PENERAPAN METODE CREDITRISK+ DALAM PENGUKURAN RISIKO KREDIT KENDARAAN BERMOTOR (KASUS PADA PT X )

PENERAPAN METODE CREDITRISK+ DALAM PENGUKURAN RISIKO KREDIT KENDARAAN BERMOTOR (KASUS PADA PT ”X”) Any Meilani ([email protected]) Fakultas Ekonomi, Universitas Terbuka

ABSTRACT

Identify and measure credit risk by using a method in accordance with the characteristics of finance companies is one of a prudent first step in minimizing potential losses. Potential losses can be seen from the Non Performing Loan (NPL) and recovery rate of the company. Credit risk measurement remains important as preventive and anticipatory measures for a finance company in managing the potential consumer default in fulfilling their obligations. By using 36 months of credit risk in motor vehicles (2006-2008) which includes the number of units of motor vehicles, the amount of exposure, collectability and recovery rate can be calculated expected Loss, unexpected loss and economic capital. Results showed that both the expected Loss and unexpected loss from year to year increase. Also with the economic capital increases annually. However, if the economic value associated with authorized capital owned by PT "X" each year, it can be concluded that the capital is still sufficient to cover possible losses caused by credit default unexpected losses. Testing the model using back testing and Likelihood Ratio, indicates that during the observation period the number of adverse events "X" with the level of losses that exceed the value of the vehicle financing credit VaR is still below the threshold amount of loss that can be tolerated. In other words the risk measurement method using a motor vehicle financing CreditRisk+ is acceptable and accurate enough to measure the risk of motor vehicle financing PT "X". Keywords: creditRisk, motor vehicles

Keputusan Presiden Nomor 61 tahun 1988 tentang Lembaga Keuangan merupakan awal pengenalan kegiatan pembiayaan konsumen (cosumer finance) yang kemudian diikuti dengan munculnya industri multi finance. Sejak saat itu, usaha jasa pembiayaan konsumen menunjukkan perkembangan sangat baik. Meningkatnya pertumbuhan usaha jasa pembiayaan konsumen ini, menunjukkan tingginya minat konsumen untuk membeli barang kebutuhan konsumen, seperti mobil, sepeda motor, alat-alat rumah tangga, barang elektronik, dan lain lain dengan cara mengangsur atau mencicil secara berkala seiring meningkatnya taraf hidup masyarakat lapisan menengah ke bawah. Hal ini pula yang menjadi pendorong tingginya pertumbuhan usaha jasa pembiayaan. Terlepas dari banyaknya perusahaan pembiayaan yang aktif beroperasi, semakin tingginya tingkat pertumbuhan portofolio kendaraan bermotor menyebabkan risiko kredit pada portofolio kendaraan bermotor cenderung meningkat. Hal ini mengakibatkan lembaga pembiayaan perlu mempunyai metode yang dapat diandalkan untuk mengidentifikasi dan mengukur risiko kredit sehingga dapat meminimalkan potensi kerugian yang dapat ditimbulkan jika debitur gagal menyelesaikan kewajiban pada waktunya.

Jurnal Organisasi dan Manajemen, Volume 6, Nomor 2, September 2010, 101-118

Mengidentifikasi dan melakukan pengukuran risiko kredit dengan menggunakan sebuah metode yang sesuai dengan karakteristik perusahaan pembiayaan merupakan salah satu langkah awal yang bijaksana dalam meminimalkan potensi kerugian. Potensi kerugian ini dapat dilihat dari Non Performing Loan (NPL) dan recovery rate perusahaan. Pengukuran risiko kredit tetaplah penting sebagai langkah preventif dan antisipatif bagi perusahaan pembiayaan dalam mengatur potensi kegagalan (default) konsumen dalam memenuhi kewajibannya. Dari berbagai metode pengukuran kredit yang dapat digunakan perusahaan pembiayaan, metode CreditRisk+ dipilih untuk menghitung risiko kredit kendaraan bermotor dengan didasarkan pada literatur yang menyatakan bahwa metode CreditRisk+ sesuai untuk mengukur risiko kredit kendaraan bermotor serta cukup efektif dan praktis dalam penerapannya karena hanya memerlukan data intern berupa jumlah unit kendaraan, jumlah exposure, kolektibilitas dan recovery rate (Olof, 2006). Kegiatan suatu lembaga pembiayaan menyebabkan lembaga pembiayaan tersebut terbuka atau berpotensi terhadap suatu risiko, khususnya risiko kredit. Pembiayaan kredit kendaraan bermotor banyak diminati oleh hampir semua masyarakat yang ingin memiliki kendaraan dengan cara kredit. Lembaga pembiayaan memiliki keunggulan dalam hal kemudahan prosedur dan persyaratan pengajuan kredit dibandingkan dengan perbankan. PT. ”X” merupakan salah satu lembaga pembiayaan, khususnya pembiayaan kredit kendaraan bermotor. Sebagai lembaga pembiayaan, PT. ”X” belum memiliki metode pengukuran risiko kredit yang baku sehingga diperlukan metode pengukuran yang cocok dengan karakteristik PT. ”X” sebagai perusahaan pembiayaan kredit kendaraan bermotor. Salah satu caranya adalah dengan mengelola risiko kredit dan sekaligus memaksimalkan profitnya. Berdasarkan itu, maka sangat diperlukan suatu penelitian melalui simulasi pengukuran risiko kredit pembiayaan kendaraan bermotor untuk meminimalkan risiko kredit yang mungkin terjadi. Dengan adanya penelitian metode CreditRisk+ ini diharapkan mampu melakukan perhitungan yang akurat terhadap risiko kredit pada PT. ”X”. Berdasarkan uraian tersebut, penelitian ini dilakukan untuk menjawab masalah-masalah berikut. 1. Berapa besar kerugian yang dapat dan tidak dapat diperkirakan (expected loss dan unexpected loss) dari pembiayaan kredit kendaraan bermotor PT. ”X” ? 2. Berapa besar kecukupan modal (economic capital) yang harus disediakan oleh PT. ”X” untuk menutupi kerugian tersebut? 3. Apakah model CreditRisk+ dapat diaplikasikan secara akurat untuk mengukur risiko pembiayaan kredit kendaraan bermotor di PT. ”X” dengan baik? Sesuai dengan masalah penelitian tersebut, maka tujuan penelitian ini adalah: 1. Menghitung kerugian yang dapat dan tidak dapat diperkirakan (expected loss dan unexpected loss) dari pembiayaan kredit kendaraan bermotor PT. ”X”. 2. Menghitung kecukupan modal yang harus disediakan oleh PT. ”X” untuk menutupi kerugian yang terjadi, sehingga PT. “X” dapat menyusun strategi pembiayaan dengan lebih baik lagi. 3. Merekomendasikan model yang dapat mengukur risiko pembiayaan kredit kendaraan bermotor, sehingga model tersebut dapat diterapkan untuk jenis pembiayaan kredit lain yang mempunyai karakteristik yang hampir sama dengan pembiayaan kredit kendaraan bermotor di PT. ”X”. Risiko kredit merupakan potensi kerugian pada pemberi pinjaman yang disebabkan kegagalan peminjam (counterparty) dalam menyelesaikan kewajibannya dengan baik sesuai syaratsyarat yang telah disepakati.

