BAB IV FORMULASI MODEL Bab IV akan menjelaskan proses formulasi model. Proses ini dimulai dari tahap pemahaman obyek penelitian lalu dilakukan pendefinisian konseptual sistem model. Selanjutnya akan dijelaskan tahapan pembangunan model, proses pemilihan metoda statistik dan pemilihan variabel model. Terakhir akan diterangkan proses pengumpulan data historikal dari berkas kredit, pengolahan data
sampai
dengan
proses
validasi
model
yang
diperoleh
dengan
mempergunakan hold sample.
IV.1 Profile Obyek Penelitian IV.1.1 Sekilas Organisasi PD BPR LPK Jalan Cagak Subang adalah perusahaan yang sahamnya dimiliki oleh tiga organisasi yaitu Bank Jabar, Provinsi Jawa Barat dan Pemda Subang. PD singkatan dari Perusahan Daerah, menandakan bahwa BPR ini merupakan suatu unit bisnis yang dimiliki oleh pemda. LPK sendiri adalah singkatan dari Lembaga Keuangan Kecamatan. Lembaga keuangan ini dibentuk pada hampir semua kecamatan di Jawa Barat dalam rangka menggerakan ekonomi riil masyarakat. Pemilihan PD LPK Jalan Cagak juga berdasarkan pertimbangkan peluang pemanfaat penelitian ini untuk diterapkan pada kecamatan lain di luar Kecamatan Jalan Cagak, Subang.
Aset (modal dan dana pihak ketiga) pada BPR ini adalah 15 milyar dengan wilayah market pada kabupaten Subang sekitar Jalan Cagak. Terdapat pula beberapa nasabah dari luar kabupaten Subang seperti Bandung dan Karawang. Target market BPR ini adalah PNS (Pegawai Negeri Sipil), Pedagang dan Petani. BPR ini melayani kredit konsumtif dan kredit modal kerja.
BPR ini berlokasi di Jalan Raya Jalan Cagak no 151, Kecamatan Jalan Cagak, Kabupaten Subang, serta mempunyai dua kantor kas pembantu. Secara struktural BPR ini mempunyai dua proses utama yaitu penyimpanan yang berupa tabungan dan deposito serta proses penyaluran dana kredit. Kedua proses ini di dukung oleh
64
bagian suportingnya seperti SDM dan umum serta marketing. Struktur selengkapnya dari BPR ini dapat dilihat pada gambar IV.1 dibawah ini.
IV.1.2 Struktur Organisasi
RUPS
Dewan Pengawas
Direktur Utama
Direktur Operasional
Manager Operasional
Manager Keuangan
Teller
Akunting
Custumer Service Keuangan
Manager Marketing
Administrasi Pembiayaan Analyst Pembiayaan
Kas Luar/ Kolektor Tim Survey/ Teknis Supv SDM dan Umum
Office Boy
Supir
Satpam
Gambar IV.1. Struktur Organisasi PD BPR LPK Jalan Cagak.
Struktur organisasi pada PD BPR LPK Jalan Cagak dapat dilihat pada gambar IV.1. Dalam struktur tersebut, bagian yang berkaitan dengan kredit adalah:
Custumer servise
Administrasi Kredit
Analis Kredit
Tim Survey
Kredit Komite -->Non struktural
65
Berkaitan dengan level resiko kredit, organisasi menentukan sebagai berikut: Terdapat tiga level dari penentuan penanggung jawab besarnya kredit sebagai berikut:
Kredit dibawah 1 juta dapat disetujui oleh Manajer Marketing
Kredit antara 1-10 Juta di perlukan persetujuan dari Komite Kredit
Kredit diatas 10 juta memerlukan persetujuan dari Komite Kredit + Dirut
IV.1.3 Flow Proses Kredit Proses kredit merupakan suatu proses yang sangat penting dalam suatu institusi keuangan seperti perbankan. Proses ini melibatkan hampir lebih dari 50% SDM yang ada. Alur dari proses kredit di PD LPK Jalan Cagak dapat digambarkan pada IV.2.
Nasabah
Teller
-Inte gritas -eks ternal
Custumer Service
Tidak
Surat penolakan
Leng kap?
Mem proses kredit dan simulasi
Tidak
Komite Kredit
Disetujui
Direktur
Ya
-Integritas
Data tidak benar
Ya Ya Tidak
Analyst Credit
Surat penolakan
Data Tidak Lengkap
Meme riksa keleng kapan berkas
Berkas Kredit
Surveyor
Administrasi Kredit
Di survey ?
Pencair an Kredit
Survey lokasi dan jaminan, interview
Analisa Data manual Analisa hasil survey
Proses Penentuan Status kredit
Persetuju an aplikasi Kredit
-Integritas
Gambar IV.2. Alur Proses Kredit PD LPK Jalan Cagak Subang
IV.2 Pendefinisian konseptual model IV.2.1 Sistem besar dan sistem kecil Sistem besar (wider system) pada penelitian ini adalah perusahaan secara keseluruhan, dimana terdapat bagian operasional, keuangan, marketing, dan SDM sebagai sub sistemnya.
Sedangkan yang menjadi lingkungan dari sistem ini
adalah kondisi lingkungan di sekitar perusahaan, kondisi ekonomi, bank pesaing dan juga Bank Indonesia sebagai pembuat kebijakan dan pengawasan
66
Sementara itu yang menjadi sistem kecil (narrow system) adalah proses analisa kredit dimana terjadi proses penerimaan aplikasi kredit melalui custumer servise, pemeriksaan data, survey lapangan maupun analisa kredit sampai dengan proses pengambilan keputusan pada komite kredit ataupun direksi.
Bank Indonesia
Regulasi Audit Monitoring
Aplikasi Kredit
% Bunga
Akunting
Proses Kredit
(Lingkungan)
BPR/Bank Pesaing
(Wide System)
HRD
(Narrow Sistem)
Custumer Service Administrasi Kredit
Nasabah
Survey Lapangan Colleteral Capital Charakter Capacity Constraint
Lingkungan
Direksi
Persetujuan Kredit
Monitoring
Ukuran Kualitas Kredit
Analisa Kredit Komite Kredit
Kondisi ekonomi makro
Gambar IV.3. Sistem besar dan kecil
Bila dilihat dari framework manajemen risiko, maka sistem besar adalah penerapan framework manajemen resiko secara keseluruhan sedangkan pada sistem kecil merupakan aktivitas sistem yang dipergunakan untuk melakukan salah satu proses pada framework manajemen resiko yaitu proses risk assesment.
Sistem kecil ini yang menjadi fokus dan skope penelitian. Model analisa kredit yang diformulasikan, merupakan hasil pengolahan data historikal yang diperolah pada proses di dalam sistem kecil.
Dengan proses ini, data histrokal
telah
digunakan sebagai dasar dalam memprediksi dan mengambil keputusan kredit. Sehingga diharapkan pengambilan keputusan dapat lebih obyektif berdasarkan data dan analisa yang komprehensif.
67
Secara singkat sistem relevan pada penelitian ini adalah : Sebuah sistem untuk pengambilan keputusan kredit dengan mempergunakan model statistik dari data historikal yang digunakan untuk memprediksi kualitas calon debitur secara komprehensif, tepat dan sederhana.
IV.2.2 Stakeholder problem Dari sistem kecil yang telah di definisikan tersebut maka stakeholder yang terkait pada permasalahan penelitian tersebut dapat di definisikan sebagai berikut :
Problem Owner merupakan orang atau sekelompok orang yang mempunyai kendali atas aspek-aspek dalam permasalahan, dan juga mempunyai kewenangan pengabilan keputusan/tindakan dari beberapa alternatif yang ada (pengambil keputusan). Dalam kasus ini Problem Owner adalah Direksi PD LPK Jalan Cagak.
Problem User merupakan pihak yang menggunakan solusi dan/atau yang mengambil keputusan dengan persetujuan dari Manajer Marketing.
Problem Customer merupakan pihak atau orang yang terkena akibat dari penerapan solusi. Dalam kasus ini Problem customer adalah Nasabah
Problem Solver merupakan pihak yang menganalisa masalah dan mengembangkan solusi untuk disetujui oleh Problem Owner. Dalam kasus ini Problem Solver adalah Peneliti.
Adapun permasalahan yang terkait penelitian ini adalah bagaimana membuat suatu model statistik untuk analisa kredit dengan mempergunakan data historikal yang akan digunakan untuk memprediksi kualitas calon debitur secara komprehensif, tepat dan mudah untuk di implementasikan. Secara detail perumusan masalah dapat di lihat pada bab I. IV.2.3 Element Permasalahan (Problem element) Rangkuman dari element dari permasalahan penelitian ini adalah:
Pengambil Keputusan (Decision Maker):
Merupakan pihak yang
menentukan keputusan terhadap respon hasil model analisa kredit. Dalam hal yang bertanggung jawab terhadap keputusan kredit adalah Direktur BPR.
68
Sasaran (Objective): Merupakan sasaran dari sistem analisa kredit yang dibangun yaitu memberikan prediksi kualitas calon debitur secara cepat dan akurat dan sederhana.
Ukuran Performansi (Performance Measure): Ukuran perfomansi dari model yang akan dibangun adalah: Ketepatan prediksi (hit rasio) dari model terhadap data yang digunakan atau data validasi. Selain itu model juga akan di evaluasi dengan menggunakan Metoda statistik yang sesuai seperti Wilks’ Lambda dan Cpro untuk analisa diskriminan atau test Hosmer and Lemeshow, test omnibust maupun test Wald untuk regresi logistik. Ukuran kinerja jangka panjang yang merupakan outcome dari penerapan model ini adalah penurunan NPL pada LPK Jalan Cagak. Namun ukuran performance jangka panjang ini memerlukan waktu untuk evaluasinya sehingga tidak menjadi fokus atau area penelitian ini
Alternatif tindakan yang dapat dilakukan untuk pada sistem ini adalah merubah nilai variabel model yang menjadi wewenang bank seperti : o Nilai plafond kredit o Lama kredit o Bunga kredit yang diberikan o Besarnya collateral o Kualitas kelengkapan data Bila semua alternative tersebut telah dilakukan maka keputusan akhir apakah ditolak atau diteruskan merupakan ke wewenang dari direktur BPR.
IV.3. Tahapan Pembangunan model Proses pembangunan model analisa kredit ini dilakukan dengan dua tahap yaitu tahap 1 pembangunan model analisa kredit dengan default prediction dan tahap 2 yaitu implementasi dari model.
