BAB III SOLUSI BISNIS Dengan melihat permasalahan yang terjadi pada Bank X, maka perlu adanya cara untuk menganalisa variabel-variabel apa saja yang akan menentukan kredit macet atau lancar dengan menggunakan pendekatan dasar dalam analisis dan evaluasi kredit yang sesuai dengan kondisi internal Bank X.
3.1 Alternatif Solusi Bisnis
Alternatif solusi dapat dilakukan untuk pemecahan masalah yang terjadi diantaranya : 1. Pendekatan judgement dalam analisis kredit 2. Pendekatan statistical analysis Analisis kredit dengan menggunakan pendekatan pertama dilakukan secara kualitatif oleh staf yang dinilai ahli (expert) untuk mengetahui apakah calon debitur dapat diberikan kredit (layak) atau harus ditolak (tidak layak). Solusi bisnis yang pertama ini memiliki kelemahan mendasar yaitu dipengaruhi oleh sikap subyektifitas masing-masing expert dan dilakukan tanpa kriteria yang konsisten. Selain itu mengingat kurangnya sumber daya manusia yang ada pada Bank X dan hal ini akan menimbulkan biaya baru, maka solusi ini kurang tepat.
Page | 47
Sedangkan untuk pendekatan kedua digunakan konsep statistical analysis. Statistical analysis sangat sesuai dan digunakan secara luas untuk analisis dan
evaluasi kredit Yang memiliki mass product, antara lain kredit konsumen (personal loan, credit card, home loan, car loan) dan kredit-kredit UMKM dengan skala kecil/mikro. Dengan menggunakan pendekatan statistical analysis di Bank X, diharapkan dapat menentukan variabel-variabel apa saja
yang akan menentukan kredit macet atau lancar. Selain itu, dengan pendekatan ini dapat menyederhanakan sistem operasional kredit dan mempersingkat waktu pengambilan keputusan pemberian kredit. Berikut ini adalah kelebihan dan kelemahan alternatif solusi : Pendekatan judgement dalam analisis kredit Kelebihan : •
dapat dilakukan dengan jumlah sample debitur yang kecil
•
tidak membutuhkan cakupan sample yang baik dan jelek (good & bad)
Kelemahan : •
dipengaruhi oleh sikap subyektifitas expert
•
dilakukan tanpa kriteria yang konsisten.
•
dibutuhan waktu yang relatif lama untuk mengambil keputusan pemberian kredit
Pendekatan statistical analysis. Kelebihan : •
Standar ditetapkan secara konsisten untuk beragam calon debitur. Perubahan standar dapat dilakukan secara konsisten dan dengan mudah karena tersedianya data dan pendekatan yang konsisten.
•
Mampu meningkatkan produktifitas Account Officer (AO), kecepatan proses aplikasi dan pengambilan keputusan kredit
•
Menyederhanakan sistem operasional kredit dan mempersingkat waktu pengambilan keputusan.
Kelemahan :
Page | 48
•
Penggunaan model statistical analysis mensyaratkan adanya data pembayaran debitur dengan cakupan sample yang baik dan yang jelek (good and bad). Hal yang seringkali terjadi adalah sample jelek (bad) tidak tersedia, sehingga model memerlukan update secara berkala sesuai dengan ketersediaaan dan perbaikan data.
•
Seringkali data yang ada tidak mencukupi sehingga model statistical analysis dikembangkan dengan data yang tidak mewakili secara
statistik. Dengan demikian, alternatif solusi statistical analysis. yang akan dipakai dan dijalankan untuk mengatasi permasalahan yang terjadi di Bank X.
Page | 49
3.2 Analisis Solusi Bisnis
Untuk menganalisa variabel-variabel apa saja yang akan menentukan kredit macet atau lancar serta profil debitur kredit Y maka akan digunakan pendekatan statistical analysis. Berikut ini adalah skema solusi bisnis :
Gambar 3.1 Skema analisis
3.2.1
Penetapan atribut untuk variabel model
Dalam tesis ini akan diteliti variabel apa saja yang akan menentukan kredit macet atau lancar. Variabel yang akan diteliti adalah : variabel usia, variabel jenis kelamin, variabel debitur lama atau baru, variabel lama usaha, variabel status perkawinan, variabel usaha sampingan, variabel jangka waktu, variabel tujuan penggunaan kredit, variabel rasio penerimaan bersih per angsuran, variabel pelanggan tetap, variabel penjualan dipengaruhi musim, variabel kontinuitas bahan baku, variabel bahan baku dipengaruhi musim, variabel jenis bukti kepemilikan dan variabel LTV (Loan Total Value). Tiap-tiap variabel ini kemudian akan dibagi-bagi lagi menjadi beberapa atribut. Selanjutnya dari tiap-tiap atribut akan diberi rating yang menunjukkan nilai atau level dari masing-masing atribut. Untuk lebih jelasnya lagi dapat dilihat pada tabel di bawah ini :
Page | 50
Tabel 3.1 Parameter penetapan variabel
No
Variabel
Jenis Data
1
Usia
Ordinal
2
Debitur lama/baru
Nominal
3
Lama usaha (tahun)
Ordinal
4
Status perkawinan
Nominal
5
Mempunyai usaha sampingan
Nominal
6
Jangka waktu (bulan)
Ordinal
7
Tujuan penggunaan kredit
Nominal
8
Rasio penerimaan bersih/angsuran
Ordinal
9
Mempunyai pelanggan tetap
Nominal
10
Jenis bukti kepemilikan
Nominal
Atribut
rating
< 21 >= 21 dan < 30 >= 30 dan < 40 >=40 dan < 50 >=50 Baru Lama <3 >=3 dan < 6 >=6 dan < 9 >=9 dan < 12 >= 12 dan < 16 >= 16 Duda/janda Belum menikah Menikah Ya Tidak <= 12 18 24 >=36 Investasi Modal kerja Pengganti modal kerja <1,33 >= 1,33 - 2 > 2- 3 >3 Ya Tidak Kwitansi Letter C BPKP Sertifikat
0 1 2 3 4 0 1 0 1 2 3 4 5 0 1 2 0 1 0 1 2 3 0 1 2 0 1 2 3 0 1 0 1 2 3
Page | 51
No
Variabel
Jenis Data
11
LTV (Loan Total Value) nilai pasar agunan/plafond kredit
Ordinal
12
Jenis kelamin
Nominal
13
Pendidikan terakhir
Ordinal
14
Penjualan dipengaruhi Musim
Nominal
15
Terjamin kontinuitas bahan baku
Nominal
16
Bahan baku dipengaruhi musim
Nominal
17
Jenis bidang Usaha
Nominal
Atribut
rating
<= 100% > 100% dan <= 150% > 150% dan <= 200% >200% dan <= 250% >250% Laki-laki Perempuan <=SMP SMA D3 >=S1 Ya Tidak Ya Tidak Ya Tidak Jasa Industri pengolahan Pertanian Perdagangan Lain-lain
0 1 2 3 4 0 1 0 1 2 3 0 1 0 1 0 1 0 1 2 3 4
3.2.3 Pengumpulan data
Seperti yang telah diuraikan pada bab sebelumnya, bahwa berdasarkan metode metode Slovin dibutuhkan paling sedikit sampel yang berjumlah 5900 debitur. Untuk mendapatkan hasil perhitungan yang reliable, maka dibutuhkan jumlah yang seimbang antara jumlah sampel debitur PL dan debitur NPL. Oleh karena itu, jumlah sampel yang diambil adalah sebesar 5900 yang terdiri dari 2950 debitur PL (kolektibilitas I dan II) dan 2950 debitur NPL (kolektibilitas III, IV dan V). Oleh karena keterbatasan tempat, maka untuk hasil pengumpulan data hanya akan ditampilkan 40 orang debitur kredit lancar dan 40 orang debitur kredit macet. Untuk lebih jelasnya lagi, dapat dilihat pada lampiran.
Page | 52
3.2.2.1Analisis pengumpulan data
Berikut ini adalah ringkasan hasil pengumpulan data dari masing-masing variable : Tabel 3.2 Hasil pengumpulan data No 1
2 3 4
5
6
Variabel Usia
Jenis kelamin Debitur lama/baru Lama usaha (tahun)
Status perkawinan
Pendidikan terakhir
Jenis Data
Atribut
Ordinal
< 21
Nominal Nominal Ordinal
Nominal
Ordinal
8
Mempunyai usaha sampingan Jenis bidang Usaha
Nominal Nominal
7
>= 21 dan < 30
429
>= 30 dan < 40
1674
>=40 dan < 50
2080
>=50
1710
Laki-laki
4020
Perempuan
1880
Baru
1563
Lama
4337
<3
456
>=3 dan < 6
1847
>=6 dan < 9
1210
>=9 dan < 12
972
>= 12 dan < 16
400
>= 16
1015
Duda/janda
139
Belum menikah
280
Menikah
5481
<=SMP
3200
SMA
2407
D3 7
jumlah
90
>=S1
203
Ya
1686
Tidak
4214
Jasa
971
Industri pengolahan
263
Pertanian
3553
Perdagangan
1050
Lain-lain
63
Page | 53
No
Variabel
9
Jangka waktu (bulan)
Jenis Data
Atribut
Ordinal
<= 12
519
18
799
24
3983
>=36 10
Tujuan penggunaan kredit
Rasio penerimaan bersih/angsuran
11
12
Mempunyai pelanggan tetap
13
Penjualan dipengaruhi Musim
14
Terjamin kontinuitas bahan baku
15
Bahan baku dipengaruhi musim
Nominal
Ordinal
Nominal Nominal Nominal Nominal
Jenis bukti kepemilikan
17
LTV (Loan Total Value) nilai pasar agunan/plafond kredit
Nominal
Ordinal
599
Modal kerja
4385
investasi Pengganti modal kerja
1371
<1,33
236
>= 1,33 - 2
4188
> 2- 3
1012
>3
464
Ya
5183
144
Tidak
717
Ya
669
Tidak
5231
Ya
5574
Tidak
326
Ya
540
Tidak 16
jumlah
5360
Kwitansi
395
Letter C
168
BPKP
1473
Sertifikat
3864
<= 100%
94
> 100% dan <= 150%
128
> 150% dan <= 200%
568
>200% dan <= 250%
934
>250%
4176
3.2.2.2 Analisis berdasarkan 5C Character Character adalah keadaan watak/sifat dari debitur, baik dalam kehidupan
pribadi maupun lingkungan usaha. Kegunaan dari penilaian terhadap karakter ini adalah untuk mengetahui sampai sejauh mana itikad/kemauan debitur untuk memenuhi kewajibannya (willingness to pay) sesuai dengan perjanjian
Page | 54
yang ditetapkan. Yang termasuk character dalam hal ini adalah variabel usia, variabel jenis kelamin, variabel debitur lama/baru, variabel status perkawinan dan variabel pendidikan terakhir. Berikut ini adalah penjelasan mengenai analisa character : • Usia Berdasarkan hasil pengumpulan data, dapat dilihat character dari debitur kredit Y. Dari grafik dibawah ini dapat diketahui bahwa mayoritas debitur kredit Y merupakan orang yang berusia diantara 40-50 tahun yaitu sebesar 35%. Sedangkan debitur yang berusia antara 30-40 tahun dan debitur yang berusia diatas 50 tahun masing-masing adalah sebesar 29%. Sedangkan debitur yang berusia dibawah 21 tahun hanya sebesar 0,21%.
