BAB V IMPLEMENTASI DAN ANALISA Bab V akan menjelaskan proses implementasi model pada organisasi keuangan mikro. Dimulai dari perancangan dan pembangunan aplikasi komputer untuk implementasi model serta penggunaan yang lebih luas seperti laporan/nota kredit. Kemudian dilanjutan penjelasan keterkaitan aplikasi dengan framework manajemen resiko di BPR, selanjutnya pembangunan beberapa standard operating prosedur terkait yang diperlukan untuk mengintegrasikan aplikasi dengan operasional kredit yang telah berjalan selama ini.
Bab ini akan ditutup dengan analisa secara komprehensif terhadap model yang dihasilkan dan juga implementasinya.
V.1 Pembangunan Aplikasi Analisa Kredit Dewasa ini penggunaan teknologi informasi pada dunia perbankan sudah merupakan keharusan yang tidak dapat dihindari. Beberapa hal yang mendukung pernyataan ini antara lain: proses perbankan menyangkut masalah data yang besar, diperlukan memperkecil terjadinya kesalahan manusia, meningkatkan kecepatan proses dan juga perbankan menyangkut masalah keuangan yang riskan terjadi perselisihan bila tidak dikelola dengan aman dan baik.
Model analisa kredit ini akan mengalami kesulitan bila tidak mempergunakan teknologi informasi dalam implementasinya. Beberapa kesulitan tersebut adalah sebagai berikut:
Model yang digunakan mempunyai 15 variabel independen sehingga mudah terjadi kesalahan manusia dan cukup rumit bila dilakukan secara manual.
Adanya pekerjaan tambahan yang cukup signifikan untuk mengolah data, sehingga tidak realistik dilakukan untuk sumber daya yang ada.
Tidak dapat dilakukan analisa detail seperti analisa crosstab karena data nasabah tidak dalam bentuk database.
Tidak dapat dipergunakan lebih jauh untuk keperluan laporan dan pembuatan nota kredit.
102
Terdapat dua pendekatan yang dapat digunakan pada pembuatan aplikasi untuk implementasi model ini dalam sistem di perbankan mikro. Pendekatan pertama adalah pembuatan aplikasi terintegrasi dengan sistem transaksi yang sudah berjalan. Pendekatan kedua adalah membuat aplikasi yang berdiri sendiri tidak terkoneksi dengan sistem yang ada.
Pendekatan pertama merupakan pendekatan yang ideal karena data dapat langsung terintegrasi dengan master data perbankan. Namun pendekatan ini juga lebih sulit diterapkan karena harus berinteraksi dengan vendor aplikasi tersebut yang belum tentu setuju aplikasinya di integrasikan dengan aplikasi baru, kedua pihak BPR sendiri belum tentu bersedia server utamanya di integrasikan dengan aplikasi ini mengingat adanya resiko terganggunya pelayanan nasabah bila server tersebut di tambahkan aplikasi baru.
Untuk itu penelitian ini diputuskan menggunakan pendekatan kedua yaitu membuat aplikasi analisa kredit yang terpisah dari sistem aplikasi transaksi utama di perbankan. Langkah ini juga di dukung kenyataan di lapangan bahwa selama ini untuk keperluan analisa kredit pihak BPR tidak memergunakan data pada aplikasi utama, melainkan melakukan secara manual dan mempergunakan excell, sehingga setiap nasabah akan mempunyai satu file excell untuk perhitungan kelayakan kreditnya
V.1.1. Arsitektur Sistem Aplikasi yang akan dibangun merupakan sistem pengambilan keputusan (SPK), khususnya sistem pengambilan keputusan untuk suatu analisa kredit. Komponen utama dalam SPK adalah sebagai berikut (Turban,1995): A. Dialog (Interface Software) (DGMS) B. Database mendukung sistem (DBMS) C. Model Base memberikan kemampuan analis. (MBMS) D. Managemen Pengetahuan Bagan interaksi antara komponen dapat digambarkan pada bagan 4.1 dibawah ini.
103
Model Default Prediction- Regresi Logistik
My Sql
Model Management
Data Management System
Knowledge Management
Dialog Management
Capital Colleteral Capacity Conditions Character
Input
Data Bank
Output
User
Klasifikasi Nota Kredit Analisa Crosstab Laporan
Tim Analisa -Adm Kredit -Mgr marketing -Surveyor -Analisa Kredit -Direktur
Gambar V.1 Arsitektur Sistem SPK untuk Analisa Kredit
a. Dialog (Interface software) Sub sistem penyelenggara dialog berfungsi sebagai pengkomunikasi antara pemakai dengan sistem komputer. Sub sistem ini harus memberikan / memenuhi keinginan pemakai dan bersifat cukup komunikatif. Pada aplikasi analisa kredit ini Interface software dibagi menjadi dua yaitu input dan output dari aplikasi.
Input Input pada sistem ini merupakan data yang dimasukan ke dalam aplikasi analisa kredit. Sesuai dengan pendekatan yang dilakukan informasi yang dimasukan oleh
104
user ke dalam aplikasi dapat di kelompokan ke dalam 5 C, yaitu Capital, Character, Colleteral, Condition dan Constrain, Capacity.
Selain dari 5 C, aplikasi juga memerlukan masukan parameter harga dari BPR seperti besarnya bunga, provisi, metode dan juga biaya lainya. Detail dari input yang dimasukan pada sistem dapat dilihat pada lampiran B.
Output Output dari aplikasi analisa kredit adalah sebagai berikut:
Nota Kredit
Laporan Kredit gagal per kecamatan
Laporan Kredit gagal per gender
Laporan Kredit gagal per planfond kredit
Dsbnya
Aplikasi input dan ouput ini dibuat dengan software open Sourche berbasis web PHP.
b. Sub sistem Manajemen Basis Data (DBMS=Data based manajemen system) Sub system managemen basis data menagani pemeliharaan data control serta menyederhanakan program interface SPK dengan basis data. Basis data merupakan mekanisme integrasi berbagai data internal maupun eksternal. Pada aplikasi ini data base yang digunakan adalah software open sourche data base My Sql.
c. Sub sistem Manajemen Basis Model (MBMS=Model based manajemen system) Sub system manajemen basis model bertugas untuk mengintegrasikan akses data dengan model yang dirancang dan dikembangkan. Hal ini dilakukan dengan memasukan model matematika. Pada aplikasi analisa kredit ini dimasukan model matematika regresi logistik dan sistem skoring untuk keperluan mengelola data yang nasabah yang sudah dimasukan.
