UNIVERSITAS INDONESIA

UNIVERSITAS INDONESIA

IMPLEMENTASI DATAMART DAN OLAP DALAM PELAPORAN DAN MONITORING PENYISIHAN CADANGAN KERUGIAN PENURUNAN NILAI (CKPN) PADA PORTFOLIO PEMBIAYAAN BANK ‘X’ SESUAI DENGAN PSAK 50/55

KARYA AKHIR

ALEXANDER RUDY GUNAWAN 1106041804

FAKULTAS ILMU KOMPUTER PROGRAM STUDI MAGISTER TEKNOLOGI INFORMASI JAKARTA JULI 2014

Implementasi datamart…., Alexander Rudy Gunawan, FASILKOM UI, 2014

HALAMAN JUDUL

UNIVERSITAS INDONESIA IMPLEMENTASI DATAMART DAN OLAP DALAM PELAPORAN DAN MONITORING PENYISIHAN CADANGAN KERUGIAN PENURUNAN NILAI (CKPN) PADA PORTFOLIO PEMBIAYAAN BANK ‘X’ SESUAI DENGAN PSAK 50/55

KARYA AKHIR Diajukan sebagai salah satu syarat memperoleh gelar Magister Teknologi Informasi

ALEXANDER RUDY GUNAWAN 1106041804

FAKULTAS ILMU KOMPUTER PROGRAM STUDI MAGISTER TEKNOLOGI INFORMASI JAKARTA JULI 2014


HALAMAN PERNYATAAN ORISINALITAS

Karya Akhir ini adalah hasil karya saya sendiri, dan semua sumber, baik yang dikutip maupun dirujuk telah saya nyatakan dengan benar.

Nama

: Alexander Rudy Gunawan

NPM

: 1106041804

Tanda Tangan

: ……………………………

Tanggal

: 14 Juli 2014

ii Implementasi datamart…., Alexander Rudy Gunawan, FASILKOM UI, 2014

HALAMAN PENGESAHAN

Karya Akhir ini diajukan oleh Nama NPM Program Studi Judul Karya Akhir

: : : : :

Alexander Rudy Gunawan 1106041804 Magister Teknologi Informasi Implementasi Datamart dan OLAP dalam Pelaporan dan Monitoring Penyisihan Cadangan Kerugian Penurunan Nilai (CKPN) pada Portfolio Pembiayaan Bank X sesuai dengan PSAK 50/55.

Telah berhasil dipertahankan di hadapan Dewan Penguji dan diterima sebagai bagian persyaratan yang diperlukan untuk memperoleh gelar Magister Teknologi Informasi pada Program Studi Magister Teknologi Informasi, Fakultas Ilmu Komputer, Universitas Indonesia.

DEWAN PENGUJI

Pembimbing

: Yova Ruldeviyani, M. Kom.

Penguji

: Dr. Achmad Nizar Hidayanto.S.Kom.,M.Kom

Penguji

: Dr. Ir. Petrus Mursanto M.Sc

Ditetapkan di Tanggal

: Jakarta : 2 Juli 2014

iii Implementasi datamart…., Alexander Rudy Gunawan, FASILKOM UI, 2014

KATA PENGANTAR

Puji syukur saya haturkan kepada Tuhan Yang Maha Esa yang telah memberikan berkat dan rahmat-Nya sehingga saya dapat menyelesaikan Karya Akhir ini. Saya menyadari, tanpa bantuan dari berbagai pihak, sangatlah sulit bagi saya untuk menyelesaikannya. Dalam penyusunan, penulis banyak menemui kesulitan dan hambatan. Namun karena bantuan berbagai pihak hingga penulis dapat menyelesaikan Karya Akhir ini. Dalam kesempatan ini penulis megucapkan terimakasih atas segala dukungan dan bantuan dari berbagai pihak yang sudah diberikan kepada: 1. Ibu Yova Ruldeviyani, M.Kom, selaku dosen pembimbing yang telah menyediakan waktu, tenaga, dan pikiran untuk mengarahkan saya dalam penyusunan Karya Akhir ini; 2. Pihak perusahaan objek studi, yang telah membantu memberikan data penelitian Karya Akhir ini; 3. Dosen

pengajar,

Dosen

penguji

Bapak

Dr.

Achmad

Nizar

H.S.Kom.,M.Kom dan Dr. Ir. Petrus Mursanto M.Sc serta staf MTI UI yang telah memberikan ilmu dan pengetahuan serta berbagai wawasan dan dukungan yang berkesinambungan; 4. Teman teman kampus dan khususnya MTI UI 2011SB untuk kebersamaan, dukungan dan diskusi yang membantu saya dalam penulisan; dan 5. Seluruh pihak yang tidak dapat saya sebutkan satu per satu yang telah memberikan dukungan kepada saya dalam menyelesaikan Karya Akhir ini. Saya mohon maaf apabila saya hanya dapat memberikan ucapan terima kasih dan doa. Semoga Allah SWT membalas segala kebaikan semua pihak yang telah membantu.Semoga Karya Akhir ini membawa manfaat bagi kemajuan ilmu pengetahuan.

Jakarta, 14 Juli 2014 Penulis

iv Implementasi datamart…., Alexander Rudy Gunawan, FASILKOM UI, 2014

HALAMAN PERNYATAAN PERSETUJUAN PUBLIKASI KARYA ILMIAH UNTUK KEPENTINGAN AKADEMIS

Sebagai sivitas akademik Universitas Indonesia, saya yang bertanda tangan di bawah ini:

Nama NPM Program Studi Departemen Fakultas Jenis Karya

: Alexander Rudy Gunawan : 1106041804 : Magister Teknologi Informasi :: Ilmu Komputer : Karya Akhir

Demi pengembangan ilmu pengetahuan, menyetujui untuk memberikan kepada Universitas Indonesia Hak Bebas Royalti Noneksklusif (Non-exclusive RoyaltyFree Right) atas karya ilmiah saya yang berjudul : "Implementasi Datamart dan OLAP dalam Pelaporan dan Monitoring Penyisihan Cadangan Kerugian Penurunan Nilai (CKPN) pada Portfolio Pembiayaan Bank X sesuai dengan PSAK 50/55" Beserta perangkat yang ada (jika diperlukan). Dengan Hak Bebas Royalti Noneksklusif ini, Universitas Indonesia berhak menyimpan, mengalihmedia/formatkan, mengelola dalam bentuk pangkalan data (database). Merawat, dan mempublikasikan karya akhir saya tanpa meminta izin dari saya selama tetap mencantumkan saya sebagai penulis/pencipta dan sebagai pemilik Hak Cipta. Demikian pernyataan ini saya buat dengan sebenarnya.

Dibuat di : Jakarta Pada tanggal : 14 Juli 2014

Yang menyatakan

(Alexander Rudy Gunawan)

v Implementasi datamart…., Alexander Rudy Gunawan, FASILKOM UI, 2014

ABSTRAK

Nama : Alexander Rudy Gunawan Program Studi : Magister Teknologi Informasi Judul : Implementasi datamart dan OLAP dalam Pelaporan dan Monitoring penyisihan Cadangan Kerugian Penurunan Nilai (CKPN) pada portfolio Pembiayaan Bank ‘X’ sesuai dengan PSAK 50/55. Implementasi PSAK 50/55 di masing-masing Bank di Indonesia merupakan salah satu syarat regulatory compliance dari Bank Indonesia dan Ikatan Akuntan Indonesia. Salah satu cakupan dari PSAK 50/55 adalah Penyisihan Kerugian Kredit (Loan-Loss Provisionin / Loan Impairment) atau dikenal dengan istilah Cadangan Kerugian Penurunan Nilai (CKPN) yang wajib dibentuk oleh Bank, sebagai akibat dari penyaluran kredit atau pembiayaan. Perhitungan CKPN membutuhkan data pembiayaan dari berbagai source system (core banking) dalam kurun waktu minimal 3 tahun. Oleh karena itu tantangan yang dihadapi Bank adalah kesiapan dalam menyusun laporan pembentukan CKPN secara tepat waktu dan akurat sesuai dengan metodologi perhitungan yang disyaratkan oleh regulator. Tantangan lainnya adalah terkait dengan pengambilan keputusan akibat volatilitas pembentukan CKPN sesuai dengan aturan PSAK 50/55. Volatilitas tersebut akan berpengaruh kepada tingkat profitabilitas Bank itu sendiri dan potensi kerugian risiko kredit. Apabila penyisihan terlalu besar, maka berdampak pada profitabilitas bank, sedangkan apabila penyisihan terlalu kecil, maka dapat meningkatkan risiko kredit bank khususnya apabila kredit yang bermasalah meningkat. Oleh karena itu dibutuhkan datamart PSAK 50/55 yang mampu mengumpulkan berbagai sumber data pembiayaan yang dapat digunakan untuk perhitungan CKPN sesuai dengan ketentuan PSAK 50/55. Dengan adanya datamart ini penyusunan laporan penyisihan kerugian kredit (CKPN) oleh Bank X dapat dicapai secara tepat waktu dan akurat. Implementasi datamart juga merupakan fondasi dalam penerapan OLAP yang dapat memberikan jawaban atas tantangan pengambilan keputusan, sehingga dapat memberikan efisiensi dan efektivitas bagi Bank X. Penelitian dilakukan dengan pengumpulan data, pemahaman kebutuhan bisnis dan informasi, perancangan arsitektur datawarehouse dan perancangan dan implementasi datamart, termasuk proses ETL dan penerapan OLAP. Hasil penelitian ini berupa implementasi datamart PSAK 50/55 dan penerapan OLAP dalam pelaporan dan monitoring penyisihan CKPN pada portfolio pembiayaan sesuai dengan PSAK 50/55. Kata kunci: data warehouse, datamart, ETL, OLAP xv+ 191 halaman; 27 gambar; 56 tabel; 11 lampiran

vi

Universitas Indonesia


ABSTRACT Name : Alexander Rudy Gunawan Study Program : Master of Information Technology Title : Datamart and OLAP Implementation for Reporting and Monitoring Allowance of Impairment Provision (CKPN) on Financing Portfolio Bank ‘X’ in accordance with PSAK 50/55 Implementation of PSAK 50/55 in each Bank in Indonesia is one of the regulatory compliance requirements from Bank Indonesia (BI) and Indonesia Accountants Association (IAI). The scope of PSAK 50/55 is the allowance for credit losses or known as CKPN. In order to calculate loan impairment allowance, Banks need to consolidate from variety of source systems (core banking) with at least 3 years loan historical data. The challenge faced is the readiness of Banks in preparing the report of impairment allowance in timely and accurate manner. Other challenge is the decision making made by the Bank related to the volatility of impairment provision as a result of PSAK 50/55. This volatility will affect Bank’s profitability and credit risk exposure. If the allowance is too high, it impact on the profitability, whereas if the allowance is too small, credit risk is impacted, particularly when the bad debt is also increase. Therefore it required a datamart, which is able to consolidate a variety of data sources in a single view, spesific for the purpose of calculation impairment allowance in accordance with PSAK 50/55. Preparation of the report can be achieved on time and provide accurate result along with analytical capability for decision making support. Implementation datamart is also the foundation for OLAP application which can answers to the challenges of decision making. Those all benefits provide efficiencies and effectiveness of the Bank X. This research start with data collection, understanding the requirements of business and information, design of datawarehouse architecture and datamart design and implementation, including ETL processes and end with OLAP application. The result of this research is the implementation of PSAK 50/55 datamart and OLAP for the reporting and monitoring allowance for impairment in accordance with PSAK 50/55.

Keywords : data warehouse, datamart, ETL,OLAP xv+ 191 pages; 27 figures; 56 tables; 11 attachments

vii



DAFTAR ISI HALAMAN JUDUL ........................................................................................... i HALAMAN PERNYATAAN ORISINALITAS ............................................... ii HALAMAN PENGESAHAN ........................................................................... iii KATA PENGANTAR ....................................................................................... iv HALAMAN PERNYATAAN PERSETUJUAN PUBLIKASI ......................... v ABSTRAK......................................................................................................... vi ABSTRACT ..................................................................................................... vii DAFTAR ISI ................................................................................................... viii DAFTAR GAMBAR ......................................................................................... xi DAFTAR TABEL ........................................................................................... xiii BAB 1 PENDAHULUAN................................................................................... 1 1.1 Latar Belakang............................................................................................ 1 1.2 Rumusan Masalah....................................................................................... 3 1.3 Tujuan dan Manfaat Penelitian.................................................................... 7 1.4 Ruang Lingkup Penelitian ........................................................................... 7 1.5 Sistematika Penulisan ................................................................................. 8 BAB 2 TINJAUAN PUSTAKA ....................................................................... 10 2.1 Datawarehouse dan Datamart.................................................................... 10 2.1.1 Pengertian Data warehouse dan Datamart ....................................... 10 2.1.2 Extraction Transformation Loading (ETL) ....................................... 12 2.1.3 Keuntungan Data Warehouse ........................................................... 15 2.1.4 Isu Data warehouse.......................................................................... 16 2.2 2.3 2.4

Metodologi Perancangan Data Warehouse/Datamart ................................ 18 Arsitektur Datamart .................................................................................. 21 Konsep Permodelan Data Warehouse ....................................................... 23 2.4.1 Star Schema ..................................................................................... 23 2.4.2 Snowflake Schema ........................................................................... 24 2.4.3 Schema Galaxy / Fact Constellation ................................................. 25 2.4.4 Slowly Changing Dimension (SCD) ................................................. 26

