(Referensi Vecm) Agnia Nurapifah-Feb

ANALISIS KINERJA KEUANGAN PADA BANK UMUM SYARIAH
BUMN DI INDONESIA SEBELUM DAN SESUDAH MERGER DENGAN

METODE VECM (VECTOR ERROR CORRECTION MODEL)
Skripsi
Oleh
Agnia Nurapifah
NIM 11170850000079
PROGRAM STUDI PERBANKAN SYARIAH

FAKULTAS EKONOMI DAN BISNIS
UNIVERSITAS ISLAM NEGERI SYARIF HIDAYATULLAH JAKARTA
1442 H / 2021 M
LEMBAR PENGESAHAN SKRIPSI

Skripsi
Diajukan kepada Fakultas Ekonomi dan Bisnis
Untuk Memenuhi Syarat-syarat untuk Meraih Gelar Sarjana
Ekonomi
Oleh
Agnia Nurapifah
NIM: 11170850000079
Di Bawah Bimbingan
Pembimbing I Pembimbing II
Dr. Suhenda Wiranata M.E. Ivalaili, M.I.E.

NIP. 19610421 199003 1 002 NIP. 19880318 201801 2 001
PROGRAM STUDI PERBANKAN SYARIAH

FAKULTAS EKONOMI DAN BISNIS
UNIVERSITAS ISLAM NEGERI
SYARIF HIDAYATULLAH JAKARTA
1442 H / 2021 M
ii
LEMBAR PENGESAHAN UJIAN KOMPREHENSIF
Hari ini, Kamis Tanggal 21 April 2021 telah dilakukan Ujian Komprehensif atas
mahasiswa:
1. Nama : Agnia Nurapifah

2. NIM : 11170850000079
3. Jurusan : Perbankan Syariah
4. Judul Skripsi : Analisis Kinerja Keuangan pada Bank Umum
Syariah Bumn di Indonesia Sebelum dan Sesudah
Merger dengan Metode VECM (Vector Error
Correction Model)
Setelah mencermati dan memperhatikan penampilan dan kemampuan yang
bersangkutan selama proses ujian komprehensif, maka diputuskan bahwa
mahasiswa tersebut di atas dinyatakan LULUS dan diberi kesempatan untuk
melanjutkan ke tahap Ujian Skripsi sebagai salah satu syarat untuk memperoleh
gelar Sarjana Ekonomi pada Jurusan Perbankan Syariah Fakultas Ekonomi dan
Bisnis Universitas Islam Negeri Syarif Hidayatullah Jakarta.
Jakarta, 21 April 2021
1. Umiyati, SE.I, M.Si. ( )

NIDN. 2020047903 Penguji I
2. Aini Masruroh, SE.I, MM. ( )

NIDN. 2020088005 Penguji II
iii
LEMBAR PENGESAHAN UJIAN SKRIPSI
Hari ini Kamis, 21 Oktober 2021 telah dilakukan Ujian Skripsi atas mahasiswa:
Nama : Agnia Nurapifah
NIM : 11170850000079
Jurusan : Perbankan Syariah
Judul Skripsi :ANALISIS KINERJA KEUANGAN PADA BANK
UMUM SYARIAH BUMN DI INDONESIA SEBELUM DAN SESUDAH
MERGER DENGAN METODE VECM (VECTOR ERROR CORRECTION
MODEL)
Setelah mencermati dan memperhatikan penampilan dan kemampuan yang
bersangkutan selama Ujian Skripsi, maka diputuskan bahwa mahasiswa tersebut di
atas dinyatakan LULUS dan skripsi ini diterima sebagai salah satu syarat untuk
memperoleh gelar Sarjana Ekonomi pada Fakultas Ekonomi dan Bisnis Universitas
Islam Negeri Syarif Hidayatullah Jakarta.
Jakarta, 29 November 2021
1. Ade Ananto Terminanto, MM. ( )

NIP. 19681125 201411 1 002 Ketua
2. Dr. Suhenda Wiranata M.E. ( )

NIP. 19610421 199003 1 002 Sekretaris
3. Dr. Suhenda Wiranata M.E. ( )

NIP. 19610421 199003 1 002 Pembimbing I
4. Ivalaili, M.I.E. ( )
NIP. 19880318 201801 2 001 Pembimbing II
5. Dr. Asyari Hasan, S.H.I., M.Ag. ( )

NIP. 19800819 200604 1 002 Penguji Ahli
iv
LEMBAR PERNYATAAN KEASLIAN KARYA ILMIAH
Yang bertanda tangan di bawah ini:
NIM : 11170850000079
Fakultas : Ekonomi dan Bisnis
Jurusan : Perbankan Syariah
Dengan ini menyatakan bahwa skripsi yang berjudul adalah benar

merupakan karya saya dan tidak melakukan tindakan plagiat dalam
penyusunannya. Adapun kutipan yang ada dalam penyusunan karya ini telah saya
cantumkan sumber kutipannya pada skripsi ini. Saya bersedia melakukan proses
hukum yang berlaku jika terbukti keseluruhan skripsi ini merupakan plagiat dari
karya orang lain.
Demikian pernyataan ini dibuat untuk dipergunakan seperlunya.
Jakarta, 29 September 2021
Agnia Nurapifah
NIM. 11170850000079
v
DAFTAR RIWAYAT HIDUP
(Curriculum Vitae)
Data Pribadi
Tempat & Tanggal Lahir : Subang, 31 Oktober 1999
Jenis Kelamin : Perempuan
Agama : Islam
Alamat : Jl. Legoso Raya, Gg. Bungur No.16, Ciputat
Timur, Tangerang Selatan, Banten 15419
No. Telepon : 085780167967
E-mail : agnianrf526@gmail.com
Pendidikan Formal
2005-2011 : SDN Medal Taruna
2011-2014 : SMPN 1 Ciasem
2014-2017 : SMAN 1 Subang
2017-Sekarang : UIN Syarif Hidayatullah Jakarta – S1 Perbankan
Syariah
Pengalaman Organisasi
1. Dewan Eksekutif Mahasiswa Fakultas Ekonomi dan Bisnis (2018-2020)
2. Lingkar Studi Ekonomi Syariah UIN Syarif Hidayatullah Jakarta
(2020/2021)
Pengalaman Aktivitas
1. Anggota Acara 2th Youth Economic Summit (2017)
2. Anggota Kesekretariatan Acara Pengenalan Budaya Akademik Kampus
UIN Jakarta (2018)
3. Volunteer Social Trust Fund UIN Jakarta (2019)
4. Anggota Divisi Publikasi, Humas & Dokumentasi Acara WeShare (2019)
Achievement
1. Juara 3 National Essay Competition Zakat and Wakaf Goes to Campus
(2019)
2. Finalis Lomba Karya Tulis Ilmiah Temu Ilmiah Nasional (2020)
vi
ANALYSIS OF FINANCIAL PERFORMANCE AT STATE-OWNED SHARIA
BANKS IN INDONESIA BEFORE AND AFTER THE MERGER WITH THE
VECM (VECTOR ERROR CORRECTION MODEL) METHOD
Agnia Nurapifah
ABSTRACT
This study analyzes the financial performance of Islamic banking at 3 BUMN
Islamic Banks before and after the merger using the VECM (Vector Error
Correction Model) method. The sample in this study used the purposive sampling
technique. The sample for this research is 3 state-owned banks that have merged,
namely Bank Syariah Mandiri (BSM), BNI Syariah, and BRI Syariah with a period
of 4 years from 2017-2020. The data analysis method used is the VECM (Vector
Error Correction Model) method with views 9 analysis tool. There are 3 research
variables, namely profitability, solvency/leverage, and liquidity, with the following
indicators: profitability (ROA, NPM), Solvency (DER, DAR), and Liquidity (CR).
The results of this study indicate that there is a difference between the financial
performance of Islamic banking before and after the merger. In addition, there is a
mutually influencing relationship between variable indicators, which means that
each variable indicator can affect the ups and downs of Islamic banking's financial
performance after the merger.
Keywords: Merger, Financial Performance, Profitability, Solvability, Liquidity
vii
Agnia Nurapifah
ABSTRAK
Penelitian ini menganalisis tentang kinerja keuangan perbankan Syariah

pada 3 Bank Umum Syariah BUMN sebelum dan sesudah merger dengan metode
VECM (Vector Error Correction Model). Sampel dalam penelitian ini
menggunakan teknik Purposive Sampling. Sampel untuk penelitian ini adalah
adalah 3 Bank BUMN yang dimerger yaitu Bank Syariah Mandiri (BSM), BNI
Syariah, dan BRI Syariah dengan periode 4 tahun dari tahun 2017-2020. Metode
analisis data yang digunakan adalah metode VECM (Vector Error Correction
Model) dengan alat analisis eviews 9. Terdapat 3 Variabel penelitian yaitu
profitabilitas, solvabilitas/leverage dan likuiditas, dengan indikator berikut:
profitabilitas (ROA, NPM), Solvabilitas (DER, DAR) dan Likuiditas (CR). Hasil
penelitian ini menunjukkan bahwa variabel terdapat perbedaan antara kinerja
keuangan perbankan Syariah sebelum dan sesudah merger. Selain itu terdapat
hubungan saling mempengaruhi antar indikator variabel, dimana hal ini berarti
bahwa setiap indikator variabel satu dan lainnya dapat mempengaruhi naik
turunnya kinerja keuangan perbankan Syariah pasca merger.
Kata Kunci: Merger, Kinerja keuangan, Provitabilitas, Solvabilitas, Likuiditas
viii
KATA PENGANTAR
Puji syukur kehadirat Allah SWT yang telah memberikan segala nikmat,
rahmat, dan hidayah-Nya, sehingga penulis dapat menyelesaikan penelitian ini
mengenai “Analisis Kinerja Keuangan Pada Bank Umum Syariah BUMN Di
Indonesia Sebelum Dan Sesudah Merger Dengan Metode VECM (Vector Error
Correction Model)” ini tepat pada waktunya.
Shalawat serta salam semoga senantiasa tercurahkan kepada Rasulullah
Muhammad SAW, keluarganya, para sahabatnya, serta para pengikutnya dan
mudah-mudahan kita termasuk didalamnya.
Pada kesempatan ini penulis mengucapkan terima kasih yang sebesar-

besarnya kepada:
1. Puji syukur kehadirat Allah SWT atas rezeki, kesehatan dan umur panjang,
sehingga penulis dapat menyelesaikan skripsi ini.
2. Orang tua tercinta, Ibu Yayah Kursiah dan Bapak Saripin Hidayat yang telah
memberikan apapun agar penulis dapat menyelesaikan perkuliahan dengan
baik dan selalu memberikan doa, semangat, nasehat, waktu, tenaga, dan
dukungan yang sangat berharga bagi penulis sehingga skripsi dan studi ini
dapat terselesaikan.
3. Prof. Dr. Hj. Amany Burhanuddin Umar Lubis, Lc., MA. selaku Rektor
Universitas Islam Negeri Syarif Hidayatullah Jakarta.
4. Prof. Dr. Amilin, SE.Ak., M.Si., CA., QIA., BKP., CRMP. selaku Dekan
Fakultas Ekonomi dan Bisnis Universitas Islam Negeri Syarif Hidayatullah
Jakarta.
5. Ibu Cut Erika Ananda Fatimah, S.E., M.B.A. selaku Ketua Prodi Perbankan
Syariah dan Ibu Yuke Rahmawati, M.A. selaku Sekretaris Prodi Perbankan
Syariah
6. Bapak Dr. Suhenda Wiranata, M.E. selaku dosen pembimbing I dan Ibu
Ivalaili, M.I.E. selaku dosen pembimbing II yang telah memberikan
bimbingan dan arahannya selama proses pembuatan skripsi ini.
ix
7. Ibu Dr. Erika Amalia, SE., M.Si., selaku dosen pembimbing akademik yang
senantiasa membimbing penulis selama perkuliahan.
8. Teman-teman College Buddies yang telah memberikan dukungan semangat
dalam proses penyelesaian skripsi ini.
Terlepas dari semua itu penulis menyadari sepenuhnya bahwa masih ada
kekurangan baik dari segi susunan maupun tata bahasa dalam penelitian ini. Oleh
karena itu dengan tangan terbuka, penulis menerima saran dan kritik dari para
pembaca demi kesempurnaan makalah ini dimasa yang akan datang.
Jakarta, 29 September 2021
Agnia Nurapifah
x
DAFTAR ISI
LEMBAR PENGESAHAN SKRIPSI ................................................................. ii
LEMBAR PENGESAHAN UJIAN KOMPREHENSIF .................................. iii
LEMBAR PENGESAHAN UJIAN SKRIPSI........................................................... iv
LEMBAR PERNYATAAN KEASLIAN KARYA ILMIAH ............................ v
DAFTAR RIWAYAT HIDUP .................................................................................. vi
ABSTRACT .......................................................................................................... vii
ABSTRAK .......................................................................................................... viii
KATA PENGANTAR .......................................................................................... ix
DAFTAR ISI ......................................................................................................... xi
DAFTAR TABEL .............................................................................................. xiii
BAB I ...................................................................................................................... 1
PENDAHULUAN .................................................................................................. 1
A. Latar Belakang..................................................................................1
B. Identifikasi Masalah ..........................................................................8
C. Batasan Masalah ...............................................................................8
D. Rumusan Masalah.............................................................................9
E. Tujuan Penelitian dan Manfaat Penelitian ........................................9
BAB II .................................................................................................................. 11
TINJAUAN PUSTAKA ...................................................................................... 11
A. Landasan Teori ............................................................................... 11
B. Penelitian Terdahulu ....................................................................... 31
C. Kerangka Pemikiran ....................................................................... 48
D. Keterkaitan antar Variabel dan Hipotesis ....................................... 49
BAB III ................................................................................................................. 51
xi
METODE PENELITIAN ................................................................................... 51
A. Populasi dan Sampel ....................................................................... 51
B. Tempat dan Waktu Penelitian ......................................................... 51
C. Data dan Sumber Data .................................................................... 52
D. Instrumen Penelitian ....................................................................... 52
E. Metode Pengumpulan Data ............................................................. 52
F. Metode Analisis Data ...................................................................... 52
H. Definisi Operasional Variabel ......................................................... 55
BAB IV ................................................................................................................. 59
TEMUAN PENELITIAN DAN PEMBAHASAN ............................................ 59
A. Gambaran Umum Objek Penelitian ................................................ 59
B. Hasil Analisis Deskriptif .................................................................. 63
C. Hasil Uji Statistik Deskriptif ........................................................... 67
D. Hasil Uji Statistik Data .................................................................... 69
E. Interpretasi Hasil ............................................................................ 94
BAB V................................................................................................................... 97
A. Kesimpulan ..................................................................................... 97
B. Saran ............................................................................................... 98
DAFTAR PUSTAKA ........................................................................................ 100
Lampiran ........................................................................................................... 104
xii
DAFTAR TABEL
Tabel 4.6 Hasil Uji Statistik Deskriptif ................................................................... 67

Tabel 4.7 Hasil Uji Normalitas ................................................................................ 69
Tabel 4.8 Hasil Uji Stasioneritas Variabel Profitabilitas (ROA) Tingkat Level .... 70
Tabel 4.9 Hasil Uji Stasioneritas Variabel Profitabilitas (NPM) Tingkat Level ..... 71
Tabel 4.10 Hasil Uji Stasioneritas Variabel Profitabilitas (DER) Tingkat Level ... 72
Tabel 4.11 Hasil Uji Stasioneritas Solvabilitas / Leverage (DAR) Tingkat Level . 73
Tabel 4.12 Hasil Uji Stasioneritas Variabel Likuiditas (CR) Tingkat Level .......... 74
Tabel 4.13 Hasil Uji Stasioneritas First difference Variabel Profitabilitas (ROA) . 75
Tabel 4.14 Hasil Uji Stasioneritas First difference Variabel Profitabilitas (NPM) . 76
Tabel 4.15 Hasil Uji Stasioneritas First difference Variabel Solvabilitas (DER) ... 77
Tabel 4.16 Hasil Uji Stasioneritas First difference Variabel Solvabilitas (DAR) ... 78
Tabel 4.17 Hasil Uji Stasioneritas First difference Variabel Likuiditas (CR) ........ 78
Tabel 4.18 Hasil Uji Penentuan Panjang Lag Optimal............................................ 80
Tabel 4.24 Peringkat Nilai Pada MAPE ................................................................112
Tabel 4.25 Hasil Evaluasi Akurasi Model .............................................................112
Lampiran Tabel 4.1 Presentase Nilai NPM ...........................................................116
Lampiran Tabel 4.2 Presentase Nilai ROA ...........................................................117
Lampiran Tabel 4.3 Presentase Nilai DER............................................................119
Lampiran Tabel 4.4 Presentase Nilai NPM ...........................................................120
Lampiran Tabel 4.5 Presentase Nilai CR ..............................................................121
Lampiran Tabel 4.19 Hasil Uji Kointegrasi .........................................................123
Lampiran Tabel 4.20 Hasil Uji Stabilitas VECM .................................................124
Lampiran Tabel 4.21 Hasil Estimasi Model VECM .............................................125
Lampiran Tabel 4.22 Hasil Granger Causality Test VECM .................................127
Lampiran Tabel 4.23 Hasil Analisis VDC (Variance Decomposition) .................130
Lampiran Tabel 4.26 Hasil Forecasting ................................................................131
xiii
xiv
DAFTAR GRAFIK
Grafik 1.1 Pertumbuhan Market Share Perbankan Syariah 2017-2020 ..............2

Grafik 1.2 Pertumbuhan Aset, PYD, dan DPK Perbankan Syariah ....................3
Grafik 4.2 Hasil Forecasting ...............................................................................93
Grafik 4.1 Impulse Respons Function .................................................................144
xv
BAB I
PENDAHULUAN
A. Latar Belakang
Kondisi keuangan syariah di Indonesia saat ini terus mengalami

pertumbuhan setiap tahunnya. Berdasarkan data Global Islamic Economy
Indicator (GIEI) 2020/2021 posisi Indonesia dalam ekonomi syariah global
berada di posisi ke-4 di dunia dimana posisi sebelumnya Indonesia menempati
posisi ke-5. Sementara itu, untuk kategori Islamic Finance, Indonesia berada di
peringkat 6 dunia (OJK, 2020). Pada tahun 2019, total aset keuangan syariah
Indonesia telah mencapai US$99 miliar, meningkat dari tahun sebelumnya
sebesar US$86 miliar. Peningkatan total aset tersebut menempatkan Indonesia
pada posisi ke-7 dengan total aset keuangan syariah terbesar di dunia. Jika
dilihat dari data keuangan syariah secara global tersebut peningkatan terbesar
berada pada sektor perbankan syariah dengan kenaikan US$10 miliar dari tahun
sebelumnya US$28 miliar menjadi US$38 miliar (State of Global Islamic
Economy Report, 2021).
Demikian juga dapat dilihat dalam skala nasional kondisi kinerja perbankan
syariah berdasarkan data Snapshot pada desember 2017 hingga 2020, market
share perbankan syariah di Indonesia terus mengalami pertumbuhan seperti
yang terlihat pada Grafik 1.1 dibawah ini. Hal ini mengindikasikan bahwa
kinerja perbankan syariah di Indonesia terus berkembang setiap periodenya.
Akan tetapi berdasarkan data terakhir yaitu pada desember 2020 market share
perbankan syariah berada yang masih dikisaran 6,51% jauh tertinggal dari
market share perbankan konvensional yang jauh lebih besar yaitu 94,49%
(OJK, 2020). Jika dilihat dari segi jumlah aset juga Bank Umum Konvensional
masih jauh lebih besar. Dimana per desember 2020 aset perbankan
konvensional sebesar Rp. 9.177.894 dalam Milyar Rupiah, sedangkan Bank
Umum Syariah per desember 2020 sebesar Rp. 394. 620 dalam Milyar Rupiah.
1
Grafik 1.1 Pertumbuhan Market Share Perbankan Syariah 2017-2020
PERTUMBUHAN MARKET SHARE PERBANKAN SYARIAH

2017-2020
6,60%
6,51%
6,40%
6,20%
6,00% 5,96% 5,95%
5,80% 5,78%
5,60%
5,40%
2017 2018 2019 2020
Sumber : Data diolah

Meskipun Market share perbankan syariah di indonesia ini terus
menunjukkan perkembangan positif selama beberapa tahun terakhir, akan tetapi
perbankan syariah masih memiliki kendala yaitu berdasarkan data Snapshot
Perbankan Syariah yang dikeluarkan oleh Otoritas Jasa Keuangan (OJK) per
desember 2020 pertumbuhan Asset, Pembiayaan Yang Diberikan (PYD) dan
Dana Pihak Ketiga (DPK) dari tahun 2016 hingga 2020 mengalami penurunan.
Untuk pertumbuhan aset perbankan syariah pada 2020 mengalami penurunan
sebesar 7,17% dibandingkan 4 tahun sebelumnya. Selain dari jumlah aset
perbankan syariah pun mengalami penurunan pada jumlah Pembiayaan Yang
Diberikan (PYD) yaitu sebesar 8,33 % dari 4 tahun sebelumnya. Terakhir dari
jumlah DPK pertumbuhan Dana Pihak Ketiga (DPK) juga mengalami
penurunan sebesar 8,96% dari 4 tahun sebelumnya. Berdasarkan Syafrida dan
Aminah (2015) menyatakan perlambatan pada bank syariah di Indonesia
sebenarnya terjadi sejak tahun 2013 dimana bank syariah mengalami penurunan
dari segi permodalan, lalu terjadinya peningkatan kredit bermasalah dan
turunya keuntungan/profit dari bank syariah. Terjadinya perlambatan pada bank
syariah disebabkan oleh dua faktor yaitu faktor internal dan eksternal. Terkait
faktor internal yang mempengaruhi perlambatan bank syariah ini ialah
minimnya variasi pembiayaan yang terdapat di bank syariah, kegiatan
operasional pada bank syariah masih kurang efisien, dana deposito masih mahal
2
pada DPK bank syariah, serta jumlah jaringan kantor yang masih sedikit.
Sedangkan, faktor eksternal yang mengakibatkan melambatnya pertumbuhan
bank syariah dikarenakan kondisi ekonomi dunia yang melambat termasuk
Indonesia dengan indikator lemahnya nilai tukar Rupiah terhadap US Dollar,
kemudian turunnya IHSG di pasar modal, dan juga daya beli masyarakat yang
menurun ( Syafrida I & Aminah I, 2015)
Grafik 2.2 Pertumbuhan Pertumbuhan Aset, PYD dan DPK 2016-2020
Pertumbuhan Aset, PYD dan DPK

25,00%
20,00%
15,00%
10,00%
5,00%
0,00%
Des 2016 Des 2017 Des 2018 Des 2019 Des 2020
Pertumbuhan Aset (yoy) 20,28% 18,97% 12,57% 9,93% 13,11%
Pertumbuhan PYD (yoy) 16,41% 15,27% 12,17% 10,89% 8,08%
Pertumbuhan DPK (yoy) 20,84% 19,89% 11,14% 11,93% 11,88%
Sumber: Data diolah

Dalam upaya meningkatkan kembali pertumbuhan kegiatan usaha
perbankan syariah pemerintah melakukan merger beberapa Bank Umum
Syariah yaitu PT. Bank Syariah Mandiri, PT. Bank BRI Syariah, Tbk., PT. Bank
BNI Syariah. Merger yang dilakukan oleh ketiga bank berlandaskan UU no.28
tahun 1999 mengenai Merger, Konsolidasi dan Akuisisi Bank, UU No.40 tahun
2007 pasal 126 (1), selain itu merger ini pun mendapat izin dari OJK dengan
dikeluarkannya surat Keputusan Dewan Komisioner OJK No.4/KDK.03/2021.
Merger ini dilakukan untuk mengembangkan dan meningkatkan kembali
pertumbuhan bank syariah. Secara umum merger merupakan salah satu cara
melakukan ekspansi eksternal perbankan syariah. Merger yang dilakukan oleh
perbankan syariah ini menjadi alternatif penting untuk ekspansi bisnis secara
eksternal (Cartwright & Schoenberg, 2006).
3
Menurut istilah merger ialah kombinasi dari dua atau lebih perusahaan, di
mana perusahaan yang dihasilkan mempertahankan identitas satu perusahaan,
biasanya lebih masif (Gitman dan Zutter, 2015) atau kombinasi dua perusahaan
di mana hanya satu perusahaan yang bertahan sementara yang lain tidak lagi
beroperasi. (Gaughan, 2007). Konsolidasi berbeda dengan merger. Konsolidasi
adalah penggabungan dua atau lebih perusahaan menjadi satu perusahaan baru
(Gitman dan Zutter, 2015). Perbedaan antara konsolidasi dan merger terkait
dengan perusahaan itu sendiri. Dalam konsolidasi, jika terdapat dua atau lebih
perusahaan yang bergabung, maka akan terbentuk perusahaan baru. Di sisi lain,
penggabungan antara dua atau lebih perusahaan akan membuat hanya ada satu
perusahaan.
Menurut Smirnova (2015) dalam Atikah I, dkk. (2021) mengungkapkan
pemahaman yang lebih dalam mengenai latar belakang dilakukannya merger
ataupun akuisisi yaitu untuk mengenali kekuatan apa (ekonomi, keuangan,
teknologi, dll.) yang bisa mendorong perusahaan dan perusahaan lain menuju
terciptanya suatu kerjasama atau semacamnya. Sejalan dengan pernyataan
Smirnova, Natt dkk. (2007) dalam Kandil dan Chowdhury (2014) menyatakan
bahwa merger dan akuisisi penting bagi bank syariah untuk mempercepat
pertumbuhan kinerja bank dan dapat menguntungkan karena mampu
menciptakan skala atau cakupan ekonomi yang lebih baik sehingga perusahaan
dapat memiliki akses yang lebih baik ke pasar modal kemudian menurunkan
biaya modal sebagai keuntungan finansial. Mahmood et al. (2012) dalam Kandil
dan Chowdhury (2014) dalam penelitiannya tentang bank syariah di Pakistan
menunjukkan bukti yang signifikan bahwa tujuan utama sektor bisnis
perbankan syariah dalam merger dan akuisisi adalah untuk memperbesar
sinergi. Merger dan akuisisi kegiatan sektor perbankan syariah dianggap lebih
pada tingkat ekonomi makro dibandingkan dengan ekonomi mikro (Kandil &
Chowdhury, 2014).
Adanya aktivitas merger diharapkan dapat meningkatkan kinerja keuangan
perbankan syariah, serta menjadikan dapat menarik investor untuk
menanamkan sahamnya pada sektor perbankan syariah sehingga dapat
4
meningkatkan juga perekonomian Indonesia secara tidak langsung. Hal ini
sejalan dengan pernyataan Gupta (2015) dalam Atikah, dkk. (2021)
mengungkapkan dalam jurnalnya bahwa sektor perbankan memiliki peran
penting dalam pertumbuhan dan perkembangan ekonomi dari suatu negara
(Atikah I, dkk., 2021). Meskipun demikian, merger yang akan dilakukan oleh 3
BUS BUMN di Indonesia memiliki maksud dan tujuan yang baik, akan tetapi
hal ini menimbulkan pro dan kontra dalam prosesnya. Bagi beberapa pihak
merger bank syariah ini dinilai dapat memperkuat posisi bank syariah di industri
perbankan secara keseluruhan selain itu juga dapat memperluas pangsa pasar
perbankan syariah di Indonesia. Namun, untuk pihak yang menolak beralasan
bahwa merger ini dinilai hanya akan menggabungkan aset, tetapi tidak
meningkatkan nilai untuk industri perbankan syariah itu sendiri, sehingga lebih
baik bank syariah tetap bersaing dan mendorong pertumbuhan bank syariah di
Indonesia.
Terkait isu pro dan kontra yang tersebar di masyarakat selama pre dan pasca
merger dilakukan. Hal ini perlu diadakan pengkajian lebih lanjut dari sisi ilmiah
agar dapat dibuktikan dan menjadi referensi yang dapat
dipertanggungjawabkan. Sehingga dalam penelitian ini peneliti mempunyai
tujuan untuk mengkaji terkait perbedaan pada kinerja keuangan sebelum dan
sesudah merger perbankan syariah serta menganalisis hubungan yang terjadi
pada indikator variabel yang diteliti. Untuk mengukur indikator dalam
penelitian ini menggunakan Metode VECM (Vector Error Correction Model)
untuk meramalkan (Forecasting) kinerja keuangan 3 Bank Umum Syariah yaitu
Bank Mandiri Syariah, BRI Syariah, serta BNI Syariah. Selain itu penelitian ini
juga bertujuan untuk melihat ada atau tidaknya hubungan yang terjadi pada
rasio keuangan yang telah ditentukan dengan pendekatan time series approach.
Beberapa penelitian yang telah dilakukan terkait prediksi atau peramalan
menggunakan metode VECM yang telah ada sebelumnya yaitu penelitian yang
telah dilakukan seperti pada penelitian Setiawan I.(2019) mengenai model
VECM dalam mengakaji kontribusi perbankan syariah terhadap perekonomian
di Indonesia. Hasil penelitian menunjukan adanya hubungan sebab akibat dua
5
arah antara pembiayaan perbankan syariah dengan pertumbuhan ekonomi.
Perubahan volume pembiayaan di masa lalu mempunyai pengaruh terhadap
perubahan output riil dimasa sekarang, dan sebaliknya, perubahan output riil di
masa lalu juga mempunyai pengaruh terhadap perubahan volume pembiayaan
dimasa sekarang. Perubahan Sertifikat Wadiah Bank Indonesia (SWBI) masa
lalu akan mempengaruhi nilai pembiayaan sektor perbankan syariah dan tingkat
inflasi di masa sekarang. Dalam jangka panjang pertumbuhan pembiayaan
perbankan syariah dan bonus SWBI/SBI Syariah berpengaruh signifikan
terhadap pertumbuhan ekonomi. Kontribusi pembiayaan bank syariah dan
bonus SWBI/SBI Syariah terhadap pertumbuhan ekonomi masih sangat rendah
(Setiawan I., 2019).
Terkait Model VECM menurut A. Faturrahman & F. Rusdi (2019) dalam
penelitiannya menganalisis faktor-faktor yang mempengaruhi likuiditas Bank
Syariah Indonesia hasil penelitian menunjukan Return On Asset (ROA) dalam
jangka panjang memiliki pengaruh negatif dan signifikan terhadap FDR.
Sedangkan dalam jangka pendek, ROA memiliki pengaruh positif dan
signifikan terhadap FDR. Indikasi yang menyebabkan variabel ROA
berpengaruh negatif terhadap likuiditas bank syariah adalah adanya persaingan
yang ketat sehingga menimbulkan ketidakefisien manajemen yang
mengakibatkan pada profit atau kinerja keuangan turun dan munculnya
pembiayaan bermasalah maka akan mempengaruhi permodalan dan akan
menimbulkan masalah likuiditas sebab bank tak mampu memenuhi kewajiban
dalam jangka pendek (A. Faturrahman & F. Rusdi, 2019).
Pada penelitian lainnya dengan menggunakan indikator yang berbeda
terkait merger dikemukakan oleh Yusuf, M., & Ichsan, R. N.(2021) mengenai
merger yang dilakukan perbankan syariah di Indonesia menunjukkan bahwa
variabel NPF, FDR, BOPO, dan CAR secara simultan merupakan kinerja
keuangan Bank Umum Syariah di Indonesia periode 2011-2020. Secara
simultan variabel NPF, FDR, BOPO dan CAR berpengaruh signifikan terhadap
kinerja keuangan (ROA) bank umum syariah di Indonesia periode 2011-2020.
Berdasarkan besarnya adjusted R2 adalah 0,979 yang berarti 97,9% kinerja
6
keuangan (ROA) bank umum syariah dipengaruhi oleh variabel bebas,
sedangkan 0,21% dipengaruhi oleh faktor lain di luar penelitian. CAR secara
parsial berpengaruh positif tidak signifikan terhadap kinerja keuangan (ROA)
bank umum syariah di Indonesia periode 2011-2020. Secara parsial, NPF
berpengaruh positif tidak signifikan terhadap kinerja keuangan (ROA) bank
umum syariah di Indonesia periode 2011-2020. Secara parsial BOPO
berpengaruh negatif signifikan terhadap kinerja keuangan (ROA) bank umum
syariah di Indonesia periode 2011-2020. Secara parsial, FDR berpengaruh
positif tidak signifikan terhadap kinerja keuangan (ROA) bank umum syariah
di Indonesia periode 2011-2020 (Yusuf, M., & Ichsan, R. N., 2021).
Selain itu, untuk mengukur kinerja keuangan menurut A. Rashid & N.
Naeem (2016) bahwa cara mengukur kinerja keuangan secara empiris
menggunakan rasio keuangan yaitu rasio profitabilitas (ROA, Profit Margin),
Rasio solvabilitas/leverage (DER, ICR) dan rasio likuiditas (Current Ratio &
Quick Ratio). Kinerja keuangan perbankan syariah pada penelitian ini
diproksikan diukur dengan menggunakan Profitability Ratio, Laverage Ratio
dan Liquidity Ratio. Untuk mengukur profitabilitas menurut Harmono (2011,
110) yaitu Net Profit Margin (NPM), Gross Profit Margin (GPM), Return On
Assets (ROA), Return On Equity (ROE). Untuk pengukuran profitabilitas pada
penelitian ini hanya menggunakan 2 valriabel saja yaitu Return On Assets
(ROA), Net Profit Margin (NPM). Sedangkan untuk solvabilitas dengan
melihat laverage ratio didiproksikan dengan Debt to Equity Ratio dan Debt to
Asset Ratio dan untuk mengukur likuiditas didiproksikan dengan Current Ratio.
Apabila ditinjau dari latar belakang diatas, meskipun secara umum
perbankan syariah di Indonesia terus mengalami pertumbuhan dan
perkembangan setiap tahunnya secara pangsa pasarnya, tetapi secara
pertumbuhan aset, PYD dan DPK mengalami penurunan selama 4 tahun
terakhir. Sehingga pemerintah mengambil tindakan merger sebagai solusi
mengenai permasalahan tersebut. Namun langkah tersebut masih menuai pro
dan kontra dimasyarakat. Mengenai isu pro dan kontra dilakukannya merger
ini perlu dibuktikan secara ilmiah terlebih pada kinerja keuangan perbankan
7
syariah yang dimerger. Dengan referensi indikator pengukuran kinerja
keuangan dari penelitian terdahulu hal ini nantinya dapat membuktikan sejauh
mana pengaruh merger pada kinerja keuangan pada ketiga bank syariah yang
dimerger tersebut. Selain itu dapat dilihat pula bagaimana prospek kedepannya
setelah dilakukannya merger dan dapat memberikan informasi perihal
hubungan antar indikator pengukuran kinerja keuangan bank syariah yang telah
dimerger. Oleh sebab itu penulis tertarik untuk melakukan penelitian yang
berjudul :
“Analisis Kinerja Keuangan Pada Bank Umum Syariah BUMN Di
Indonesia Sebelum Dan Sesudah Merger Dengan Metode VECM (Vector
Error Correction Model)”
B. Identifikasi Masalah
Terkait merger yang dilakukan oleh 3 Bank Umum Syariah BUMN pada
2020 membuat reaksi dibanyak pihak. Oleh sebab itu penelitian ini bertujuan
untuk menganalisis pengaruh dari rencana merger tersebut. Berdasarkan latar
belakang diatas perlu adanya identifikasi masalah terkait dengan penelitian ini,
permasalahan yang dapat diidentifikasi sebagai berikut :
1. Pertumbuhan Bank Umum Syariah di Indonesia yang mengalami
perlambatan selama 5 tahun terakhir.
2. Reaksi berbagai pihak mengenai rencana merger Bank Syariah BUMN
dalam hal ini masih terpecah menjadi dua golongan yaitu pro dan kontra.
3. Kinerja keuangan perbankan syariah sebelum merger ini masih cukup
tertinggal dibandingkan dengan Bank Konvensional dan di Indonesia pun
belum memiliki Bank Syariah besar seperti diluar negeri.
C. Batasan Masalah
Penelitian ini fokus pada permasalahan terkait kinerja keuangan perbankan