105
d. Manajemen Pengetahuan Sub sistem pilihan ini mendukung segala penterjemahan sub sistem diatas atau juga dapat bertindak sebagai komponen bebas dimana sama sekali tidak terkait dengan sub sistem lainnya. Pada analisa kredit ini, sub sistem managemen pengetahuan telah dimasukan inklusif di dalam proses pembuatan input, outpun maupun pembangunan data base dan model. Sistem aplikasi analisa kredit sendiri dibuat berbasis web sehingga dapat di akses pada semua komputer yang tersambung pada jaringan LAN di BPR tersebut. Dengan tersambung dalam jaringan ini
Custum er Service
Survey
Administra si Kredit
M anager M arketing
Aplikasi Analisa Kredit
Nota Kredit LaporanLaporan Monitoring
Dirut BPR
Gambar V.2 Diagram Contex level 0 Aplikasi Analisa Kredit
V.1. 2. Modul Analisa Kredit a. Modul Login User dapat masuk ke halaman login Aplikasi dengan mempergunakan shortcut yang telah disediakan atau dengan browsing pada local area dengan alamat sebagai berikut: http://localhost/AnalisaKredit/. Setelah masuk ke dalam halaman awal Aplikasi, maka akan terlihat welcome page sebagai berikut:
Gambar V.3 Tampilan Welcome Page (halaman login)
106
Login User diminta untuk login user id dan password untuk masuk ke dalam aplikasi ini. User dan login dapat diminta pada administrator. Pembuatan user dan password akan dijelaskan pada bagian tersendiri pada administratrasi. Setelah login maka anda masuk ke dalam halaman utama dan siap untuk mempergunakan aplikasi analisa kredit ini. b. Modul Utama Pada halaman main menu langsung terlihat daftar nasabah kredit yang sudah masuk. Pada main menu, selain menu utama seperti yang disebutkan diatas, terdapat juga fungsi khusus sebagai berikut:
Mencari Nasabah dengan nama dan nomor SPK
Edit Nasabah dan
delete nasabah
Gambar V.4 Tampilan halaman menu utama
107
Main menu terletak pada halaman utama dengan perincian menu utama sebagai berikut: a. Input b. Proses c. Laporan d. Administrasi e. Log Out Tampilan dari main menu dapat dilihat pada V.4.
c. Input /Edit Data Menu pada Input ini merupakan salah satu menu dari DGMS (dialog menagemen) yang mempunyai fungsi untuk memasukan data calon debitur pada sistem. Secara garis besar data yang dimasukan dibagi menjadi 6 bagian yaitu:
Identitas Nasabah
Data Character
Data Capital
Data Capacity
Data Collateral
Data Condition dan Constrain
Selain itu dimasukan pula data bank yang berupa penetapan harga maupun staff yang terlibat. Tampilan input dapat dilihat pada lampiran C.
d. Proses Menu proses merupakan sub sistem manajemen basis model (MBMS). Pada menu proses ini model regresi logistik dimasukan ke dalam sistem sebagai alat untuk menganalisa data yang dimasukan pada menu input. Namun Mengingat pada PD BPR LPK Jalan Cagak sudah terbiasa dengan sistem scoring untuk melakukan analisa kredit, maka selain analisa regresi logistik, di masukan juga metode scoring sebagai pembanding. Tampilan dari menu proses dapat dilihat pada lampiran C
108
e. Laporan Menu pada laporan ini
merupakan salah satu menu dari DGMS (dialog
menajemen) yang mempunyai fungsi untuk memberikan informasi kepada user hasil dari analisa. Beberapa laporan yang dibuat pada menu ini adalah:
Nota Kredit
Laporan Kredit berdasarka Periode
Laporan Analisa Cross Tab (berdasarkan kecamatan, gender, plafond kredit, bunga dsbanya)
f. Administrasi Bagian ini merupakan bagian dari subsistem managemen pengetahuan yang di terapkan pada aplikasi ini, karena pada bagian ini terdapat beberapa menu yang diperuntukan untuk menset up master data dan lain-lain berdasarkan pengetahuan yang dimiliki oleh user. Pada menu yang diperuntukan untuk administrator yang berfungsi untuk melakukan set up awal kebutuhan system di computer. Terdapat beberapa fungsi pada menu ini yaitu user manajemen, data master dan setup data scoring. Sedangkan untuk keperluan model regresi logistik dilakukan setup melalui coding pada skrip PHP.
V.2. Aplikasi Analisa Kredit sebagai Alat Risk Assesment Pada bagian ini tidak akan membahas keseluruhan langkah pada implementasi framework manajemen resiko, namun hanya akan difokuskan untuk membahas impelementasi dari risk Assement dengan mempergunakan aplikasi analisa kredit.
V.2.1. Framework manajemen resiko Aplikasi analisa kredit ini merupakan alat bantu bagi manajemen dalam mengambil keputusan. Sehingga manajemen dapat mempunyai data yang komprehensif dan lengkap dalam mengambil keputusan kredit. Pengambil keputusan adalah Art atau intuitif yang tidak dapat dimodelkan dengan eksak, pada akhirnya tetap pengambil keputusan adalah manajemen. Efektifitas dari aplikasi ini tentunya sangat tergantung dari data dan kejujuran staff yang mamasukan data pada sistem ini. Aplikasi ini merupakan alat bantu manajemen
109
guna merasionalisasikan pengambilan keputusan yang intuitif ini, dan merupakan satu element dari framework manajemen resiko yaitu risk assesement kredit lebih efektif.