Gambar 3.2 Pie Chart perbandingan usia debitur • Jenis kelamin Berdasarkan hasil pengumpulan data, dapat dilihat juga bahwa sebagian besar debitur kredit Y adalah berjenis kelamin laki-laki yaitu sebesar 68,14%.
Gambar 3.3 Histogram perbandingan jenis kelamin debitur
Page | 55
• Debitur lama/baru Berdasarkan hasil pengumpulan data, dapat dilihat bahwa sebagian besar debitur kredit Y merupakan nasabah lama di Bank X yaitu sebesar 4337 orang atau sebesar 73,51%. Nasabah lama atau baru merupakan salah satu variabel penting yang harus diperhatikan sebagai faktor penentu keputusan kredit macet atau tidak. Jika debitur tersebut merupakan nasabah lama Bank X, kemungkinan proposal kredit diterima lebih besar, karena nasabah tersebut telah mempunyai track record yang tersimpan di Bank X.
Gambar 3.4 Histogram perbandingan jumlah debitur lama/baru • Status perkawinan Berdasarkan hasil pengumpulan data, dapat dilihat bahwa mayoritas debitur kredit Y telah menikah yaitu sebesar 93%. Sedangkan debitur yang belum menikah hanya sebesar 2,36%.
Gambar 3.5 Pie Chart perbandingan status perkawinan debitur
Page | 56
• Pendidikan terakhir Berdasarkan hasil pengumpulan data, dapat dilihat bahwa sebagian besar debitur kredit Y hanya lulusan SMP yaitu sebesar 54%. Sedangkan debitur yang lulusan SMA adalah sebesar 41%. Hal ini dimungkinkan karena kredit Y merupakan kredit mikro yang sasarannya adalah kecamatan-kecamatan dan kabupaten yang umumnya hanya dilayani oleh Bank X unit dan mayoritas penduduknya hanya lulusan SMP dan SMA.
Gambar 3.6 Pie Chart perbandingan pendidikan terakhir debitur
Capital dan Capacity Capital adalah jumlah dana/modal sendiri yang dimiliki oleh calon debitur.
Semakin besar modal sendiri yang digunakan debitur, maka semakin tinggi tingkat kesungguhan calon debitur dalam menjalankan usahanya. Sedangkan capacity adalah kemampuan yang dimiliki calon debitur dalam menjalankan
usahanya guna memperoleh laba/profit yang diharapkan. Kegunaan dari penilaian ini adalah untuk mengetahui/mengukur sampai sejauh mana calon debitur mampu untuk mengembalikan atau melunasi utang-utangnya (ability to pay). Yang termasuk capital dan capacity adalah variabel mempunyai
usaha sampingan, variabel lama usaha, variabel jenis bidang usaha, variabel jangka waktu pinjaman, variabel tujuan penggunaan kredit, variabel rasio penerimaan bersih/angsuran, variabel mempunyai pelanggan tetap, variabel penjualan dipengaruhi musim, variabel terjamin kontinuitas bahan baku dan
Page | 57
variabel bahan baku dipengaruhi musim. Berikut ini adalah penjelasan analisa capital dan capacity :
• Mempunyai usaha sampingan Berdasarkan hasil pengumpulan data, dapat dilihat bahwa sebagian besar debitur kredit Y tidak mempunyai usaha sampingan lain yaitu sebesar 71,42%. Pada umumnya, debitur-debitur ini bermatapencaharian sebagai petani dan pedagang sehingga mereka hanya mengandalkan usaha utama mereka yaitu usaha pertanian, ladang atau perdagangan. Variabel usaha sampingan ini merupakan variabel yang harus diperhatikan sebagai faktor penentu keputusan kredit. Hal ini disebabkan karena debitur yang mempunyai usaha sampingan diharapkan akan lebih baik performanya dalam tingkat pengembalian kredit daripada debitur yang tidak mempunyai usaha sampingan.
Gambar 3.7 Histogram perbandingan usaha sampingan debitur • Jenis bidang usaha Berdasarkan hasil perhitungan, dapat dilihat bahwa 60% dari debitur kredit Y bergerak di bidang pertanian. Sedangkan hanya 18% debitur yang bergerak di bidang perdagangan. Hal ini dimungkinkan karena sebagian besar masyarakat di daerah bermatapencaharian sebagai petani atau peladang. Variabel jenis bidang usaha ini merupakan variabel yang harus diperhatikan sebagai faktor penentu keputusan kredit. Oleh karena bidang pertanian dan perdagangan merupakan sektor ekonomi yang paling rentan terkena dampak inflasi, yang pada akhirnya dapat menyebabkan kredit macet.
Page | 58
Gambar 3.8 Pie Chart perbandingan jenis usaha debitur • Lama Usaha Berdasarkan hasil pengumpulan data, dapat dilihat bahwa sebagian besar debitur kredit Y telah mempunyai usaha antara 3-6 tahun yaitu sebesar 31%. Sedangkan debitur kredit Y yang mempunyai usaha dibawah 3 tahun adalah sebesar 8%. Variabel lama usaha merupakan faktor penting yang harus diperhatikan dalam penentuan keputusan kredit. Secara universal dipahami bahwa dalam periode usaha baru berdiri sampai dengan 3 tahun, merupakan periode dimana rata-rata tingkat kegagalan cukup tinggi. Oleh karena itu, debitur yang telah menjalankan usahanya lebih lama diharapkan mempunyai fleksibilitas yang lebih baik dalam menghadapi perubahan lingkungan bisnis. Selain itu usaha yang dijalankan lebih lama akan mempunyai tingkat efisiensi yang lebih tinggi sehingga mampu menghasilkan profitabilitas yang lebih besar. Dengan demikian tingkat pengembalian kredit debitur yang mempunyai usaha lama akan lebih baik daripada debitur yang baru merintis usahanya.
Page | 59
Gambar 3.9 Pie Chart perbandingan lama usaha debitur • Jangka waktu Berdasarkan hasil pengumpulan data, dapat dilihat bahwa 67% debitur kredit Y mengambil jangka waktu pinjaman 24 bulan atau 2 tahun untuk melunasi kreditnya. Hanya 9% debitur saja yang mengambil jangka waktu pinjaman kurang dari 12 bulan untuk melunasi kreditnya.
Gambar 3.10 Pie Chart perbandingan jangka waktu pinjaman debitur • Tujuan penggunaan kredit Berdasarkan hasil pengumpulan data, dapat dilihat bahwa mayoritas debitur yaitu sebesar 74% yang menggunakan kredit sebagai modal kerja. Sedangkan debitur yang menggunakannya sebagai investasi hanya sebesar 23%.
Page | 60
Gambar 3.11 Pie Chart perbandingan tujuan penggunan kredit debitur • Rasio penerimaan bersih/angsuran Rasio penerimaan bersih per angsuran menunjukkan kemampuan debitur dalam membayar cicilan kredit kepada bank. Nilai 1,33 didapat dari 100% dibagi 75%. Nilai 75% tersebut didapat dari ketentuan bank yang menyebutkan bahwa angsuran kredit tidak boleh lebih dari 75% dari penerimaan bersih. Nilai 75% ini dapat berbeda-beda untuk setiap bank. Sedangkan bank X sendiri menentukan nilai 75% dikalikan penghasilan untuk mendapatkan tingkat repayment capacity. Nilai rasio penerimaan bersih/angsuran yang lebih besar dari 1,33 menunjukkan kemampuan membayar kredit yang baik karena hal itu berarti jumlah penerimaan bersih debitur lebih besar daripada angsuran kredit Yang harus dibayar. Berdasarkan hasil pengumpulan data, dapat dilihat bahwa 96% debitur kredit Y mempunyai rasio penerimaan bersih/angsuran diatas 1,33. Hal ini berarti debitur telah mempunyai tingkat kemampuan membayar angsuran yang cukup baik
Gambar 3.12 Pie Chart perbandingan rasio penerimaan bersih/angsuran debitur
Page | 61
• Mempunyai pelanggan tetap Berdasarkan hasil pengumpulan data, dapat dilihat bahwa sebagian besar debitur yaitu sebanyak 5183 orang atau 87,85% mempunyai pelanggan tetap. Sedangkan hanya 717 orang atau 12,15% yang tidak mempunyai pelanggan tetap. Variabel ini merupakan salah satu variabel yang harus mendapat perhatian sebagai faktor penentu keputusan kredit. Karena jika debitur mempunyai pelanggan tetap untuk usahanya maka diharapkan usahanya akan memiliki tingkat profitabilitas yang stabil daripada debitur yang tidak mempunyai pelanggan tetap.
Gambar 3.13 Histogram perbandingan pelanggan tetap debitur • Penjualan dipengaruhi musim Berdasarkan hasil pengumpulan data, dapat dilihat bahwa 5231 debitur atau sebesar 88,7% penjualan debitur tidak dipengaruhi oleh musim. Sedangkan hanya 669 debitur yang penjualannya dipengaruhi oleh musim.
Gambar 3.14 Histogram perbandingan penjualan debitur dipengaruhi musim
Page | 62
• Terjamin kontinuitas bahan baku Berdasarkan hasil pengumpulan data, dapat dilihat bahwa sebanyak 5574 debitur atau sebesar 94,5% yang bahan baku usahanya terjamin kontinuitasnya. Sedangkan hanya 326 debitur yang bahan baku usahanya tidak terjamin kontinuitasnya.
Gambar 3.15 Histogram perbandingan kontinuitas bahan baku usaha debitur • Bahan baku dipengaruhi musim Berdasarkan hasil pengumpulan data, dapat dilihat bahwa 5360 debitur atau sebesar 90,8% yang bahan baku usahanya dipengaruhi musim. Sedangkan hanya 540 debitur yang bahan baku usahanya dipengaruhi oleh musim.