102

Any Meilani, Penerapan Metode Creditrisk+ Dalam Pengukuran Risiko Kredit Kendaraan Bermotor

Pemodelan Risiko Kredit Saunders (2001) menyebutkan bahwa banyak dimensi yang menggambarkan perbedaan antar credit risk modeling. Ada sekitar sepuluh kunci dimensi dari lima tipe model. Kelima credit risk modeling tersebut adalah: 1. Option Pricing Model, contohnya KMV dan Moody”s 2. Reduced Form Models, diwakili oleh KPMG dan Kamakura Corporation 3. VaR Model, contohnya Credit Metrics 4. Time Varying Models, contohnya Credit Portfolio View 5. Mortality Models, contohnya CreditRisk+ Dalam proses permodelan, ada tiga tipe ketidakpastian yaitu process risk, parameter uncertainty dan model error. Process risk timbul akibat kejadian aktual dimana model menggambarkan proses kerugian dan parameter yang digunakan adalah tepat. Parameter uncertainty timbul dari adanya kesulitan dalam mengestimasi parameter yang digunakan model. Sedangkan model error timbul karena model tidak tepat dalam merefleksikan proses aktual. Alternatif model dapat menimbulkan hasil yang berbeda. Tabel 1. Perbandingan Beberapa Model Pengukuran Risiko Kredit Credit Metrics Definition of Risk

MTM

MTM or DM

DM

Merton OPM KMV/Moody’s MTM or DM

Risk Drivers

Asset Value

Macroeconomic Factors

Expected Default Rates

Asset values

Data Requirement

Historical Transition Matrix Credit spreads and Yields Curve LGD Correlation, Exposures

Historical Transtion Matrix Macroeconomic Variables Credit Spread, LGD, Exposures

Default Rates and

Equity Prices, Creidit Spreads Correlations, Exposure

Credit Migration

Migration Conditional On

ActuarialRandom

Macroeconomic Factors

Default Rates

Characterization Credit Events

Credit Portfolio View

CreditRisk+

Volatility,Macro Factors, LGD, Exposure

Distance to default: Structural and empirical

Volatility of Credit Events

Constant or Variable

Variable

Variable

Variable

Correlation of Credit Events

Multivariate normal Assets Return

Macroeconomic Factors Loadings

Independence assumption or correlation with Expected Default Rates

Multivariate random asset returns

Recovery Rates

Random (beta distribution) Simulation or analities

Random

Contants within band

Constant or random

Simulation

Analityc

Analytic and economic

Numerical Approach

Interest Rate Constant Constant Constant Constant Risk Classification Rating Rating Expusores band Empirical EDF Sumber: Saunders, Anthony & Linda Allen. Credit Risk Measurement, New Approaches to Value at Risk and Other Paradigma, second edition, hal 136, 2002.

Semua tipe ketidakpastian pada permodelan tersebut adalah penting untuk mengembangkan model risiko kredit. Dalam melakukan manajemen risiko kredit, terdapat beberapa ukuran risiko 103


diantaranya adalah distribution of loss dan identifying extreme outcomes. Distribution of loss timbul dari current portfolio yaitu selisih nilai portofolio saat ini dengan nilai portofolio di masa mendatang sesuai jangka waktu yang telah ditentukan. Untuk mengetahui distribution of loss, terlebih dahulu harus diketahui seberapa besar kerugian dengan significant level tertentu. Masing-masing credit risk modeling memiliki spesifikasi yang berbeda-beda. Secara umum perbedaan masing-masing credit risk modeling didasari pada proses conditional dan proses unconditional. Pada proses conditional model, proses informasi meliputi kondisi debitur, perjanjian kredit, ditambah dengan struktur macroeconomic, sedangkan pada unconditional model, proses informasi terbatas hanya pada debitur dan perjanjian kredit. Untuk lebih jelas perbedaan antar permodelan risiko kredit yang satu dengan lainnya, dapat dilihat pada Tabel 1. Pemodelan CreditRisk+ Model ini pertama kali diperkenalkan oleh Credit Suisse Group pada Desember 1996. Ide dasar dari CreditRisk+ berawal dari kasus asuransi kebakaran, dimana besarnya kerugian yang diderita oleh perusahaan asuransi kebakaran ditentukan oleh dua faktor, yaitu probabilitas kejadian rumah terbakar (frecuency of event) dan nilai kerugian dari rumah yang terbakar (severity of loss). Kemudian ide ini diterapkan untuk menghitung risiko kredit, dimana distribusi kerugian dari portofolio kredit dicerminkan oleh frekuensi dari default (frecuency of event) dan nilai dari kredit yang gagal (severity of loss). Ada beberapa tahapan yang harus dilakukan dalam proses CreditRisk+ (Crouhy, et al, 2001) seperti pada Gambar 1.

Input

Exposure Default Rates Default Rate Volatility Recovery Rates

Stage 1

What is the SEVERITY of the losses

What is the FREQUENCY of defaults

Distribution of default losses

Stage 2 Sumber : Crouhy, Michel,et al (2001)

Gambar 1. CreditRisk+ Measurement Framework Data input berasal dari data historis yaitu data exposure debitur dan data exposure at default dari debitur dan frequency of default event yang terjadi akibat adanya default kredit dari serangkaian peristiwa. Berdasarkan CSFB (1997) data input terdiri dari: Exposure Exposure adalah posisi outstanding yang timbul dari transaksi debitur secara menyeluruh. Exposure dalam model CreditRisk+ dapat mengatasi semua jenis instrumen yang terkait dengan

104


credit exposure, termasuk bonds, loans, commitments, financial letter of credit dan derivative exposure. Default Rates Default rates adalah peristiwa terjadinya gagal bayar kewajiban dari setiap debitur. Jadi default rates merupakan angka yang mewakili kemungkinan terjadinya peristiwa default yang diperuntukan pada setiap debitur. Default Rates Volatilities Jumlah variasi default rates dari rata-rata dapat digambarkan dengan volatilities (standar deviasi) dari default rates. Standar deviasi dari default rates ini signifikan untuk dibandingkan dengan actual default rates, sebagai refleksi dari fluktuasi selama siklus ekonomi. Recovery Rates Pada peristiwa default, perusahaan akan mendapatkan kerugian sebesar jumlah yang dipinjamkan kepada debitur dikurangi dengan jumlah recovery. Recovery rate adalah persentase rata-rata tagihan tertunggak yang dapat dilunasi debitur. Dalam melakukan pengukuran risiko kredit yang berupa portofolio digunakan CreditRisk Portofolio+ yang merupakan pengembangan dari CreditRisk+. Pada CreditRisk Portofolio+ harus dilakukan pembagian portofolio ke dalam beberapa kelompok atau band. Tahapan dalam pengukuran risiko kredit pada portofolio seperti yang dikemukan oleh Crouhy, et al (2001) sebagai berikut. 1. Probability Generating Function for Each Band Setiap band merupakan bagian dari suatu portofolio, sehingga probability of default menjadi ( )= ∑

( .