Suatu organisasi di sarankan untuk menerapkan manajemen resiko secara terintegrasi seperti penggunaan framework COSO (Committee of Sponsoring Organizations of the Treadway Commission )
Dari hasil studi literatur (bab II Framework Manajemen Resiko)
ke tiga
framework yaitu COSO, AS/NZS4360:2004 dan Basel II diperoleh bahwa pendekatan dengan framework COSO lebih sesuai dengan obyek serta tujuan penelitian. Beberapa hal tersebut adalah sebagai berikut. a. COSO mempunyai pendekatan yang lebih sistematis serta terintegrasi dengan berbagai level organisasi bila dibandingkan dengan kedua sistem yang lain. Integrasi framework COSO dapat dilihat dari tahapannya yang membahas obyektif yang berhubungan dengan Visi sampai dengan fungsi seorang audit internal, sehingga untuk keperluan organisasi bisnis COSO dirasakan lebih sesuai. b. Pendekatan AS/NZS4360:2004 dirasakan cocok bila digunakan untuk mengevaluasi suatu projek, fungsi atau enginering yang bukan dalam tataran corporate yang multi level dan multi fungsi. c. Sedangkan untuk Basel II, obyek BPR diperkirakan belum siap untuk melakuan terapi pemodalannya, selain itu Basel juga mengisyarakat untuk penerapan manajement resiko pada pilar ke 2 sehingga akan lebih fokus bila yang digunakan adalah framework khusus manajemen resiko seperti COSO
V.2.2. Penilaian Resiko (Risk Assesment) Ini merupakan tahap manajemen resiko yang terkait dengan penelitian. Model matematika yang telah diperoleh akan digunakan untuk memprediksi apakan suatu nasabah termasuk kelompok kredit bagus ataupun kredit tidak bagus. Model yang digunakn untuk risk assesment ini adalah sebagai berikut:
f ( x ) 0, 289x1 -1,014x2 , 0820x3 -1,007 x4 0, 942 x5 0, 055 x6 -0,247 x7 1,292x8 -1,621 x9 0, 433 x10 -1,020 x11 -1,283 x12 0, 465 x13 0, 409 x14 -0,477 x15 4,087 110
(V-1) P(x)=
exp(f ( x)) 1 exp (f ( x))
(V-2)
Dari Model matematika ini akan diperoleh P (probablitas kredit lancar) yang dalam kaitan dengan manajement resiko merupakan besaran peluang (likelihood), bila suatu nasabah setelah dihitung dari data variabel yang ada termasuk dalam kelompok yang kredit jelek maka peluang untuk gagal akan lebih besar bila dibandingkan sukses. Tingkat keberhasilan prediksi dapat dihitung dari matrik diskriminan.
Sedangkan untuk konsekuensi diwakilkan dengan jumlah kredit yang diberikan. Semakin besar jumlah kredit maka semakin besar pula resiko atau kerawanan yang harus di kelola. Besaran resiko atas setiap organisasi merupakan perkalian antara likelihood dan consequence. V=PxS
(V-3)
P: Potensial occurance / Likelihood: besaran kecenderungan atau peluang terjadinya suatu event
S: Significance/Consequence: besaran dampak dari terealisirnya suatu resiko
V: Vulnerability / Kerawanan: besaran dari suatu resiko
V.2.3. Risk Respone PD BPR LPK Jalan cagak harus menentukan sikap atas hasil penilaian resiko tersebut. Sistem dirancang untuk risk response dari PD LPK Jalan Cagak adalah sebagai berikut (respon untuk hasil negatif)
Avoidence, yaitu dihentikan aktivitas atau pelayanan yang menyebabkan terjadinya resiko. Pada kasus ini aplikasi kredit tidak diterima dan dibuatkan surat penolakan kredit.
Reduction, yaitu mengambil langkah-langkah untuk mengurangi likelihood atau impac dari resiko. Tindakan BPR untuk menambah nilai agunan akan merubah hasil dari nilai Prediksi (P) yang dalam hal ini mewakili likelihood atau frekuensi. Sedangkan tindakan BPR untuk mengecilkan nilai kredit akan
111
berefek kepada perubahan nilai P dan juga akan mengecilkan nilai Impact/ konsekuensi.
Sharing, yaitu mengalihkan atau menanggung bersama resiko atau sebagian dari resiko dengan pihak lain. Langkah ini dapat dilakukan dengan mencari partner saham ataupun dengan membesar agunan.
Acceptance, yaitu menerima resiko yang terjadi (biasanya resiko yang kecil ) dan tidak ada upaya khusus yang dilakukan. Untuk resiko yang kecil dan dapat ditoleransi oleh direksi, proses kredit dapat diteruskan karena beberapa hal sebagai berikut: (1) Direksi ataupun ada pihak yang memberikan jaminan secara personal (2) Masuk dalam katagori Chaneling untuk UKM (3) Pelanggan yang memiliki prospek cerah Direktur dan komisi kridit merupakan pengambil keputusan bila seorang
nasabah yang di identifikasi jelek dan akan dipertahankan. Dalam memilih respon perlu dipertimbangkan faktor-faktor seperti:
Pengaruh tiap respon terhadap risk likehood dan impact.
Respon yang optimal (yang dapat memberikan pemenuhan risk apetite dan tolerance)
Analisis cost versus benefit
dan peluang yang dapat timbul dari setiap risk response
V.2.4. Aktivitas pengendali resiko Pada PD LPK jalan cagak aktivitas pengendali resiko kredit yang akan sudah ada atau direncanakan untuk di implementasi adalah: (1) pembuatan kebijakan dan prosedur yang baru terkait managemen resiko dan aplikasi analisa kredit preventive (2) pengamanan Kredit yang diberikan detection and corrective dengan mempergunakan aplikasi analisa kredit (3) Delegasi wewenang dan pemisahan fungsi preventive, fungsi-fungsi yang kritikal seperti analisa kredit dengan pengawas tidak dapat disatukan. Implementasi dari internal auditor (4) supervisi atasan directive: perlu dilakukan upgrade kompetensi dari supervisor / manager mengenai analisa kredit dan supervisi.
112
V.2.5. Information dan Komunikasi Fokus dari element ini adalah menyampaikan informasi yang relevan kepada pihak terkait melalui media komunikasi yang sesuai. Faktor-faktor yang perlu diperhatikan dalam penyampaian informasi dan komunikasi adalah kualitas informasi, arah komunikasi dan alat komunikasi. Informasi yang disajikan tergantung dari kualitas informasi yang diingin disampaikan daan kualitas informasi dapat dipilah menjadi appropriate, timely, current, accurate
dan accessible. Pada PD BPR LPK Jalan Cagak Arah
komunikasi dapat bersifat internal dan eksternal sedangkan alat komunikasi berupa diantaranya manual, memo, buletin dan pesan-pesan melalui media elektronik.
