasi dampak kebijakan stimulus pemerintah terhadap kinerja
perbankan dapat menambahkan model proyeksi.
3. Observasi pada penelitian ini menggunakan periode Triwulan IV - 2019 hingga
Triwulan I - 2021, sehingga penelitian selanjutnya perlu mempertimbangkan
untuk menambah periode observasi.

121
Daftar Referensi
Accenture. (2020). RESPONDING TO COVID-19: An open letter to retail and
commercial banking CEOs.
Badan Pusat Statistik. (2021). Laju Pertumbuhan PDB Seri 2010 (Persen). Retrieved
July 27, 2021, from bps.go.id website: https://www.bps.go.id/indicator/11/104/1/-
seri-2010-laju-pertumbuhan-pdb-seri-2010.html
Bank Indonesia. (2020). Merespons Pandemi COVID-19: Menjaga Stabilitas Sistem
Keuangan, Mengakselerasi Pemulihan Ekonomi Nasional. In Kajian Stabilitas
Keuangan.
Campbel, S. D., Portilla, A., Gray, R., Iwamoto, T., & Kennedy, S. (2021). The Role of
Financial Markets and Institutions in Supporting the Global Economy During
the COVID-19 Pandemic.
Demirgüç-Kunt, A., Morales, A., & Ruiz Ortega, C. (2020). Banking Sector
Performance During the COVID-19 Crisis. In Policy Research Working Paper.
https://doi.org/10.2139/ssrn.3689789
Ekananda, M. (2016). Analisis Ekonometrika Data Panel. Jakarta: Mitra Wacana
Media.
Falianty, T. A. (2019). Teori Ekonomi Makro dan Penerapannya di Indonesia. Depok:
PT RajaGrafindo Persada.
Funke, M., & Tsang, A. (2020). The People’s bank of China’s response to the
coronavirus pandemic: A quantitative assessment. Economic Modelling,
93(August), 465–473. https://doi.org/10.1016/j.econmod.2020.08.018
Kementerian Keuangan Republik Indonesia. Peraturan Menteri Keuangan Republik
Indonesia Nomor 138 /PMK.05/2020 tentang Tata Cara Pemberian Subsidi
Bunga/Subsidi Margin dalam Rangka Mendukung Pelaksanaan Program
Pemulihan Ekonomi Nasional. , (2020).
Marcu, M. R. (2021). The Impact of the COVID-19 Pandemic on the Banking Sector.
Management Dynamics in the Knowledge Economy, 9(2), 205–223. https://
doi.org/10.2478/mdke-2021-0013

Otoritas Jasa Keuangan. Peraturan Otoritas Jasa Keuangan Republik Indonesia

Nomor 11 /POJK.03/2020 tentang Stimulus Perekonomian Nasional sebagai
Kebijakan Countercyclical Dampak Penyebaran Coronavirus Disease 2019. ,
(2020).
Otoritas Jasa Keuangan. (2020b). Roadmap Pengembangan Perbankan Indonesia
2020-2025.
Özlem Dursun-de Neef, H., & Schandlbauer, A. (2021). COVID-19 and lending
responses of European banks. Journal of Banking and Finance. https://doi.
org/10.1016/j.jbankfin.2021.106236
PricewaterhouseCoopers Indonesia. (2020). COVID-19 and the Indonesian Banking
Industry: Issues and actions to consider.
Republik Indonesia. Peraturan Pemerintah Republik Indonesia No. 43 Tahun 2020
tentang Perubahan Atas Peraturan Pemerintah Nomor 23 Tahun 2020 tentang
Pelaksanaan Program Pemulihan Ekonomi Nasional dalam Rangka Mendukung
Kebijakan Keuangan Negara untuk Penanganan Pandemi Corona. , (2020).
Rizwan, M. S., Ahmad, G., & Ashraf, D. (2020). Systemic risk: The impact of COVID-19.
Finance Research Letters, 36. https://doi.org/10.1016/j.frl.2020.101682
Satuan Tugas Penanganan Covid-19. (2021). Perkembangan Kasus Terkonfirmasi
Positif Covid-19 Per-Hari. Retrieved from Website Covid19.go.id website:
https://covid19.go.id/peta-sebaran
Tashtamirov, M. (2020). The effect of the state of the banking system on national
economic resilience. https://doi.org/10.1051/e3sconf/202020803056