2.5

Business Intelligence dan OLAP ............................................................... 28 2.5.1 On-Line Analytical Processing (OLAP) ........................................... 29 2.5.2 Tipe-tipe operasi OLAP ................................................................... 30

2.6 2.7

Penelitian Sebelumnya .............................................................................. 31 Pedoman Akuntansi Perbankan Indonesia (PAPI) ..................................... 35 2.7.1 Latar Belakang ................................................................................. 35 2.7.2 Tujuan dan Ruang Lingkup .............................................................. 35 2.7.3 Perbedaan Perhitungan Pembentukan Penyisihan Aktiva Sebelum dan Sesudah Menggunakan PSAK 50 dan 55 ......................................... 37 2.7.4 Pengertian Penurunan Nilai .............................................................. 38 viii



2.7.5 Kriteria Evaluasi Penurunan Nilai .................................................... 39 2.7.6 Penurunan Nilai dan Tidak Tertagihnya Aset Keuangan ................... 41 BAB 3 METODOLOGI PENELITIAN .......................................................... 43 3.1 Perumusan masalah................................................................................... 44 3.2 Studi Literatur........................................................................................... 45 3.3 Pengumpulan Data .................................................................................... 45 3.4 Analisis kebutuhan bisnis dan informasi ................................................... 46 3.5 Perancangan Arsitektur Datamart .............................................................. 47 3.6 Perancangan dan Implementasi Datamart .................................................. 47 3.7 Implementasi OLAP ................................................................................. 48 3.8 Kesimpulan dan Saran .............................................................................. 48 BAB 4 ANALISA, PERANCANGAN DAN IMPLEMENTASI DATAMART PSAK 50/55......................................................................................... 49 4.1 Identifikasi Kebutuhan Bisnis ................................................................... 49 4.1.1 Analisa Kebutuhan Informasi dan Proses Bisnis ............................... 49 4.1.2 Analisa Sumber Data........................................................................ 63 4.1.3 Analisa Transformasi sesuai dengan kebutuhan bisnis ...................... 68 4.2 4.3

Perancangan Arsitektur DataMart............................................................. 78 Perancangan Permodelan Data Warehouse ............................................... 84 4.3.1 Pemilihan Proses Bisnis (Choosing the process) ............................... 84 4.3.2 Pemilihan Grain (Choosing the Grain) ............................................. 86 4.3.3 Identifikasi dan Penyesuaian Dimensi (Identifiying and Conforming the Dimensions) ............................................................................... 89 4.3.4 Pemilihan Fakta (Choosing the Fact) ............................................... 92 4.3.5 Penyimpanan Pre-Calculation pada Tabel Fakta (Storing PreCalculation in the Fact Tabel) ......................................................... 92 4.3.6 Melengkapi Tabel Dimensi (Rounding Out the Dimension Tabel) .... 95 4.3.7 Pemilihan Durasi dan Basis data (Choosing the duration of the database) ....................................................................................... 105 4.3.8 Melacak Perubahan Dimension Secara Perlahan (Tracking Slowly Changing Dimensions)................................................................... 105 4.3.9 Memutuskan Prioritas dan Mode dari Query (Deciding the Query Priorities and the Query Modes) .................................................... 108

4.4

Proses ETL ............................................................................................. 111 4.4.1 Proses Ekstrak dan Transformasi Data Staging .............................. 112 4.4.2 Proses Transformasi dan Load Tabel Dimensi ............................... 132 4.4.3 Proses Transformasi dan Load ke Tabel Fakta ............................... 141

ix



BAB 5 IMPLEMENTASI OLAP .................................................................. 152 5.1 Implementasi .......................................................................................... 152 5.1.1 Informasi Pembiayaan .................................................................... 153 5.1.2 Informasi Cadangan Kerugian Penurunan Nilai .............................. 158 5.2

Uji Coba ................................................................................................. 167

BAB 6 KESIMPULAN DAN SARAN ........................................................... 169 6.1 Kesimpulan............................................................................................. 169 6.2 Saran ...................................................................................................... 170 DAFTAR PUSTAKA ..................................................................................... 172 DAFTAR LAMPIRAN .................................................................................. 174

x



DAFTAR GAMBAR

Gambar 2.1

Datawarehouse Model (Kimball, 2005) ....................................... 11

Gambar 2.3

Perancangan Star Schema ............................................................ 24

Gambar 2.4

Perancangan Skema Snow Flake ................................................. 25

Gambar 2.5

Perancangan Skema Fact Constellation(Conolly & Begg, 2005) . 26

Gambar 3.1

Metode Penelitian ....................................................................... 43

Gambar 4.1

Alur Proses Perhitungan CKPN ................................................... 61

Gambar 4.2

Hasil Rancangan Arsitektur Data Mart PSAK 50/55.................... 81

Gambar 4.3

Skema Pembiayaan (Loan) ........................................................ 103

Gambar 4.4

Skema Cadangan Kerugian Penurunan Nilai (CKPN)................ 104

Gambar 4.5

Ekstraksi dan Transformasi Data Pembiayaan ke masing-masing tabel .......................................................................................... 112

Gambar 4.6

Overal Proses Transformasi Perhitungan Impairment (CKPN) .. 122

Gambar 5.1

Struktur Cube Informasi Pembiayaan ........................................ 154

Gambar 5.2

Presentasi Laporan rasio NPL per masing-masing cabang ......... 155

Gambar 5.3

Presentasi Laporan Pembiayaan berdasarkan lamanya jatuh tempo .................................................................................................. 156

Gambar 5.4

Presentasi

Laporan

Pembiayaan

berdasarkan

pergerakan

kolektibilitas ............................................................................. 157 Gambar 5.5

Presentasi summary Analisa Persentase pergerakan kolektibilitas .................................................................................................. 157

Gambar 5.6

Struktur Cube pada informasi CKPN ......................................... 159

Gambar 5.7 Presentasi Laporan monitoring CKPN Forecast, CKPN Aktual, PPAP,dan Impaired Loan Ratio berdasarkan cabang, main branch dan area ..................................................................................... 160 Gambar 5. 8 Presentasi Drill down dari Area ke Main Branch untuk Laporan monitoring CKPN Forecast, CKPN Aktual, PPAP, dan Impaired Loan Ratio berdasarkan cabang, main branch dan area.............. 161 Gambar 5. 9 Presentasi Drill down dari Main Branch ke Branch dengan CKPN Total terbesar di periode Februari 2014. .................................... 162

xi



Gambar 5.10 Presentasi Drill down dari Branch ke daftar customer dengan CKPN Total terbesar di periode Februari 2014. ......................... 163 Gambar 5.11 Presentasi laporan Trend PD dan LGD ...................................... 163 Gambar 5.12 Presentasi laporan perbandingan PPAP dengan CKPN .............. 164 Gambar 5.13 Presentasi

laporan

Movement

CKPN

Charged

terbesar

dikelompokkan berdasarkan cabang pada periode April 2014 .... 164 Gambar 5.14 Presentasi

laporan

Movement

CKPN

Released

terbesar

dikelompokkan berdasarkan cabang pada periode April 2014 .... 165 Gambar 5.15 Presentasi laporan collective Impairment berdasarkan group of Impairment ................................................................................ 165 Gambar 5.16 Presentasi laporan collective Impairment berdasarkan Segmentasi Pembiayaan pada bulan April 2014 ........................................... 166

xii



DAFTAR TABEL

Tabel 2.1

Contoh penerapan SCD Type 6 ................................................... 27

Tabel 4.1

Tabel Daftar Kebutuhan Informasi dan Kebutuhan Analisa ......... 55

Tabel 4.2

Tabel Sumber Data Yang Akan Digunakan ................................. 64

Tabel 4.3

Tabel sumber tabel dan tujuan tabel serta transformation rule yang melekat sebagai persiapan data CKPN......................................... 69

Tabel 4.4

Tabel Analisa Perbandingan Arsitektur Inmon dan Kimball serta keterangan dalam arsitektur datamart PSAK 50/55 ...................... 78

Tabel 4.5

Tabel pemilihan grain atas informasi yang dapat dianalisa........... 88

Tabel 4.6

Tabel Grain dan Dimensi pada Pembiayaan ................................ 90

Tabel 4.7

Tabel Grain dan Dimensi pada Pembentukan CKPN ................... 90

Tabel 4.8

Tabel Identifikasi Dimensi .......................................................... 91

Tabel 4.9

Tabel Penjelasan Dimensi ........................................................... 95

Tabel 4.10

Deskripsi Tabel DIM_PERIOD ................................................... 97

Tabel 4.11

Deskripsi Tabel DIM_AKAD...................................................... 97

Tabel 4.12

Deskripsi Tabel DIM_SEGMENT............................................... 98

Tabel 4.13

Deskripsi Tabel DIM_IMPAIRMENT_GROUP ......................... 98

Tabel 4.14

Deskripsi Tabel DIM_CURRENCY ............................................ 99

Tabel 4.15

Deskripsi Tabel DIM_AREABRANCH ...................................... 99

Tabel 4.16

Deskripsi Tabel DIM_MAINBRANCH ...................................... 99

Tabel 4.17

Deskripsi Tabel DIM_BRANCH ............................................... 100

Tabel 4.18

Deskripsi Tabel DIM_COLLECTIBILITY................................ 100

Tabel 4.19

Deskripsi Tabel DIM_PRODUCT ............................................. 100

Tabel 4.20

Deskripsi Tabel DIM_COLLECTABILITY_MOVEMENT ...... 101

Tabel 4.21

Deskripsi Tabel DIM_MATURITY_PROFILE ......................... 101

Tabel 4.22

Deskripsi Tabel DIM_IMPAIRMENT_FLAG .......................... 102

Tabel 4.23

Deskripsi Tabel DIM_CUSTOMER .......................................... 102

Tabel 4.24

Durasi dan Basis Data Datamart PSAK 50/55 ........................... 105

Tabel 4.25

Tabel Pelacakan Perubahan Dimensi ......................................... 106

Tabel 4.26

Tabel Estimasi Data Staging pada PSAK_MASTER_ACCOUNT untuk periode Mei 2010-Desember 2013 ................................... 109 xiii



Tabel 4.27

Struktur Tabel PSAK_MASTER_ACCOUNT .......................... 113

Tabel 4.28

Struktur Tabel PSAK_IMPR_OVERRIDES.............................. 117

Tabel 4.29

Struktur Tabel TBLT_PAYMENTEXPECTED ........................ 118

Tabel 4.30

Struktur Tabel PSAK_EXPECTED_RECOV_UPLOAD .......... 119

Tabel 4.31

Struktur Tabel PSAK_COLL_SHORTFALL_UPLOAD ........... 119

Tabel 4.32

Struktur Tabel PSAK_CKPN_TARGET ................................... 119

Tabel 4.33

Struktur Tabel PSAK_INDIVIDUAL_IMPAIRMENT ............. 120

Tabel 4.34

Struktur Tabel PSAK_DPD_MASTER ..................................... 120

Tabel 4.35

Struktur Tabel PSAK_DPD_MASTER_HEADER .................... 121

Tabel 4.36

Tabel Transformasi PSAK_ENR ............................................... 123

Tabel 4.37

Tabel Transformasi PSAK_LGD (Flow Rate Calculation) ........ 124

Tabel 4.38

Tabel Transformasi PSAK_LGD (Average Flow Rate) ............. 125

Tabel 4.39

Tabel Transformasi PSAK_LGD (Flow To Loss Calculation) ... 126

Tabel 4.40

Tabel Transformasi PSAK_ENR_MIGRATION ....................... 128

Tabel 4.41

Tabel Transformasi PSAK_FLOWRATE_MIGRATION.......... 129

Tabel 4.42

Tabel Transformasi PSAK_COMPOUND_FLOW_TO_LOSS . 130

Tabel 4.43

Tabel Transformasi PSAK_LGD ............................................... 130

Tabel 4.44

Tabel Transformasi PSAK_MASTER_ACCOUNT .................. 131

Tabel 4.45

Tabel Sumber, Tujuan dan Rules Dimensi Customer ................. 133

Tabel 4.46

Tabel Sumber, Tujuan dan Rules Dimensi Segment .................. 135

Tabel 4.47

Tabel Sumber, Tujuan, dan Rules Dimensi Impairment Group .. 136

Tabel 4.48

Tabel Sumber, Tujuan, dan Rules Dimensi Area ....................... 137

Tabel 4.49

Tabel Sumber, Tujuan, dan Rules Dimensi Cabang Utama ........ 138

Tabel 4.50

Tabel Sumber, Tujuan dan Rules Dimensi Cabang .................... 139

Tabel 4.51

Tabel Sumber, Tujuan dan Rules Dimensi Product .................... 140

Tabel 4.52

Tabel Sumber, Tujuan, dan Rules Dimensi Maturity Profile ...... 141

Tabel 4.53

Tabel transformasi FACTLOANACCOUNT sebagai tabel input sebelum load ke tabel FACT_LOAN......................................... 143