Tahap ke satu merupakan tahapan pembangunan model untuk tujuan deskriptif yaitu mencari faktor-faktor yang paling berpengaruh terhadap penentuan klasifikasi kredit yang bagus atau jelek, serta memformulasi model statistik yang
69
sesuai dengan data. Input yang akan digunakan pada model adalah data historikal dari berkas dari nasabah kredit selama 3 tahun 2004 s.d 2007 dan juga parameter harga (bunga, provisi, Metoda perhitungan, periode kredit dll).
Model ini kemudian akan dipergunakan pada tahap 2 sebagai model prediktif untuk memprediksi nasabah yang baru apakah termasuk dalam kelompok nasabah kredit macet dan atau kredit bagus. Bila suatu nasabah masuk dalam kelompok kredit macet maka ini merupakan tanda bagi manajemen bahwa nasabah ini merupakan nasabah dengan resiko tinggi. Proses tahap ke dua ini merupakan proses risk assesment pada suatu framework manajemen resiko di perbankan. Keputusan apakah suatu nasabah akan diterima atau tidak nantinya akan ditentukan tidak hanya dari informasi model namun juga dari hasil negosiasi dan juga informasi lainnya dari manajemen.
D IAG R A M H U B U N G AN IN P U T S IS T E M O U T P U T H arapa n m odel dari BP R
Be rkas H isto rika l Ap likasi N asa bah Kredit H a sil A nalisa / S urvey H istorikal N a sab ah
Tahap 1 S is te m P em b a n g u n a n M odel D e fa u lt P re d ic tio n
H asil M on itoring H istorikal Kua litas Pe mba ya ra n N asab ah
P aram eter d ari B PR (b unga , pricin g), besaran kred it, m eto de
M ode l D efault P rediction d ari ta hap 1
B erkas Ap likasi d an H asil S urvey N asaba h
H istorikal P ricing dari BP R (bun ga, p ricing
Tahap 2 Im p le m e n ta si A n a lis a K re d it d e n g a n D e fa u lt P re d ic tio n M o d e l (S eb ag ai ta h a p a n R is k A ss e s m e n t K re d it)
M od el D efau lt P re dictio n (P ersam aan d an cut po int) H it rasio d ata valida si se su ai h arapan
Inform asi Lain nya
Pred iksi K la sifikasi N asa bah (D efault or non defa ult)
Kom ite Kred it / M gt BP R
Ke putusan Kred it D isetujui/ditola k
Informasi SID dari B I
R evie w Ke bijakan P ricing Alternatif T indakan / Pricing
Gambar IV.4 Hubungan Input sistem output dan tahapan model
70
IV.4 Prosedur untuk tahap 1 (formulasi model default prediction) IV.4.1 Langkah-langkah pembentukan model Setelah sistem di definisikan dengan jelas, maka dimulailah proses formulasi model default prediction. Proses ini mempunyai beberapa langkah sebagai berikut : 1. Pemilihan metode statistik untuk model default prediction 2. Pembentukan konseptual model matematika dan variabelnya 3. Pengumpulan data berkas kredit 4. Pengolahan data awal
Seleksi kelengkapan dan kelayakan data secara umum
Konversi
data
nominal
kualitatif
menjadi
nominal
(pengelompokan)
Konversi data nominan menjadi ordinal
5. Proses pencarian paramater model dengan iterasi pada SPSS 6. Proses enumerasi untuk mencari nilai cut off yang paling tepat 7. Evaluasi model sesuai dengan kriteria yang telah ditetapkan 8. Verifikasi model dan validasi Model
Setelah selesai dari delapan langkah ini maka model tersebut telah selesai di formulasikan dan siap untuk di integrasikan pada aplikasi web base yang dibuat. Detail setiap langkah akan di jelaskan pada bagian selanjutanya dari bab IV ini.
IV.4.2 Kriteria pemilihan model Kriteria model berasal dari beberapa sumber seperti kriteria model secara umum, kriteria
dari
BPR
sebagai
user
dan
terakhir
adalah
kriteria
dengan
mempertimbangkan proses implementasi. Pada penelitian ini pemilihan model digunakan kriteria sebagai berikut : 1. Model yang dipilih harus sesederhana mungkin namun mempunyai ketepatan yang paling baik dan hasil test yang terbaik pula (aspek pemodelan). 2. Model yang dipilih harus mempunyai prediksi keberhasilan total diatas 75% sesuai dengan harapan dari user pengguna model (aspek BPR).
71
3. Model yang dipilih mengutamakan prinsip kehati-hatian, hal ini berarti kegagalan prediksi gagal harus ditekan serendah mungkin bila dibandingkan dengan kegagalan prediksi berhasil (Aspek BPR). 4. Model yang digunakan harus mempertimbangkan proses impelementasi di user, dalam hal ini sederhana dan mudah dipahami user (mempergunakan prinsip 5C) (Aspek implementasi ).
IV.5 Pemilihan Metoda Statistik untuk Model Default Prediction IV.5.1 Model Default Prediction Evaluasi dari suatu resiko kebangkrutan yang baik adalah analisa kualitatif berdasarkan pada pengetahuan yang mendalam tentang manajemen perusahaan dan peluang kompetitif yang spesifik pada bisnis tersebut. Namun informasi/data seperti itu susah dicari khususnya dalam waktu yang singkat (Carlo dkk, 2008).
Terdapat dua observasi yang dapat dilakukan untuk membantu masalah tersebut yaitu (i) Suatu perusahaan yang bangkrut secara umum akan meninggalkan jejak kemunduran secara ekonomi dan indikator keuangan yang dapat di kalkulasi dari data akunting dan data tersebut harus up to date dan merepresentasikan keadaan perusahaan tersebut. (ii) Terdapat fakta bahwa walaupun suatu studi mendalam tentang manajemen suatu perusahaan itu tidak ada, evaluasi dapat dilakukan dengan bantuan perbandingan dari indikator yang telah di kalkulasi dan merupakan norm dari beberapa kasus yang sama yang sejenis (Carlo, 2008).
Dari dua pendekatan ini membawa kepada kombinasi antara data akutansi dan metoda statistik untuk digunakan pada model analisa kebangkrutan (default prediction). Model pertama diusulkan oleh Beaver, 1967 dengan mempergunakan pendekatan perbandingan rasio keuangan (data akutansi). Penggunaan Metoda statistik pertama yaitu linier analisa diskriminan dilakukan oleh Altman pada tahun 1968. Beberapa Metoda lain setelah itu yang berkembang adalah yaitu regresi logistik (Ohlson 1980), Risk Ruin Model dan Neural network model.
Penelitian dengan mempergunakan metoda diskriminan analis dan regresi logistik pada berbagai size perusahaan khususnya perusahaan dengan aset yang kecil telah
72
dilakukan oleh Carlo Vallini dkk (2008). Beliau mempergunakan 23 Parameter yang di perkirakan pada model default perdiction nya. Pemilihan variabel tersebut berdasarkan (i) Frekuensi pada literatur default prediction (ii) Kemampuan variabel untuk menggambarkan aspek yang penting dalam profile ekonomi dan keuangan perusahaan yaitu profitability, leverage dan likuiditas.
Penelitian Carlo hanya melihat efek dari data keuangan pada model default prediction, parameter non keuangan seperti karakter dan kapasitas manajemen, situasi ekonomi, kapasitas R& D dan lainnya tidak dimasukan .
IV.5.2 Pemilihan Metoda Statistik Berdasarkan fakta bahwa pendekatan yang banyak digunakan pada pembangunan model analisa kebangkrutan adalah diskriminan analis dan regresi logistik (Carlo, 2008) maka penelitian ini akan mempergunakan pendekatan tersebut sebagai dasar dalam pembuatan model spesifik untuk kondisi lembaga keuangan mikro.
a. Analisa Diskriminan Model dasar dari analisa kebangkrutan dengan mempergunakan pendekatan analisa diskriminan adalah model Altman. Model ini adalah model prediksi kebangkrutan yang paling terkenal dan paling luas digunakan di beberapa Negara. Model ini merupakan rujukan utama dalam studi default prediction. Model ini dibuat dengan mempergunakan pendekatan multiple discriminate analyst (MDA).
Model ini memprediksi kesehatan keuangan perusahaan berdasarkan fungsi diskriminan dari rumus sebagai berikut: Z = 1,2 X1 + 1,4X2 + 3,3 X3 + 0,6 X4 + 0,999 X5 Model ini dikembangkan di tahun 1968 dibuat berdasarkan analisa terhadap 66 perusahaan dimana 50% perusahaan tersebut dikelompokan sebagai bangkrut berdasarkan chapter x dari United stated bankrupt dari tahun 1946 sampai dengan 1965. Jumlah parameter yang dianalisa adalah 22 variabel dan akhirnya terpilih 5 variabel rasio keuangan yang memiliki contribusi terbesar dalam membedakan bangkrut dan non bangkrut seperti yang tercantum diatas. Sample yang digunakan adalah stratified sample dengan ukuran aset dari $ million dollar sampai dengan
73
$ 25 million (rata-rata dari nilai Aset perusahaan yang dianalisa adalah $ 9,6 million). Detail mengenail analisa diskriminan dapat dilihat pada Bab II.
b. Model Analisa Regresi Logistik Analisis regresi logistik merupakan metoda regresi yang digunakan untuk mencari hubungan antara variabel respon (Y) dengan satu atau lebih variabel penduga. Regresi logistik ini hanya digunakan untuk kasus khusus, yaitu variabel respon (Y) adalah variabel kualitatif yang biner atau dikotom, dimana hanya terdapat dua kemungkinan dari nilai Y dimana untuk kasus penelitian ini adalah kredit bagus (Y=1) dan kredit jelek (Y=0). Model dasar dari Analisis Regresi Logistik adalah sebagai berikut: …(IV-1) dengan:
p adalah probabilitas bahwa kejadian Y=1 akan muncul, p (Y=1)
p/(1-p) adalah the Odds ratio
ln[p/(1-p)] adalah log Odds ratio, or logit
Pendekatan ini mirip dengan dengan multiple regresi linear, namun bedanya multiple regression mempergunakan metoda least square dalam mendapatkan model yang optimum sedangkan regresi logistik mempergunakan pendekatan Maximum-likelihood. Penjelasan lebih rinci mengenai model regresi logistik dapat dilihat pada Bab II.
c. Analisa Diskriminan atau Regresi logistik? Model prediksi kebangkrutan yang dibangun ini, akan mempergunakan pendekatan 5 C dalam pemilihan variabelnya, sehingga terdapat jenis variabel keuangan dan non keuangan. Jenis variabel yang dipilih ini akan bepengaruh terhadap pemilihan pendekatan model atau stastik yang akan digunakan apakah akan mempergunakan metoda diskriminan atau regresi logistik. Perbedaan kedua metoda ini lebih lanjut dijelaskan sebagai berikut (Hair, 2006):
Analisa regresi logistik
lebih sesuai dengan banyak situasi karena tidak
memperlukan asumsi yang ketat dan lebih robust bila dibandingkan dengan analisa diskriminan.