123
Dampak Pandemi COVID-19 pada Kredit Perbankan
Dina Puji Lestari1 dan Putri Permatasari2

1,2
Universitas Siliwangi
Abstrak
Penelitian ini berupaya mengkaji dampak pandemi COVID-19 terhadap
risiko perbankan pada konteks Indonesia. Data seri bulanan enam tahun dari
2015 hingga 2021 dan metode Difference In Differences (DID) digunakan untuk
melakukan evaluasi dampak. Hasil kajian mengungkapkan bahwa fenomena credit
crunch terjadi di masa pandemi ketika pertumbuhan kredit melambat pada saat
dana pihak ketiga berlimpah di sektor perbankan. Hasil DID menunjukkan bahwa
perlambatan kredit memiliki dampak yang lebih tinggi terhadap risiko kredit
perbankan pada periode pandemi dibandingkan periode normal. Hasil penelitian
juga menemukan bahwa berdasarkan kategori bank, risiko kredit BUKU2-4 relatif
sedikit meningkat. Penelitian ini tidak hanya mampu menilai keberadaan credit
crunch dengan mengukur dampak pandemi terhadap risiko perbankan, tetapi
juga merekomendasikan business matching ke sektor-sektor yang produktif dan
aman sebagai alternatif pembiayaan sektor riil untuk mengatasi credit crunch.
Kata kunci: business matching, credit crunch, difference in differences, evaluasi

dampak, risiko bank

Abstract
This paper attempts to investigate the COVID-19 pandemic impact on the
banking risk in the context of Indonesia. Six years of monthly series dataset from
2015 to 2021 and the Difference In Differences (DID) method are used to conduct
an impact evaluation. The study revealed that a credit crunch phenomenon takes
place in the pandemic period when credit growth slowing as ample third party
funds in the banking sektor. The DID result shows that the change of credit delivery
has a higher impact on the credit risk during the pandemic period than that of a
normal period. The research finds as well that by bank categories, the credit risk of
BUKU2-4 is slightly increases. This research is not only able to assess the existence
of the credit crunch in measuring the impact of the pandemic on the banking
risk, but also propose a business matching to productive and safe sectors as an
alternative real sector financing to cope with the credit crunch.
Keywords : banking risk, business matching, credit crunch, difference in differences,

impact evaluation
JEL Clasifiction: C60, G17

125
1. Pendahuluan
Krisis Keuangan Global 2008-2009 merupakan krisis yang besar dan meluas
disebabkan oleh ketidakstabilan sistem keuangan. Namun krisis Covid-19 adalah
krisis yang sama sekali berbeda karena disebabkan oleh guncangan eksternal
berupa bencana kesehatan. Indonesia sebagai negara dengan perekonomian
terbuka kecil merupakan negara yang rentan dipengaruhi oleh kondisi
perekonomian global. Pandemi Covid-19 yang masih berlangsung menjadi
tantangan yang mempengaruhi perekonomian, khususnya pada sistem keuangan
Indonesia. Salah satu masalahnya adalah dampak terhadap lembaga keuangan,
seperti melambatnya penyaluran kredit di sektor perbankan. Dampak pandemi
pada sektor keuangan adalah kasus evaluasi dampak yang merupakan bagian dari
agenda yang lebih luas dari pembuatan kebijakan berbasis bukti (Gertler, 2011).
Analisis dampak pandemik COVID-19 juga telah dilakukan di India untuk industri
perbankan, asuransi, dan jasa keuangan (Ramasamy, 2020).
Sekarang ini, perlambatan pertumbuhan ekonomi global terutama dipengaruhi
oleh wabah virus Corona. Pertumbuhan kredit cenderung melambat sejak awal
tahun 2020 akibat wabah Covid-19. Selama masa pandemi, sejak Maret 2020
fungsi intermediasi perbankan terbatas terlihat dari pertumbuhan kredit yang
lebih rendah. Sektor keuangan cenderung konservatif atau risk averse dalam
penyaluran kredit. Sementara itu, dana pihak ketiga (DPK) berupa giro, tabungan
dan deposito semakin tinggi yang menggambarkan motif kehati-hatian nasabah
dalam membelanjakan uang karena kondisi ekonomi yang tidak menentu, lihat
Gambar 1.
Gambar 1. Grafik Pertumbuhan Kredit dan DPK

Kelebihan likuiditas di sektor perbankan terjadi baik karena kebijakan

akomodatif oleh otoritas, seperti Penurunan Giro Wajib Minimum (GWM) maupun
oleh meningkatnya persepsi risiko sektor perbankan. Kondisi ini memberi pengaruh
pada menurunnya fungsi intermediasi perbankan yang tercermin dari penurunan
indikator Loan to Deposit Ratio (LDR). Di sisi lain, kualitas kredit perbankan menurun
yang terindikasi dari kenaikan Non-Performing Loans (NPL), seperti tampak pada
Gambar 2.
Gambar 2. Grafik Indikator LDR dan NPL
Beberapa penelitian telah dilakukan dalam rangka analisis evaluasi dampak

pandemi Covid-19 terhadap kinerja perbankan di Indonesia, di antaranya:
Ilham dan Husnu Thamrin (2021) (Ilhami & Thamrin, 2021) dengan judul
Analisis Dampak Covid-19 terhadap Kinerja Keuangan Perbankan Syariah di
Indonesia. Hasil penelitian ini mengungkapkan bahwa rasio CAR, ROA, NPF, dan
FDR yaitu berpengaruh positif tetapi tidak signifikan dikarenakan kredit masih
tumbuh tetapi memang tidak sebesar kondisi normal.
Siti Epa Hardiyanti and Lukmanul Hakim Aziz (2021) (Hardiyanti & Aziz,
2021) dengan judul The Case of COVID-19 Impact on the Level of Non-Performing
Loans of Conventional Commercial Banks In Indonesia. Banks and Bank Systems,
dengan hasil penelitian yang mengungkapkan bahwa pandemi Covid-19
berpengaruh positif dan signifikan terhadap debtor’s ability, determinant factor of
non-performing loans, credit risk management.

