Prosiding Seminar Nasional Manajemen Teknologi XV Program Studi MMT-ITS, Surabaya 4 Pebruari 2012

Prosiding Seminar Nasional Manajemen Teknologi XV Program Studi MMT-ITS, Surabaya 4 Pebruari 2012

PEMODELAN EARLY WARNING SYSTEM SEBAGAI PENILAI TINGKAT KESEHATAN FINANSIAL CALON NASABAH DENGAN METODA BINARY REGRESI LOGISTIK STUDI KASUS : BANK X SURABAYA BRANCH Mochammad Taufan 1) , Nur Iriawan 2) Program Studi Magister Manajemen Teknologi ITS email: [email protected] 2) Statistik ITS Surabaya, email: [email protected] 1)

ABSTRAK Untuk dapat memproleh gambaran tentang perkembangan finansial suatu perusahaan, perlu mengadakan analisa atau interprestasi terhadap data finansial dari perusahaan bersangkutan, dimana data finansial itu tercermin didalam laporan keuangan, Oleh karena itu Bank X perlu menganalisa kondisi finansial calon nasabah. Yang mana hasil akhir dari penilaian kondisi finansial calon nasabah bank dapat menentukan perusahaan mana yang finansialnya sehat dan dapat menjadi nasabah di waktu yang akan datang. Salah satu caranya adalah dengan melakukan penilaian tingkat kesehatan calon nasabah bank berdasarkan analisis rasio keuangan menggunakan early warning system dan analisis model. Dalam tesis ini digunakan model analisis regresi binary logistik untuk menilai tingkat kesehatan finansial suatu perusahaan, khususnya kantor cabang Bank X Surabaya Branch. Analisis regresi logistik binary ini menggunakan rasio keuangan yang diperoleh dari laporan keuangan laba rugi tahun 2006 dan tahun 2008. Kemudian dengan menggunakan metode Principal Component Analysis dan dilanjutkan dengan metode maximum likelihood dihasilkan koefisien regresi logistik binary berdasarkan data data peubah independen laporan keuangan. Hasil akhir yang didapatkan adalah model EWS yang dapat menilai tingkat kesehatan finansial nasabah dan calon nasabah. Kata kunci : Laporan Keuangan, Kesehatan Ekonomi Perusahaan, Early Warning System. ABSTRACT To be able to fare a picture of a company's financial developments, need to conduct an analysis or interpretation of financial data from the companies concerned, in which financial data is reflected in the financial statements, therefore the Bank X should analyze the financial condition of prospective customers. Which outcome of the assessment of prospective financial condition of a bank customer can determine which companies are financially healthy and could be a customer in the future. One way is by assessing the health of the prospective customers of the bank on the basis of financial ratio analysis using an early warning system and analysis of the model. In this thesis used a binary logistic regression analysis model to assess the financial soundness of a company, particularly the branch office of Bank X Surabaya Branch. This binary logistic regression analysis using financial ratios derived from financial statements of income in 2006 and 2008. Then by using the method of Principal Component Analysis and followed by the method of maximum likelihood logistic regression coefficients generated binary data based on the financial statements of independent variable data. The final result obtained is the EWS model that can assess the financial soundness of customers and prospects. Keywords: Financial Report, Health Economics Company, Early Warning System. ISBN : 978-602-97491-4-4 C-6-1


PENDAHULUAN Kegiatan usaha nasabah bank terus mengalami perubahan dan peningkatan sejalan dengan perkembangan teknologi informasi, globalisasi, dan integrasi pasar keuangan, sehingga kompleksitas kegiatan usaha nasabah bank semakin tinggi. Kompleksitas kegiatan usaha nasabah bank yang semakin meningkat tersebut mengakibatkan tantangan dan risiko yang dihadapi juga semakin besar. Dengan melihat perkembangan tantangan dan risiko usaha nasabah bank yang semakin besar, maka diperlukan berbagai macam upaya untuk memilih calon nasabah bank yang berpotensial ekonomi keuangannya meningkat. Salah satu caranya adalah dengan melakukan penilaian tingkat kesehatan calon nasabah bank berdasarkan analisis rasio keuangan menggunakan early warning system dan analisis regresi binary logistik. Penulis pada makalah ini menggunakan 3 rasio keuangan yaitu Quick ratio, rasio leverage, dan ratio profitabilitas. Decision Support System (DSS) atau disebut juga sistem pendukung keputusan adalah suatu bagian dari sistem informasi berbasis komputer yang dipakai untuk mendukung pengambilan keputusan dalam suatu organisasi atau perusahaan. Regresi logistik biner telah banyak digunakan secara luas sebagai salah satu alat analisis pemodelan ketika variabel dependennya (Y) bersifat biner. I stilah biner merujuk pada penggunaan dua buah bilangan 0 dan 1 untuk menggantikan dua kategori pada variabel dependen. Contoh variabel dependen yang di maksud adalah kesuksesan ( sukses – gagal ), Kesetujuan ( setuju – tidak sertuju ), keinginan membeli ( ya – tidak ), dan masih banyak lagi. Pendugaan koefisien model regresi logistik tidak dapat di lakukan dengan metode kuadrat terkecil ( ordinary least squares ) seperti halnya regresi linear karena pelanggaran asumsi kehogenan ragam. Metode kemungkinan maksimum ( Maximum likelihood ) menjadi salah satu alternatif yang dapat digunakan. Jika pi menyatakan peluang suatu invidu ke-i memiliki Y = 1, maka model regresi logistik dengan k buah variabel independen dapat dituliskan sebagai (1) Dengan kata lain, model regresi logistik biner dapat dituliskan sebagai:

(2) Regresi logistik ekuivalen dengan diskriminan analis dua grup dan memerlukan variabel dependen berupa binary dengan nilai 0 dan 1. Dimana nilai е adalah 2.71828. METODE Studi pendahuluan yang dilakukan pada penelitian ini terdiri dari studi literatur yang meliputi pengkajian literatur yang berhubungan dengan modelling data, early warning system, regresi logistik dan penerapannya pada data keuangan suatu bank. Pengkajian literatur penelitian terdahulu, yang relevan dengan topik penelitian juga dilakukan. Selain itu, informasi lapangan mengenai sistem dan permasalahan analisis tingkat kesehatan dan efisiensi bank juga perlu dilakukan baik untuk pengembangan model maupun keperluan implementasinya. Hasil kajian ini kemudian dijadikan state of the art penelitian yang dilakukan.

ISBN : 978-602-97491-4-4 C-6-2


Jenis penelitian yang dilakukan analisis adalah pengujian hipotesis, dengan melakukan pengujian terhadap semua variabel yang diteliti. Horizon waktu riset bersifat cross sectional sehingga model yang digunakan adalah dengan regresi logistik. Dengan regresi logistik ini dapat dilihat hubungan antara variabel dependen berupa variabel independen yang bersifat kualitatif dan variabel-variabel independen berupa variabel kualitatif (nominal atau ordinal) maupun variabel kuantitatif (interval atau rasio). Dalam penelitian ini, variabel yang diteliti diklasifikasikan ke dalam variabel independen dan variabel dependen. Dimana variabel dependen yang digunakan adalah Laporan rugi laba, yang dalam hal ini tingkat kesehatan yang memiliki hubungan fungsional dengan rasio keuangan. Suatu perusahaan tingkat kesehatan finansialnya untuk mempertahankan kelangsungan operasional yang tercermin dalam data atau informasi laporan keuangan tahunan. Formulasi yang digunakan adalah variabel dummy, dimana angka 0 menunjukkan perusahaan mengalami kebangkrutan dengan kriteria kurang sehat dan tidak sehat. Angka 1 menunjukkan perusahaan dalam kriteria sehat dan cukup sehat. Variabel independen yang digunakan dalam penelitian ini ada 9 variabel yaitu rasio lancer(RL1), rasio cepat(RL2), cash rasio lambat(RL3), rasio hutang terhadap ekuitas(RS1), rasio hutang terhadap total(RS2), margin laba kotor(RR1), margin laba bersih(RR2), earning power of total investment(RR3), dan pengembalian atas ekuitas(RR4). Dengan ρ adalah korelasi antara 2 variabel. Daerah penolakan P-value < α , Dimana nilai α yang digunakan adalah 5% HASIL DAN PEMBAHASAN Pada kesempatan ini akan dibahas desain dan implementasi dari penelitian yang telah dilakukan. Untuk dapat memodelkan regresi logistik, syarat yang harus dipenuhi salah satunya adalah variabel independen harus tidak memiliki sifat interdependensi yang menyebabkan adanya multikolinearitas. Multikolinearitas terjadi ketika sebagian besar variabel yang digunakan saling terkait dalam suatu model regresi. Masalah multikolinearitas menjadi serius apabila digunakan untuk mengkaji hubungan antara variabel independen (x) dengan variabel dependen (y) karena simpangan baku koefisien regresi tidak signifikan, sehingga sulit memisahkan pengaruh dari masing-masing variabel independen. Untuk mendeteksi adanya multikolinearitas antar variabel independen (prediktor) dapat dilakukan dengan pengujian korelasi terhadap data rasio keuangan tahunan 2008 dengan menggunakan Minitab14. Dari pengujian kolerasi dapat diketahui bahwa terdapat korelasi antara variable variable di atas. Hal ini ditunjukkan dari nilai p-value berada di daerah penolakan, dimana nilai α kurang dari 5%. Sehingga kesimpulannya adalah menolak hipotesis awal yang berarti bahwa terdapat variable – variable yang memiliki korelasi cukup erat atau diduga terdapat gejala multikolinearitas. Dengan adanya faktor multikolinearitas antar variabel independen, maka akan digunakan uji kolersi dengan menggunakan analisis komponen pokok atau disebut principal component analysis (PCA). Analisis ini digunakan untuk mengkonversi sebagian besar variabel asli yang saling berkorelasi satu dengan yang lainnya menjadi satu set variabel baru yang lebih kecil dan saling bebas (tidak berkorelasi). Variabel-variabel rasio keuangan yang saling berkorelasi satu dengan yang yang lainnya, yang digunakan dalam rasio keuangan perlu direduksi dan dikonversi menjadi beberapa variable yang tidak memiliki saling keterkaitan (interdependensi). Banyaknya komponen pokok yang tidak memiliki sifat interdependensi dihitung dari banyaknya eigen value dengan nilai lebih dari 1, dengan menggunakan MINITAB14 dapat dilihat dari hasil analisis eigen value pada Gambar 1, bahwa ada 2 variabel yang memenuhi standar eigen value lebih dari 1 yaitu 13.037 dan 4.064. ISBN : 978-602-97491-4-4 C-6-3