Gambar 3.16 Histogram perbandingan bahan baku usaha debitur dipengaruhi musim
Page | 63
Collateral Collateral adalah barang-barang yang diserahkan calon debitur sebagai
agunan terhadap kredit yang diterimanya. Sehingga risiko pemberian kredit dapat dikurangi sebagian atau seluruhnya dengan meminta collateral yang baik kepada calon debitur. Yang merupakan collateral adalah variabel jenis bukti kepemilikan dan variabel LTV (loan total value). Berikut ini adalah penjelasan mengenai analisa collateral : • Jenis bukti kepemilikan Undang-undang perbankan yang lama, yaitu UU No. 14/1967 pasal 24(1) menentukan bahwa : ”bank umum tidak memberi kredit tanpa jaminan kepada siapapun”. Dengan demikian, pemberian kredit tidak dapat dilepaskan dari pemberian jaminan oleh debitur. Jaminan kredit dapat diartikan sebagai penyerahan kekayaan atau pernyataan kesanggupan seseorang untuk menanggung pembayaran kembali suatu utang. Bagi bank, jaminan kredit berguna untuk : memberikan hak dan kekuasaan untuk mendapatkan pelunasan dengan barang-barang jaminan tersebut bila debitur tidak dapat memenuhi kewajibannya. Menjamin agar debitur berperan serta dalam transaksi untuk membiayai usahanya, sehingga kemungkinan untuk meninggalkan usahanya dengan merugikan diri sendiri atau perusahaannya dapat dicegah atau sekurang-kurangnya kemungkinan untuk dapat berbuat demikian diperkecil terjadinya. memberi dorongan kepada debitur untuk memenuhi syarat-syarat yang telah disetujui agar ia tidak kehilangan kekayaan yang telah dijaminkan kepada bank. Jaminan berupa tanah dan bangunan merupakan bentuk yang paling banyak diterima karena merupakan jaminan yang solid. Bentuk kepemilikan dari tanah adalah sertifikat tanah yang dapat berupa Sertifikat Hak Milik (SHM), Sertifikat Hak Guna Bangunan (HGB). Selain tanah dan bangunan, kendaraan bermotor juga banyak dijaminkan.
Page | 64
Berdasarkan hasil pengumpulan data, dapat dilihat bahwa 65% debitur mengagunkan sertifikat hak milik sebagai bukti kepemilikan atas tanah terdapat bangunan atau tanah tanpa bangunan. Sedangkan hanya 25% debitur yang mengagunkan BPKB sebagai bukti kepemilikan kendaraan bermotor.
Gambar 3.17 Pie Chart perbandingan jenis bukti kepemilikan debitur • LTV (Loan Total Value) LTV atau loan total value didapat dari nilai pasar agunan dibagi plafond kredit. LTV ini menunjukkan apakah agunan yang dimiliki oleh debitur (misalnya: tanah, kendaraan bermotor, inventaris/barang/perabot) dapat menutupi pinjaman yang dilakukan. Nilai LTV baik jika nilainya diatas 100%. Hal itu berarti, agunan yang dimiliki oleh debitur 100% dapat mengcover pinjaman yang dilakukan. Berdasarkan hasil pengumpulan data, dapat dilihat bahwa hanya 1,59% debitur yang nilai LTV nya dibawah 100%. Sedangkan sisanya, berada di atas 100%
Gambar 3.18 Pie Chart perbandingan LTV debitur
Page | 65
Condition of Economy Condition of economy yaitu situasi dan kondisi politik, sosial, ekonomi,
budaya yang mempengaruhi keadaan perekonomian pada suatu saat yang kemungkinan akan mempengaruhi kelancaran usaha mikro calon debitur. Kondisi makro yang dapat mempengaruhi usaha debitur, antara lain adalah kebijakan pemerintah, perubahan nilai tukar rupiah dan inflasi.
3.2.3 Hasil perhitungan
Untuk menganalisa variabel mana yang akan berpengaruh pada keputusan kredit, maka dilakukan pengujian statistik non parametik chi-square dan analisis korelasi peringkat spearman.
3.2.3.1 Analisis statistik chi-square
Prosedur pengujian menggunakan statistic non parametric chi-square digunakan untuk menguji keselarasan yang dilakukan untuk memeriksa ketergantungan dan homogenitas. Uji chi-square ini digunakan untuk menguji apakah frekuensi data yang diamati dari suatu variabel kategorik (categorical variable) sesuai (fit) dengan frekuensi harapan (expected frequencies).
Hipotesis untuk uji chi-square selalu berbentuk uji hipotesis dua sisi (two sided atau two tailed) dengan hipotesis : Ho : Tidak terdapat hubungan antara risiko default dan variabel ke-n H1 : Terdapat hubungan antara risiko default dan variabel ke-n dimana : n = 1, 2, 3,…., 17 Berdasarkan hasil perhitungan uji chi-square, maka didapat hasil sebagai berikut :
Page | 66
Tabel 3.3 Hasil uji chi-square No
Variabel
hasil
chi-square test asymp.sig
hipotesis
74,659
0
tolak Ho
0,253
0,615
terima Ho
nilai
1
Usia
2
Jenis kelamin
3
Debitur lama/baru
11,114
0,001
tolak Ho
4
Lama usaha (tahun)
14,056
0,015
tolak Ho
5
Status perkawinan
6,143
0,046
tolak Ho
6
Pendidikan terakhir
21,706
0
tolak Ho
7
Mempunyai usaha sampingan
48,633
0
tolak Ho
8
Jenis bidang Usaha
103,984
0
tolak Ho
9
Jangka waktu (bulan)
418,641
0
tolak Ho
10
Tujuan penggunaan kredit
211,166
0
tolak Ho
11
Rasio penerimaan bersih/angsuran
7,854
0,048
tolak Ho
0
tolak Ho
12
Mempunyai pelanggan tetap
64,142
13
Penjualan dipengaruhi Musim
2,564
0,109
terima Ho
14
Terjamin kontinuitas bahan baku
2,943
0,086
terima Ho
15
Bahan baku dipengaruhi musim
1,571
0,21
terima Ho
16
Jenis bukti kepemilikan
81,291
0
tolak Ho
17
LTV (Loan Total Value)
45,839
0
tolak Ho
nilai pasar agunan/plafond kredit
Dari tabel diatas, dapat dilihat bahwa kolom asymp.sig (two sided) menunjukkan nilai probabilitas. Jika probabilitasnya > 0,05, maka Ho diterima. Namun jika probabilitasnya < 0,05 maka H1 ditolak. Berdasarkan hasil perhitungan tersebut, dapat dilihat bahwa variabel jenis kelamin, variabel penjualan dipengaruhi musim, variabel kontinuitas bahan baku, variabel bahan baku dipengaruhi musim mempunyai nilai probabilitas > 0,05. Oleh karena itu hipotesis Ho diterima. Hal ini berarti tidak terdapat hubungan antara risiko default dengan variabel jenis kelamin, variabel penjualan dipengaruhi musim, variabel kontinuitas bahan baku, variabel bahan baku dipengaruhi musim. Sedangkan variabel lainnya yaitu variabel usia, variabel debitur lama/baru, variabel lama usaha, variabel status perkawinan, variabel pendidikan terakhir, variabel mempunyai usaha sampingan, variabel jenis bidang usaha, variabel jangka waktu, variabel tujuan penggunaan kredit, variabel rasio penerimaan bersih/angsuran, variabel mempunyai pelanggan tetap, variabel jenis bukti kepemilikan dan variabel LTV mempunyai nilai probabilitas < 0,05. Oleh
Page | 67
karena itu hipotesis Ho ditolak. Hal ini berarti terdapat hubungan antara risiko default dengan variabel usia, variabel debitur lama/baru, variabel lama usaha, variabel status perkawinan, variabel pendidikan terakhir, variabel mempunyai usaha sampingan, variabel jenis bidang usaha, variabel jangka waktu, variabel tujuan penggunaan kredit, variabel rasio penerimaan bersih/angsuran, variabel mempunyai pelanggan tetap, variabel jenis bukti kepemilikan dan variabel LTV.
3.2.3.2Analisis korelasi peringkat Spearman
Koefisien korelasi peringkat Spearman (Spearman’s rank correlation) digunakan untuk mengukur hubungan antara dua variabel dimana kedua variabel berbentuk peringkat (rank) atau kedua variabel berskala ordinal. Bentuk hipotesisnya adalah sebagai berikut : Ho : Tidak terdapat hubungan antara peringkat risiko default dan variabel ke-n H1 : Terdapat hubungan antara peringkat risiko default dan variabel ke-n dimana : n = 1, 2, 3,…., 17 Berdasarkan hasil perhitungan uji korelasi Spearman, maka didapat hasil sebagai berikut :
Page | 68
Tabel 3.4 Hasil uji korelasi Spearman No
Variabel
spearman correlation nilai
sig (2-tailed)
hasil hipotesis
1
Usia
-0,103
0
tolak Ho
2
Jenis kelamin
0,007
0,615
terima Ho
3
Debitur lama/baru
-0,043
0,001
tolak Ho
4
Lama usaha (tahun)
-0,048
0
tolak Ho
5
Status perkawinan
-0,031
0,01
tolak Ho
6
Pendidikan terakhir
-0,057
0
tolak Ho
7
Mempunyai usaha sampingan
0,091
0
tolak Ho
8
Jenis bidang Usaha
-0,074
0
tolak Ho
9
Jangka waktu (bulan)
-0,26
0
tolak Ho
10
Tujuan penggunaan kredit
-0,178
0
tolak Ho
11
Rasio penerimaan bersih/angsuran
-0,009
0,006
tolak Ho
0
tolak Ho
12
Mempunyai pelanggan tetap
0,104
13
Penjualan dipengaruhi Musim
-0,021
0,109
terima Ho
14
Terjamin kontinuitas bahan baku
0,016
0,21
terima Ho
15
Bahan baku dipengaruhi musim
-0,022
0,086
terima Ho
16
Jenis bukti kepemilikan
-0,069
0
tolak Ho
17
LTV (Loan Total Value)
-0,082
0
tolak Ho
nilai pasar agunan/plafond kredit
Dari tabel diatas, dapat dilihat bahwa kolom sig (2-tailed) menunjukkan nilai probabilitas. Jika probabilitasnya > 0,01, maka Ho diterima. Namun jika probabilitasnya < 0,01 maka H1 ditolak. Berdasarkan hasil perhitungan tersebut, dapat dilihat bahwa variabel jenis kelamin, variabel penjualan dipengaruhi musim, variabel kontinuitas bahan baku, variabel bahan baku dipengaruhi musim mempunyai nilai probabilitas > 0,01. Oleh karena itu hipotesis Ho diterima. Hal ini berarti tidak terdapat hubungan antara peringkat risiko default dengan variabel jenis kelamin, variabel penjualan dipengaruhi musim, variabel kontinuitas bahan baku, variabel bahan baku dipengaruhi musim. Sedangkan variabel lainnya yaitu variabel usia, variabel debitur lama/baru, variabel lama usaha, variabel status perkawinan, variabel pendidikan terakhir, variabel mempunyai usaha sampingan, variabel jenis bidang usaha, variabel jangka waktu, variabel tujuan penggunaan kredit, variabel rasio penerimaan bersih/angsuran, variabel mempunyai pelanggan tetap, variabel jenis bukti
Page | 69
kepemilikan dan variabel LTV mempunyai nilai probabilitas < 0,01. Oleh karena itu hipotesis Ho ditolak. Hal ini berarti terdapat hubungan antara peringkat risiko default dengan variabel usia, variabel debitur lama/baru, variabel lama usaha, variabel status perkawinan, variabel pendidikan terakhir, variabel mempunyai usaha sampingan, variabel jenis bidang usaha, variabel jangka waktu, variabel tujuan penggunaan kredit, variabel rasio penerimaan bersih/angsuran, variabel mempunyai pelanggan tetap, variabel jenis bukti kepemilikan dan variabel LTV. Berdasarkan hasil uji statistik diatas, dapat diambil kesimpulan bahwa variabel yang akan berpengaruh dalam penentuan keputusan pemberian kredit adalah variabel usia, variabel debitur lama/baru, variabel lama usaha, variabel status perkawinan, variabel pendidikan terakhir, variabel mempunyai usaha sampingan, variabel jenis bidang usaha, variabel jangka waktu, variabel tujuan penggunaan kredit, variabel rasio penerimaan bersih/angsuran, variabel mempunyai pelanggan tetap, variabel jenis bukti kepemilikan dan variabel LTV.