V.2.6. Monitoring Beberapa aktivitas yang terkait dengan monitoring, baik sudah di implementasi maupun akan di implementasikan adalah sebagai berikut:
Diadakannya jadwal internal audit secara rutin sebulan sekali.
Diadakannya rapat komite kredit dalam memutuskan kredit, sehingga power tidak terpusat pada kepala cabang.
Diadakannya performance review meeting setiap bulan sekali untuk mengevaluasi pencapaian dari kinerja organisasi versus target.
V.3. Perubahan Prosedur Untuk mengimplementasikan analisa kredit ini ke dalam framework manajement resiko diperlukan suatu perubahan beberapa prosedur operasional terkait. Berikut ini adalah beberapa prosedur penting yang perlu mengalami perubahan dalam rangka implementasi: (1) Format data isian nasabah kredit (2) Format dari Nota kredit (3) Standar Operating Prosedur (SOP) untuk proses kredit (4) Penambahan SOP untuk merespon hasil analisa kredit
113
V.3.1. Format data isian nasabah kredit Format analisa yang berdasarkan 5 C memerlukan format isian khusus, yang tidak sama dengan format yang ada. Untuk itu pada penelitian juga perlu dibuat format isian bagi nasabah yang sesuai dengan aplikasi dan model yang dibuat. Selain itu format tersebut harus cukup sederhana, lengkap dan mudah digunakan.
V.3.2. Format Nota Kredit Baru Selain format isian nasabah yang harus dirubah, implementasi ini memerlukan format nota kredit baru yang dapat mengakomodasi hasil dari model serta keperluan lain dari analisa kredit. Hasil dari perhitungan model ini di buat rangkumannya dalam nota kredit.
V.3.3. SOP Proses Kredit Dengan adanya aplikasi analisa kredit, tentunya akan merubah flow dari proses informasi analisa kredit. Semua kredit diharuskan dimasukan datanya ke dalam aplikasi ini serta setiap berkas kredit harus dilengkapi dengan nota kredit hasil print out dari sistem dengan dilampirkan print out dari detail perhitungan baik scoring maupun regresi logistik. Perubahan Flow ini memerlukan perubahan dari standar operating prosedur yang ada.
V.3.4. SOP Respon terhadap hasil analisa Aplikasi analisa kredit ini merupakan hal yang baru bagi PD BPR Jalan Cagak, oleh karena itu diperlukan tambahan prosedur untuk BPR terutama prosedur untuk merespon terhadap hasil analisa kredit yang diperoleh. Respon ini tentunya respon standar, sedangkan respon riil dari BPR sangat tergantung dari keadaan dan diputuskan oleh Direktur BPR itu sendiri.
V.4. Analisa dan Pembahasan Analisa hasil penelitian ini akan dimulai dari pembahasan terhadap variabel yang terpilih menjadi model, kemudian dilanjutkan dengan pembahasan terhadap model yang di pilih, juga akan apa saja yang berpengaruh terhadap kegagalan model dalam memprediksi. Terakhir akan dilakukan pembahasan mengenai proses implementasi pada PD BPR LPK Jalan Cagak.
114
V.4.1 Analisa Variabel Model Terdapat tiga belas variabel yang terpilih pada model analisa kredit ini. Variabel ini akan dibahas sebagai berikut:
Usia Variabel usia ini merupakan konversi dari data tanggal lahir, dari analisa awal terlihat bahwa 98% nasabah LPK berada diatas usia 30 tahun dan terdapat 19,6% nasabah diatas usia 65 tahun. Rata-rata usia dari kelompok tidak lancar adalah 48 tahun sedangkan rataan usia untuk kelompok kredit lancar adalah 54 tahun (selisih 12%). Bila dilihat dari nilai tersebut, rataan kurang dapat digunakan sebagai daya pemisah untuk variabel usia ini.
Dari hasil analisa probabilitas kurang lancar dibandingkan dengan tidak lancar, diperoleh hasil bahwa kekuatan pemisah cukup signifikan terjadi pada batas usia 55 tahun (1 < 55, 2 >55). Penjelasan data model adalah sebagai berikut: untuk kelompok usia di bawah 55 tahun, nasabah yang gagal kredit 39% lebih banyak bila dibandingkan dengan yang berhasil sedangkan sebaliknya untuk kelompok usia diatas 55 tahun kelompok yang kridit lancar lebih banyak 35% bila dibandingkan dengan kelompok yang gagal. Atau dengan kata lain nasabah yang berusia diatas 55 tahun mempunyai kecenderangan berhasil diatas 35% bila dibandingkan dengan nasabah dibawah 55 tahun.
Hasil uji sensitifitas model ternyata mempunyai respon yang sedikit berbeda yaitu perubahan kepada kelompok usia lanjut mempunyai respon yang tidak terlalu besar (4,5% tabel V.2). Hasil uji ini juga didukung oleh hasil uji Wald terhadap variabel X1 yang terlihat terlihat tidak signifikan (Sig Wald 0,625 > 0,05, tabel V.3).
Hal ini dapat dijelaskan bahwa model membentuk sifat baru yang berbeda dengan karakteristik dari variabel secara individu. Sehingga memang dalam menganalisa analisa kredit diperlukan metode multivariat yang mengintegrasi karekter variabel secara keseluruhan.
115
Alamat Data alamat pada pengolahan awal di kelompokan pada 5 kelompok sebagai berikut: jalan cagak, kecamatan subang, kecamatan lain, tanjung siang dan diluar kabupaten subang. Dari analisa secara univariat (hanya X2) terlihat bahwa nasabah dari kecamatan subang memliki kemungkinan gagal yang cukup besar dibandingkan dengan daerah lain. Sedangkan nasabah yang berasal dari luar kab subang mempunyai probabilitas berhasil yang lebih besar (lihat tabel V.1). Nasabah dari daerah jalan cagak dan sekitarnya dapat dibilang tidak mempunyai kecenderungan dimana jumlah kredit berhasil dan kredit gagal hampir serupa.