127
Berangkat dari hasil temuan pada penelitian di atas, pada penelitian dilakukan
analisis dampak pandemik COVID-19 terhadap risiko kredit perbankan melalui
analisis fenomena credit crunch, yaitu dengan menilai dampak pandemik terhadap
kinerja kredit dan NPL sebagai persepsi risiko sektor perbankan. Selain itu, riset
ini juga mencari strategi alternatif untuk mengatasi dampak pandemik selain dari
regulasi yang dikeluarkan oleh otoritas. Hipotesis yang diajukan adalah pandemik
akan meningkatkan risiko kredit seiring dengan adanya kebijakan restrukturisasi
dari pemerintah dan menurunkan penyaluran kredit perbankan karena adanya
fenomena credit crunch.
Secara umum, credit crunch adalah penurunan tajam yang mendadak dalam
ketersediaan uang atau kredit dari bank dan pemberi pinjaman lainnya. Hal
tersebut terjadi ketika ada kekurangan dana yang tersedia di pasar kredit, sehingga
sulit bagi peminjam untuk mendapatkan pembiayaan. Dalam situasi ini, karena
nasabah kredit gagal bayar, bank dapat menyita agunan aset dan menjualnya
agar mendapatkan kembali dana yang dipinjam. Dalam kasus saat ini, sektor
keuangan memandang bahwa credit crunch terkait dengan risiko yang lebih tinggi
di sektor riil akibat ketidakpastian masa pandemi. Hal ini menyebabkan risiko kredit
perbankan semakin tinggi. Fenomena tersebut saat ini diperkirakan terjadi sebagai
dampak dari pandemik COVID-19.
Sebagai metode analisis evaluasi dampak pandemik Covid-19 sebagaimana
disebutkan di atas, digunakan metode Difference-In-Differences (DID) yang
merupakan salah satu metode paling banyak digunakan untuk menganalisis
evaluasi dampak. Metode DID merupakan Quasi Experiment (Bertrand Esther
Duflo Sendhil Mullainathan et al., 2002), yaitu pendekatan eksperimen tanpa
eksperimen kontrol. Meskipun metode lain untuk evaluasi dampak dimungkinkan
untuk diterapkan dalam penelitian, seperti Regression Discontinuity Design (RDD),
Instrument Variables (IV), Propensity Score Matching (PSM), dan lain-lain (Khandker
et al., 2010), DID memiliki keunggulan dalam hal pendekatan eksperimen semunya.
Evaluasi dampak kuantitatif menggunakan metode Difference-In-Differences
(DID) biasa digunakan dalam evaluasi dampak (Baker, 2000) (Baker, 2000).
Metode DID memerlukan pembagian dua kelompok yaitu kelompok perlakuan
dan kelompok kontrol dan minimal dua periode pengamatan yaitu sebelum dan
sesudah perlakuan. Dalam hal ini, kelompok perlakuan adalah kinerja kredit dan

risiko perbankan yang terkena dampak pandemi Covid-19. Sedangkan, kelompok

kontrol bahwa kinerja kredit perbankan yang tidak terpengaruh oleh pandemik.
Karakteristik kelompok perlakuan dan kelompok kontrol harus sama yaitu terpenuhi
dari laporan perbankan yang disampaikan setiap bulan.
Pengukuran kinerja kredit dan risiko perbankan salah satunya dapat
menggunakan rasio Non Performing Loan (NPL), yaitu rasio yang menunjukkan
besarnya risiko kredit bermasalah yang ada pada suatu bank. Kredit bermasalah
diakibatkan oleh ketidaklancaran pembayaran pokok pinjaman dan bunga yang
secara langsung dapat menurunkan kinerja bank dan menyebabkan bank tidak
efisien.
Selain analisis di atas, pada penelitian ini dilakukan juga analisis tambahan
berupa indentifikasi sektor ekonomi yang prospektif dan aman berdasarkan
tingkat risiko terpapar COVID-19 menggunakan matriks Boston Consulting Group
(BCG). Matriks Boston Consulting Group (BCG) pada umumnya digunakan untuk
membantu perusahaan dalam mempertimbangkan peluang pertumbuhan dengan
perencanaan strategis jangka panjang dan meninjau portofolio produk perusahaan
tersebut agar dapat mengambil keputusan untuk berinvestasi.