Gambar 1 Analisa PCA Validasi dengan Minitab14 Data Rasio Laporan Keuangan 2008

Dari analisisa PCA terhadap data rasio keuangan pada Gambar 1, Sehingga komponen pokok yang harus dihitung sebanyak 2 komponen pokok pada tahun 2008. Tabel 1 Koefisien Komponen Pokok Data Rasio Keuangan tahun 2008

Dari nilai koefisien yang telah diketahui pada tabel 1 kemudian digunakan untuk menghitung nilai komponen pokok yang selanjutnya akan digunakan dalam pemodelan regresi menggantikan variabel rasio keuangan. Nilai principal component diperoleh dengan mengalikan koefisien komponen pokok dengan masing-masing variabel rasio keuangan. Score komponen-komponen pokok beserta variabel dependen yang akan diproses lebih lanjut dapat dilihat pada Tabel 2, dari tahun 2008. Tabel 2 Variabel Dependen dan Score Komponen Pokok Untuk Pemodelan Regresi Logistik Tahun 2008

Pada Tabel 2 terlihat score komponen pokok tahun 2008, dan data yang dihasilkan dari pengolahan dengan principal component analysis adalah variabel independen awal yang terdiri dari 9 rasio keuangan dikonversi menjadi 2 Principal Component (PC) untuk data rasio keuangan tahun 2008. Proses pre-modelling yang telah dilakukan diatas, menghasilkan model regresi logistik dari pemrosesan data pada Tabel 2. Data yang dihasilkan telah memenuhi persyaratan pemodelan regresi logistik sehingga koefisien dan intercept dari proses pemodelan akan menjadi model regresi logistik.

ISBN : 978-602-97491-4-4 C-6-4


Gambar 2 Pemodelan Regresi Logistik Data Rasio Tahun 2008

Gambar 2 menunjukkan hasil pemodelan data rasio keuangan tahun 2008 dengan 9 komponen pokok sebagai independent. Nilai koefisien model regresi logistik yang dihasilkan adalah -2.67901, -0.154909, dan -1.83213. Namun karena nilai P-value dari PC1 yang melibihi nilai toleransi 10% dari α maka PC1 tidak layak untuk di modelkan pada pemodelan regresi logistik. Hasil dari pemodelan regresi logistik dari tahun 2008 menghasilkan koefisien yang signifikan, dimana p-value lebih kecil dari nilai α = 5%. Dari pemodelan regresi logistik diatas, dapat digunakan untuk menghasilkan persamaan regresi logistik dalam bentuk logit P(X) sebagai berikut. Persamaan untuk laporan keuangan tahun 2008 adalah : Logit P(i) = β0 + (-1.83213) PC2 dengan β0 = -2.67901

(3)

Model yang dihasilkan oleh persamaan regresi logistik tidak dapat secara langsung digunakan untuk memprediksi kondisi kesehatan suatu perusahaan pada periode waktu yang berbeda. Dari model regresi dihasilkan respon berupa tingkat kesehatan Keuangan dari nasabah Bank X dengan skala “Sehat” atau “diterima” = 1, dan “tidak Sehat” atau “ditolak”=0. Dengan pengujian validitas dapat dibuktikan bahwa model regresi logistik yang terbentuk dapat digunakan untuk periode waktu yang berbeda. Pengujian validitas dilakukan dengan membandingkan apakah terjadi perbedaan pada jumlah variabel yang dihasilkan pada model regresi logistik yang terbentuk pada tahun yang berbeda. Dengan model di atas dapat di buat model untuk nasabah baru yang mana nasabah baru hanya mempunyai nilai Rasio keuangan, jadi terlebih dahulu membuat model untuk Principal Component. Dengan bantuan tabel score PCA pada tabel 2. Di dapat model berikut: Persamaan PCA untuk laporan keuangan adalah : PC2 = (-0.6365) RL1 + (-0.5873) RL2 + (-0.3185) RL3 + (-0.1075) RS1 + 0.0743 RS2 + (-0.0323) RR1 + (-0.0084) RR2 + (-0.0306) RR3 + (-0.3597) RR4 (4) Data rasio laporan keuangan nasabah baru di tunjukkan dalam tabel 3 sebagai berikut: Tabel 3 Laporan Rasio Keuangan Nasabah Baru