Tabel V.1 Rasio probabilitas kredit gagal/ berhasil per daerah (hasil Pengolahan dengan klasifikasi awal) Label 1 2 3 4 5
Daerah Asal Nasabah Jalan Cagak Kecamatan Subang Kecamatan lain di kab subang Kecamatan Tanjung Siang Diluar Kab Subang
Rasio Probabilitas gagal/ berhasil 0,94 6,50 0,84 1,0 0,67
Hasil ini membuat area di rangking sebagai berikut: 1=Area Luar Kab Subang 2=Kec Lain di Kab Subang 3=Jalan Cagak/Tanjung Sari 4=Kec Subang
Dari hasil uji varibel model dengan mempergunakan parameter Wald terlihat bahwa pada Variabel X2 atau daerah cukup signifikan (0,015 < 005). Hasil uji sensitifitas juga memperlihatkan hasil yang serupa dengan analisa univariat dengan dimana perubahan daerah membuat perubahan probabilitas yang cukup besar. Rangking pada uji sensitivitas model juga sama dengan hasil analisa variabel X2 saja (Diluar kab Subang, Kecamatan non Subang, Tanjung siang /jalan cagak, Kec Subang). Variabel lain akan dibahas secara keseluruhan dalam uji sensitibilitas dan pemetaan nasabah berikut ini
116
V.4.2. Uji Sensitivitas dan Pemetaan Nasabah Respon dari setiap perubahan variabel dapat dilihat pada uji sensitivitas pada tabel V.2. Hasil ini secara garis besar memperlihatkan variabel mana yang memberikan respon besar terhadap perubahan probabilitas dari model, ataupun variabel yang memberikan respon kecil. Selain itu juta hasil ini akan memberikan pemetaan variabel yang dapat menjadi petunjuk untuk operasional maupun marketing.
Variabel yang memberikan respon perubahan probabilitas yang besar dengan ratarata lebih dari 20% setiap perubahan klasifikasi adalah: X2 (Area), X3 (Pekerjaan), X8 (bunga), X9 (jumlah tanggungan), X12 (rasio kredit per laba bersih), dan X15 (type agunan). Variabel lain juga terjadi perubahan namun tidak besar seperti variabel diatas.
Tabel V.2 Hasil Uji Sensitivitas Model Enter (alternatif 2) terhadap Perubahan Nilai pada Setiap Variabel Variabel
Keterangan Variabel
Tindakan
Jumlah Case Sample
Respon Perubahan Probabilistik Model
X1 Usia X2 Daerah
1 = Usia < 55 th 2 = Usia > 55 th 1 = Kec luar kab subang 2 = Kec Non Subang 3 = Tanjung Siang 4 = Kec Subang
X3 Pekerjaan
1 = Ibu rumah tangga 2 = Pegawai swasta/ BUMD 3 = Lainnya
X4 Plafond X5 Periode X6 Sumber Pembayaran
1 = Kredit <=10 juta 2 = Kredit > 10 juta 1 = Kredit <=12 bulan 2 = Kredit > 12 bulan 1 = Pertanian 2 = Hasil Usaha 3 = Lainnya
X7 Peruntukan Kredit
1 = Konsumtif 2 = Sekolah 3 = Modal Kerja 4 = Pertanian 5 = Rumah
1 --> 2 2 --> 1 1 --> 2 1 --> 3 1 --> 4 2 --> 1 2 --> 3 2 --> 4 1 --> 2 1 --> 3 3 --> 1 3 --> 2 1 --> 2 2 --> 1 1 --> 2 2 --> 1 1 --> 2 1 --> 3 3 --> 1 3 --> 2 1 --> 2 1 --> 3 1 --> 4 1 --> 5
74 33 8 8 8 78 78 78 13 13 86 86 79 28 16 87 4 4 60 60 11 11 11 11
+ 4,5% -4,7% -19,1% -38,9% -55,2% +16% -16,4% -30,0% +11,4% +24,9% -26,3% -13,7% -16,1% +13,5% +12,2% -15,2% +0,5% 1,10% -1,8% -0,9% -4,6% -9,3% -14,2% -19,0%
117
Tabel V.2 (lanjutan)
Variabel X8 Bunga
Keterangan Variabel 1 = Bunga >=2,75% 2 = Bunga = 2 - 2,75% 3 = Bunga = < 2
X9 Jumlah Tanggunan
11=0 2= Ada 3 = Tidak ada Keterangan
X10 Omset per bulan X11 Omset / tot hutang X12 kredit / laba bersih
1=omset perbulan < 5 jt 2=omset perbulan > 5 jt 1= rasio <= 2 2= rasio > 2 1= rasio <0,3 2= 0,3
0,77
X13 nilai agunan / kredit X14 Besar Agunan
1= rasio <= 2 2= rasio > 2 1 = < 500 2 = 500 - 1 jt 3 = 1 jt - 5 jt 4 = 5 – 10 5 = 10 - 20 jt 6 = 20jt < 1=SK 2=Kas 3=campuran 4=Tanah + bangunan 5=BPKB
X15 Type Agunan
Tindakan 1 --> 2 1 --> 3 2 --> 3 2 --> 1 3 --> 2 3 --> 1 1 --> 2 1 --> 3 2 --> 3 2 --> 1 3 --> 2 3 --> 1 1 --> 2 2 --> 1 1 --> 2 2 --> 1 1 --> 2 1 --> 3 2 --> 3 2 --> 1 3 --> 2 1 --> 2 2 --> 1 2 --> 1 2 --> 3 2 --> 4 2--> 5 2--> 6
Jumlah Case Sample 39 39 61 61 7 7 13 13 49 49 45 45 96 11 22 85 6 6 91 91 10 17 90 53 53 53 53 53
Respon Perubahan Probabilistik Model +19,5% +38,2% 19,50% -21,5% -14,3% -29,5% -23,8% -48,4% -25,1% +23,3% 26,30% 45,60% 6,70% -5,50% -15,00% +15,40% -14,90% -27,90% -19,8% +19,10% +17,60% +5,85 -7,50% -6,6% +6,4% +12,4% +17,6% +22,4%
1 --> 2 1 --> 3 1 --> 4 1--> 5 4-->3 4-->2
43 53 53 53 46 46
-7,80% -15,8% -23,7% -31,0% +7,0% +14,2%
Dari hasil uji wald terlihat pada tabel V.3 bahwa variabel
cukup signifikan
adalah: X2 (Area), X9 (jumlah tanggungan), X3 (Pekerjaan) Variabel lain seperti X8, X12, X15, mempunyai nilai wald diatas 2000 namun secara signifinasi belum tidak memenuhi (sig > 0,05), Hal ini berarti variabel yang sangat significat dalam model tersebut adalah variabel X2 (Area),
X9 (jumlah tanggungan), X3
(Pekerjaan), Variabel ini tentunya harus di perhatikan dengan seksama pada saat mencari mengevaluasi berkas aplikasi kredit.