)

Jumlah default yang terjadi dengan berdasarkan Poisson Model adalah: .

( ) = ∑~

!

2. Probability Generating Function for Entire Portofolio Berdasarkan pertimbangan bahwa setiap band merupakan portofolio exposure yang bersifat bebas dengan band lain, maka Probability Generating Function for Entire Portofolio adalah: ( )= ∏ = ∑

adalah expected number of default dari portofolio

3. Loss distribution for the Entire Portofolio Dari Probability Generating Function tersebut, maka dapat diperoleh distribusi kerugian dari turunan pertama probability of default, yaitu: Prob (loss of nL) =

( ) !.

Untuk n = 1,2, ...

105


Frequency of default events terjadi akibat adanya default kredit dari serangkaian peristiwa yang tidak dapat diprediksi kepastian bilamana terjadinya suatu default ataupun kepastian jumlah default. CreditRisk+ tidak mengasumsikan penyebab terjadinya default. Untuk kondisi dimana terdapat sejumlah besar exposure default losses (berasal dari sejumlah debitur yang banyak) dengan probability of default relatif kecil, maka model yang tepat untuk menentukannya adalah dengan menggunakan distribusi Poisson dengan rumus sebagai berikut. Prob (n. defaults) =

.λ !

Pada umumnya actual default rate berfluktuasi di sekitar nilai rata-ratanya, variasi dari actual default rates terhadap rata-ratanya digambarkan dengan volatility (standar deviasi) dari default rates. Standar deviasi dari default rate jika dibandingkan dengan actual default rate mencerminkan fluktuasi default selama siklus ekonomi. Dengan mengasumsikan bahwa default rates volatility konstan, maka default rate sama dengan nilai rata-ratanya (Saunders & Allen, 2002). Severity of losses atau loss given default (LGD) adalah besarnya tingkat kerugian yang diakibatkan dari peristiwa default yang dihitung dengan cara exposure at default dikurangi dengan nilai recovery. Rumus LGD menurut CSFB (1997) adalah: LGD = exposure at default (1 – recovery rate) Expected loss merupakan kerugian yang dapat diperkirakan terjadinya, yang didasarkan pada data historis munculnya credit events tersebut. Unexpected loss diukur dengan mengambil nilai kerugian maksimum pada tingkat keyakinan yang dipilih. Semakin tinggi confidence level yang dipilih maka semakin kecil tingkat kesalahan (error) yang dapat ditolerir. Tingkat keyakinan sebesar 99% berarti hanya ada 1% kemungkinan bahwa kerugian akan melebihi nilai unexpected loss dan nilai unexpected loss ini dianggap sebagai ukuran VaR (Saunders & Allen, 2002). Apabila perusahaan sudah mencapai unexpected loss maka perusahaan harus segera menutup unexpected loss tersebut dengan modal perusahaan, oleh karena itu monitoring terhadap unexpected loss harus mendapat perhatian khusus. Pada CreditRisk+, default dimodelkan sebagai continous variable dengan probability losses. Probability tersebut dapat dianalogikan dengan konsep event probability pada asuransi. Di mana dalam hal ini loan individual memiliki probability of default yang kecil dan masing-masing loans probability of default adalah saling tidak tergantung satu dengan lainnya. Dengan asumsi tersebut maka distribusi probability of default dipersamakan dengan distribusi Poisson. Ketidakpastian default rate merupakan salah satu ketidakpastian yang turut diperhitungkan pada model CreditRisk+. Faktor ketidakpastian lain yang juga dipertimbangkan adalah masalah seberapa besar jumlah loss severity. Untuk besarnya loss severity pada individu loan by loan basis, loss severitas atau loan exposures dikelompokkan dengan membuat band. Penjumlahan atau akumulasi dari losses tersebut bila dikalikan dengan exposure bands akan menghasilkan distribution of losses untuk portofolio of loans. Setelah loss function selesai dihitung, selanjutnya individual default rates didistribusikan dengan distribusi Poisson dan losses dikelompokkan melalui band, maka akan didapat distribution of losses. Perhitungan Economic Capital Economic capital digunakan untuk meng-cover risiko akibat unexpected credit default losses. Unexpected loss dapat terjadi dalam kondisi normal dan tidak normal. Dalam kondisi normal adalah

106


pada keadaan dimana kerugian yang terjadi di atas rata-rata kerugian yang telah dicadangkan oleh perusahaan. Sedangkan dalam kondisi tidak normal, jumlah kerugian yang terjadi lebih besar dari maksimum kerugian yang telah diperkirakan pada kondisi normal. Dalam hal kerugian mencapai level unexpected loss maka kerugian tersebut harus bisa di-cover dari modal perusahaan. Dengan kata lain kecukupan modal harus mempertimbangkan besarnya unexpected loss. Besarnya modal yang diperlukan untuk dapat menutup kerugian tersebut dikenal sebagai economic capital yang diperhitungkan pada level percentile 99 ℎ dari kerugian. Secara diagram konsep expected loss dan unexpected loss serta economic capital dapat digambarkan dalam Gambar 2 berikut ini. Probability Expected loss unexpected loss

ℎ

Economic capital 99 percentile loss level

O

µ

Loss

Gambar 2. Economic Capital for CreditRisk Sumber : Technical Document CreditRisk+, A Credit Risk+ Mangement Framework, CSFB (1997)