3.2.4 Analisis kredit bermasalah
Berikut ini akan dianalisis masing-masing variabel yang akan menentukan kredit macet atau lancar. Masing-masing variabel akan dibuat crosstabulation yang akan menunjukkan persentase kredit lancar dan kredit macet untuk masingmasing atribut dari setiap variabel. Hasil persentase dari crosstabulation ini tidak dapat digunakan untuk membandingkan kemungkinan kredit macet dari tiap atribut karena masing-masing atribut mempunyai jumlah total kredit Yang berbeda. Oleh karena itu berdasarkan hasil crosstabulation, akan dilakukan uji proporsi dengan jumlah sample yang berbeda pada setiap variabel untuk melihat apakah terdapat perbedaan proporsi antara atribut-atribut tersebut. Usia Berdasarkan hasil crosstabulation dapat dilihat bahwa, untuk usia dibawah 21 tahun, dari 7 orang debitur maka persentase kredit lancar lebih besar daripada persentase kredit macet yaitu sebesar 71,43%. Sedangkan untuk usia antara 21-30 tahun, dari 429 orang debitur maka persentase kredit macet lebih besar daripada
Page | 70
kredit lancar yaitu sebesar 58,04%. Sedangkan untuk usia diatas 50 tahun, persentase kredit lancar lebih besar daripada kredit macet yaitu sebesar 58,36%. Untuk lebih jelasnya dapat dilihat pada tabel di bawah ini : Tabel 3.5 Crosstab variabel usia Usia kredit
< 21
>= 21 dan < 30
>= 30 dan < 40
>=40 dan < 50
>=50
jml
persentase
jml
persentase
jml
persentase
jml
persentase
jml
persentase
lancar macet
5 2
71,43% 28,57%
180 249
41,96% 58,04%
769 905
45,94% 54,06%
998 1082
47,98% 52,02%
998 712
58,36% 41,64%
total
7
100%
429
100%
1674
100%
2080
100%
1710
100%
Total 2950 2950 5900
Berdasarkan hasil crosstabulation, akan dilakukan uji proporsi untuk melihat apakah terdapat perbedaan antara proporsi masing-masing rentang usia. Berikut ini adalah hasil perhitungan uji proporsi : Tabel 3.6 Uji proporsi variabel usia No
Variabel
1
USIA
rating
Hipotesis
4
Ho : H1 : Ho : H1 : Ho : H1 : Ho : H1 : Ho : H1 : Ho : H1 : Ho : H1 :
2
Ho
0 1 0 2 0 3 0 4 1 2 1 3 1
atribut
Jumlah macet
Total kredit
2
7
249
429
2
7
905
1674
2
7
1082
2080
p1=p2
p1
< 21
p1>p2
p2
>= 21 dan < 30
p1=p2
p1
< 21
p1>p2
p2
>= 30 dan < 40
p1=p2
p1
< 21
p1>p2
p2
>=40 dan < 50
p1=p2
p1
< 21
2
7
p1>p2
p2
>=50
712
1710
p1=p2
p1
>= 21 dan < 30
249
429
p1>p2
p2
>= 30 dan < 40
905
1674
p1=p2
p1
>= 21 dan < 30
249
429
p1>p2
p2
>=40 dan < 50
1082
2080
p1=p2
p1
>= 21 dan < 30
249
429
p1>p2
p2
>=50
712
1710
p1=p2
p1
>= 30 dan < 40
905
1674
Z hitung
kesimpulan
hasil
-1,565
terima Ho
p1=p2
-1,350
terima Ho
p1=p2
1,980
tolak Ho
p1>p2
2,196
tolak Ho
p1>p2
1,478
terima Ho
p1=p2
2,276
tolak Ho
p1>p2
6,107
tolak Ho
p1>p2
2,246
tolak Ho
p1=p2
Page | 71
: 3 2 4 3 4
H1 : Ho : H1 : Ho : H1 :
p1>p2
p2
>=40 dan < 50
1082
2080
p1=p2
p1
>= 30 dan < 40
905
1674
p1>p2
p2
>=50
712
1710
p1=p2
p1
>=40 dan < 50
1082
2080
p1>p2
p2
>=50
712
1710
7,234
tolak Ho
p1>p2
6,370
tolak Ho
p1>p2
Uji proporsi ini menggunakan tingkat kepercayaan sebesar 95%, sehingga nilai α adalah 0,05. Berdasarkan tabel Z, maka didapat bahwa bila Z hitung < 1,65 maka hipotesis Ho diterima. Untuk lebih jelasnya lagi dapat dilihat contoh perhitungan untuk proporsi debitur berusia < 21 tahun dan proporsi debitur berusia ≥ 21 -30 tahun, dibawah ini : Hipotesis : Ho : p1 = p2 H1 : p1 > p2 Dimana : p1 = proporsi sample debitur usia < 21 tahun p2 = proporsi sample debitur usia ≥ 21-30 tahun
Diketahui : x1 = jumlah kredit macet di sample debitur usia < 21 tahun = 2 x2 = jumlah kredit macet di sample debitur usia ≥ 21-30 tahun = 249 n1 = jumlah sample debitur usia < 21 tahun = 7 n2 = jumlah sample debitur usia ≥ 21-30 tahun = 429 tingkat kepercayaan = 95% α = 0,05
Page | 72
p1 =
x1 2 = = 0,286 n1 7
p2 =
x2 249 = = 0,58 n2 429
pc =
x1 + x 2 2 + 249 = = 0,576 n1+ n 2 7 + 429
z hitung =
p1 − p 2
p c (1 − p c ) n1
=
+
p c (1 − p c ) n2
0,286 − 0,58 0,576 (1 − 0,576) 0,576 (1 − 0,576) + 7 429
= − 1,565
Berdasarkan tabel Z, didapat bahwa bila Z hitung > Z0,05 maka tolak Ho. Sedangkan Z0,05 = 1,65. Maka karena Z hitung < 1,65 maka terima Ho. Hal ini menunjukkan bahwa tidak ada perbedaan proporsi antara debitur yang berusia < 21 tahun dan proporsi debitur berusia ≥ 21 -30 tahun. Setelah kesimpulan diperoleh, maka selanjutnya akan dibuat peringkat atau rangking yang menunjukkan proporsi atribut mana yang akan mengalami kemungkinan macet lebih besar. Berdasarkan tabel di bawah ini, dapat dilihat bahwa proporsi debitur yang berusia <21 tahun, ≥21-30 tahun dan ≥30-40 tahun mempunyai kemungkinan yang sama untuk mengalami kredit macet. Tabel 3.7 Peringkat variabel usia No
Variabel
Peringkat
1
Usia
1
Atribut < 21
>= 21 dan < 30
>= 30 dan < 40
2
>=40 dan < 50
3
>=50
Debitur lama/baru Berdasarkan hasil crosstabulation dapat dilihat bahwa, dari 1563 debitur baru, kemungkinan mengalami kredit macet adalah sebesar 53,16%. Sedangkan dari 4337 debitur lama, kemungkinan mengalami kredit macet adalah sebesar 48,7%. Untuk lebih jelasnya dapat dilihat pada tabel di bawah ini :
Page | 73
Tabel 3.8 Crosstab variabel debitur lama/baru kredit lancar macet total
jml 725 838 1563
Debitur lama/baru baru lama persentase jml persentase 46,39% 2225 51,30% 53,61% 2112 48,70% 100% 4337 100%
Total 2950 2950 5900
Berdasarkan hasil crosstabulation, akan dilakukan uji proporsi untuk melihat apakah terdapat perbedaan antara proporsi debitur baru dan proporsi debitur lama. Berikut ini adalah hasil perhitungan uji proporsi :
Tabel 3.9 Uji proporsi variabel debitur lama/baru No
Variabel
rating
Debitur
0
lama/baru
1
2
Hipotesis Ho : H1 :
atribut
Jumlah macet
Total kredit
p1=p2
p1
baru
838
1563
p1>p2
p2
lama
2112
4337
Z hitung
kesimpulan
hasil
3,334
tolak Ho
p1>p2
Setelah kesimpulan diperoleh, maka selanjutnya akan dibuat peringkat atau rangking yang menunjukkan proporsi atribut mana yang akan mengalami kemungkinan macet lebih besar. Berdasarkan tabel di bawah ini, dapat dilihat bahwa proporsi debitur baru mempunyai kemungkinan yang besar untuk mengalami kredit macet bila dibandingkan debitur lama. Tabel 3.10 Peringkat variabel debitur lama/baru No 2
Variabel Debitur lama/baru
Lama usaha (tahun)
Page | 74
Peringkat
Atribut
1
debitur baru
2
debitur lama
Berdasarkan hasil crosstabulation dapat dilihat bahwa, dari 456 debitur yang lama usahanya dibawah 3 tahun, kemungkinan mengalami kredit macet adalah sebesar 54,16%. Sedangkan dari 972 debitur yang lama usahanya antara 9-12 tahun, kemungkinan mengalami kredit macet sebesar 48,56%. Untuk lebih jelasnya dapat dilihat pada tabel di bawah ini : Tabel 3.11 Crosstab variabel lama usaha kredit lancar macet total
jml
<3 persentase
207 249 456
45,39% 54,61% 100%
>= 3 dan < 6 jml persentase 890 957 1847
48,19% 51,81% 100%
lama usaha (tahun) >= 6 dan < 9 >=9 dan < 12 jml persentase jml persentase 598 612 1210
49,42% 50,58% 100%
500 472 972
51,44% 48,56% 100%
>=12 dan < 16 jml persentase 208 192 400
52,00% 48,00% 100%
jml
>=16 persentase
547 468 1015
53,89% 46,11% 100%
Berdasarkan hasil crosstabulation, akan dilakukan uji proporsi untuk melihat apakah terdapat perbedaan antara proporsi masing-masing rentang lama usaha. Berikut ini adalah hasil perhitungan uji proporsi : Tabel 3.12 Uji proporsi variabel lama usaha No 3
Variabel
rating
lama usaha (tahun)
0 1 0 2 0 3 0 4 0 5 1
Hipotesis Ho : H1 : Ho : H1 : Ho : H1 : Ho : H1 : Ho : H1 : Ho :
atribut
Jumlah macet
Total kredit
p1=p2
p1
<3
249
456
p1>p2
p2
>=3 dan < 6
957
1847
p1=p2
p1
<3
249
456
p1>p2
p2
>=6 dan < 9
612
1210
p1=p2
p1
<3
249
456