118
Tabel V.3 Hasil Uji Wald Pada Variabel Enter Variables in the Equation B Step 1
a
S,E,
Wald
Df
Sig,
Exp(B)
x1
0,289
0,591
0,239
1
0,625
1,335
x2
-1,014
0,417
V.918
1
0,015
0,363
x3
0,820
0,432
3,598
1
0,058
2,270
x4
-1,007
1,023
0,970
1
0,325
0,365
x5
0,942
0,772
1,487
1
0,223
2,565
x6
0,055
0,877
0,004
1
0,950
1,057
x7
-0,247
0,224
1,213
1
0,271
0,781
x8
1,292
0,767
2,841
1
0,092
3,640
x9
-1,621
0,477
11,571
1
0,001
0,198
x10
0,433
1,174
0,136
1
0,712
1,542
x11
-1,020
0,810
1,586
1
0,208
0,360
x12
-1,283
0,836
2,355
1
0,125
0,277
x13
0,465
0,942
0,244
1
0,622
1,592
x14
0,409
0,242
2,848
1
0,091
1,505
x15
-0,477
0,278
2,937
1
0,087
0,621
4,087
4.167
0,626
1
0,429
59,588
Constant
Hasil dari uji respon probabilitas model terhadap perubahan variabel kemudian diolah lebih lanjut untuk membuat suatu peta nasabah seperti terlihat pada Tabel V.4 berikut ini.
Pemetaan nasabah
Peta Karekteristik nasabah hasil penelitian ini adalah suatu pemetaan variable yang mengambarkan tingkat dan kekuatan variabel untuk dapat mempengaruhi peluang suatu kredit menjadi lancer ataupun tidak lancer berdasarkan hasil uji model.
119
Tabel V.4 Pemetaan Variabel
Variabel
X1 Usia X2 Daerah
X3 Pekerjaan X4 Plafond X5 Periode X6 Sumber Pembayaran X7 Peruntukan Kredit X8 Bunga
X9 Jumlah Tanggunan X10 Omset per bulan X11 rasio omset / tot hutang X12 rasio kredit / laba bersih X13 rasio nilai agunan / X14 Besar Agunan
X15 Type Agunan
Tindakan
delta Model
PEMETAAN VARIABEL (Perubahan Probabilitas hasil respon model) >+20%
1 --> 2 2 --> 1 1 --> 2 1 --> 3 1 --> 4 2 --> 1 1 --> 2 1 --> 3 3 --> 1 1 --> 2 2 --> 1 1 --> 2 2 --> 1 1 --> 2 1 --> 3 3 --> 1
+ 4.5% -4.7% -19.1% -38.9% 1 = Kec luar -55.2% kab subang +16% +11.4% +24.9% -26.3% -16.1% +13.5% +12.2% -15.2% +0.5% 1.10% -1.8%
1 --> 2 1 --> 3 1 --> 4 1 --> 5
-4.6% -9.3% -14.2% -19.0%
1 --> 2 1 --> 3 2 --> 3 2 --> 1 1 --> 2 1 --> 3 2 --> 3 2 --> 1 1 --> 2
3 = Bunga = +19.5% < 2 +38.2% -14.3% -29.5% 1=0 -23.8% -48.4% 6.70%
2 --> 1 1 --> 2
-5.50% -15.00%
2 --> 1 1 --> 2 1 --> 3 2 --> 3 1 --> 2
+15.40% -14.90% -27.90% -19.8% +5.85
2 --> 1 2 --> 1 2 --> 3 2 --> 4 2--> 5 2--> 6
-7.50% -6.6% +6.4% +12.4% +17.6% +22.4%
1 --> 2 1 --> 3 1 --> 4 1--> 5 4-->3
-7.80% -15.8% -23.7% -31.0% +7.0%
0 - 20%
(0-20%)
1 = Usia >55 2 = Usia < 55 th th 2 = Kec Non Subang
3 = Tanjung Siang, Jalan Cagak
4 = Kec Subang
3 = Lainnya
2 = Pegawai swasta/ BUMD
1 = Ibu rumah tangga
1 = Kredit <=10 juta 2 = Kredit > 12 bulan
2 = Kredit > 10 juta 1 = Kredit <=12 bulan 3 = Lainnya
1 = Konsumtif
2 = Sekolah
2 = Hasil Usaha
3 = Modal Kerja
1 = Pertanian
1 = Pertanian 5 = Rumah
2 = Bunga = 2 - 2.75%
1 = Bunga >=2.75% 3 = Tidak ada Keterangan
2 = Ada 1=omset 2=omset perbulan < 5 perbulan > 5 jt jt 1= rasio <= 2
2= rasio > 2 2= 0.3
1= rasio <0.3
6 = 20jt <
1=SK
(<20%)
2= rasio > 2
1= rasio <= 2
5 = 10 - 20 jt
4 = 5 - 10
3 = 1 jt - 5 jt
3=campuran
4=Tanah + bangunan
2=Kas
3= rasio > 0.77
2 = 500 - 1 jt
1 = < 500
5=BPKB
Peta ini diperlukan dalam pelaksanaan operasional di bank, terutama dalam membuat analisa maupun perencanaan. Bila pada seorang nasabah ditemui mempunyai keadaan pada blok yang berwarna merah atau kuning, maka kewaspadaan dari tim analisa harus lebih tinggi, karena peta ini memberitahukan bahwa keadaan nasabah tersebut mempunyai potensi untuk masuk kelompok beresiko kredit tidak lancar berdasarkan data historikal masa lalu. Dengan adanya
120
peta ini seorang analis dapat mempunyai guideline kapan harus meningkatkan kewaspadaanya. Selain itu peta ini dapat digunakan oleh pihak marketing atau manajemen dalam mencari nasabah. Nasabah yang diharapkan tentunya adalah nasabah yang pada kelompok biru atau hijau.