Dari data pada Tabel 5 kemudian dimasukkan ke persamaan (4) menghasilkan nilai dari PC2 adalah -3.8. Kemudian dimasukkan ke persamaan (3) hasilnya sebagai berikut: Logit P(i) = β0 + (-1.83213) PC2 = -2.67901 + (-1.83213) (-3.8) = -2.67901 + 6.962094 = 4.283084 ISBN : 978-602-97491-4-4 C-6-5


Didapat hasil logit P(i)= 4.283084, yang mana hasil tersebut di masukkan kedalam persamaan (2) yang merupakan standar rumus dari regresi binary logistik peluang nilai Y=1 adalah 0,98. Yang berarti melebihi standart dari bank X yaitu 0,70. Dari hal ini dapat di simpulkan nasabah dengan kode PN01 DITERIMA menjadi Nasabah Bank X. Dengan tools ini diharapkan bisa membantu memudahkan manajemen dari bank X Surabaya branch dalam mengambil keputusan kedepannya. KESIMPULAN DAN SARAN Kesimpulan-kesimpulan yang dapat diambil dari penelitian mengenai pemodelan regresi logistik yang digunakan untuk alat bantu pengambilan keputusan di Bank X, antara lain :  Metode regresi binary logistik dapat memodelkan data laporan keuangan tahunan calon nasabah pada kantor cabang Bank X Surabaya dan model regresi logistik yang terbentuk dapat digunakan sebagai Early Warning System  Terbentuk analisis dan interpretasi hasil pemodelan Early Warning System dan memanfaatkan model tersebut dalam pengambilan keputusan di Bank X Dan saran penulis kedepannya dikarenakan penampilan arsitektur aplikasi yang di buat hanya memuat 9 variabel dari 3 rasio utama laporan keuangan, bisa ditambahkan dengan rasio keuangan yang lain maka informasi kebutuhan laporan keuangan yang lebih akurat dapat lebih mudah digunakan untuk membuat suatu keputusan. DAFTAR PUSTAKA Dolores M. Etter and David C. Kuncicky, Introduction to MATLAB 7, with Holly Moore, Pearson/Prentice Hall, Upper Saddle River, NJ. Fractal (2003), Comparative Analysis of Classification Techniques, A Fractal White Paper. Gibson, C.H. (2000), Financial Reporting & Analysis: Using Financial Accounting Information, 8th Edition, South Western, Boston. Hair, J.F, Black, W.C., Babin, B.J., Anderson, R.E., dan Tatham, R.L (2006) : Multivariate Data Analyst , 6th Edition, Person Education, New Jersey, US Hosmer, D.W., dan Lemeshow, S. (2000), Applied Logistic Regression, 2nd Edition, John Wiley and Sons, Inc., New York. Iriawan, N. (2005a), Laporan Hasil Pembentukan Early Warning System (EWS) Obligasi Korporasi, ITS, Surabaya. Jolliffe, I.T. (2002), Principal Component Analysis, 2nd Edition, Springerverlag, Inc., New York. Kleinbaum, D.G., dan Klein, M. (2002), Logistic Regression A Self-Learning Text, 2nd Edition, Springerverlag, Inc., New York. Kim, T.Y., Kyong, J.O., Insuk ,S.,and Hwang, C. (2004), Usefulness of Artificial Neural Network For Early Warning System of Economic Crisis, Elsevier

ISBN : 978-602-97491-4-4 C-6-6


Muljono, T.P.(1988), Aplikasi Akuntansi Manajemen dalam Praktek Perbankan, Edisi Pertama, Cetakan Pertama, BPFE, Yogyakarta. Van Nostrand Reinhould Co, New York. Kown (2004), Financial Report, Van Horne ( 2005 ), Financial Rasio Vercellis, C. (2009), Business Intelligence : Data Mining and Optimization For Decision Making, Chichester : John Wiley & Sons

ISBN : 978-602-97491-4-4 C-6-7

Prosiding Seminar Nasional Manajemen Teknologi XV Program Studi MMT-ITS, Surabaya 4 Pebruari 2012

Recommend Documents