2.1. Data
Penelitian ini menggunakan data tahun 2015-2021 berdasarkan data kredit dan
NPL bulanan dari Statistik Perbankan Indonesia (SPI) yang dirilis oleh Otoritas Jasa
Keuangan (OJK). Studi dampak pandemik COVID-19 pada risiko kredit perbankan
menggunakan data bulanan yang dibagi dalam dua kelompok. Pertama, data
runtut waktu (time series) total kredit dalam bentuk persentase pertumbuhan
tahunan dan NPL gross dalam persentase. Kedua, data panel kredit dan NPL gross
setiap buku per kategori bank , BUKU-2 sampai dengan BUKU-4 (BUKU-1 tidak ada
datanya dalam SPI). Kedua jenis data diperlihatkan dalam Lampiran.
2.2. Metodologi
Model DID untuk kasus dua periode (sebelum dan selama pandemik)
menggunakan estimasi regresi time series dapat ditunjukkan pada persamaan 1,
sebagai berikut:

129
Kreditt = c + α * NPLt + β * T_2020t + λ * (NPL*T_2020)t + εt (1)
Dimana, Kredit adalah variabel respon (variabel dependen). NPL adalah variabel
bebas yang diberikan perlakuan dalam hal ini pandemik COVID-19. T_2020 adalah
variabel boneka (dummy) yang menunjukkan periode pandemik. Sementara λ
adalah estimator DID, yaitu perubahan NPL selama pandemik dikurangi perubahan
NPL sebelum pandemik sebagai unit kontrol. Kemudian formula estimasi DID
sebagai berikut
E (NPLt=1 – NPLt=0 | t = 0) = α (2)

E (NPLt=1 – NPLt=0 | t = 1 = α + λ (3)
NPLt = λ (4)
2
OJK mengelompokan perbankan dalam kategori bank umum yang melakukan kegiatan
usaha disingkat BUKU, mulai BUKU-1 s.d. BUKU-4 berdasarkan modal inti (core capital). BUKU-
1 minimum modal inti Rp1 Triliun; BUKU-2 minimum Rp1-5 Triliun; BUKU-3 minimum Rp 5-30
Triliun; BUKU-4 minimum Rp 30 Triliun. (POJK No.6/POJK.03/2016 tentang Kegiatan Usaha dan
Jaringan Kantor Berdasarkan Modal Inti Bank)
Metode DID memerlukan asumsi dasar agar hasilnya valid (robust), yaitu
asumsi tren paralel. Hal itu artinya baik kelompok perlakuan maupun kontrol
memiliki tren linier yang sama jika tidak ada perbedaan perlakuan. Metode DID
mengasumsikan bahwa tren/kemiringan paralel tidak berubah (tren dari waktu ke
waktu sama pada kedua kelompok). DID adalah desain eksperimen semu karena
tidak benar-benar berbeda kelompok terpisah (kelompok perlakuan dan kontrol)
tetapi hanya memisahkan periode data. Data NPL dan pertumbuhan kredit dalam
hal ini telah memenuhi asumsi tren paralel karena memiliki korelasi yang cukup
tinggi (r = - 0,60%) pada periode sebelum pandemik.

Enam tahun data runtut waktu bulanan (2015-2021) telah dikumpulkan dan
digunakan dalam proses estimasi regresi linier model DID.

3.1. Total Kredit

Hasil estimasi memperlihatkan koefisien variabel NPL signifikan secara statistik
dengan arah berbeda terhadap variabel Credit, yang secara lengkap ditunjukkan
pada Tabel 1. Hal tersebut menjelaskan bahwa perlambatan pertumbuhan kredit
sejalan dengan kenaikan risiko kredit. Namun demikian koefisien interaksi variabel
NPLT_2020 yang tidak signifikan menunjukkan bahwa tidak terjadi perubahan
berarti pada risiko kredit selama periode pandemik. Hal ini memberikan indikasi
bahwa kebijakan restrukturisasi kredit OJK yang dikeluarkan sejak Maret 2020
relatif berhasil mengurangi dampak negatif pandemik COVID-19 dalam mencegah
kredit macet.
Tabel 1. Hasil Estimasi DID
NPLt = α + β Creditt + λ T_2020t + δ CreditT_2020t + εt

Pasca Covid: β (Credit) + δ (CreditT_2020) = -0.05 + 0,04 = -0,01
Hal tersebut menunjukkan bahwa dampak pandemik Covid-19 meningkatkan

NPL total sebesar 0,04 sehingga gradien Treatment Line menjadi -0,01 naik dari
sebelumnya -0,05.