p1>p2
p2
>=9 dan < 12
472
972
p1=p2
p1
<3
249
456
p1>p2
p2
>= 12 dan < 16
192
400
p1=p2
p1
<3
249
456
p1>p2
p2
>= 16
468
1015
p1=p2
p1
>=3 dan < 6
957
1847
Z hitung
kesimpulan
hasil
1,069
terima Ho
p1=p2
1,466
terima Ho
p1=p2
2,130
tolak Ho
p1>p2
1,929
tolak Ho
p1>p2
3,015
tolak Ho
p1>p2
0,668
terima Ho
p1=p2
Page | 75
2 1 3 1 4 1 5 2 3 2 4 2 5 3 4 3 5 4 5
H1 : Ho : H1 : Ho : H1 : Ho : H1 : Ho : H1 : Ho : H1 : Ho : H1 : Ho : H1 : Ho : H1 : Ho : H1 :
p1>p2
p2
>=6 dan < 9
612
1210
p1=p2
p1
>=3 dan < 6
957
1847
p1>p2
p2
>=9 dan < 12
472
972
p1=p2
p1
>=3 dan < 6
957
1847
p1>p2
p2
>= 12 dan < 16
192
400
p1=p2
p1
>=3 dan < 6
957
1847
p1>p2
p2
>= 16
468
1015
p1=p2
p1
>=6 dan < 9
612
1210
p1>p2
p2
>=9 dan < 12
472
972
p1=p2
p1
>=6 dan < 9
612
1210
p1>p2
p2
>= 12 dan < 16
192
400
p1=p2
p1
>=6 dan < 9
612
1210
p1>p2
p2
>= 16
468
1015
p1=p2
p1
>=9 dan < 12
472
972
p1>p2
p2
>= 12 dan < 16
192
400
p1=p2
p1
>=9 dan < 12
472
972
p1>p2
p2
>= 16
468
1015
p1=p2
p1
>= 12 dan < 16
192
400
p1>p2
p2
>= 16
468
1015
1,643
terima Ho
p1=p2
1,383
terima Ho
p1=p2
2,920
tolak Ho
p1>p2
0,937
terima Ho
p1=p2
0,894
terima Ho
p1=p2
2,101
tolak Ho
p1>p2
0,189
terima Ho
p1=p2
1,094
terima Ho
p1=p2
0,642
terima Ho
p1=p2
Setelah kesimpulan diperoleh, maka selanjutnya akan dibuat peringkat atau rangking yang menunjukkan proporsi atribut mana yang akan mengalami kemungkinan macet lebih besar. Berdasarkan tabel di bawah ini, dapat dilihat bahwa proporsi debitur yang lama usahanya dibawah 3 tahun, antara 3-5 tahun, dan antara 6-8 tahun mempunyai kemungkinan yang besar untuk mengalami kredit macet bila dibandingkan debitur yang lain. Tabel 3.13 Peringkat variabel lama usaha No
Variabel
Peringkat
3
Lama usaha
1
<3
>=3 dan < 6
>=6 dan < 9
(tahun)
2
>=9 dan < 12
>= 12 dan < 16
>= 16
Page | 76
Atribut
Status perkawinan Berdasarkan hasil crosstabulation dapat dilihat bahwa, dari 139 orang debitur yang berstatus duda/janda kemungkinan mengalami kredit macet adalah sebesar 53,24%. Sedangkan dari 280 orang debitur yang belum menikah, kemungkinan mengalami kredit macet adalah sebesar 56,79%. Sedangkan dari 5481 orang debitur yang telah menikah kemungkinan mengalami kredit macet adalah sebesar 49,57%. Untuk lebih jelasnya dapat dilihat pada tabel di bawah ini : Tabel 3.14 Crosstab variabel status perkawinan kredit lancar macet total
duda/janda jml persentase 65 46,76% 74 53,24% 139 100%
status perkawinan belum menikah menikah jml persentase jml persentase 121 43,21% 2764 50,43% 159 56,79% 2717 49,57% 280 100% 5481 100%
Total 2950 2950 5900
Berdasarkan hasil crosstabulation, akan dilakukan uji proporsi untuk melihat apakah
terdapat
perbedaan
antara
proporsi
debitur
berdasarkan
status
perkawinannya. Berikut ini adalah hasil perhitungan uji proporsi :
Tabel 3.15 Uji proporsi variabel status perkawinan No
Variabel
rating
0 1 4
status perkawinan
0 2 1 2
Hipotesis Ho : H1 : Ho : H1 : Ho : H1 :
atribut
Jumlah macet
Total kredit
p1=p2
p1
Duda/Janda
74
139
p1>p2
p2
Belum menikah
159
280
p1=p2
p1
Duda/Janda
74
139
p1>p2
p2
Menikah
2717
5481
p1=p2
p1
Belum menikah
159
280
p1>p2
p2
Menikah
2717
5481
Z hitung
kesimpulan
hasil
-0,688
terima Ho
p1=p2
0,854
terima Ho
p1=p2
2,355
tolak Ho
p1>p2
Page | 77
Setelah kesimpulan diperoleh, maka selanjutnya akan dibuat peringkat atau rangking yang menunjukkan proporsi atribut mana yang akan mengalami kemungkinan macet lebih besar. Berdasarkan tabel di bawah ini, dapat dilihat bahwa proporsi debitur yang berstatus duda/janda dan proporsi debitur yang belum menikah mempunyai kemungkinan yang sama untuk mengalami kredit macet. Tabel 3.16 Peringkat variabel status perkawinan No
Variabel
Peringkat
4
Status perkawinan
1
Atribut Duda/janda
2
belum menikah Menikah
Pendidikan terakhir Berdasarkan hasil crosstabulation dapat dilihat bahwa, dari 3200 debitur lulusan SMP kemungkinan akan mengalami kredit macet sebesar 52,44%. Sedangkan dari 203 debitur yang lulusan S1 kemungkinan akan mengalami kredit macet sebesar 42,86%. Untuk lebih jelasnya dapat dilihat pada tabel di bawah ini : Tabel 3.17 Crosstab variabel pendidikan terakhir kredit
lancar mace t total
<=SMP persentas jml e 152 47,56% 2 167 52,44% 8 320 100% 0
jml 125 6 115 1 240 7
pendidikan terakhir SMA D3 persentas jm persentas e l e
jml
>=S1 persentas e
52,18%
56
62,22%
11 6
57,14%
47,82%
34
37,78%
87
42,86%
100%
90
100%
20 3
100%
Tota l 295 0 295 0 590 0
Berdasarkan hasil crosstabulation, akan dilakukan uji proporsi untuk melihat apakah terdapat perbedaan antara proporsi debitur berdasarkan pendidikan terakhirnya. Berikut ini adalah hasil perhitungan uji proporsi : Tabel 3.18 Uji proporsi variabel pendidikan terakhir
Page | 78
No
Variabel
rating
0 1 0 2 0 5
pendidikan terakhir
3 1 2 1 3 2 3
Hipotesis Ho : H1 : Ho : H1 : Ho : H1 : Ho : H1 : Ho : H1 : Ho : H1 :
atribut
Jumlah macet
Total kredit
p1=p2
p1
<=SMP
1678
3200
p1>p2
p2
SMA
1151
2407
p1=p2
p1
<=SMP
1678
3200
p1>p2
p2
D3
34
90
p1=p2
p1
<=SMP
1678
3200
p1>p2
p2
>=S1
87
203
p1=p2
p1
SMA
1151
2407
p1>p2
p2
D3
34
90
p1=p2
p1
SMA
1151
2407
p1>p2
p2
>=S1
87
203
p1=p2
p1
D3
34
90
p1>p2
p2
>=S1
87
203
Z hitung
kesimpulan
hasil
3,424
tolak Ho
p1>p2
2,745
tolak Ho
p1>p2
2,649
tolak Ho
p1>p2
1,873
tolak Ho
p1>p2
1,360
terima Ho
p1=p2
-0,815
terima Ho
p1=p2
Setelah kesimpulan diperoleh, maka selanjutnya akan dibuat peringkat atau rangking yang menunjukkan proporsi atribut mana yang akan mengalami kemungkinan macet lebih besar. Berdasarkan tabel di bawah ini, dapat dilihat bahwa peringkat pertama debitur yang akan mengalami kredit macet adalah debitur lulusan SMP atau dibawahnya, dilanjutkan oleh debitur lulusan SMA. Sedangkan debitur lulusan D3 dan S1 yang memiliki proporsi yang sama, berada di peringkat terakhir untuk kemungkinan mengalami kredit macet. Tabel 3.19 Peringkat variabel pendidikan terakhir No
Variabel
Peringkat
Atribut
5
pendidikan terakhir
1
<=SMP
2
SMA
3
D3
>=S1
Mempunyai usaha sampingan Berdasarkan hasil crosstabulation dapat dilihat bahwa, dari 1686 orang debitur yang mempunyai usaha sampingan kemungkinan mengalami macet adalah sebesar 42,82%. Sedangkan dari 4214 orang debitur kemungkinan mengalami
Page | 79
macet adalah sebesar 52,87%. Untuk lebih jelasnya dapat dilihat pada tabel di bawah ini : Tabel 3.20 Crosstab variabel usaha sampingan kredit jml lancar macet total
964 722 1686
punya usaha sampingan ya tidak persentase jml persentase 57,18% 42,82% 100%
1986 2228 4214
47,13% 52,87% 100%
Total 2950 2950 5900
Berdasarkan hasil crosstabulation, akan dilakukan uji proporsi untuk melihat apakah terdapat perbedaan antara proporsi debitur yang mempunyai usaha sampingan dan proporsi debitur yang tidak mempunyai usaha sampingan. Berikut ini adalah hasil perhitungan uji proporsi : Tabel 3.21 Uji proporsi variabel usaha sampingan No
Variabel
rating 0
6
punya usaha sampingan
1
Hipotesis Ho : H1 :
p1=p2 p1>p2
atribut p1 p2
Ya Tidak
Jumlah macet
Total kredit
722
1686
2228
Z hitung
kesimpulan
hasil
-6,974
terima Ho
p1=p2
4214
Setelah kesimpulan diperoleh, maka selanjutnya akan dibuat peringkat atau rangking yang menunjukkan proporsi atribut mana yang akan mengalami kemungkinan macet lebih besar. Berdasarkan tabel di bawah ini, dapat dilihat bahwa tidak terdapat perbedaan antara proporsi debitur yang mempunyai usaha sampingan dan proporsi debitur yang tidak mempunyai usaha sampingan. Hal ini menunjukkan bahwa debitur yang tidak/mempunyai usaha sampingan mempunyai kemungkinan yang sama untuk mengalami kredit macet.