Menurut CSFB (1997), economic capital memiliki beberapa keistimewaan, yaitu: a. lebih tepat dalam mengukur risiko ekonomi dibandingkan yang ditetapkan oleh regulator. b. dapat mengukur risiko ekonomi pada portofolio dan keuntungan dari diversifikasi. c. dapat mengukur secara obyektif perbedaan antara masing-masing portofolio atas dasar kualitas kredit dan besarnya exposure. d. Sebagai alat pengukuran dinamis yang dapat menggambarkan perubahan risiko portofolio dan digunakan sebagi alat optimalisasi portofolio. Backtesting dan Validasi Model Backtesting merupakan kerangka kerja statistik formal yang dapat digunakan untuk membandingkan nilai risiko yang telah diprediksi dengan nilai risiko aktualnya berdasarkan tingkat kepercayaan (confidence level) tertentu (Jorion, 2001). Berdasarkan evaluasi tersebut dapat dilihat keakuratan model yang dibuat dengan kenyataan yang terjadi, yang disesuaikan dengan nilai ekpektasi yang boleh menyimpang yang ditentukan berdasarkan confidence level yang telah ditetapkan. Dalam studi ini backtesting dilakukan dengan cara membandingkan hasil proyeksi perhitungan VaR untuk setiap bulan dengan kerugian aktual yang dialami oleh PT. “X” setiap bulannya selama periode pengamatan. Sedangkan nilai actual loss yang digunakan sebagai pembanding nilai VaR adalah nilai exposure portofolio kredit kendaraan bermotor yang dikategorikan

107


sebagai Non Performing Loan (NPL) atau default setiap bulan selama periode pengamatan. Jika nilai actual loss < nilai VaR artinya nilai VaR dapat mengcover actual loss. Validasi model adalah suatu proses pemeriksaan untuk meyakinkan apakah model masih layak atau sesuai untuk digunakan. Validasi model dapat dilakukan dengan Likelihood Ratio (LR) Test. Yaitu dengan menghitung banyaknya jumlah real loss yang melebihi nilai VaR setiap bulan selama periode pengamatan, kemudian dibandingkan dengan jumlah kesalahan yang dapat ditolerir selama periode pengamatan. Untuk menentukan aktual model dimaksud, dapat dilakukan uji statistik likelihood ratio (Cruz, 2003) dengan persamaan sebagai berikut. V T V V V LR = - 2 ln [(1 -  )T V  V ] + 2 ln [(1 ) ( ) ] T T Di mana: LR : Loglikelihood Ratio  : confidence level T : jumlah data yang diobservasi V : jumlah data yang error Jika jumlah kesalahan proyeksi masih di bawah dari ambang batas jumlah kesalahan yang dapat ditolerir berarti model ini valid dan dapat diterima. Nilai LR dibandingkan dengan nilai kritis chi squared dengan derajat bebas 1 pada tingkat signifikansi yang diharapkan. Jika nilai LR lebih besar dibandingkan dengan nilai kritis chi squared, maka model perhitungan risiko kredit tersebut tidak akurat dan sebaliknya apabila nilai LR lebih kecil dari nilai kritis chi squared, maka model perhitungan risiko kredit tersebut akurat. Data yang dibutuhkan dalam penelitian ini berupa data bulanan risiko kredit kendaraan bermotor yang meliputi jumlah unit kendaraan bermotor, jumlah exposure, kolektibilitas dan recovery rate kendaraan bermotor di PT. “X”. Dalam penelitian ini terdapat faktor pembatas yang tidak dapat dihindari, yaitu: 1) agunan tidak semuanya legible sehingga tidak dapat dijadikan second way out dan 2) default diasumsikan sebagai kolektibilitas macet sesuai ketentuan PT. ”X” Penggunaan metode CreditRisk+ dalam penelitian ini berdasarkan beberapa pertimbangan yaitu: 1. CreditRisk+ adalah model credit default risk yang tidak mengasumsikan penyebab terjadinya default. 2. Jumlah debitur yang sangat banyak, sehingga setiap pinjaman dapat dianggap mempunyai probability of default yang relatif kecil dan bersifat random serta independen antara satu debitur dengan debitur lainnya. 3. CreditRisk+ memfokuskan kepada dua macam pengukuran, yaitu : default dan non default serta expected loss dan unexpected loss. Ada beberapa tahap yang dilakukan untuk mengukur risiko kredit dengan metode CreditRisk+ , yaitu: Tahap 1 : Pengumpulan data Data yang dikumpulkan dalam penelitian ini adalah data bulanan kredit kendaraan bermotor dari tahun 2006 sampai 2008 yang meliputi jumlah unit kendaraan, jumlah exposure, kolektibilitas dan recovery rate. 108


Tahap 2 : Penyusunan Band Penyusunan band atau banding adalah untuk memudahkan proses pengukuran risiko kredit yaitu dengan cara memperkecil jumlah data dengan mengelompokkan total exposure menjadi beberapa kelompok atas dasar besarnya exposure kredit. Dalam penelitian ini terdapat 2 (dua) kelompok band yang digunakan, yaitu: Rp1.000.000 (satu juta) dan Rp10.000.000 (sepuluh juta). Tahap 3 : Menghitung exposure at default Exposure at default adalah besarnya kewajiban debitur pada saat fasilitas kreditnya terjadi default. Exposure diperoleh dari rata-rata outstanding tagihan kredit kendaraan bermotor yang mengalami default per bulan. Tahap 4 : Menentukan Recovery Rates Recovery Rates adalah persentase rata-rata tagihan tertunggak yang dapat dilunasi debitur. Nilai recovery rates akan menurunkan tingkat kerugian dalam hal terjadi default dimana besarnya kerugian akibat adanya kredit yang default akan ditutup sebagian dengan adanya recovery. Tahap 5 : Menghitung Default Rate Besarnya default rate didapat dengan cara menghitung perkiraan jumlah kejadian default per bulan untuk masing-masing band. Untuk menghitung number of default events, maka nilai exposure pada masing-masing kelompok band dibagi dengan common exposurenya dan didapatkan nilai lamda (λ). Tahap 6 : Menghitung probability of default dan cumulative probability of default Probability of default diperoleh dengan menggunakan Poisson Model. Fungsi distribusi probabilitasnya sebagai berikut. Prob (n. defaults) = Dimana : e Lamda (λ) Default N

.λ !

: : : :

bilangan eksponensial = 2,71828 mean = angka rata-rata ∑ Pa jumlah debitur

Untuk mendapatkan jumlah debitur pada tingkat keyakinan 95% dilakukan dengan memasukkan nilai n = 1,2,3 .... n, dan besarnya probability of default Untuk setiap n kejadian dapat diketahui. Selanjutnya dengan menjumlahkan angka probabilitas tersebut maka dapat diperoleh angka cumulative probability of default nya hingga mencapai 95% (tingkat keyakinan yang digunakan dalam penelitian ini). Tahap 7 : Mengukur Expected Loss dan Unexpected Loss expected loss (EL) didapat sebagai hasil kali nilai n = lamda (λ) dengan nilai common exposure pada masing-masing kelompok band. Nilai unexpected default number terjadi pada saat cumulative probability of default didapat dengan menjumlahkan masingmasing nilai probabilitas pada n = 0, 1,2,3, ...n, sehingga secara kumulatif nilainya mencapai setinggi-tingginya 100%. Dengan mengalikan nilai n dengan common exposure pada setiap kelompok band, didapatkan nilai unexpected loss (UL) atau Value