131
3.2.Kredit per Kategori BUKU

Berdasarkan data panel kredit dan NPL per BUKU mulai terlihat koefisien
interaksi sebesar 0,02 signifikan secara statistik, lihat Tabel 2. Hasil ini membuktikan
ada perubahan risiko kredit bank yang meningkat meskipun sedikit selama periode
pandemik. Model estimasi data panel terpilih adalah Random Effect Model (REM)
setelah dilakukan dengan beberapa uji, yaitu uji Chow (CEM vs FEM), uji Hausman
(FEM vs REM), dan uji LM (CEM vs REM).
Tabel 2. Hasil Estimasi DID per BUKU
NPLi,t = α + β Crediti,t + λ T_2020i,t + δ CreditT_2020i,t + εi,t
Dipilih Model REM untuk Panel Data (bisa juga FEM)
Pasca Covid :
Pasca Covid: β (Credit) + δ (CreditT_2020) = -3,46 + 14.74 = 11,28

Artinya dampak pandemik Covid-19 meningkatkan NPL total sebesar 14,74

sehingga gradien Treatment Line menjadi 11,28 naik dari sebelumnya -3,46.
Beberapa kebijakan telah dikeluarkan oleh pemerintah dan otoritas untuk
mengatasi credit crunch. Kementerian Keuangan telah mengeluarkan dana
pemulihan ekonomi sebagai kebijakan fiskal sekitar Rp 700 Triliun (sekitar Rp 460
Miliar) untuk mendorong perekonomian terutama bagi rumah tangga miskin.
Bank Indonesia (BI) telah menurunkan suku bunga kebijakan 150 basis poin sejak
awal 2020 yakni 3,50%, tingkat terendah dalam sejarah perekonomian Indonesia.
Demikian pula BI telah menurunkan GWM perbankan dan merilis Loan to Value
(LTV) sebagai kebijakan makroprudensial di sektor kendaraan transportasi dan
properti. Otoritas Jasa Keuangan (OJK) telah mengeluarkan kebijakan relaksasi
dalam restrukturisasi kredit (Peraturan OJK No. 11/POJK.03/2020 tentang Stimulus
Perekonomian Nasional sebagai kebijakan countercyclical mengatasi dampak
negatif pandemik COVID-19) untuk mencegah debitur mengalami kredit macet.
Namun demikian, efek negatif dari kebijakan relaksasi atau restrukturisasi
kredit adalah kenaikan indikator kualitas kredit perbankan, loan at risks (LAR)3. Dari
data laporan bank, secara nasional LAR mencapai angka 22,93%, meningkat dari
awal pandemik pada bulan Maret tahun 2020 sekitar 11,59%. Hal ini menunjukan
perbankan menghadapi risik yang lebih tinggi untuk menjala fungsi intermediasinya.
Selama masa pandemi COVID-19, perbankan nasional juga terlihat banyak
menempatkan dana pihak ketiga pada instrumen keuangan, salah satunya obligasi
pemerintah. Data dari Kementerian Keuangan menunjukan kepemilikan bank
pada surat utang negara (SUN) meningkatkan dari posisi akhir Desember 2019
sekitar Rp600 Triliun menjadi sekitar Rp1.300 Triliun pada akhir Desember 2020.
Kepemilikan bank pada SUN semakin meningkat menjadi Rp 1.597 Triliun pada
akhir Juni 2021.
Dalam rangka pemulihan ekonomi diperlukan sinergi dan kolaborasi antar
para pemangku kepentingan (stakeholders). Pada sisi permintaan (demand)
dukungan perlu ditujukan untuk meningkatkan daya beli masyarakat agar dapat
membangkitkan sektor riil. Kebijakan bisa berupa bantuan langsung tunai (cash
transfer) atau non tunai kepada masyarakat yang memerlukan bantuan. Data
Kementerian Sosial selama tahun 2020 telah disalurkan bantuan sebesar Rp36,9
3
Loan at risk (LAR) adalah indikator risiko gagal bayar atas pinjaman yang telah disalurkan.
LAR berisi kredit dengan kolektibilitas yang direstrukturisasi dan kategori dalam perhatian
khusus hingga kredit bermasalah (NPLs).