Page | 80
Tabel 3.22 Peringkat variabel usaha sampingan No
Variabel
Peringkat
6
punya usaha
1
Atribut punya
tidak punya
sampingan
Jenis bidang usaha Berdasarkan hasil crosstabulation dapat dilihat bahwa, dari 971 orang debitur yang mempunyai usaha jasa kemungkinan akan mengalami kredit macet sebesar 48,40%. Sedangkan dari 384 orang debitur yang mempunyai usaha perdagangan kemungkinan mengalami macet sebesar 36,57%. Untuk lebih jelasnya dapat dilihat pada tabel di bawah ini : Tabel 3.23 Crosstab variabel jenis bidang usaha jenis bidang usaha kredit
lancar macet total
jasa
industri pengolahan
pertanian
perdagangan
lain-lain
jml
persentase
jml
persentase
jml
persentase
jml
persentase
jml
persentase
501 470 971
51,60% 48,40% 100%
113 150 263
42,97% 57,03% 100%
1637 1916 3553
46,07% 53,93% 100%
666 384 1050
63,43% 36,57% 100%
33 30 63
52,38% 47,62% 100%
Berdasarkan hasil crosstabulation, akan dilakukan uji proporsi untuk melihat apakah terdapat perbedaan antara proporsi debitur berdasarkan jenis bidang usahanya. Berikut ini adalah hasil perhitungan uji proporsi :
Tabel 3.24 Uji proporsi variabel jenis bidang usaha
Page | 81
Total
2950 2950 5900
No
Variabel
rating 0 1 0 2 0 3 0 4 1
7
jenis bidang usaha
2 1 3 1 4 2 3 2 4 3 4
Hipotesis Ho : H1 : Ho : H1 : Ho : H1 : Ho : H1 : Ho : H1 : Ho : H1 : Ho : H1 : Ho : H1 : Ho : H1 : Ho : H1 :
p1=p2
p1
p1>p2
p2
p1=p2
p1
p1>p2
p2
p1=p2
p1
p1>p2
p2
p1=p2
p1
p1>p2
p2
p1=p2
p1
p1>p2
p2
p1=p2
p1
p1>p2
p2
p1=p2
p1
p1>p2
p2
p1=p2
p1
p1>p2
p2
p1=p2
p1
p1>p2
p2
p1=p2
p1
p1>p2
Jumlah macet
Total kredit
jasa
470
971
Industri pengolahan
150
263
jasa
470
971
Pertanian
1916
3553
jasa
470
971
Perdagangan
384
1050
jasa
470
971
Lain-lain
30
63
Industri pengolahan
150
263
Pertanian
1916
3553
Industri pengolahan
150
263
Perdagangan
384
1050
Industri pengolahan
150
263
Lain-lain
30
63
Pertanian
1916
3553
Perdagangan
384
1050
Pertanian
1916
3553
Lain-lain
30
63
Perdagangan
384
1050
Lain-lain
30
63
atribut
p2
Z hitung
kesimpulan
hasil
-2,483
terima Ho
p1=p2
-3,055
terima Ho
p1=p2
5,380
tolak Ho
p1>p2
0,121
terima Ho
p1=p2
0,976
terima Ho
p1=p2
6,041
tolak Ho
p1>p2
1,350
terima Ho
p1=p2
9,881
tolak Ho
p1>p2
0,995
terima Ho
p1=p2
-1,762
terima Ho
p1=p2
Setelah kesimpulan diperoleh, maka selanjutnya akan dibuat peringkat atau rangking yang menunjukkan proporsi atribut mana yang akan mengalami kemungkinan macet lebih besar. Berdasarkan tabel di bawah ini, dapat dilihat bahwa peringkat pertama debitur yang akan mengalami kredit macet adalah debitur yang bergerak dalam usaha jasa, usaha industri pengolahan, usaha pertanian, usaha lain-lain. Sedangkan debitur yang mempunyai usaha perdagangan berada di peringkat dua kemungkinan kredit macet.
Page | 82
Tabel 3.25 Peringkat variabel jenis bidang usaha No 7
Variabel Jenis bidang usaha
Peringkat 1
Atribut jasa
Industri pengolahan
2
Pertanian
Lain-lain
perdagangan
Jangka waktu pinjaman (bulan) Berdasarkan hasil crosstabulation dapat dilihat bahwa, dari 519 orang debitur yang mempunyai jangka waktu pinjaman dibawah 1 tahun kemungkinan akan mengalami kredit macet sebesar 82,27%. Sedangkan dari 599 orang debitur yang mempunyai jangka waktu pinjaman diatas 3 tahun kemungkinan mengalami kredit macet sebesar 28,21%. Untuk lebih jelasnya dapat dilihat pada tabel di bawah ini : Tabel 3.26 Crosstab variabel jangka waktu pinjaman <=12 persentas e
kredit jml lancar
92
mace t
42 7 51 9
total
17,73% 82,27% 100%
jangka waktu pinjaman (bulan) 18 24 persentas persentas jml jml e e 28 214 35,67% 53,80% 5 3 51 184 46,20% 64,33% 4 0 79 398 100% 100% 9 3
jml
>=36 persentas e
43 0 16 9 59 9
71,79% 28,21% 100%
Tota l
2950 2950 5900
Berdasarkan hasil crosstabulation, akan dilakukan uji proporsi untuk melihat apakah terdapat perbedaan antara proporsi debitur berdasarkan jangka waktu pinjaman. Berikut ini adalah hasil perhitungan uji proporsi : Tabel 3.27 Uji proporsi variabel jangka waktu pinjaman No 8
Variabel Jangka wkt pinjaman (bulan)
rating
0 1 0 2 0 3 1
Hipotesis Ho : H1 : Ho : H1 : Ho : H1 : Ho :
p1=p2
atribut
p1
<= 12
p1>p2
p2
18
p1=p2
p1
<= 12
p1>p2
p2
24
p1=p2
p1
<= 12
p1>p2
p2
>=36
p1=p2
p1
18
Jumlah macet
Total kredit
427
519
514
799
427
519
1840
3983
427
519
169
599
514
799
Z hitung
kesimpulan
hasil
7,043
tolak Ho
p1>p2
15,462
tolak Ho
p1>p2
18,069
tolak Ho
p1>p2
9,357
tolak Ho
p1>p2
Page | 83
2 1 3 2 3
H1 : Ho : H1 : Ho : H1 :
p1>p2
p2
24
p1=p2
p1
18
p1>p2
p2
>=36
p1=p2
p1
24
p1>p2
p2
1840
3983
514
799
169
599
1840
3983
169
599
>=36
13,369
tolak Ho
p1>p2
8,270
tolak Ho
p1>p2
Setelah kesimpulan diperoleh, maka selanjutnya akan dibuat peringkat atau rangking yang menunjukkan proporsi atribut mana yang akan mengalami kemungkinan macet lebih besar. Berdasarkan tabel di bawah ini, dapat dilihat bahwa peringkat pertama debitur yang akan mengalami kredit macet adalah debitur yang mempunyai jangka waktu pinjaman dibawah 12 bulan, dikuti oleh debitur yang mempunyai jangka waktu pinjaman 18 dan 24 bulan. Sedangkan peringkat terakhir kemungkinan terjadinya kredit macet adalah debitur yang mempunyai jangka waktu pinjaman diatas 3 tahun. Tabel 3.28 Peringkat variabel jangka waktu No
Variabel
Peringkat
Atribut
8
Jangka waktu
1
<= 12
(bulan)
2
18
3
24
4
>=36
Tujuan penggunaan kredit Berdasarkan hasil crosstabulation dapat dilihat bahwa, dari 4385 orang debitur yang menggunakan kreditnya untuk berinvestasi kemungkinan mengalami kredit macet sebesar 55,55%. Sedangkan dari 1371 orang debitur yang menggunakan kreditnya untuk modal kerja kemungkinan mengalami kredit macet sebesar 33,63%. Untuk lebih jelasnya dapat dilihat pada tabel di bawah ini : Tabel 3.29 Crosstab variabel tujuan penggunaan kredit tujuan penggunaan kredit kredit
investasi jml
Page | 84
persentase
modal kerja jml
persentase
pengganti modal kerja jml
persentase
Total
lancar macet total
1949 2436 4385
44,45% 55,55% 100%
910 461 1371
66,37% 33,63% 100%
91 53 144
63,19% 36,81% 100%
2950 2950 5900
Berdasarkan hasil crosstabulation, akan dilakukan uji proporsi untuk melihat apakah terdapat perbedaan antara proporsi debitur berdasarkan tujuan penggunaan kredit. Berikut ini adalah hasil perhitungan uji proporsi :
Tabel 3.30 Uji proporsi variabel tujuan penggunaan kredit No
Variabel
rating
Jumlah macet
Total kredit
p1=p2
p1
Modal kerja
2436
4385
p1>p2
p2
Investasi
461
1371
p1=p2
p1
Modal kerja
2436
4385
2
H1 :
p1>p2
p2
Pengganti modal kerja
53
144
1
Ho :
p1=p2
p1
Investasi
461
1371
2
H1 :
p1>p2
p2
Pengganti modal kerja
53
144
1 tujuan penggunaan kredit
atribut
Ho : H1 : Ho :
0
9
Hipotesis
0
Z hitung
kesimpulan
hasil
14,174
tolak Ho
p1>p2
4,449
tolak Ho
p1>p2
-0,767
terima Ho
p1=p2
Setelah kesimpulan diperoleh, maka selanjutnya akan dibuat peringkat atau rangking yang menunjukkan proporsi atribut mana yang akan mengalami kemungkinan macet lebih besar. Berdasarkan tabel di bawah ini, dapat dilihat bahwa peringkat pertama debitur yang akan mengalami kredit macet adalah debitur yang menggunakan kreditnya untuk modal kerja. Sedangkan peringkat keduanya adalah debitur yang menggunakan kreditnya untuk investasi dan pengganti modal kerja. Tabel 3.31 Peringkat variabel tujuan penggunaan kredit No
Variabel
Peringkat
Atribut
9
Tujuan penggunaan
1
Modal kerja
Kredit
2
Investasi
Pengganti modal kerja
Page | 85
Rasio penerimaan bersih/angsuran Berdasarkan hasil crosstabulation dapat dilihat bahwa, dari 236 orang debitur yang nilai rasio penerimaan bersih/angsurannya dibawah 1,33 kemungkinan mengalami macet adalah sebesar 48,73%. Sedangkan dari 4188 orang debitur yang nilai rasio penerimaan bersih/angsurannya antara 1,33-2
kemungkinan
mengalami macet adalah sebesar 50,41%. Untuk lebih jelasnya dapat dilihat pada tabel di bawah ini :
Tabel 3.32 Crosstab variabel rasio penerimaan bersih/angsuran kredit jml lancar mace t total
<1,33 persentas e
12 1 11 5 23 6
51,27% 48,73% 100%
rasio penerimaan bersih/angsuran >=1,33-2 >2-3 persentas persentas jml jml e e 207 49,59% 510 50,40% 7 211 50,41% 502 49,60% 1 418 101 100% 100% 8 2
jml 24 2 22 2 46 4
>3 persentas e 52,16% 47,84% 100%
Tota l 295 0 295 0 590 0
Berdasarkan hasil crosstabulation, akan dilakukan uji proporsi untuk melihat apakah terdapat perbedaan antara proporsi debitur berdasarkan tujuan penggunaan kredit. Berikut ini adalah hasil perhitungan uji proporsi : Tabel 3.33 Uji proporsi variabel rasio penerimaan bersih/angsuran No 10