syariah sebelum merger ini masih cukup tertinggal dibandingkan dengan Bank
8
Konvensional dan di Indonesia pun belum memiliki Bank Syariah besar seperti
diluar negeri. Kemudian, prospek kinerja keuangan setelah 3 bank syariah yaitu
Bank Syariah Mandiri, BRI Syariah,dan BNI Syariah di merger.
D. Rumusan Masalah
Untuk menghindari terjadinya pembiasan dan pelebaran dalam pembahasan

ini, maka sangat perlu membatasi dan menspesifikasi rumusan masalah agar
menghasilkan pengetahuan yang mendalam dan terperinci. Permasalahan dapat
didefinisikan sebagai suatu pernyataan tentang keadaan yang belum sesuai
dengan yang diharapkan. Bisa jadi kata yang digunakan untuk menggambarkan
suatu keadaan yang bersumber dari hubungan antara dua faktor atau lebih yang
menghasilkan situasi yang membingungkan.Oleh karenanya. Keperluan kajian
dan perbincangan dari penghampiran latar belakang di atas, munculah
pertanyaan-pertanyaan dari penulis mengenai kajian skripsi ini yang dijadikan
pokok-pokok perumusan masalah:
1. Bagaimana tingkat Profitabilitas pada Bank Umum Syariah di Indonesia
sebelum dan setelah dilakukan merger?
2. Bagaimana tingkat Solvabilitas pada Bank Umum Syariah di Indonesia
3. Bagaimana tingkat Likuiditas pada Bank Umum Syariah di Indonesia
4. Adakah pengaruh antar indikator variabel dari kinerja keuangan Bank
Umum Syariah di Indonesia sebelum dengan setelah dilakukan merger?
E. Tujuan Penelitian dan Manfaat Penelitian
1. Tujuan Penelitian
Adapun tujuan penulisan proposal skripsi ini adalah untuk:
a. Untuk mengetahui tingkat Profitabilitas pada Bank Umum Syariah di
Indonesia sebelum dan sesudah dilakukan merger.
9
b. Untuk mengetahui tingkat Solvabilitas pada Bank Umum Syariah di
c. Untuk mengetahui tingkat Likuiditas pada Bank Umum Syariah di
d. Untuk mengetahui ada atau tidaknya pengaruh antar indikator variabel
sebelum dan sesudah merger terhadap kinerja keuangan pada Bank
Umum Syariah di Indonesia.
2. Manfaat Penelitian
Hal penting dalam sebuah penelitian adalah kemanfaatan yang dapat

dirasakan dan diterapkan setelah terungkapnya hasil dari sebuah
penelitian.
Adapun manfaat yang diharapkan setelah penelitian ini berlangsung

adalah:
a. Manfaat Teoritis
Dengan penelitian ini diharapkan dapat memberikan pemikiran
terkait mengenai pengaruh merger terhadap kinerja keuangan sebelum
dan sesudah dilakukan merger 3 Bank Umum Syariah BUMN
Indonesia yaitu PT. Bank Syariah Mandiri, PT. Bank BRI Syariah
Tbk., dan PT. Bank BNI Syariah.
b. Manfaat Praktis
Penelitian ini agar bisa digunakan sebagai bahan pertimbangan
bagi para praktisi perbankan syariah. Selain itu dapat menjadi acuan
bagi manajemen bank yang melakukan merger terkait bagaimana
pengelolaan operasional bank Syariah terkait kinerja keuangannya.
Sehingga tingkat keberhasilan merger menjadi optimal.
10
BAB II
TINJAUAN PUSTAKA
A. Landasan Teori
1. Merger
Penggabungan usaha menurut Kurniadiharja dalam jurnal Matuankotta, J.

K. (2012) menjelaskan bahwa penggabungan usaha merupakan salah satu cara
perusahaan dalam melakukan restrukturisasi dengan tujuan untuk memperluas
jaringan usaha serta untuk meningkatkan sinergi perusahaan. Matuankotta, J.
K. (2012).
Pengembangan/perluasan (ekspansi) perusahaan dapat dilakukan melalui

dua cara, yaitu: (1) ekspansi internal (internal business expansion) dan (2)
ekspansi eksternal (external business expansion). Ekspansi internal adalah
pengembangan perusahaan yang dilakukan tanpa melibatkan organisasi di luar
perusahaan. Ekspansi eksternal adalah pengembangan perusahaan yang
dilakukan dengan melibatkan organisasi di luar perusahaan. Pengembangan
dengan cara ini sering disebut sebagai penggabungan badan usaha (business
combination).
Penggabungan badan usaha merupakan penyatuan dua atau lebih

perusahaan menjadi satu kesatuan ekonomi. Ada dua cara yang dapat ditempuh
untuk menggabungkan badan usaha, yaitu melalui fusi dan akuisisi. Fusi adalah
penggabungan dua atau lebih perusahaan menjadi satu kesatuan ekonomi yang
lebih besar. Fusi ini dapat dilakukan dengan cara merger atau konsolidasi.
Akuisisi adalah penggabungan dua atau lebih perusahaan dengan cara
menguasai posisi kontrol terhadap perusahaan lain. Posisi kontrol ini diperoleh
dengan jalan menguasai sebagian besar (lebih dari 50 persen) saham
perusahaan lain.
11
Menurut Brealey, Myers, & Marcus (2011), Merger merupakan
penggabungan badan usaha menjadi satu dengan cara mengambil alih atau
membeli semua assets dan liabilities perusahaan yang digabung. Dalam merger
perusahaan yang mengambil alih memiliki paling tidak 50 persen saham,
sedangkan perusahaan yang diambil alih berhenti beroperasi dan pemegang
sahamnya menerima sejumlah uang tunai atau saham di perusahaan yang baru.
Menurut Ross (2012), Merger juga didefinisikan sebagai penyerapan suatu

perusahaan oleh perusahaan lain. Dalam hal ini perusahaan yang membeli akan
melanjutkan nama dan identitasnya. Perusahaan pembeli juga akan mengambil
alih, baik aset maupun kewajiban perusahaan yang dibeli. Setelah merger,
perusahaan yang dibeli akan hilang atau berhenti beroperasi sebagai suatu
entitas bisnis yang terpisah.
Berdasarkan jenis perusahaan yang bergabung, merger dapat dibedakan

menjadi beberapa bentuk, yaitu (Gitman & Zutter, 2012):
a. Horizontal merger, yaitu merger yang terjadi ketika dua atau lebih
perusahaan yang bergerak di bidang industri yang sama bergabung.
Contohnya merger perusahaan produsen mesin. Bentuk merger ini
menyebabkan ekspansi operasi perusahaan dalam lini produk tertentu dan
pada waktu yang sama bisa mengeliminasi persaing.
b. Vertical merger, yaitu merger yang terjadi ketika suatu perusahaan
mengakuisisi perusahaan supplier atau customer-nya. Misalnya
perusahaan rokok mengakuisisi perusahaan perkebunan tembakau,
perusahaan garmen mengakuisisi perusahaan tekstil, dan sebagainya.
Manfaat ekonomi dari merger vertikal berasal dari kontrol perusahaan
yang meningkat terhadap bahan baku atau distribusi barang-barang akhir
perusahaan yang diakuisisi.
c. Congeneric merger, yaitu merger yang terjadi ketika perusahaan dalam
industri yang sama tetapi tidak dalam garis bisnis yang sama dengan
supplier atau customer-nya. Contohnya adalah merger dari produsen
peralatan mesin dengan produsen sistem konveyor industri. Manfaat dari
12
merger congeneric adalah kemampuan untuk menggunakan saluran
penjualan dan distribusi yang sama untuk menjangkau pelanggan dari
kedua bisnis.
d. Conglomerate merger, yaitu merger yang terjadi antara perusahaan yang
berada dalam bisnis yang tidak berhubungan (unrelated business).
Misalnya merger perusahaan yang menghasilkan food products dengan
perusahaan komputer. Manfaat utama merger ini adalah kemampuan
mengurangi resiko karena perusahaan yang bergabung memiliki pola
siklikal dan musiman penjualan dan pendapatan yang berbeda.
2. Kinerja Keuangan
Fahmi (2012 : 2) yang dikutip oleh Marsel Pongoh (2013) menyatakan

kinerja keuangan adalah suatu analisis yang dilakukan untuk melihat sejauh
mana suatu perusahaan telah melaksanakan dengan menggunakan aturan-
aturan pelaksanaan keuangan dengan baik dan benar. Seperti dengan membuat
suatu laporan keuangan yang telah memenuhi standart dan ketentuan dalam
SAK (Standar Akuntansi Keuangan) atau GAAP (General Acepted Accounting
Priciple), dan lainnya.
Menurut Prastowo yang dikutip oleh Putri Hidayatul Fajrin (2016)

menyebutkan unsur dari kenerja keuangan perusahaan adalah unsur yang
berkaitan secara langsung dengan pengukuran kinerja perusahaan yang
disajikan pada laporan laba rugi, penghasilan bersih seringkali digunakan
sebagai ukuran kinerja atau sebagian dasar bagi ukuran lainnya.
1. Profitabilitas
Menurut Sartono (2011:114), “Rasio Profitabilitas adalah rasio yang dapat

mengukur kemampuan perusahaan memperoleh laba, baik dalam hubungan
dengan penjualan, asset maupun modal sendiri. Menurut Abdul (2010: 25)
dalam buku Kasmir (2016) Rasio Profitabilitas adalah rasio yang mengukur
kemampuan perusahaan dalam menghasilkan laba selama periode tertentu dan
13
juga memberikan gambaran tentang tingkat efektifitas manajemen dalam
melaksanakan kegiatan operasinya.
Rasio profitabilitas yang digunakan dalam penelitian ini terdiri dari:
a. Return On Assets (Tingkat Pengembalian Asset)

Merupakan rasio perbandingan antara laba bersih setelah pajak
dengan total aktiva. Return on asset sering juga disebut sebagai return on
investment, karena retutn on assets ini melihat sejauh mana investasi yang
telah ditanamkan mampu memberikan pengembalian keuntungan sesuai
dengan yang diharapkan dan investasi tersebut sebenarnya sama dengan
aset perusahaan yang dianamkan. Semakin tinggi return on assets, maka
semakin baik total aktiva yang dipergunakan untuk operasi perusahaan
mampu memberikan laba bagi perusahaan sehingga kondisi ini efisien bagi
perusahaan. Sebaliknya, semakin rendah return on assets maka semakin
buruk total aktiva yang dipergunakan untuk operasi perusahaan tidak
memberikan laba bagi perusahaan sehingga kondisi ini tidak efisien bagi
perusahan. Rasio atau pedoman yang baik adalah > 5 %. Rumus untuk
mencari Return On Assets adalah sebagai berikut:
b. Net Profit Margin (Margin Laba Bersih)

Merupakan rasio perbandingan antara laba bersih setelah pajak
dengan penjualan bersih. Net profit margin adalah rasio yang digunakan
untuk menunjukkan kemampuan perusahaan dalam menghasilkan
keuntungan bersih setelah dipotong pajak. Semakin tinggi net profit
margin, maka semakin baik kemampuan perusahaan untuk menghasilkan
laba bersih pada tingkat penjualan tertentu sehingga perusahan dinilai
sebagai perusahaan yang efisien. Sebaliknya, jika semakin rendah net
profit margin maka semakin buruk kemampuan perusahaan dalam
14
menghasilkan laba bersih pada tingkat penjualan sehingga perusahaan
cenderung dinilai tidak efisien. Rasio atau pedoman yang baik adalah > 5
%. Rumus untuk mencari Net Profit Margin adalah sebagai berikut:
2. Solvabilitas
Menurut Kasmir (2016:151) dalam bukunya berpendapat bahwa rasio
solvabilitas adalah rasio yang digunakan untuk mengukur sejauh mana utang
membiayai aktiva perusahaan. Artinya seberapa besar beban utang yang
ditanggung perusahaan dibandingkan dengan aktivanya. Arti secara luasnya
dapat dikatakan bahwa rasio solvabilitas berguna untuk mengukur kemampuan
perusahaan untuk membayar seluruh kewajibannya, baik jangka pendek
maupun jangka panjang apabila perusahaan dibubarkan (dlikuidasi). Dalam
penelitian ini, peneliti akan menggunakan Debt to equity ratio.
Menurut Kasmir (2016:157), bahwa: “Debt to equity ratio merupakan
rasio yang digunakan untuk menilai utang dengan ekuitas. Cara untuk mencari
rasio ini yaitu dengan cara membandingkan antara seluruh utang, termasuk
utang lancar dengan seluruh ekuitas. Rasio ini berguna untuk mengetahui
jumlah dana yang disediakan peminjam (kreditor) dengan pemilik perusahaan.
Dengan kata lain, rasio ini berfungsi untuk mengetahui setiap rupiiah modal
sendiri yang dijadikan untuk jaminan utang”. Adapun rumus untuk mencari
debt to equity ratio adalah sebagai berikut:
𝐓𝐨𝐭𝐚𝐥 𝐔𝐭𝐚𝐧𝐠 (𝑫𝒆𝒃𝒕)

Debt to Equity Ratio =
𝐓𝐨𝐭𝐚𝐥 𝐄𝐤𝐮𝐢𝐭𝐚𝐬 (𝑬𝒒𝒖𝒊𝒕𝒚)
15
3. Likuiditas
Rasio likuiditas menurut Fred Weston dalam Kasmir (2016:110),
“merupakan rasio yang menggambarkan kemampuan perusahaan dalam
memenuhi kewajiban jangka pendek”. Fungsi lain dari rasio likuiditas
adalah untuk menunjukkan atau mengukur kemampuan perusahaan dalam
memenuhi kewajibannya yang jatuh tempo, baik kewajiban kepada pihak
luar perusahaan (likuiditas badan usaha) maupun di dalam perusahaan
(likuiditas perusahaan).
Secara umum tujuan utama rasio likuiditas seperti yang diungkapkan
oleh Kasmir (2016:133) adalah: “untuk menilai kemampuan perusahaan
dalam memenuhi kewajibannya”. Disamping itu, dari rasio likuiditas dapat
diketahui hal-hal lain yang lebih spesifik yang juga masih berkaitan dengan
kemampuan perusahaan dalam memenuhi kewajibannya. Semua ini
tergantung dari jenis rasio likuiditas yang digunakan. Dalam penelitian ini,
peneliti akan menggunakan rasio lancar (current ratio).
Menurut Kasmir (2016:134), rasio lancar yaitu: “rasio yang digunakan
untuk mengukur kemampuan perusahaan dalam membayar kewajiban
jangka pendek maupun utang yang segera jatuh tempo pada saat ditagih
secara keseluruhan”. Rumus untuk mencari rasio lancar atau current ratio
adalah sebagai berikut:
𝐀𝐤𝐭𝐢𝐯𝐚 𝐋𝐚𝐧𝐜𝐚𝐫 (𝑪𝒖𝒓𝒓𝒆𝒏𝒕 𝑨𝒔𝒔𝒆𝒕𝒔)

Current Ratio =
𝐔𝐭𝐚𝐧𝐠 𝐋𝐚𝐧𝐜𝐚𝐫 (𝑪𝒖𝒓𝒓𝒆𝒏𝒕 𝑳𝒊𝒂𝒃𝒊𝒍𝒊𝒕𝒊𝒆𝒔)
3. Vector Autoregressive (VAR)
Pada tahun 1980, Sims memperkenalkan model VAR untuk pertama

kalinya, yang memberikan alternatif untuk beberapa persamaan dengan
mempertimbangkan dan meminimalkan metode teoritis yang bertujuan
menangkap fenomena/peristiwa dalam perekonomian. Jika terjadi
sinkronisasi hubungan antar variabel yang diteliti, maka variabel tersebut
16
harus diperlakukan dengan cara yang sama agar variabel dependen dan
independen tidak ada lagi (Ekananda, 2014).
Selain itu menurut Gujarati (2011), Model VAR merupakan salah satu
model time series yang sering digunakan dalam penelitian terutama di
bidaang ekonometrika yang dapat dipakai untuk menjelaskan perubahan
suatu data.
Menurut Gujarati (2011) dengan metode VAR terdapat beberapa

keuntungan yang dapat diperoleh jika dibandingkan menggunakan metode
lain:
1. Tidak perlu adanya pemisahan variabel dependent maupun

independent sehingga lebih simple.
2. Estimasi yang didapatkan lebih sederhana karena menggunakan
metode OLS (Ordinary Least Square) yang biasa.
3. Hasil estimasi yang didapatkan lebih mudah diinterpretasikan
dibandingkan dengan metode lain.
Disamping itu metode VAR mempunyai beberapa keunggulan-

keunggulan antara lain:
1. Metode VAR lebih sederhana, karena tidak perlu adanya

kekhawatiran dalam membedakan mana variabel dependent atau
independent.
2. Estimasinya yang sederhana, mampu diaplikasikan untuk tiap-tiap
persamaan secara terpisah.
3. Hasil peramalam (forecast) yang didapat menggunakan metode VAR
pada banyak kasus biasanya lebih bagus jika dibandingkan dengan
hasil yang diperolah menggunakan model persamaan simultan yang
kompleks sekalipun.
4. Metode VAR juga merupakan alat analisis yang sangat berguna, baik
dalam memahami adanya hubungan timbal balik antara variabel-
17
variabel ekonomi maupun didalam pembentukan model ekonomi
yang berstruktur (Basuki & Prawoto, 2016).
Berdasarkan Brooks (2008), suatu model VAR merupakan suatu model

dimana variabel y dalam nilai saat ini, bergantung pada nilai-nilai variabel
tersebut yang telah diambil pada periode-periode sebelumnya ditambah
dengan galat. Suatu model Autoregressive dengan orde p, dilambangkan
dengan AR(p), yang dinyatakan sebagai berikut :
𝑦𝑡= 𝛼 + 𝛽1𝑦𝑡−1 + 𝛽2𝑦𝑡−2 + ⋯ + 𝛽𝑝𝑦𝑡−𝑝 + s𝑡 dimana :
𝛼 = konstanta
𝛽1, 𝛽2, … , 𝛽𝑝 = parameter pada model AR ke-i, i=1,2,…,p
𝑦𝑡−1, 𝑦𝑡−2, …,𝑦𝑡−𝑝 = nilai masa lalu pada deret runtun waktu yang
bersangkutan
pada saat t-1, t-2, …, t-p
s = galat pada saat t
Model (VAR) adalah kombinasi dari beberapa model autoregressive

(AR). Model VAR merupakan teknik persamaan yang menampilkan setiap
variabel sebagai fungsi linier dari suatu konstanta dan nilai lag dari variabel
itu sendiri serta nilai lag variabel dalam sistem. Metode ini merupakan
analisis perubahan multivariat dan periode waktu. Perbedaan utama antara
regresi berganda dan periode waktu adalah tes tindak lanjut, mengenai
waktu di dalam atau di antara variabel. Analisis VAR biasanya setara
dengan model persamaan simultan, karena analisis mempertimbangkan
beberapa variabel dependen bersama-sama dalam sebuah model. Selain
dijelaskan oleh nilai masa lalu, setiap variabel juga dipengaruhi oleh nilai
masa lalu dari semua variabel dependen lainnya dalam model observasi.
Model VAR yang akan digunakan dalam penelitian ini adalah model lima
peubah (multivariate). Model bivariate VAR dalam aplikasinya lebih
sederhana.
18
4. Uji Stasioneritas
Proses penggunaan model peramalan VAR diawali dengan uji
stasioneritas pada data yang akan dipelajari. Jika data yang diteliti stabil
pada level ini, model VAR yang digunakan adalah tipe model VAR biasa
(Unrestricted VAR). Namun jika data yang diteliti tidak stabil pada tingkat
level, maka akan dilakukan uji stabilitas melalui proses diferensiasi
data.Langkah selanjutnya menggunakan metode Johansson test untuk
melakukan uji kointegrasi. hubungan jangka panjang atau sebaliknya Hal
yang sama berlaku. Jika tidak ada hubungan kointegrasi, model VAR yang
dapat digunakan adalah VAR dengan data diferensial (VAR in difference).
Uji stasioneritas dilakukan dengan menggunakan unit root test, tujuannya
untuk mengetahui apakah data yang digunakan mengandung unit root,
begitu juga sebaliknya. Jika data yang digunakan mengandung unit root,
maka data yang digunakan disebut data non-stasioner, sebaliknya jika data
mendekati nilai rata-rata dan tidak terpengaruh oleh waktu maka disebut
data stasioner. Data stasioner merupakan salah satu asumsi yang harus
dipenuhi untuk melakukan pemodelan VAR. Ini membentuk dasar data
deret waktu. Uji stasioneritas yang sangat populer yang sering digunakan
adalah uji unit root. Bila akar unit terkandung dalam suatu variabel, maka
dapat dikatakan bahwa variabel tersebut tidak stasioner. Dalam uji akar unit,
terdapat variabel yang umum digunakan, yaitu uji Augmented Dickey Fuller
(ADF) (Ekananda, 2014).
Untuk melakukan Uji stasioneritas biasanya menggunakan analisis
grafis yaitu Autocorrelation Function (ACF) dan correlogram juga unit root
test (menggunakan uji formal). Jika pada tingkat level data yang diteliti
belum memperoleh grafik yang stasioner, maka dilakukan transformasi
sehingga data yang diteliti menjadi data yang bersifat stasioner, seperti pada
data yang telah dilakukan First Difference. (Ekananda, 2014)
Berdasarkan Gujarati (2003), data runtun waktu bisa dikatakan
stasioner apabila memenuhi :
a. Mean : E(Yt) = μ yaitu mean dari Y adalah konstan.
19
b. Variance : var(Yt) = E(𝑌𝑡 − 𝜇)2 = 𝜎2, varians dari Y adalah konstan.
c. Variance didefinisikan sebagai hubungan data pada waktu yang sama.
d. Covariance : 𝛾𝑘 = E[(𝑌𝑡 − 𝜇) − 𝑌𝑡+𝑘 − 𝜇], didefinisikan sebagai

hubungan data antar waktu.
uji Augmented Dickey Fuller (ADF) digunakan untuk meneliti unit root
test pada sebuah variabel. Adapun formulasi pada uji ADF adalah sebagai
berikut.
𝑦𝑡 = 𝑦𝑡−1 + s𝑡
Persamaan diatas menunjukkan bahwa s𝑡 ialah stochasticss error term
memiliki rata-rata sama dengan 0, varians (𝜎2) konstan, sehingga tidak
terdapat autokorelasi pada variabel. Jika koefisien 𝑦𝑡−1 sama dengan 1,
maka timbul masalah yang disebut dengan maslah unit root (unit roots
problems). Sehingga estimasi regresi dinyatakan sebagai berikut:
𝑦𝑡 = 𝜌𝑦𝑡−1 + s𝑡
Dimana 𝜌 merupakan koefisien autoregressive. Jika 𝜌 sama dengan

satu, maka dapat berarti varians variabel 𝑦𝑡 tidak stasioner. Maka variabel
𝑦𝑡 memiliki unit root, yang dalam ekonometrika sering disebut dengan
random walk. Dalam ekonometrika, random walk adalah salah satu bentuk
data periode waktu yang non-stasioner. Sehingga persamaan tersebut dari
sisi kanan dan kirinya dikurangi dengan 𝑦𝑡−1, sehingga persamaannya
menjadi:
𝑦𝑡 − 𝑦𝑡−1 = 𝜌𝑦𝑡−1 − 𝑦𝑡−1 + s𝑡
∆𝑦𝑡 = (𝜌 − 1)𝑦𝑡−1 + s𝑡
∆𝑦𝑡 = 𝛿𝑦𝑡−1 + s𝑡
20
Dengan 𝛿 dan ∆ merupakan bentuk perbedaan (first difference), yang
mana ∆𝑦𝑡 = 𝑦𝑡 − 𝑦𝑡−1. Apabila 𝛿 = 0 maka 𝜌 = 1, sehingga 𝑦𝑡 memilki akar
unit atau tidak stasioner. Maka dibentuklah sistematika untuk uji hipotesis
agar mampu mengetahui ada atau tidaknya akar unit sebagai berikut.
Hipotesis
𝐻0: 𝛿 = 0 (tidak stasioner karena mengandung akar unit)
𝐻1: 𝛿 < 0 (stasioner karena tidak mengandung akar unit)
Pengujian tersebut dilakukan dengan cara membandingkan nilai
absolut statistik ADF dengan nilai kritis MacKinnon. Dengan kriteria
pengujian sebagai berikut:
𝐻0 diterima jika nilai absolut statistik ADF < nilai kritis MacKinnon
Nilai probabilitas > 0,05
𝐻1 diterima jika nilai absolut statistik ADF > nilai kritis MacKinnon
Nilai probabilitas < 0,05
(Akbar, Rusgiono, & Tarno, 2016).
5. Menentukan Panjang Lag Optimal

Pada Metode VAR menentukan panjang lag ialah suatu hal yang sangat
penting. Peramalan dalam model VAR terlebih dahulu harus menentukan
berapa panjang lag optimal yang nantinya akan digunakan untuk estimasi
pada model VAR. Proses penetapan panjang lag yang optimal sangat
penting karena untuk menghilangkan autokorelasi pada sistem VAR yang
akan digunakan sebagai analisis stabilitas pada VAR. Maka dengan adanya
lag yang optimal diharapkan masalah autokorelasi tidak muncul.
Panjang lag yang optimal akan ditentukan berdasarkan beberapa
informasi yang tersedia. Lag yang nantinya dipilih adalah lag yang
terpendek berdasarkan kriterisa LR (Likehood Ratio), AIC (Akaike
Information Critrion), FPE (Final Prediction Error), HQ (Hannan-Quin
Criterion) dan SC (Schwarz Information Criterion).
21
6. Uji Kointegrasi
Uji kointegrasi adalah uji untuk menguji integrasi keseimbangan jangka

panjang.Hubungan antarvariabel, baik yang berdiri sendiri, tidak stabil,
tetapi kombinasi linear variabel-variabelnya stabil. Jika beberapa variabel
memiliki akar unit dan tidak terkointegrasi satu sama lain, model VAR dapat
diterapkan. Jika stasioneritas data berada pada tingkat perbedaan orde
pertama, maka diperlukan uji kointegrasi. Variabel individu tidak stasioner,
tetapi ketika variabel-variabel tersebut dihubungkan secara linier, maka
variabel tersebut menjadi stasioner atau biasa disebut masing-masing
variabel kointegrasi. Uji kointegrasi antar variabel dapat menggunakan uji
Engle-Granger dan uji Johansen (Windasari, 2018).
Pemodelan VAR tidak dapat digunakan jika terdapat kointegrasi dalam

uji kointegrasi. Namun model yang digunakan adalah VECM (Vector Error
Correction Model) yang merupakan model terbatas. Spesifikasi VECM
membatasi hubungan perilaku jangka panjang antar variabel yang
digunakan dalam sistem persamaan untuk dapat konvergen dalam hubungan
kointegrasi, namun tetap memiliki perubahan dinamis jangka pendek.
Koreksi kesalahan berarti bahwa jika ada penyimpangan jangka panjang
dari keseimbangan, ini secara bertahap dikoreksi dengan penyesuaian
parsial jangka pendek. Uji kointegrasi ini berguna untuk mengetahui ada
atau tidaknya keseimbangan jangka panjang antar variabel penelitian. Uji
kointegrasi dapat dilakukan dengan. Ada beberapa hal penting yang perlu
diperhatikan dalam mendefinisikan kointegrasi, antara lain:
a. Kointegrasi berkaitan dengan suatu perpaduan linier dari variabel-

variabel yang stasioner.
b. Seluruh variabel harus terkointegrasi terhadap golongan yang sama.
Apabila ada dua variabel yang terintegrasi pada golongan yang
berbeda, maka kedua variabel tidak mungkin terkointegrasi.
22
c. Meskipun demikian, kemungkinan adanya suatu campuran dari
golongan series yang berbeda jika ada tiga atau lebih series yang
diperhatikan.
d. Jika 𝑥1 mempunyai suatu komponen n, maka kemungkinan terdapat
sebanyak n-1 vektor kointegrasi yang independen linier.
Untuk memperoleh informasi jangka panjang dapat diperoleh dengan

menentukan rentang kointegrasi kemudian mengetahui berapa banyak
sistem persamaan yang diperoleh untuk menjelaskan semua sistem yang
ada. Jika nilai statistik tindak lanjut lebih besar dari nilai kritis 5%, maka
akan menyatakan jumlah rank kointegrasi.
Untuk uji kointegrasi menggunakan hipotesis sebagai berikut:
𝐻0 = tidak terdapat kointegrasi
𝐻𝑎 = terdapat kointegrasi.
Kriteria pengujian sebagai berikut:
𝐻0 ditolak dan hipotis 𝐻𝑎 diterima jika nilai trace statistic> nilai kritis
trace 5%
𝐻0 diterima dan hipotis 𝐻𝑎 ditolak jika nilai trace statistic< nilai kritis
trace 5% (Basuki & Prawoto, 2016).
Uji kointegrasi menurut metode uji kointegrasi Johansen dapat

dilakukan dengan dua uji statistik, yaitu trace statistic dan maximum
eigenvalue. Dimana jika nilai hitung statistik uji yaitu trace statistic dan
maximum eigenvalue lebih besar dari nilai kritis dengan taraf signifikansi
5% dapat disimpulkan bahwa 𝐻0 ditolak dan 𝐻𝑎 diterima sehingga terjadi
kointegrasi dan begitupun sebaliknya (Ni'mah & Yulianto, 2017).
Uji kointegrasi yang paling mendasar adalah mencari kombinasi linear

dari dua variabel yang telah diintegrasikan dalam urutan yang diberikan oleh
variabel dengan kelompok integrasi yang lebih kecil. Jika variabel periode
23
waktu telah terkointegrasi, memiliki hubungan jangka panjang yang stabil,
jika ada dua deret tidak stabil yang meliputi X𝑡 dan terkointegrasi, maka ada
representasi khusus sebagai berikut:
𝑌𝑡 = 𝛽0 + 𝛽1X𝑡 + s𝑡
s𝑡 = 𝑌𝑡 − 𝛽0 − 𝛽1X𝑡
Dalam hal ini s𝑡 (error term) itu stasioner. Kointegrasi dibagi menjadi
2 jenis yaitu kointegrasi bivariat dan multivariat. Kointegrasi yang
pengujiannya dilakukan pada dua variabel saja disebut bivariat, sedangkan
kointegrasi yang pengujiannya dilakukan pada dua variabel atau lebih
disebut dengan multivariat. Metode yang bisa digunakan untuk
menganalisis apakah data periode waktu yang digunakan terkointegrasi
dapat mengguakan uji kointegrasi Johansen. Menurut Johansen uji
kointegrasi pada umumnya hanya digunakan untuk variabel yang
terintegrasi pada orde nol dan orde satu yakni I (0) dan I (1). Uji kointegrasi
Johansen dapat ditunjukkan untuk suatu model VAR (𝑝). Secara umum
dapat dilihat sebagaimana berikut:
∆𝑥𝑡 = 𝑀X𝑡−1 + ∑𝑝−1 𝑀i ∆X𝑡−1 + s𝑡
Pada Persamaan diatas memiliki informasi, baik melalui penyesuaian