Tabel 4.54

Tabel Load ke Tabel Fakta Pembiayaan (FACT_LOAN) .......... 145

Tabel 4.55

Tabel Load ke Tabel Fakta CKPN (FACT_CKPN) ................... 148

xiv



BAB 1 PENDAHULUAN

1.1 Latar Belakang Perbankan merupakan urat nadi perekonomian di seluruh negara, tidak terkecuali di Indonesia. Peran perbankan nasional dalam membangun perekonomian merupakan salah satu sektor yang diharapkan berperan aktif dalam menunjang kegiatan pembangunan nasional atau regional. Peran Perbankan diwujudkan dalam fungsi utamanya sebagai lembaga intermediasi atau institusi perantara antara debitor dan kreditor, sebagai lembaga perantara yang menghimpun dana dan menempatkannya dalam bentuk aktiva produktif, dalam hal ini kredit yang diberikan. Penyaluran kredit atau pembiayaan merupakan kegiatan usaha yang mendominasi pengalokasian dana bank. Pemberian kredit yang dilakukan oleh bank mengandung resiko yaitu berupa tidak lancarnya pembayaran kredit atau dengan kata lain kredit bermasalah (NonPerforming Loan) sehingga akan mempengaruhi kinerja bank. Untuk meminimalkan potensi kerugian dari kredit bermasalah tersebut yaitu dengan menjagakualitas aktiva dan membentuk cadangan kerugian penurunan nilai (CKPN). Dengan besarnya kredit yang diberikan kepada nasabah, bank mempunyai risiko pengembalian piutang yang macet, hal tersebut dapat meningkatkan kredit bermasalah (Non Performing Loan) maka akibatnya bank harus menyediakan cadangan kerugian yang cukup. Implementasi PSAK (Pernyataan Standar Akuntansi Keuangan) 50/55 di masingmasing Bank di Indonesia merupakan salah satu syarat regulatory compliance dari Bank Indonesia dan Ikatan Akuntan Indonesia, ditunjukkan melalui Surat Edaran Bank Indonesia No. 11/4/DPNP mengenai Pelaksanaan Pedoman Akuntansi Perbankan Indonesia (PAPI) dan No. 15/26/DPbs mengenai pelaksanaan Pedoman Akuntansi Perbankan Syariah Indonesia (PAPSI). Salah satu cakupan dari PSAK 50/55 adalah Penyisihan Kerugian Kredit (Loan-Loss Provisioning atau/ Loan Impairment) atau dikenal dengan perhitungan Cadangan Kerugian Penurunan Nilai (CKPN). Sebagaimana diketahui bahwa tujuan daripada penyisihan kerugian

1



2

kredit adalah untuk menutup kemungkinan kerugian yang timbul sehubungan dengan alokasi dana ke dalam pemberian kredit. Terhitung 1 Januari 2014 Bank harus mengukur penurunan nilai dan membentuk CKPN berdasarkan data historis kerugian kredit yang sudah terjadi atau incurred loss. Cadangan Kerugian Penurunan Nilai (CKPN) ini dipakai sebagai ganti dari perhitungan PPAP (Penyisihan Penghapusan Aktiva Produktif). Pada aturan PPAP Bank hanya menyisihkan cadangan kerugian dengan maksimum berdasarkan persentase tertentu untuk setiap kualitas kredit. Adapun CKPN dihitung berdasarkan 2 kategori; Kategori pertama adalah perhitungan CKPN secara individual per level debitur, dimana pembentukan atau penyisihan dana dari kredit dinilai dari hasil evaluasi kredit debitur yang dilakukan oleh internal bank sesuai dengan kebijakan yang berlaku. Maka kita harus menentukan terlebih dahulu kredit dari debitur mana saja yang mengalami penurunan nilai, misalnya: debitur mengalami wanprestasi atau mempunyai tunggakan pembayaran oleh debitur, restrukturisasi kredit oleh Bank atau kondisi ekonomi yang berkorelasi dengan wanprestasi atas aset dalam kelompok tersebut. Setelah itu, maka besarnya nilai cadangan dana kredit itu ditentukan dari selisih antara nilai tunggakan kredit debitur tersebut sebelum dan sesudah terjadinya penurunan nilai. Kategori kedua adalah perhitungan CKPN secara kolektif, yang melibatkan perkalian beberapa komponen, yakni potensi gagal bayar (probability of default) dikalikan jumlah kredit yang bersangkutan. Komponen lainnya loss given default (LGD) yang merupakan porsi kerugian riil akibat gagal bayar yang benar-benar tak tertagih, di luar tingkat kembalian tagihan (recovery rate). Probability of default yang dihitung dari pengalaman kerugian yang sudah terjadi berdasarkan data historis setiap jenis kredit bank tersebut minimal selama 2 sampai 5 tahun terakhir. Salah satu isu yang penting adalah mengenai kesiapan bank dalam memenuhi syarat regulatory compliance dari regulator dalam menyiapkan laporan pembentukan CKPN secara tepat waktu dan akurat sesuai dengan metodologi perhitungan yang disyaratkan. Isu yang penting lainnya terkait dengan Universitas Indonesia


3

pengambilan keputusan terkait dengan volatilitas pembentukan CKPN sesuai dengan PSAK 50/55, yang mana akan berpengaruh kepada tingkat profitabilitas Bank itu sendiri dan potensi kerugian risiko kredit. Apabila penyisihan terlalu besar, maka dampaknya kepada profitabilitas bank itu sendiri, sedangkan apabila penyisihan terlalu kecil, maka dapat meningkatkan risiko kredit Bank, terutama apabila kredit yang bermasalah meningkat. Untuk dapat menghitung CKPN pada portfolio pembiayaan, dibutuhkan beberapa data dari berbagai sumber Core Banking System. Namun apabila data tersebut tidak tersedia dibutuhkan input secara manual. Oleh karena itu penelitian yang dilakukan adalah merancang dan mengimplementasikan datamart PSAK 50/55 sebagai syarat kepatuhan (compliance) Bank X kepada regulator, dan untuk mendukung pengambilan keputusan dalam penentuan kebijakan perhitungan CKPN sesuai dengan PSAK 50/55. Untuk memenuhi kebutuhan penyusunan laporan CKPN yang cepat dan pengambilan keputusan, maka dibuatlah implementasi

datamart.

Pemilihan

implementasi

datamart

dikarenakan

kebutuhannya spesifik untuk Departemen Akuntansi. Datamart merupakan kumpulan dari berbagai data source dan dibuat untuk tujuan pelaporan. Analisis yang bersifat read only digunakan sebagai fondasi dari penunjang keputusan. Selanjutnya proses pelaporan dan analisa dapat menggunakan fitur OLAP (Online Analytical Processing) dan fitur query data tanpa menganggu database operasional, sehingga penggunaan datamart dapat memberikan efisiensi dan efektifitas bagi Bank X. 1.2 Rumusan Masalah Implementasi PSAK 50/55 terkait pengaturan penentuan nilai CKPN, membawa dampak yang tidak mudah bagi perbankan,antara lain : 1. Ketersediaan data yang diharuskan oleh regulator dalam perumusan CKPN adalah data tunggakan pokok, data histori pembayaran, day past due, kolektibilitas, write off, recovery, agunan, data histori nomor rekening 2-5 tahun ke belakang, dan lain lain. Banyaknya data berkisar +/-150 ribu records per level nomor kartu pembiayaan setiap bulannya dan data tersebut dikumpulkan dari berbagai unit bisnis dan berbagai source system (credit card Universitas Indonesia


4

operations, mortgage systems, Joint Finance, core financing system dan informasi dari loans operations) dalam format yang beragam (flat file ataupun database ) serta tingkat granularitas data yang berbeda untuk masing-masing sumber data.

Hal tersebut menyebabkan konsolidasi pembuatan laporan

menjadi sulit dan memakan waktu yang cukup lama. 2. Informasi mengenai nilai CKPN tidak tersedia secara langsung pada sumber data, sehingga diperlukan proses perhitungan tertentu sesuai dengan aturan PSAK 50/55 dengan menggunakan seluruh data pembiayaan. 3. Keharusan dari Bank Indonesia untuk dapat menyediakan laporan mengenai CKPN ini maksimal pada setiap tanggal 5, dimana waktu ditentukan sepihak saja oleh Bank Indonesia sebagai regulator. Termasuk tuntutan untuk hasil laporan yang tepat dan cepat, dalam mengambil serta mengolah data data pembiayaan

sesuai

dengan

regulasi

dari

Bank

Indonesia.

Karena

ketidaktepatan (baik data maupun waktu) dapat berakibat pinalti dari pihak Bank Indonesia kepada bank pelapor. 4. Banyaknya permintaan laporan dari masing-masing unit kerja (credit operations, compliance, manajemen risiko dan accounting) dengan format yang beragam baik dari sisi ringkasan dan rincian dan kadangkala bersifat mendadak (adhoc). Hal tersebut sangat memerlukan upaya besar untuk menyiapkan dan menyajikan data dimaksud secara cepat dan lengkap. 5. Ditambah belum adanya fasilitas yang dapat dipergunakan untuk menyediakan dan menyajikan data secara interaktif dengan berbagai skenario sesuai dengan kebutuhannya, maka diperlukan tambahan effort dalam persiapan pelaporan kepada pucuk pimpinan. Hal ini membuat informasi yang diperoleh menjadi sulit diolah dan dianalisis oleh pihak eksekutif. Aplikasi OLAP dianggap perlu karena pada perusahaan tersebut belum terdapat alat yang dapat melihat trend perkembangan pembentukan CKPN dari waktu ke waktu secara cepat. 6. Untuk dapat melihat trend perkembangan seperti ini dan adanya kebijakan dari Manajemen Risiko untuk memonitor kualitas debitur setiap 6 bulanan. Maka dari itu diperlukan waktu dan effort tambahan untuk pengumpulan dan pemrosesan ulang dari unit kerja manajemen risiko, dimana sumber datanya adalah berasal dari data laporan bulanan yang sifatnya rincian yang cukup Universitas Indonesia


5

besar jumlah datanya (+/- 150-300 ribu records per satu tanggal bulan pelaporan) dan keterbatasan kapabilitas tools yang ada sekarang yaitu Microsoft Excel untuk senantiasa menampung dan memonitor data histori selama 6 bulanan. Hal ini membuat informasi yang diperoleh menjadi sulit diolah dan dianalisis oleh pihak eksekutif. Dari beberapa uraian permasalahan tersebut, maka Bank membutuhkan tersedianya datamart spesifik untuk kebutuhan divisi Akuntasi dan Keuangan serta divisi Manajemen Risiko yang dapat membantu untuk mengumpulkan, menyimpan, menganalisis dan menyediakan akses ke data guna membantu pengguna mengambil keputusan secara akurat dengan melakukan berbagai aktivitas diantaranya, sistem pendukung keputusan, query, pelaporan, dan online analytical processing (OLAP). Perancangan datamart PSAK 50/55 dan OLAP akan menampilkan monitoring dan analisa dari hasil pembentukan CKPN berdasarkan kalkulasi PSAK 50/55 secara bank wide yang meliputi informasi: 1.

Laporan Total Pembiayaan berdasarkan Cabang, berdasarkan Produk dan berdasarkan segment. Laporan Total Pembiayaan berdasarkan Tanggal Jatuh Tempo.

2.

Laporan distribusi pembiayaan yang mengalami perubahan kolektibilitas(ke lebih baik atau lebih buruk atau pembiayaan tersebut matured) dari periode pelaporan bulan ini dan bulan sebelumnya per masing-masing produk, segment, mata uang, cabang.

3.

Laporan RatioNon Performing Loan per masing-masing cabang.

4.

Laporan Probability Default(PD) dan Loss Given Default (LGD) Trend, dimana laporan ini berfungsi untuk menampilkan kecendrungan perubahan nilai PD dari jangka waktu periode tertentu berdasarkan segementasi pengelompokkan pembiayaan dan masing-masing kolektibilitas.

5.

Laporan CKPN Kolektif / Collective Assesment Provision yang berisi hasil dari perhitungan CKPN secara Kolektif berdasarkan kelompokdari group of impairment.



6

6.

Laporan Perbandingan antara CKPN Kolektif / Collective Assesment Provision dengan

PPAP (Penyisihan Penghapusan Aktiva Produktif)

berdasarkan segmentasi, cabang, produk, dan collective group impairment. 7.

Laporan mengenai nilai variance antara CKPN actual dan CKPN forecast untuk setiap cabang dan segmentasi pembiayaan.

8.

Laporan Impairment Loan Ratio per masing-masing cabang. Impairment Ratio ini didapat dengan membagi Total CKPN dalam mata uang Rupiah dibagi dengan Total Outstanding dalam mata uang Rupiah per masing-masing cabang.

9.

Laporan Movement CKPN (Charged atau Released) untuk setiap cabang dalam mata uang rupiah. Charged berarti diperlukan tambahan sejumlah biaya tertentu sebagai tambahan biaya pembentukan CKPN. Sedangkan released berarti terdapat pengurangan biaya CKPN dibandingkan dengan bulan sebelumnya.

10. Laporan Klasifikasi Loan Impairment dan Pembiayaan berdasarkan Segmentasi dan Laporan Individual Impairment. Laporan Individual Impairment berisi informasi daftar customer number yang sudah di daftarkan dengan flag individual impairment. Dari rangkaian masalah dan alternatif solusi tersebut, maka penulis tertarik untuk menjawab pertanyaan penelitian 1.

Bagaimana pengembangan datamart dalam perhitungan dan monitoring penyisihan Cadangan Kerugian Penurunan Nilai(CKPN) sesuai dengan Pernyataan Standar Akuntansi Keuangan (PSAK) 50/55 pada portfolio pembiayaan di Bank ‘X’ ?

2.

Bagaimana penerapan OLAP sehingga dapat membantu pengguna dan eksekutif dalam mempersiapkan laporan, monitoring dan menganalisa mengenai konsentrasi risiko pembiayaan terkait besarnya penyisihan cadangan kerugian penurunan nilai (CKPN) dalam portfolio pembiayaan di Bank ‘X’ setiap periode?