Variabel
rating
Rasio penerimaan bersih/angsuran
0 1 0 2 0 3 1 2
Page | 86
atribut
Jumlah macet
Total kredit
p1
<1,33
115
236
p2
>= 1,33 - 2
2111
4188
p1
<1,33
115
236
p2
> 2- 3
502
1012
p1
<1,33
115
236
p2
>3
222
464
p1
>= 1,33 - 2
2111
4188
p2
> 2- 3
502
1012
Hipotesis Ho : H1 : Ho : H1 : Ho : H1 : Ho : H1 :
p1=p2 p1>p2 p1=p2 p1>p2 p1=p2 p1>p2 p1=p2 p1>p2
Z hitung
kesimpulan
hasil
-0,501
terima Ho
p1=p2
-0,242
terima Ho
p1=p2
0,221
terima Ho
p1=p2
0,457
terima Ho
p1=p2
1 3 2 3
Ho : H1 : Ho : H1 :
p1=p2 p1>p2 p1=p2 p1>p2
p1
>= 1,33 - 2
2111
4188
p2
>3
222
464
p1
> 2- 3
502
1012
p2
>3
222
464
1,740
tolak Ho
p1>p2
1,690
tolak Ho
p1>p2
Setelah kesimpulan diperoleh, maka selanjutnya akan dibuat peringkat atau rangking yang menunjukkan proporsi atribut mana yang akan mengalami kemungkinan macet lebih besar. Berdasarkan tabel di bawah ini, dapat dilihat bahwa peringkat pertama debitur yang akan mengalami kredit macet adalah debitur yang nilai rasio penerimaan bersih/angsurannya dibawah 1,33, antara 1,33-2 dan antara 2-3. Sedangkan peringkat keduanya adalah debitur yang nilai rasio penerimaan bersih/angsurannya lebih dari 3.
Tabel 3.34 Peringkat variabel rasio penerimaan bersih/angsuran No
Variabel
Peringkat
10
Rasio penerimaan
1
Atribut <1,33
>= 1,33 - 2
> 2- 3
bersih per angsuran 2
>3
Mempunyai pelanggan tetap Berdasarkan hasil crosstabulation dapat dilihat bahwa, dari 5183 orang debitur yang mempunyai pelanggan tetap kemungkinan mengalami kredit macet sebesar 48,06%. Sedangkan dari 717 orang debitur yang tidak mempunyai pelanggan tetap, kemungkinan mengalami kredit macet sebesar 64,02%. Untuk lebih jelasnya dapat dilihat pada tabel di bawah ini : Tabel 3.35 Crosstab variabel pelanggan tetap kredit jml lancar macet total
2692 2491 5183
punya pelanggan tetap ya tidak persentase jml persentase 51,94% 48,06% 100%
258 459 717
35,98% 64,02% 100%
Total 2950 2950 5900
Page | 87
Berdasarkan hasil crosstabulation, akan dilakukan uji proporsi untuk melihat apakah terdapat perbedaan antara proporsi debitur yang mempunyai pelanggan tetap dan proporsi debitur yang tidak pelanggan tetap. Berikut ini adalah hasil perhitungan uji proporsi : Tabel 3.36 Uji proporsi variabel pelanggan tetap No
Variabel
rating
Hipotesis
11
punya pelanggan tetap
0
Ho :
p1=p2
p1
1
H1 :
p1>p2
p2
Jumlah macet
Total kredit
Ya
2491
5183
Tidak
459
717
atribut
Z hitung
kesimpulan
hasil
-8,009
terima Ho
p1=p2
Setelah kesimpulan diperoleh, maka selanjutnya akan dibuat peringkat atau rangking yang menunjukkan proporsi atribut mana yang akan mengalami kemungkinan macet lebih besar. Berdasarkan tabel di bawah ini, dapat dilihat bahwa tidak terdapat perbedaan antara proporsi debitur yang mempunyai pelanggan tetap dan proporsi debitur yang tidak pelanggan tetap. Hal ini menunjukkan bahwa debitur yang tidak/mempunyai usaha sampingan mempunyai kemungkinan yang sama untuk mengalami kredit macet. Tabel 3.37 Peringkat variabel pelanggan tetap No
Variabel
Peringkat
11
punya pelanggan
1
Atribut punya
tidak punya
tetap
Jenis bukti kepemilikan Berdasarkan hasil crosstabulation dapat dilihat bahwa, dari 395 orang debitur yang mempunyai jenis bukti kepemilikan kwitansi kemungkinan mengalami kredit macet sebesar 45,82%. Sedangkan dari 168 orang debitur yang mempunyai jenis bukti kepemilikan letter C kemungkinan mengalami macet sebesar 78,57%. Untuk lebih jelasnya dapat dilihat pada tabel di bawah ini : Tabel 3.38 Crosstab variabel jenis bukti kepemilikan
Page | 88
kwitansi persentas jml e 21 54,18% 4 18 45,82% 1 39 100% 5
kredit
lancar mace t total
jenis bukti kepemilikan letter C BPKP persentas persentas jml jml e e 36 13 2 16 8
21,43%
667
45,28%
78,57%
806
54,72%
100%
147 3
100%
sertifikat persentas jml e 203 52,61% 3 183 47,39% 1 386 100% 4
Tota l 295 0 295 0 590 0
Berdasarkan hasil crosstabulation, akan dilakukan uji proporsi untuk melihat apakah terdapat perbedaan antara proporsi debitur berdasarkan jenis bukti kepemilikan. Berikut ini adalah hasil perhitungan uji proporsi :
Tabel 3.39 Uji proporsi variabel jenis bukti kepemilikan No
12
Variabel
Jenis bukti kepemilikan
rating
Hipotesis
atribut
Jumlah macet
Total kredit
0
Ho :
p1=p2
p1
Kwitansi
181
395
1
H1 :
p1>p2
p2
Letter C
132
168
0
Ho :
p1=p2
p1
Kwitansi
181
395
2
H1 :
p1>p2
p2
BPKP
806
1473
0
Ho :
p1=p2
p1
Kwitansi
181
395
3
H1 :
p1>p2
p2
Sertifikat
1831
3864
1
Ho :
p1=p2
p1
Letter C
132
168
2
H1 :
p1>p2
p2
BPKP
806
1473
1
Ho :
p1=p2
p1
Letter C
132
168
3
H1 :
p1>p2
p2
Sertifikat
1831
3864
2
Ho :
p1=p2
p1
BPKP
806
1473
3
H1 :
p1>p2
p2
Sertifikat
1831
3864
Z hitung
kesimpulan
hasil
-7,156
terima Ho
p1=p2
-3,145
terima Ho
p1=p2
-0,593
terima Ho
p1=p2
5,919
tolak Ho
p1>p2
7,917
tolak Ho
p1>p2
4,789
tolak Ho
p1>p2
Page | 89
Setelah kesimpulan diperoleh, maka selanjutnya akan dibuat peringkat atau rangking yang menunjukkan proporsi atribut mana yang akan mengalami kemungkinan macet lebih besar. Berdasarkan tabel di bawah ini, dapat dilihat bahwa peringkat pertama debitur yang akan mengalami kredit macet adalah debitur yang mempunyai jenis bukti kepemilikan kwitansi dan letter C. Sedangkan peringkat keduanya adalah debitur yang mempunyai jenis bukti kepemilikan BPKB. Sedangkan peringkat terakhir adalah debitur yang mempunyai jenis bukti kepemilikan sertifikat. Tabel 3.40 Peringkat variabel jenis bukti kepemilikan No
Variabel
Peringkat
Atribut
12
Jenis bukti
1
kepemilikan
2
BPKB
3
sertifikat
kwitansi
Letter C
LTV (loan total value) Berdasarkan hasil crosstabulation dapat dilihat bahwa, dari 94 orang yang mempunyai nilai LTV dibawah 100% kemungkinan mengalami kredit macet sebesar 69,15%. Sedangkan dari 4176 orang debitur yang mempunyai nilai LTV diatas 250% kemungkinan mengalami kredit macet sebeasr 47,51%. Untuk lebih jelasnya dapat dilihat pada tabel di bawah ini : Tabel 3.41 Crosstab variabel LTV kredit lancar macet total
<= 100% jml
persentase
29 65 94
30,85% 69,15% 100%
LTV (nilai pasar agunan/plafond kredit) > 100% dan <= > 150% dan <= >200% dan <= 150% 200% 250% jml persentase jml persentase jml persentase 48 80 128
37,50% 62,50% 100%
250 318 568
44,01% 55,99% 100%
431 503 934
46,15% 53,85% 100%
Total
>250% jml
persentase
2192 1984 4176
52,49% 47,51% 100%
2950 2950 5900
Berdasarkan hasil crosstabulation, akan dilakukan uji proporsi untuk melihat apakah terdapat perbedaan antara proporsi debitur berdasarkan rentang nilai LTV. Berikut ini adalah hasil perhitungan uji proporsi : Tabel 3.42 Uji proporsi variabel LTV N o
Variabel
rating
Page | 90
Hipotesis
atribut
Jumlah macet
Total kredi t
Z hitun g
kesimpul an
hasil
13
LTV (loan total value)
0
Ho :
1
H1 :
0
Ho :
2
H1 :
0
Ho :
3
H1 :
0
p1=p2
p1
<= 100%
65
94
p1>p2
p2
> 100% dan <= 150%
80
128
p1=p2
p1
<= 100%
65
94
p1>p2
p2
> 150% dan <= 200%
318
568
p1=p2
p1
<= 100%
65
94
p1>p2
p2
>200% dan <= 250%
503
934
Ho :
p1=p2
p1
<= 100%
65
94
4
H1 :
p1>p2
p2
>250%
1984
4176
1
Ho :
p1=p2
p1
80
128
2
H1 :
p1>p2
p2
318
568
1
Ho :
p1=p2
p1
80
128
3
H1 :
p1>p2
p2
503
934
1
Ho :
p1=p2
p1
80
128
4
H1 :
p1>p2
p2
1984
4176
2
Ho :
p1=p2
p1
318
568
3
H1 :
p1>p2
p2
503
934
2
Ho :
p1=p2
p1
318
568
4
H1 :
p1>p2
p2
>250%
1984
4176
3
Ho :
p1=p2
p1
>200% dan <= 250%
503
934
4
H1 :
p1>p2
p2
>250%
1984
4176
> 100% dan <= 150% > 150% dan <= 200% > 100% dan <= 150% >200% dan <= 250% > 100% dan <= 150% >250% > 150% dan <= 200% >200% dan <= 250% > 150% dan <= 200%
1,028
terima Ho
p1=p2
2,394
tolak Ho
p1>p2
2,843
tolak Ho
p1>p2
4,153
tolak Ho
p1>p2
1,346
terima Ho
p1=p2
1,843
tolak Ho
p1>p2
3,344
tolak Ho
p1>p2
0,805
terima Ho
p1=p2
3,792
tolak Ho
p1>p2
3,507
tolak Ho
p1>p2
Setelah kesimpulan diperoleh, maka selanjutnya akan dibuat peringkat atau rangking yang menunjukkan proporsi atribut mana yang akan mengalami kemungkinan macet lebih besar. Berdasarkan tabel di bawah ini, dapat dilihat bahwa peringkat pertama debitur yang akan mengalami kredit macet adalah debitur yang mempunyai nilai LTV dibawah 100% dan 100%-150%. Sedangkan peringkat keduanya adalah debitur yang mempunyai nilai LTV 50%-200% dan 200%-250%. Sedangkan peringkat terakhir adalah debitur yang mempunyai nilai LTV diatas 250%.