74
Selain itu walaupun asumsi normalitas dapat di penuhi oleh data, banyak peneliti lebih senang mempergunakan karena kesamaan dengan multiple regression. Metoda ini mempunyai Metoda test statistik yang lebih mudah dan umum (Chi square , pseudo R dsbnya)
Regresi logistik menggunakan pendekatan maximum likelihood yang tidak memerlukan asumsi normalitas atas variabel independen yang digunakan. Sedangkan disrkiminan memerlukan asumsi normalitas untuk variabel independennya.
Variabel independenya dapat berupa vaiabel kontinyu, diskrit maupun dikotomis, sedangkan diskriminan memerlukan variabel yang kontinyu dan berdistribusi normal
Sesuai dengan keperluan model untuk analisa kredit dan juga lingkungan mikro finance dimana model akan diterapkan, maka variabel yang akan digunakan adalah campuran antara variabel kuantitatif dan kualitatif.
Variabel kualitatif perlu dikonversi menjadi variabel kuantitatif dengan mempergunakan dummy variabel. Variabel kualitatif berupa nominal, ordinal terutama yang binominal akan sulit memenuhi kriteria dari disriminan analisis yang memerlukan asumsi dari variabel independen berdistribusi normal dan kontinyu walaupun dengan proses transformasi untuk penyesuaiannya.
Berdasarkan hal tersebut maka penelitian ini akan difokuskan mempergunakan pendekatan regresi logistik sebagai dasar dalam pembentukan model analisa kredit.
d. Model Default Prediction Analisa Kredit BPR Walaupun menggunakan pendekatan yang sama yaitu analisa diskriminan dan analisa regresi logistik binomial, model standard Altman dan model Carlo perlu disesuaikan. Beberapa alasan penyesuaian tersebut adalah: 1. Perbedaan jumlah aset/omset dari perusahaan atau nasabah yang sangat berbeda (Aset Nasabah BPR sekitar Rp 50 Juta sedangkan model Altman ratarata dari omset nya adalah $ 9,6 Juta per tahun)
75
2. Perbedaan kualitas sistem keuangan dan laporannya. Nasabah lembaga keuangan mikro hampir sebagai besar tidak mempunyai sistem akutansi dan pelaporan keuangan yang baik, sehingga sebagai besar data hanyalah prediksi atau interpolasi. Sedangkan model Altman dan model Carlo di peruntukan untuk nasabah yang sudah lebih baik sistem pelaporannya. 3. Aspek non financial di lembaga mikro finance seperti Character, Capacity, Condition dan Colleteral begitu besar dan mendapat perhatian yang lebih pada pengambilan keputusan kredit sehingga tidak dapat di biarkan begitu saja. 4. Perbedaan budaya dan geografis juga akan mempengaruhi besarnya serta jenis parameter yang terlibat dalam pengambilan keputusan kredit untuk setiap lembaga. 5. Perbedaan tujuan atau objektif dari pembangunan model. Penelitian ini mempunyai tujuan membuat model prediksi untuk keperluan analisa kredit. Sedangkan model Altman untuk keperluan prediksi kebangkrutan yang tidak dikaitkan dengan keperluan keperluan analisa kredit.
Berdasarkan alasan tersebut, maka model yang akan dibangun merupakan model unik untuk kebutuhan lembaga mikro finance dengan memperhatikan aspek non keuangan seperti yang tercantum pada konsep analisa kredit 5C yaitu: Character, Colleteral, Capital, Capacity, dan Condition.
Pendekatan 5C ini digunakan sebagai konsep dasar variabel adalah karena selama ini BPR sudah sangat mengenal dan mempergunakan konsep ini dalam proses analisa kreditnya. Sehingga diharapkan akan memudahkan dalam proses pengambilan data serta implementasinya.
IV.6 Pemilihan variabel awal Variabel yang akan dipergunakan untuk model ini akan mempergunakan pendekatan 5 C yang sudah umum dilakukan di BPR. Untuk Capital (variabel Keuangan) pemilihan variabel merujuk pada model standar Z skore. Sedangkan untuk 4 C yang lain (varibel non keuangan) variabel yang akan digunakan mengacu kepada hasil penelitian mengenai faktor-faktor yang paling berpengaruh dalam NPL (non performance loan) suatu BPR (Bramantyo Djohanputro , 2007).
76
Variabel dari penelitian yang dilakukan oleh Bramantyo ini perlu penyesuaian karena perbedaan obyektif dari penelitiannya. Obyek dari penelitian Bramantyo adalah untuk melihat faktor-faktor yang paling berpengaruh dalam NPL pada BPR seluruh Indonesia. Sedangkan obyektif pada penelitian ini mencari faktor-faktor yang paling berpengaruh dan dapat dipergunakan dalam model analisa kredit.
Sebelum variabel tersebut di proses, masing-masing variabel tersebut akan di analisa untuk melihat apakah variabel yang digunakan mempunyai kekuatan untuk membedakan atau tidak. Metoda yang digunakan dengan dengan analisa variasi dari rata-rata atau persentase dari frekuensinya.
Parameter Pricing dari BPR (bunga, provisi, metode, diskon)
X1 (Aspek Capital) X2 (Aspek Colleteral) X3 (Aspek Character)
Model Default Prediction Logistic regression
Probabilitas Non Default
X4 (Aspek Capacity)
X5 (Aspek Condition and constrain)
Gambar IV.5 Hubungan variabel, parameter dan output
Model matematik teoritis yang akan digunakan Ln [p / (1-p)] = ax1 + bx2 + cx3 + dx4+ ex5 + konstan
....(IV-2)
Dimana
x1 = Kelompok Variabel Capital x2 = Kelompok Variabel Colleteral x3 = Kelompok Variabel Capacity x4 = Kelompok Variabel Condition dan Contraint x5 = Kelompok Variabel Contraint p adalah probabilitas bahwa kejadian Y akan muncul, p (Y= 1) merupakan probabilitas untuk kelompok nasabah dengan status kredit bagus. 77
Variabel mana yang akan digunakan akan tergantung dari ketersediaan data pada obyek penelitian dan juga hasil proses pemodelan dengan mempergunakan metoda yang telah dipilih.
IV.7 Pengumpulan Data IV.7.1 Sumber Data Data penelitian yang akan digunakan adalah data nyata berkas kredit pada BPR LPK Jalan Cagak. tersebut dari tahun 2004 sampai dengan 2007. Untuk model diskriminan pertama akan digunakan data historikal dan data diambil langsung dari berkas kredit lama.
IV.7.2 Populasi dan Sampling Untuk meningkatkan ketepatan prediksi dari model yang ada, maka penelitian ini diputuskan untuk tidak mempergunakan sampling melainkan keseluruhan data berkas kredit yang ada selama tiga tahun tersebut yaitu 131 nasabah. Berkas nasabah yang digunakan adalah nasabah yang terecord secara lengkap pada BPR tersebut. Validasi akan mempergunakan berkas kredit yang telah di pisahkan. Perincian berkas tersebut adalah sebagai berikut:
107 berkas untuk keperluan pemodelan dengan perincian 56 nasabah yang tergolong kredit jelek dan 51 tergolong nasabah dengan kredit bagus.
24 berkas untuk keperluan validasi dengan perincian 12 nasabah yang tergolong kredit jelek dan 12 nasabah yang tergolong kredit bagus.
Jumlah kombinasi tersebut sudah memenuhi dari ketentuan yang di peruntukan untuk analisa regresi logistik dan diskriminan yaitu minimum 5 untuk setiap indenpenden variabel (minimum 75 data untuk 15 variabel independen) dan minimum 20 data untuk setiap kelompok dengan komposisi setiap kelompok di usahakan relatif tidak berbeda. (Hair , 2006)
78
IV.7.3. Informasi Dalam Berkas Kredit Berikut ini adalah daftar informasi yang ada dari berkas kredit yang ada pada PD BPR LPK Jalan Cagak dan diperkirakan dapat menjadi variabel untuk model yang akan dibangun Tabel IV.1 Tabel Data Informasi Pada Berkas Kredit Historikal No 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18
Informasi
No
No SPK Tanggal SPK Nama Tingkat Kolektibilitas Jenis Kelamin Tanggal Lahir Alamat Pekerjaan Sektor Kredit Plafond Kredit Jangka Waktu Pinjaman ke Sumber Pembayaran Penggunaan Kredit Bunga Provisi Sistem Informasi Debitur Jumlah Tanggungan
19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36
Informasi Pinjaman Luar Kelengkapan arsip Pendidikan Hubungan dengan Bank Izin Usaha Lama Usaha Omset / bulan Biaya bulanan Penghasilan bersih Angsuran per bulan Angsuran pokok Aset Nilai Agunan Jenis Agunan Rasio Agunan
Detail data tiap variabel tersebut dapat dilihat pada lampiran A. Perbandingan data yang ada dengan variabel yang digunakan pada literatur selama ini serta pengelompokannya dan konsep 5C dapat dilihat pada penjelasan sebagai berikut.