V.4.3 Analisa Model dan Kegagalan Model Dengan mempergunakan tiga metode yaitu enter, stewise forward dan stepwise backward diperoleh 16 model alternatif, ke enam belas model tersebut mempunyai hit rasio tidak berbeda jauh sekitar 70% lebih, Sehingga untuk keperluan implementasi model yang dipilih adalah model yang cukup lengkap dan dapat memenuhi kriteria konsep 5C. Alasannya adalah: BPR akan susah untuk menerima konsep model yang tidak menyertakan colleteral ataupun character. Atau dengan bahasa kata lain BPR akan sulit menerima penjelasan bila model yang terpilih dikatakan tidak di pengaruhi oleh jaminan dan sebagainya. Akan lebih mudah bila dikatakan di pengaruhi walaupun tidak signifikan. GRAFIKGrafik PROBABILITAS SigmoidRESPONDEN Model Metode Enter 15 Variabel Dengan Cut Off 0.6
Meteode Enter (Alteranatif 2)
N ilai P rob ab ilistik M o d el
1.2 Daerah B Kesalahan Type 2
1
Cutt Point 0,6
0.8 0.6 0.4 Daerah A Kesalahan Type 1
0.2 0 1
7
13
19 25 31 37 43 Observasi (Fakta) Prediksi
49
55
61
67
73
79
Jumlah Responden
Gambar V.5 Grafik Probabilitas Responden
121
85
91
97 103
Berdasarkan analisa tersebut maka model yang dipilih adalah model enter, Model enter ini selain lengkap, memang juga memiliki kemampuan memprediksi kegagalan yang tinggi yaitu sekitar 91%, namun hal ini harus diimbangi dengan turunnya kemampuan untuk memprediksi kredit yang sukses menjadi 64%.
Plot model ini pada grafik dapat dilihat pada Gambar V.5. Pada grafik tersebut terlihat jelas, kapan suatu prediksi dianggap benar dan kapan suatu prediksi dianggap salah, Sesuai dengan keperluan dari model, maka nilai cutt off dinaikan dari 0,5 menjadi 0,6 pada cutt off tersebut. Ketepatan untuk memprediksi gagal menjadi lebih tinggi hingga mencapai 91%.
Kesalahan tipe 1 adalah terjadi bila kredit tersebut sebetulnya lancar namun model memprediksi kredit tersebut adalah tidak lancar, Sedangkan kesalahan tipe 2 adalah kredit tersebut sebetulnya tidak lancar namun model memprediksi kredit tersebut lancar.
Sesuai dengan keperluan dan obyektif dari model, kesalahan tipe 2 lebih diperhatikan hal ini karena kesalahan tipe 2 inilah yang berpengaruh besar terhadap penurun NPL (Non Performance Loan). Pada model yang dipilih kesalahan tipe 2 adalah sebesar 9%% sedangkan kesalahan tipe 1 adalah 36%.
Pada grafik V.7 terlihat bahwa daerah kesalahan 2 relatif lebih kecil bila dibandingkan dengan daerah kesalahan 1. Hasil ini juga tercermin dari hasil uji model. Dengan demikian model sudah sesuai dengan harapan dari PD BPR yang menginginkan ketepatan yang cukup tinggi dalam memprediksi resiko suatu kredit.
Bila suatu BPR menginginkan model yang lebih agresif, maka cutt off dapat di set menjadi 0,5 atau lebih rendah lagi. Pada Cutt off tersebut daerah kesalahan 1 akan lebih kecil. Hasil dari model juga dapat dilihat pada grafik sigmoid dibawah ini Grafik sigmoid adalah grafik berbentuk S, dimana pada salah ujungnya
122
mendekati nilai nol dan tak terhingga. Grafik ini merupakan grafik khas dari model regresi logistik.
Grafik Sigmoid Model Enter (Alternatif 2) 1.2
1
Probabilitas
0.8
0.6
0.4
0.2
0 1
6
11 16 21 26 31 36 41 46 51 56 61 66 71 76 81 86 91 96 101 106 Jumlah Responden
Gambar V.6 Grafik Sigmoid model
Model regresi logistik baik atau sempurna mempunyai bentuk S (garis putusputus). Model tersebut mempunyai daya pemisah yang besar. Namun walau demikian model enter ini cukup baik, hal ini terlihat dari sedikitnya titik-titik pada daerah lingkaran yang merupakan daerah kesalahan satu dan dua.
Bila dilihat grafik distribusi gagal dan sukses seperti terlihat pada gambar V.7. Model yang dipilih juga terlihat cukup baik. Hal ini dari bentuk grafik distribusi tersebut U, walaupun tidak sempurna, namun kecenderungan berbentu mendekati bentuk U (garis putus-putus). Bentuk U merupakan bentuk ideal dari distribusi regresi logistik. Dengan grafik bentuk U jelas terpisah antara responden yang mempunyai kredit baik di sisi kanan (probabilistik tinggi) dengan responden yang mempunyai kredit jelek di sisi kiri (probabilistik rendah).
123
Grafik Frekuensi Gagal dan Berhasil 12
Frekuensi
10 8 6 4 2 0 0-
1%
1-
5%
5-
10
%
Frekuensi Gagal
10
-2
0% 20
-3
0% 30
-4
0% 40
-5
0% 50
-6
0% 60
-7
0% 70
-8
0% 80
-9
0% 90
-1
00
%
Kategori Probabilitas
Frekuensi Berhasil
Gambar V.7, Grafik distribusi responden gagal dan berhasil
Total keberhasilan model dengan cut off 0,6 adalah 78% Hal itu berarti terdapat 22% ( 24 responden ) yang salah di prediksi. Dari hasil analisa data kesalahan prediksi dari model sebagai besar terjadi pada.