jangka panjang maupun jangka pendek terhadap perubahan 𝑥𝑡. Rank pada
matrik 𝑀 ditandai dengan 𝑟, yang digunakan untuk menentukan berapa
banyak kombinasi linier 𝑥𝑡 yang memiliki sifat stasioner. Apabila 0 < 𝑟 <
𝑛, maka ada 𝑟 vektor yang kointegrasi atau r adalah kombinasi linier yang
telah stasioner dari 𝑥𝑡. Pada kasus ini, 𝑀 dapat difaktorisasi sebagai 𝑀 =
𝛼𝛽′ dimana 𝛼 dan 𝛽 merupakan matrik 𝑛 × 𝑟 dengan 𝛼 ialah matriks dari
setiap vektor kointegrasi dengan ukuran 𝑛 × 𝑟 dan 𝛽′ merupakan matrik
parameter kointegrasi 𝑟 × 𝑛.
Untuk bisa mengetahui jumlah vektor yang terkointegrasi, ada tiap hal
yang harus diperhatikan, antar lain:
24
a. Jika rank pada matrik 𝑀 = 0, maka untuk informasi jangka panjang
tidak didapatkan dan VAR stasioner pada orde nol cocok untuk
direpresentasikan.
b. Jika rank pada matrik 𝑀 = 𝑛, maka 𝑀 ialah matriks full rank, maka 𝑥𝑡
stasioner dalam tingkat level dan VAR pada first difference cocok
untuk direpresentasikan.
c. Jika rank pada matrik 𝑀 ialah 0 < 𝑟 < 𝑛, maka 𝛽′𝑥𝑡 telah stasioner
meskipun 𝑥𝑡 tidak stasioner dan bentuk error correction cukup untuk
direpresentasikan.
Tata cara dalam pengujian kointegrasi Johansen ialah sebagai berikut:
1. Melakukan pengujian golongan integrasi terhadap 𝑛 variabel time

series dengan menggunakan uji ADF.
2. Memploting data guna melihat ada atau tidaknya trend linier dan
intercept pada masing-masing variabel time series.
3. Pemilihan panjang lag yang optimal
4. Melakukan pengujian pada jumlah hubungan kointegrasi dengan
menggunakan trace test guna mengukur jumlah vektor kointegrasi
pada data time series dengan cara menggunakan pengujian rank
matriks kointegrasi yang dinyatakan pada persamaan sebagai berikut:
𝜆𝑡𝑟𝑎𝑐𝑒(𝑟) = −𝑇 ∑𝑛
i=𝑟+1
ln(1 − 𝜆̂i)
Dimana T merupakan jumlah observasi, 𝜆̂i ialah perkiraan

eigenvalue yang dihasilkan berdasarkan perkiraan matriks 𝑀, dan 𝑟
merupakan rank yang mengindikasikan suatu jumlah vektor kointegrasi.
Dengan mengetahui berapa jumlah 𝑟 maka akan daat diketahui pula jumlah
suatu hubungan kointegrasi yang ada pada data time series.
Uji hipotesis:
𝐻0 : banyaknya vektor yang kointegrasi dimana (𝑟) = 0
𝐻1 : banyaknya vektor yang kointegrasi dimana (𝑟) > 0
25
Jika nilai trace statistic lebih besar dibandingkan dengan nilai kritis
pada tingkat kepercayaan 𝛼 (5%) atau jika nilai probabilitasnya lebih kecil
dibandingkan 𝛼 (5%) maka hipotesis nol ditolak sehingga terjadi
kointegrasi.
7. VECM (Vector Error Correction Model)
VECM (Vector Error Correction Model) merupakan bentuk VAR yang

telah dibatasi karena bentuk datanya tidak stasioner tetapi memiliki
hubungan kointegrasi. VECM sering disebut sebagai desain VAR untuk
data transien yang memiliki hubungan kointegrasi. Spesifikasi model
VECM membatasi hubungan jangka panjang untuk setiap variabel
dependen sehingga mampu mendekati hubungan kointegrasi namun tetap
memungkinkan momentum dalam jangka pendek.
Setelah model VAR menunjukkan bahwa data deret waktu memiliki

hubungan kointegrasi, model VECM dapat digunakan untuk mengetahui
bagaimana perilaku jangka pendek suatu variabel memiliki nilai jangka
panjang. Model VECM merupakan model yang digunakan untuk
menganalisis data deret waktu multivariat yang tidak stasioner dan memiliki
hubungan kointegrasi linier, sehingga model VAR dengan model VECM
dengan menggunakan 𝑦𝑡−1 (first difference).
Setiap persamaan pada model VAR sebagaimana yang telah di jelaskan

pada persamaan berikut yang akan membentuk suatu diferensiasi seperti
layaknya persamaan ECM yaitu:
𝑦𝑡−𝑦𝑡−1 = 𝛼10 + 𝛽11∆𝑦𝑡−1 − 𝑦𝑡−1 + 𝛽12𝑦𝑡−2 + 𝛽13∆𝑥𝑡−1 + 𝛽14𝑥𝑡−2 +

𝛽15∆𝑧𝑡−1 + 𝛽16𝑧𝑡−2 + s1𝑡
𝑥𝑡−𝑥𝑡−1 = 𝛼20 + 𝛽21∆𝑦𝑡−1−𝑥𝑡−1 + 𝛽22𝑦𝑡−2 + 𝛽23∆𝑥𝑡−1 + 𝛽24𝑥𝑡−2 + 𝛽25∆𝑧𝑡−1

+ 𝛽26𝑧𝑡−2 + s2𝑡
𝑧𝑡−𝑧𝑡−1 = 𝛼30 + 𝛽31∆𝑦𝑡−1−𝑧𝑡−1 + 𝛽32𝑦𝑡−2 + 𝛽33∆𝑥𝑡−1 + 𝛽34𝑥𝑡−2 + 𝛽35∆𝑧𝑡−1

+ 𝛽36𝑧𝑡−2 + s3𝑡
26
Persamaan diatas diatur kembali menjadi sebuah model VECM yaitu:
∆𝑦𝑡 = 𝛼10 + 𝛽11∆𝑦𝑡−1 + 𝛽13∆𝑥𝑡−1 + 𝛽15∆𝑧𝑡−1 − ∂1(𝑦𝑡−1 − 𝛽12𝑦𝑡−2 −
𝛽14𝑥𝑡−2 − 𝛽16𝑧𝑡−2) + s1𝑡
∆𝑥𝑡 = 𝛼20 + 𝛽21∆𝑦𝑡−1 + 𝛽23∆𝑥𝑡−1 + 𝛽25∆𝑧𝑡−1 − ∂2(𝑥𝑡−1 − 𝛽22𝑦𝑡−2 −
𝛽24𝑥𝑡−2 − 𝛽26𝑧𝑡−2) + s2𝑡
∆𝑧𝑡 = 𝛼30 + 𝛽31∆𝑦𝑡−1 + 𝛽33∆𝑥𝑡−1 + 𝛽35∆𝑧𝑡−1 − ∂3(𝑧𝑡−1 − 𝛽32𝑦𝑡−2 −
𝛽34𝑥𝑡−2 − 𝛽36𝑧𝑡−2) + s3𝑡
Pada elemen yang berada diakhir merupakan suatu persaman jangka

panjang persamaan kointegrasi (co integrating equation) dengan variabel
dependen yang bergantian y, z dan w dengan regresor yang sama. Parameter
∂1, ∂2 dan ∂3 ditambahkan untuk suatu parameter yang biasanya disebut
dengan koefisien/vector kointegrasi (co integrating equation). Persamaan
tersebut digunakan sebagai alat untuk melihat dinamika variabel, dengan
memperhatikan adanya penyesuaian, integrasi, koreksi dan adanya
hubungan jangka panjang. Uji Johansen, yang didasarkan pada ide uji ADF
persamaan tunggal yang diadopsi oleh Johansen dalam persamaan sistem
VAR, dimodifikasi dengan proses ADF untuk setiap persamaan sebagai
berikut:
∆𝑦𝑡 = 𝑦𝑡−𝑦𝑡−1 = 𝛼10 + (𝛽11 − 1)𝑦𝑡−1 + 𝛽12𝑥𝑡−1 + 𝛽13𝑧𝑡−1 + 𝛽14𝑦𝑡−2 +
𝛽15𝑥𝑡−2 + 𝛽16𝑧𝑡−2 + s1𝑡
∆𝑥𝑡 = 𝑥𝑡−𝑥𝑡−1 = 𝛼20 + 𝛽21𝑦𝑡−1 + (𝛽22 − 1)𝑥𝑡−2 + 𝛽23𝑧𝑡−1 + 𝛽24𝑦𝑡−2 +
𝛽25𝑥𝑡−2 + 𝛽26𝑧𝑡−2 + s2𝑡
∆𝑧𝑡 = 𝑧𝑡−𝑧𝑡−1 = 𝛼30 + 𝛽31𝑦𝑡−1 + 𝛽32𝑥𝑡−1 + (𝛽33 − 1)𝑧𝑡−2 + 𝛽34𝑦𝑡−2 +
27
𝛽35𝑥𝑡−2 + 𝛽36𝑧𝑡−2 + s3𝑡
(Ekananda, 2016).
8. Uji Kausalitas Granger
Pengujian kausalitas antara variabel yang satu dengan variabel yang

lain dalam sistem persamaan merupakan indikasi ada tidaknya hubungan
antara variabel yang satu dengan variabel yang lain. Cara mencari hubungan
sebab akibat adalah dengan menggunakan uji kausalitas Granger. Uji
kausalitas dilakukan untuk menentukan apakah variabel dependen dapat
diperlakukan sebagai variabel eksogen. Hal ini terjadi karena adanya
hubungan antara satu variabel dengan variabel lainnya; yaitu, jika ada dua
variabel x dan y, maka jika x menyebabkan y atau sebaliknya, jika y
menyebabkan x atau keduanya, atau jika tidak ada hubungan semua untuk
satu variabel dengan variabel lainnya. Variabel x harus dapat menyebabkan
variabel y, yang berarti berapa banyak nilai y yang ada pada periode
sekarang, yang dapat dijelaskan dengan nilai y pada periode sebelumnya
dan nilai x pada periode sebelumnya. Pengujian kausalitas dapat dilakukan
dengan menggunakan beberapa metode diantaranya Grangrer’s Causality
dan Error Correction Model Causality (Ekananda, 2014).
Salah satu fungsi uji stasioneritas dan kointegrasi yang dilakukan

sebelumnya adalah untuk menentukan apakah metode VAR yang akan
digunakan dalam estimasi menggunakan metode VAR in Level atau metode
Vector Error Correction Model (VECM). Jika pengujian sebelumnya
menunjukkan estimasi yang tidak stasioner tetapi memiliki hubungan
kointegrasi dengan variabel data lainnya, maka model yang digunakan
adalah model VECM. Prosedur ini pada dasarnya menggunakan bentuk
VAR yang dibatasi. Pembatasan tambahan ini harus disebabkan oleh bentuk
data non-stasioner yang memiliki hubungan kointegrasi. Model VECM
menggunakan informasi batas kointegrasi yang ada dalam spesifikasi
model. Oleh karena itu, model VECM sering disebut sebagai model VAR
28
untuk data deret waktu(time series) yang tidak stasioner yang memiliki
hubungan kointegrasi.
Berdasarkan konsep uji Kausalitas Granger, dimana x telah

menyebabkan y jika nilai dari periode sebelumnya x memperbaiki suatu
nilai prediksi yang ada pada nilai y. Pengujian Kausalitas Granger dapat
menggunakan uji F. Jika nilai F- statistik lebih besar dibandingkan dengan
F kritis (F tabel) pada tingkat signifikansi yang dipilih, maka dapat
disimpulkan bahwa x juga merupakan Granger Cause y karena dalam hal
ini lag variabel x juga dilibatkan dalam proses regresi. Sehingga untuk
hipotesisnya sebagai berikut:
𝐻0 = Tidak memiliki hubungan Kausalitas
𝐻1 = Memiliki hubungan Kausalitas Dengan uji kriteria:
𝐻0 diterima, jika nilai probabilitas > 𝛼 (0,05)
𝐻1 diterima, jika nilai probabilitas < 𝛼 (0,05)
(Ekananda, 2018).
9. Estimasi dan Evaluasi Akurasi Model VAR/VECM

Setelah model persamaan yang diharapkan diperoleh, berdasarkan
analisis prediktif seperti pada umumnya sangat diperlukan untuk
menentukan tingkat presisi dari hasil model yang diperoleh dan dibentuk
dari model dengan menggunakan MAPE (Mean Absolute Percentage
Error). Sebuah model bekerja dengan baik ketika memiliki MAPE antara
10-20% (Akbar, Rusgiono, & Tarno, 2016).
Menurut Zhang (2015) kriteria pada peramalan MAPE dapat dilihat
pada tabel berikut :
29
Tabel 2.1 Kriteria Nilai Pada MAPE
MAPE Keakuratan Peramalan

< 10% Peramalan sangat akurat
10% - 20% Peramalan baik
20% - 50% Peramalan masuk akal

(wajar)
> 50% Peramalan tidak akurat
(Ranangga, Sumarjaya, & Srinadi, 2018)
10. Impuls Respons Function

Impuls respons function ialah adalah cara untuk menguji struktur
dinamis dari variabel sistem dalam model, yang diamati dan direfleksikan
oleh variabel inovasi. IRF menunjukkan respon dari setiap variabel
dependen dari waktu ke waktu terhadap dampak dari variabel itu sendiri dan
variabel dependen lainnya. IRF juga mengidentifikasi kejutan dalam
variabel dependen untuk menentukan bagaimana perubahan tak terduga
dalam satu variabel dari waktu ke waktu mempengaruhi variabel lain. Oleh
karena itu, IRF digunakan untuk melihat pengaruh saat ini dari variabel
dependen ketika menerima dampak atau inovasi dari variabel independen
sebesar satu standar deviasi.
IRF digunakan untuk menentukan berapa lama shock effect dari satu
variabel akan mempengaruhi variabel lain. IRF juga bertujuan untuk
mengisolasi kejutan (shock) agar lebih akurat, artinya variabel ekonomi
hanya dapat dipengaruhi oleh kejutan (shock) tertentu. Jika hal tersebut tidak
dilakukan maka kejutan spesifik tersebut tidak dapat diketahui secara
umum.
Fungsi respon impuls adalah salah satu analisis terpenting dalam model
VAR. Analisis dapat mengikuti reaksi dari variabel dependen dalam sistem
VAR karena adanya kejutan atau perubahan pada variabel gangguan.
Respon terhadap fungsi respon impuls yang dihasilkan bisa positif, negatif
30
atau tidak sensitif. Jika mendapatkan reaksi positif saat berada di atas garis
horizon dan searah, dan bila mendapatkan reaksi negatif saat berada di
bawah garis horizon dan berlawanan arah, sedangkan dapat dikatakan tidak
ada reaksi yang ditampilkan pada grafik di mana responnya lebih horizontal
dan lebih dekat ke garis horizon. Impulse Respons Function diperoleh dari
proses duplikasi konstruksi model VAR, yang sesuai dengan proses
stabilitas, yang memungkinkan penentuan respon yang terjadi pada y dan z
ketika perubahan terjad pada variabel dalam model VAR. Oleh karena itu,
sesuai dengan konstruksi VAR, IRF dapat dimodifikasi sebagai VAR
standar atau VAR sebagai persamaan simultan dinamis tereduksi
(Ekananda, 2014).
11. Variance Decomposition
Metode yang digunakan untuk menyusun total varians sebagai fungsi

dari varians pada variabel lain sehingga bagian dari varians dari variabel
tertentu dapat diperoleh dari total varians disebut dekomposisi varians.
Pengujian ini menunjukkan persentase pengaruh masing-masing variabel
terhadap variabel lain selama periode waktu yang berbeda (Ekananda,
2014).
dengan VECM akan menunjukkan analisis peran satu variabel atas

variabel lain dalam kondisi penyesuaian (koreksi) variabel untuk tren jangka
panjang dan kointegrasi. Dekomposisi varians adalah alat analisis
persamaan VECM yang digunakan untuk melihat komponen (penguraian)
yang mampu membentuk varians yang diprediksi saat terjadi (Ekananda,
2018).
B. Penelitian Terdahulu
No Judul Paper Penulis Kesimpulan dan Persamaan Perbedaan
Pembahasan
1. The Impact of Yusuf Ali Penelitian ini Persamaan Sampel yang
Horizontal Al-Hroot menunjukkan penelitian Yusuf diambil pada
31
Mergers on , Laith bahwa pada Ali, dkk. dengan penelitian
the Akram Al- beberapa rasio bank penelitian ini Yusuf Ali,
Performance Qudah2 AHLI tidak adalah terletak dkk. dengan
of the & Faris signifikan pada pada penilaian penelitian ini
Jordanian Irsheid periode setelah kinerja adalah
Banking Alkharabsha merger, kecuali keuangan perbankan di
Sector (2020) hasil yang lebih sebelum dan Jordania
unggul pada sesudah merger sedangkan
penelitian ini pada
menunjukkan penelitian ini
bahwa rasio adalah sampel
leverage meningkat diambil dari
secara signifikan. BUS (Bank
Penyebab dari Umum
peningkatan rasio Syariah) di
keuangan yang Indonesia
tidak signifikan
mungkin karena
periode pasca-
merger sesuai
dengan periode
krisis keuangan
global yang dimulai
pada tahun 2007.
2. Does positive Hassan Hasil penelitian Persamaan Perbedaan
relationship Yusuf & menunjukkan penelitian penelitian
exist between Lukman bahwa tidak ada Hassan Yusuf & Hassan Yusuf
bank mergers Raimi hubungan positif Lukman Raimi & Lukman
and asset (2019) antara M&A dan dengan Raimi dengan
turnover? Perputaran Aset penelitian ini penelitian ini
bank karena rasio adalah terletak adalah
32
Empirical Perputaran Aset pada penilaian Penelitian
evidence from bank-bank tersebut kinerja Hassan dan
Nigeria memburuk, tidak keuangan Lukman
meningkat secara sebelum dan hanya
signifikan. Lebih sesudah merger berfokus pada
lanjut, bukti penilaian
menunjukkan hubungan
bahwa bank yang merger
berdiri sendiri dengan asset
mengungguli bank turnover
hasil merger setelah bank.
M&A di Nigeria Sedangkan
pada
penelitian ini
menilai
kinerja
keuangan dari
3 sisi yaitu
profitability
ratio,
Solvability/L
everage ratio,
dan Liquidity
ratio.
3. Business Khulifa Berdasarkan kajian Membahas Terdapat
Valuation of Ahdizia,Dia terdapat sinergi mengenai perbedaan
Islamic Banks n Masyita ketika ketiga bank Merger yang dalam
in the Merger Dan Sutisna melakukan merger. terjadi pada penggunaan
Plan to (2018) Bank Umum methode
Become Berdasarkan hasil Syariah BUMN penelitiannya
Indonesia’s penelitian dan di Indonesia. yaitu jika
33
State-Owned pembahasan dapat pada
Bank disimpulkan bahwa penelitian
oleh DCF-FCFE Khulifa, dkk.,
metode, ini
menghasilkan nilai menggunakan
BSM sebesar Rp DCF-
8,99 triliun, nilai FCFE,dan
BRIS sebesar proyeksi
Rp3,23 triliun, peramalan
dan nilai BNIS dari tahun
sebesar Rp 3,08 2017-2021
triliun. Nilai PBV sedangkan
BSM, BRIS, dan pada
BNIS di penelitian ini
skenario sedang menggunaka
adalah 1,408; metode
1,290; dan 1,238. VECM untuk
Hasil nilai di menentukan
bawah rata-rata nilai kinerja
PBV keuangan
industri perbankan dimasa
yang tercatat di depannya
Bursa Efek 2021-2026.
Indonesia pada
tahun 2016 namun
masih lebih tinggi
dibandingkan
dengan PBV
terendah diantara
industri perbankan
di Bursa Efek
34
Indonesia.
Penilaian
merger bank
dengan metode
DCF-FCFE sebesar
Rp23,49 triliun dan
nilai gabungannya
sekitar
Rp15,31 triliun.
Sehingga nilai
sinerginya
mencapai Rp 5,89
triliun.
4. Pre & Post- Ritesh Patel Penelitian ini Persamaan Perbedaannya
Merger (2017) menemukan penelitian Ritel terletak pada
Financial dampak negatif Patel dengan metode
Performance: merger terhadap penelitian ini penelitian
An Indian return on equity, adalah terletak dimana pada
Perspective. return on asset, pada penilaian penelitian
rasio laba bersih, kinerja Ritel
yield on advance keuangan dilakukan
dan yield on sebelum dan dengan
investment. sesudah merger. menggunakan
Namun, variabel desain
Earnings per Share, penelitian
Profit per employee deskriptif.
dan Business per Penelitian
employee dilakukan
menunjukkan tren dengan
positif dan tumbuh menggunakan
setelah merger. pendekatan
35
penelitian
Dasar.
Sedangkan,
pada
penelitian ini
menggunakan
metode
VECM untuk
menentukan
nilai kinerja
keuangan
dimasa
depannya.
5. Merger And Kindy Hasil penelitian Persamaan Terdapat
Industrial Miftah & menunjukkan antara penelitian perbedaan
Acceleration: Hendro alternatif merger Kindy Miftah & metode
Study At Wibowo antar bank syariah Hendro Wibowo analisis antara
Indonesian (2017) hanya terdapat 5 dengan penelitian
Islamic alternatif yang penelitian ini Kindy Miftah
Banking feasibel adalah sama- & Hendro
Industry mempertimbangkan sama membahas Wibowo yang
aspek internal mengenai menggunakan
berupa tendensi merger yang metode DCF
pemegang saham dilakukan pada (Discounted
dan bank syariah Cash Flow)
kondisi bank dengan
syariah yang akan penelitian ini
dimerger terkait yang
kepentingan menggunakan
internalnya, serta metode
VECM.
36
aspek eksternal
yaitu
besaran aset dari
bank hasil merger
dan probabilitas
sukses dari proses
merger.
6. The Devina Ivo Hasil pengujian Persamaan Perbedaan
Determinant Mahendra hipotesis dengan antara penelitian antara
of the dan Nadia menggunakan Devina Ivo penelitian
Possibility of Asandimitra analisis regresi Mahendra Devina Ivo
Merger in Haryono logistik biner hanya dan Nadia Mahendra
Indonesia (2017) membuktikan Asandimitra dan Nadia
bahwa profitabilitas Haryono dengan Asandimitra
yang diproksikan penelitian ini Haryono
dengan return on adalah sama- dengan
equity dan leverage sama membahas penelitian ini
yang diproksikan mengenai adalah subjek
dengan debt to merger. penelitian
equity ratio Devina Ivo
berpengaruh Mahendra
terhadap dan Nadia
kemungkinan Asandimitra
merger perusahaan. Haryono
yaitu pada
perusahaan
secara umum
dan pada
penelitian ini
subjek
penelitiannya
37
yaitu BUS di
Indonesia.
7. Spin-off and M. Nur Hasil penelitian Pembahasan Pembahasan
market share Rianto Al menunjukkan penelitian pada
in the Arif (2017) bahwa : pertama, mengenai penelitian Al-
Indonesian terdapat perbedaan perbankan Arif (2017)
Islamic pangsa pasar bank syariah di mengenai
banking syariah antara Indonesia selain spin-off
industry: a sebelum dan itu persamaan sedangkan
difference in sesudah spin-off. penggunaan pada
difference Kedua, ada metode penelitian ini
analysis perbedaan dalam penelitian yaitu adalah
pangsa pasar bank Difference-in- merger.
spin-off antara Difference
sebelum dan (DiD)
sesudah spin-off.
Ketiga, terdapat
faktor eksternal
yang dapat
mempengaruhi
pangsa pasar bank
syariah, yaitu
tingkat inflasi,
tingkat suku bunga,
dan tingkat
pertumbuhan
ekonomi.
8. Effects of Abdul Hasil regresi OLS Pada penelitian Terdapat
mergers on Rashid & menunjukkan Abdul Rashid perbedaan
corporate Nazia bahwa kesepakatan ini memiliki dalam
38
performance: Naeem merger tidak persamaan penggunaan
An empirical (2016) memiliki pengaruh dengan methode
evaluation yang signifikan penelitian ini penelitiannya
using terhadap yaitu dalam yaitu jika
OLS and the profitabilitas, menilai kinerja pada
empirical likuiditas, dan keuangan penelitian
Bayesian posisi leverage perusahaannya Abdul Rashid
methods perusahaan. menggunakan : ini
Namun, perkiraan Profitability menggunakan
menunjukkan ratio, OLS dan
bahwa kesepakatan Solvability/Leve Empirical
merger memiliki rage Ratio dan Bayesian,
dampak negatif dan Liquidity Ratio sedangkan
signifikan secara pada
statistik terhadap penelitian ini
rasio cepat (Quick menggunaka
Ratio) perusahaan metode
merger / VECM untuk
pengakuisisi. menentukan
nilai kinerja
keuangan
dimasa
depannya.
9. Islamic Tarek Temuan penelitian Persamaan Perbedaan
Banks’ Kandil & menemukan bahwa antara penelitian penelitian
Mergers And Dababrata terdapat perbedaan Kandil & Kandil &
Acquisitions- Chowdhury yang signifikan Chowdhury Chowdhury
Impacts On (2014) dalam merger dan dengan dengan
Performance akuisisi syariah penelitian ini penelitian ini
And Financial pasca kinerja adalah sama- adalah sampel
jangka panjang sama membahas dan populasi
39
Crisis In The bank syariah di merger pada yang
United Inggris untuk bank syariah diambilnya
Kingdom mengendalikan dimana pada
krisis yang penelitian
dihadapi Inggris Kandil &
dari tahun 2007 Chowdhury
hingga 2010. sampel
Namun, bank diambil dari
syariah yang bank syariah
mengakuisisi di yang ada di
tinggi- industri Inggris
teknologi memiliki sedangkan
efek negatif pada pada
kinerja jangka penelitian ini
panjang mereka. pada BUS di
Indonesia.
10. The M. Nur Hasil Persamaan Yang
Alternative Rianto Al ARIMA antara penelitian membedakan
Strategies for Arif, Aini menunjukkan Al-Arif,dkk. penelitian Al-
Accelerating Masruroh, bahwa tidak ada dengan Arif, dkk.
Islamic Dwi Nuraini satupun unit usaha penelitian ini dengan
Banking Ihsan, Yuke syariah yang adalah sama- penelitian ini
Growth: Rahmawati mampu mencapai sama membahas adalah pada
Mergers, (2020) 50% share aset dari merger pada penelitian Al-
Spin-Offs, bank induknya. Hal bank syariah Arif, dkk.
Acquisitions ini menunjukkan Merupakan
and strategi spin-off studi
Conversions. sebagaimana komparatif
yang diamanatkan antara cara
oleh undang- mana yang
undang perlu lebih baik
40
dievaluasi. dalam
Alternatif strategi meningkatkan
yang dapat perbankan
dilakukan ialah syariah yaitu
konversi, dimana Merger atau
sudah terdapat dua Spin-Off atau
bank yang Akuisisi atau
melakukan strategi Konversi.
ini. Sedangkan
Selain itu, alternatif pada
strategi lain yang penelitian ini
dapat ditempuh hanya
ialah merger antar berfokus pada
unit usaha penelitian
syariah. Alternatif mengenai
strategi lainnya merger yang
ialah akuisisi unit terjadi pada
usaha syariah oleh Bank Umum
bank umum syariah Syariah.
yang sudah berdiri.
11. Analisis Zola Dalam penelitian Persamaan Perbedaan
Pengaruh Armando & ini, ditemukan penelitiannya penelitiannya
Merger Dan Kurniawan bahwa yaitu sama-sama yaitu terletak
Akuisisi (2019) merger dan akuisisi mengukur pada
Terhadap tidak mendorong kinerja pemilihan
Perusahaan profitabilitas dari keuangan sampelnya
Perbankan perusahaan sebelum dan dimana pada
Yang Terbuka perbankan terbuka sesudah merger. penelitian
Di Indonesia sedangkan Zola
likuiditas dari Armando &
perusahaan Kurniawan
41
meningkat menggunakan
walaupun tidak sampel
signifikan dan perbankan
solvabilitas dari secara umum
perusahaan sedangkan
meningkat secara penelitian ini
signifikan setelah sampel yang
adanya merger dan digunakan
akuisisi. Meskipun adalah dari
begitu, hasil dari Bank umum
merger syariah.
dan akuisisi dapat
berubah dan
bertambah dalam
seiring berjalannya
waktu.
12. Merger Indriatmini Merger pada bank Persamaan Pada
Merupakan Noegroho nasional bisa penelitiannya penelitian
Tantangan (2017) berjalan dengan yaitu sama-sama Indriatmini
Atau Peluang sukses dilihat dari membahas Noegroho
Bagi bagaimana bank- mengenai berupa
Perekonomian bank yang merger merger penelitian
Indonesia tersebut deskriptif
menjalankan dimana hanya
dengan proses berupa teori-
yang baik dan teori
memanfaatkan sedangkan
keunggulan dan pada
menutupi penelitian ini
kekurangan lebih pada
penelitian
42
yang dimiliki oleh statistik
bank peserta yang deskriptif.
biasanya
menyebabkan
kegagalan proses
merger dan
akuisisi.
13. Penguatan Muhammad Studi ini Persamaan Terletak pada
Perbankan Afdi Nizar menunjukkan hasil penelitiannya metode
Syari’ah & bahwa : (i) yaitu sama-sama analisis
Melalui Mohamad penggabungan membahas datanya.
Merger Atau Nasir merupakan salah mengenai
Konsolidasi (2016) satu merger
cara untuk
mewujudkan
terbentuknya bank
syariah besar,
dengan catatan
terdapat pemegang
saham pengendali
yang independen;
(ii) pola merger
atau
konsolidasi
memiliki efek yang
tidak signifikan
berbeda terhadap
sisi ekonomi,
strategi, keuangan,
risiko dan lainnya.
Efek yang cukup
43
signifikan atas
pilihan
skema merger atau
konsolidasi
diperkirakan pada
sisi legalitas dan
benturan
kepentingan antar
sumber daya
manusia (SDM)
yang berasal dari
atau berlatar
belakang berbeda;
dan (iii)
penggabungan
bank-bank syari’ah
membutuhkan
dana besar dan
mengandung risiko
yang tinggi
14. Analisis Herwin Hasil penelitian Persamaan Perbedaan
Return On Kurniawan menunjukan bahwa penelitiannya penelitiannya
Asset (ROA) (2015) belum semua bank yaitu sama-sama yaitu terletak
Beberapa yang melakukan membahas pada
Bank Pasca kegiatan Merger & mengenai pemilihan
Merger Di Akuisisi merger sampelnya
Indonesia memperlihatkan dimana pada
kinerja yang baik. penelitian
Kegagalan dalam Herwin
mempertahankan Kurniawan
atau meningkatkan menggunakan
44
kinerja Bank sampel
dipengaruhi oleh perbankan
buruknya secara umum
kualitas asset sedangkan
produktif, tidak penelitian ini
efisien dalam sampel yang
mengelola bisnis, digunakan
dan menurunnya adalah dari
CAR bank. Bank umum
syariah.
15. Kinerja Sylviana Analisis yang Membahas Terletak pada
Keuangan May digunakan untuk mengenai metode
Sebelum Dan Restika mengetahui Merger analisisnya
Sesudah (2013) perbedaan kinerja dimana pada
Merger: keuangan sebelum penelitian
Bukti Empiris dan sesudah Restika
Dari Industri merger adalah penilaian
Perbankan dengan untuk
Indonesia menggunakan uji t membuktikan
sampel keberhasilan
berpasangan. merger
Diketahui dari hasil menggunakan
analisis uji t Rasio
sampel CAMELS,
berpasangan dari sedangkan
delapan rasio pada
CAMELS yang penelitian ini
diteliti terdapat menggunakan
lima rasio yang metode
mengalami VECM untuk
menentukan
45
penurunan, nilai kinerja
sedangkan tiga keuangan
rasio lainnya dimasa
mengalami depannya..
peningkatan kinerja
yaitu rasio Return
on Risked
Assets, Loan to
Deposit Ratio, dan
Interest Rate Risk,
sehingga dapat
disimpulkan secara
umum kinerja
keuangan PT Bank
CIMB Niaga Tbk,
PT Bank Artha
Graha Internasional
Tbk, dan PT Bank
Windu
Kentjana
Internasional Tbk
mengalami
penurunan setelah
dilakukan merger.
Hal ini berarti tidak
mendukung teori
yang menyatakan
bahwa merger
dapat
meningkatkan
46
kinerja keuangan.
Tidak
adanya perbedaan
yang signifikan dan
adanya penurunan
secara umum
kinerja keuangan
ketiga
bank karena bank
yang merger
memerlukan waktu
dan proses untuk
melakukan
konsolidasi secara
menyeluruh
terhadap
operasionalnya,
sehingga dampak
merger belum dapat
dilihat secara nyata
dalam jangka
pendek.
47
C. Kerangka Pemikiran
48
D. Keterkaitan antar Variabel dan Hipotesis
1. Keterkaitan Variabel
a. Pengaruh Merger Terhadap Kinerja Keuangan
Salah satu cara dalam mengukur tingkat keberhasilan merger
suatu perusahaan atau industri adalah dengan mengukur kinerja
keuangan perusahaan tersebut sebelum dan sesudah dilakukannya
merger (Gozali & Panggabean, 2019).
Dalam penelitian Putri Novilza dan Atik Djajanti (2013)
“Analisis Pengaruh Merger dan Akuisisi Terhadap Kinerja
Perusahaan Publik di Indonesia (Periode 2004 – 2011)”
mendapatkan hasil bahwa tidak ada pengaruh yang signifikan pada
kinerja perusahaan kecuali pada ROAdari 1 tahun sebelum dan 4
sesudah merger dan akuisisi.
Sedangkan pada penelitian yang dilakukan Gozali &
Panggabean (2019) menunjukan bahwa adanya pengaruh secara
signifikan pada kinerja keuangan yaitu pada sisi profitability ratio
antara sebelum dan sesudah merger dan akuisisi.
b. Pengaruh Merger terhadap profitabilitas