7

1.3 Tujuan dan Manfaat Penelitian Adapun tujuan penelitian ini adalah: 1. Perancangan dan penerapan data mart untuk divisi Manajemen Risiko dan Divisi Akuntansi dan Keuangan pada Bank ‘X’, mengenai penerapan PSAK 50/55 dalam konteks perhitungan CKPN untuk kepentingan Central Bank dan Internal Management dapat tersedia secara cepat dan tepat waktu. 2. Penerapan teknologi OLAP untuk membantu menyediakan informasi berupa laporan cadangan kerugian penurunan nilai sesuai dengan aturan PSAK 50/55 dan analisa untuk tujuan pengambilan keputusan. Manfaat yang diperoleh dari penelitian ini adalah: 1. Perusahaan dapat memperoleh laporan yang dibutuhkan sesuai dengan ketentuan regulator baik itu Bank Indonesia dan Ikatan Akuntan Indonesia secara cepat dalam regular basis. 2. Informasi dapat ditampilkan ke dalam sebuah laporan yang sesuai dengan keinginan para pihak terkait termasuk pihak eksekutif, sehingga dapat membantu dalam pengambilan keputusan dan pelaporan. Informasi dapat dilihat dari berbagai sudut pandang (perspektif) yang berbeda. Laporan dapat dimodifikasi dan dibuat spesifik oleh pengguna dan disimpan sebagai informasi personal. 3. Mempermudah manajemen dalam menganilisis perkembangan kualitas aktiva kredit pada Bank X. 1.4 Ruang Lingkup Penelitian Penelitian ini melibatkan berbagai disiplin ilmu, yang diantaranya adalah Basis Data, statistika, datamart, Akuntansi dan Manajemen Risiko Perbankan. Dalam penelitian ini batasan dan ruang lingkup yang diambil adalah 1.

Proses dan aturan bisnis dari Bank X terkait implementasi Pernyataan Standar Akuntansi Keuangan (PSAK) 50/55 untuk penyisihan cadangan kerugian penurunan nilai (CKPN) pada Bank ‘X’.

2.

Sumber data berasal dari masing-masing sumber sistem yang terdapat pada Bank ‘X’.



8

3.

Aplikasi yang digunakan untuk proses pembuatan data mart menggunakan software Microsoft Business Intelligence Studio, Cognos Insight, dan Database Microsoft SQL Server Database 2012.

1.5 Sistematika Penulisan Untuk memberikan gambaran yang jelas dan sistematis mengenai isi penelitian karya akhir ini, maka penelitian ini dibagi menjadi enam bab, dan disusun dengan sistematika sebagai berikut:

BAB I PENDAHULUAN Bab pertama berisi latar belakang pengambilan topik, permasalahan penelitian, pertanyaan penelitian, tujuan dan manfaat penelitian, ruang lingkup penelitian serta sistematika penulisan yang digunakan.

BAB II TINJAUAN PUSTAKA Bab kedua berisi teori-teori mengenai datamart, arsitektur datamart. Metodologi perancangan datamartmenurut Kimball, prosesETL, OLAP, serta Pedoman Akuntansi Perbankan Indonesia mengenai PSAK 50/55.

BAB III METODOLOGI PENELITIAN Bab ketiga berisi tahapan melakukan penelitian dan metodologi yang digunakan pada penelitian ini.

BAB IV ANALISA, PERANCANGAN, DAN IMPLEMENTASI DATAMART PSAK50/55 Bab ini akan menjelaskan mengenai implementasi datamart PSAK 50/55 dalam rangka pelaporan dan monitoring penyisihan cadangan kerugian penurunan nilai (CKPN) untuk portfolio pembiayaan Bank X. Pemaparan dimulai dari identifikasi kebutuhan laporan, kebutuhan informasi dan proses bisnis, perancangan arsitektur datawarehouse, perancangan permodelan datamart berdasarkan Metode Kimball dengan 9 langkah yang terdiri dari pemilihan proses, pemilihan grain, identifikasi dan penyesuaian dimensi, pemilihan fakta, penentuan data pre-kalkulasi dari tabel Universitas Indonesia


9

fakta, melengkapi tabel dimensi, pemilihan durasi dari basis data, melacak perubahan dimensi secara perlahan, penentuan prioritas dan mode dari query dan pemrosesan ETL

BAB V IMPLEMENTASI OLAP Berisi mengenai informasi yang disediakan oleh datamart dimana informasi tersebut digunakan dalam menghasilkan laporan yang terkait dengan Pembiayaan dan CKPN menurut PSAK 50/55 dengan visualisasi dari OLAP

BAB VI KESIMPULAN DAN SARAN Bab terakhir ini memuat kesimpulan yang merupakan evaluasi dari seluruh kegiatan dalam penelitian ini serta saran untuk pengembangan lebih lanjut.



BAB 2 TINJAUAN PUSTAKA

2.1 Datawarehouse dan Datamart Pada bagian ini dijelaskan mengenai pengertian mengenai data warehouse dan datamart, pemrosesan ETL, keuntungan penggunaan datamart dan isu-isu dalam penggunaan datamart 2.1.1 Pengertian Data warehouse dan Datamart Data warehouse didefinisikan sebagai sekumpulan data yang berorientasi subyek, terintegrasi, berasal dari jangka waktu yang bervariasi dan cenderung permanen, yang digunakan untuk mendukung proses pengambilan keputusan bagi pihak manajemen sebuah organisasi (Connoly & Begg, 2005). Dan biasanya menyimpan data histori dan data sekarang, dimana tujuan akhirnya adalah untuk mendapatkan informasi yang dapat digunakan untuk analisa ke depan. Data warehouse adalah sebuah sistem yang melakukan ekstraksi, clean, conforms, dan memberikan sumber data ke dalam menyimpan data dimensi dan kemudian mendukung dan menerapkan query dan analisis untuk tujuan pengambilan keputusan. Dalam data warehouse, data disimpan dalam bentuk yang dapat mendukung pengambilan keputusan dan analisis yang disebut sebagai Online Analytical Processing Systems (OLAP). Sedangkan Data mart adalah bagian (subset) dari data warehouse yang mendukung kebutuhan informasi dari departemen tertentu atau fungsi dari bisnis dalam perusahaan (Connolly & Begg, 2005). Adapun beberapa karakteristik yang membedakan data warehouse dengan datamart, datamart merupakan spesifik bisnis atau unit tertentu, subyek pengguna dari datamart biasanya departemental, dan sifatnya desentralisasi. Sistem OLAP berbeda dari sistem OLTP (Online Transactional Processing) tradisional, atau yang dikenal sebagai sistem pengolahan transaksional secara 10



11

online. Sistem OLTP sangat dinormalisasi data model agar kinerja query lebih cepat, tetapi dalam OLAP data model didasarkan pada denormalization untuk membuat data agregasi yang digunakan dalam analisis dan pengambilan keputusan untuk bisnis. Gambar 2.1 menjelaskan 4 komponen dari data warehouse menurut Ralph Kimball.

Gambar 2.1 Datawarehouse Model (Sumber : Kimball, 2002)

1. Operational Source Systems: sistem operasional yang digunakan untuk transaksional bisnis sehari-hari. Isi dari sumber data dari operational sistem tidak dalam termasuk ke dalam data warehouse karena data warehouse tidak memiliki kontrol atas data transaksi operasional. 2. Data Staging Area: Data staging area di data warehouse diproses melalui proses ETL menggunakan input dari ekstrak source system. Ekstraksi adalah langkah pertama dalam proses penyediaan data dari sistem sumber ke data warehouse. Ekstrak berarti membaca dan memahami sumber data dan menyalin data yang diperlukan untuk data warehouse ke staging area. Setelah data diekstrak ke staging area, dilakukan proses transformasi data, seperti pembersihan data (standarisasi format data, validasi karakter khusus dalam data, eliminsasi data yang null atau tidak lengkap), melakukan konversi tipe data, validasi integritas referensi data, penggabungan data dan perhitungan dengan melakukan agregasi. Transformasi ini diperlukan untuk memuat data ke dalam data warehouse presentation area. Universitas Indonesia


12

3. Data Presentation Area: adalah tempat dimana data tersebut diorganisasi, disimpan dan dibuat untuk tujuan direct query oleh pengguna akhir, reporting dan kebutuhan analitical. 4. Data Access Tools: Alat merujuk pada berbagai pilihan bahwa pengguna bisnis dapat

memanfaatkan untuk menganalisis data untuk analisis

pengambilan keputusan. Menurut definisi, semua alat akses data query data di daerah presentasi data warehouse itu. Pengaksesan data dapat sesederhana sebagai alat query ad hoc atau sekompleks data mining. 5. Metadata: Salah satu komponen yang paling penting dari data warehouse adalah metadata. Metadata adalah semua informasi dalam lingkungan data warehouse yang mana bukan merupakan data aktual itu sendiri. Atau dapat dikatakan sebagai informasi tentang data. Cakupan metadata mulai dari source system sampai dengan pada staging area. Metadata digunakan sebagai sumber informasi untuk memfasilitasi proses transformasi dan proses loading, termasuk staging file dan layout tabel, transformasi dan pembersihan, tabel dimensi dan fact table, definisi agregasi, dan penjadwalan pelaksanaan ETL dan menghasilkan file log. Bahkan kode pemrograman yang dibuat secara kustom di ETL merupakan bagian dari metadata. Data staging area metadata juga digunakan oleh data presentation dan data access tools untuk kontrol proses dan dapat digunakan untuk logic tertentu tergantung dari kebutuhan informasi yang dihasilkan.

Tujuan akhir

adalah

membuat

catalog,

mengintegrasikan dan memanfaatkannya sebagai dokumentasi library. 2.1.2 Extraction Transformation Loading (ETL) ETL merupakan proses mengambil data aplikasi yang dibutuhkan dan mengintegrasikannya menyiapkan

data

ke yang

dalam meliputi

data warehouse.

ETL adalah proses

pengambilan data yang dibutuhkan,

pengubahan dan pengintegrasian data, serta pemuatan data dari sumber data ke dalam data warehouse. (Inmon, 2005) Di dalam jurnal yang ditulis oleh (Steinacher, 2000), proses ETL dibagi menjadi 3 bagian, yaitu:



13

1. Data extraction; Untuk

memulai

proses

menjalankan rutin extraction untuk sumber

ETL,

programmer

membaca record

akan

dari database

dan membuat data pada record dapat dipakai untuk proses

transformasi. 2. Data transformation; Setelah melakukan proses extraction, data kemudian ditransformasikan ke dalam bentuk yang cocok dengan lingkungan data warehouse. Terdapat beberapa teknik tranformasi yang sering dilakukan, yaitu aggregation, value translation, field derivation, dan cleansing. Sebelum melakukan loading ke data warehouse, biasanya programmer akan

melakukan

aggregate

data

terlebih

dahulu. Aggregation

akan

menggantikan sejumlah record detail dengan beberapa baris record ringkasan. disimpan

Sebagai dalam

contoh,

beberapa

andaikan ribu

data penjualan

record

dalam

dalam database

setahun

yang sudah

dinormalisasi. Melalui aggregation, data tersebut ditransformasi menjadi data ringkas

yang akan disimpanpada data warehouse penjualan.

translation Database

merupakan operasional

salah

satu

menyimpan

teknik kode

dalam transformasi informasi untuk

Value data.

membatasi

redudansi data dan merupakan syarat penyimpanan. Sebagai contoh, kode barang ditulis di dalam file faktur karena panjangnya yang pendek, daripada menulis deskripsi produk dalam faktur. Karena data warehouse mengandung

informasi

ringkasan

penggunaan,

programmer

dan dirancang

untuk

kemudahan

biasanya mengganti kode tersebut dengan

deskripsi yang lebih jelas. Inilah yang disebut sebagai value translation. Field derivation

merupakan

teknik ketiga

dalam mentransformasikan data.

Melalui field derivation, informasi baru diciptakan untuk pengguna. Sebagai contoh, andaikan database operasional mengandung kolom untuk jumlah penjualan dan harga per unit. Daripada membuat pengguna menghitung penghasilan, programmer dapat membuat kolom penghasilan selama proses transformasi. Produk-produk ETL telah memungkinkan programmer untuk menggunakan operasi matematika, fungsi statistik, manipulasi string,

date

arithmetic,

dan

logika

kondisional

untuk

menurunkan kolom baru. Teknik transformasi yang keempat, cleansing, Universitas Indonesia


14

mempunyai banyak kegunaan. Programmer bergantung pada algoritma cleansing untuk menjaga agar data yang tidak akurat tidak masuk ke dalam sistem. Sebagai contoh, cleansing biasanya memastikan bahwa kolom numeric mengandung data angka.

Cleansing dapat juga digunakan dalam kasus

dimana satu nilai unik direpresentasikan dalam banyak cara di database. Sebagai

contoh,

IBM

dapat

digambarkan

sebagai

IBM

Co. atau

International Businesss Machines, dan lain sebagainya. Selama proses cleansing, versi-versi lain dari elemen data yang sama diganti dengan nilai tunggal. Tipe-tipe transformasi yang biasa di implementasikan pada data warehouse adalah sebagai berikut : 

Format-Changes, dimana setiap data field dari sistem operasional disimpan dalam format dan tipe data yang berbeda. Individual data ini akan di modifikasi selama proses transformasi ke dalam format yang di standarisasi.



De-duplication, record dari beberapa sumber dibandingkan untuk mengidentifikasi adanya duplikasi berdasarkan nilai dari suatu field. Data yang terduplikasi bisa di merge menjadi suatu single record. Record yang potensial mengalami duplikasi akan dipisahkan dalam suatu tempat untuk di pilah secara manual.