Kekeliruan ini dapat terjadi karena metode menemukan parameter model merupakan dengan menggunakan metode maximum likelihood. Metode ini memperoleh dugaan maximum likelihood bagi parameter dengan iterasi Newton Raphson. Estimasi maximum likelihood merupakan pendekatan dari estimasi Weighted Least Square, dimana matrik pembobotnya berubah setiap putaran. Proses menghitung estimasi maximum likelihood ini disebut juga sebagai Iteratif Reweighted Least Square (Hosmer dan Lemeshow, 1989). Metode ini akan mendapat optimum lokal sehingga masih terdapat peluang terjadinya kesalahan dari model.
Tabel V.5 ini dapat menjadi opini kedua bagi hasil prediksi. Bila manajemen meragukan hasil prediksi dari model, manajemen dapat menganalisa dengan tabel ini, dan bila ternyata sebagian besar variabel independennya sama dengan diatas, maka besar kemungkinan prediksi dari model keliru.
124
Tabel V.5 Tabel Analisa Kesalahan Prediks Per variabel
No
Variabel 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Usia Pekerjaan Pekerjaan Plafon Kredit Jangka waktu Sumber usaha Peruntukan kredit Bunga Jumlah tanggunan Omset / bulan Rasio omset / total hutang (rasio kredit / laba bersih) Rasio Agunan Besar agunan jenis Agunan
Keterangan : : : : : : : : : : : : : : :
<55 Kecamatan non Subang Lain-lain < 10 Juta >12 bulan Lainnya Modal kerja 2-2.75% Tidak ada keterangan <5 juta >2 0.3 - 0.77 >2 500 - 1 jt SK
% dari total salah 71% 71% 88% 71% 92% 63% 46% 67% 58% 96% 71% 96% 79% 50% 42%
Dari data responden yang salah prediksi terlihat bahwa, kesalahan prediksi cenderung terjadi pada kategori yang masih luas seperti pada X3, X5. Salah satu cara yang dapat digunakan dalam mengurangi peluang kesalahan adalah dengan membuat kategori yang lebih detail bila memungkinkan dan mempunyai kekuatan pembeda yang besar.
V.4.4 Analisa Prediksi NPL
Model yang terpilih mempunyai kemampuan untuk memprediksi kegagalah lebih besar dari pada keberhasilan dengan performance seperti terlihat pada tabel IV.15 dimana kemampuan prediksi kegagalan adalah 91% dan prediksi keberhasilan adalah 63%, dengan total prediksi yaitu 78%.
Model ini dapat juga digunakan untuk memprediksi dengan mempergunakan total prediksi. Pengunaan total prediksi ini karena pada model memprediksi keberhasilan juga akan menghasilkan prediksi gagal yang salah.
125
Perhitungan prediksi NPL adalah sebagai berikut:
Tabel V.6 Perhitungan prediksi Nilai NPL
DATA ASUMSI KREDIT TAHUN 2009 Berkas kredit Total NPL Gagal 12% Berhasil
No
Item
1 2 3 4 5
Ketepatan Prediksi Total Kredit Macet Aktual Kredit yang dapat di hindari Kredit Macet Kredit yang di cancel
6 7 8 9
Total Kredit Kredit Macet Kredit Sukses Prediksi NPL
10 11 12 13
500 60 440
Perhitungan
Keterangan
78% 60 47 14 47
100% 78% 23%
454 14 440 2.98%
Asumsi Besar kredit rata Prediksi Kredit yang diselamatkan Prediksi keuntungan yang di cancel
65,100,000
Prediksi Saving
167,400,000
5,000,000 232,500,000
(perhitungan setahun)
V.4.5 Analisa Implementasi Model
Implementasi model pada PD LPK BPR Jalan Cagak dilakukan dengan mempergunakan teknologi informasi. Pendekatan yang dilakukan adalah dengan membangun aplikasi yang mandiri yang tidak terkait dengan aplikasi transaksi utama perbankan. Hal ini dilakukan karena masalah keamanan data perbankan dan tidak terganggunya pelayanan nasabah selama pembangun.
Dalam hal imlementasi sistem baik yang berhubungan dengan IT maupun tidak terdapat dua konsep utama yang menjadi pengangan yaitu: (1) Fokus pada
126
manfaat. Sistem atau aplikasi tersebut haruslah bermanfaat bagi user atau tidak akan dijalankan dan (2) harus realistis. Walaupun bermanfaat, namun tidak realistik maka tidak akan juga dapat dilaksanakan dengan baik.
Hasil implementasi pada PD BPR LPK Jalan Cagak memperlihat beberapa hal menarik sebagai berikut: a. Pendekatan mengimplementasikan model secara bertahap dalam bahasa dan konsep yang dipahami oleh pihak BPR merupakan faktor kunci dari keberhasilan implementasi. Dalam hal ini bahkan aplikasi juga dibangun untuk mengakomodasi metode lama dengan sistem scoring. Metode skoring ini akan berjalan seiring dengan konsep analisa regresi logistik yang diperkenalkan. b. Penggunakan sistem informasi berbasis web sebagai media dalam implementasi model sangat membantu dapat digunakan langsung pada jaringan dan tampilannya yang menarik. Hal ini membantu meningkatkan motivasi staff BPR dalam belajar dan melakukan implementasi aplikasi ini. c. Laporan dan nota dinas hasil dari aplikasi haruslah sesuai dengan kebutuhan dan dapat menggantikan laporan yang sudah ada. Ini tentunya akan menjadi hal yang menarik karena tidak menambah pekerjaan baru. d. Terjadi perubahan sikap dalam keseriusan mencari data nasabah kredit. Hal ini karena penggunaan IT dan nota kredit melalui komputer membuat transparan, bila data tidak tersedia secara lengkap. e. Mendapatkan masukan berdasarkan data yang obyektif sehingga pengambilan keputusan mempunyai dasar statistik dan historikal yang cukup. f. Membantu
peningkatan
kompetensi
manajemen
dalam
pengambilan
keputusan dengan dasar yang lebih obyektif dan berdasarkan data yang ada.
127