Dalam penelitian yang dilakukan oleh Ferrer (2012) “ An
Empirical Investigation of The Effect of Merger And Acquisition on
Firms’ Profitability” bahwa hasil penelitian menunjukan merger
tidak berpengaruh secara signifikan pada rasio profitabilitas (ROA),
hal ini menunjukan bahwa merger dan akuisisi tidak ada
hubungannya dengan total ROA ((Ferrer, 2012).
c. Pengaruh Merger terhadap solvabilitas

Pada penelitian yang dilakukan Gozali & Panggabean (2019)
menunjukan bahwa tidak ada perbedaa signifikan pada kinerja
Solvability Ratio antara 1 tahun sebelum dan 4 tahun sesudah
merger dan akuisisi.
49
d. Pengaruh Merger terhadap likuditas
Pada penelitian yang dilakukan Gozali & Panggabean (2019)
menunjukan bahwa tidak ada perbedaa signifikan pada kinerja
Liquidity Ratio antara 1 tahun sebelum dan 4 tahun sesudah merger
dan akuisisi.
2. Hipotesis :
a. Ho1 : Diduga Merger tidak berpengaruh terhadap tingkat profitabilitas
Bank Umum Syariah di Indonesia
b. Ha1 : Diduga Merger berpengaruh terhadap tingkat profitabilitas Bank
Umum Syariah di Indonesia
c. Ho2 : Diduga Merger berpengaruh terhadap tingkat solvabilitas Bank
d. Ha2: Diduga Merger berpengaruh terhadap tingkat solvabilitas Bank
e. Ho3 : Diduga Merger tidak berpengaruh terhadap tingkat likuiditas
Bank Umum Syariah di Indonesia
f. Ha3 : Diduga Merger berpengaruh terhadap tingkat likuiditas Bank
50
BAB III
METODE PENELITIAN
A. Populasi dan Sampel

Populasi merupakan wilayah generalisasi yang terdiri atas objek atau
subjek yang memiliki kulitas dan karakteristik tertentu yang ditetapkan oleh
peneliti untuk dipelajari dan kemudian ditarik kesimpulannya (Sugiyono,
2018). Berdasarkan definisi populasi diatas, maka yang akan dijadikan
populasi dalam penelitian ini adalah Bank Umum Syariah di Indonesia.
Sampel merupakan bagian dari jumlah dan karakteristik yang dimiliki oleh
suatu populasi. Dalam penelitian ini, populasi diambil menggunakan teknik
non probability sampling , yaitu purposive sampling. Dimana purposive
sampling merupakan teknik penentuan sampling berdasarkan berbagai kriteria
ataupun pertimbangan tertentu (Sugiyono, 2018). Sampel pada penelitian ini
adalah 3 Bank Umum Syariah di Indonesia yang di merger yaitu PT. Bank
Syariah Mandiri, PT. Bank. BRI Syariah Tbk., dan PT. Bank BNI Syariah.
B. Tempat dan Waktu Penelitian

Tempat penelitian merupakan tempat dan keadaan dimana peneliti
diharapkan dapat menangkap keadaan yang sebenarnya. Penelitian ini
mengambil lokasi pada keberadaan Bank Umum Syariah di Indonesia.
Penelitian ini akan menghasilkan waktu selama 6 bulan (satu semester)
dimulai dari proses penyiapan proposal, pengumpulan data awal, melakukan
studi kepustakaan, mendesain model penelitian, mengumpulkan data dari
sumber-sumber data kuantitatif, melakukan tabulasi data dan menetapkan
variable, selanjutnya menjalankan data dengan berbagai uji dan estimasi
menggunakan beberapa software. Kemudian baru menganalisis data dan
penulisan pembahasan hasil hingga pada Agustus 2021.
51
C. Data dan Sumber Data
Penelitian ini menggunakan pendekatan kuantitatif, dengan pengumpulan
data yang berasal dari data sekunder. Data sekunder merupakan data yang tidak
diperoleh secara langsung. Sumber data yang digunakan pada penelitian ini
berupa data dokumenter seperti laporan tahunan, jurnal penelitian, buku dan
data olahan yang diperoleh melalui website resmi.
D. Instrumen Penelitian
Instrumen penelitian merupakan suatu alat yang digunakan untuk
mengukur suatu fenomena alam atau sosial yang diamati (Sugiyono, 2018).
Intrumen penelitian digunakan untuk memperoleh data yang diinginkan untuk
menjawab permasalahan penelitian.
Jenis instrumen pada penelitian ini adalah dokumentasi berupa data-data
dari website atau situs resmi masing-masing Bank Umum Syariah di Indonesia
berupa laporan keuangan tahunan dari 2017-2020. Data yang diambil dan
digunakan sebagai indikator pengukuran dan perhitungan dimasing-masing
BUS adalah Return On Asset (ROA) dan Net Profit Margin (NPM), Debt to
Equity Ratio (DER) dan Current Ratio(CR).
E. Metode Pengumpulan Data

Metode pengumpulan data pada penelitian ini menggunakan studi
dokumen, dimana data didapat cara mengumpulkan berbagai dokumen yang
berguna untuk bahan analisis.
F. Metode Analisis Data

Teknis analisa data dilakukan dalam beberapa tahap sebelum berakhir
pada uji simulasi model empiris penelitian. Berikut tahap analisis awal
melakukan tabulasi dan uji estimasi menggunakan pengukuran dan software
statistic sesuai hasil yang diharapkan dalam penelitian ini pada masing-masing
variable seperti : Return On Asset (ROA) dan Net Profit Margin (NPM), Debt
to Equity Ratio (DER), Debt to Asset Ratio (DAR) dan Current Ratio. Metode
analisis data yang digunakan dalam penelitian ini yaitu Vector Error
Correction Model (VECM) dengan time series approach.
52
G. Tahapan Penelitian
Setelah data dari laporan keuangan 3 bank Syariah yang dimerger
didapatkan maka akan dilakukan beberapa tahapan-tahapan untuk
menyelesaikan permasalahan dalam penelitian dengan menggunakan VAR.
Tahapan-tahapan penelitian tersebut antara lain yatu:
a) Input Data
Data yang diinputkan dalam penelitian ini yaitu data Return On Asset
(ROA) dan Net Profit Margin (NPM), Debt to Equity Ratio (DER), Debt to
Asset Ratio (DAR) dan Current Ratio bulanan dari 3 Bank Umum Syariah di
Indonesia yang di merger yaitu PT. Bank Syariah Mandiri, PT. Bank. BRI
Syariah Tbk., dan PT. Bank BNI Syariah dari tahun 2017-2020
b) Deskriptif Data
Pada langkah ini yang dilakukan adalah menganalisis data yang digunakan
yaitu data Return On Asset (ROA) dan Net Profit Margin (NPM), Debt to
Equity Ratio (DER), Debt to Asset Ratio (DAR) dan Current Ratio bulanan dari
3 Bank Umum Syariah di Indonesia yang di merger yaitu PT. Bank Syariah
Mandiri, PT. Bank. BRI Syariah Tbk., dan PT. Bank BNI Syariah dari tahun
2017-2020.
c) Uji Stasioneritas
Uji stasioneritas dilakukan dengan menggunakan uji Augmented Dickey
Fuller (ADF). Saat menguji data dengan Augmented Dickey Fuller (ADF) pada
tingkat transien, perlu dilakukan pembedaan data terlebih dahulu (first
difference). Jika setelah mendiferensiasikan data pertama (first difference)
masih belum mendapatkah hasil data yang stasioner, maka harus melanjutkan
dengan diferensiasi kedua (second difference). Dengan kriteria tes sebagai
berikut:
𝐻0 diterima jika nilai absolut statistik ADF < nilai kritis MacKinnon Nilai
probabilitas > 0,05
53
𝐻1 diterima jika nilai absolut statistik ADF > nilai kritis MacKinnon Nilai
probabilitas < 0,05
d) Penentuan Panjang Lag
Penentuan panjang lag yang optimal dapat dilakukan dengan
menggunakan beberapa kriteria informasi yaitu panjang lag terpendek menurut
LR (Likehood Ratio), AIC (Akaike Information Critrion), FPE (Final
Prediction Error), HQ (Hannan-Quin Criterion) dan SC (Schwarz Information
Criterion).
e) Uji dan Analisis Kausalitas Granger
Uji analisis kausalitas granger dapat dilakukan dengan menggunakan
metode Granger Kausality. Metode ini digunakan untuk mengetahui hubungan
kausalitas diantara 2 variabel atau indikator variabel.
f) Uji Kointegrasi
Pada uji kointegrasi dilakukan dapat menggunakan metode Johansen’s
Cointegration Test. Untuk uji kointegrasi menggunakan hipotesis sebagai
berikut:
𝐻0 = tidak terdapat kointegrasi
𝐻𝑎 = terdapat kointegrasi
Kriteria pengujiannya sebagai berikut:

𝐻0 ditolak dan 𝐻𝑎 diterima, jika nilai trace statistics > nilai kritis trace 5%
𝐻0 diterima dan 𝐻𝑎 ditolak, jika nilai trace statistics < nilai kritis trace 5%
g) Analisis IRF (Impulse Response Function)

Pengujian IRF dilakukan untuk melacak suatu respon dari variabel terikat
yang terdapat pada suatu sistem VAR karena adanya suatu guncangan (shocks)
atau suatu perubahan yang ada pada variabel gangguan. Respon pada Impulse
Respons Function yang didapatkan bisa berupa positif, negatif dan bisa juga
tidak merespon. Respon positif diperoleh ketika berada di atas garis horizon
dan searah, respon negatif diperoleh ketika berada di bawah garis horizon dan
berlawan arah, sedangkan dapat dikatakan tidak merespon akan ditunjukkan
54
dengan grafik dimana responnya cenderung mendatar dan dekat pada garis
horizon.
h) Analisis VDC (Variance Decomposition)

Variance Decomposition dapat memberi gambaran informasi dari
pergerakan pengaruh guncangan dari sebuah variabel terhadap guncangan
variabel lainnya pada saat ini dan saat yang akan datang.
H. Definisi Operasional Variabel

No Definisi Variabel Deskripsi Formula
1. Penggabungan Merger Merger terbagi α + β = α atau β
Usaha Merger adalah menjadi 4 yaitu :
Merupakan satu penggabungan 1) Merger
cara perusahaan badan usaha Horizontal yaitu
dalam menjadi satu bergabungnya
melakukan dengan cara dua
restrukturisasi mengambil alih perusahaan/indu
dengan tujuan atau membeli stri yang
untuk semua assets bergerak
memperluas dan liabilities dibidang yang
jaringan usaha perusahaan yang sama
serta untuk digabung 2) Merger Vertikal :
meningkatkan (Brealey et.all , ketika suatu
sinergi 2011) perusahaan
perusahaan mengakuisisi
(Kurniadihardja perusahaan
, 2004) supplier atau
customer-nya
3) Congeneric
merger, yaitu
merger yang
55
terjadi ketika
perusahaan
dalam industri
yang sama tetapi
tidak dalam garis
bisnis yang sama
4) Conglomerate
merger, yaitu
merger yang
terjadi antara
perusahaan yang
berada dalam
bisnis yang tidak
berhubungan
(unrelated
business).
2. Kinerja 1. Profitability Untuk pengukuran 1. ROA
Keuangan Ratio Profitability ratio
Kinerja Rasio pada penelitian ini
keuangan adalah Profitabilitas berupa :
2. NPM
kemampuan adalah rasio 1) Return On Asset
perusahaan yang adalah rasio
dalam digunakan perbandingan
mengelola dan untuk antara laba bersih
mengendalikan mengukur setelah pajak
sumber daya kemampuan dengan total
yang perusahaan aktiva.
dimilikinya. dalam 2) Net Profit
(IAI, 2007) mencari Margin
keuntungan Adalah rasio
perbandingan
56
(Kasmir, antara laba bersih
2016). setelah pajak
dengan penjualan
bersih.
2. Solvability/ Untuk pengukuran
Leverage Solvability/Leverag Debt to Equity Ratio =
Ratio e ratio pada 𝐓𝐨𝐭𝐚𝐥 𝐔𝐭𝐚𝐧𝐠 (𝑫𝒆𝒃𝒕)
𝐄𝐤𝐮𝐢𝐭𝐚𝐬 (𝑬𝒒𝒖𝒊𝒕𝒚)
Rasio penelitian ini berupa
Leverage :
merupakan 1) Debt to Equity
rasio yang Ratio
digunakan Adalah rasio yang
untuk digunakan untuk
mengukur menilai utang
sejauh mana dengan ekuitas
perusahaan
aktiva
perusahaan
dibiayai oleh
utang
(Kasmir,
2016).
3. Liquidity Untuk pengukuran
Ratio Liquidity ratio pada Current Ratio =
Rasio Likuiditas penelitian ini berupa
Aktiva Lancar (𝐶𝑢𝑟𝑟𝑒𝑛𝑡 𝐴𝑠𝑠𝑒𝑡𝑠)
merupakan rasio : Utang Lancar (𝐶𝑢𝑟𝑟𝑒𝑛𝑡 𝐿𝑖𝑎𝑏𝑖𝑙𝑖𝑡𝑖𝑒𝑠)
yang 1) Current Asset

menggambarkan Adalah rasio yang
kemampuan digunakan untuk
perusahaan mengukur
57
dalam kemampuan
memenuhi perusahaan dalam
kewajiban membayar
jangka kewajiban jangka
pendeknya pendek maupun
(Kasmir, 2016) utang yang segera
jatuh tempo pada
saat ditagih secara
keseluruhan
58
BAB IV
TEMUAN PENELITIAN DAN PEMBAHASAN
A. Gambaran Umum Objek Penelitian

1) Bank Syariah Mandiri
PT Bank Syariah Mandiri (BSM) bermula dari PT Bank Susila Bakti
yang tadinya merupakan bank konvensional kemudian diubah menjadi bank
syariah. Kegiatan usaha PT Bank Susila Bakti dari bank konvensional
menjadi bank yang beroperasi menurut prinsip Syariah dengan nama PT
Bank Syariah Mandiri yang dituangkan dalam akta notaris: Sutjipto , SH,
No. 23 tanggal 8 September 1999. Perubahan kegiatan usaha PT Bank
Susila Bakti menjadi bank umum syariah dilakukan oleh Gubernur Bank
Indonesia melalui Keputusan Gubernur BI No. 24.01./KEP.BI/1999 , 25
Oktober 1999. Selain itu, dengan Surat Keputusan Deputi Gubernur Bank
Indonesia No. 1.1.KEP.DGS/1999, BI menyetujui perubahan nama menjadi
PT Bank Syariah Mandiri. Setelah diresmikan dan disahkan secara hukum,
PT Bank Syariah Mandiri resmi mulai beroperasi pada Senin 25 Rajab 1420
H atau 1 November 1999. Bank Syariah Mandiri memiliki sebuah Visi yaitu
menjadi bank syariah terdepan dan modern. Selain itu, BSM berkomitmen
untuk selalu memberikan manfaat, menenteramkan dan memakmurkan
nasabah. Saat ini Mandiri Syariah memiliki 1 Kantor Pusat dan 1.736
jaringan kantor yang terdiri dari 129 kantor cabang, 398 kantor cabang
pembantu, 50 kantor kas, 1000 layanan syariah bank di Bank Mandiri dan
jaringan kantor lainnya, 114 payment point, 36 kantor layanan gadai, 6
kantor mikro dan 3 kantor non operasional di seluruh propinsi di Indonesia,
dengan akses lebih dari 200.000 jaringan ATM.
59
Informasi Pemegang Saham
Bank Syariah Mandiri memiliki beberapa sektor bisnis diantaranya ialah

berupa pembiayaan modal kerja dengan akad Musyarakah, Pembiayaan Dana
Berputar, Mudharabah, Pembiayaan Resi Gudang. Lalu, ada juga pembiayaan
Investasi dengan akad Murabahah, Mudharabah, Musyarakah. Kemudian
Cash management yaitu BSM Pembayaran Institusi, BSM Sistem
Pembayaran Offline, BSM Multi Bank Payment, BSM Multi Level Account,
BSM Multi Access. Selain itu terdapat pendanaan valuta asing yaitu BSM
Giro USD, Giro, BSM Giro Valas, BSM Giro Singapore Dollar, BSM Giro
Euro, BSM Deposito, BSM Deposito Valas.
2) Bank BRI Syariah

BRI Syariah (BRIS) berdiri pada tahun1969, dahulu bernama Bank
Jasa Arta, lalu diakuisisi oleh Bank Rakyat Indonesia pada 19 Desember
2007. Setelah mendapatkan izin usaha dari Bank Indonesia melalui surat no.
10/67/Kep.GBI/ DPG/2008 pada 16 Oktober 2008 BRIsyariah resmi
beroperasi pada 17 November 2008 dengan nama PT Bank BRIsyariah.
UUS Bank BRI digabung pada 2009. Produk BRIsyariah terdiri dari produk
pendanaan dan produk pembiyaaan. Produk pendanaan BRI Syariah yaitu
Tabungan Faedah, Tabungan Faedah Impian, Tabungan Faedah Cerdas,
Tabungan Faedah Haji, Tabungan Faedah Bisnis, Giro Faedah, dan
60
Deposito Faedah. Produk pembiyaaannya yaitu Gadai Faedah, Ritel Faedah,
Mitra Faedah, Purna Faedah, Griya Faedah, Oto Faedah, Multi Faedah, dan
Kur iB.
3) Bank BNI Syariah

BNI Syariah adalah bank umum Syariah yang muncul dari hasil spin-
off Unit Usaha Syariah (UUS) bank BNI 46. Berdasarkan Undang-Undang
Nomor 10 Tahun 1998, awalnya BNI Syariah membuka 5 cabang Syariah
di Yogyakarta, Malang, Pekalongan, Jepara dan Banjarmasin pada 29 April
2000. Kemudian pada tahun berikutnya, BNI Syariah membuka kembali
lima cabang Syariah, yaitu dua cabang di Jakarta, Bandung, Makassar, dan
Padang.
BNI Syariah yang saat itu merupakan Unit Usaha Syariah Bank
Nasional Indonesia (BNI), terus membuka cabang di Indonesia dan
berkembang menjadi 31 cabang. Berdasarkan Surat Keputusan Gubernur
Bank Indonesia No. 12/41/KEP.GBI/2010 tanggal 21 Mei 2010, telah
diberikan izin usaha kepada PT Bank BNI Syariah. Status BNI Syariah
sebagai Unit Usaha Syariah untuk sementara dideklarasikan dan akan
dilakukan spin-off pada tahun 2009. Pada 19 Juni 2010, BNI Syariah mulai
beroperasi sebagai Bank Umum Syariah (BUS). Bisnis BNI Syariah telah
menunjukkan pertumbuhan yang sangat signifikan dari awal hingga saat ini.
Komitmen pemerintah terhadap pengembangan perbankan syariah juga
semakin meningkat, dan kesadaran masyarakat akan manfaat produk
perbankan syariah juga semakin meningkat. BNI Syariah memiliki visi
menjadi bank syariah pilihan masyarakat yang unggul dalam layanan
maupun kinerjanya. Selain itu, BNI Syariah juga berkomitmen untuk
Memberikan konstribusi yang positif kepada masyarakat dan peduli dengan
kelestarian lingkungan, memberikan solusi bagi masyarakat untuk
kebutuhan jasa perbankan syariah.Memberikan nilai investasi yang
optimal bagi investor, menciptakan wahana terbaik sebagai tempat
61
kebanggaan untuk berkarya dan berprestasi bagi pegawai sebagai
perwujudan ibadah, dan menjadi acuan tata kelola perusahaan yang amanah.
BNI Syariah memiliki produk-produk diantaranya yang pertama
pendanaan yaitu BNI Tabungan iB Hasanah, yang kedua BNI Deposito iB
Hasanah, yang terakhir BNI Giro iB Hasanah. Lalu BNI Syariah pun
memiliki beberapa produk pembiayaan yaitu yang pertama pembiayaan
konsumer, fasilitas pembiayaan konsumer meliputi :BNI Griya iB Hasanah,
BNI Multiguna iB Hasanah, BNI Oto iB Hasanah, BNI Emas iB Hasanah,
BNI CCF iB Hasanah, BNI Fleksi Umroh iB Hasanah. Yang kedua
pembiayaan mikro, meliputi: Mikro 2 iB Hasanah dan Mikro 3 iB Hasanah.
Ketiga pembiayaan korporasi, meliputi : BNI Syariah Multifinance, BNI
Syariah Linkage Program, BNI Syariah Kopkar/Kopeg, BNI Syariah Usaha
Besar, BNI Syariah Valas, BNI Syariah Ekspor, BNI Syariah Onshore, BNI
Syariah Sindikasi. Yang keempat pembiayaan Usaha Kecil dan Menengah
(UKM), meliputi : BNI Syariah Wirausaha, BNI Syariah Valas, BNI
Syariah Kopkar/Kopeg, BNI Syariah Dealer iB Hasanah, BNI Syariah
Usaha Kecil, BNI Syariah Linkage. Selain produk berupa pendanaan dan
pembiayaan, BNI Syariah juga memiliki produk berupa kartu iB
Hasanah/iB Hasanah Card, E-banking, ATM, layanan SMS Banking,
Internet Banking, Mobile Banking, Tapcash iB Hasanah, dan Layanan
Gerak.
4) Bank Syariah Indonesia

Bank Syariah Indonesia merupakan bank yang lahir dari
penggabungan 3 bank syariah milik negara, yaitu Bank Syariah Mandiri,
BRI Syariah dan BNI Syariah. Penggabungan ketiga bank syariah tersebut
merupakan upaya untuk mewujudkan bank syariah yang menjadi
kebanggaan masyarakat dan diharapkan dapat menjadi energi baru bagi
pembangunan ekonomi nasional dan berkontribusi pada kesejahteraan
masyarakat luas. Keberadaan Bank Syariah Indonesia juga mencerminkan
wajah perbankan syariah di Indonesia yang modern dan universal serta
62
menawarkan kebaikan untuk seluruh alam (Rahmatan Lil `Aalamin). 1
Februari 2021 yang bertepatan dengan 19 Jumadil Akhir 1442 H, menandai
sejarah penggabungan Bank Syariah Mandiri, BNI Syariah dan BRI Syariah
menjadi satu kesatuan, Bank Syariah Indonesia (BSI). Penggabungan ini
akan menyatukan keunggulan ketiga bank syariah untuk memberikan
layanan, ruang lingkup, dan kapasitas permodalan yang lebih komprehensif.
Didukung sinergi dengan induk perusahaan (Mandiri, BNI, BRI) dan
komitmen pemerintah melalui Kementerian BUMN, Bank Syariah
Indonesia didorong untuk berdaya saing global.Bank Syariah Indonesia
memiliki visi untuk menjadi top 10 global islamic bank. Bank Syariah
Indonesia pun berkomitmen untuk memberikan akses solusi keuangan
syariah di Indonesia, menjadi bank besar yang memberikan nilai terbaik
bagi para pemegang saham, dan menjadi perusahaan pilihan dan
kebanggaan para talenta terbaik Indonesia.
B. Hasil Analisis Deskriptif

Pada penelitian ini terdapat 3 indikator variabel yaitu rasio profitabilitas,
rentabilitas(leverage) dan likuiditas. Dimana masing-masing indikator variabel
didiproksikan sebagai berikut: rasio profitabilitas didiproksikan dengan Net
Profit Margin (NPM) dan Return On Asset (ROA), rentabilitas(leverage)
didiproksikan dengan Debt to Equity Ratio (DER) dan Debt to Asset Ratio
(DAR) dan likuiditas didiproksikan dengan Current Ratio (CR) Data yang
digunakan dalam penelitian ini menggunakan data rentang waktu mulai dari
bulan Januari 2017 sampai Desember 2020. Data yang diteliti sebanyak 48
data observasi sebelum bank melakukan merger. Serta 48 data hasil peramalan
(forecasting). Penelitian ini menggunakan metode deskriptif verifikatif dengan
pendekatan kuantitatif. Dimana metode tersebut bertujuan untuk memeriksa
keadaan terkini dari:objek penelitian dengan pengujian hipotesis mengunakan
alat analisis statistik yang dalam penelitian ini menggunakan alat bantu Eviews
9. Berikut hasil analisis deskriptif objek penelitian:
63
1. Rasio Profitabilitas :
a. Net Profit Margin (NPM)
Tabel 4.1 Presentase Rata- Rata Nilai NPM
Periode NPM (%)
2017-2020 BSM BRIS BNIS
Rata-Rata 72% 71% 74%
Sumber: Data laporan keuangan BUS yang diolah
Berdasarkan data tabel diatas menunjukan bahwa perbandingan nilai

pada rasio NPM setiap bulan yang dihasilkan oleh Bank Syariah
Mandiri, BRI Syariah dan BNI Syariah. NPM dapat mencerminkan
seberapa efektif perusahaan dalam meminimalkan beban-beban
operasionalnya. Apabila dilihat dari rata-rata nilai NPM bulanan selama
4 tahun terakhir, BNI Syariah memiliki nilai NPM tertinggi. Hal ini
berarti bahwa dalam pengelolaan keuangan perusahaan BNI Syariah
mampu menekan biaya – biaya seperti beban pokok pendapatan, beban
umum, beban keuangan dan beban lainnya lebih baik dari 2 bank lainnya
sehingga perusahaan mampu memberikan kontribusi yang maksimal
terhadap laba bersih. Meskipun demikian, 2 bank lainnya yaitu Bank
Syariah Mandiri dan BRI Syariah juga dapat dikatakan mampu
mengelola keuangan perusahaan secara efektif bisa dilihat dari nilai
NPM yang masih diatas 50%.
b. Return on Asset (ROA)

Tabel 4.2 Presentase Rata-Rata Nilai ROA
Periode ROA(%)
Rata-Rata 0,45% 0,23% 0,58%
Dari data diatas dapat dilihat bahwa terjadi perbedaan tingkat nilai
ROA yang dihasilkan selama 4 tahun terakhir dari 2017-2020 sebelum
merger. Nilai ROA rata-rata bulanan yang tertinggi dihasilkan oleh BNI
Syariah dengan nilai 0,58%. Hal ini berarti bahwa Bank BNI Syariah
64
dalam pengelolaan asetnya cenderung lebih efektif dan lebih produktif
dalam menghasilkan jumlah laba bersih yang lebih besar dibandingkan
dengan Bank Syariah Mandiri dan BRI Syariah. Selain itu nilai ROA
pun bisa digunakan sebagai indikator keberhasilan manajemen
perusahaan dalam pemanfaatan aset untuk meraih laba yang maksimal.
Dilain sisi, pada sudut pandang investor nilai ROA bisa digunakan
sebagai bahan pertimbangan apakah perusahaan memiliki prospek
bisnis yang baik di masa depan atau tidak.
2. Rasio rentabilitas(leverage) :
a. Debt to Equity Ratio (DER)
Tabel 4.3 Presentase Rata-Rata Nilai DER
Periode DER (%)
Rata-Rata 1097% 815% 915%
Berdasarkan tabel diatas nilai Debt to Equity Ratio (DER) tertinggi

dihasilkan oleh Bank Syariah Mandiri yaitu 1097%. Jika dibandingkan
dengan dua bank lainnya BNI Syariah dan BRI Syariah, Bank Syariah
Mandiri memiliki risiko yang tinggi dalam pemenuhan seluruh
kewajibannya, sebab semakin tinggi nilai dari rasio DER maka akan
semakin berisiko bagi perusahaan. Nilai rasio DER berbanding lurus
dengan total kewajiban/ utang (Liability), sehingga semakin besar total
kewajiban/ utang sebuah bank semakin tinggi pula rasio DER, begitu
pula sebaliknya. Sedangkan nilai rasio DER dengan total modal/ekuitas
(equity) berbanding terbalik, maka jika ingin menurunkan nilai rasio
DER maka total modal/ekuitas harus lebih besar nilainya dibandingkan
dengan total kewajiban/ utang (Liability).
65
b. Debt to Asset Ratio (DAR)
Tabel 4.4 Presentase Rata-Rata Nilai DAR
Periode DAR(%)
Rata-Rata 91,64% 88,64% 90,47%
Berdasarkan tabel diatas nilai rasio DAR tertinggi dihasilkan oleh

Bank Syariah Mandiri dengan nilai 91,64%. Dengan demikian dapat
dikatakan bahwa Bank Syariah Mandiri memiliki risiko yang paling
tinggi dalam pemenuhan seluruh kewajibannya dibandingkan dengan
dua bank lainnya yaitu BNI Syariah dan BRI Syariah, sebab semakin
tinggi nilai dari rasio DAR maka akan semakin berisiko bagi bank
syariah tersebut. Nilai rasio DAR berbanding lurus dengan total
kewajiban/ utang (Liability), sehingga semakin besar total kewajiban/
utang sebuah bank semakin tinggi pula rasio DAR, begitu pula
sebaliknya. Sedangkan nilai rasio DAR dengan total aset berbanding
terbalik, maka jika ingin menurunkan nilai rasio DAR maka total aset
yang dihasilkan oleh bank harus lebih besar nilainya dibandingkan
dengan total kewajiban/ utang (Liability).
3. Rasio Likuiditas :
a. Current Ratio (CR)
Tabel 4.5 Presentase Rata-Rata Nilai CR
Periode CR(%)
Rata-Rata 81,17% 83,70% 89,27%
Berdasarkan data diatas rasio lancar (Current ratio) tertinggi

adalah rasio lancar dari Bank BNI Syariah. Nilai rasio lancar yang
tinggi mencerminkan bahwa terlalu banyak uang kas. Hal ini bisa
berarti dua hal, dengan kata lain jumlah keuntungan yang diperoleh atau
66
dana perusahaan belum digunakan secara efektif untuk investasi.
Ukuran standar dari rasio lancar adalah 200% atau dua kali umumnya
digunakan. Ukuran standar tersebut dianggap bahwa perusahaan sudah
berada dititik aman secara jangka pendek. Jika dilihat dari tabel rata-
rata nilai rasio lancar (Current ratio) dari data diatas dapat disimpulkan
bahwa dari ketiga bank belum ada yang memenuhi minimum standar
rasio lancar. Artinya kemampuan ketiga bank tersebut dalam melunasi
utang masih dipertanyakan. Hal ini bisa terjadi sebab ketiga bank
tersebut belum mengalokasikan aset/aktiva lancarnya secara optimal
atau belum mengelola modal dengan baik.
C. Hasil Uji Statistik Deskriptif