Splitting up fields, data dari source system sangat mungkin untuk di pisahkan dalam satu atau beberapa field dalam data warehouse. Hal yang sering terjadi adalah pemisahan data informasi customer yang terdiri

dari

satu field dipisahkan

menjadi beberapa field di data

warehouse seperti nama jalan, nama gedung, kota, kode pos dan sebagainya. 

Integrating fields, kebalikan dari splitting up fields dimana dua buah field atau lebih akan di integrasikan dalam satu field.



Replacement of values, jika data dalam system operasional memliki makna

yang kurang informatf bagi pengguna warehouse, akan

ditransformasikan kedalam bentuk yang lebih sesuai. 

Derived values, field yang dihasilkan dari formulasi fungsi agregasi. Dengan melakukan penghitungan sebelum dimasukkan ke dalam data Universitas Indonesia


15

warehouse maka kemungkinan kesalahan yang akan dilakukan oleh pengguna warehouse akan berkurang. Sebagai contoh field balance, ratio dan sebagainya 

Aggregate,

field yang diagregasi secara atomik juga dapat dilakukan

sebelum dimasukkan ke dalam data warehouse. 3. Data loading; Setelah data ditransformasikan, programmer menggunakan prosedur load untuk menulis data tersebut ke dalam database yang menjadi target. Selama tahap ini, kita harus menentukan apakah akan menyebarkan data secara berkala atau terus-menerus. Penambahan terjadi secara teratur, seperti harian, mingguan, atau bulanan. Pendekatan ini merekam

kondisi

sistem

operasional

pada

saat-saat spesifik.

Jika

pengguna menginginkan informasi terkini, continuous propagation dapat memuat data ke dalam database target pada basis waktu real-time. Kita bisa mengkategorikan data loading berdasarkan metode yang dipakai untuk

mereplikasi

data.

Dalam

replikasi push,

aplikasi sumber

“mendorong‟ data yang telah ditransformasi ke aplikasi target. Dalam replikasi pull, aplikasi target “menarik‟ data yang diperlukan olehnya, seperti ketika pengguna menjalankan sebuah query. Kita juga bisa merancang prosedur load yang menggunakan proses pull dan push. Pada pendekatan tipe ini, aplikasi sumber biasanya mendorong data ke staging database, dimana data tersebut akan ditransformasi dan kemudian ditarik ke dalam aplikasi target ketika diperlukan saja. Pendekatan tipe ini memerlukan ruang disk yang lebih besar, tapi dapat meningkatkan performa. 2.1.3 Keuntungan Data Warehouse Data warehouse

dapat memberikan keuntungan kepada perusahaan seperti

(Connoly & Begg, 2005): 1. Potensi pengembalian yang besar dari investasi (potential high returns on investment). Sebuah perusahaan harus mengeluarkan sejumlah besar dana untuk memastikan keberhasilan penerapan data warehouse dan biayanya dapat bervariasi tergantung dari solusi teknis

yang diberikan. Potensi

pengembalian dari investai ke dalam data

warehouse sangat besar. Universitas Indonesia


16

Tergantung dari bagaimana para pengambil keputusan memakai data warehouse dalam proses pengambilan keputusan. 2. Keuntungan kompetitif (competitive advantage). Pengembalian yang besar atas investasi perusahaan merupakan hasil dari keuntungan kompetitif yang didapatkan dari penggunaan teknologi ini. Keuntungan kompetitif dapat

diperoleh

dengan memfasilitasi

para

pengambil

keputusan

mengakses data yang dapat memperlihatkan apa yang sebelumnya tidak dapat dilihat karena keterbatasan teknologi, seperti pelanggan, tren, dan permintaan. 3. Meningkatkan produktivitas dari para pengambil keputusan (increased productivity of corporate decision-makers). Data meningkatkan membuat

produktivitas

sebuah

dari

database

warehouse dapat

para pengambil

terpadu

keputusan

dengan

dari data-data yang konsisten,

berorientasi subjek, dan bersifat historis. Data warehouse menyatukan data dari berbagai sistem dan dijadikan data yang lebih konsisten. Dengan mengubah

data

menjadi

informasi

yang berguna,

data

warehouse

memungkinkan para pengambil keputusan untuk melakukan analisis yang lebih nyata, akurat, dan konsisten. 2.1.4 Isu Data warehouse Beberapa faktor yang dapat dikaitkan dengan masalah kualitas informasi, berikut ini adalah penyebab utama dari kesalahan informasi dalam data warehouse 1. Perubahan pada sumber data. Perubahan dalam sumber data menyebabkan perubahan code pada proses ETL. Contohnya : proses ETL pada risiko kredit pada data dalam lembaga keuangan tertentu memiliki sekitar 25 kesalahan setiap kuartal. Meskipun telah melampaui quality assurance tetap saja selalu ada ruang untuk kesalahan. Daftar berikut menguraikan jenis potensi kesalahan yang dapat terjadi karena perubahan dalam proses ETL: 

Logika pada ekstraksi tidak mencakup data tertentu yang belum ditest.



Logika transformasi memungkinkan melakukan agregasi 2 tipe data yang berbeda (contoh: Pinjaman Mobil, Pinjaman Kapal) ke dalam satu Universitas Indonesia


17

kategori, yaitu kategori pinjaman mobil. Dalam beberapa kasus, logika transformasi dapat mengecualikan beberapa jenis data yang tidak relevan, sehingga catatan lengkap di data warehouse. 

Isu-isu serupa juga sering terjadi pada proses loading.

2. Kegagalan proses. Saat pemrosesan mungkin saja gagal, karena kesalahan sistem atau kesalahan transformasi, sehingga loading data yang tidak lengkap. Kesalahan transformasi juga mungkin disebabkan karena format sumber data atau format tujuan transformasi yang salah. 3. Perubahan atau update pada data referensi. Data referensi outdated, tidak lengkap atau salah akan menyebabkan kesalahan dalam informasi data warehouse. Misalnya, kesalahan dalam parameter tabel komisi tingkat penjualan dapat mengakibatkan perhitungan yang salah tentang jumlah komisi yang diterima oleh masing-masing agen. 4. Isu kualitas data dengan sistem sumber. Data ini mungkin tidak lengkap atau tidak konsisten. Sebagai contoh, catatan pelanggan dalam source system mungkin memiliki kode pos hilang. Sebuah sistem sumber yang sama berkaitan dengan penjualan dapat menggunakan singkatan dari nama-nama produk dalam database-nya. Ketidaklengkapan dan inkonsistensi dalam data sistem sumber akan menyebabkan masalah kualitas dalam data warehouse. Adapun yang merupakan contoh kontrol yang dapat diterapkan untuk setiap informasi pada data warehouse antara lain : -

Validasi antara source system, data warehouse, datamart, dan sistem target lainnya.

-

Validasi secara independen pada masing-masing environment,

yaitu

environment tempat pemrosesan ETL, environment yang menjadi tempat sumber data dan environment tujuan load. -

Penerapan kontrol pada format data dari semua sumber data dan tabel tujuan transformasi.

-

Membuat laporan exceptions untuk setiap kali pemrosesan data, yang berisi informasi status, jumlah data, dan waktu dari setiap hasil proses ETL termasuk audit trail dari setiap hasil pemrosesan.



18

Biasanya pendekatan yang dilakukan dalam rangka kontrol pada data warehouse antra lain melakukan manual balancing, tracking dan rekonsiliasi untuk memastikan akurasi dari data, sesuai dengan kebutuhan melakukan ad hoc query dan pelaporan untuk mendukung kegiatan audit, dimana secara tidak langsung merupakan bagian dari solusi regulatory reporting. Dan secara periodik melakukan pemeriksaan dan mendiagnosa serta memperbaiki problem yang ada. Sedangkan yang terkait dengan isu dari perancangan data warehouse, (Yao, 2003) memberikan rangkuman yang komprehensif mengenai isu dari perancangan ini meliputi: -

Granularity : Level dari detail atau rangkuma setiap unit data.

-

Partitioning : memisahkan data ke dalam physical unit yang berbeda.

-

Data : Tiga tipe data yaitu raw data , aggregated data dan metadata

-

Data sources : Sumber dari sistem operasional tempat sumber data yang akan di populasi ke data warehouse.

-

ETL process : proses antara source system dan data warehouse, termasuk proses didalam data warehouse itu sendiri.

-

User access : antar muka dan alat-alat analisis yang dibuat dapat tersedia untuk pengguna

2.2 Metodologi Perancangan Data Warehouse/Datamart Menurut Kimball terdapat sembilan langkah dalam merancang database untuk data warehouse (Kimbal & Ross, 2002) yaitu : Langkah 1: Memilih proses Proses ini merujuk pada subjek data warehouse tertentu. Data warehouse yang dibangun pertama kali haruslah data warehouse yang dapat dikerjakan dan selesai tepat waktu, biaya yang cukup, dan menjawab pertanyaan bisnis paling penting. Contoh pemilihan proses adalah yang berkaitan dengan proses penjualan.



19

Langkah 2: Memilih grain Memilih

grain

berarti

kita

memutuskan

secara

tepat

apa

yang

direpresentasikan oleh record pada tabel fakta. Sebagai contoh, entitas PropertySale merepresentasikan fakta tentang tiap-tiap penjualan properti dan menjadi tabel fakta dari star schema penjualan properti. Oleh karena itu, grain dari tabel fakta PropertySale adalah setiap record penjualan properti. Ketika kita sudah memilih grain dari tabel fakta,

maka

kita

bisa

mengidentifikasikan dimensi-dimensi dari tabel fakta. Langkah 3: Identifikasi dan membuat dimensi yang sesuai Dimensi mengatur konteks untuk mengajukan pertanyaan tentang fakta-fakta dalam tabel fakta. Dimensi yang dirancang dengan baik membuat datamart lebih mudah dimengerti dan digunakan. Dimensi yang tidak lengkap dan kurang akan menurunkan manfaat dari sebuah datamart bagi perusahaan. Jika terdapat dimensi yang muncul dalam dua datamart, mereka harus merupakan dimensi yang persis sama, atau salah satu harus merupakan subset matematis dari yang lain. Hanya dengan cara ini, dua datamart dapat saling berbagi satu atau lebih dimensi pada aplikasi

yang sama.

Ketika sebuah dimensi

digunakan pada lebih dari satu data mart, maka dimensi itu disebut sedang disesuaikan. Kalau dimensi tersebut tidak disinkronisasi, maka keseluruhan data warehouse akan gagal karena kedua datamart tidak akan dapat digunakan secara bersama-sama. Langkah 4: Memilih fakta Grain pada tabel fakta menentukan fakta mana yang dapat digunakan dalam datamart. Semua fakta harus diekspresikan pada tingkatan yang telah dinyatakan oleh grain. Dengan kata lain, kalau grain dari tabel fakta adalah setiap record pada penjualan properti, maka semua fakta numerik harus merujuk pada penjualan jenis ini. Dan juga, fakta harus berupa numerik dan hasil penjumlahan.



20

Langkah 5: Menentukan data pre-kalkulasi dari tabel fakta Ketika fakta telah dipilih, maka masing-masing fakta tersebut harus diperiksa ulang untuk menentukan apakah ada kemungkinan untuk menggunakan prekalkulasi.

Contoh umum

akan

kebutuhan menyimpan pre-kalkulasi terjadi

ketika terdapat fakta yang terdiri dari pernyataan laba dan rugi. Situasi ini akan sering terjadi ketika tabel fakta berdasarkan penjualan atau invoice. Langkah 6: Melengkapi tabel dimensi Pada langkah ini, kita melengkapi tabel dimensi dengan menambahkan keterangan ke dalamnya. Deskripsi ini harus intuitif dan mudah dimengerti oleh pengguna. Langkah 7: Memilih durasi dari basis data Kita harus menentukan seberapa jauh durasi waktu yang ditampung di dalam tabel fakta. Untuk perusahaan seperti perusahaan asuransi, mengharuskan untuk menyimpan data sampai 5 tahun atau lebih. Tabel fakta yang sangat besar menimbulkan setidaknya dua masalah signifikan pada data warehouse. Pertama, semakin tua suatu data, maka akan ada masalah dalam membaca dan menginterpretasikan file tua tersebut. Kedua, wajib untuk menggunakan versi lama dari dimensi penting, bukan versi yang baru. Ini dikenal sebagai masalah pada slowly changing dimension. Langkah 8: Melacak dimensi yang berubah secara perlahan Ada tiga tipe dimensi yang berubah secara perlahan (slowly changing dimension), yaitu: Tipe 0, yaitu dimensi yang tidak pernah mengalami perubahan, contohnya dimensi waktu. Tipe 1, yaitu perubahan dimensi menyebabkan data lama dioverwrite. Tipe 2, yaitu perubahan dimensi menyebabkan pembentukan record baru. Tipe 3 yaitu perubahan

dimensi

menyebabkan

pembuatan

atribut

alternatif sehingga nilai yang lama dan nilai yang baru dapat diakses secara bersama pada dimensi yang sama.



21

Langkah 9: Menentukan prioritas dan mode dari query Pada

langkah

Permasalahan

ini, desain

kita

mempertimbangkan

fisik

paling

kritis

permasalahan

yang

desain

mempengaruhi

fisik.

persepsi

pengguna terhadap data mart adalah urutan fisik dari tabel fakta pada disk dan kehadiran ringkasan atau aggregation yang telah disimpan. 2.3 Arsitektur Datamart

Gambar 2.2 Arsitektur Data warehouse (Sumber : Conolly & Begg, 2005)

Gambar 2.2 mengenai arsitektur data warehouse oleh Connoly dan Begg dijelaskan sebagai berikut: 

Operasional data: Sumber data dari data warehouse dapat diambil langsung dari mainframe, basis data relasional seperti Oracle, Ms SQL Server dan sebagainya. Selain itu dapat melalui Operational Data Source (ODS). ODS menampung data yang diekstrak dari sistem utama atau sumber-sumber data yang ada dan kemudian data hasil ekstraksi tersebut disesuaikan.