Tabel IV.2. Perbandingan antara variabel pada data historikal
Item Obyektif Responden Size respondend Metoda Hit rasio
Altman 1977 Default Prediction Perusahaan Aset $ 9.6 Million Diskriminan (MDA) 72% 2 thn sebelum bangkrut
Yegorova 2000
Carlo 2008 2007 NPL dan Default Loan Prediction Prob kridit Prediction Nasabah BPR Perusahaan Average loan Aset BPR turn over 0,2 size $ 64,000 Rp10 Milyar million Euro Logistic Reg LR, MLR MDA, LR ression (LR)
Bramantyo,
87%
n/a
79
LR 67.2% MDA 65,9
Penelitian 2009 Loan Prediction Nasabah Omset Rp 20-50jt/thn LR >80%
Tabel IV.2 (lanjutan)
Item Variabel
Altman 1977 Dependent Default and non default Co Independent Capital modal kerja / total asset Retained earning / total asset profit sebelum tax dan bunga / total asset Omset / Kredit omset / total asset modal kerja / total asset
Yegorova 2000 Dependent
2007 Dependent
Probabilitas Kredit bagus
Probabilitas Kredit
Independent Capital
Independent Capital
Hutang/aset
Bunga
Character
Character
Bramantyo,
Carlo 2008 Dependent Default and non default Co Independent Capital Kas/total hutang
Probabilitas Kredit bagus Independent Capital Plafond Kredit
Omset /keuntungan kotor
Total hutang/aset
Bunga
Modal / working capital
Acid test rasio
DSC
Bunga/turn over Curent rasio
Character Masalah keluarga
Pekerjaan
Pengulangan kredit
Colleteral
Colleteral Jenis Agunan Nilai Agunan
80
Omset/ kredit Jangka Waktu
Modal/ Provisi material aset ROI Aset /banyak pegawai Bunga/kredit Kas / turn over Character Character
Jujur
Colleteral
Penelitian 2009 Dependent
Colleteral
Pinjaman Luar Sistem Informasi Debitur (SID) Jenis Kelamin Tanggal lahir Pinjaman ke Colleteral Jenis Agunan Rasio Agunan
Tabel IV.2 (lanjutan)
Item
Altman 1977
Capacity
Condition
Yegorova 2000
Bramantyo, 2007
Capacity
Capacity Debitur kena PHK/ bangkrut Pengelolaan admin
Condition
Condition Persaingan
Carlo 2008
Capacity
Penelitian 2009 Nilai Agunan Capacity
Pendidikan Izin usaha
Condition
Jumlah tabungan Condition Sektor Kredit Hubungan dengan bank Lama Usaha
Beberapa variabel dari penelitian terdahulu seperti:
Omset / total hutang (Altman)
Bunga (Penelitian BI, Carlo)
Jenis Agunan (penelitian BI
Nilai Agunan (Penelitian BI)
Pengulangan kredit (Penelitian BI)
IV.8. Pengolahan Data Awal Data berkas kredit tersebut kemudian di olah untuk menjadi variabel independen yang akan di proses dalam regresi logistik. Tahapan pengolahan awal data berkas kredit tersebut adalah dapat dilihat pada IV.6.
Data mentah awal pada berkas kredit mempunyai 35 calon variabel independen, kemudian dari hasil seleksi kelengkapan dan juga kualitas pembeda secara kasar dapat di kurangi menjadi 15 variabel independen yang layak untuk di proses lebih lanjut. Variabel kualitatif yang ada yang menjadi kandidat variabel tersebut kemudian di olah untuk melihat besarnya kekuatan pembeda dari setiap variabel yang ada.
81
1 Proses seleksi kelengkapan setiap variabel Independen (15 Variabel, mix)
Berkas Kredit (35 calon variabel bebas)
2 Proses Konvesi kualitatif variabel menjadi nominal (15 Var, nominal)
3 Proses konversi data nominal menjadi ordinal (15 variabel, ordinal)
Gambar IV.6 Proses pengolahan data awal
Data calon variabel berkas kredit tersebut kemudian di evaluasi satu persatu untuk melihat kelayakan dan kualitas dari data yang ada untuk dapat ditindak lanjuti sebagai variabel penelitian ini. Hasil pengolahan awal dari data mentah tersebut dapat dilihat pada tabel IV.3 berikut ini
Tabel IV.3 Evaluasi Data Awal Berkas Kredit (proses 1 pengolahan data awal)
No
Informasi
Jenis Data
Peluang Utk Variabel
1 2 3 4
No SPK Tanggal SPK Nama Tingkat Kolektibilitas
Nominal Skala Nominal Nominal Nominal Ordinal Nominal
5
Tanggal lahir
6
Jenis Kelamin
7
Alamat
Nominal Ordinal
9
Pekerjaan
Nominal
10
Sektor Kredit
11
Plafond Kredit
Nominal Skala--> ordinal
12
Jangka Waktu
13
Pinjaman ke
14
Sumber Pembayaran
15
Penggunaan Kredit
Tidak tidak terkait Tidaktidak terkait Tidak tidak terkait Y ( 1 = Lancar, 0 = tidak lancar) X1 (Usia, 1=<55, 2>55) Tidak (proportional, var 2%) X2 (1 = Kec luar kab subang, 2 = Kec Non Subang, 3 = Tanjung Siang, 4 = Kec Subang) X3 (1=Ibu RT, 2=Pegawai swasta, 3= lainnya) Tidak Data tidak lengkap X4 (1 < =10 juta, 2 > 10 juta)
Nominal Ordinal Ordinal Nominal Ordinal
X5 (1 < =12 bulan, 2 > 12 bulan) Tidak (proportional, var <5%) X6 (1=pertanian, 2 = gajih bulanan, 3 hasil usaha, 4 = Lainnya)
Nominal
X7 (1=konsumtif, 2 = modal kerja, 3=lainnya)
82
Tabel IV.3 (lanjutan)
No
Informasi
16
Bunga
17
Provisi Sistem Informasi Debitur
18
Jenis Data
Peluang Utk Variabel
Skala ordinal X8 (1=>2.75%, 2 = 2-2.75%, 3=<2%) Rasio Tidak (proportional, var <5%) Tidak (proportional, var <5%) Nominal
19
Jumlah Tanggungan
Skala X9 (1=0, 2 = ada tanggungan, 3=tidak ordinal ada keterangan)
20 21 22 23 24
Pinjaman Luar Kelengkapan arsip Pendidikan Jumlah tabungan Hubungan dengan Bank
Nominal Nominal Nominal Rasio Nominal
Tidak (proportional, var <5%) Tidak tidak lengkap Tidak tidak lengkap Tidak tidak lengkap Tidak (proportional, var <5%)
25
Omset perbulan
Rasio
X10 (1=< =5 juta, 2=> 5 jt)
26
Rasio omset / hutang
Rasio
27 28 29
Lama Usaha Aset Nama Analist
Skala Rasio Nominal
30
DSC (rasio laba/hutang)
Rasio
31 32 33
Nilai Agunan Jenis Agunan Rasio Agunan
34
Besar Agunan
35
Type Agunan
Skala Nominal Rasio Skala ordinal Nominal Ordinal
X11 (1=< =1 juta, 2=> 1 jt) Tidak data tidak lengkap Tidak data tidak lengkap Tidak data tidak lengkap X12 (1= <=1, 2=1-5, 3 > 5) Tidak campur: bulanan tahunan Tidak campur jenisnya X13 (1=< =1 juta, 2=> 1 juta) X14 (1 =< 500, 2 = 500 - 1 jt , 3 = 1 jt - 5 jt , 4 = 5 - 10 , 5 = 10 - 20 jt ,6 = 20jt <) X15 (1=SK, 2=Kas, 3=campuran, 4=Tanah + bangunan, 5=BPKB)
Data nominal ini kemudian di proses dengan mengevaluasi frekuensi nilai variabel bebas pada setiap kelompok untuk melihat probabilitasnya. Rasio antara probilitas suatu even dibandingkan dengan probabilitas event yang lain disebut Odds. Nilai Odds kelima belas variabel kemudian dihitung untuk melihat kekuatan pembeda. Setelah di evaluasi kemudian data yang masih dalam bentuk nominal tersebut di urutkan berdasarkan besarnya peluang. Hasil dari pengurutan ini mengubah kualitas data menjadi data ordinal seperti terlihat pada tabel IV.4 dibawah ini .
83
Tabel IV.4. Data hasil konversi nominal kepada ordinal data berkas kredit
No 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 34 36 37 38 39 40 41 42 43 44 45 46 47
y 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
x1 x2 1 1 1 1 1 1 1 1 1 2 1 1 1 1 1 1 1 2 1 1 2 2 2 2 2 2 2 1 1 1 2 1 1 1 1 1 1 1 2 1 1 1 1 1 1 2 1
3 2 2 4 2 1 4 2 4 2 2 2 2 2 4 4 2 4 2 2 2 2 2 2 2 1 2 2 2 2 2 2 4 4 2 2 2 4 4 4 2 4 2 3 2 4 2
x3
x4
x5
x6
x7
3 3 3 3 3 2 1 3 3 3 3 3 1 1 3 2 2 2 3 3 3 3 3 3 3 3 3 3 2 1 3 3 3 2 1 3 1 3 3 2 3 3 1 2 3 3 3
1 1 1 1 1 2 1 1 2 1 1 1 1 2 2 2 1 1 1 1 1 1 1 1 1 1 1 2 2 2 1 2 1 1 1 1 1 2 2 2 1 2 1 1 1 1 2
2 2 2 3 2 2 1 2 2 2 1 2 2 2 1 2 2 2 3 2 2 2 2 2 2 2 2 2 2 2 2 1 2 1 1 1 2 1 2 2 1 2 2 1 2 2 1
3 3 3 3 3 3 2 2 2 2 2 3 2 2 2 3 2 2 3 3 3 3 3 3 3 3 2 2 3 2 3 2 3 2 2 2 2 2 2 3 2 3 2 3 2 3 1
2 1 2 2 5 1 3 3 3 3 3 5 3 3 3 3 3 3 3 5 3 3 3 5 5 5 3 3 3 3 3 3 5 3 3 3 3 3 3 3 4 5 3 3 3 3 4
x8 x9 2 2 2 2 2 2 2 2 2 2 1 2 1 1 1 2 1 1 2 1 2 2 2 2 2 1 1 3 2 1 2 1 2 1 1 1 1 1 1 2 2 3 1 2 1 3 1
84
3 3 3 3 3 3 3 3 3 3 2 2 1 2 1 2 2 2 3 2 3 3 3 3 3 2 2 2 3 2 3 2 3 2 3 2 3 3 3 3 2 3 2 3 2 3 3
x10
x11
x12
x13
x14
x15