Penelitian statistik menguraikan data yang dilihat dalam mean, standar
deviasi, varians, maksimum, minimum, jumlah, jangkauan, skewness
(kemiringan distribusi) dan kurtosis (Wiyono, 2020). Pada penelitian ini,
statistik deskriptifdmenggambarkan deskripsi dari masing- masing variabel.
Statistik deskriptif memberikan informasi sebuah data yang terdiri dari nilai
rata-rata (mean), standar deviasi, nilai minimum dan nilai maksimum dari
setiap variabel. Nilai minimum adalah nilai yang diperoleh dari pengolahan
data dan analisis perpustakaan sampel. Nilai maksimum adalah nilai
maksimum yang diperoleh dari hasil pengolahan dan analisis data, dan nilai
rata-rata merupakan nilai rata-rata dari setiap variabel. Berikut hasil uji statistik
deskriptif yang diolah menggunakan software eviews 9 :
Tabel 4.6 Hasil Uji Statistik Deskriptif
ROA NPM DER DAR CR
Mean 0.004209 0.724670 9.424326 0.902482 0.847151
Median 0.004476 0.718086 9.224088 0.901439 0.846944
Maximum 0.008261 0.835769 10.95828 0.931294 0.892772
Minimum 0.000478 0.661523 8.310347 0.888588 0.788790
Std. Dev. 0.002183 0.037795 0.896330 0.011164 0.027680
Skewness -0.114750 0.854102 0.511522 0.499920 -0.045019
Kurtosis 1.933867 3.997407 1.843000 2.382103 1.916043
Sum 0.202044 34.78414 452.3676 43.31914 40.66324
67
Sum Sq. Dev. 0.000224 0.067137 37.76014 0.005858 0.036010
Observations 48 48 48 48 48
Sumber : Hasil pengolahan data sekunder Eviews 9, 2021
Berdasarkan 48 observasi hasil uji statistik deskriptif pada tabel diatas,

nilai minimum variabel profitabilitas (ROA) adalah 0,000478, nilai maksimum
0,008261, rata-rata (mean) 0,004209, dan standar deviasi 0,002183. Nilai rata-
rata (mean value) lebih besar dari standar deviasi yaitu 0,004209>0,002183
yang menunjukkan bahwa data terdistribusi dengan baik. Berdasarkan hasil uji
statistik deskriptif pada tabel diatas, nilai minimum variabel profitabilitas
(NPM) adalah 0,661523, nilai maksimum 0.835769, rata-rata (mean)
0,724670, dan standar deviasi 0,037795. Nilai rata-rata (mean value) lebih
besar dari standar deviasi yaitu 0,724670>0,037795 yang menunjukkan bahwa
data terdistribusi dengan baik. Nilai minimum variabel solvabilitas / leverage
(DER) berdasarkan hasil uji statistik deskriptif dengan 48 observasi adalah
8,310347, nilai maksimum 10.95828, rata-rata (mean) 9,424326, dan standar
deviasi 0,896330. Nilai rata-rata (mean value) lebih besar dari standar deviasi
yaitu 9,424326>0,896330 yang menunjukkan bahwa data terdistribusi dengan
baik.
Selanjutnya, berdasarkan tabel diatas data hasil uji statistik deskriptif

nilai minimum dari variabel solvabilitas / leverage: Debt to Asset Ratio (DAR)
adalah 0,888588, nilai maksimum 0,931294, rata-rata (mean) 0,902482, dan
standar deviasi 0,011164. Nilai rata-rata (mean value) lebih besar dari standar
deviasi yaitu 0,902482>0,011164 yang menunjukkan bahwa data DAR
tersebut terdistribusi dengan baik. Terakhir, berdasarkan tabel data hasil uji
statistik deskriptif diatas nilai minimum dari variabel likuiditas Current Ratio
(CR) adalah 0,661523, nilai maksimum 0.835769, rata-rata (mean) 0,847151,
dan standar deviasi 0,037795. Nilai rata-rata (mean value) lebih besar dari
standar deviasi yaitu 0,724670>0,037795 yang menunjukkan bahwa data dari
CR yang tersaji pun sudah terdistribusi dengan baik.
68
D. Hasil Uji Statistik Data
1) Uji Normalitas
Tabel 4.7 Hasil Uji Normalitas
ROA NPM DER DAR CR

Jarque- 2.378618 7.825559 4.770533 2.762949 2.366141
Bera
Probability 0.304432 0.199850 0.092064 0.251208 0.306337
Interpretasi data hasil uji normalitas dari tabel diatas dapat dilihat
semua data terdistribusi dengan normal atau tidak dengan cara melihat
nilai dari probabilitas JB (Jarque-Bera) dengan nilai alpha 5% (0,05). Jika
nilai probabilitas JB (Jarque-Bera) lebih besar dari 5% (0,05) maka data
dapat dikatakan telah terdistribusi normal dan sebaliknya jika nilai
probabilitas JB (Jarque-Bera) lebih kecil dari 5% (0,05) maka data
tersebut tidak terdistribusi normal. Jika dilihat dari hasil uji normalitas
semua indikator variabel (ROA,NPM, DER,DAR, CR) data diatas
menunjukan bahwa nilai probabilitas JB > 0,05. Maka dapat disimpulkan
bahwa semua data terdistribusi normal.
2) Uji Stasioneritas
Stasioner dalam suatu variabel menjadi sangat penting karena
mempengaruhi hasil estimasi regresi. Regresi antar variabel yang tidak
stasioner mengarah pada fenomena regresi palsu dimana nilai koefisien
yang dihasilkan dari estimasi tidak lagi valid dan sulit digunakan sebagai
pedoman. Dalam penelitian ini digunakan uji Augmented Dickey Fuller
(ADF) untuk menguji stasioneritas data variabel yang diteliti. Pengujian
ini dilakukan untuk memperoleh data yang memiliki mean, varians, dan
kovarians yang konstan sepanjang waktu. Jika hasil uji stasioneritas
masing-masing variabel dengan menggunakan uji augmented Dickey
Fuller menunjukkan bahwa data untuk semua variabel tidak stasioner pada
tingkat bidang, maka data stasioner dapat diperoleh dengan cara
membedakan data tersebut. Langkah-langkah tersebut dilakukan sampai
69
semua variabel berada pada tingkat stabilitas yang sama. Apabila data
telah stasioner pada tingkat level maka dilanjutkan dengan persamaan
VAR biasa, namun apabila data tidak stasioner pada level, dapat
menggunakan model VECM.
a. Variabel Profitabilitas (ROA)
Pada tahap ini, variabel profitabilitas (ROA) terlebih dahulu diuji
stasioneritas datanya dengan menggunakan uji Augmented Dickey
Fuller pada tingkat level dengan hasil sebagai berikut:
Tabel 4.8 Hasil Uji Stasioneritas Variabel Profitabilitas (ROA)

Tingkat Level
Null Hypothesis: ROA has a unit root

Exogenous: Constant
Lag Length: 1 (Automatic - based on SIC, maxlag=9)
t-Statistic Prob.*
Augmented Dickey-Fuller test statistic -3.037840 0.0388

Test critical values: 1% level -3.581152
5% level -2.926622
10% level -2.601424
*MacKinnon (1996) one-sided p-values.
Berdasarkan dari hasil tabel diatas uji stasioneritas pada tingkat

level yang dilakukan dengan menggunakan uji Augmented Dickey
Fuller untuk variabel profitabilitas dengan indikator variabel Return
On Asset (ROA) dengan memperhatikan nilai absolut atau nilai
mutlak statistik Augmented Dickey Fuller |-3.037840| lebih besar
dibandingkan dengan nilai kritis MacKinnon pada setiap 𝛼 1% |-
3.581152|, 5% |-2.926622| dan 10% |-2.601424| dan nilai probabilitas
yang didapatkan lebih kecil dari 0,05 (0.0388 < 0,05) maka dapat
disimpulkan bahwa variabel profitabilitas (ROA) sudah stasioner atau
70
dengan kata lain bahwa data yang digunakan sudah tepat untuk
mengestimasi model penelitian yang digunakan.
b. Variabel Profitabilitas (NPM)

Pada tahap ini, variabel profitabilitas (NPM) terlebih dahulu diuji
Tabel 4.9 Hasil Uji Stasioneritas Variabel Profitabilitas (NPM)

Tingkat Level
Null Hypothesis: NPM has a unit root
Exogenous: Constant
t-Statistic Prob.*

5% level -2.925169
10% level -2.600658

level yang dilakukan dengan menggunkan uji Augmented Dickey
Fuller untuk variabel profitabilitas yaitu Net Performing Margin
(NPM) dengan memperhatikan nilai absolut atau nilai mutlak statistik
Augmented Dickey Fuller |-3.549591| lebih besar dibandingkan
dengan nilai kritis MacKinnonnya pada setiap 𝛼 1% |-3.577723|, 5%
|-2.925169| dan 10% |-2.600658| dan nilai probabilitas yang
didapatkan lebih kecil dari 0,05 (0.0108 < 0,05) maka hal ini dapat
disimpulkan bahwa variabel profitabilitas (NPM) sudah
stasioner/signifikan dengan kata lain bahwa data yang digunakan
sudah tepat untuk mengestimasi model penelitian yang digunakan.
71
c. Variabel Solvabilitas / Leverage (DER)
Pada tahap ini, variabel profitabilitas (DER) terlebih dahulu diuji
Tabel 4.10 Hasil Uji Stasioneritas Variabel Rentabilitas /
leverage (DER) Tingkat Level
Null Hypothesis: DER has a unit root

Exogenous: Constant
t-Statistic Prob.*

5% level -2.925169
10% level -2.600658

level atau tingkat dasar yang dilakukan dengan menggunkan uji
Augmented Dickey Fuller untuk variabel rentabilitas / leverage
dengan memperhatikan nilai absolut atau nilai mutlak statistik
Augmented Dickey Fuller |−0,297239| lebih kecil dibandingkan
dengan nilai kritis MacKinnon pada setiap 𝛼 1% |−3,502238|, 5%
|−2,892879| dan 10% |−2,583553| dan ternyata nilai probabilitas yang
didapatkan lebih besar dari 0,05 (0,9202 > 0,05) maka pada kasus ini
bisa disimpulkan bahwa variabel solvabilitas / leverage (DER) tidak
stasioner artinya data yang digunakan tidak memenuhi syarat untuk
mengestimasi model penelitian ini. Oleh sebab itu maka harus
dilakukan pengujian ulang pada level diferensiasi pertama atau kedua
agar dapat mengestimasi model penelitian ini nantinya.
72
d. Variabel Solvabilitas / Leverage (DAR)
Pada tahap ini, variabel solvabilitas / leverage (DAR) terlebih
dahulu diuji stasioneritas datanya dengan menggunakan uji
Augmented Dickey Fuller pada tingkat level dengan hasil sebagai
berikut:
Tabel 4.11 Hasil Uji Stasioneritas Solvabilitas / Leverage
(DAR) Tingkat Level
Null Hypothesis: DAR has a unit root

Exogenous: Constant
t-Statistic Prob.*

5% level -2.925169
10% level -2.600658

Fuller untuk variabel rentabilitas / leverage dengan memperhatikan
nilai absolut atau nilai mutlak statistik Augmented Dickey Fuller |-
3.450566| lebih besar dibandingkan dengan nilai kritis MacKinnon
pada setiap 𝛼 yaitu 1% |-3.577723|, 5% |-2.925169| dan 10% |-
2.600658| dan nilai probabilitas yang didapatkan lebih kecil dari 0,05
(0.0140 < 0,05) maka dapat disimpulkan bahwa variabel solvabilitas /
leverage (DAR) sudah stasioner/signifikan artinya pada pengujian
tingkat level ini data yang digunakan dapat dilanjutkan dengan
pengujian selanjutnya dan dapat mengestimasi model pada penelitian
ini.
73
e. Variabel Likuiditas Current Ratio (CR)
Pada tahap ini, variabel likuiditas Current Ratio (CR) terlebih
dahulu diuji stasioneritas datanya dengan menggunakan uji
Augmented Dickey Fuller pada tingkat level dengan hasil sebagai
berikut:
Tabel 4.12 Hasil Uji Stasioneritas Variabel Likuiditas (CR)

Tingkat Level
Null Hypothesis: CR has a unit root

Exogenous: Constant
t-Statistic Prob.*

5% level -2.925169
10% level -2.600658
Berdasaarkan dari hasil tabel diatas uji stasioneritas pada tingkat

Fuller untuk variabel likuiditas Current Ratio (CR) dengan
memperhatikan nilai absolut statistik Augmented Dickey Fuller
|−2.268642| lebih kecil dibandingkan dengan nilai kritis MacKinnon
pada setiap 𝛼 1% |−3.577723|, 5% |−2.925169| dan 10% |−2.600658|
dan nilai probabilitas yang didapatkan lebih besar dari 0,05 (0.1861 >
0,05) maka dapat disimpulkan bahwa variabel likuiditas (CR) tidak
stasioner artinya data yang digunakan tidak memenuhi syarat untuk
mengestimasi model penelitian ini. Oleh sebab itu maka harus
dilakukan pengujian ulang pada level diferensiasi pertama atau kedua
agar dapat mengestimasi model penelitian ini nantinya.
74
Karena pada variabel solvabilitas / leverage Debt to Equity Ratio
(DER) dan likuiditas Current Ratio (CR) tidak stasioner pada tingkat
level atau pada pengujian tingkat dasar maka pada pengujian
stasioneritas ini perlu dilakukan pengujian pada first difference
(differensiasi Pertama) untuk semua variabel. Sebab, ketika ada salah
satu variabel yang tidak stasioner/ signifikan maka langkah yang harus
diambil adalah dengan melakukan differensiasi agar dapat
melanjutkan pengujian tahap selanjutnya dan dapat mengestimasi
model dengan tepat. Selanjutnya hasil pengujian pada variabel-
variabel yang menggunakan uji Augmented Dickey Fuller dengan first
difference (differensiasi pertama) dapat dilihat pada tabel berikut:
a. First difference Variabel Profitabilitas (ROA)

Tabel 4.13 Hasil Uji Stasioneritas First difference Variabel
Profitabilitas (ROA)
Null Hypothesis: D(ROA) has a unit root

Exogenous: Constant
t-Statistic Prob.*

5% level -2.926622
10% level -2.601424

Setelah dilakukannya uji stasioneritas pada tingkat first difference
(Diferensiasi pertama) pada variable profitabilitas Return On Asset
(ROA) dapat dilihat berdasarkan hasil first difference pada tabel diatas
diperoleh nilai absolut atau nilai mutlak statistik Augmented Dickey
Fuller |−5.814203| lebih besar dibandingkan dengan nilai kritis
MacKinnon pada setiap 𝛼 1% |−3.581152|, 5% |−2.926622| dan
75
10%|−2.601424| dan nilai probabilitas yang didapatkan lebih kecil
dari 0,05 (0,0000 < 0,05), maka dapat disimpulkan bahwa variabel
Profitabilitas (ROA) sudah stasioner/signifikan artinya pada
pengujian tingkat first difference ini data yang digunakan dapat
dilanjutkan dengan pengujian selanjutnya dan dapat mengestimasi
model pada penelitian ini.
b. First difference Variabel Profitabilitas (NPM)
Profitabilitas (NPM)
Null Hypothesis: D(NPM) has a unit root

Exogenous: Constant
t-Statistic Prob.*

5% level -2.926622
10% level -2.601424
Setelah dilakukan uji stasioner lanjutan pada variable

profitabilitas (ROA), untuk indikator variabel profitabilitas Net Profit
Margin (NPM) ini pun dilakukan uji stasioneritas pada tingkat First
difference. Berdasarkan dari hasil first difference diatas diperoleh nilai
absolut statistik Augmented Dickey Fuller |−7.858956| lebih besar
dibandingkan dengan nilai kritis MacKinnon pada setiap 𝛼 1%
|−3.581152|, 5% |−2.926622| dan 10%|−2.601424| dan nilai
probabilitas yang didapatkan lebih kecil dari 0,05 (0,0000 < 0,05),
maka dapat disimpulkan bahwa variabel Profitabilitas (NPM) sudah
stasioner/signifikan artinya pada pengujian tingkat first difference ini
data yang digunakan dapat dilanjutkan dengan pengujian selanjutnya
dan dapat mengestimasi model pada penelitian ini.
76
c. First difference Variabel Solvabilitas / Leverage (DER)
Solvabilitas (DER)
Null Hypothesis: D(DER) has a unit root

Exogenous: Constant
t-Statistic Prob.*

5% level -2.926622
10% level -2.601424
Pada tingkat level atau tingkat dasar uji stasioneritas pada

variabel leverage Debt to Equity Ratio (DER) tidak stasioner maka
harus menggunakan pengujian stasioneritas pada tingkat first
difference atau diferensiasi tingkat pertama. Berdasarkan data yang
tersaji pada tabel diatas hasil first difference diperoleh nilai absolut
atau nilai mutlak statistik Augmented Dickey Fuller yaitu sebesar
|−7.180470| nilai tersebut lebih besar dibandingkan dengan nilai kritis
MacKinnon pada setiap 𝛼 yaitu 1% |−3.581152|, 5% |−2.926622| dan
10%|−2.601424|. Selain itu, nilai probabilitas yang didapatkan lebih
kecil dari 0,05 (0,0000 < 0,05), maka dapat disimpulkan bahwa
variabel Solvabilitas / Leverage (DER) sudah stasioner/signifikan
artinya pada pengujian tingkat first difference ini data yang digunakan
dapat dilanjutkan dengan pengujian selanjutnya dan dapat
mengestimasi model pada penelitian ini.
77
d. First difference Variabel Solvabilitas / Leverage (DAR)
Solvabilitas (DAR)
Null Hypothesis: D(DAR) has a unit root

Exogenous: Constant
t-Statistic Prob.*

5% level -2.926622
10% level -2.601424
Berdasarkan dari hasil first difference atau diferensiasi pada

tingkat pertama variabel solvabilitas / leverage Debt to Asset Ratio
(DAR) diatas diperoleh sejumlah nilai absolut atau nilai mutlak
statistik Augmented Dickey Fuller yaitu sebesar |−10.59091| nilai
tersebut lebih besar dibandingkan dengan nilai kritis MacKinnon pada
setiap 𝛼 yaitu 1% |−3.581152|, 5% |−2.926622| dan 10%|−2.601424|
dan juga nilai probabilitas yang didapatkan lebih kecil dari 0,05
(0,0000 < 0,05), maka dapat disimpulkan bahwa variabel solvabilitas
/ leverage (DAR) sudah stasioner/signifikan artinya pada pengujian
tingkat first difference ini data yang digunakan dapat dilanjutkan
dengan pengujian selanjutnya dan dapat mengestimasi model pada
penelitian ini.
e. First difference Variabel Likuiditas (CR)

Likuiditas (CR)
Null Hypothesis: D(CR) has a unit root

Exogenous: Constant
t-Statistic Prob.*
78
5% level -2.926622
10% level -2.601424
Pada tingkat level atau tingkat dasar uji stasioneritas pada

variabel likuiditas Current Ratio (CR) tidak stasioner maka harus
menggunakan pengujian stasioneritas pada tingkat first difference atau
diferensiasi tingkat pertama. Berdasarkan dari hasil first difference
diatas diperoleh nilai absolut atau nilai statistik Augmented Dickey
Fuller |−8.870779| lebih besar dibandingkan dengan nilai kritis
MacKinnon pada setiap 𝛼 1% |−3.581152|, 5% |−2.926622| dan
10%|−2.601424| dan nilai probabilitas yang didapatkan lebih kecil
dari 0,05 (0,0000 < 0,05), maka dapat disimpulkan bahwa variabel
Solvabilitas / Leverage (DAR) sudah stasioner/signifikan artinya pada
pengujian tingkat first difference ini data yang digunakan dapat
dilanjutkan dengan pengujian selanjutnya dan dapat mengestimasi
model pada penelitian ini.
3) Uji Penentuan Panjang Lag Optimum

Peramalan dengan VAR mengharuskan data menjadi stasioner.
Karena data untuk masing-masing variabel stasioner pada tingkat first
difference, sehingga perkiraan tersebut diharapkan dapat memberikan
hasil model yang valid. Oleh karena itu, kesimpulan penelitian juga
dapat memiliki tingkat validitas yang tinggi. Peramalan model VAR
dimulai dari menentukan panjang lag yang tepat pada model VAR.
Penentuan panjang lag yang optimal harus dilakukan dalam
pemodelan VAR. Apabila lag optimal yang dimasukkan terlalu
pendek, dikhawatirkan tidak dapat menjelaskan dinamika model
secara utuh. Namun, jika lag optimal dimasukkan terlalu panjang, hal
ini bisa menyebabkan peramalan yang tidak efisien karena derajat
79
kebebasan yang terbatas, terutama untuk model dengan sampel kecil.
Oleh karena itu, sangat penting untuk mengetahui lag optimal sebelum
melakukan estimasi VAR.
Pendekatan VAR amat berpengaruh terhadap panjang lag data
yang dipakai, sebab penentuan panjang lag digunakan untuk
menganalisa durasi periode pengaruh suatu variabel terhadap variabel
periode sebelumnya ataupun terhadap variabel dependen lainnya.
Pada penelitian ini menentukan panjang lag (p) model menggunakan
AIC (Akaike Information Critrion), FPE (Final Prediction Error), HQ
(Hannan-Quin Criterion) dan SC (Schwarz Information Criterion)
dengan nilai p didapatkan melalui pemilihan p yang minimum.
Tabel 4.18 Hasil Uji Penentuan Panjang Lag Optimal
VAR Lag Order Selection Criteria

Terikatous variables: D(ROA) D(NPM) D(DER) D(DAR) D(CR)
Exogenous variables: C
Date: 07/31/21 Time: 21:57
Sample: 1 48
Included observations: 42
Lag LogL LR FPE AIC SC HQ
0 557.3694 NA 2.60e-18* -26.30330* -26.09644* -26.22748*

1 581.9144 42.07711* 2.68e-18 -26.28164 -25.04044 -25.82669
2 604.1545 32.83068 3.22e-18 -26.15021 -23.87469 -25.31615
3 620.7392 20.53345 5.53e-18 -25.74949 -22.43964 -24.53630
4 645.5026 24.76335 7.48e-18 -25.73822 -21.39404 -24.14591
5 673.6281 21.42897 1.12e-17 -25.88705 -20.50855 -23.91562
* indicates lag order selected by the criterion

LR: sequential modified LR test statistic (each test at 5% level)
FPE: Final prediction error
AIC: Akaike information criterion
SC: Schwarz information criterion
HQ: Hannan-Quinn information criterion
Penentuan durasi interval optimal atau durasi delay optimal

dengan berbagai kriteria yang ada seperti sequential modified LR test
statistic (LR), Final Prediction Error (FPE), Akaike Information
Criterion (AIC), Schwarz information criterion (SC) dan Hannan-
Quinn Criterion (HQ) untuk menentukan durasi lag optimal terjadi
80
ketika nilai-nilai kriteria di atas memiliki nilai absolut terkecil. Dari
hasil tabel di atas, panjang lag optimal dapat ditentukan dengan nilai
absolut terkecil, yang ditandai dengan jumlah bintang pada periode
tersebut. Dengan lag 1 jumlah bintang hanya 1 dan dengan lag 0 ada
4 bintang. Dari sini dapat disimpulkan bahwa panjang delay yang
optimal adalah 0.
4) Uji Kointegrasi
Setelah menentukan durasi lag optimal, selanjutnya adalah uji
kointegrasi. Kointegrasi adalah hubungan jangka panjang antar variabel
yang tidak stasioner. Dengan kata lain, meskipun variabel-variabel ini
tidak stasioner secara individual atau masing-masing pada tiap
variabelnya, kombinasi antara variabel-variabel ini dapat menjadi
stasioner atau valid apabila digunakan untuk mengestimasi suatu model
penelitian. Uji kointegrasi ini menggunakan metode uji kointegrasi
Johansen dengan data stasioner pada tingkat first difference karena pada
pengujian stasioneritas terdapat data dari dua variabel yaitu variabel
rentabilitas / leverage (DAR) dan variabel likuiditas (CR) dimana pada
tingkat level atau tingkat dasar tidak stasioner. Hasil uji kointegrasi untuk
masing-masing hubungan pada tabel terlampir 4.18.
Berdasarkan hasil uji kointegrasi didapatkan nilai Trace Statistic
pada kelima barisnya lebih besar dibandingkan nilai kritis, pada baris
pertama nilai trace statistic sebesar 106,7453 lebih besar dari nilai kritis
60,06141, pada baris kedua nilai trace statistic sebesar 65,61697 lebih
besar dari nilai kritis 40,17493 , pada baris ketiga nilai trace statistic
sebesar 41,04809 lebih besar dari nilai kritis 24,27596, pada baris
keempat nilai trace statistic sebesar 17,80374 lebih besar dari nilai kritis
12,32090, pada baris kelima nilai trace statistic sebesar 4,632532 lebih
besar dari nilai kritis 4,129906 yang menunjukkan bahwa pada masing-
masing data nilai time series terdapat 5 indikasi kointegrasi pada taraf
kepercayaan 95% atau taraf signifikansi 0.05 yang artinya H0 ditolak
81
yang menyatakan tidak ada kointegrasi dan H1 diterima yang menyatakan
adanya kointegrasi.
Untuk melihat implikasi hubungan pada indikator variabel yang ada,

dilakukan juga uji Maximum-Eigenvalue. Sama dengan uji Trace
Statistic, uji ini juga digunakan untuk melihat ada tidaknya kointegrasi
yang terjadi diantara data dari masing-masing variabel. Berdasarkan
hasil uji kointegrasi didapatkan nilai Maximum Eigenvalue pada ketiga
barisnya lebih besar dibandingkan nilai kritisnya. Pada baris pertama
nilai Maximum Eigenvalue sebesar 41,12834 lebih besar dari nilai kritis
30,43961. Pada baris kedua nilai Maximum Eigenvalue sebesar
24,56888 lebih besar dari nilai kritis 24,15921. Pada baris ketiga nilai
Maximum Eigenvalue sebesar 23,24436 lebih besar dari nilai kritis
17,79730, Pada baris keempat nilai Maximum Eigenvalue sebesar
13,17120 lebih besar dari nilai kritis 11,22480, Pada baris kelima nilai
Maximum Eigenvalue sebesar 4,632532 lebih besar dari nilai kritis
4,129906 yang menunjukkan bahwa, pada masing-masing data nilai
time series dari tahun 2017-2020 terdapat 5 indikasi kointegrasi pada
taraf kepercayaan 95% atau taraf signifikansi 0,05 yang artinya H0
ditolak yang menyatakan tidak ada kointegrasi dan H1 diterima yang
menyatakan adanya kointegrasi dan hubungan jangka panjang. Hal
tersebut mengartikan bahwa jika ada kenaikan pada nilai variabel
profitabilitas dan rentabilitas (Leverage) , maka akan mempengaruhi
variabel likuiditas pula.
Berdasarkan uraian diatas dapat disimpulkan bahwa tabel di atas

menunjukkan bahwa statistik jejak dan maximum eigenvalue dengan
tingkat kepercayaan 95% atau tingkat signifikansi 5% lebih besar dari
nilai kritis. Hal ini berarti H0 yang menyatakan tidak ada kointegrasi,
ditolak dan hipotesis alternatif bahwa terdapat kointegrasi diterima.
Dengan demikian, hasil uji kointegrasi menunjukkan bahwa variabel
profitabilitas, profitabilitas (leverage) dan likuiditas memiliki
82
hubungan jangka panjang antara stabilitas/ekuilibrium dan kesamaan
pergerakan. Dalam jangka pendek, semua variabel saling
menyesuaikan untuk mencapai keseimbangan jangka panjang. Seperti
yang telah ditetapkan pada subbagian sebelumnya bahwa semua data
dari perbedaan tingkat pertama adalah stasioner dan semua data juga
terkointegrasi, analisis lebih lanjut dapat dilakukan dengan model
VECM.
5) Uji Stabilitas VECM

Sebelum memasuki tahap uji statistik selanjutnya, perlu dilakukan
uji stabilitas model VECM terlebih dahulu. Stabilitas hasil perkiraan
sistem persamaan VECM yang terbentuk harus diverifikasi. Dengan uji
stabilitas VECM berupa akar-akar polinomial karakteristik untuk
semua variabel yang dipakai dikalikan dengan jumlah lag masing-
masing VECM. Stabilitas VECM harus diuji karena jika hasil estimasi
stabilitas VECM tidak stabil maka analisis IRF dan FEVD tidak akan
valid. Hasil pengujian pada suatu sistem VECM dikatakan stabil
apabila semua akarnya memiliki modulus < 1 yaitu 0.702676 ;
0.702676, 0.636866, 0.636866, 0.538980, 0.472374, 0.472374,
0.426855, 0.426855, 0.091004. Berdasarkan hasil yang ditunjukan pada
tabel diatas bahwa nilai modulus pada tabel AR roots menunjukan
stabilitas model. Apabila semua nilai AR rootsnya kurang dari satu
maka model tersebut stabil. Analisis IRF dan FEVD digunakan untuk
menunjukan estimasi stabilitas VAR. Pada penelitian ini nilai IRF dan
FEVD telah stabil karena seluruh nilai modulus yang kurang dari 1
sehingga sampai lag ke 2 model masih stabil.
6) Estimasi Model VECM

Vector Error Correction Model (VECM) dengan uji kointegrasi
memiliki keterkaitan yang cukup erat, sebab VECM ialah model
lanjutan dari model VAR untuk data time series yang tidak stasioner
dan memiliki satu atau lebih hubungan kointegrasi antar variabel
83
penelitian. Pada titik ini kita akan membahas hubungan antara akar
karakteristik dan vektor karakteristik dalam kasus VECM yang
diturunkan dari 3 variabel dan 5 Indikator variabel yaitu variabel
profitabilitas (ROA & NPM), Solvebilitas / Leverage (DER & DAR)
dan Likuiditas (CR). Dari hasil uji stasioneritas dan uji kointegrasi data,
peramalan model dilakukan dengan menggunakan Restricted Vector
Autoregression Model (Restricted VAR) atau Vector Error Correction
Model (VECM). Pada tahap ini, hasil estimasi model VECM antar
variabel penelitian dapat dilihat pada tabel berikut:
Tabel 4.20 Hasil Estimasi Model VECM
T hitung =2,06390
Vector Error Correction Estimates
Date: 07/31/21 Time: 22:26
Sample (adjusted): 7 48
Included observations: 42 after adjustments
Standard errors in ( ) & t-statistics in [ ]
Error Correction: D(ROA,2) D(NPM,2) D(DER,2) D(DAR,2) D(CR,2)
D(ROA(-1),2) 0.856591 14.71207 -16.22147 0.483294 -4.054976

(0.58835) (6.74470) (121.408) (2.82824) (5.12940)
[ 2.45593] [ 2.18128] [-0.13361] [ 0.17088] [-0.79054]
D(NPM(-1),2) -0.004409 0.998316 7.754463 -0.106390 -0.229303

(0.04124) (0.47280) (8.51063) (0.19826) (0.35957)
[-0.10691] [ 2.11150] [ 0.91115] [-0.53663] [-0.63772]
D(DER(-1),2) -0.002968 -0.018673 -1.273827 -0.018176 0.008910

(0.00252) (0.02894) (0.52092) (0.01213) (0.02201)
[-1.17585] [-0.64526] [2.44534] [-1.49785] [ 0.40486]
D(DAR(-1),2) 0.148360 -2.450735 2.426049 2.012768 -0.913620

(0.20498) (2.34981) (42.2978) (0.98534) (1.78705)
[ 0.72379] [-1.04295] [ 0.05736] [ 2.07272] [-0.51125]
D(CR(-1),2) 0.061227 2.416639 16.63058 -0.129139 -0.226340

(0.07769) (0.89064) (16.0320) (0.37347) (0.67734)
[ 0.78807] [ 2.71337] [ 1.03734] [-0.34578] [2.33416]
84
Berdasarkan data Tabel diatas dapat dijelaskan bahwa dalam jangka
panjang pada semua indikator variabel T Statistik > T tabel yang berarti
signifikan, jika dilihat pada hasil diatas untuk variabel profitabilitas yaitu
ROA T Statistik 2.45593 > 2,06390 T tabel, untuk NPM T Statistik
2.11150 > 2,06390 T tabel, untuk variabel solvabilitas yaitu DER T
Statistik 2.44534 > 2,06390 T tabel, Untuk DAR T Statistik 2.07272 >
2,06390 T tabel, dan terakhir untuk variabel likuiditas yaitu CR T
Statistik 2.33416 > 2,06390 T tabel, jadi nilai dari masing-masing
variabel yaitu profitabilitas (ROA, NPM), Solvabilitas (DER, DAR) dan
Likuiditas (CR) satu periode sebelumnya signifikan mempengaruhi nilai
dari variabel profitabilitas (ROA, NPM), Solvabilitas (DER, DAR) dan
Likuiditas (CR) dimasa mendatang.
7) Uji Kausalitas Granger

Tahap selanjutnya adalah melakukan uji kausalitas Granger
(Granger Causality Test) untuk menganalisis apakah terjadi hubungan
timbal balik atau tidak pada setiap variabel. Bisa dikatakan bahwa,
apakah terdapat hubungan sebab akibat atau tidak antara indikator
variabel satu dengan yang lainnya, sebab setiap variabel dalam penelitian
mempunyai kesempatan untuk menjadi variabel terikat maupun bebas.
Uji kausalitas pada penelitian ini menggunakan VAR Pairwise Granger
Causality Test dan menggunakan taraf nyata 5% dengan hipotesis
penelitian
H0 = Tidak terdapat hubungan kausalitas
H1 = Terdapat hubungan kausalitas
Uji Kriteria
H0 diterima, jika nilai probabilitas > 𝛼 (𝑜, 05)
H1 diterima, jika nilai probabilitas < 𝛼 (𝑜, 05)
Berdasarkan hasil uji Kausalitas Granger menunjukkan bahwa