22



Load manager : Load Manager juga disebut komponen

front-end yang

bertugas melakukan seluruh operasi yang berhubungan dengan ekstrasi dan me-load data ke data warehouse. 

Warehouse manager: Warehouse manager melakukan seluruh operasioperasi yang berhubungan dengan kegiatan manajemen data didalam data warehouse. Operasi-operasi tersebut meliputi: analisis terhadap data untuk memastikan konsistensi, transformasi dan penggabungan sumber data dari tempat penyimpanan sementara menjadi tabel-tabel

data warehouse,

penciptaan indeks-indeks dan view berdasarkan tabel-tabel dasar, melakukan denormalisas dan agregasi jika diperlukan dan backup atau pengarsipan data. 

Query Manager : Query manager juga disebut komponen back-end, melakukan operasi-operasi yang berhubungan dengan manajemen user queries. Operasi-operasi yang dilakukan oleh komponen itu termasuk query kepada tabel-tabel yang tepat dan menjadwalkan eksekusi dari query tersebut.



Detailed data : Pada rancangan data warehouse, detailed data menyimpan semua detail dari data di dalam skema basis data. Biasanya detailed data tidak disimpan secara online melainkan dibuat dengan melakukan agregasi data. Tetapi pada dasarnya detailed data ditambahkan ke data warehouse untuk melengkapi data agregasi. Detailed data dibagi menjadi dua yaitu: current detailed data dan old detailed data.



Lightly and highly summarized data : Pada rancangan data warehouse, ligthly and highly summarized data adalah tempat penyimpanan semua data predefined lightly dan highly summarized yang dihasilkan oleh warehouse manager. Tujuan dari ringkasan informasi ini adalah memercepat tanggapan terhadap permintaan user. Ringkasan data dilakukan update terus-menerus seiring dengan bertambahnya jumlah data dalam data warehouse.



Archieve/backup data : Pada rancangan data warehouse, archieve/backup data digunakan sebagai tempat penyimpanan detailed data dan data yang telah diringkas. Data yang telah diringkas dan disimpan akan ditransfer ke media penyimpanan seperti magnetic tape danoptical disk.



23



Metadata : Pada rancangan data warehouse, metadata digunakan sebagai tempat penyimpanan semua definisi keterangan mengenai data yang digunakan diseluruh proses data warehouse.



End-user access tools (EUAT) : Prinsip atau tujuan utama dibangunnya data warehouse adalah untuk menyediakan informasi bisnis kepada pengguna untuk dapat melakukan pengambilan keputusan secara cepat dan tepat. Pengguna ini berinteraksi dengan data warehouse melalui end-user access tools.

2.4 Konsep Permodelan Data Warehouse Konsep Permodelan data warehouse dibedakan menjadi beberapa pendekatan perancangan termasuk penentuan perancangan dimensi yang digunakan. 2.4.1 Star Schema Star schema adalah struktur logikal yang dibentuk dari sebuah tabel fakta yang mengandung data fakta pada bagian tengah, dikelilingi oleh tabel-tabel dimensi

yang

mengandung

data

referensi, dimana data tersebut

didenormalisasi (Connoly & Begg, 2005).

Star

schema

dapat

mengeksploitasi

karakteristik dari data faktual seperti fakta yang dihasilkan oleh peristiwa yang muncul pada waktu yang lalu dan tidak berubah, tanpa memperhatikan bagaimana mereka dianalisis. Penting untuk memperlakukan data fakta sebagai data

referensi

yang

bersifat read-only.

Star schema dapat dipakai untuk

meningkatkan kecepatan performa

kinerja

denormalisasi informasi

ke

referensi

query

dalam

tabel

dengan dimensi

melakukan tunggal.

Denormalisasi dianjurkan ketika terdapat sejumlah entitas yang berhubungan dengan tabel dimensi yang sering diakses.

Gambar 2.3 merupakan contoh

perancangan star schema.



24

Gambar 2.3 Perancangan Star Schema

2.4.2 Snowflake Schema Snowflake schema adalah variasi lain dari star schema dimana tabel dimensi tidak berisi data yang didenormalisasi (Connoly & Begg, 2005). Pada snowflake schema, sebuah tabel dimensi dapat mempunyai tabel dimensi lainnya. Keuntungan yang didapat dengan menggunakan skema ini adalah penghematan memory, tetapi waktu yang dibutuhkan untuk pemrosesan query menjadi lebih lama. Gambar 2.contoh perancangan snowflake skema.



25

Gambar 2.4 Perancangan Skema Snow Flake

2.4.3 Schema Galaxy / Fact Constellation Fact constellation schema adalah dimensional model yang didalamnya terdapat lebih dari satu tabel fakta yang membagi satu atau lebih tabel dimension. Skema ini lebih kompleks daripada star schema karena berisi berbagai tabel fakta. Dalam skema fact constellation, satu dimensi tabel dapat digunakan di beberapa tabel fakta sehingga desainnya lebih kompleks. Keuntungan dari skema fact constellation adalah kemampuan untuk memodelkan bisnis lebih akurat menggunakan beberapa tabel fakta dan dapat menghemat memori dan mengurangi kesalahan yang mungkin terjadi. Skema Fact Constellation biasanya digunakan dalam sebuah desain Enterprise Data Warehouse, sedangkan dua desain lainnya (star skema dan snow flake skema) digunakan untuk membangun data warehouse atau datamar tdengan skala yang lebih kecil yang spesifik untuk memenuhi kebutuhan sebuah bagian/unit bisnis dari sebuah organisasi. Gambar 2.5 contoh perancangan dengan skema fact constellation.



26

Gambar 2.5 Perancangan Skema Fact Constellation (Conolly & Begg, 2005)

2.4.4 Slowly Changing Dimension (SCD) Slowly Changing Dimension (Kimball, 2008) adalah nama dari sebuah proses pengelolaan data yang memuat data ke dalam tabel dimensi yang berisi data. Untuk mengadopsi SCD, data harus berubah secara perlahan pada jadwal yang tidak teratur, random dan variabel. Dalam suatu datamart, terdapat kebutuhan untuk melacak perubahan dalam dimensi atribut dalam rangka pelaporan data historis. Dengan kata lain, menerapkan salah satu jenis SCD harus memungkinkan pengguna menetapkan nilai atribut dimensi yang tepat untuk tanggal tertentu. Contoh dimensi seperti itu bisa: pelanggan, geografi, karyawan. Ada 6 jenis saat ini metodologi SCD, yaitu Tipe 0, Tipe 1, Tipe 2, Tipe 3, Tipe 4, dan Tipe 6. Jenis SCD paling umum dilakukan adalah Type 1, 2 dan 3. Tipe 0 adalah tipe dari SCD yang tidak pernah mengalami perubahan data. Nilainilai asli tetap berada di dimensi sewaktu tabel dimensi ini pertama kali dibuat. Tipe 1 adalah type dari SCD yang mengupdate isi data yang lama dengan data yang baru. SCD Tipe 1 adalah tipe perubahan dimensi yang mudah untuk dimaintain, namun tidak ada data histori yang disimpan pada datawarehouse. Tipe 2 adalah tipe dari SCD yang menambahkan satu record baru apabila terdapat perubahan data, sehingga setiap kali ada perubahan data tersimpan dalam data histori. Universitas Indonesia


27

Tipe 3 adalah tipe dari SCD yang melakukan update perubahan data yang baru pada kolom yang baru. Tipe 4 menggunakan tabel histori, dengan memindahkan record lama yang berubah pada tabel histori (archive) dan me-maintain record yang baru / terudpate pada tabel yang current. Tipe 6 SCD adalah metodologi hybrid tipe 1, 2 dan 3. Pada tipe ini kita miliki dalam tabel dimensi kolom tambahan seperti: 

current_type: untuk menjaga nilai saat ini dari atribut. Semua record histori untuk diberikan item atribut memiliki nilai yang sama saat ini.



historical_type : untuk menjaga nilai histori atribut. Semua histori record untuk diberikan item atribut bisa memiliki nilai yang berbeda.



start_date: untuk menjaga tanggal mulai 'tanggal efektif' histori atribut itu.



end_date: untuk menjaga tanggal akhir dari 'tanggal efektif' histori atribut itu.



current_flag: untuk menjaga informasi tentang catatan terbaru.

Contoh penerapan SCD Tipe-6 dapat dilihat pada Tabel 2.1 Tabel 2.1 Contoh penerapan SCD Type 6 Customer_

Customer_N

Current_T

Historical_T

Start_D

End_D

Current_F

ID

ame

ype

ype

ate

ate

lag

11-01-

28-07-

2011

2011

29-07-

17-05-

2011

2012

18-05-

31-12-

2012

9999

1

Cust_1

Corporate

Retail

2

Cust_1

Corporate

Other

3

Cust_1

Corporate

Corporate

N

N

Y



28

2.5 Business Intelligence dan OLAP Business Intelligence adalah seperangkat teori, metodologi, proses, arsitektur, dan teknologi yang mengubah data mentah menjadi informasi yang bermakna dan berguna untuk tujuan bisnis. BI dapat menangani sejumlah besar informasi untuk membantu mengidentifikasi dan mengembangkan peluang baru. Memanfaatkan peluang baru dan menerapkan strategi yang efektif dapat memberikan keuntungan pasar kompetitif dan stabilitas jangka panjang. Business

Intelligence

sebagai

pendekatan

baru

bagi

perusahaan

yang

mengumpulkan, mengatur, dan menggunakan informasi. Dia percaya bahwa cara lama telah berubah untuk merefleksikan teknologi yang baru dan masa kini, karena perusahaan membutuhkan keputusan yang cepat (real-time) berdasarkan data yang ada. Saat ini, dalam situasi bisnis yang berdaya saing tinggi, nilai dari sistem informasi strategis sangat terlihat. Tingginya tingkat adopsi dan investasi pada software BI dan pelayanannya membuktikan bahwa sistem ini sangat dibutuhkan dalam mendukung pengambilan keputusan bagi perusahaan dalam kondisi pasar saat ini (Turban, 2007). Turban mengumpamakan Business Intelligence sebagai sebuah payung, yang melingkupi arsitektur, tools, database, aplikasi dan metodologi. Turban juga mengatakan bahwa tujuan utama dari Business Intelligence adalah memungkinkan akses interaktif dan eksploitasi terhadap data, serta menyediakan data tersebut untuk digunakan oleh para manajer dan para analis. (Turban et al., 2007) Sumber data yang berbeda yang telah dikumpulkan dan disimpan di perusahaan harus diekstrak dari berbagai sumber, kemudian diubah menjadi format yang konsisten dan dimuat serta disimpan dalam data warehouse dan dianalisa untuk mendapatkan keputusan yang tepat, sehingga menjadi efisien bagi perusahaan. Dengan ini perusahaan dapat membuat keputusan bisnis yang lebih baik dan lebih cepat dibandingkan dengan para pesaingnya.



29

Business intelligence report lahir untuk menjawab tantangan yang tidak bisa dipenuhi oleh standard pelaporan, yaitu yang berkaitan dengan empat hal yaitu accessibility, timeliness, format, data integrity. Business Intelligence memiliki sambungan langsung ke Data warehouse sehingga accessibility dan timeliness menjadikan hal yang biasa dilakukan. User selalu mendapatkan akses terhadap informasi yang dibutuhkan (accessibility) secara cepat (timeliness). Business

Intelligence

memberikan

kebebasan

kepada

pengguna

untuk

mendefinisikan format laporan sesukanya, sedangkan Data Integrity dipenuhi oleh Data warehouse di mana BI ini dijalankan. Salah satu yang menjadi kelebihan dari Business Intelligence adalah memanjakan pengguna dengan struktur data yang memudahkan pembuatan laporan secara self-service dalam bentuk dimensi dan measures. Dengan mengkombinasikan measures dan dimensi yang tepat, pengguna mendapatkan laporan yang diinginkan. Selanjutnya diajuga dapat menyajikannya dalam bentuk tabel atau dalam berbagai bentuk grafik yang dapat dipilih. Setelah laporan disajikan, pengguna diberi fasilitas untuk menyimpan tampilan laporan tersebut dalam bentuk excel, xml, pdf, jpeg, dan lain-lain sesuai kebutuhan. 2.5.1 On-Line Analytical Processing (OLAP) On-Line Analytical Processing (OLAP) merupakan suatu jenis pemrosesan yang dapat memanipulasi dan menganalisa data bervolume besar dari berbagai perspektif (multidimensi). OLAP seringkali disebut analisis data multidimensi Kegunaan utama OLAP adalah fitur interaktifnya untuk membantu pimpinan organisasi melihat data dari berbagai perspektif. OLAP dapat membantu pengguna untuk menganalisis data pada sebuah data warehouse dengan berbagai tampilan data, dan representasi grafik yang dinamis. Dalam tampilan tersebut dimensi-dimensi data berbeda menunjukkan karakteristik bisnis yang berbeda pula. OLAP sangat membantu untuk melihat data dimensional dari berbagai sudut



30

pandang. Maka dari itu OLAP dapat membantu end-user menarik kesimpulan dan keputusan. 2.5.2 Tipe-tipe operasi OLAP Fitur-fitur dibawah ini merupakan fitur dari pemanfaatan OLAP (Han & Kamber, 2004) Roll-up Operasi ini melakukan agregasi pada kubus data dengan cara menaikkan tingkat suatu hirarki konsep atau mengurangi dimensi. Misalkan pada kubus datadari kelompok kota di-roll up menjadi kelompok propinsi atau negara. Contoh lainnya kubus data menampilkan agregasi total penjualan berdasarkan lokasi dan waktu, roll up mereduksi dimensi dapat dilakukan dengan menurunkan tingkat suatu hirarki konsep atau menambahkan dimensi menghilangkan waktu sehingga hanya menampilkan agregasitotal penjualan berdasarkan lokasi. Drill-down Drill-down adalah kebalikan dari rollup. Operasi ini mempresentasikan data menjadi lebih detil. Drill-down dilakukan dengan cara menurunkan tingkat suatu hirarki konsep atau menambahkan dimensi. Misalkan dari kelompok tahun di drill down menjadi kelompok triwulan, bulan, atau hari. Slice dan dice Operasi slice and dice adalah operasi untuk melihat data sebagai visualisasi dari cube. Dengan slice and dice, pengguna dapat melihat suatu data dengan berbagai perspektif. Operasi slice yaitu melakukan pemilihan atau pemotongan terhadap satu dimensi dari data cube yang ada sehingga menghasilkan bagian sub cube. Operasi dice mendefinisikan sub cube dengan melakukan pemilihan dua atau lebih dimensi dari suatu cube.