109


at Risk (VaR) yaitu maksimum kerugian yang bisa terjadi pada tingkat keyakinan tertentu 95% (tingkat keyakinan yang digunakan dalam penelitian ini). Tahap 8 : Pengukuran Economic Capital Economic capital merupakan modal yang harus dimiliki perusahaan untuk mengcover maksimum kerugian disebabkan default pada portofolio kreditnya. Economic capital didapat dengan cara mengurangi unexpected loss dengan expected loss. Tahap 9 : Melakukan Pengujian Backtesting Backtesting dilakukan dengan cara membandingkan hasil proyeksi pengukuran VaR untuk setiap bulan dengan kerugian aktual yang dialami oleh PT. ”X” setiap bulannya selama periode pengamatan. Tahap 10 : Validasi Model (LR test) Validasi model dilakukan dengan melakukan Likelihood Ratio (LR) Test yaitu dengan menghitung banyaknya jumlah real loss yang melebihi nilai VaR setiap bulan selama periode pengamatan, kemudian dibandingkan dengan jumlah kesalahan yang dapat diterima selama periode pengamatan. Nilai LR dibandingkan dengan nilai kritis chi squared dengan derajat bebas 1 pada tingkat signifikansi yang diharapkan. HASIL DAN PEMBAHASAN Recovery Rate dan Actual Loss PT. ”X” menentukan angka recovery rate yaitu tingkat pengembalian pinjaman macet yang telah dihapusbukukan setiap tahunnya berbeda. Perbedaan angka recovery rate sangat tergantung kepada tingkat usaha penagihan (collection) kepada debitur. Recovery rate ini digunakan sebagai unsur pengurang kerugian yang dialami oleh perusahaan akibat terjadinya suatu gagal bayar dari debitur. Recovery rate yang digunakan PT.”X” selama tiga tahun selalu berbeda, seperti terlihat pada Tabel 2. Tabel 2. Angka Recovery rate Pembiayaan Kendaraan Bermotor PT ”X”, 2006 - 2008 Uraian Recovery rate

2006

Tahun 2007

2008

73%

72,5%

71,5%

Sumber : PT. ”X”

Actual loss (kerugian yang sebenarnya) dalam pengukuran risiko kredit dengan metode CreditRisk+ digunakan sebagai ukuran kerugian yang benar-benar tejadi untuk masing-masing kejadian default. Nilai actual loss dihitung dengan cara mengurangkan nilai eksposur pada saat default dengan nilai recovery rate-nya. Dari Tabel 3 tersebut terlihat bahwa actual loss secara keseluruhan tidak beraturan, kadang mengalami kenaikan dan ada kalanya mengalami penurunan. Salah satu faktor yang sangat berpengaruh pada besar kecilnya actual loss adalah recovery rate. Semakin besar recovery rate maka akan semakin kecil actual lossnya, sebaliknya semakin kecil recovery ratenya maka akan semakin besar actual lossnya.

110


Tabel 3. Actual Loss Pembiayaan Kendaraan Bermotor PT ”X” Periode 2006 – 2008 Tahun/Bulan Actua Loss 2006 Januari Februari Maret April Mei Juni Juli Agustus September Oktober November Desember Sumber : PT.”X”

Tahun/Bulan

100.850.000

Januari Februari Maret April Mei Juni Juli Agustus September Oktober November

102.750.000

Desember

100.500.000 99.500.000 120.850.000 112.750.000 97.500.000 93.000.000 101.350.000 113.800.000 124.000.000 108.798.000

Actual Loss 2007 113.750.000 99.500.000 99.800.000 111.350.000 123.800.000 104.000.000 109.098.000 110.500.000 115.700.000 117.850.000 118.200.000 97.895.000

Tahun/Bulan Januari Februari Maret April Mei Juni Juli Agustus September Oktober November Desember

Actual Loss 2008 109.800.000 121.350.000 122.800.000 109.500.000 110.098.000 120.500.000 118.700.000 110.050.000 117.500.000 143.895.000 103.750.000 109.500.000

Perusahaan biasa membuat kebijakan mengenai target recovery minimal yang harus dicapai. Hal ini dilakukan perusahaan dalam rangka untuk memperbesar recovery rate, sehingga diperlukan usaha yang intensif dari perusahaan pembiayaan untuk menagih kembali kredit yang telah macet, di samping peran staf collectoin sangat berpengaruh dalam memperbaiki recovery rate. Number of Default Number of Default merupakan jumlah peristiwa/kejadian terjadinya gagal bayar dari debitur pada periode tertentu. Nilai rata-rata dari frekuensi kejadian default dihitung dari pengukuran exposure at default dibagi dengan unit of exposure dalam setiap kelompok band, seperti terlihat pada Gambar 3, Gambar 4 dan Gambar 5. 60 50 40 30 20 10 -

Band 1 juta kel.1 Band 1 juta kel.2 Band 1 juta kel.3 Band 1 juta kel.4 Band 1 juta kel.5

Des

Nov

Okt

Sept

Agust

Juli

Juni

Mei

April

Maret

Febr

Januari

Band 1 juta kel.6 Band 1 juta kel.7 Band 1 juta kel.8 Band 1 juta kel.9 Band 1 juta kel.10

60 50 40 30 20 10 -

Gambar 3. Number of Default Movement Tahun 2006 111

Des

Nov

Okt

Sept

Agust

Juli

Juni

Mei

April

Maret

Febr

Januari

Band 10 juta kel.1 Band 10 juta kel.2 Band 10 juta kel.3 Band 10 juta kel.4


Des

Nov

Okt

Sept

Agust

Juli

Juni

Mei

April

Maret

Febr

Januari

60 50 40 30 20 10 -

60 50 40 30 20 10 -

Band 1 juta kel.1 Band 1 juta kel.2 Band 1 juta kel.3 Band 1 juta kel.4 Band 1 juta kel.5 Band 1 juta kel.6 Band 1 juta kel.7 Band 1 juta kel.8 Band 1 juta kel.9 Band 1 juta kel.10

Band 10 juta kel.1 Band 10 juta kel.2

Des

Nov

Okt

Sept

Agust

Juli

Juni

Mei

April

Maret

Febr

Januari

Band 10 juta kel.3 Band 10 juta kel.4

Gambar 4. Number of Default Movement Tahun 2007 60 50 40 30 20 10 Des

Nov

Okt

Sept

Agust

Juli

Juni

Mei

April

Maret

Febr

Januari

-

Band 1 juta kel.1 Band 1 juta kel.2 Band 1 juta kel.3 Band 1 juta kel.4 Band 1 juta kel.5 Band 1 juta kel.6 Band 1 juta kel.7 Band 1 juta kel.8 Band 1 juta kel.9 Band 1 juta kel.10