Indikator Variabel Profitabilitas yaitu ROA & NPM secara statistik tidak
85
saling mempengaruhi yang dapat dibuktikan dari nilai probabilitas
masing-masing lebih besar dari 0,05 yaitu 0.0804 dan 0.1722. Sehingga
hipotesis H0 diterima. Sehingga, dapat disimpulkan bahwa tidak ada
hubungan kausalitas antara ROA dan NPM. Kemudian untuk Variabel
profitabilitas (ROA) secara statistik tidak signifikan mempengaruhi
variabel Solvabilitas (DER) dan begitu pula sebaliknya yang dibuktikan
dengan hasil nilai probabilitas dari masing-masing lebih besar dari 0,05
yaitu 0.7109 dan 0.0803. Sehingga hipotesis H0 diterima. Dengan
demikian, dapat disimpulkan bahwa tidak terjadi hubungan kausalitas
antara variabel profitabilitas (ROA) dan solvabilitas (DER).
Pada Variabel profitabilitas (ROA) secara statistik tidak signifikan

mempengaruhi variabel Solvabilitas (DAR) dan begitu pula sebaliknya
yang dibuktikan dengan hasil nilai probabilitas dari masing-masing lebih
besar dari 0,05 yaitu 0.8312 dan 0.3249. Sehingga hipotesis H0 diterima.
Dengan demikian, dapat disimpulkan bahwa tidak terjadi hubungan
kausalitas antara variabel profitabilitas (ROA) dan solvabilitas (DAR).
Selanjutnya Variabel Likuiditas (CR) secara statistik signifikan
mempengaruhi variabel profitabilitas (ROA). Sehingga hipotesis H0
ditolak. Oleh karenanya, dapat disimpulkan bahwa terjadi hubungan
kausalitas antara variabel likuiditas (CR) terhadap profitabilitas (ROA).
Namun tidak dengan sebaliknya dimana variabel profitabilitas (ROA)
secara statistik tidak signifikan mempengaruhi variabel Likuiditas (CR)
yang dibuktikan dengan hasil nilai probabilitas lebih besar dari 0,05 yaitu
0.4614. Sehingga hipotesis H0 diterima. Dengan demikian, dapat
disimpulkan bahwa tidak terjadi hubungan kausalitas antara variabel
profitabilitas (ROA) dan likuiditas (CR) artinya ketika pihak bank
melakukan kesalahan dengan terjadinya penurunan tingkat profitabilitas,
pihak bank tentunya juga akan melihat terhadap tingkat likuiditas bank,
karena besarnya penurunan tingkat profitabilitas bank akan
mempengaruhi likuiditas bank juga tentunya. Jika hal itu terjadi bisa
86
berakibat pada kemampuan bank dalam memenuhi kewajiban jangka
pendeknya.
Variabel Solvabilitas/Leverage (DER) secara statistik signifikan

mempengaruhi variabel profitabilitas (NPM). Sehingga hipotesis H0
kausalitas antara variabel Solvabilitas/Leverage (DER) terhadap variabel
profitabilitas (NPM). Namun tidak dengan sebaliknya dimana variabel
profitabilitas (NPM) secara statistik tidak signifikan mempengaruhi
variabel Solvabilitas/Leverage (DER) yang dibuktikan dengan hasil nilai
probabilitas lebih besar dari 0,05 yaitu 0,5627. Sehingga hipotesis H0
diterima. Dengan demikian, dapat disimpulkan bahwa tidak terjadi
hubungan kausalitas antara variabel profitabitas (NPM) dan
Solvabilitas/Leverage (DER) artinya Rasio solvabilitas/ leverage (DER)
memiliki hubungan sebab akibat dengan rasio profitabilitas (NPM)
dibandingkan sebaliknya. Ketika pihak bank modal yang dimiliki bank
lebih kecil dibandingkan utangnya hal ini bisa menjadi salah satu faktor
yang menyebabkan terjadinya penurunan tingkat profitabilitas. Jika hal
ini terjadi berarti perusahaan dalam penggunaan modal masih kurang
efisien karena nantinya bank akan lebih fokus untuk melunasi utangnya
terlebih dahulu sehingga laba yang dibagikan pun lebih rendah. Akan
tetapi jika semakin kecil rasio solvabilitas maka akan memperbaiki
keadaan perusahaan sebab itu berarti utang yang dimiliki lebih kecil dari
modalnya. Dan jika modal itu dimaksimalkan penggunaannya akan
menghasilkan laba yang lebih besar tentunya.
Variabel Solvabilitas/Leverage (DAR) secara statistik signifikan

mempengaruhi variabel profitabilitas (NPM). Sehingga hipotesis H0
kausalitas antara variabel Solvabilitas/Leverage (DAR) terhadap variabel
profitabilitas (NPM). Namun tidak dengan sebaliknya dimana variabel
profitabilitas (NPM) secara statistik tidak signifikan mempengaruhi
87
variabel Solvabilitas/Leverage (DAR) yang dibuktikan dengan hasil nilai
hubungan kausalitas antara variabel profitabitas (NPM) dan
Solvabilitas/Leverage (DAR) artinya Rasio solvabilitas/ leverage (DAR)
memiliki hubungan sebab akibat dengan rasio profitabilitas (NPM)
dibandingkan sebaliknya. Ketika nilai DAR semakin besar, maka
komposisi utang dalam aset semakin besar juga dan hal itu dapat menjadi
salah satu faktor yang menyebabkan terjadinya penurunan tingkat
profitabilitas. Sebab nantinya bank akan lebih fokus untuk melunasi
utangnya terlebih dahulu sehingga laba yang dibagikan pun lebih rendah.
Indikator Variabel Profitabilitas yaitu CR & NPM secara statistik tidak
saling mempengaruhi yang dibuktikan dengan hasil nilai probabilitas
masing-masing lebih besar dari 0,05 yaitu 0,4756 dan 0,2884. Sehingga
hipotesis H0 diterima. Dengan demikian, dapat disimpulkan bahwa tidak
terjadi hubungan kausalitas antara CR dan NPM.
Berbeda dengan hubungan variabel sebelumnya, Variabel

solvabilitas/leverage (DER) secara statistik signifikan mempengaruhi
variabel solvabilitas/leverage (DAR).Sehingga hipotesis H0 ditolak.
Oleh karenanya, dapat disimpulkan bahwa terjadi hubungan kausalitas
antara variabel solvabilitas/Leverage (DER) terhadap variabel
solvabilitas/leverage (DAR). Namun tidak dengan sebaliknya dimana
variabel solvabilitas/leverage (DAR) secara statistik tidak signifikan
mempengaruhi variabel Solvabilitas/Leverage (DER) yang dibuktikan
dengan hasil nilai probabilitas lebih besar dari 0,05 yaitu 0,5392.
Sehingga hipotesis H0 diterima. Dengan demikian, dapat disimpulkan
bahwa tidak terjadi hubungan kausalitas antara variabel
solvabilitas/leverage (DAR) dengan Solvabilitas/Leverage (DER).
Variabel Solvabilitas/Leverage (DER) secara statistik signifikan

mempengaruhi variabel likuiditas (CR). Sehingga hipotesis H0 ditolak.
88
antara variabel Solvabilitas/Leverage (DER) terhadap variabel likuiditas
(CR). Namun tidak dengan sebaliknya dimana variabel likuiditas (CR)
secara statistik tidak signifikan mempengaruhi variabel
Solvabilitas/Leverage (DER) yang dibuktikan dengan hasil nilai
hubungan kausalitas antara variabel variabel likuiditas (CR) dengan
Solvabilitas/Leverage (DER). Dalam hal ini berarti ketika porsi utang
dalam aset membesar dapat berpengaruh dalam likuiditas bank. Karena
semakin tinggi utang semakin besar risiko yang dihadapi bank dalam
memenuhi kewajibannya pula.
Variabel Solvabilitas/Leverage (DAR) secara statistik signifikan

mempengaruhi variabel likuiditas (CR). Sehingga hipotesis H0 ditolak.
antara variabel Solvabilitas/Leverage (DAR) terhadap variabel likuiditas
(CR). Namun tidak dengan sebaliknya dimana variabel likuiditas (CR)
secara statistik tidak signifikan mempengaruhi variabel
Solvabilitas/Leverage (DAR) yang dibuktikan dengan hasil nilai
hubungan kausalitas antara variabel variabel likuiditas (CR) dengan
Solvabilitas/Leverage (DAR). Dalam hal ini berarti ketika porsi utang
dalam aset membesar dapat berpengaruh dalam likuiditas bank. Karena
semakin tinggi utang semakin besar risiko yang dihadapi bank dalam
memenuhi kewajibannya pula.
89
8) Hasil Impuls Response Function (IRF)
Berdasarkan hasil tabel Impuls Response Function (IRF) yang

terbentuk dapat simpulkan bahwa respon yang ditunjukkan oleh setiap
indikator variabel mengalami shock atau guncangan karena nilai
standarisasinya adalah nol. Artinya setiap indikator variabel yang ada setiap
periodenya akan selalu mengalami perubahan atau bersifat dinamis. Selain
itu respon rata-rata indikator variabel memiliki respon yang fluktuatif
(merespon secara positif dan negatif) namun cenderung meningkat.Akan
tetapi, ada beberapa indikator variabel yang mengalami penurunan dari
sebelumnya. Hal ini sangat dimungkinkan sebab setiap indikator variabel
baik ROA, NPM, DER, DAR maupun CR dalam pertumbuhannya pasti
akan selalu bergerak naik dan turun karena disebabkan adanya terdapat
faktor-faktor yang mempengaruhi disetiap waktunya.
9) Variance Decomposition
Uji yang dilakukan pada tahap ini adalah uji Variance Decomposition.
Tujuan dilakukannya uji ini ialah untuk mendapatkan informasi mengenai
seberapa kuat komposisi dari peranan variabel tertentu terhadap variabel
lainnya. Adapun hasil Analisis VDC (Variance Decomposition) yang
disajikan pada tabel terlampir dari beberapa indikator variabel yang telah
dianalisis menunjukkan bahwa antar variabel maupun indikator variabel
satu dengan lainnya disetiap periodenya terdapat perbedaan dan nilai yang
dihasilkannya pun sangat fluktuatif atau bergerak naik dan turun. Artinya
pada indikator variabel yang diteliti seperti ROA, NPM, DAR, DER, dan
CR dapat meningkat pada tiap periodenya atau mengalami penurunan pada
periode tertentu. Hal ini bisa menjadi gambaran untuk perbankan syariah
yang dimerger ini bahwa harus memperhatikan faktor-faktor yang
mempengaruhi naik dan turunnya indikator variabel kinerja keuangan
tersebut. Dimana hal ini sudah dideskripsikan pada pengujian sebelumnya
yaitu uji kausalitas granger.
90
10) Forecasting
Dalam bukunya Drs. Zainul Arifin membahas terkait unsur-unsur

dalam manajemen perbankan syariah, dimana dalam sub bagian perencanaan
dikatakan bahwa suatu perencanaan yang baik perlu dilakukan beberapa
proses kegiatan salah satunya adalah dengan melakukan forecasting atau
peramalan. Menurut Arifin (2009), Forecasting merupakan suatu ramalan
bisnis yang sistematis, berdasarkan perkiraan dan perhitungan yang wajar dari
fakta yang ada, kemungkinan besar akan mendapatkan sesuatu di masa depan.
Fungsi forecasting ini untuk memberikan informasi sebagai dasar
pertimbangan pengambilan keputusan bagi manajemen perbankan syariah.
Langkah awal yang harus dilakukan manajemen bank syariah ialah membuat
prakiraan bisnis dengan melihat kondisi internal dan eksternal dalam rangka
pembuatan kebijakan dasar. Kondisi internal meliputi potensi dan fasilitas
yang tersedia, alokasi aset, status modal, pendapatan dan biaya. Pada saat
yang sama, kondisi eksternal mencakup tinjauan kondisi mata uang, lokal dan
internasional, peraturan, kondisi dan kondisi perdagangan, nasional dan
internasional.
Sebelum melakukan uji forecasting atau menentukan nilai forecasting
maka perlu hal yang perlu dilakukan ialah uji persamaan modelnya terlebih
dahulu. Uji persamaan model ini perlu dilakukan agar dapat menentukan
tingkat keakuratan hasil model yang nanti akan diperoleh. Uji persamaan
model ini tidak bisa dilakukan dengan sembarangan, artinya dalam
pengujiannya harus memiliki indikator penilaian khusus. Hal tersebut
bertujuan agar dapat menarik kesimpulan yang objektif diakhir. Uji
persamaan model ini menggunakan indikator MAPE (Mean Absolute
Percentage Error). Dari bebeberapa pendapat para ahli, indikator MAPE
yang digunakan pada penelitian ini diambil berdasarkan hasil penelitian
sebelumnya yaitu penelitian Zhang (2015), dimana terdapat beberapa
tingkatan dari peramalan MAPE dapat dilihat pada tabel berikut:
91
Tabel 4.23 Peringkat Nilai Pada MAPE
MAPE Keakuratan Peramalan
< 10% Peramalan sangat akurat
10% - 20% Peramalan baik
20% - 50% Peramalan masuk akal (wajar)
> 50% Peramalan tidak akurat
(Ranangga, Sumarjaya, & Srinadi, 2018)

Tabel 4.24 Hasil Evaluasi Akurasi Model
Forecast Evaluation
Date: 08/28/21 Time: 23:02
Sample: 2017M01 2024M12
Included observations: 96
Variable Inc. obs. RMSE MAE MAPE Theil
D(ROA,2) 47 4890.98 3790.784 10.0001 0.0697688

D(NPM,2) 47 1947.25 14468.39 9.97045 0.0563229
D(DER,2) 47 4393.50 38313.10 20.0052 0.0968836
D(DAR,2) 47 2772.79 37725.62 19.9988 0.0877610
D(CR,2) 47 2258.56 21946.10 13.5232 0.0735778
RMSE: Root Mean Square Error

MAE: Mean Absolute Error
MAPE: Mean Absolute Percentage Error
Theil: Theil inequality coefficient
Berdasarkan tabel diatas menunjukan bahwa hasil nilai Mean

Absolute Percentage Error pada indikator variabel ROA sebesar 10,0001
atau 10%, pada indikator variabel NPM diperoleh hasil sebesar 9,97045
atau 9,9%, pada indikator variabel DER diperoleh hasil sebesar 20,0052
atau 20%, pada indikator variabel DAR diperoleh hasil sebesar 19,9988
atau 19 %, pada indikator variabel CR diperoleh hasil sebesar 13,5232
atau 13,5%. Sehingga kesimpulan dari data diatas ialah model peramalan
92
yang telah diperoleh termasuk dalam kategori baik karena hasil yang
didapat berada dikisaran 9-20%. Setelah melakukan estimasi
permodelan, berikut ini adalah hasil peramalan (forecasting) untuk
semua indikator variabel yaitu ROA, NPM, DER, DAR dan CR untuk
periode 4 tahun kedepan yaitu 2021-2024 dengan metode forecasting
model VECM dan menggunakan software eviews 9.0.
Grafik 4.2 Hasil Forecasting
93
Berdasarkan grafik diatas dapat dilihat bahwa untuk hasil untuk setiap
indikator variabel yaitu ROA, NPM, DER, DAR, dan CR mengalami
peningkatan (trend naik). Hal ini bisa menjadi indikasi positif dari merger
ketiga bank sebelumnya yaitu Bank Syariah Mandiri, BRI Syariah dan BNI
Syariah yang saat ini sudah resmi menjadi satu nama yaitu Bank Syariah
Indonesia. Hasil yang tersaji diatas merupakan hasil peramalan atau
forecasting, dimana faktanya adalah kenaikan tersebut bisa terjadi sama
seperti data hasil ataupun tidak. Sebab, pada kenyataanya banyak faktor-
faktor yang mempengaruhi indikator variabel tersebut. Hal ini bisa
menjadikan sumber referensi untuk mengambil keputusan bagi pihak
manajemen perbankan syariah yang demerger. Sehingga diharapkan kinerja
keuangan setelah dilakukannya merger ini terus mengalami pertumbuhan.
E. Interpretasi Hasil
Analisa model VECM yang dilakukan pada penelitian ini untuk mengetahui
perbedaan kinerja keuangan 3 Bank Syariah BUMN yaitu Bank Syariah
Mandiri, BRI Syariah dan BNI Syariah sebelum dan sesudah merger. Denga
94
menggunakan historical data dari tahun 2017-2020 sebagai patokan awal
untuk mengetahui kinerja keuangan sesudah merger dengan metode
forecasting data. Terdapat beberapa hasil, sebagai berikut :
1. Pengaruh Indikator Variabel pada Rasio Keuangan Sebelum dan Sesudah

Merger
Berdasarkan data pada tabel estimasi model VECM didapat bahwa
dalam jangka panjang pada semua indikator signifikan, jika dilihat pada
hasil diatas untuk variabel profitabilitas yaitu ROA T Statistik 2.45593 >
2,06390 T tabel, untuk NPM T Statistik 2.11150 > 2,06390 T tabel, untuk
variabel solvabilitas yaitu DER T Statistik 2.44534 > 2,06390 T tabel,
Untuk DAR T Statistik 2.07272 > 2,06390 T tabel, dan terakhir untuk
variabel likuiditas yaitu CR T Statistik 2.33416 > 2,06390 T tabel, jadi
nilai dari masing-masing variabel yaitu profitabilitas (ROA, NPM),
Solvabilitas (DER, DAR) dan Likuiditas (CR) satu periode sebelumnya
signifikan mempengaruhi nilai dari variabel profitabilitas (ROA, NPM),
Solvabilitas (DER, DAR) dan Likuiditas (CR) dimasa mendatang. Dapat
disimpulkan bahwa dengan hasil ini, terdapat perbedaan antara periode
sebelumnya dengan periode selanjutnya.
2. Hubungan timbal balik antar Indikator Variabel

Dari 5 indikator variabel terdapat 6 dari 10 hubungan antar variabel
yang memiliki hubungan timbal balik atau hubungan saling
mempengaruhi yaitu Variabel Likuiditas (CR) secara statistik signifikan
mempengaruhi variabel profitabilitas (ROA), Variabel solvabilitas (DER)
secara statistik signifikan mempengaruhi variabel profitabilitas (NPM),
Variabel solvabilitas (DAR) secara statistik signifikan mempengaruhi
variabel profitabilitas (NPM), Variabel solvabilitas (DER) secara statistik
signifikan mempengaruhi Variabel solvabilitas (DAR), Variabel
solvabilitas (DER) secara statistik signifikan mempengaruhi Variabel
likuiditas (CR), dan Variabel solvabilitas (DAR) secara statistik signifikan
mempengaruhi Variabel likuiditas (CR). Dengan adanya hubungan saling
95
mempengaruhi antar indikator variabel ini menjadi catatan untuk pihak
bank dalam realisasinya dikemudian hari. Karena hasil peramalan ini
hanya menggambarkan prospek pada periode tertentu kedepan akan
seperti apa, untuk merealisasikannya pada periode aslinya tetap harus
mempertimbangkan hasil ini agar merger yang dilakukan menghasilkan
hasil yang baik dan bisa dikatakan berhasil.
3. Perbedaan Tingkat Kinerja Keuangan sebelum dan sesudah merger
Berdasarkan hasil forecaseting dapat dilihat bahwa untuk hasil
untuk setiap indikator variabel untuk kinerja keuangan yaitu Profitabilitas
(ROA, NPM), Solvabilitas ( DER, DAR), dan Likuiditas (CR) mengalami
peningkatan (trend naik). Hal ini bisa menjadi indikasi positif dari merger
ketiga bank sebelumnya yaitu Bank Syariah Mandiri, BRI Syariah dan
BNI Syariah yang saat ini sudah resmi menjadi satu nama yaitu Bank
Syariah Indonesia. Berarti perbedaan antara kinerja keuangan pada bank
syariah yang dimerger terlihat jelas perbedaannya dan cenderung akan
mengalami peningkatan kedepannya. Dengan catatan faktor penyebab
baik dari segi internal maupun eksternal yang berpengaruh pada kinerja
bank harus terkendali atau dapat diantisipasi secara dini risiko-risiko yang
ada tersebut.
96
BAB V
PENUTUP
A. Kesimpulan
Berdasarkan hasil penelitian dan pembahasan yang telah diuraikan pada
bab sebelumnya mengenai adakah perbedaan pada kinerja keuangan pada 3
bank umum Syariah sebelum dan sesudah merger, maka ditarik kesimpulan Isi
penelitian adalah sebagai berikut:
Berdasarkan hasil perhitungan rata-rata nilai ROA bulanan sebelum
merger selama 4 periode (2017-2020) didapat 0,45% Bank Syariah Mandiri
(BSM), 0,23% BRI Syariah (BRIS) dan BNI Syariah (BNIS) 0,58%. Jika
dilihat rata-rata pertahunnya untuk BSM sekitar 1,8%, untuk BRIS sekitar
0,92% dan untuk BNIS adalah 2,32%. Bila dilihat dalam peraturan PBI no.
6/9/PBI/2004 standar terbaik ROA adalah 1,5%. Jadi dapat disimpulkan bahwa
2 dari 3 bank yang melakukan merger ini sudah memiliki nilai ROA/
profitabilitas yang baik. Jadi penggabungan ketiga bank ini memiliki potensi
meningkatnya profitabilitas jika dilihat dari indikator variabel ROA.
Berdasarkan data pada tabel estimasi model VECM didapat bahwa dalam
jangka panjang pada semua indikator signifikan, jadi nilai dari masing-masing
variabel yaitu profitabilitas (ROA, NPM), Solvabilitas (DER, DAR) dan
Likuiditas (CR) satu periode sebelumnya signifikan mempengaruhi nilai dari
variabel profitabilitas (ROA, NPM), Solvabilitas (DER, DAR) dan Likuiditas
(CR) dimasa mendatang. Dapat disimpulkan bahwa dengan hasil ini, terdapat
perbedaan antara periode sebelumnya dengan periode selanjutnya.
Dari 5 indikator variabel terdapat 6 dari 10 hubungan antar variabel yang
memiliki hubungan timbal balik atau hubungan saling mempengaruhi yaitu
Variabel Likuiditas (CR) secara statistik signifikan mempengaruhi variabel
profitabilitas (ROA), Variabel solvabilitas (DER) secara statistik signifikan
mempengaruhi variabel profitabilitas (NPM), Variabel solvabilitas (DAR)
secara statistik signifikan mempengaruhi variabel profitabilitas (NPM),
97
Variabel solvabilitas (DER) secara statistik signifikan mempengaruhi Variabel
solvabilitas (DAR), Variabel solvabilitas (DER) secara statistik signifikan
mempengaruhi Variabel likuiditas (CR), dan Variabel solvabilitas (DAR)
secara statistik signifikan mempengaruhi Variabel likuiditas (CR). Dengan
adanya hubungan saling mempengaruhi antar indikator variabel ini menjadi
catatan untuk pihak bank dalam realisasinya dikemudian hari.
Berdasarkan hasil forecaseting dapat dilihat bahwa untuk hasil untuk
setiap indikator variabel untuk kinerja keuangan yaitu Profitabilitas (ROA,
NPM), Solvabilitas (DER, DAR), dan Likuiditas (CR) mengalami peningkatan
(trend naik). Hal ini bisa menjadi indikasi positif dari merger ketiga bank
sebelumnya yaitu Bank Syariah Mandiri, BRI Syariah dan BNI Syariah yang
saat ini sudah resmi menjadi satu nama yaitu Bank Syariah Indonesia. Berarti
perbedaan antara kinerja keuangan pada bank syariah yang dimerger terlihat
jelas perbedaannya dan cenderung akan mengalami peningkatan kedepannya.
B. Saran
Berdasarkan hasil penelitian yang telah dilakukan dengan beberapa
keterbatasannya dapat disampaikan beberapa saran yang bisa menjadimasukan
bagi beberapa pihak, antara lain:
1) Bagi Manajemen Bank
Berdasarkan hasil peramalan ini hanya menggambarkan prospek pada
periode tertentu kedepan akan seperti apa, untuk merealisasikannya pada
periode aslinya tetap harus mempertimbangkan hasil ini agar merger yang
dilakukan menghasilkan hasil yang baik dan bisa dikatakan berhasil. Dengan
adanya hubungan saling mempengaruhi antar indikator variabel ini menjadi
catatan untuk pihak bank dalam realisasinya dikemudian hari.
Selain itu, berdasarkan hasil penelitian ini diharapkan manajemen
perbankan dapat memperhatikan faktor atau aspek kestabilan nilai dari masing-
masing variabel yaitu profitabilitas (ROA, NPM), Solvabilitas (DER, DAR)
dan Likuiditas (CR) satu periode sebelumnya signifikan mempengaruhi nilai
dari variabel profitabilitas (ROA, NPM), Solvabilitas (DER, DAR) dan
Likuiditas (CR) pada periode selanjutnya setalh merger dalam operasionalnya.
98
2) Bagi Peneliti Berikutnya
Pada penelitian berikutnya dapat melanjutkan penelitian eksperimental ini
dimana peneliti selanjutnya dapat meneliti hasil peramalan ini dengan kondisi
sebenarnya terlebih pada saat krisis yang terjadi karena pandemic covid-19.
Selain itu dapat menambah atau mengganti beberapa variabel yang
memungkinkan lebih berpengaruh terhadap kinerja perbankan Syariah pasca
merger.
99
DAFTAR PUSTAKA
Jurnal
Ahdizia, K. (2018). Business valuation of Islamic banks in the merger plan to

become Indonesia state owned bank.
Al Arif, M. N. R., Masruroh, A., Ihsan, D. N., & Rahmawati, Y. (2020). The
Alternative Strategies for Accelerating Islamic Banking Growth: Mergers,
Spin-Offs, Acquisitions and Conversions. Al-Ulum, 20(1), 24-37.
Al-Hroot, Y. A., Al-Qudah, L. A., & Alkharabsha, F. I. (2020). The Impact of

Horizontal Mergers on the Performance of the Jordanian Banking Sector.
The Journal of Asian Finance, Economics, and Business, 7(7), 49-58.
Armando, Z., & Kurniawan, K. (2019). Analisis Pengaruh Merger dan Akuisisi
Terhadap Perusahaan Perbankan yang Terbuka di Indonesia. In Seminar
dan Lokakarya Kualitatif Indonesia 2019 (pp. 179-186).
Cartwright, S., & Schoenberg, R. (2006). Thirty years of mergers and acquisitions
research: Recent advances and future opportunities. British Journal of
Management, Vol. 17, S1–S5.
Devina, I. M., & Haryono, N. A. (2017). The Determinant of the Possibility of

Merger in Indonesia. International Journal of Economics and Financial
Issues, 7(3), 62.
Fajrin, P. H., & Laily, N. (2016). Analisis Profitabilitas Dan Likuiditas Terhadap
Kinerja Keuangan Pt. Indofood Sukses Makmur, Tbk. Jurnal Ilmu dan Riset
Manajemen (JIRM), 5(6).
Fathurrahman, A., & Rusdi, F. (2019). Analisis faktor-faktor yang mempengaruhi

likuiditas bank syariah di Indonesia menggunakan metode vector error
correction model (vecm). Al-Masraf: Jurnal Lembaga Keuangan dan
Perbankan, 4(2), 117-126.
100
Ferrer, R. C. (2012). An empirical investigation of the effects of merger and
acquisition on firms’ profitability. Academy of Accounting and Financial
Studies Journal, Vol. 16(3), 31–56.
Gozali, R., & Panggabean, R. R. (2019). Merger Dan Akuisisi, Dampaknya Pada
Likuiditas, Profitabilitas, Aktivitas, Dan Solvabilitas: Bukti Dari Bursa Efek
Indonesia. Inovasi, Vol. 6(1), 13.
Matuankotta, J. K. (2012). Merger Dalam Undang-Undang Nomor 40 Tahun 2007

Tentang Perseroan Terbatas dan Kegiatan Yang Dilarang Menurut Undang-
Undang Nomor 5 Tahun 1999 Tentang Larangan Praktek Monopoli dan
Persaingan Usaha Tidak Sehat. Sasi, 18(1), 49-55.
Kandil, T., & Chowdhury, D. (2014). Islamic banks’ mergers and acquisitions -
Impacts on performance and financial crisis in the United Kingdom. In
Contemporary Studies in Economic and Financial Analysis Emerald Group
Publishing Limited (Vol. 95).
Kurniawan, H. (2018). Analisis Return on Asset (Roa) Beberapa Bank Pasca

Merger Di Indonesia. Jurnal Ilmiah Widya, 4(3).
Lechner, M. (2010). The estimation of causal effects by difference-in-difference

methods. Foundations and Trends in Econometrics, 4(3), 165–224.
Miftah, K., & Wibowo, H. (2017). Merger and industrial acceleration: Study at
Indonesian Islamic banking industry. Signifikan: Jurnal Ilmu Ekonomi,
6(1), 29-48.
Nizar, M. A. (2016). Penguatan Perbankan Syari’ah melalui Merger atau

Konsolidasi [Strengthening Sharia Banking through Merger or
Consolidation] (No. 97964). University Library of Munich, Germany.
Noegroho, I. (2017). Merger Merupakan Tantangan Atau Peluang Bagi

Perekonomian Indonesia. Jurnal ekonomi unsila.
101
Novaliza, P., & Djajanti, A. (2013). Analisis pengaruh merger dan akuisisi terhadap
kinerja perusahaan publik di Indonesia (periode 2004-2011).
Patel, R. (2018). Pre & Post-Merger Financial Performance: An Indian Perspective.