31

Pivot (rotate) Pivot adalah operasi visualisasi dengan memutar koordinat data pada tampilan yang bertujuan untuk menyediakan presentasi atau perspektif alternatif dari data. 2.6 Penelitian Sebelumnya Pada bagian ini dijelaskan mengenai penelitian sebelumnya yang berkaitan dengan perancangan datawarehouse atau perancangan datamart, perancangan arsitektur datawarehouse, pemrosesan dan permodelan ETL serta implementasi business intelligence. Penelitian oleh (Indra, 2011) mengenai perancangan dan penerapan data warehouse dan business intelligence untuk efisiensi pelaporan menjelaskan nilai tambah bagi organisasi dalam penyusunan laporan yang lebih cepat dan efisien. Metodologi yang digunakan dalam penelitian ini terdiri dari identifikasi kebutuhan informasi, pengumpulan data, perancangan data warehouse dan perancangan dashboard. Perancangan data warehouse pada penelitian ini mengikuti proses: cleansing dan ETL, perancangan tabel dimensi dan tabel fakta, perancangan cube dan OLAP dan perancangan dashboard dengan visualisasi data dengan solusi Microsoft business intelligence. Penelitian oleh (Ariyachandra dan Hugh J. Watson, Business Intelligence Journal Volume-11) mengenai arsitektur datawarehouse yang terbaik, alternatif arsitektur yang diteliti pada penelitian ini dibedakan menjadi 5 arsitektur, yang terdiri dari (1) independent datamart, (2) datamart bus architecture dengan keterkaitan hubungan dengan dimensional data mart, (3) hub and-spoke, (4) centralized data warehouse (no dependent datamart), dan (5) federated. Penilaian yang dilakukan dengan mengkategorisasikan data warehouse yang didasarkan atas beberapa aspek yang terdiri dari information quality (information accuracy, completeness, and consistency), system quality (flexibility, scalability,integration), dampak terhadap individual dan dampak terhadap organisasi terhadap masing-masing arsitektur. Hasilnya bus architecture dan arsitektur hub and spoke memperoleh penilaian yang mendekati. Universitas Indonesia


32

Penelitian oleh (Nitin Anand, 2013 - 4th ICCCNT 2013) mengenai Modeling dan optimasi proses ETL pada data warehouse, dimana siklus dari pengembangan data warehouse dan proses ETL didalamnya dimulai dari Reverse Engineering dan Pengumpulan Requirement untuk memahami struktur data dan isinya termasuk mengidentifikasikan tipe dari pengguna, tahapan berikutnya melakukan perancangan logis dari datawarehouse, selanjutnya dilakukan perancangan fisikal dan parameter terkait, dan fase terakhir adalah kontruksi software. Keterkaitan proses perancangan logical dan fisikal perlu didefinisikan per masing-masing role dari designer khususnya berkaitan dengan rancangan dan administrasi dari keseluruhan

proses

ETL.

Pada

perancangan

logikan

designer

perlu

mengidentifikasi eksekusi plan dari setiap skenario, pendaftaran dari setiap job ETL, skedul dari eksekusi, termasuk recovery plan atau pemrosesan ulang apabila terdapat kegagalan eksekusi. Sedangkan dari sisi perancangan secara fisik perlu pendefisian person in charge atau software yang bertanggung jawab melakukan eksekusi workflow ETL serta pemeliharaan operasional. Penelitian oleh (Vangipuram Radhakrishna, Vangipuram SravanKiran, K. Ravikiran, 2012) mengenai otomasi proses ETL dengan teknologi scripting tanpa ketergantungan dengan fitur dari ETL tools yang digunakan. Tekniknya dengan mengumpulkan berbagai macam sumber data ke dalam target database terlebih dahulu apa adanya dengan format data original serta kemungkinan struktur data yang tidak terstruktur. Setelah data terkumpul di database tujuan, maka proses selanjutnya adalah menggunakan scripting secara backend database untuk menghandel spesifik proses ektrasi, transformasi dan load lengkap dengan pendefinisian statistic dan error logging. Ketergantungan dengan ETL tools akan membuat pemeliharaan secara manual akan setiap job yang menghandel proses ETL satu persatu terhadap validitas sumber data dan proses transformasi ke database tujuan. Penelitian oleh (Angreine Kewo, 2013) pada 2013 International Conference of Information and Communication Technology (ICoICT) bahwa Business Intelligence (BI) dengan On line Analytical Processing (OLAP) memainkan peran penting dalam dalam era kini. Tujuan dari penelitian ini adalah untuk merancang Universitas Indonesia


33

dan membandingkan solusi OLAP yang berfokus pada industri bisnis makanan yang diterapkan dalam studi kasus. Rancangan OLAP dilakukan dengan beberapa langkah dimulai dari pengechekan relationship antar tabel dan melakukan data cleansing untuk database tertentu, identifikasi kebutuhan informasi, melakukan query terhadap kebutuhan informasi, melakukan perancangan dengan star skema, melakukan proses ekstraksi, transformasi dan load, membuat design cube dan melakukan presentasi di Microsoft Excel dengan menggunakan Pivot Tabel. Perancangan OLAP dilakukan dengan menggunakan metode Kimball. Penelitian oleh (Hasa & Hyland, 2010) mengenai Penggunaan OLAP dan data multidimensional untuk pengambilan keputusan. Multidimensional database sering digunakan dalam hubungannya dengan sebuah datawarehouse untuk pendukung executive information system. Manager sering mengunakan informasi dengan melakukan slice and dice, drilling down, rolling up dan melakukan filtering atas data tertentu berdasarkan keinginan pengguna. Oleh karena itu pendekatan dalam perancangan multidimensional dibedakan menjadi Relational OLAP (ROLAP) dan Multidimensional OLAP (MOLAP). Pendekatan ROLAP biasanya merupakan hasil dari bottom up approach yang fokusnya adalah sistem yang sedang berjalan dan database yang dapat melakukan analisa terhadap relational database secara on the fly, sedangkan MOLAP merupakan hasil dari top down approach yang fokusnya adalah pada business planning. Keputusan penggunaan ROLAP atau MOLAP adalah terkait dengan dilemma space dan waktu. MOLAP akan melibatkan space yang lebih besar karena dengan pembuatan physical cube, yang menyebabkan duplikasi namun mempunyai kemampuan akses data yang lebih cepat. Sedangkan ROLAP menggunakan space yang lebih sedikit namun terdapat kendala dari sisi kecepatan akses. Penelitian oleh (Mary Breslin, 2004) pada business intelligence journal winter mengenai perbandingan model antara Kimball dan Inmon, dimana pada pendekatan Kimball merekomendasikan untuk membuat satu datamart per masing-masing bisnis proses. Gabungan dari beberapa datamart di dalam organisasi menggambarkan data warehouse, maka bus architecture memastikan interoperability antara datamart yang ada. Kimball merekomendasikan bahwa Universitas Indonesia


34

data model dimensional memegang peran dalam perancangan datamart, dimana tabel fakta berisi data yang dapat diukur dan tabel dimensi merupakan hal yang mengubah data. Pengguna dapat secara efektif merancang datamart

dengan

kemudahan penggunaan dan renspon query yang lebih cepat dari hasil perancangan datamart secara dimensional. Sedangkan pendekatan Inmon mengarahkan penggunaan database tools dan methodology, seperti ERD, DIS dan perancangannya banyak melibatkan IT daripada pengguna. Inmon metodologi merupakan adaptasi dari pengembangan database secara tradisional dimana data warehouse merupakan bagian yang lebih besar daripada pengembangan database, atau lebih dikenal dengan Corporate Information Factory. Pendekatan Inmon lebih cocok untuk pengembangan data warehouse secara enterprise yang bersifat strategis untuk kepentingan perusahaan secara menyeluruh, bukan untuk kepentingan departmen tertentu atau tujuan tertentu misalnya tujuan pelaporan. Pada penelitian oleh (Sandip Singh, 2011) pada Journal of Global Research in Computer Science, Volume 2, May 2011 mengenai perancangan data warehouse dan metodenya menyimpulkan bahwa dari banyak arsitektur datamart yang diteliti, Independent datamart merupakan solusi arsitektur yang dipilih apabila sumber daya terbatas dan fokus kepada penggunaan informasi yang spesifik dan ingin cepat tersaji dimana merupakan langkah awal dalam pengumpulan berbagai informasi yang dibutuhkan oleh suatu department ke dalam suatu database, namun terdapat kekurangan seperti kemungkinan akan redundant processing dan redundant data. Sedangkan arsitektur menggunakan bus architecture dipilih karena tingginya kebutuhan tukar menukar dan sharing data antara berbagai departmen dengan

implementasi yang cepat

yang

mana

merupakan

penggabungan dari beberapa datamart yang ada menjadi datawarehouse. Arsitektur terakhir adalah hub and spoke atau centralized architecture dipilih apabila data warehouse merupakan bagian dari strategi enterprise dimana dibutuhkan data yang paling granular antara berbagai sumber data yang dapat digunakan secara independensi dengan satu sumber data yang sama.



35

2.7 Pedoman Akuntansi Perbankan Indonesia (PAPI) 2.7.1 Latar Belakang Laporan keuangan bank bertujuan untuk menyediakan informasi yang menyangkut posisi keuangan, kinerja serta perubahan posisi keuangan.Selain itu laporan keuangan bank juga bertujuan untuk pengambilan keputusan. Suatu laporan keuangan akan bermanfaat apabila informasi yang disajikan dalam laporankeuangan

tersebut

dapat

dipahami,

relevan,

andal

dan

dapat

diperbandingkan. Akan tetapi, perlu disadari pula bahwa laporan keuangan tidak menyediakan semua informasi yang mungkin dibutuhkan oleh pihak-pihak yang berkepentingan dengan bank, karena secara umum laporan keuangan hanya menggambarkan pengaruh keuangan dari kejadian masa lalu, dan tidak diwajibkan untuk menyediakan informasi non-keuangan. Walaupun demikian, dalam beberapa hal bank perlu menyediakan informasi nonkeuangan yang mempunyai pengaruh keuangan di masa depan. 2.7.2 Tujuan dan Ruang Lingkup 2.7.2.1 Tujuan Tujuan dari penyusunan Pedoman Akuntansi Perbankan Indonesia (PAPI) antara lain adalah: a. Untuk membantu pengguna dalam menyusun laporan keuangan agar sesuai dengan tujuannya, yaitu untuk: 1) Pengambilan keputusan investasi dan kredit Laporan keuangan bertujuan untuk menyediakan informasi yang bermanfaat bagi pihak-pihak yang berkepentingan dalam pengambilan keputusan yang rasional. Oleh karena itu, informasinya harus dapat dipahami oleh pelaku bisnis dan ekonomi serta pihak-pihak lain yang berkepentingan antara lain meliputi: deposan, kreditur, pemegang saham, otoritas pengawasan, Bank Indonesia, pemerintah, lembaga penjamin simpanan, dan masyarakat.