1 1 1 1 1 1 1 1 1 1 1 1 1 2 2 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 1 1 1 1 1 2 1 1 1 1 1 1 1 1 2
2 2 2 2 2 1 2 1 2 2 2 2 2 2 1 1 2 2 2 2 2 2 2 2 1 2 2 2 1 2 2 2 1 2 2 2 2 1 2 1 2 2 2 2 2 2 2
2 2 3 3 3 2 2 2 2 2 2 2 2 1 1 2 2 3 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 1 2 2 3 3 2 2 2 2 2
2 2 2 2 2 1 1 2 1 1 2 2 2 1 2 1 2 1 2 2 2 2 2 2 2 2 2 1 2 2 2 2 2 2 2 2 2 2 2 1 1 1 2 2 2 2 2
2 4 2 3 2 2 3 4 5 5 5 2 5 5 5 2 2 4 2 2 2 2 2 2 2 2 3 6 3 6 2 6 2 6 5 5 6 6 6 2 3 2 5 2 6 2 6
1 3 1 1 1 1 5 4 4 4 4 1 4 4 4 1 5 4 3 4 1 3 1 1 1 3 5 3 3 4 1 4 1 4 4 4 4 4 4 1 2 4 4 1 4 4 4
Tabel IV.4 (lanjutan)
No
y
48 49 50 51 52 52 54 55 56 56 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93
0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
x1 x2 1 1 1 1 1 1 1 2 1 1 2 1 1 1 1 2 1 2 1 1 1 1 1 1 2 2 2 2 2 2 2 1 1 2 1 1 1 1 1 1 2 2 2 2 1 2
2 2 2 4 2 2 2 1 2 3 2 2 2 2 2 2 2 2 2 2 1 1 1 2 2 2 2 2 2 2 2 2 4 2 2 1 3 4 2 3 2 2 2 2 1 2
x3
x4
x5
x6
x7
1 1 3 3 3 3 1 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3
1 1 1 2 2 2 1 1 1 2 1 2 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 1 1 2 2 2 2 2 2 2 2 1 1 1 1 1 1
2 2 2 2 1 1 2 2 2 2 2 2 2 2 1 2 2 2 1 2 2 2 2 2 2 2 2 2 2 2 2 2 3 3 2 2 2 2 2 2 2 2 2 2 2 2
2 2 2 3 1 1 2 3 2 3 2 3 2 3 1 2 2 2 2 3 3 3 3 3 3 3 3 3 3 3 3 3 2 2 2 2 2 3 2 2 3 3 3 3 3 3
3 3 3 2 3 3 3 3 3 1 3 5 3 5 4 3 3 3 3 3 5 3 3 2 4 1 2 5 1 5 5 3 3 3 3 3 1 1 3 3 5 6 1 1 2 1
x8 x9 1 1 1 3 1 1 1 2 1 2 1 2 1 2 1 1 1 1 1 2 2 2 2 2 2 2 2 2 2 2 2 3 3 1 3 1 2 2 2 1 2 2 2 2 2 2
85
2 2 2 2 2 3 2 3 2 1 1 1 2 1 2 1 2 2 1 2 2 2 2 2 1 1 1 1 2 2 2 2 2 2 1 2 3 2 2 3 3 3 2 3 3 3
x10
x11
x12
x13
x14
x15
1 1 1 1 2 2 1 1 1 1 2 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 2 2 1 1 1 1 1 1 1 1 1
2 2 2 1 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 1 1 2 2 1 1 2 2 1 1 2 1 1 1 1 2 2 2 2 2 2
2 2 2 2 3 2 2 2 2 2 3 2 2 3 2 2 2 2 2 2 2 2 2 2 1 2 2 2 2 2 2 2 2 1 2 2 2 2 2 1 2 2 2 2 2 2
2 1 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 1 2 1 1 1 1 2 2 2 2 2 2
6 4 6 2 6 6 5 6 5 2 6 2 6 2 6 6 6 5 5 6 2 2 2 2 2 2 2 2 2 2 2 2 3 4 6 6 6 6 3 6 2 2 2 2 2 2
4 4 4 1 4 4 4 4 4 1 5 1 1 1 4 4 4 4 4 4 1 1 1 1 3 1 1 1 3 1 1 1 4 4 4 4 5 3 4 4 1 3 1 1 3 1
Tabel IV.4 (lanjutan)
No
y
94 95 96 97 98 99 100 101 102 103 104 105 106 107
1 1 1 1 1 1 1 1 1 1 1 1 1 1
x1 x2 1 1 1 2 1 1 1 2 1 1 2 1 2 1
2 2 2 2 2 2 2 2 2 2 2 2 2 2
x3
x4
x5
x6
x7
3 3 3 1 3 3 3 3 3 3 1 3 3 1
1 1 1 1 1 1 1 1 1 1 1 1 1 1
2 2 2 2 2 2 2 2 2 2 2 2 2 1
3 3 3 3 3 3 2 3 3 3 3 3 3 2
2 2 5 3 2 3 3 1 5 5 3 3 4 3
x8 x9 2 2 2 2 2 2 2 2 2 1 2 2 2 1
3 3 3 3 2 2 2 2 2 2 3 3 3 3
x10
x11
x12
x13
x14
x15
1 1 1 1 1 1 1 1 1 1 1 1 1 1
2 2 2 1 2 2 2 2 2 2 2 2 1 2
2 2 2 2 2 2 3 2 2 2 2 2 2 2
2 2 2 2 2 2 2 2 2 2 2 2 2 2
2 2 2 2 2 2 6 2 2 5 6 2 2 6
1 1 1 1 3 1 4 4 4 1 1 1 1 4
Hasil evaluasi kekuatan pembeda ketiga belas variabel terpilih dilakukan dengan menghitung nilai Odds pada masing-masing variabel. Nilai Odds adalah perbandingan peluang terjadinya suatu event dibandingkan dengan event lain, dalam hal ini adalah perbandingan terjadinya suatu kredit yang lancar dibagi dengan tidak lancar untuk satu variabel tertentu.
Perbandingan daya pembeda dengan mempergunakan rataan (mean) tidak dapat dilakukan karena nilai mean pada hampir semua variabel mempunyai variasi yang kecil. Nilai Odds variabel yang dipilih untuk kelimabelas variabel terpilih dapat dilihat pada tabel IV.5.
Variabel tersebut kemudian diolah untuk mencari model regresi logistik yang sesuai untuk dapat dipergunakan memperkirakan klasifikasi dari nasabah kredit.
IV.9 Estimasi Model Regresi Logistik Setelah melakukan evaluasi pada semua variabel independent yang akan digunakan dan mempunyai kekuatan pembeda yang cukup berarti, maka data tersebut kemudian diolah untuk mendapatkan model regresi logistik. Terdapat tiga Metoda yang digunakan dalam evaluasi ini yaitu metoda enter, stewise forward
86
dan stepwise backward. Penggunaan metoda dimaksudkan untuk mendapatkan model yang terbaik.
Tabel IV.5. Evaluasi Kekuatan Pembeda dengan Nilai Odds setiap Variabel X1
X2
X3
X4
X5
X6
X7
X8
X9
X10
X11
X12
X13
X14
X15
Frek Kuensi Kel Tidak lancar
43 13 0 0
3 37 2 14
10 8 38 0
39 17 0 0
13 41 2 0
3 28 25 0
2 4 40 2
27 25 4 0
2 24 30 0
49 7 0 0
10 46 0 0
3 46 7 0
12 44 0 0
0 22 5 4 11 14
16 1 6 30 3
Rataan
1,23
2,48
2,50
1,30
1,80
2,39
3,18
1,59
2,50
1,13
1,82
2,07
1,79
Kel Lancar
31 20 0 0
5 41 4 2
3 0 48 0
40 11 0 0
3 46 2 0
1 15 36 0
9 6 22 4
12 36 3 0
11 25 15 0
47 4 0 0
12 39 0 0
3 45 4 0
5 46 0 0
27 0 6 16 1
rataan
1,39
2,04
2,88
1,22
1,98
2,67
3,04
1,82
2,08
1,08
1,76
2,00
1,90
0 31 2 1 3 3 3,35
2,33
(Odds rasio) probabilistik tidak lancar/ lancar
Kel 1 1,39 Kel 2 0,65
Kel 1 0,6 Kel 2 0,90 Kel 3 0,50 Kel 3 7,00
Kel 1 3,33 Kel 2 8,00 Kel 3 0,79
Kel 1 0,98 Kel 2 1,55
Kel 1 4,33 Kel 2 0,89 Kel 3 1,00
Kel 1 3,00 Kel 2 1,87 Kel 3 0,69
Kel 1 0,22 Kel 2 0,67 Kel 3 1,82
Kel 1 2,25 Kel 2 0,69 Kel 3 1,33
Kel 1 0,18 Kel 2 0,96 Kel 3 2,00
Kel 1 1,04 Kel 2 1,75
Kel 1 0,83 Kel 2 1,18
Kel 1 1,00 Kel 2 1,02 Kel 3 1,75
Kel 1 2,40 Kel 2 0,96
Kel 1 1,00 Kel 2 0,71 Kel 3 2,50 Kel 4 4,00
Kel 1 0,59 Kel 2 1,00 Kel 3 1,00 Kel 4 1,88
Frek kuensi
IV.9.1 Model variabel bases Model base tersebut diperoleh dari perhitungan regresi logistik tanpa mempergunakan satupun variabel. Penambahan variabel yang diseleksi baik keseluruhan ataupun sebagian harus mengurangi nilai -2LL secara signifikan serta meningkatkan hit rasio dari model. Kecocokan model secara keseluruhan di ukur sebagai berikut
87
Tabel IV.6 Hasil SPSS perhitungan nilai -2LL Coefficients -2 Log likelihood
Iteration Step 0
Constant
1
148,100
0,093
2
148,100
0,094
Tabel IV.7. Hasil SPSS Klasifikasi Model Null (base) Predicted Klasifikasi Kredit Observed Step 0 Klasifikasi Kredit
tidak lancar
Percentage Correct
Lancar
Tidak lancer
56
0
100,0
Lancar
51
0
0
Overall Percentage
52,3
Tabel IV.8 Hasil SPSS Untuk Variabel tidak dalam persamaan Model Null (base)
Step 0
Score 3,204 8,104 8,487 1,067 4,787 6,172 0,400 4,302 10,480 0,628 0,526 0,919 2,699 1,913 6,441 37,192
Variabels
x1 x2 x3 x4 x5 x6 x7 x8 x9 x10 x11 x12 x13 x14 x15 Overall Statistics
88
Df 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 15
Sig, 0,073 0,004 0,004 0,302 0,029 0,013 0,527 0,038 0,001 0,428 0,468 0,338 0,100 0,167 0,011 0,001
IV.9.2 Metoda Enter Hasil pengolahan data mempergunakan metoda enter dengan 20 iterasi di peroleh hasil -2LL sebesar 100,261 Terdapat penurunan -2LL yang cukup signifikan.
Tabel IV.9 Hasil Test Omnibus (Chi square)
Step 1 Step
Chi-square 47,839
Df 15
Sig, 0,000
Block
47,839
15
0,000
Model
47,839
15
0,000
Pengujian dengan model penuh 15 variabel bebas dibandingkan model hanya dengan konstanta terbukti secara statistic dapat dipercaya . Ini terlihat dari Chi Square (Tabel IV.9) dengan nilai 47,839 (15,102) dengan nilai signifikan yang yang lebih kecil dari 0,001. Tabel IV.10. Kesimpulan Model Enter dan HL Test Model Summary -2 Log Cox & Snell Nagelkerke R Step likelihood R Square Square a 1 100,261 0,361 0,481 Hosmer and Lemeshow Test Step Chi-square Df 1 4,061 8
Sig, 0,852
Kecocokan model persamaan biasanya menggunakan nilai -2 × log likelihood (2LL). Persamaan yang baik adalah persamaan yang tingkat kemiripan antara hasil dugaan dengan nilai pengamatan sangat tinggi, dan ini akan menghasilkan nilai 2LL yang rendah. Kalau persamaan yang diperoleh cocok dengan sempurna, maka nilai kemiripannya 1 dan nilai –2LL adalah 0.