133
Triliun dalam bentuk Program Keluarga Harapan (PKH) dan Rp 22 Triliun bantuan
untuk UMKM yang terganggu pandemik. Sedangkan dari sisi penawaran (supply)
secara simultan kebijakan akomodatif yang meningkatkan likuiditas perbankan
perlu disertai upaya mengurangi risiko kredit agar fungsi intermediasi perbankan
kembali dapat optimal. Pada sisi praktis, upaya mempertemukan pihak perbankan
dan UMKM dapat menjadi integrasi kedua sisi, penawaran dan permintaan kredit
melalui business matching pembiayaan. Strategi ini dapat membuka informasi
asimetris dari nasabah (credit rating) sehingga risiko kredit relatif berkurang. Upaya
ini dapat menjadi salah satu alternatif untuk mengatasi fenomena credit crunch.
Berdasarkan matrik Boston Consulting Group (BCG) yang dimodifikasi,
dapat diidentifikasi beberapa sektor ekonomi prospektif dan aman berdasarkan
tingkat risiko terpapar COVID-19, lihat Gambar 3 Penilaian prospektif diperoleh
dari pertumbuhan masing-masing sektor ekonomi selama masa pandemik tahun
2020. Sementara tingkat risiko setiap sektor ekonomi berasal dari informasi yang
dikeluarkan oleh Satuan Tugas Penanganan COVID-19 Nasional. Dari matrik
tersebut, sektor komunikasi & informasi dan sektor pertanian termasuk dalam
kelompok Star, atau sektor yang direkomendasikan dibiayai perbankan. Sementara
itu, sektor pertambangan dan penggalian, sektor kontruksi, sektor perdagangan
besar dan eceran, sektor industri pengolahan tergolong Cash Cow, atau sektor yang
potensial karena pertumbuhan rendah dan mempunyai pangsa pasar yang tinggi,
Adapun sektor jasa keuangan dan sektor administrasi publik berada di kelompok
Jasa Keuangan dan Asuransi, Jasa Kesehatan dan kegiatan sosial, Jasa Pendidikan,
Real Estate ada di golongan Question Mark pertumbuhan tinggi dan pangsa pasar
rendah. Sedangkan sektor pengadaan listrik dan gas, penyedia akomodasi dan
makan minum, transportasi dan perdagangan termasuk kelompok Dogs atau
pertumbuhan rendah dan kurang aman. Sektor-sektor tersebut di atas dinilai relatif
prospektif dan aman untuk dibiayai perbankan melalui business matching agar
dapat menjadi motor penggerak pemulihan ekonomi nasional, namun demikian
terdapat beberapa sektor yang harus diperhatikan oleh pihak perbakan dalam
menyalurkan kreditnya khususnya yang termasuk dalam kelompok Dogs.

Sumber: BPS dan Satgas COVID Nasional
Gambar 3. Matrik Modifikasi BCG

4.1. Kesimpulan
Secara umum, penyaluran kredit dipengaruhi oleh persepsi risiko perbankan.
Penelitian mengungkapkan bahwa pandemik COVID-19 berdampak pada
penurunan penyaluran kredit ke sektor riil. Secara nominal, total kredit menurun
seiring dengan kenaikan risiko kredit selama masa pandemi. Hasil kajian
mengungkapkan bahwa fenomena credit crunch terjadi di masa pandemi ketika
pertumbuhan kredit melambat pada saat dana pihak ketiga berlimpah. Hasil DID
menunjukkan bahwa persepsi risiko memiliki dampak yang lebih tinggi terhadap
perlambatan kredit perbankan pada periode pandemi dibandingkan periode
normal. Hasil penelitian juga menemukan bahwa berdasarkan kategori bank, risiko
kredit BUKU2-4 mengalami sedikit peningkatan.
Penelitian ini dapat mengkaji keberadaan credit crunch dengan mengukur
dampak pandemik terhadap sektor keuangan. Credit crunch sepertinya tidak bisa
dihindari di masa pandemik. Perbankan berusaha menghindari risiko kredit yang
lebih tinggi di sektor riil sebagai dampak COVID-19. Di sisi lain, sektor riil berusaha

135
mendapatkan pembiayaan dengan cara-cara yang praktis. Selain kebijakan yang

diambil otoritas, business matching dalam praktiknya direkomendasikan untuk
mengatasi credit crunch. Perbankan dapat menyalurkan dana pihak ketiga pada
sektor-sektor ekonomi yang prospektif dan aman hasil identifikasi matriks BCG
modifikasi. Komunikasi dan hubungan yang baik antara sektor keuangan dan
sektor riil menjadi prasyarat (necessary conditions) keberhasilan upaya untuk
mengatasi credit crunch.
4.2. Rekomendasi
Dalam upaya mengatasi risiko kredit akibat penyebaran COVID-19 pemeritah
mengupayakan adanya kebijakan Restrukturisasi sesuai dengan ketentuan dan
kebijakan yang dikeluarkan oleh OJK dalam POJK No. 11/POJK.03/2020. Kebijakan
tersebut merupakan kebijakan stimulus kredit perbankan yang bersifat sebagai
mitigasi dampak penyebaran COVID-19 terhadap kinerja dan kapasitas debitur yang
berpotensi menimbulkan risiko kredit dan dapat mengganggu kinerja perbankan
dan sistem keuangan stabilitas di Indonesia. Restrukturisasi kredit atau pembiayaan
dilakukan oleh POJK terhadap penilaian kualitas aset antara lain dengan suku bunga
yang lebih rendah, perpanjangan jangka waktu, pengurangan tunggakan pokok,
pengurangan bunga, penambahan fasilitas kredit atau pembiayaan, dan konversi
kredit atau pembiayaan menjadi penyertaan modal sementara. Berbagai skema
tersebut diserahkan sepenuhnya kepada bank dan sangat bergantung kepada
hasil identifikasi bank terhadap kinerja keuangan debitur atau penilaian terhadap
prospek usaha dan kemampuan membayar debitur terdampak COVID-19. Jangka
wakrtu restrukturisasi ini sangat bervariasi tergantung penilaian bank terhadap
debiturnya dengan jangka waktu paling lama 1 (satu) tahun.
Dari sisi Produk Domestik Bruto (PDB) pada triwulan II-2021, berdasarkan
matriks modifikasi BCG dapat merekomendasikan beberapa sektor yang termasuk
kedalam kelompok Star adalah sektor informasi dan komunikasi serta sektor
pertanian, kehutanan, dan perikanan. Kelompok Star tersebut bisa menjadi
masukan kepada perbankan untuk memberikan kreditnya. Pada kondisi pandemik
covid-19, sektor informasi dan komunikasi serta sektor pertanian tidak begitu
terdampak. Hal tersebut terkonfirmasi dari kualitas kedua sektor tersebut memiliki
tingkat kualitas yang rendah.