60 50 40

Band 10 juta kel.1

30

Band 10 juta kel.2

20

Gambar 5. Number of Default Movement Tahun 2008

112

Des

Nov

Okt

Sept

Agust

Juli

Juni

Mei

April

Band 10 juta kel.4 Maret

Febr

Band 10 juta kel.3

Januari

10


Probability of default dan Cumulative probability of default Pengukuran cumulative probability of default dilakukan dengan cara menghitung rata-rata default per hari untuk masing-masing band pada masing-masing periode yang menggunakan model distribusi Poisson. Probability of default dan cumulative probability of default yang digunakan sebagai contoh perhitungan adalah pada band dengan unit of exposure Rp1.000.000 (satu juta rupiah) dan Rp10.000.000 (sepuluh juta rupiah) pada Desember 2008 seperti terlihat pada Tabel 4 berikut ini. Tabel 4. Probability of default dan cumulative probability of default Periode Desember 2008 Kelompok

Lamda

N

1.000.000

1 2 3 4 5 6 7 8 9 10

1,7633 1,6275 1,0286 1,0128 1,9971 2,0063 2,0011 0,9600

4 4 3 3 5 5 5 3

Cum. prob. of default 0,966185 0,974770 0,979208 0,980215 0,983539 0,983210 0,983396 0,983367

10.000.000

1 2 3 4

2,3915 3,4632 4,3233 0,9003

7 7 8 3

0,964837 0,974656 0,967375 0,986529

Band

Sumber : PT ”X”, data diolah

Pada band Rp. 1 juta kelompok 1 dan 2 merupakan kelompok pembiayaan yang lancar sehingga kelompok tersebut tidak termasuk dalam kelompok default. Kelompok 3 dengan unit of exposure Rp. 1 juta dan lamda sebesar 1,7633 kemudian dengan menggunakan distribusi Poisson mencari nilai N pada saat probabilitas tertinggi dengan Cumulative probability. of default 95% dan tercapai N = 4, dan seterusnya. Expected Loss dan Unexpected Loss Berdasarkan Probability of default dan Cumulative probability of default tersebut, kemudian dihitung besarnya Expected Loss dan Unexpected Loss. Nilai Expected Loss diperoleh dari nilai probability of default tertinggi sedangkan Unexpected Loss diperoleh dari cumulative probability of default yang dalam penelitian ini menggunakan tingkat kepercayaan 95%. Expected loss merupakan kerugian atau risiko kredit yang mungkin terjadi pada periode tertentu dan tingkat kepercayaan tertentu. Hasil perhitungan potensi kerugian (expected loss) sepanjang tahun 2006 berkisar dari yang terendah bulan Februari yaitu sebesar Rp83.931.336,00 sampai dengan yang tertinggi di bulan September yaitu sebesar Rp94.309.056,00. Dengan kata lain, potensi terjadinya risiko kredit yang diperkirakan oleh PT.”X” pada tahun 2006 berkisar antara Rp83.931.336,00-Rp94.309.056,00. Hasil perhitungan potensi kerugian (expected loss) sepanjang tahun 2007 berkisar dari yang terendah bulan Februari yaitu sebesar Rp85.485.620,00 sampai dengan yang tertinggi di bulan September yaitu sebesar Rp96.055.520,00. Artinya potensi terjadinya risiko kredit yang diperkirakan PT.”X” pada tahun 2007 berkisar antara Rp85.485.620,00-

113


Rp96.055.520,00. Sedangkan hasil perhitungan potensi kerugian (expected loss) sepanjang tahun 2008 berkisar dari yang terendah bulan Desember yaitu sebesar Rp88.594.188,00 sampai dengan yang tertinggi di bulan Oktober yaitu sebesar Rp99.548.448,00. Dengan kata lain, potensi terjadinya risiko kredit yang diperkirakan pada tahun 2008 berkisar antara Rp88.594.188,00-Rp99.548.448,00. Dari periode expected loss terbesar selama tiga tahun terjadi di bulan September dan Oktober, hal ini dapat dimaklumi karena pada bulan tersebut merupakan hari raya. Unexpected loss merupakan nilai kerugiaan atau risiko kredit maksimal yang ditanggung perusahaan pada tingkat kepercayaan tertentu. Nilai unexpected loss berada di atas nilai expected loss. Dengan kata lain unexpected loss merupakan prediksi risiko kredit maksimal kendaraan bermotor. Nilai unexpected loss pada tahun 2006 dari yang terendah bulan Juni dan tertinggi bulan Desember berkisar antara Rp112.391.280,00-Rp119.192.040,00. Dengan kata lain, potensi risiko kredit maksimum kendaraan bermotor yang dapat ditolerir oleh PT.”X” pada tingkat kepercayaan 95% berkisar antara Rp112.391.280,00-Rp119.192.040,00. Hasil perhitungan potensi kerugian (unexpected loss) sepanjang tahun 2007 berkisar dari yang terendah bulan Juni yaitu sebesar Rp114.472.600,00 sampai dengan yang tertinggi di bulan Desember yaitu sebesar Rp121.399.300,00. Artinya potensi risiko kredit maksimum kendaraan bermotor yang dapat ditolerir oleh PT.”X” pada tingkat kepercayaan 95% berkisar antara Rp114.472.600,00Rp121.399.300,00. Sedangkan hasil perhitungan potensi kerugian (unexpected loss) sepanjang tahun 2008 berkisar dari yang terendah bulan Mei yaitu sebesar Rp188.635.240,00 sampai dengan yang tertinggi di bulan November yaitu sebesar Rp125.813.820,00. Dengan kata lain, potensi risiko kredit maksimum kendaraan bermotor yang dapat ditolerir oleh PT.”X” pada tingkat kepercayaan 95% berkisar antara Rp188.635.240,00-Rp125.813.820,00. Berdasarkan nilai expected loss dan unexpected loss tersebut, PT.”X” dapat menyusun strategi pembiayaan kredit kendaraan bermotor, terutama yang berkaitan dengan pricing (rate) dan provisi yang kompetitif yang akan dibebankan kepada debitur, pencadangan atas exposure portofolio tersebut, mengantisipasi bertambahnya pembiayaan yang bermasalah serta menentukan kecukupan modal yang diperlukan untuk menutupi adanya potensi rikiso kredit maksimal yang mungkin terjadi. Economic Capital Kecukupan modal atau istilah economic capital merupakan modal yang diperlukan dalam perhitungan risiko kredit dengan CreditRisk+ adalah modal yang harus dimiliki perusahaan untuk menutupi nilai kerugian yang disebabkan oleh adanya unexpected loss. Besarnya economic capital ini dihitung dari pengurangan antara unexpected loss dengan nilai expected loss. Tabel 5 menunjukkan bahwa kecukupan modal yang dibutuhkan atas portofolio pembiayaan kendaraan bermotor yang dilakukan oleh PT.”X” kepada konsumennya sepanjang tiga tahun terakhir terus mengalami kenaikan. Pada tahun 2006 nilai economic capital berada pada range Rp22.251.888,00-Rp32.477.328,00, dan terus meningkat pada tahun 2007 berada pada range Rp22.663.960-Rp33.078.760,00 dan meningkat kembali pada tahun 2008 berada pada range Rp23.488.104,00-Rp34.281.624,00. Apabila modal perusahaan pembiayaan kendaraan bermotor PT.”X” dibandingkan dengan nilai economic capital selama tiga tahun terakhir, dapat disimpulkan bahwa PT.”X” masih cukup mampu untuk menanggung adanya risiko kredit yang diakibatkan oleh unexpected credit default losses. Dengan melihat kebutuhan economic capital yang relatif kecil, sekitar 1,55%-3,24% dari jumlah modal atas portofolio pembiayaan kendaraan bermotor sepanjang tahun 2006-2008.