Page | 91
Tabel 3.43 Peringkat variabel LTV No
Variabel
Peringkat
13
LTV
1
<= 100%
2
> 150% dan <= 200%
(loan total value)
Atribut
3
> 100% dan <= 150% >200% dan <= 250%
>250%
3.3 Profil debitur kredit macet
Berdasarkan hasil analisis diatas, dapat dibuat suatu profil debitur yang kemungkinan mengalami kredit macet. Tabel peringkat yang telah dibuat sebelumnya, kemudian akan diberi pembobotan untuk setiap peringkat. Untuk lebih jelasnya lagi, dapat dilihat pada tabel dibawah ini : Tabel 3.44 Pembobotan berdasarkan peringkat No
Variabel
Peringkat
Peringkat
Bobot 1
Page | 92
2
3
4
1
2
3
4
5
No
6
7
Usia
Debitur lama/baru
Lama usaha (tahun)
Status perkawinan
pendidikan terakhir
Variabel
Jenis bidang usaha
Jangka waktu pinjaman (bulan)
1
3
2 3
2 1
1
2
2
1
1
2
2
1
1
2
2
1
1 2
3 2
3
1
Peringkat
Bobot :3 < 21 >= 21 dan < 30 >= 30 dan < 40
Bobot : 1
>=40 dan < 50 >=50 Bobot : 2 debitur baru Bobot : 2 <3 >=3 dan < 6 >=6 dan < 9
Bobot : 1 debitur lama Bobot : 1
>=9 dan < 12 >= 12 dan < 16 Bobot : 2 Duda/Janda Belum menikah Bobot :3 <=SMP
>= 16 Bobot : 1
Menikah Bobot : 2
Bobot : 1
SMA D3 >=S1
Peringkat
Bobot
1
2
2
1
1 2
Bobot : 2
4 3
1 Bobot : 2 jasa Industri pengolahan Pertanian Lain-lain
2 Bobot : 1
3
4
Bobot : 2
Bobot 1
Perdagangan Bobot :4 <= 12
Bobot : 3 18
Page | 93
3
2
4
1
24 >=36 Bobot : 2
8
Tujuan penggunaan kredit
1
2
2
1
Bobot : 1
Modal kerja Investasi Pengganti modal kerja Bobot : 2
9
10
11
Rasio penerimaan bersih/angsuran
Jenis bukti kepemilikan
LTV (loan total value)
1
2
2
1
Bobot : 1
<1,33 >=1,33 - 2 > 2-3
1
3
2
2
3
1
1
3
2
2
3 Jmlh max bobot
>3 Bobot :3 Kwitansi Letter C
Bobot : 2
BPKB
Bobot :3 <= 100% > 100% dan <= 150%
Bobot : 2
1 29
debitur dengan profile tertentu akan mengalami kredit macet. Berikut ini adalah rumus secara matematis :
∑ bobot dari semua peringkat ∑ nilai max bobot
Untuk lebih jelasnya lagi dapat dilihat contoh berikut ini : Contoh 1 : Seorang debitur mengajukan kredit untuk usaha mikro dengan profil sebagai berikut : berusia 29 tahun, merupakan debitur lama di bank, telah mempunyai usaha selama 5 tahun, telah menikah, pendidikan terakhirnya adalah D3, jenis usahanya adalah perdagangan, mengambil jangka waktu pinjaman selama 18
Page | 94
Sertifikat Bobot : 1
> 150% dan <= 200% >200% dan <= 250%
Berdasarkan tabel diatas, dapat diketahui berapa besar kemungkinan seorang
kemungkinan kredit macet =
Bobot : 1
>250%
bulan, tujuan penggunaan kredit adalah untuk modal kerja, penerimaan bersih sebersar Rp.417.000,-/bulan, angsurannya sebesar Rp.308.500,-/bulan, barang yang diagunkan adalah kendaraan bermotor dengan jenis bukti kepemilikan berupa BPKB, nilai agunan sebesar Rp 40.000.000,- dan plafond kredit sebesar Rp.5.000.000,-. Untuk lebih jelasnya dapat dilihat pada tabel berikut ini : Tabel 3.45 Contoh hitungan 1 No
Variabel
Profile
Atribut
Peringkat macet
Bobot
1
Usia
29 tahun
>= 21 dan < 30
1
3
debitur lama
debitur lama
2
1
5 tahun
>=3 dan < 6
1
3
menikah
menikah
2
1
D3
D3
3
1
perdagangan
perdagangan
2
1
18 bulan
18 bulan
2
3
2 3 4 5 6 7
Debitur lama/baru Lama usaha (tahun) Status perkawinan Pendidikan terakhir Jenis bidang usaha Jangka waktu pinjaman
8
Tujuan penggunaan kredit
modal kerja
modal kerja
1
2
9
Rasio penerimaan bersih/angsuran
penerimaan bersih Rp 417.000/bln angsuran Rp 308.500/bulan rasio = 1,38
>=1,33 - 2
1
2
10
Jenis bukti kepemilikan
agunan : kendaraan bermotor
BPKB
2
2
11
LTV (loan total value)
nilai agunan Rp 40.000.000 plafond kredit Rp 5.000.000 LTV = 800%
>250%
3
1
Total jmlh bobot =
Berdasarkan tabel diatas, didapat nilai total jumlah bobot dari semua peringkat adalah 20. Bila dimasukkan kedalam rumus matematis, didapat hasil : kemungkinan kredit macet =
∑ bobot dari semua peringkat ∑ nilai max bobot =
20 = 68,96% 29 Page | 95
20
Dengan demikian, bila debitur dengan profil seperti diatas mengajukan kredit ke bank, akan mengalami kemungkinan kredit macet sebesar 68,69%. Contoh 2 : Seorang debitur mengajukan kredit untuk usaha mikro dengan profil sebagai berikut : berusia 49 tahun, merupakan debitur lama di bank, telah mempunyai usaha selama 15 tahun, telah menikah, pendidikan terakhirnya adalah SMA, jenis usahanya adalah pertanian, mengambil jangka waktu pinjaman selama 24 bulan, tujuan penggunaan kredit adalah untuk modal kerja, penerimaan bersih sebesar Rp.3.500.000,-/bulan, angsurannya sebesar Rp.1.075.000,-/bulan, barang yang diagunkan adalah tanah terdapat bangunan dengan jenis bukti kepemilikan berupa sertifikat, nilai agunan sebesar Rp 62.000.000,- dan plafond kredit sebesar Rp.5.000.000,-. Untuk lebih jelasnya dapat dilihat pada tabel berikut ini :
Tabel 3.49 Contoh hitungan 2 No
Variabel
Profile
Atribut
1
Usia Debitur lama/baru Lama usaha (tahun)
49 tahun
>=50
Peringkat macet 3
debitur lama
debitur lama
2
1
15 tahun
>=16
2
1
2 3
Page | 96
Bobot 1
4 5 6 7
Status perkawinan Pendidikan terakhir Jenis bidang usaha Jangka waktu pinjaman
menikah
menikah
2
1
SMA
SMA
2
2
pertanian
pertanian
1
2
24 bulan
24 bulan
3
2
8
Tujuan penggunaan kredit
modal kerja
modal kerja
1
2
9
Rasio penerimaan bersih/angsuran
penerimaan bersih Rp 3.500.000/bln angsuran Rp 1.075.000/bulan rasio = 3,25
>3
2
1
10
Jenis bukti kepemilikan
agunan : tanah terdapat bangunan
sertifikat
3
1
11
LTV (loan total value)
nilai agunan Rp 62.000.000 plafond kredit Rp 5.000.000 LTV = 1240%
>250%
3
1
Total jmlh bobot =
Berdasarkan tabel diatas, didapat nilai total jumlah bobot dari semua peringkat adalah 15. Bila dimasukkan kedalam rumus matematis, didapat hasil : kemungkinan kredit macet =
∑ bobot dari semua peringkat ∑ nilai max bobot =
15 = 51,72% 29
Dengan demikian, bila debitur dengan profil seperti diatas mengajukan kredit ke bank, akan mengalami kemungkinan kredit macet sebesar 51,72%. Berdasarkan 2 (dua) buah contoh profil debitur diatas, maka sebaiknya bank lebih memilih untuk memberikan kredit kepada debitur 2 karena nilai kemungkinan kredit macetnya lebih kecil daripada debitur pertama.
Page | 97
15