Journal of Central Banking Theory and Practice, 7(3), 181-200.
Pongoh, Marsel. 2013. Analisis laporan keuangan dalam menilai kinerja keuangan
pada PT. Bumi Resources Tbk. Universitas Sam Ratulangi Manado. Jurnal
EMBA Vol. 1 No.3 September 2013, Hal. 669-679 ISSN 2303-1174
Rashid, A., & Naeem, N. (2017). Effects of mergers on corporate performance: An

empirical evaluation using OLS and the empirical Bayesian methods. Borsa
Istanbul Review, 17(1), 10-24.
Restika, S. M. (2013). Kinerja Keuangan Sebelum dan Sesudah Merger: Bukti

Empiris dari Industri Perbankan Indonesia. Jurnal Ilmu dan Riset Akuntansi,
1(2), 227-246.
Syafrida, I., & Aminah, I. (2015). Faktor Perlambatan Pertumbuhan Bank Syariah
Di Indonesia Dan Upaya Penanganannya. Ekonomi & Bisnis, 14(1).
Yusuf, H., & Raimi, L. (2019). Does positive relationship exist between bank
mergers and asset turnover?. International Journal of Ethics and Systems.
Buku
Agus, Sartono. (2011). Manajemen Keuangan Teori dan Aplikasi. Yogyakarta:
BPFE.
Basuki, A. T., & Prawoto, N. (2016). Analisis Regresi dalam Penelitian Ekonomi
dan Bisnis. Jakarta: Raja Grafindo Persada.
Brealey, Richard A, Stewart C. Myers, dan Alan J. Marcus. (2011). Dasar-dasar
Manajemen Keuangan Perusahaan. Jilid 1. Edisi Kelima. Jakarta:
Erlangga.
Ekananda, M. (2014). Analisis Data Time Series "Untuk Penelitian Ekonomi,
Manajemen, dan Akuntansi". Jakarta: Mitra Wacana Media.
102
Ekananda, M. (2016). Analisis Ekonometrika Time Series. Jakarta: Mitra Wacana
Media.
Ekananda, M. (2018). Analisis Ekonometrika Data Panel: Bagi Penelitian
Ekonomi, Manajemen, Dan Akuntansi. Jakarta: Mitra Wacana Media.
Gaughan, P. A. (2007). Mergers, acquisitions, and corporate restructurings. John
Wiley & Sons, Inc. New Jersey.
Gitman, Lawrence J, and Zutter, Chad J.(2012). Principles Of Managerial Finance.
13th Edition. Edinburgh : Pearson.
Gitman, Lawrence J dan Chad J. Zutter. (2015). Principles of Managerial
Finance.14th Edition. Global Edition. Pearson Education Limited
Gujarati, D. N. (2011). Econometrics by example (Vol. 1). New York: Palgrave
Macmillan.
Harmono. (2011). Manajemen Keuangan Berbasis Balanced Scorecard
Pendekatan Teori, Kasus, dan Riset Bisnis. Edisi kesatu. Jakarta: Bumi
Aksara.
Hanke, J. E. & Wicher, D. W. (2005). Business Forcasting Eight Edition. New
Jersey : Pearson Prentice hall.
Kasmir. (2016). Pengantar Manajemen Keuangan. Edisi Kedua. Jakarta: Kencana
Prenada Media Group
Ross et al. (2008). Modern Financial Management (8th ed). United State of
America: McGrawHill.
103
Lampiran
1. Rasio Profitabilitas
Nama Periode Laba Pendapatan Total Asset NPM ROA
Bank Bersih operasional
bersih
BSM 2017 Jan 29.102 38.955 79.276.577 0,7471 0,0004
Feb 57.494 76.888 79.703.513 0,7478 0,0007
Mar 90.261 121.659 80.012.307 0,7419 0,0011
Apr 120.776 162.094 83.108.446 0,7451 0,0015
Mei 135.001 182.851 79.849.727 0,7383 0,0017
Jun 181.030 244.173 81.901.309 0,7414 0,0022
Jul 202.491 274.674 82.947.113 0,7372 0,0024

Agu 230.494 309.573 81.797.600 0,7446 0,0028
Sep 261.024 350.859 84.087.348 0,7440 0,0031
Okt 289.499 388.558 83.331.180 0,7451 0,0035

Nov 319.803 419.339 83.966.330 0,7626 0,0038
Des 365.166 457.719 87.939.774 0,7978 0,0042

2018 Jan 37.501 49.981 88.420.707 0,7503 0,0004
Feb 75.538 111.953 90.381.481 0,6747 0,0008

Mar 120.682 182.760 92.976.854 0,6603 0,0013
Apr 166.634 247.567 92.563.569 0,6731 0,0018
Mei 212.212 329.398 91.940.579 0,6442 0,0023

Jun 260.836 417.079 92.813.105 0,6254 0,0028
Jul 309.701 513.994 91.929.862 0,6025 0,0034
Agu 357.747 601.187 92.683.787 0,5951 0,0039
Sep 435.308 661.462 93.347.112 0,6581 0,0047
Okt 492.536 717.074 93.701.096 0,6869 0,0053
Nov 547.423 765.276 93.144.797 0,7153 0,0059
Des 603.556 815.933 98.583.050 0,7397 0,0061
104
2019 Jan 65.534 98.419 97.356.018 0,6659 0,0007
Feb 133.911 188.720 97.951.938 0,7096 0,0014

Mar 242.884 336.188 98.553.229 0,7225 0,0025
Apr 342.966 475.157 98.275.550 0,7218 0,0035
Mei 443.995 620.751 98.728.473 0,7153 0,0045
Jun 550.568 771.879 101.011.871 0,7133 0,0055

Jul 648.636 915.478 99.844.862 0,7085 0,0065
Agu 756.136 1.057.347 100.456.272 0,7151 0,0075
Sep 872.255 1.213.947 102.782.933 0,7185 0,0085

Okt 983.432 1.364.852 104.582.655 0,7205 0,0094
Nov 1.095.548 1.506.838 105.694.429 0,7271 0,0104
Des 1.275.630 1.766.086 112.297.480 0,7223 0,0114
2020 Jan 126.504 184.909 111.504.354 0,6841 0,0011
Feb 268.229 364.203 114.926.221 0,7365 0,0023

Mar 368.036 469.325 114.746.985 0,7842 0,0032
Apr 458.445 598.510 113.140.564 0,7660 0,0041
Mei 580.469 751.317 112.787.878 0,7726 0,0051
Jun 720.865 938.076 114.340.646 0,7685 0,0063

Jul 820.017 1.107.524 113.501.010 0,7404 0,0072
Ag 957.129 1.284.588 112.121.324 0,7451 0,0085
Sep 1.069.918 1.430.493 119.427.355 0,7479 0,0090

Okt 1.171.663 1.562.006 118.870.960 0,7501 0,0099
Nov 1.250.737 1.663.493 118.287.697 0,7519 0,0106

Des 1.434.488 1.945.009 126.907.940 0,7375 0,0113
BRIS 2017 Jan 13.379 13.076 27.577.027 1,0232 0,0005
Feb 29.281 28.806 27.756.847 1,0165 0,0011

Mar 33.177 44.886 28.506.856 0,7391 0,0012
Apr 45.158 56.358 28.641.334 0,8013 0,0016
Mei 55.787 71.080 29.419.625 0,7848 0,0019
105
Jun 70.657 99.918 29.900.404 0,7071 0,0024
Jul 95.944 126.881 29.530.559 0,7562 0,0032

Agu 111.266 153.526 30.142.743 0,7247 0,0037
Sep 127.299 175.046 30.422.031 0,7272 0,0042
Okt 147.329 202.120 30.458.029 0,7289 0,0048
Nov 172.690 232.642 30.688.712 0,7423 0,0056

Des 101.091 138.101 31.543.385 0,7320 0,0032
2018 Jan 6.219 8.062 32.958.028 0,7714 0,0002
Feb 22.335 28.738 35.047.357 0,7772 0,0006

Mar 54.382 72.008 34.733.951 0,7552 0,0016
Apr 75.010 99.475 35.607.445 0,7541 0,0021
Mei 96.314 127.751 35.718.394 0,7539 0,0027
Jun 120.157 159.033 36.140.568 0,7555 0,0033
Jul 133.451 173.770 35.330.370 0,7680 0,0038

Agu 144.634 186.900 35.847.727 0,7739 0,0040
Sep 151.148 209.836 36.177.022 0,7203 0,0042
Okt 90.515 127.666 35.961.308 0,7090 0,0025
Nov 123.258 175.360 36.242.706 0,7029 0,0034

Des 106.600 157.473 37.915.084 0,6769 0,0028
2019 Jan 2.156 3.637 37.443.169 0,5928 0,0001
Feb 8.455 11.426 37.357.537 0,7400 0,0002

Mar 30.057 40.615 38.560.841 0,7400 0,0008
Apr 35.158 53.917 36.447.472 0,6521 0,0010

Mei 50.895 75.233 35.741.645 0,6765 0,0014
Jun 53.541 78.825 36.809.128 0,6792 0,0015
Jul 57.194 88.105 36.418.461 0,6492 0,0016

Agu 80.652 117.578 36.690.946 0,6859 0,0022
Sep 56.457 87.064 37.052.848 0,6485 0,0015
Okt 26.782 48.379 37.592.372 0,5536 0,0007
106
Nov 27.730 49.719 38.052.266 0,5577 0,0007
Des 74.016 118.387 43.123.488 0,6252 0,0017

2020 Jan 24.300 30.411 44.090.982 0,7991 0,0006
Feb 41.104 54.433 43.440.391 0,7551 0,0009
Mar 75.155 101.928 42.229.396 0,7373 0,0018
Apr 91.788 121.865 43.793.183 0,7532 0,0021

Mei 106.235 133.730 45.447.338 0,7944 0,0023
Jun 117.200 206.693 49.580.078 0,5670 0,0024
Jul 140.090 234.401 50.386.845 0,5977 0,0028

Agu 168.424 292.843 51.803.487 0,5751 0,0033
Sep 190.583 324.705 56.096.769 0,5869 0,0034
Okt 215.273 357.539 58.849.045 0,6021 0,0037
Nov 242.906 417.519 58.797.135 0,5818 0,0041
Des 248.054 431.800 57.715.586 0,5745 0,0043

BNIS 2017 Jan 24.063 32.647 28.751.282 0,7371 0,0008
Feb 51.274 69.872 29.252.690 0,7338 0,0018
Mar 77.638 105.429 29.861.506 0,7364 0,0026
Apr 107.511 147.515 29.910.036 0,7288 0,0036

Mei 125.752 172.881 30.172.202 0,7274 0,0042
Jun 165.083 226.839 30.746.068 0,7278 0,0054
Jul 191.045 238.581 32.152.371 0,8008 0,0059

Agu 219.489 281.637 31.420.568 0,7793 0,0070
Sep 246.602 316.597 32.042.805 0,7789 0,0077

Okt 265.167 341.557 32.321.210 0,7763 0,0082
Nov 278.492 354.834 33.176.834 0,7849 0,0084
Des 306.110 395.220 34.828.327 0,7745 0,0088

2018 Jan 29.472 39.106 35.929.499 0,7536 0,0008
Feb 61.562 82.908 37.092.036 0,7425 0,0017
Mar 94.479 127.510 38.543.165 0,7410 0,0025
107
Apr 132.738 180.136 39.198.816 0,7369 0,0034
Mei 164.867 224.672 39.671.140 0,7338 0,0042

Jun 202.989 274.759 37.773.338 0,7388 0,0054
Jul 238.827 324.109 38.429.290 0,7369 0,0062
Agu 274.556 374.176 38.685.721 0,7338 0,0071
Sep 306.613 416.366 38.945.980 0,7364 0,0079

Okt 344.009 465.787 39.633.432 0,7386 0,0087
Nov 379.326 516.937 39.916.763 0,7338 0,0095
Des 416.365 542.661 41.053.167 0,7673 0,0101

2019 Jan 40.226 55.415 41.852.244 0,7259 0,0010
Feb 81.108 110.141 43.244.417 0,7364 0,0019
Mar 135.348 184.253 44.002.301 0,7346 0,0031
Apr 195.107 265.678 41.630.177 0,7344 0,0047
Mei 257.557 353.501 42.316.315 0,7286 0,0061

Jun 315.274 431.695 42.493.610 0,7303 0,0074
Jul 375.158 514.386 43.583.002 0,7293 0,0086
Agu 432.161 591.962 43.205.284 0,7300 0,0100
Sep 461.958 632.346 43.915.598 0,7305 0,0105

Okt 503.519 689.582 43.878.023 0,7302 0,0115
Nov 568.756 796.606 46.031.014 0,7140 0,0124
Des 214.008 280.196 49.980.235 0,7638 0,0043

2020 Jan 48.321 67.632 50.031.548 0,7145 0,0010
Feb 118.117 161.007 51.416.854 0,7336 0,0023

Mar 214.008 280.196 51.128.001 0,7638 0,0042
Apr 227.486 290.870 50.225.628 0,7821 0,0045
Mei 243.983 312.774 49.593.057 0,7801 0,0049

Jun 266.957 342.332 50.789.319 0,7798 0,0053
Jul 296.814 415.049 49.542.388 0,7151 0,0060
Agu 344.737 476.218 49.974.233 0,7239 0,0069
108
Sep 387.018 530.832 52.391.698 0,7291 0,0074
Okt 441.733 601.900 55.448.172 0,7339 0,0080

Nov 420.980 576.333 54.035.548 0,7304 0,0078
Des 505.106 712.761 55.009.342 0,7087 0,0092
2. Rasio Solvabilitas / Leverage

Nama Tahun Total Total Total Asset DER DAR
Bank Liabilitas Ekuitas
BSM 2017 Jan 72.854.785 6.421.792 79.276.577 11,345 0,919
Feb 73.253.739 6.449.774 79.703.513 11,358 0,919
Mar 73.529.278 6.483.029 80.012.307 11,342 0,919
Apr 76.599.491 6.508.955 83.108.446 11,768 0,922
Mei 73.326.498 6.523.229 79.849.727 11,241 0,918
Jun 75.331.962 6.569.347 81.901.309 11,467 0,920
Jul 76.356.534 6.590.579 82.947.113 11,586 0,921
Agu 75.178.448 6.619.152 81.797.600 11,358 0,919
Sep 77.437.536 6.649.812 84.087.348 11,645 0,921
Okt 76.653.820 6.677.360 83.331.180 11,480 0,920
Nov 77.258.437 6.707.893 83.966.330 11,518 0,920
Des 80.625.533 7.314.241 87.939.774 11,023 0,917
2018 Jan 81.068.702 7.352.005 88.420.707 11,027 0,917
Feb 82.991.519 7.389.962 90.381.481 11,230 0,918
Mar 85.542.019 7.434.835 92.976.854 11,506 0,920
Apr 85.082.745 7.480.824 92.563.569 11,373 0,919
Mei 84.414.321 7.526.258 91.940.579 11,216 0,918
Jun 85.239.182 7.573.923 92.813.105 11,254 0,918
Jul 84.307.211 7.622.651 91.929.862 11,060 0,917
Agu 85.013.109 7.670.678 92.683.787 11,083 0,917
Sep 85.475.530 7.871.582 93.347.112 10,859 0,916
Okt 85.793.207 7.907.889 93.701.096 10,849 0,916
Nov 85.168.905 7.975.892 93.144.797 10,678 0,914
Des 90.545.542 8.037.508 98.583.050 11,265 0,918
2019 Jan 89.312.855 8.043.163 97.356.018 11,104 0,917
Feb 89.840.238 8.111.700 97.951.938 11,075 0,917
Mar 90.332.356 8.220.873 98.553.229 10,988 0,917
Apr 89.955.718 8.319.832 98.275.550 10,812 0,915
Mei 90.307.539 8.420.934 98.728.473 10,724 0,915
Jun 92.484.017 8.527.854 101.011.871 10,845 0,916
109
Jul 91.218.815 8.626.047 99.844.862 10,575 0,914
Agu 91.722.742 8.733.530 100.456.272 10,502 0,913
Sep 93.933.197 8.849.736 102.782.933 10,614 0,914
Okt 95.633.446 8.949.209 104.582.655 10,686 0,914
Nov 96.633.093 9.061.336 105.694.429 10,664 0,914
Des 103.054.025 9.243.455 112.297.480 11,149 0,918
2020 Jan 102.131.792 9.372.562 111.504.354 10,897 0,916
Feb 105.411.868 9.514.353 114.926.221 11,079 0,917
Mar 105.133.825 9.613.160 114.746.985 10,936 0,916
Apr 103.436.995 9.703.569 113.140.564 10,660 0,914
Mei 102.962.285 9.825.593 112.787.878 10,479 0,913
Jun 104.374.657 9.965.989 114.340.646 10,473 0,913
Jul 103.427.663 10.073.347 113.501.010 10,267 0,911
Agu 101.910.865 10.210.459 112.121.324 9,981 0,909
Sep 109.104.107 10.323.248 119.427.355 10,569 0,914
Okt 108.292.970 10.577.990 118.870.960 10,238 0,911
Nov 107.630.633 10.657.064 118.287.697 10,099 0,910
Des 116.068.381 10.839.559 126.907.940 10,708 0,915
BRIS 2017 Jan 25.053.192 2.523.835 27.577.027 9,927 0,908
Feb 25.217.551 2.539.296 27.756.847 9,931 0,909
Mar 25.964.543 2.542.313 28.506.856 10,213 0,911
Apr 26.087.040 2.554.294 28.641.334 10,213 0,911
Mei 26.854.702 2.564.923 29.419.625 10,470 0,913
Jun 27.322.904 2.577.500 29.900.404 10,601 0,914
Jul 26.927.754 2.602.805 29.530.559 10,346 0,912
Agu 27.524.398 2.618.345 30.142.743 10,512 0,913
Sep 27.789.123 2.632.908 30.422.031 10,555 0,913
Okt 27.805.065 2.652.964 30.458.029 10,481 0,913
Nov 28.011.023 2.677.689 30.688.712 10,461 0,913
Des 28.940.544 2.602.841 31.543.385 11,119 0,917
2018 Jan 30.344.855 2.613.173 32.958.028 11,612 0,921
Feb 31.422.182 3.625.175 35.047.357 8,668 0,897
Mar 31.074.222 3.659.729 34.733.951 8,491 0,895
Apr 31.927.088 3.680.357 35.607.445 8,675 0,897
Mei 30.701.434 5.016.960 35.718.394 6,120 0,860
Jun 31.100.358 5.040.210 36.140.568 6,170 0,861
Jul 30.276.866 5.053.504 35.330.370 5,991 0,857
Agu 30.783.040 5.064.687 35.847.727 6,078 0,859
Sep 31.107.281 5.069.741 36.177.022 6,136 0,860
Okt 30.952.200 5.009.108 35.961.308 6,179 0,861
Nov 31.200.855 5.041.851 36.242.706 6,188 0,861
110
Des 32.888.443 5.026.641 37.915.084 6,543 0,867
2019 Jan 32.335.731 5.107.438 37.443.169 6,331 0,864
Feb 32.243.799 5.113.738 37.357.537 6,305 0,863
Mar 33.503.699 5.057.142 38.560.841 6,625 0,869
Apr 31.385.230 5.062.242 36.447.472 6,200 0,861
Mei 30.674.325 5.067.320 35.741.645 6,053 0,858
Jun 31.739.909 5.069.219 36.809.128 6,261 0,862
Jul 31.345.588 5.072.873 36.418.461 6,179 0,861
Agu 31.590.220 5.100.726 36.690.946 6,193 0,861
Sep 31.979.535 5.073.313 37.052.848 6,303 0,863
Okt 32.548.735 5.043.637 37.592.372 6,453 0,866
Nov 33.007.680 5.044.586 38.052.266 6,543 0,867
Des 38.035.452 5.088.036 43.123.488 7,475 0,882
2020 Jan 38.976.618 5.114.364 44.090.982 7,621 0,884
Feb 38.309.223 5.131.168 43.440.391 7,466 0,882
Mar 37.063.071 5.166.325 42.229.396 7,174 0,878
Apr 38.610.221 5.182.962 43.793.183 7,449 0,882
Mei 40.249.929 5.197.409 45.447.338 7,744 0,886
Jun 44.368.332 5.211.746 49.580.078 8,513 0,895
Jul 45.153.605 5.233.240 50.386.845 8,628 0,896
Agu 46.541.918 5.261.569 51.803.487 8,846 0,898
Sep 50.801.495 5.295.274 56.096.769 9,594 0,906
Okt 53.536.511 5.312.534 58.849.045 10,077 0,910
Nov 53.356.570 5.440.565 58.797.135 9,807 0,907
Des 52.271.298 5.444.288 57.715.586 9,601 0,906
BNIS 2017 Jan 26.235.934 2.515.348 28.751.282 10,430 0,913
Feb 26.709.397 2.543.293 29.252.690 10,502 0,913
Mar 27.284.538 2.576.968 29.861.506 10,588 0,914
Apr 27.300.532 2.609.504 29.910.036 10,462 0,913
Mei 27.544.384 2.627.818 30.172.202 10,482 0,913
Jun 28.078.231 2.667.837 30.746.068 10,525 0,913
Jul 29.460.321 2.692.050 32.152.371 10,943 0,916
Agu 28.694.591 2.725.977 31.420.568 10,526 0,913
Sep 29.286.936 2.755.869 32.042.805 10,627 0,914
Okt 29.548.795 2.772.415 32.321.210 10,658 0,914
Nov 30.387.605 2.789.229 33.176.834 10,895 0,916
Des 31.015.400 3.812.927 34.828.327 8,134 0,891
2018 Jan 31.983.243 3.946.256 35.929.499 8,105 0,890
Feb 33.221.125 3.870.911 37.092.036 8,582 0,896
Mar 34.642.037 3.901.128 38.543.165 8,880 0,899
Apr 35.263.123 3.935.693 39.198.816 8,960 0,900
111
Mei 35.706.723 3.964.417 39.671.140 9,007 0,900
Jun 33.775.739 3.997.599 37.773.338 8,449 0,894
Jul 34.400.248 4.029.042 38.429.290 8,538 0,895
Agu 34.618.121 4.067.600 38.685.721 8,511 0,895
Sep 34.848.908 4.097.072 38.945.980 8,506 0,895
Okt 35.498.780 4.134.652 39.633.432 8,586 0,896
Nov 35.741.757 4.175.006 39.916.763 8,561 0,895
Des 36.822.397 4.230.770 41.053.167 8,703 0,897
2019 Jan 41.852.244 4.409.617 41.852.244 9,491 1,000
Feb 38.923.413 4.321.004 43.244.417 9,008 0,900
Mar 39.625.017 4.377.284 44.002.301 9,052 0,901
Apr 37.192.540 4.437.637 41.630.177 8,381 0,893
Mei 37.817.624 4.498.691 42.316.315 8,406 0,894
Jun 37.934.529 4.559.081 42.493.610 8,321 0,893
Jul 38.962.159 4.620.843 43.583.002 8,432 0,894
Agu 38.527.055 4.678.229 43.205.284 8,235 0,892
Sep 39.207.503 4.708.095 43.915.598 8,328 0,893
Okt 39.119.774 4.758.249 43.878.023 8,221 0,892
Nov 41.209.988 4.821.026 46.031.014 8,548 0,895
Des 45.245.159 4.735.076 49.980.235 9,555 0,905
2020 Jan 45.236.613 4.794.935 50.031.548 9,434 0,904
Feb 46.554.411 4.862.443 51.416.854 9,574 0,905
Mar 51.128.001 5.185.194 51.128.001 9,860 1,000
Apr 45.024.796 5.200.832 50.225.628 8,657 0,896
Mei 44.375.969 5.217.088 49.593.057 8,506 0,895
Jun 45.389.734 5.399.585 50.789.319 8,406 0,894
Jul 44.271.658 5.270.730 49.542.388 8,400 0,894
Agu 44.635.813 5.338.420 49.974.233 8,361 0,893
Sep 47.013.168 5.378.530 52.391.698 8,741 0,897
Okt 50.010.897 5.437.275 55.448.172 9,198 0,902
Nov 48.615.751 5.419.797 54.035.548 8,970 0,900
Des 49.550.043 5.459.299 55.009.342 9,076 0,901
3. Rasio Likuiditas
Nama Periode Aset Utang Current
Bank Lancar Lancar Ratio
BSM 2017 Jan 61.072.252 72.350.295 0,8441
Feb 62.457.448 72.767.674 0,8583
Mar 61.946.426 73.088.208 0,8476
Apr 64.979.548 76.151.608 0,8533
112
May 60.732.889 72.695.439 0,8354
Jun 60.488.746 74.677.606 0,8100
Jul 59.856.187 75.735.981 0,7903
Aug 58.921.119 74.693.096 0,7888
Sep 62.201.211 76.983.518 0,8080
Oct 62.527.388 76.200.480 0,8206
Nov 63.105.253 76.802.567 0,8217
Dec 65.130.041 80.131.563 0,8128
2018 Jan 66.569.196 80.523.751 0,8267
Feb 68.232.710 82.428.174 0,8278
Mar 70.180.658 84.987.675 0,8258
Apr 69.138.516 84.540.139 0,8178
May 68.926.190 83.888.402 0,8216
Jun 68.951.655 84.705.821 0,8140
Jul 66.256.164 83.647.955 0,7921
Aug 65.993.019 84.461.614 0,7813
Sep 65.269.886 84.921.366 0,7686
Oct 65.542.874 85.233.948 0,7690
Nov 65.026.001 84.545.335 0,7691
Dec 70.969.940 88.676.360 0,8003
2019 Jan 71.891.209 87.456.029 0,8220
Feb 72.374.020 89.144.273 0,8119
Mar 75.816.977 89.568.791 0,8465
Apr 70.954.553 89.171.877 0,7957
May 63.259.202 88.202.421 0,7172
Jun 73.080.209 89.864.466 0,8132
Jul 72.361.041 89.164.221 0,8115
Aug 72.963.845 90.238.140 0,8086
Sep 74.180.843 93.215.781 0,7958
Oct 76.274.079 95.018.997 0,8027
Nov 77.227.956 95.991.525 0,8045
Dec 82.407.868 102.419.819 0,8046
2020 Jan 82.479.243 101.478.918 0,8128
Feb 86.127.963 104.760.083 0,8221
Mar 84.647.314 104.497.702 0,8100
Apr 83.406.285 102.839.504 0,8110
May 82.761.790 102.444.175 0,8079
Jun 84.248.332 103.844.075 0,8113
Jul 83.442.589 102.898.514 0,8109
Aug 82.683.393 101.385.090 0,8155
Sep 89.981.636 108.572.971 0,8288
113
Oct 89.379.478 107.787.795 0,8292
Nov 88.532.892 107.086.818 0,8267
Dec 96.646.752 115.499.796 0,8368
BRIS 2017 Jan 20.424.756 23.202.342 0,8803
Feb 20.630.414 23.816.701 0,8662
Mar 21.397.073 24.863.693 0,8606
Apr 21.479.701 24.786.111 0,8666
May 22.005.837 25.747.927 0,8547
Jun 22.215.175 25.416.129 0,8741
Jul 21.719.007 25.720.934 0,8444
Aug 22.283.037 26.417.269 0,8435
Sep 22.495.744 26.681.994 0,8431
Oct 22.707.831 26.698.013 0,8505
Nov 22.699.726 26.906.804 0,8436
Dec 23.450.141 27.936.141 0,8394
2018 Jan 24.974.355 29.340.452 0,8512
Feb 26.609.698 30.417.779 0,8748
Mar 25.649.337 30.070.163 0,8530
Apr 26.372.773 30.922.006 0,8529
May 26.323.698 29.697.861 0,8864
Jun 26.160.204 28.741.788 0,9102
Jul 25.389.508 29.274.610 0,8673
Aug 25.803.414 29.780.335 0,8665
Sep 26.212.813 29.904.576 0,8765
Oct 26.090.422 29.849.910 0,8741
Nov 26.069.652 30.198.636 0,8633
Dec 27.311.245 29.340.452 0,9308
2019 Jan 27.312.292 30.633.460 0,8916
Feb 26.755.372 31.241.183 0,8564
Mar 27.494.532 30.970.987 0,8878
Apr 25.590.689 30.382.109 0,8423
May 24.857.812 29.670.772 0,8378
Jun 25.045.945 30.738.480 0,8148
Jul 24.381.984 30.342.969 0,8035
Aug 24.563.116 30.387.546 0,8083
Sep 24.521.696 30.976.400 0,7916
Oct 24.872.784 31.539.335 0,7886
Nov 24.912.572 31.704.232 0,7858
Dec 29.423.057 37.031.701 0,7945
2020 Jan 30.202.941 37.973.010 0,7954
Feb 29.377.063 37.306.954 0,7874
114
Mar 27.350.420 36.052.364 0,7586
Apr 28.405.458 36.343.093 0,7816
May 29.260.767 37.480.989 0,7807
Jun 33.420.812 41.733.364 0,8008
Jul 33.896.258 42.207.358 0,8031
Aug 35.123.439 45.473.010 0,7724
Sep 39.420.944 49.718.879 0,7929
Oct 41.898.834 52.456.680 0,7987
Nov 42.206.205 52.289.328 0,8072
Dec 41.565.539 50.571.581 0,8219
BNIS 2017 Jan 24.212.646 25.700.761 0,9421
Feb 24.920.392 26.174.245 0,9521
Mar 25.292.662 26.743.312 0,9458
Apr 25.549.638 26.658.011 0,9584
Mei 25.305.201 26.808.940 0,9439
Jun 25.661.804 27.524.026 0,9323
Jul 26.103.112 28.519.442 0,9153
Agust 26.258.441 28.091.775 0,9347
Sep 26.793.553 28.658.802 0,9349
Okt 26.874.715 28.932.254 0,9289
Nov 27.614.845 29.723.745 0,9290
Des 29.021.096 30.445.538 0,9532
2018 Jan 30.228.180 31.405.464 0,9625
Feb 31.663.910 32.643.307 0,9700
Mar 32.890.750 34.071.699 0,9653
Apr 32.568.652 34.690.550 0,9388
May 32.740.183 35.631.190 0,9189
Jun 30.585.357 33.700.922 0,9076
Jul 30.748.248 34.219.444 0,8986
Aug 30.756.355 34.467.836 0,8923
Sep 31.092.821 34.686.091 0,8964
Oct 30.930.025 35.368.524 0,8745
Nov 30.999.752 35.632.942 0,8700
Dec 32.250.781 36.715.848 0,8784
2019 Jan 32.981.998 37.339.339 0,8833
Feb 33.661.108 38.437.771 0,8757
Mar 34.088.231 39.530.818 0,8623
Apr 31.235.703 36.963.539 0,8450
May 31.504.962 37.099.848 0,8492
Jun 33.833.871 37.406.034 0,9045
Jul 32.205.731 38.892.870 0,8281
115
Aug 32.639.032 38.467.405 0,8485
Sep 32.645.529 38.815.648 0,8410
Oct 30.289.152 39.081.839 0,7750
Nov 34.342.720 41.040.340 0,8368
Dec 38.092.688 45.202.922 0,8427
2020 Jan 38.506.580 45.202.686 0,8519
Feb 40.211.075 46.330.601 0,8679
Mar 39.531.396 45.895.296 0,8613
Apr 38.796.664 45.003.629 0,8621
May 38.348.077 44.355.415 0,8646
Jun 39.643.784 44.899.255 0,8829
Jul 38.413.522 43.665.444 0,8797
Aug 38.845.597 44.614.491 0,8707
Sep 40.623.265 46.990.051 0,8645
Oct 42.335.322 48.592.505 0,8712
Nov 43.151.776 49.987.668 0,8632
Dec 43.180.634 49.447.376 0,8733
Tabel 4.1 Presentase Nilai NPM

Periode NPM (%)
Tahun Bulan BSM BRIS BNIS
2017 Januari 75% 102% 74%
Februari 75% 102% 73%
Maret 74% 74% 74%
April 75% 80% 73%
Mei 74% 78% 73%
Juni 74% 71% 73%
Juli 74% 76% 80%
Agustus 74% 72% 78%
September 74% 73% 78%
Oktober 75% 73% 78%
November 76% 74% 78%
Desember 80% 73% 77%
2018 Januari 75% 77% 75%
Februari 67% 78% 74%
Maret 66% 76% 74%
April 67% 75% 74%
Mei 64% 75% 73%
Juni 63% 76% 74%
Juli 60% 77% 74%
Agustus 60% 77% 73%
116
Oktober 69% 71% 74%
2019 Januari 67% 59% 73%
Maret 72% 74% 73%
April 72% 65% 73%
Mei 72% 68% 73%
Juni 71% 68% 73%
Juli 71% 65% 73%
Agustus 72% 69% 73%
Oktober 72% 55% 73%
2020 Januari 68% 80% 71%
Maret 78% 74% 76%
April 77% 75% 78%
Mei 77% 79% 78%
Juni 77% 57% 78%
Juli 74% 60% 72%
Agustus 75% 58% 72%
Oktober 75% 60% 73%
RATA-RATA 72% 71% 74%
Tabel 4.2 Presentase Nilai ROA

Periode ROA(%)
2017 Januari 0,04% 0,05% 0,08%
Februari 0,07% 0,11% 0,18%
Maret 0,11% 0,12% 0,26%
April 0,15% 0,16% 0,36%
Mei 0,17% 0,19% 0,42%
Juni 0,22% 0,24% 0,54%
Juli 0,24% 0,32% 0,59%
Agustus 0,28% 0,37% 0,70%
September 0,31% 0,42% 0,77%
Oktober 0,35% 0,48% 0,82%
117
November 0,38% 0,56% 0,84%
Desember 0,42% 0,32% 0,88%
2018 Januari 0,04% 0,02% 0,08%
Februari 0,08% 0,06% 0,17%
Maret 0,13% 0,16% 0,25%
April 0,18% 0,21% 0,34%
Mei 0,23% 0,27% 0,42%
Juni 0,28% 0,33% 0,54%
Juli 0,34% 0,38% 0,62%
Agustus 0,39% 0,40% 0,71%
September 0,47% 0,42% 0,79%
Oktober 0,53% 0,25% 0,87%
November 0,59% 0,34% 0,95%
Desember 0,61% 0,28% 1,01%
2019 Januari 0,07% 0,01% 0,10%
Februari 0,14% 0,02% 0,19%
Maret 0,25% 0,08% 0,31%
April 0,35% 0,10% 0,47%
Mei 0,45% 0,14% 0,61%
Juni 0,55% 0,15% 0,74%
Juli 0,65% 0,16% 0,86%
Agustus 0,75% 0,22% 1,00%
September 0,85% 0,15% 1,05%
Oktober 0,94% 0,07% 1,15%
November 1,04% 0,07% 1,24%
Desember 1,14% 0,17% 0,43%
2020 Januari 0,11% 0,06% 0,10%
Februari 0,23% 0,09% 0,23%
Maret 0,32% 0,18% 0,42%
April 0,41% 0,21% 0,45%
Mei 0,51% 0,23% 0,49%
Juni 0,63% 0,24% 0,53%
Juli 0,72% 0,28% 0,60%
Agustus 0,85% 0,33% 0,69%
September 0,90% 0,34% 0,74%
Oktober 0,99% 0,37% 0,80%
November 1,06% 0,41% 0,78%
Desember 1,13% 0,43% 0,92%
RATA-RATA 0,45% 0,23% 0,58%
118
Tabel 4.3 Presentase Nilai DER
Periode DER (%)
2017 Januari 1134% 993% 1043%
Februari 1136% 993% 1050%
Maret 1134% 1021% 1059%
April 1177% 1021% 1046%
Mei 1124% 1047% 1048%
Juni 1147% 1060% 1052%
Juli 1159% 1035% 1094%
Agustus 1136% 1051% 1053%
September 1165% 1055% 1063%
Oktober 1148% 1048% 1066%
November 1152% 1046% 1089%
Desember 1102% 1112% 813%
2018 Januari 1103% 1161% 810%
Februari 1123% 867% 858%
Maret 1151% 849% 888%
April 1137% 867% 896%
Mei 1122% 612% 901%
Juni 1125% 617% 845%
Juli 1106% 599% 854%
Agustus 1108% 608% 851%
September 1086% 614% 851%
Oktober 1085% 618% 859%
November 1068% 619% 856%
Desember 1127% 654% 870%
2019 Januari 1110% 633% 949%
Februari 1108% 631% 901%
Maret 1099% 663% 905%
April 1081% 620% 838%
Mei 1072% 605% 841%
Juni 1084% 626% 832%
Juli 1057% 618% 843%
Agustus 1050% 619% 824%
September 1061% 630% 833%
Oktober 1069% 645% 822%
November 1066% 654% 855%
Desember 1115% 748% 956%
2020 Januari 1090% 762% 943%
Februari 1108% 747% 957%
Maret 1094% 717% 986%
April 1066% 745% 866%
Mei 1048% 774% 851%
119
Juni 1047% 851% 841%
Juli 1027% 863% 840%
Agustus 998% 885% 836%
September 1057% 959% 874%
Oktober 1024% 1008% 920%
November 1010% 981% 897%
Desember 1071% 960% 908%
RATA-RATA 1097% 815% 915%
Tabel 4.4 Presentase Nilai DAR