114


Tabel 5. Expected Loss, Unexpected Loss dan Economic Capital Pembiayaan Kendaraan Bermotor PT.”X”. Periode 2006 – 2008 Tahun 2006 Bulan

Expected Loss

Januari Februari Maret April Mei Juni Juli Agustus September Oktober November Desember

Unexpected Loss

Economic Capital

92.464.956 83.931.336 92.489.256 92.489.256 92.379.096 84.978.720 92.460.906 92.345.346 94.309.056 91.692.756 92.271.420 91.677.960

118.405.044 116.408.664 118.380.744 118.380.744 118.490.904 112.391.280 118.409.094 118.524.654 116.560.944 119.177.244 118.598.580 119.192.040

25.940.088 32.477.328 25.891.488 25.891.488 26.111.808 27.412.560 25.948.188 26.179.308 22.251.888 27.484.488 26.327.160 27.514.080

94.177.270 85.485.620 94.202.020 93.968.270 94.089.820 86.552.400 94.173.145 94.055.445 96.055.520 93.390.770 93.980.150 93.375.700

120.597.730 118.564.380 120.572.980 120.806.730 120.685.180 114.472.600 120.601.855 120.719.555 118.719.480 121.384.230 120.794.850 121.399.300

26.420.460 33.078.760 26.370.960 26.838.460 26.595.360 27.920.200 26.428.710 26.664.110 22.663.960 27.993.460 26.814.700 28.023.600

97.601.898 97.627.548 97.627.548 97.511.268 89.699.760 97.597.623 96.786.798 97.475.643 97.397.610 99.548.448 96.771.180 88.594.188

124.983.102 124.957.452 124.957.452 125.073.732 118.635.240 124.987.377 125.798.202 125.109.357 125.187.390 123.036.552 125.813.820 122.875.812

27.381.204 27.329.904 27.329.904 27.562.464 28.935.480 27.389.754 29.011.404 27.633.714 27.789.780 23.488.104 29.042.640 34.281.624

Tahun 2007 Januari Februari Maret April Mei Juni Juli Agustus September Oktober November Desember Tahun 2008 Januari Februari Maret April Mei Juni Juli Agustus September Oktober November Desember


Tabel 6. Persentase Economic Capital Terhadap Modal PT.”X” Periode

2006 2007 2008

Economic Capital (Rp)

319.429.872 325.812.740 337.175.976

Modal PT "X"

9.850.000.000 5.500.000.000 21.750.000.000

Sumber : PT ”X”

115

Prosentase (%)

3,24 2,10 1,55


Pengujian Model CreditRisk+ Pengujian model diperlukan untuk mengetahui apakah hasil perhitungan nilai VaR atau nilai unecpected loss dengan menggunakan CreditRisk+ tersebut valid untuk memperkirakan besarnya VaR dari suatu periode ke periode berikutnya. Untuk menjawab pertanyaan penelitian ketiga, yaitu apakah model akurat untuk mengukur risiko pembiayaan kendaraan bermotor PT.“X” dengan metode CreditRisk+, menggunakan back testing dan Likelihood Ratio (LR). Hipotesis yang diajukan dalam penelitian ini adalah: H 0 : Model CreditRisk+ cocok digunakan untuk mengukur risiko pembiayaan kendaraan bermotor di PT “X” H 1 : Model CreditRisk+ tidak cocok digunakan untuk mengukur risiko pembiayaan kendaraan bermotor di PT “X” Ada beberapa langkah yang dilakukan dalam menguji model dengan back testing, yaitu menentukan jumlah sampel waktu pengamatan atau total observasi (T), dalam penelitian ini sebanyak 36; menghitung nilai V (total failure atau total exception) selama kurun waktu observasi; kemudian menentukan nilai  atau tingkat kepercayaan, dalam penelitian ini menggunakan  = 5% atau confidence level (tingkat kepercayaan) 95 persen; dan yang terakhir menghitung nilai Loglikelihood Ratio (LR). Formula Loglikelihood Ratio (LR) (Cruz, 2003), sebagai berikut. V T V V V LR = - 2 ln [(1 -  )T V  V ] + 2 ln [(1 ) ( ) ] T T Di mana: LR : Loglikelihood Ratio  : confidence level T : jumlah data yang diobservasi V : jumlah data yang error Dari 36 periode pengamatan, terdapat 4 kali terjadi failure yaitu nilai actual loss risiko pembiayaan kendaraan bermotor lebih besar dari unexpected loss risiko pembiayaan kendaraan bermotor pada tingkat kepercayaan 5%. Sebanyak 2 kali terjadi pada tahun 2006, yaitu pada bulan Maret dimana nilai actual loss sebesar Rp120.850.000,00 lebih besar daripada unexpected loss sebesar Rp 118.380.744,00 dan bulan September dimana nilai actual loss Rp124.000.000,00 lebih besar daripada unexpected loss sebesar Rp116.560.944,00. Selanjutnya satu kali pada tahun 2007, yaitu pada bulan Mei, dimana nilai actual loss risiko pembiayaan kendaraan bermotor sebesar Rp123.800.000,00 lebih besar dari nilai unexpected loss sebesar Rp120.685.180,00 dan yang terakhir pada tahun 2008 yaitu pada bulan Oktober dimana nilai actual loss risiko pembiayaan kendaraan bermotor sebesar Rp143.895.000,00 lebih besar dari nilai unexpected loss sebesar Rp123.036.552,00. Berdasarkan hasil perhitungan dengan menggunakan rumus LR, didapatkan bahwa pada tingkat kepercayaan 95% (  = 5%) nilai LR lebih kecil dari nilai Critical Value, sehingga hipotesis diterima atau H 0 diterima. Dengan kata lain, perhitungan pengukuran unexpected loss risiko pembiayaan kendaraan bermotor PT.”X” valid digunakan, sehingga model mencerminkan secara tepat pola risiko pembiayaan kendaraan bermotor yang terjadi dalam suatu periode tertentu dan pada