Disamping itu, melalui business matching tersebut dapat menjadi motor

penggerak pemulihan ekonomi nasional sektor sektor tersebut di atas dinilai relatif
prospektif dan aman untuk dibiayai perbankan namun demikian terdapat beberapa
sektor yang harus diperhatikan oleh pihak perbankan dalam menyalurkan kreditnya
khususnya yang termasuk dalam kelompok Dogs.
Selain rekomendasi di atas, terdapat juga beberapa rekomendasi jangka pendek,
jangka menengah, dan jangka panjang untuk dapat meningkatkan penyaluran
kredit perbankan:
• Jangka Pendek:
Memberikan bunga yang rendah sesuai dengan Suku Bunga Dasar Kredit dan
BI-7 days Reverse Repo.
• Jangka Menengah:
a. OJK bersama dengan Bank Indonesia dan L/K untuk mendorong digitalisasi
melalui TPAKD dan TP2DD.
b. Pentingnya digitalisasi UMKM mengurangi resiko informasi asimetrik
terhadap credit rating.
c. Sinergi antara OJK, UMKM, dan Kementerian Koperasi dan UMKM dalam
upaya mendorong digitalisasi. Transaksi UMKM menggunakan platform
financial technology yang ada baik dimiliki oleh perbankan maupun non
perbankan. Dengan itu, UMKM dapat secara otomatis memiliki laporan
keuangan yang tercatat secara digital.
• Jangka Panjang:
Menyiapkan regulasi atau insentif kepada UMKM atau korporasi yang
menggunakan teknologi digital dalan bertransaksi. Hal ini bisa bekerjasama
dengan Kementerian dan Perbankan.

137
Daftar Referensi
Baker, J.L. (2000). Evaluating the Impact of Development Projects on Poverty : A
Handbook for Practitioners.
Bernanke, B. & Lown, C.S. (1991). Credit Crunch. Brookings Papers on Economic
Activity, vol. 22, issue 2, 205-248
Bertrand, M., Duflo, E., & Mullainathan, S. (2002). How Much Should We Trust
Differences-in-Differences Estimates? NBER Working Paper No. 8841.
Gertler, P.J., Martinez, S., Premand, P., Rawlings, L.B., & Vermeersch, C.M.J. (2011).
Impact Evaluation in Practice. World Bank. Washington D.C.
Khandker, S.R., Koolwal, G.B., dan Samad, H.A. (2010). Handbook on Impact
Evaluation: Quantitative Methods and Practices. World Bank. Washington D.C.
Ramasamy, K. (2020). Impact Analysis in Banking, Insurance and Financial services
industry due to COVID-19 Pandemic. Pramana Research Journal, Volume 10,
Issue 8, 2020.
https://ilmumanajemenindustri.com/pengertian-analisis-matriks-bcg-dan-
contohnya/
Andhyka, Nisa & Puwoko. (2017). Penggunaan BUKU dan Kepemilikan dalam
Menganalisis Efisiensi Perbankan di Indonesia. Vol. 3 No. 2, Desember 2017
Ilhami & Husni Thamrin. (2021). Analisis dampak Covid-19 terhadap kinerja
keuangan perbankan Syariah di Indonesia. Jurnal Tabarru : Islamic Banking
and Finance. Vol.4 No.1
Siti Epa Hardiyanti and Lukmanul Hakim Aziz. (2021) The Case of COVID-19 impact
on the level of non-performing loans of conventional commercial banks in
Indonesia. Banks and Bank System. Publisher LLC Consulting Publishing
Company Business Perspectives.
Hari dan Ali Ismail. (2020) dengan judul Banking credit restructuring policy on the
impact of Covid-19 spread in Indonesia. Jurnal Inovasi Ekonomi Vol.05 No.02

Lampiran
Data Total Kredit dan NPL

139
Menara Radius Prawiro Lantai 9-10
Kompleks Perkantoran Bank Indonesia
Jl M.H. Thamrin No. 2, Jakarta 10350
Email : srkp.ojk@ojk.go.id

BRKP Vol.3, No.1, November 2021

Diunggah oleh

Informasi Dokumen

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

BRKP Vol.3, No.1, November 2021

Diunggah oleh

Hak Cipta:

Format Tersedia

VOL. 3, NO.