Periode DAR(%)
2017 Januari 91,90% 90,85% 91,25%
Februari 91,91% 90,85% 91,31%
Maret 91,90% 91,08% 91,37%
April 92,17% 91,08% 91,28%
Mei 91,83% 91,28% 91,29%
Juni 91,98% 91,38% 91,32%
Juli 92,05% 91,19% 91,63%
Agustus 91,91% 91,31% 91,32%
September 92,09% 91,35% 91,40%
Oktober 91,99% 91,29% 91,42%
November 92,01% 91,27% 91,59%
Desember 91,68% 91,75% 89,05%
2018 Januari 91,69% 92,07% 89,02%
Februari 91,82% 89,66% 89,56%
Maret 92,00% 89,46% 89,88%
April 91,92% 89,66% 89,96%
Mei 91,81% 85,95% 90,01%
Juni 91,84% 86,05% 89,42%
Juli 91,71% 85,70% 89,52%
Agustus 91,72% 85,87% 89,49%
September 91,57% 85,99% 89,48%
Oktober 91,56% 86,07% 89,57%
November 91,44% 86,09% 89,54%
Desember 91,85% 86,74% 89,69%
2019 Januari 91,74% 86,36% 100,00%
Februari 91,72% 86,31% 90,01%
Maret 91,66% 86,89% 90,05%
April 91,53% 86,11% 89,34%
Mei 91,47% 85,82% 89,37%
Juni 91,56% 86,23% 89,27%
Juli 91,36% 86,07% 89,40%
120
Agustus 91,31% 86,10% 89,17%
September 91,39% 86,31% 89,28%
Oktober 91,44% 86,58% 89,16%
November 91,43% 86,74% 89,53%
Desember 91,77% 88,20% 90,53%
2020 Januari 91,59% 88,40% 90,42%
Februari 91,72% 88,19% 90,54%
Maret 91,62% 87,77% 100,00%
April 91,42% 88,16% 89,65%
Mei 91,29% 88,56% 89,48%
Juni 91,28% 89,49% 89,37%
Juli 91,12% 89,61% 89,36%
Agustus 90,89% 89,84% 89,32%
September 91,36% 90,56% 89,73%
Oktober 91,10% 90,97% 90,19%
November 90,99% 90,75% 89,97%
Desember 91,46% 90,57% 90,08%
RATA-RATA 91,64% 88,64% 90,47%
Tabel 4.5 Presentase Nilai CR

Periode CR(%)
2017 Januari 84,41% 88,03% 94,21%
Februari 85,83% 86,62% 95,21%
Maret 84,76% 86,06% 94,58%
April 85,33% 86,66% 95,84%
Mei 83,54% 85,47% 94,39%
Juni 81,00% 87,41% 93,23%
Juli 79,03% 84,44% 91,53%
Agustus 78,88% 84,35% 93,47%
September 80,80% 84,31% 93,49%
Oktober 82,06% 85,05% 92,89%
November 82,17% 84,36% 92,90%
Desember 81,28% 83,94% 95,32%
2018 Januari 82,67% 85,12% 96,25%
Februari 82,78% 87,48% 97,00%
Maret 82,58% 85,30% 96,53%
April 81,78% 85,29% 93,88%
Mei 82,16% 88,64% 91,89%
Juni 81,40% 91,02% 90,76%
Juli 79,21% 86,73% 89,86%
Agustus 78,13% 86,65% 89,23%
121
September 76,86% 87,65% 89,64%
Oktober 76,90% 87,41% 87,45%
November 76,91% 86,33% 87,00%
Desember 80,03% 93,08% 87,84%
2019 Januari 82,20% 89,16% 88,33%
Februari 81,19% 85,64% 87,57%
Maret 84,65% 88,78% 86,23%
April 79,57% 84,23% 84,50%
Mei 71,72% 83,78% 84,92%
Juni 81,32% 81,48% 90,45%
Juli 81,15% 80,35% 82,81%
Agustus 80,86% 80,83% 84,85%
September 79,58% 79,16% 84,10%
Oktober 80,27% 78,86% 77,50%
November 80,45% 78,58% 83,68%
Desember 80,46% 79,45% 84,27%
2020 Januari 81,28% 79,54% 85,19%
Februari 82,21% 78,74% 86,79%
Maret 81,00% 75,86% 86,13%
April 81,10% 78,16% 86,21%
Mei 80,79% 78,07% 86,46%
Juni 81,13% 80,08% 88,29%
Juli 81,09% 80,31% 87,97%
Agustus 81,55% 77,24% 87,07%
September 82,88% 79,29% 86,45%
Oktober 82,92% 79,87% 87,12%
November 82,67% 80,72% 86,32%
Desember 83,68% 82,19% 87,33%
RATA-RATA 81,17% 83,70% 89,27%
122
Tabel 4.19 Hasil Uji Kointegrasi
Information Criteria by Rank and Model
Data Trend: None None Linear Linear Quadratic

Rank or No Intercept Intercept Intercept Intercept Intercept
No. of CEs No Trend No Trend No Trend Trend Trend
Log Likelihood by Rank (rows) and Model (columns)

0 594.8879 594.8879 594.9460 594.9460 595.2777
1 614.2136 614.8116 614.8690 615.3160 615.6447
2 627.3794 627.9778 627.9920 629.2665 629.4326
3 636.8189 637.8202 637.8324 639.9629 640.0548
4 644.1262 645.3122 645.3166 647.9358 648.0196
5 649.3438 650.5860 650.5860 655.3315 655.3315
Akaike Information Criteria by Rank (rows) and Model (columns)

0 -24.76763 -24.76763 -24.54300 -24.54300 -24.33080
1 -25.19153 -25.17326 -24.99405 -24.96891 -24.80203
2 -25.33543* -25.27172 -25.13600 -25.10302 -24.97421
3 -25.30995 -25.21910 -25.12875 -25.08922 -25.00249
4 -25.18756 -25.05965 -25.01439 -24.95163 -24.90998
5 -24.97017 -24.79936 -24.79936 -24.78780 -24.78780
Schwarz Criteria by Rank (rows) and Model (columns)

0 -22.74014 -22.74014 -22.31276 -22.31276 -21.89782
1 -22.75854* -22.69972 -22.35831 -22.29262 -21.96355
2 -22.49694 -22.35213 -22.09477 -21.98069 -21.73023
3 -22.06597 -21.85347 -21.68202 -21.52084 -21.35301
4 -21.53808 -21.24797 -21.16216 -20.93720 -20.85501
5 -20.91519 -20.54164 -20.54164 -20.32732 -20.32732
Date: 07/31/21 Time: 22:14

Trend assumption: No deterministic trend
Series: D(ROA) D(NPM) D(DER) D(DAR) D(CR)
Lags interval (in first differences): 1 to 3
Unrestricted Cointegration Rank Test (Trace)
Hypothesized Trace 0.05

No. of CE(s) Eigenvalue Statistic Critical Value Prob.**
None * 0.615754 106.7453 60.06141 0.0000

At most 1 * 0.435248 65.61697 40.17493 0.0000
At most 2 * 0.417582 41.04809 24.27596 0.0002
At most 3 * 0.263839 17.80374 12.32090 0.0055
At most 4 * 0.102133 4.632532 4.129906 0.0373
Trace test indicates 5 cointegrating eqn(s) at the 0.05 level

* denotes rejection of the hypothesis at the 0.05 level
**MacKinnon-Haug-Michelis (1999) p-values
123
Unrestricted Cointegration Rank Test (Maximum Eigenvalue)
Hypothesized Max-Eigen 0.05

No. of CE(s) Eigenvalue Statistic Critical Value Prob.**
None * 0.615754 41.12834 30.43961 0.0016

At most 1 * 0.435248 24.56888 24.15921 0.0440
At most 2 * 0.417582 23.24436 17.79730 0.0069
At most 3 * 0.263839 13.17120 11.22480 0.0225
At most 4 * 0.102133 4.632532 4.129906 0.0373
Max-eigenvalue test indicates 5 cointegrating eqn(s) at the 0.05 level

* denotes rejection of the hypothesis at the 0.05 level
**MacKinnon-Haug-Michelis (1999) p-values
Tabel 4.20 Hasil Uji Stabilitas VECM
Roots of Characteristic Polynomial

Terikatous variables: D(ROA) D(NPM) D(DER) D(DAR)
D(CR)
Exogenous variables: C
Lag specification: 1 2
Date: 07/31/21 Time: 22:00
Root Modulus
-0.355693 - 0.606000i 0.702676

-0.355693 + 0.606000i 0.702676
0.049892 - 0.634909i 0.636866
0.049892 + 0.634909i 0.636866
-0.538980 0.538980
0.413088 - 0.229119i 0.472374
0.413088 + 0.229119i 0.472374
-0.334874 - 0.264698i 0.426855
-0.334874 + 0.264698i 0.426855
-0.091004 0.091004
No root lies outside the unit circle.

VAR satisfies the stability condition.
124
Tabel 4.21 Hasil Estimasi Model VECM
T hitung =2,06390
Vector Error Correction Estimates
Date: 07/31/21 Time: 22:26
Standard errors in ( ) & t-statistics in [ ]
Cointegrating Eq: CointEq1 CointEq2 CointEq3 CointEq4
D(ROA(-1)) 1.000000 0.000000 0.000000 0.000000
D(NPM(-1)) 0.000000 1.000000 0.000000 0.000000
D(DER(-1)) 0.000000 0.000000 1.000000 0.000000
D(DAR(-1)) 0.000000 0.000000 0.000000 1.000000
D(CR(-1)) -0.059239 -0.342628 -114.0378 -1.151672

(0.07798) (0.61849) (45.9042) (0.42508)
[-0.75962] [-0.55397] [-2.48426] [-2.70929]
Error Correction: D(ROA,2) D(NPM,2) D(DER,2) D(DAR,2) D(CR,2)
CointEq1 -1.884072 -16.15911 49.04699 2.049367 4.184046

(0.67179) (7.70131) (138.628) (3.22937) (5.85691)
[-2.80455] [-2.09823] [ 0.35380] [ 0.63460] [ 0.71438]
CointEq2 -0.043298 -2.369544 -12.35248 0.142265 0.499984

(0.04629) (0.53066) (9.55221) (0.22252) (0.40357)
[-0.93536] [-4.46525] [-1.29315] [ 0.63933] [ 1.23889]
CointEq3 0.004351 0.001479 0.220666 0.031831 -0.009161

(0.00277) (0.03179) (0.57223) (0.01333) (0.02418)
[ 1.56920] [ 0.04654] [ 0.38562] [ 2.38784] [-0.37892]
CointEq4 -0.216697 3.820252 -6.206865 -3.617067 1.386559

(0.25281) (2.89813) (52.1678) (1.21526) (2.20405)
[-0.85717] [ 1.31818] [-0.11898] [-2.97636] [ 0.62910]
D(ROA(-1),2) 0.856591 14.71207 -16.22147 0.483294 -4.054976

(0.58835) (6.74470) (121.408) (2.82824) (5.12940)
[ 2.45593] [ 2.18128] [-0.13361] [ 0.17088] [-0.79054]
D(ROA(-2),2) 0.649027 9.394986 -29.89495 -1.870537 -4.237458

(0.54244) (6.21843) (111.935) (2.60756) (4.72916)
[ 1.19650] [ 1.51083] [-0.26707] [-0.71735] [-0.89603]
D(ROA(-3),2) 0.315817 6.399980 -19.37572 -0.159103 -0.605835

(0.36413) (4.17434) (75.1404) (1.75042) (3.17462)
[ 0.86732] [ 1.53317] [-0.25786] [-0.09089] [-0.19084]
D(ROA(-4),2) 0.237000 0.986185 13.95267 -0.796338 2.070414

(0.29193) (3.34660) (60.2406) (1.40332) (2.54512)
[ 0.81185] [ 0.29468] [ 0.23162] [-0.56747] [ 0.81348]
125
D(NPM(-1),2) -0.004409 0.998316 7.754463 -0.106390 -0.229303
(0.04124) (0.47280) (8.51063) (0.19826) (0.35957)
[-0.10691] [ 2.11150] [ 0.91115] [-0.53663] [-0.63772]
D(NPM(-2),2) -0.002530 0.833294 1.463199 0.003365 -0.207129

(0.03173) (0.36379) (6.54846) (0.15255) (0.27667)
[-0.07973] [ 2.29057] [ 0.22344] [ 0.02206] [-0.74866]
D(NPM(-3),2) 0.011081 0.310508 -0.957030 0.065783 -0.232773

(0.01954) (0.22404) (4.03277) (0.09394) (0.17038)
[ 0.56701] [ 1.38597] [-0.23731] [ 0.70023] [-1.36619]
D(NPM(-4),2) 0.004955 0.006637 -0.231951 0.076484 -0.074788

(0.01290) (0.14788) (2.66197) (0.06201) (0.11247)
[ 0.38412] [ 0.04488] [-0.08714] [ 1.23338] [-0.66498]
D(DER(-1),2) -0.002968 -0.018673 -1.273827 -0.018176 0.008910

(0.00252) (0.02894) (0.52092) (0.01213) (0.02201)
[-1.17585] [-0.64526] [2.44534] [-1.49785] [ 0.40486]
D(DER(-2),2) -0.002025 -0.033798 -0.960303 -0.014491 0.006615

(0.00229) (0.02622) (0.47188) (0.01099) (0.01994)
[-0.88533] [-1.28928] [-2.03504] [-1.31822] [ 0.33180]
D(DER(-3),2) -0.002182 -0.013316 -0.574435 -0.002626 0.007302

(0.00195) (0.02233) (0.40201) (0.00936) (0.01698)
[-1.12027] [-0.59626] [-1.42891] [-0.28043] [ 0.42990]
D(DER(-4),2) -0.000912 -0.003854 -0.310501 -0.005175 0.000844

(0.00138) (0.01577) (0.28380) (0.00661) (0.01199)
[-0.66332] [-0.24447] [-1.09407] [-0.78274] [ 0.07037]
D(DAR(-1),2) 0.148360 -2.450735 2.426049 2.012768 -0.913620

(0.20498) (2.34981) (42.2978) (0.98534) (1.78705)
[ 0.72379] [-1.04295] [ 0.05736] [ 2.07272] [-0.51125]
D(DAR(-2),2) 0.130086 -0.707240 -2.143067 1.341841 -0.626709

(0.16588) (1.90158) (34.2295) (0.79739) (1.44617)
[ 0.78424] [-0.37192] [-0.06261] [ 1.68280] [-0.43336]
D(DAR(-3),2) 0.146194 -0.324026 0.397453 0.765693 -0.598639

(0.12084) (1.38529) (24.9359) (0.58089) (1.05352)
[ 1.20982] [-0.23391] [ 0.01594] [ 1.31814] [-0.56823]
D(DAR(-4),2) 0.085765 -0.273054 5.215351 0.268320 -0.366496

(0.05980) (0.68551) (12.3395) (0.28745) (0.52133)
[ 1.43426] [-0.39832] [ 0.42265] [ 0.93344] [-0.70300]
D(CR(-1),2) 0.061227 2.416639 16.63058 -0.129139 -0.226340

(0.07769) (0.89064) (16.0320) (0.37347) (0.67734)
[ 0.78807] [ 2.71337] [ 1.03734] [-0.34578] [2.33416]
D(CR(-2),2) 0.046079 2.086934 12.92897 -0.044810 -0.373606

(0.06534) (0.74909) (13.4841) (0.31411) (0.56969)
[ 0.70518] [ 2.78595] [ 0.95883] [-0.14266] [-2.65581]
126
D(CR(-3),2) 0.039954 1.395276 9.022599 -0.007120 -0.191048
(0.04592) (0.52647) (9.47670) (0.22076) (0.40038)
[ 0.87000] [ 2.65026] [ 0.95208] [-0.03225] [-2.47716]
D(CR(-4),2) 0.028547 0.618978 3.147092 -0.006681 -0.262193

(0.02602) (0.29828) (5.36916) (0.12508) (0.22684)
[ 1.09717] [ 2.07517] [ 0.58614] [-0.05342] [-1.15584]
R-squared 0.673551 0.864107 0.711545 0.899642 0.835689

Adj. R-squared 0.256422 0.690465 0.342965 0.771406 0.625735
Sum sq. resids 5.84E-05 0.007678 2.487981 0.001350 0.004441
S.E. equation 0.001802 0.020654 0.371781 0.008661 0.015707
F-statistic 1.614730 4.976388 1.930500 7.015539 3.980350
Log likelihood 223.5979 121.1516 -0.245261 157.6539 132.6499
Akaike AIC -9.504662 -4.626267 1.154536 -6.364473 -5.173804
Schwarz SC -8.511708 -3.633313 2.147490 -5.371519 -4.180850
Mean dependent 7.92E-07 0.000244 0.000863 9.14E-06 0.000416
S.D. dependent 0.002089 0.037123 0.458662 0.018114 0.025675
Determinant resid covariance (dof adj.) 7.63E-19

Determinant resid covariance 1.10E-20
Log likelihood 667.0541
Akaike information criterion -25.09782
Schwarz criterion -19.30558
Tabel 4.22 Hasil Granger Causality Test VECM
Pairwise Granger Causality Tests

Date: 07/31/21 Time: 22:40
Sample: 1 48
Lags: 2
Null Hypothesis: Obs F-Statistic Prob.
NPM does not Granger Cause ROA 46 2.68160 0.0804

ROA does not Granger Cause NPM 1.83654 0.1722
DER does not Granger Cause ROA 46 0.34408 0.7109

ROA does not Granger Cause DER 2.68318 0.0803
DAR does not Granger Cause ROA 46 0.18568 0.8312

ROA does not Granger Cause DAR 1.15548 0.3249
CR does not Granger Cause ROA 46 3.40310 0.0429

ROA does not Granger Cause CR 0.78838 0.4614
DER does not Granger Cause NPM 46 3.85703 0.0292

NPM does not Granger Cause DER 0.58315 0.5627
DAR does not Granger Cause NPM 46 8.43180 0.0009

NPM does not Granger Cause DAR 0.67266 0.5159
127
CR does not Granger Cause NPM 46 0.75679 0.4756
NPM does not Granger Cause CR 1.28197 0.2884
DAR does not Granger Cause DER 46 0.62715 0.5392

DER does not Granger Cause DAR 8.89494 0.0006
CR does not Granger Cause DER 46 1.70630 0.1942

DER does not Granger Cause CR 2.00185 0.0148
CR does not Granger Cause DAR 46 1.94220 0.0629

DAR does not Granger Cause CR 2.96221 0.0156
128
Grafik 4.1 Impulse Respons Function
Response to Cholesky One S.D. Innovations
Response of D(RO A) to D(RO A) Response of D(RO A) to D(NPM) Response of D(RO A) to D(DER) Response of D(RO A) to D(DAR) Response of D(RO A) to D(CR)
.00 2 .00 2 .00 2 .00 2 .00 2
.00 1 .00 1 .00 1 .00 1 .00 1
.00 0 .00 0 .00 0 .00 0 .00 0
- .00 1 - .00 1 - .00 1 - .00 1 - .00 1

2 4 6 8 10 2 4 6 8 10 2 4 6 8 10 2 4 6 8 10 2 4 6 8 10
Response of D(NPM) to D(RO A) Response of D(NPM) to D(NPM) Response of D(NPM) to D(DER) Response of D(NPM) to D(DAR) Response of D(NPM) to D(CR)
.03 .03 .03 .03 .03
.02 .02 .02 .02 .02
.01 .01 .01 .01 .01
.00 .00 .00 .00 .00
- .01 - .01 - .01 - .01 - .01
- .02 - .02 - .02 - .02 - .02

2 4 6 8 10 2 4 6 8 10 2 4 6 8 10 2 4 6 8 10 2 4 6 8 10
Response of D(DER) to D(RO A) Response of D(DER) to D(NPM) Response of D(DER) to D(DER) Response of D(DER) to D(DAR) Response of D(DER) to D(CR)
.4 .4 .4 .4 .4
.3 .3 .3 .3 .3
.2 .2 .2 .2 .2
.1 .1 .1 .1 .1
.0 .0 .0 .0 .0
- .1 - .1 - .1 - .1 - .1
- .2 - .2 - .2 - .2 - .2
2 4 6 8 10 2 4 6 8 10 2 4 6 8 10 2 4 6 8 10 2 4 6 8 10
Response of D(DAR) to D(RO A) Response of D(DAR) to D(NPM) Response of D(DAR) to D(DER) Response of D(DAR) to D(DAR) Response of D(DAR) to D(CR)
.00 8 .00 8 .00 8 .00 8 .00 8
.00 4 .00 4 .00 4 .00 4 .00 4
.00 0 .00 0 .00 0 .00 0 .00 0
- .00 4 - .00 4 - .00 4 - .00 4 - .00 4
- .00 8 - .00 8 - .00 8 - .00 8 - .00 8

2 4 6 8 10 2 4 6 8 10 2 4 6 8 10 2 4 6 8 10 2 4 6 8 10
Response of D(CR) to D(RO A) Response of D(CR) to D(NPM) Response of D(CR) to D(DER) Response of D(CR) to D(DAR) Response of D(CR) to D(CR)
.01 6 .01 6 .01 6 .01 6 .01 6
.01 2 .01 2 .01 2 .01 2 .01 2
.00 8 .00 8 .00 8 .00 8 .00 8
.00 4 .00 4 .00 4 .00 4 .00 4
.00 0 .00 0 .00 0 .00 0 .00 0
- .00 4 - .00 4 - .00 4 - .00 4 - .00 4
- .00 8 - .00 8 - .00 8 - .00 8 - .00 8

2 4 6 8 10 2 4 6 8 10 2 4 6 8 10 2 4 6 8 10 2 4 6 8 10
129
Tabel 4.23 Hasil Analisis VDC (Variance Decomposition)
Variance Decom pos ition of D(ROA):

Perio... S.E. D(ROA) D(NPM) D(DER) D(DAR) D(CR)
1 0.001802 100.0000 0.000000 0.000000 0.000000 0.000000

2 0.002190 71.26522 10.08358 0.745165 1.080379 16.82566
3 0.002223 69.60345 10.08101 0.724091 3.268164 16.32328
4 0.002246 68.73327 10.72411 1.025064 3.232913 16.28464
5 0.002253 68.60074 10.65910 1.050058 3.505611 16.18449
6 0.002274 68.09036 10.49468 1.745447 3.512145 16.15737
7 0.002288 67.48583 10.40823 1.764303 3.738840 16.60279
8 0.002300 66.86811 10.50747 2.066644 3.766533 16.79124
9 0.002304 66.66034 10.47539 2.077925 4.015109 16.77124
10 0.002310 66.38964 10.72433 2.193587 4.008049 16.68440
Variance Decom pos ition of D(NPM):

1 0.020654 0.410314 99.58969 0.000000 0.000000 0.000000

2 0.025880 6.834361 81.15811 0.273766 6.666015 5.067743
3 0.027908 14.18610 69.79313 3.047723 5.967564 7.005475
4 0.028938 13.24999 65.21405 5.829322 8.158161 7.548486
5 0.030816 14.04582 57.53115 7.018095 7.468133 13.93680
6 0.031518 16.43918 55.87577 7.064925 7.150139 13.46999
7 0.033711 23.54372 51.78035 6.491531 6.257542 11.92686
8 0.034337 22.69674 49.93600 9.170607 6.056193 12.14046
9 0.034815 22.07862 49.13784 8.935624 6.069918 13.77801
10 0.035315 21.55059 48.59477 9.888609 6.009289 13.95674
Variance Decom pos ition of D(DER):

1 0.371781 14.55647 0.223517 85.22002 0.000000 0.000000

2 0.394993 18.74673 4.929162 76.13976 0.183843 0.000511
3 0.422514 16.38912 8.219428 71.32563 1.124986 2.940832
4 0.439461 16.85803 7.685845 70.99076 1.588565 2.876790
5 0.475322 24.28786 6.977684 62.41029 1.374566 4.949599
6 0.501823 23.39110 8.030861 60.78999 2.318358 5.469685
7 0.507186 22.90607 8.408360 60.64954 2.302909 5.733120
8 0.523923 21.95071 7.882784 62.51147 2.172886 5.482152
9 0.533522 21.16978 8.190504 61.91326 2.440307 6.286156
10 0.545558 20.99135 7.865868 62.37162 2.638417 6.132745
Variance Decom pos ition of D(DAR):

1 0.008661 47.59950 8.780790 16.61698 27.00272 0.000000

2 0.011786 46.94274 8.151824 14.34022 21.23206 9.333161
3 0.013091 42.88002 6.694028 14.85564 18.19503 17.37529
4 0.013396 41.07258 6.415097 18.13962 17.54713 16.82557
5 0.014216 40.05968 11.19320 17.94221 15.58283 15.22208
6 0.015032 36.68670 10.25925 22.13165 14.21429 16.70810
7 0.015203 37.11351 10.03026 22.21890 14.20720 16.43012
8 0.015603 37.66221 9.764570 22.22401 13.64601 16.70320
9 0.015788 36.81885 9.763472 23.40819 13.33775 16.67174
10 0.015855 36.60730 9.717466 23.47725 13.22469 16.97329
Variance Decom pos ition of D(CR):

1 0.015707 4.155929 0.905781 0.229658 0.743731 93.96490

2 0.017043 5.324225 8.233898 0.903832 2.608396 82.92965
3 0.017455 5.076100 10.81987 1.065485 3.096362 79.94218
4 0.018360 8.492373 9.779977 1.275735 3.623024 76.82889
5 0.020134 11.33900 9.726906 1.338455 3.091214 74.50443
6 0.022073 21.61653 12.59474 1.156973 2.572386 62.05936
7 0.022607 20.85381 13.92780 1.132212 2.522256 61.56392
8 0.022961 20.64559 13.75313 1.206428 2.521443 61.87341
9 0.023239 21.01009 14.15657 1.809458 2.532251 60.49163
10 0.023593 22.77847 14.16737 1.773780 2.493792 58.78659
Choles ky Ordering: D(ROA) D(NPM) D(DER) D(DAR) D(CR)
130
Tabel 4.26 Hasil Forecasting
Bulan/Tahun ROA NPM DER DAR CR

2021M01 0,00694 0,7815 16,6895 0,9760 0,9162
2021M02 0,00700 0,7819 16,8214 0,9773 0,9173
2021M03 0,00708 0,7823 16,9550 0,9787 0,9185
2021M04 0,00714 0,7827 17,0881 0,9800 0,9197
2021M05 0,00721 0,7831 17,2203 0,9813 0,9208
2021M06 0,00728 0,7835 17,3536 0,9827 0,9220
2021M07 0,00735 0,7839 17,4869 0,9840 0,9232
2021M08 0,00742 0,7843 17,6194 0,9854 0,9243
2021M09 0,00749 0,7847 17,7526 0,9867 0,9255
2021M10 0,00756 0,7851 17,8859 0,9881 0,9267
2021M11 0,00763 0,7855 18,0184 0,9894 0,9278
2021M12 0,00770 0,7859 18,1514 0,9907 0,9290
2022M01 0,00777 0,7863 18,2846 0,9921 0,9302
2022M02 0,00783 0,7867 18,4173 0,9934 0,9313
2022M03 0,00790 0,7871 18,5503 0,9948 0,9325
2022M04 0,00797 0,7875 18,6835 0,9961 0,9337
2022M05 0,00804 0,7879 18,8163 0,9974 0,9348
2022M06 0,00811 0,7883 18,9492 0,9988 0,9360
2022M07 0,00818 0,7887 19,0823 1,0001 0,9372
2022M08 0,00825 0,7891 19,2152 1,0015 0,9383
2022M09 0,00832 0,7895 19,3481 1,0028 0,9395
2022M10 0,00839 0,7899 19,4812 1,0042 0,9407
2022M11 0,00846 0,7903 19,6141 1,0055 0,9418
2022M12 0,00853 0,7907 19,7470 1,0068 0,9430
2023M01 0,00860 0,7911 19,8801 1,0082 0,9442
2023M02 0,00866 0,7915 20,0130 1,0095 0,9453
2023M03 0,00873 0,7919 20,1459 1,0109 0,9465
2023M04 0,00880 0,7923 20,2789 1,0122 0,9477
2023M05 0,00887 0,7927 20,4119 1,0136 0,9488
2023M06 0,00894 0,7931 20,5448 1,0149 0,9500
131
2023M07 0,00901 0,7935 20,6778 1,0163 0,9512
2023M08 0,00908 0,7939 20,8108 1,0176 0,9523
2023M09 0,00915 0,7943 20,9437 1,0189 0,9535
2023M10 0,00922 0,7947 21,0767 1,0203 0,9546
2023M11 0,00929 0,7951 21,2097 1,0216 0,9558
2023M12 0,00935 0,7955 21,3426 1,0230 0,9570
2024M01 0,00942 0,7959 21,4756 1,0243 0,9581
2024M02 0,00949 0,7963 21,6086 1,0257 0,9593
2024M03 0,00956 0,7967 21,7415 1,0270 0,9605
2024M04 0,00963 0,7971 21,8745 1,0283 0,9616
2024M05 0,00970 0,7975 22,0075 1,0297 0,9628
2024M06 0,00977 0,7979 22,1404 1,0310 0,9640
2024M07 0,00984 0,7983 22,2734 1,0324 0,9651
2024M08 0,00991 0,7987 22,4063 1,0337 0,9663
2024M09 0,00998 0,7991 22,5393 1,0350 0,9675
2024M10 0,01005 0,7995 22,6723 1,0364 0,9686
2024M11 0,01011 0,7999 22,8052 1,0377 0,9698
2024M12 0,01018 0,8003 22,9382 1,0391 0,9710
Sumber: Data hasil olahan
132

(Referensi Vecm) Agnia Nurapifah-Feb

Diunggah oleh

Informasi Dokumen

Judul Asli

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

(Referensi Vecm) Agnia Nurapifah-Feb

Diunggah oleh

Hak Cipta:

Format Tersedia

ANALISIS KINERJA KEUANGAN PADA BANK UMUM SYARIAH

BUMN DI INDONESIA SEBELUM DAN SESUDAH MERGER DENGAN

PROGRAM STUDI PERBANKAN SYARIAH

ANALISIS KINERJA KEUANGAN PADA BANK UMUM SYARIAH

Dr. Suhenda Wiranata M.E. Ivalaili, M.I.E.

PROGRAM STUDI PERBANKAN SYARIAH

1. Nama : Agnia Nurapifah

Jakarta, 21 April 2021

1. Umiyati, SE.I, M.Si. ( )

2. Aini Masruroh, SE.I, MM. ( )

Jakarta, 29 November 2021

1. Ade Ananto Terminanto, MM. ( )

2. Dr. Suhenda Wiranata M.E. ( )

3. Dr. Suhenda Wiranata M.E. ( )

5. Dr. Asyari Hasan, S.H.I., M.Ag. ( )

Yang bertanda tangan di bawah ini:

Nama : Agnia Nurapifah

Fakultas : Ekonomi dan Bisnis

Jurusan : Perbankan Syariah

Dengan ini menyatakan bahwa skripsi yang berjudul adalah benar

Demikian pernyataan ini dibuat untuk dipergunakan seperlunya.

Jakarta, 29 September 2021

Penelitian ini menganalisis tentang kinerja keuangan perbankan Syariah

Kata Kunci: Merger, Kinerja keuangan, Provitabilitas, Solvabilitas, Likuiditas

Pada kesempatan ini penulis mengucapkan terima kasih yang sebesar-

Jakarta, 29 September 2021

LEMBAR PENGESAHAN SKRIPSI ................................................................. ii

LEMBAR PENGESAHAN UJIAN KOMPREHENSIF .................................. iii

LEMBAR PENGESAHAN UJIAN SKRIPSI........................................................... iv

LEMBAR PERNYATAAN KEASLIAN KARYA ILMIAH ............................ v

DAFTAR RIWAYAT HIDUP .................................................................................. vi

ABSTRACT .......................................................................................................... vii

ABSTRAK .......................................................................................................... viii

KATA PENGANTAR .......................................................................................... ix

DAFTAR ISI ......................................................................................................... xi

DAFTAR TABEL .............................................................................................. xiii

B. Identifikasi Masalah ..........................................................................8

C. Batasan Masalah ...............................................................................8

E. Tujuan Penelitian dan Manfaat Penelitian ........................................9

TINJAUAN PUSTAKA ...................................................................................... 11

A. Landasan Teori ............................................................................... 11

B. Penelitian Terdahulu ....................................................................... 31

C. Kerangka Pemikiran ....................................................................... 48

D. Keterkaitan antar Variabel dan Hipotesis ....................................... 49

BAB III ................................................................................................................. 51

A. Populasi dan Sampel ....................................................................... 51

B. Tempat dan Waktu Penelitian ......................................................... 51

C. Data dan Sumber Data .................................................................... 52

D. Instrumen Penelitian ....................................................................... 52

E. Metode Pengumpulan Data ............................................................. 52

F. Metode Analisis Data ...................................................................... 52

H. Definisi Operasional Variabel ......................................................... 55

TEMUAN PENELITIAN DAN PEMBAHASAN ............................................ 59

A. Gambaran Umum Objek Penelitian ................................................ 59

B. Hasil Analisis Deskriptif .................................................................. 63

C. Hasil Uji Statistik Deskriptif ........................................................... 67

D. Hasil Uji Statistik Data .................................................................... 69

E. Interpretasi Hasil ............................................................................ 94

DAFTAR PUSTAKA ........................................................................................ 100

Lampiran ........................................................................................................... 104

Tabel 4.6 Hasil Uji Statistik Deskriptif ................................................................... 67

Grafik 1.1 Pertumbuhan Market Share Perbankan Syariah 2017-2020 ..............2

Kondisi keuangan syariah di Indonesia saat ini terus mengalami