Prosedur uji -2LL dengan tabel:
Ho : Model fit terhadap data
Ha : Model tidak cocok dengan data
89
Jika nilai -2LL ≤ 2 tabel dengan df ( 107 – 15) = 87 maka Ho diterima (model fit terhadap data ) sebaliknya bila model Fit. Sebaliknya bila nilai -2LL > 2 maka Ho ditolak yang berarti model tidak cocok dengan data. Nilai -2LL adalah 100,266 (hasil SPSS) sedangkan 2 (df = 87 dengan α = 0,05) = 104,32 (dari tabel Chi Square) terlihat bahwa -2LL ≤ 2 .
Hasil
memperlihatkan bahwa Ho diterima yang berarti model fit terhadap data. Hasil ini juga sejalan dengan hasil perhitungan pada SPSS (tabel IV.9 Hasil test Omnibus). Kesesuaian model juga dapat dilihat dari perhitungan pseudo R2 yang diwakili oleh nilai Nagelkerke R Square sebesar 0.481. Nilai ini dapat ditaksirkan seabgai mana R2 dalam metoda OLS yaitu bahwa variabe X dapat menjelaskan variasi Y sebesar 48.1 % Sedangkan sisanya diterangkan oleh faktor lain di luar X.
Kesesuaian dari model selain dengan melihat penurunan -2LL juga dapat dievaluasi di peroleh dengan melihat test Hosmer dan Lemeshow Hasil test ini juga menunjukan bahwa model fit dengan data karena nilai signifikasi hasil tes ini ini adalah 0,852 yang lebih besar dari pada 0,05. Untuk test Hosmer and Lemeshow model akan dinyatakan tidak ada perbedaan dengan data observasi bila nilai signifikan lebih besar dari 0,05 (David Garson, 2008)
Dalam regresi logistik uji t di gantikan dengan Uji Wald. Perhitungan uji parametrik ini dapat dilihat pada tabel IV. 11 diatas. Dari hasil perhitungan tersebut, variabel yang cukup signifikan secara statistik adalah: X2 (alamat), X3( jenis usaha) dan X9 (jumlah tanggungan). Hasil ini cukup mengejutkan karana bukan variabel keuangan yang paling berpengaruh pada model. Namun hal ini dapat dimengerti karena data variabel keuangan juga di konversi menjadi jenis data ordinal.
Hasil klasifikasi dari model pata tabel IV.12 mempunyai hasil yang cukup signifikan yaitu 75.7%. Hal ini membuktikan bahwa variabel yang ada dapat membantu menaikan nilai prediksi bila dibandingkan dengan basis model.
90
Tabel IV. 11 Daftar variabel dalam persamaan metoda enter
Step 1
a
x1 x2 x3 x4 x5 x6 x7 x8 x9 x10 x11 x12 x13 x14 x15 Constant
B 0,289 -1,014 0,820 -1,007 0,942 0,055 -0,247 1,292 -1,621 0,433 -1,020 -1,283 0,465 0,409 -0,477 4,087
S,E, 0,591 0,417 0,432 1,023 0,772 0,877 0,224 0,767 0,477 1,174 0,810 0,836 0,942 0,242 0,278 5,167
Wald 0,239 5,918 3,598 0,970 1,487 0,004 1,213 2,841 11,571 0,136 1,586 2,355 0,244 2,848 2,937 0,626
Df
Sig, Exp(B) 0,625 1,335 0,015 0,363 0,058 2,270 0,325 0,365 0,223 2,565 0,950 1,057 0,271 0,781 0,092 3,640 0,001 0,198 0,712 1,542 0,208 0,360 0,125 0,277 0,622 1,592 0,091 1,505 0,087 0,621 0,429 59,588
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
Tabel IV.12. Hasil SPSS Klasifikasi Tabel Metoda Enter dengan Cut off 0.5
Predicted Klasifikasi Kredit Observed Step 1 Klasifikasi Kredit
0
Percentage Correct
1
0
41
15
73,2
1
11
40
78,4
Overall Percentage
75,7
IV.9.3. Metoda Stepwise Untuk mendapatkan model yang optimum, selain dilakukan pemrosesan data dengan metoda enter juga dilakukan evaluasi dengan metoda stepwise baik metoda stepwise forward maupun backward. Rangkuman hasil perhitungan kedua
91
metoda stepwise ini dapat dilihat pada tabel IV.12. Sedangkan detail dari hasil model dengan kedua metoda ini dapat dilihat pada lampiran B.
Beberapa hasil yang diperoleh oleh metoda stepwise backward seperti alternative model 8,9,10 dan 11 berada diatas metoda enter sekitar 2%. Sedangkan untuk alternative model 12 menyamai hasil yang diperoleh oleh metoda enter. Sedangkan untuk metoda stepwise forward, hasil yang diperoleh jauh dibawah hasil metoda enter.
IV.9.4 Formulasi Model Untuk Implementasi Hasil evaluasi ketiga metoda yaitu enter, stepwise backward dan stepwise forward menghasilkan 17 alternatif model seperti terlihat pada tabel IV.13. perhitungan
model
alternatif
tersebut
kemudian
di
evaluasi
Hasil dengan
mempergunakan Kriteria pemilihan model yang digunakan terdapat pada bagian IV.4.2 . Pada kriteria tersebut dilihat tiga kepentingan yaitu kepentingan kualitas model secara umum, kepentingan BPR dan kepentingan untuk implementasi.
Dengan mempergunakan kriteria tersebut dapat dirumuskan pemilihan model dari ke 17 alternatif tersebut adalah sebagai berikut:
Bila dilihat dari aspek pemodelan, model yang optimum adalah model yang mempunyai jumlah variabel terkecil, namun mempunyai hasil hit rasio yang terbesar. Dengan kriteria tersebut maka model yang terbaik adalah model alternatif 10 dimana hanya digunakan 8 variabel dengan hit rasio total 78,5% (prediksi kegagalan 75% dan prediksi berhasil 82%). Hasil yang diperoleh model alternatif 10 ini juga sudah memenuhi keinginan dari BPR yaitu 75% ketepatan prediksi.
Namun model alternatif 10 ini belum memenuhi kriteria dimana diharapkan prediksi kegagalan lebih baik dibandingkan dengan prediksi keberhasilan. Selain itu bila ditinjau dari aspek implementasi, model alternatif ke 10 ini akan cukup sulit untuk diterangkan pada lembaga keuangan mikro karena terdapat aspek pada 5C yang hilang. BPR akan sulit menerima bila analisa kredit tidak melibatkan aspek colleteral ataupun character.
92
Untuk itu pemilihan model ini tidak hanya dapat mempergunakan data dari tabel IV.13 saja, diperlukan suatu proses optimasi model untuk dapat memenuhi kriteria ke 3 dan ke 4 ini. Metoda yang digunakan adalah dengan melakukan enumerasi nilai Cut Off terhadap kemungkinan dengan kriteria performance adalah hit rasio serta peningkatan nilai prediksi kegagalannya.
Tabel IV.13 Evaluasi alternatif Model Alt Model
Metoda
Jml Var
Variabel Yang tidak Masuk
Cutt Off
-2LL
1
Base Model
15
Semua
0,50
148,33
2
Enter
15
Tidak ada
0,50
100,26
3
SB 1
15
Tidak ada
0,50
4
SB 2
14
X6
5
SB 3
13
6
SB 4
7
HL Test
Keberhasilan Prediksi Gagal Berhasil
Total Prediksi
100,00%
0,00%
52,3%
0,58
73,21%
78,40%
75,7%
100,26
0,85
73,21%
78,40%
75,7%
0,50
100,27
0,85
71,40%
78,40%
74,8%
X6, X10
0,50
100,40
0,57
71,40%
78,40%
74,8%
12
X1,X6,X10
0,50
100,72
0,77
69,60%
78,40%
73,8%
SB 5
11
0,50
101,08
0,34
69,60%
78,40%
73,8%
8
SB 6
10
0,50
102,24
0,69
71,40%
86,30%
78,5%
9
SB 7
9
0,50
103,56
0,88
73,20%
84,30%
78,5%
10
SB 8
8
0,50
104,32
0,78
75,00%
82,40%
78,5%
11
SB 9
7
0,50
106,28
0,73
76,80%
76,50%
76,6%
12
SB 10
6
0,50
108,79
0,78
76,80%
74,50%
75,7%
13
SB 11
5
0,50
111,00
0,64
87,50%
56,90%
72,9%
14
SF 1
1
0,50
137,26
0,35
53,60%
70,60%
61,7%
15
SF 2
2
0,50
126,14
0,37
87,50%
52,90%
71,0%
16
SF 3
3
0,50
120,16
0,15
89,30%
54,90%
72,9%
17
SF 4
4
X1,X6,X10, X13 X1,X6,X10, X13,X7 X1,X6,X10, X13,X7,X11 X1,X6,X10, X13,X7,X11, X4 X1,X6,X10, X13,X7,X11, X4, X5 X1,X6,X10, X13,X7,X11, X4, X5,X14 X1,X6,X10, X13,X7,X11, X4, X5,X14, X15 Var masuk : X9 Var masuk : X9,X6 Var masuk : X9,X6,X2 Var masuk : X9,X6,X2, X3
0,50
115,46
0,39
76,80%
66,70%
72,0%
93
IV.9.5 Evaluasi nilai Cut off Evaluasi nilai cut off dilakukan pada model yang dinominasikan yaitu model alteratif 2 dan alterantif 10. Hasil dari enumerasi ini dapat dilihat pada tabel IV.14 terlihat bahwa nilai Cut off 0,6 mempunyai keberhasilan prediksi tertinggi yaitu 78%. Selain itu dari penggunaan model untuk tujuan analisa kredit. Nilai 0,6 juga paling optimum karena mempunyai ketepatan prediksi kegagalan yang tertinggi yaitu 91%. Itu berarti kesalahan dari model tersebut dalam memprediksi kegagalan kredit hanya 9%. Disamping itu model enter ini mudah di jelaskan pada BPR karena mempunyai componen 5C yang lengkap. Sebaliknya model alternatif 10, pada saat di lakukan enumerasi untuk meningkatkan nilai prediksi kesalahan menjadi 93% menghasilkan total hit rasio yang menurun menjadi 75%. Tabel IV.14.Enumerasi Nilai Cut Off untuk evaluasi model Model alternatif 2 (Enter) Cut Off 0,300 0,400 0,450 0,500 0,550 0,575 0,600 0,625 0,650 0,700
Kerberhasilan prediksi gagal 63% 68% 68% 78% 80% 86% 91% 93% 93% 93%
Kerberhasilan prediksi berhasil 92% 84% 80% 80% 75% 65% 63% 57% 55% 45%
Total 77% 76% 74% 78% 78% 76% 78% 76% 75% 70%
Model alternatif 10 (Backward 8) Cut Off 0,300 0,400 0,450 0,500 0,550 0,575 0,600 0,625 0,650 0,700
Kerberhasilan prediksi gagal 66% 68% 68% 75% 86% 86% 93% 93% 93% 95%
Kerberhasilan prediksi berhasil 88% 84% 88% 82% 59% 57% 55% 51% 45% 45%
94
Total 77% 76% 79% 79% 73% 72% 75% 73% 70% 71%
Hasil dari evaluasi ini menempatkan model 2 yaitu enter sebagai model yang akan dikembangkan dan di implementasi pada BPR tersebut dengan alasan sebagai berikut: 1. Nilai cut off yang akan dipergunakan adalah 0,6 mengingat tujuan dari model adala lebih mengutamakan prinsip kehati-hatian, hal ini berarti ketepatan memprediksi Y=0 menjadi factor utama. Hasil perhitungan setiap model dengan mempergunakan cut off 0,6 menempatkan model ke 2 sebagai model yang dapat memprediksi terbesar sebesar 91%, nilai ini diatas model yang lain. Walaupun sebagai konsekuensi kemampuan memprediksi keberhasilan Y=1 menurun menjadi 63%. 2. Bila dilihat dari kemampuan memprediksi secara keseluruhan model 2 bukanlan model yang mempunyai prediksi tertinggi, akan tetapi estela dilakukan enumerasi dengan Cut off 0,6 hanya model 2 lah yang dapat memberikan prediksi gagal diatas 91%, diperkirakan, hal ini dapat dijelaskan bahwa untuk meningkatkan kemampuan memprediksi kegagalan setinggi 91%, memang diperlukan variabel yang lebih lengkap. 3. Variabel pada metoda enter lebih lengkap bila dibandingkan dengan yang lain, dan dapat memenuhi konsep 5C. Hal ini tentunya memudahkan dalam mensosialisasi dan menjelaskan pada pihak BPR. Tentunya akan lebih mudah menjelaskan serta mengimplementasikan model bila terdapat variabel colleteral (jaminan) pada persamaan model yang di sarankan. Bagi pihak user akan lebih masuk akan walaupun secara statistik penghilangkan variabel colleteral dapat meningkatkan prediksi.