1, NOVEMBER 2021 ISSN 2714-5794

Departemen Penelitian dan Pengaturan Perbankan

Departemen Penelitian dan Pengaturan Perbankan

BULETIN RISET KEBIJAKAN PERBANKAN

ii OTORITAS JASA KEUANGAN

DEPARTEMEN PENELITIAN DAN PENGATURAN PERBANKAN

Tekanan akibat pandemi Covid-19 juga dirasakan oleh industri perbankan,

iv OTORITAS JASA KEUANGAN

iii Kata Pengantar

COVIDNOMICS: The Impact of COVID-19 Pandemic on

Does The COVID-19 Pandemic Have An Impact on The

Analisis Kinerja Sektor Lembaga Keuangan dan Pengaruh

Covid-19 and Banking Performance (Alexander Natanael

Efektivitas Kebijakan Countercyclical Pada Resiko Kredit

Evaluasi Dampak Kebijakan Stimulus Pemerintah terhadap

Dampak Pandemi COVID-19 pada Risiko Perbankan (Dina

DEPARTEMEN PENELITIAN DAN PENGATURAN PERBANKAN

Halaman ini sengaja dikosongkan

vi OTORITAS JASA KEUANGAN

Dampak Pandemi Covid-19 dan Evaluasi

1. COVIDNOMICS: The Impact of COVID-19 Pandemic on Financial

2. Does The COVID-19 Pandemic Have An Impact on The Banking

3. Analisis Kinerja Sektor Lembaga Keuangan dan Pengaruh

4. Covid-19 and Banking Performance (Alexander Natanael Silaban

5. Efektivitas Kebijakan Countercyclical Pada Resiko Kredit Perbankan

6. Evaluasi Dampak Kebijakan Stimulus Pemerintah terhadap

7. Dampak Pandemi COVID-19 pada Risiko Perbankan (Dina Puji

DEPARTEMEN PENELITIAN DAN PENGATURAN PERBANKAN

COVIDNOMICS: The Impact of COVID-19 Pandemic

Muhammad Saeful Hakim1 dan Alif Ihsan A Fahta2

Kata kunci : COVID-19; Performa Bank; Risiko Bank; Stabilitas Bank

02 OTORITAS JASA KEUANGAN

Keywords : Bank Performance; Bank Risk; Bank Stability; COVID-19

DEPARTEMEN PENELITIAN DAN PENGATURAN PERBANKAN

04 OTORITAS JASA KEUANGAN

yang membayangi sektor perbankan adalah “bom waktu” dari non-performing

DEPARTEMEN PENELITIAN DAN PENGATURAN PERBANKAN

06 OTORITAS JASA KEUANGAN

2. Data dan Metodologi

DEPARTEMEN PENELITIAN DAN PENGATURAN PERBANKAN

Indonesia, peneliti menggunakan risk-based indicators seperti bentuk logaritma

Yit= β0 + β1 covidt +β2 islamici + β3 asingi + β4 Ω(i)(t) +β5 covidt×Ω(i)(t)+ εit

08 OTORITAS JASA KEUANGAN

3. Hasil dan Pembahasan

DEPARTEMEN PENELITIAN DAN PENGATURAN PERBANKAN

Tabel 1. Hasil Regresi Random Effect Bagian 1

(1) (2) (3) (4) (5)

10 OTORITAS JASA KEUANGAN

Selanjutnya, dalam konteks profil risiko bank, pandemi COVID-19 meningkatkan

3.2. Dampak Model Bisnis Bank

DEPARTEMEN PENELITIAN DAN PENGATURAN PERBANKAN

Tabel 2. Hasil Regresi Random Effect Bagian 2

(1) (2) (3) (4) (5)

12 OTORITAS JASA KEUANGAN

3.3. Dampak Pemodal Bank

3.4. Dampak Interaksi Pandemi COVID-19 dengan Variabel Kontrol

DEPARTEMEN PENELITIAN DAN PENGATURAN PERBANKAN

Tabel 3. Hasil Regresi dengan Variabel Interaksi

(1) (2) (3) (4)

14 OTORITAS JASA KEUANGAN

Tabel 3. Hasil Regresi dengan Variabel Interaksi (lanjutan)

(1) (2) (3) (4)

4. Kesimpulan dan Rekomendasi