116


tingkat kepercayaan tertentu pula. Dengan kata lain, model tersebut dapat memprediksi besarnya economic capital untuk menutupi risiko pembiayaan kendaraan bermotor di masa mendatang. Untuk lebih jelasnya hasil perhitungan pengujian model dapat dilihat pada Tabel 7 berikut ini. Tabel 7. Hasil Perhitungan Pengujian Model Uraian Confidence Level N V df Critical Value Nilai LR Kesimpulan

2006 - 2008  = 5% 36 4 1 3,841 2,133 2,133 < 3,841 H 0 diterima


PENUTUP Setelah dilakukan analisis dengan menggunakan metode CreditRisk+, maka diperoleh hasil peneltian sebagai berikut. 1) Nilai expected loss dari tahun ketahun cenderung mengalami kenaikan, mulai dari Rp1.093.490.064,00 tahun 2006, Rp1.113.506.130,00 pada tahun 2007 dan sebesar Rp1.154.239.512,00 pada tahun 2008. Begitun juga dengan nilai unexpected loss cenderung mengalami kenaikan, mulai dari Rp1.412.919.936,00 pada tahun 2006, sebesar Rp1.439.318.870,00 pada tahun 2007 dan sebesar Rp1.491.415.488,00 pada tahun 2008. 2) Dari perhitungan economic capital terlihat bahwa kecukupan modal yang dibutuhkan atas portofolio penyaluran pembiayaan kendaraan bermotor yang dilakukan oleh PT.”X” sepanjang tahun 2006 berkisar antara Rp22.251.888,00-Rp32.477.328,00 pada tahun 2006, dan terus meningkat pada tahun 2007 berada pada range Rp22.663.960-Rp33.078.760,00 dan meningkat kembali pada tahun 2008 berada pada range Rp23.488.104,00-Rp34.281.624,00. Apabila setiap nilai economic capital dihubungkan dengan modal yang dimiliki PT.”X” setiap tahunnya, maka dapat disimpulkan bahwa modal tersebut masih cukup untuk menutupi kerugian yang mungkin diakibatkan oleh unexpected credit default losses. 3) Pengujian model dengan menggunakan back testing dan Likelihood Ratio, menunjukkan bahwa selama periode pengamatan jumlah kejadian yang merugikan PT.”X” dengan tingkat kerugian yang melebihi nilai VaR kredit pembiayaan kendaraan bermotor masih dibawah ambang batas jumlah kerugian yang dapat ditolerir. Dengan kata lain metode pengukuran risiko pembiayaan kendaraan bermotor dengan menggunakan CreditRisk+ dapat diterima dan cukup akurat untuk mengukur risiko pembiayaan kendaraan bermotor PT.”X”. Berdasarkan hasil kesimpulan penelitian ini, maka ada beberapa saran yang ditujukan kepada PT.”X” , yaitu: 1) Mengingat PT.”X” belum memiliki metode pengukuran risiko kredit dan berdasarkan hasil perhitungan risiko kredit dengan model CreditRisk+ menunjukkan model cukup akurat, maka motode ini dapat dipertimbangkan untuk digunakan sebagai sebagai salah satu alternatif untuk mengukur risiko pembiayaan kredit kendaraan bermotor di PT.”X”

117


2) Berdasarkan data selama tiga tahun terakhir terlihat risiko kredit pembiayaan kendaraan bermotor cenderung meningkat, maka untuk menjaga kualitas portofolio dengan lebih baik, PT. ”X” harus melakukan langkah-langkah preventif untuk menurunkan potensi default yaitu dengan cara lebih selektif dalam memilih debitur disamping memperbaiki non performing loannya dengan cara meningkatkan monitoring portofolio dan upaya menyelesaikan kredit bermasalah lebih maksimal. 3) Tingkat akurasi model CreditRisk+ sangat tergantung pada kehandalan data base yang dimiliki perusahaan, oleh karena itu apabila metode ini akan digunakan sebaiknya PT.”X” lebih meningkatkan kualitas data base perkreditannya sehingga pengukuran risiko pembiayaan akan lebih akurat, selain harus melakukan pengujian secara berkala dengan menggunakan LR test. REFERENSI Bessis, J. (2002). Risk management in banking (2nd ed). Chichester: John Wiley & Sons Ltd. Crouhy M, Galai D, & Mark R. (2001). Risk management, New York: McGraw – Hill Cruz, M. (2003). Modeling, measuring and hedging operational risk. New York: John Wilwy & Sons. Credit Suisse First Boston (CSFB). (1997). CreditRisk+ a Credit Risk Management Framework. Jorion, P. (2001). Value at risk. New York: McGraw-Hill. Olof, R. (2006). Penerapan metode creditrisk+ dalam pengukuran risiko kredit pada pembiayaan kendaraan bermotor (studi kasus PT “XYZ”). Penelitian yang tidak dipublikasikan. Jakarta. Universitas Indonesia. Saunders, A & Linda A. (2002). Credit risk measurement: New approaches to creditrisk measurement. New approach to value at risk and other paradigms (2nd ed). New york: John Wiley & Sons, Inc. Saunders, A. (2001). Financial institutions management, a risk management approach. New York: Mc. Graw Hill. Sunaryo, T. (2007). Manajemen risiko finansial. Jakarta: Salemba Empat Siagian, S. (2004). Analisis perhitungan risiko kredit dengan pendekatan creditrisk+ portofolio: Studi kasus pembiayaan murabahah bai’Bithaman ajil pada BMT at taqwa. Suzanna, CZ. (2006). Penerapan metode creditrisk+ dalam pengukuran risiko kredit penyaluran pembiayaan kepada BPR/S di PT PNM Persero. Penelitian yang tidak dipublikasikan. Jakarta: Universitas Indonesia. Tjahjowidjojo, D. (2005). Aplikasi metode creditrisk+ dalam penilaian risiko kredit untuk segmen kartu kredit pada bank “X”. Penelitian yang tidak dipublikasikan. Jakarta: Universitas Indonesia. Tedy F. (2006). Refleksi dan strategi: Penerapan manajemen risiko perbankan Indonesia. Jakarta: PT Alex Media Komputindo-Kelompok Gramedia.

118

PENERAPAN METODE CREDITRISK+ DALAM PENGUKURAN RISIKO KREDIT KENDARAAN BERMOTOR (KASUS PADA PT X )

Recommend Documents