Dari tabel IV.11 dapat disimpulkan parameter model 2 adalah sebagai berikut: f ( x ) 0, 289x1 -1,014 x2 0,820 x3 -1,007 x4 0, 942 x5 0, 055 x6 -0,247 x7 1,292 x8 -1,621x9 0, 433 x10 -1,020 x11 -1,283 x12 0, 465 x13 0, 409 x14 -0,477 x15 4,087 ...
(VI-3)
Dengan prediksi probabalistik dari nasabah dihitung dengan persamaan: P(x)=
exp(f ( x)) 1 exp (f ( x))
95
...
(VI-4)
Dimana
P(x) X1 X2
X3 X4 X5 X6 X7
X8 X9
X10 X11 X12 X13 X14
X15
Probabilitas dari kejadian terjadinya kredit lancar (Y=1) Usia (1 < 55 , 2 >55) Alamat (1 = Kecamatan di luar Subang, 2 = Kec Non Subang 3 = Kec Tanjung siang/Jln Cagak, 4 = Kec Subang) Profesi ( 1 = ibu rumah tangga 2 =pegawai swasta ) Plafond Kredit(1 = < = 10 juta, 2 = > 10 juta) Jangka waktu kredit (1 = < 12 Bulan 2 = > 12 bulan ) Sumber usaha (1 = pertanian , 2 = hasil usa ) Peruntukan kredit (1 = konsumtif, 2 = sekolah, 3 modal kerja, 4 = pertanian, 5 =rumah) Bunga (1 = >2,75 ,2 = 2-2,75 3 = < 2) Jumlah tanggungan (1 = tidak ada, 2=Ada tanggungan, 3= tidak ada data) Omset / bulan (1 = < 5 juta 2 = > 5 juta) Rasio omset / total hutang (1= <=2, 2=>2) DSC (1=<=1, 2=1-5, 3=>5 ) Rasio Agunan (1<=2 , 2=>2 ) Besarnya Agunan (1=<500 ribu, 2 = 500 – 1 jt, 3=1 -5 jt, 4 = 5-10 jt, 5=10-20 jt, 6=>20 jt) Jenis Agunan (1=SK, 2= Kas, 3=Campuran, 4=Tanah bangunan, 5= BPKB)
Tingkat klasifikasi untuk Model:
Tabel IV.15 Hasil Hit rasio model enter 15 variabel dengan cut off 0,6
Prediksi Group Aktual Group
%
0 = Tdk lancar
1 = Lancar
0 = Tdk lancar
51
5
91%
1 = Lancar
25
32
63%
TOTAL
78%
Hasil perhitungan ulang model dengan Metoda enter pada cut off 0,6 dengan mempergunakan excel yang sudah memasukan persamaan IV.3 dapat dilihat pada Tabel IV.16.
96
Tabel IV.16 Hasil SPSS Evaluasi Model dengan program excell Dengan Metoda Enter Cut off 0,6 No
Y 1
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
1 1 1 1 1 1 1 1 1 2 1 1 1 1 1 1 1 2 1 1 2 2 2 2 2 2 2 1 1 1 2 1 1 1 1 1 1 1 2 1 1 1 1 1 1
2
3 3 2 2 4 2 1 4 2 4 2 2 2 2 2 4 4 2 4 2 2 2 2 2 2 2 1 2 2 2 2 2 2 4 4 2 2 2 4 4 4 2 4 2 3 2
4 3 3 3 3 3 2 1 3 3 3 3 3 1 1 3 2 2 2 3 3 3 3 3 3 3 3 3 3 2 1 3 3 3 2 1 3 1 3 3 2 3 3 1 2 3
5 1 1 1 1 1 2 1 1 2 1 1 1 1 2 2 2 1 1 1 1 1 1 1 1 1 1 1 2 2 2 1 2 1 1 1 1 1 2 2 2 1 2 1 1 1
6 2 2 2 3 2 2 1 2 2 2 1 2 2 2 1 2 2 2 3 2 2 2 2 2 2 2 2 2 2 2 2 1 2 1 1 1 2 1 2 2 1 2 2 1 2
3 3 3 3 3 3 2 2 2 2 2 3 2 2 2 3 2 2 3 3 3 3 3 3 3 3 2 2 3 2 3 2 3 2 2 2 2 2 2 3 2 3 2 3 2
7 2 1 2 2 5 1 3 3 3 3 3 5 3 3 3 3 3 3 3 5 3 3 3 5 5 5 3 3 3 3 3 3 5 3 3 3 3 3 3 3 4 5 3 3 3
8 2 2 2 2 2 2 2 2 2 2 1 2 1 1 1 2 1 1 2 1 2 2 2 2 2 1 1 3 2 1 2 1 2 1 1 1 1 1 1 2 2 3 1 2 1
X 9
P 10 3 3 3 3 3 3 3 3 3 3 2 2 1 2 1 2 2 2 3 2 3 3 3 3 3 2 2 2 3 2 3 2 3 2 3 2 3 3 3 3 2 3 2 3 2
97
11 1 1 1 1 1 1 1 1 1 1 1 1 1 2 2 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 1 1 1 1 1 2 1 1 1 1 1 1 1
12 2 2 2 2 2 1 2 1 2 2 2 2 2 2 1 1 2 2 2 2 2 2 2 2 1 2 2 2 1 2 2 2 1 2 2 2 2 1 2 1 2 2 2 2 2
13 2 2 3 3 3 2 2 2 2 2 2 2 2 1 1 2 2 3 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 1 2 2 3 3 2 2 2
14 2 2 2 2 2 1 1 2 1 1 2 2 2 1 2 1 2 1 2 2 2 2 2 2 2 2 2 1 2 2 2 2 2 2 2 2 2 2 2 1 1 1 2 2 2
2 4 2 3 2 2 3 4 5 5 5 2 5 5 5 2 2 4 2 2 2 2 2 2 2 2 3 6 3 6 2 6 2 6 5 5 6 6 6 2 3 2 5 2 6
15 1 3 1 1 1 1 5 4 4 4 4 1 4 4 4 1 5 4 3 4 1 3 1 1 1 3 5 3 3 4 1 4 1 4 4 4 4 4 4 1 2 4 4 1 4
0,301 0,571 0,248 0,143 0,136 0,541 0,001 0,569 0,021 0,375 0,280 0,742 0,494 0,198 0,593 0,148 0,074 0,009 0,479 0,159 0,554 0,323 0,554 0,431 0,677 0,528 0,267 0,880 0,194 0,096 0,554 0,248 0,172 0,033 0,015 0,280 0,054 0,079 0,019 0,033 0,181 0,004 0,162 0,055 0,600
Pre Diksi 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
Tabel IV.16 (lanjutan)
No 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91
Y 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
1 2 1 1 1 1 1 1 1 1 2 1 1 2 1 1 1 1 2 1 2 1 1 1 1 1 1 2 2 2 2 2 2 2 1 1 2 1 1 1 1 1 1 2 2 2 2
2
3 4 2 2 2 2 4 2 2 2 1 2 3 2 2 2 2 2 2 2 2 2 2 1 1 1 2 2 2 2 2 2 2 2 2 4 2 2 1 3 4 2 3 2 2 2 2
4 3 3 1 1 3 3 3 3 1 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3
5 1 2 1 1 1 2 2 2 1 1 1 2 1 2 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 1 1 2 2 2 2 2 2 2 2 1 1 1 1
2 1 2 2 2 2 1 1 2 2 2 2 2 2 2 2 1 2 2 2 1 2 2 2 2 2 2 2 2 2 2 2 2 2 3 3 2 2 2 2 2 2 2 2 2 2
6 3 1 2 2 2 3 1 1 2 3 2 3 2 3 2 3 1 2 2 2 2 3 3 3 3 3 3 3 3 3 3 3 3 3 2 2 2 2 2 3 2 2 3 3 3 3
7 3 4 3 3 3 2 3 3 3 3 3 1 3 5 3 5 4 3 3 3 3 3 5 3 3 2 4 1 2 5 1 5 5 3 3 3 3 3 1 1 3 3 5 6 1 1
8 3 1 1 1 1 3 1 1 1 2 1 2 1 2 1 2 1 1 1 1 1 2 2 2 2 2 2 2 2 2 2 2 2 3 3 1 3 1 2 2 2 1 2 2 2 2
X 9
P 10 3 3 2 2 2 2 2 3 2 3 2 1 1 1 2 1 2 1 2 2 1 2 2 2 2 2 1 1 1 1 2 2 2 2 2 2 1 2 3 2 2 3 3 3 2 3
98
11 1 2 1 1 1 1 2 2 1 1 1 1 2 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 2 2 1 1 1 1 1 1 1
12 2 2 2 2 2 1 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 1 1 2 2 1 1 2 2 1 1 2 1 1 1 1 2 2 2 2
13 2 2 2 2 2 2 3 2 2 2 2 2 3 2 2 3 2 2 2 2 2 2 2 2 2 2 1 2 2 2 2 2 2 2 2 1 2 2 2 2 2 1 2 2 2 2
2 2 2 1 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 1 2 1 1 1 1 2 2 2 2
14 2 6 6 4 6 2 6 6 5 6 5 2 6 2 6 2 6 6 6 5 5 6 2 2 2 2 2 2 2 2 2 2 2 2 3 4 6 6 6 6 3 6 2 2 2 2
15 4 4 4 4 4 1 4 4 4 4 4 1 5 1 1 1 4 4 4 4 4 4 1 1 1 1 3 1 1 1 3 1 1 1 4 4 4 4 5 3 4 4 1 3 1 1
0,124 0,046 0,225 0,075 0,600 0,745 0,079 0,058 0,162 0,807 0,499 0,838 0,729 0,841 0,862 0,801 0,302 0,910 0,600 0,571 0,663 0,852 0,888 0,928 0,928 0,858 0,972 0,993 0,991 0,951 0,798 0,795 0,914 0,945 0,418 0,892 0,990 0,699 0,281 0,560 0,505 0,198 0,431 0,186 0,911 0,670
Pre Diksi 0 0 0 0 0 1 0 0 0 1 0 1 1 1 1 1 0 1 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 1 1 1 0 0 0 0 0 0 1 1
Tabel IV.16 (lanjutan)
No 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107
Y 1 1 2 1 1 1 2 1 1 1 2 1 1 2 1 2 1
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
2
3 1 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2
4 3 3 3 3 3 1 3 3 3 3 3 3 1 3 3 1
5 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
6 3 3 3 3 3 3 3 3 2 3 3 3 3 3 3 2
2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 1
7 2 1 2 2 5 3 2 3 3 1 5 5 3 3 4 3
8 2 2 2 2 2 2 2 2 2 2 2 1 2 2 2 1
X 9
P 10 3 3 3 3 3 3 2 2 2 2 2 2 3 3 3 3
11 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
12 2 2 2 2 2 1 2 2 2 2 2 2 2 2 1 2
13 2 2 2 2 2 2 2 2 3 2 2 2 2 2 2 2
14 2 2 2 2 2 2 2 2 6 2 2 5 6 2 2 6
2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2
15 3 1 1 1 1 1 3 1 4 4 4 1 1 1 1 4
0,558 0,670 0,543 0,543 0,362 0,400 0,699 0,825 0,602 0,711 0,407 0,729 0,552 0,482 0,729 0,022
IV.10. Verifikasi Model
Tabel IV.17 Hasil uji kolinearitas untuk verifikasi model
MATRIK KORELASI Constant Constant
x1
x2
x3
x4
x5
x6
x7
1.00 -0.16 -0.21 -0.11 -0.49 -0.05 -0.53 -0.27
x8
x9
x10
x11
x12
x13
x14
x15
0.08 -0.37 -0.01 -0.32 -0.41 -0.34 -0.33 -0.38
x1
-0.16
1.00
0.12 -0.02
x2
-0.21
0.12
1.00 -0.07 -0.06 -0.03
x3
-0.11 -0.02 -0.07
x4
-0.49
x5
-0.05 -0.09 -0.03
0.13 -0.18
x6
-0.53 -0.07
0.08
0.00
0.15 -0.23
1.00
0.12 -0.23
0.03 -0.04
0.06
0.16 -0.07
0.35
0.47
x7
-0.27 -0.07
0.08 -0.07
0.06 -0.01
0.12
1.00
0.11
0.13
0.10 -0.02 -0.10
0.13
0.14
0.08 -0.06 -0.29 -0.17 -0.26 -0.15 -0.23
0.11
1.00 -0.28
0.27
0.02
0.14 -0.06
0.21
x8
0.23 -0.09 -0.07 -0.07 -0.06 -0.08 -0.14
1.00 -0.01
0.23 -0.06 -0.01
0.14 -0.01
0.13
1.00 -0.18
0.08
0.08 -0.29
0.15
0.06 -0.26
-0.37 -0.08
x10
-0.01 -0.14 -0.03 -0.07 -0.51
x11
-0.32
0.12
0.24 -0.07
0.37 -0.11
0.06
x12
-0.41
0.13
0.13 -0.08
0.31 -0.07
0.16 -0.02 -0.33
x13
-0.34 -0.02 -0.09 -0.10
x14
-0.33
0.03
x15
-0.38 -0.03
0.25 -0.04
0.13 -0.28 0.02
0.13 -0.02
0.24
0.13 -0.09 -0.13
0.31
0.02
0.19 -0.05 -0.33 0.17
0.19
0.04 -0.03
0.14 -0.13
0.33 -0.03
0.12
0.05
0.14
0.02 -0.25
1.00 -0.10 -0.12 -0.15 -0.08 -0.13
0.17 -0.10
1.00 -0.09 -0.19 -0.06
0.00
0.19 -0.12 -0.09
1.00
0.07 -0.10
0.18
0.14 -0.15 -0.19
0.08
0.07
1.00
0.08
0.02
0.35
0.13
0.27 -0.06 -0.08 -0.06 -0.10
0.08
1.00 -0.21
0.14 -0.25
0.47
0.14
0.02
0.08 -0.21
99
0.12
0.37
0.25 -0.11 -0.07 -0.06
1.00 -0.15
0.19 -0.15
0.10 -0.05
0.33 -0.06 -0.07 -0.10
0.14 -0.03
0.05 -0.13
0.31 -0.51
1.00 -0.23 -0.01 -0.15 -0.12
0.31 -0.12
0.12
0.00 -0.07 -0.17 -0.01 -0.07 -0.07 -0.08 -0.10
x9
0.04 -0.13
0.14 -0.03
0.21 -0.13
0.00
0.18
1.00
Pre Diksi 0 1 0 0 0 0 1 1 1 1 0 1 0 0 1 0
Untuk melihat apakah model dari metode enter ini sesuai dengan ketentuan tidak boleh ada kolinearitas di antara variabel independent maka dilakukan uji kolinearitas dengan mempergunakan SPSS. Hasil pengujian ini di perlihatkan pada matrik korelasi pada tabel IV.17. Hasil ini menunjukan tidak adanya multikolinearitas yang serius antara variabel independent sebagai mana terlihat dari nilai korelasi antara variabel independent yang berada dibawah 0,55.
IV.11. Validasi Model Model tersebut kemudian dilakukan validasi dengan mempergunakan data sample sebanyak 24 kasus. Hasil evaluasi dengan mempergunakan data sample dapat di perlihatkan pada table IV.19.
Sedangkan tabel klasifikasi hasil validasi dapat dilihat pada tabel IV.18. Hasil ini menunjukan bahwa model cukup konsisten untuk memprediksi klasifikasi responden dengan ketepatan prediksi total 75 %. Hanya turun sekitar 3 % dari ketepatan prediksi model yaitu 78%.
Tabel IV.18 Hasil Hit rasio Model enter 15 variabel dengan cut off 0,6 Pada data hold sample (24 sample)
Prediksi Group Aktual Group
%
0 = Tdk lancar
1 = Lancar
0 = Tdk lancar
10
2
83%
1 = Lancar
4
8
67%
TOTAL
100
75%
Tabel IV.19 Hasil evaluasi model pada data hold sample pada Program Excel SPK 299-08 662-08 1053-08 1263-08 2112-08 654-08 343-08 816-08 163-08 1219-08 1210-08 952-08 2049-08 700-08 1915-08 1950-08 698-08 999-08 1534-08 646-08 518-08 820-08 1530-08 1041-08
Y 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1
1 2 1 1 1 2 2 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
2 2 2 2 2 2 4 2 4 2 2 2 2 2 2 2 2 2 2 2 2 2 1 2 2
3 3 3 2 2 3 3 1 3 3 3 3 3 3 3 1 3 3 1 3 2 2 3 2 3
4 1 1 1 1 1 1 1 2 2 1 1 2 1 1 1 1 1 1 1 1 1 1 1 2
5 1 1 1 2 1 1 1 2 2 1 1 2 2 1 1 1 1 2 1 1 1 1 1 2
6 2 2 2 2 1 3 2 2 2 2 2 2 2 2 1 2 2 3 3 2 2 3 3 3
7 2 2 2 2 4 1 3 3 3 3 3 3 3 3 4 3 3 5 5 3 3 2 3 1
8 1 1 1 1 1 2 1 1 1 1 1 1 1 1 2 1 1 2 2 1 1 2 1 2
X 9 2 2 2 2 3 1 2 3 2 3 3 2 2 2 2 2 2 1 2 2 2 2 2 2
101
F(x) 10
11 1 1 1 1 1 1 1 1 1 1 1 2 2 1 1 1 2 1 1 1 1 1 1 1
12 2 1 1 2 2 1 2 1 1 1 1 2 2 1 1 2 2 2 1 1 2 1 1 1
13 2 2 2 2 1 2 2 2 2 1 2 2 1 2 1 1 1 2 2 2 2 2 1 2
14 2 2 2 1 2 1 2 2 2 2 2 1 2 2 1 2 2 2 1 2
1 2 2 1
P
0/1
15 4 4 4 6 6 4 6 6 6 3 5 6 4 4 4 4 6 4 4 4 1 5 5 5
4 5 3 4 4 1 4 4 4 5 5 4 5 5 2 5 4 1 2 4 5 1 3 1
-0,82 -0,56 -0,43 -0,63 -0,89 2,35 -2,18 -3,23 0,42 -1,56 -2,02 -0,63 0,83 -0,81 0,79 -0,55 1,18 1,85 1,01 -1,15 -4,34 4,11 1,07 2,82
0,31 0,36 0,39 0,35 0,29 0,91 0,10 0,04 0,60 0,17 0,12 0,35 0,70 0,31 0,69 0,37 0,76 0,86 0,73 0,24 0,01 0,98 0,74 0,94
0 0 0 0 0 1 0 0 1 0 0 0 1 0 1 0 1 1 1 0 0 1 1 1