36

2) Menilai prospek arus kas Laporan keuangan bertujuan untuk memberikan informasi yang dapat mendukung deposan, investor, kreditur dan pihak-pihak lain dalam memperkirakan jumlah, saat, dan kepastian dalam penerimaan kas di masa depan. Prospek penerimaan kas sangat tergantung pada kemampuan bank untuk meng-hasilkan kas guna memenuhi kewajiban yang telah jatuh tempo, kebutuhan operasional, reinvestasi dalam operasi, dan pembayaran dividen. Persepsi dari pihak-pihak yang berkepentingan atas kemampuan bank tersebut akan mempengaruhi harga pasar efek bank yang bersangkutan. Persepsi mereka umumnya dipengaruhi oleh harapan atas tingkat pengembalian dan risiko dari dana yang mereka tanamkan. Deposan, investor, dan kreditur akan memaksimalkan pengembalian dana yang telah mereka tanamkan dan akan melakukan penyesuaian terhadap risiko yang mereka perkirakan akan terjadi pada bank yang bersangkutan. 3) Memberikan informasi atas sumber daya ekonomi Pelaporan keuangan bertujuan memberikan informasi tentang sumber daya ekonomi bank (economic resources), kewajiban bank untuk mengalihkan sumber daya tersebut kepada entitas lain atau pemilik saham, serta kemungkinan terjadinya transaksi dan peristiwa yang dapat mempengaruhi perubahan sumber daya tersebut. b. Menciptakan keseragaman dalam penerapan perlakuan akuntansi dan penyajian laporan keuangan, sehingga meningkatkan daya banding diantara laporan keuangan bank. c. Menjadi acuan minimum yang harus dipenuhi oleh perbankan dalam menyusun laporan keuangan. Namun keseragaman penyajian sebagaimana diatur dalam PAPI tidak menghalangi masing-masing bank untuk memberikan informasi yang relevan bagi pengguna laporan keuangan sesuai kondisi masing-masing bank. 2.7.2.2 Ruang Lingkup Pedoman Akuntansi Perbankan Indonesia (PAPI) berlaku untuk bank umum konvensional. Dalam hal bank umum konvensional mempunyai unit usaha Universitas Indonesia


37

syariah, maka unit usaha syariah tersebut menggunakan Pedoman Akuntansi Perbankan Syariah Indonesia (PAPSI) kecuali untuk hal-hal yang tidak diatur dalam Pedoman Akuntansi Perbankan Syariah Indonesia tersebut. 2.7.3 Perbedaan Perhitungan Pembentukan Penyisihan Aktiva Sebelum dan Sesudah Menggunakan PSAK 50 dan 55 Sebelum PSAK 50 dan 55 Kolektibilitas yang ada di Bank sudah ditentukan oleh Bank Indonesia, dan berdasarkan SK BI No. 31/148/KEP/DIR tanggal 12 november 1998, pembentukan PPA minimal sebesar sebagai berikut: a. Cadangan umum kol. 1 → sebesar 1% x aktiva produktif lancar x risiko bank b. Cadangan khusus 

kol. 2→ sebesar 5% x aktiva produktif dalam perhatian khusus (DPK) x risiko bank



kol. 3→ sebesar 15% x (aktiva produksi kurang lancar – nilai agunan) x risiko bank



kol. 4→ sebesar 50% x (aktiva produktif diragukan – nilai agunan) x risiko bank



kol. 5→ sebesar 100% x (aktiva produksi macet – nilai agunan) x risiko bank

Agunan yang dapat dijadikan pengurang dalam pembentukan PPA terdiri dari: 

Giro, deposito, tabungan dan setoran jaminan dalam mata uang rupiah dan valuta asing yang diblokir disertai dengan surat kuasa pencairan.



Sertifikat Bank Indonesia dan surat utang pemerintah.



Surat berharga yang aktif diperdagangkan di pasar modal.



Tanah, gedung, rumah tinggal, pesawat udara, dan kapal laut dengan ukuran diatas 20 kubik.



38

Setelah PSAK 50 dan 55 a. Apabila terdapat selisih dalam nilai tercatat kredit dan present value, maka akan muncul akun cadangan kerugian penurunan nilai (CKPN) b. Terdapat dua teknik evaluasi penurunan nilai yaitu secara individual dan kolektif c. Cadangan kerugian penurunan nilai kredit yang telah dibentuk bank dianggap sebagai pembentukan penyisihan aktiva (PPA) yang telah dibentuk. Apabila terdapat selisih kurang antara cadangan kerugian penurunan nilai yang telah dibentuk dan PPA yang wajib dibentuk sesuai ketentuan Bank Indonesia, maka

selisih kurang tersebut harus diperhitungkan sebagai faktor

pengurangan modal inti dalam perhitungan Kewajiban Penyediaan Modal Minimum (KPMM). d. Pada semua kejadian yang termasuk dalam kategori bukti yang obyektif di bawah ini maka nilai kreditnya harus diimpare (diturunkan). 2.7.4 Pengertian Penurunan Nilai Penurunan nilai adalah suatu kondisi dimana terdapat bukti obyektif terjadinya peristiwa yang merugikan sebagai akibat dari satu atau lebih peristiwa yang terjadi setelah pengakuan awal kredit tersebut, dan peristiwa yang merugikan tersebut berdampak pada estimasi arus kas masa datang atas aset keuangan atau kelompok aset keuangan yang dapat diestimasi secara andal (PAPI, 2008). Cadangan kerugian penurunan nilai kredit adalah penyisihan yang dibentuk apabila nilai tercatat kredit setelah penurunan nilai kurang dari nilai tercatat awal (PAPI, 2008). Penurunan nilai pada dasarnya disebabkan oleh dampak kombinasi dari beberapa peristiwa. Kerugian yang diperkirakan timbul akibat peristiwa dimasa datang tidak dapat diakui, terlepas hal tersebut sangat mungkin terjadi. Bukti obyektf bahwa aset keuangan atau kelompok aset keuangan mengalami penurunan nilai meliputi data yang dapat diobservasi yang menjadi perhatian dari pemegang aset tersebut mengenai peristiwa-peristiwa yang merugikan berikut ini: a) Kesulitan keuangan signifikan yang dialami penerbit atau pihak peminjam,



39

b) Pelanggaran

kontrak,

seperti terjadinya

wanprestasi

atau

tunggakan

pembayaran pokok atau bunga, c) Pihak pemberi pinjaman, dengan alasan ekonomi atau hukum sehubungan dengan kesulitan keuangan yang dialami pihak peminjam, memberikan keringanan (konsesi) pada pihak peminjam yang tidak mungkin diberikan jika pihak peminjam tidak mengalami kesulitan tersebut, d) Terdapat kemungkinan bahwa pihak peminjam akan dinyatakan pailit atau melakukan reorganisasi keuangan lainnya, e) Hilangnya pasar aktif dari aset keuangan akibat kesulitan keuangan, atau f) Data yang dapat diobservasi mengindikasikan adanya penurunan yang dapat diukur atas esti masi arus kas masa datang dari kelompok aset keuangan sejak pengakuan awal aset dimaksud. Penurunan nilai mencakup seluruh kredit yang tidak dievaluasi secara individual dan yang dievaluasi secara individual, namun tidak terdapat bukti obyektif terjadinya penurunan nilai. 2.7.5 Kriteria Evaluasi Penurunan Nilai Untuk dapat melalukan evaluasi, maka kita harus mengerti kriteria-kriteria yang digunakan untuk mengevaluasi penurunan nilai. Kriteria evaluasi penurunan nilai tersebut adalah sebagai berikut (PAPI, 2008:183): A. Secara Individual Bank wajib menentukan tingkat signifikansi kredit yang akan dievaluasi secara individual yang disertai dengan dokumentasi yang memadai yang harus dikaji ulang secara periodik; Dalam hal tidak terdapat bukti obyektif penurunan nilai dari kredit yang dievaluasi secara individual, maka kredit tersebut harus dimasukkan ke dalam kategori kredit yang akan dievaluasi penurunan nilainya secara kolektif. Dalam hal terdapat bukti obyektif penurunan nilai dari kredit yang dievaluasi secara individual namun tidak terdapat kerugian penurunan nilai, maka kredit tersebut tidak

dimasukkan ke dalam kategori kredit yang akan dievaluasi

penurunan nilainya secara kolektif. Contoh: ketika debitur berada dalam kondisi Universitas Indonesia


40

macet (tidak ada estimasi arus kas selain arus kas dari agunan), dimana nilai kini arus kas agunan sama dengan atau lebih besar dari nilai tercatat kredit. Menurut PAPI (2008:184) evaluasi secara individual didasarkan pada 2 konsep, yaitu: 1.

Estimasi jumlah kerugian kredit didasarkan pada seluruh informasi yang tersedia dan experienced credit judgement, serta memperhatikan berbagai aspek seperti: a) Kekuatan dan kemampuan debitur untuk membayar kembali kewajiban (repayment capacity); b) Jenis dan jumlah agunan; c) Ketersediaan garansi; dan d) Prospek usaha debitur di masa datang.

2.

Estimasi jumlah yang dapat diperoleh kembali didasarkan pada identifikasi arus kas masa datang dan estimasi nilai kini dari arus kas tersebut.

B. Secara kolektif 1. Evaluasi penurunan nilai secara kolektif mencakup seluruh kredit yang: 1. Tidak dievaluasi secara individual; dan 2. Dievaluasi secara individual, namun tidak terdapat bukti obyektif terjadinya penurunan nilai. 2. Bank wajib mengelompokkan kredit yang akan dinilai secara kolektif berdasarkan kesamaan karakteristik risiko kredit yang mengindikasikan kemampuan debitur untuk membayar seluruh kewajiban yang jatuh tempo sesuai persyaratan kontrak. Sebagai contoh, kredit dapat dikelompokkan berdasarkan satu atau lebih karakteristik berikut ini: a) Estimasi probabilitas terjadinya gagal bayar atau peringkat risiko b) Kredit; c) Tipe (contohnya, pinjaman kartu kredit); d) Lokasi geografis; e) Tipe jaminan; f) Tipe pihak kedua (contoh, konsumen, bisnis, atau pemerintah); g) Status tunggakan; dan h) Jatuh tempo. Universitas Indonesia


41

3. Pengelompokkan kredit berdasarkan kesamaan karakteristik tersebut harus disertai dengan dokumentasi yang memadai yang dikaji ulang secara periodik. Terhadap kredit yang dikelompokkan tersebut, bank harus melakukan evaluasi apakah terdapat bukti obyektif terjadinya penurunan nilai. Hal-hal yang perlu diperhatikan antara lain: a) Terdapat data yang dapat diobservasi yang mengindikasikan terjadinya penurunan dalam estimasi arus kas masa datang yang dapat diukur dari kelompok kredit, b) Penurunan yang dapat diukur tersebut telah terjadi sejak pengakuan awal kredit, dan c) Penurunan tersebut belum dapat diidentifikasi terkait dengan kredit tertentu dalam kelompok kredit. 4. Evaluasi penurunan nilai secara kolektif merupakan langkah antara sampai penurunan nilai kredit secara individual dapat diidentifikasi. Segera setelah penurunan nilai suatu kredit secara individual dalam kelompok kredit tersebut diidentifikasi, maka kredit tersebut harus dikeluarkan dari kelompok kredit dan

selanjutnya

dinilai

secara

individual.

Namun

bank

dapat

mempertimbangkan analisa biaya dan manfaat yang dituangkan dalam kebijakan internal bank untuk menentukan apakah analisa individual perlu dilakukan. 2.7.6 Penurunan Nilai dan Tidak Tertagihnya Aset Keuangan Pada setiap tanggal neraca entitas mengevaluasi apakah terdapat bukti yang objektif bahwa aset keuangan atau kelompok aset keuangan mengalami penurunan nilai. Aset keuangan atau kelompok aset keuangan diturunkan nilainya dan kerugian penurunan nilai telah terjadi, jika dan hanya jika, terdapat bukti yang obyektif mengenai penurunan nilai tersebut sebagai akibat dari satu atau lebih peristiwa yang terjadi setelah pengakuan awal aset tersebut (peristiwa yang merugikan), dan peristiwa yang merugikan tersebut berdampak pada estimasi arus kas masa depan atau aset keuangan atau kelompok aset keuangan yang dapat diestimasi secara andal. Universitas Indonesia


42

Bukti obyektif bahwa aset keuangan atau kelompok aset keuangan mengalami penurunan nilai meliputi data yang dapat diobservasi yang menjadi perhatian dari pemegang aset tersebut mengenai peristiwa-peristiwa yang merugikan sebagai berikut: 1. Kesulitan keuangan signifikan yang dialami penerbit atau pihak peminjam; 2. Pelanggaran

kontrak,

seperti terjadinya

wanprestasi

atau

tunggakan

pembayaran pokok atau bunga; 3. Pihak pemberi pinjaman, dengan alasan ekonomi atau hukum sehubungan dengan kesulitan keuangan yang dialami pihak peminjam, memberikan keringanan (konsesi) pada pihak peminjam yang tidak mungkin diberikan jika pihak peminjam tidak mengalami kesulitan tersebut; 4. Terdapat kemungkinan bahwa pihak peminjam akan dinyatakan pailit atau melakukan reorganisasi keuangan lainnya; 5. Hilangnya pasar aktif dari aset keuangan akibat kesulitan keuangan; 6. Data yang dapat diobservasi mengindikasikan adanya penurunan yang dapat diukur atas estimasi arus kas masa depan dari kelompok aset keuangan sejak pengakuan awal aset yang dimaksud, meskipun penurunannya belum dapat diidentifikasi terhadap aset keuangan secara individual dalam kelompok aset tersebut, termasuk: 

Memburuknya status pembayaran pihak peminjam dalam kelompok tersebut

(misalnya

meningkatnya

tunggakan

pembayaran

atau

meningkatnya jumlah pihak peminjam kartu kredit yang mencapai batas kreditnya dan hanya mampu membayar cicilan bulanan minimal); 

Kondisi ekonomi nasional atau lokal yang berkorelasi dengan wanprestasi atas aset dalam kelompok tersebut (misalnya bertambahnya tingkat pengangguran di area geografis pihak peminjam, turunnya harga properti untuk kredit properti di wilayah yang relevan, turunnya harga minyak untuk pinjaman

yang diberikan kepada produsen

minyak,

atau

memburuknya kondisi industri yang mempengaruhi pihak peminjam dalam setiap kelompok tersebut).

.



BAB 3 METODOLOGI PENELITIAN

Pada bab ini akan menjelaskan langkah-langkah metodologi yang digunakan dalam membahas permasalahan penelitian. Metodologi penelitian didasarkan dari studi literatur penelitian sejenis mengenai perancangan datamart dan penelitian mengenai requirement analysis dalam perancangan arsitektur dan proses ETL untuk mendukung perancangan datamart yang baik. Maka dari itu metodologi penelitian ini dirumuskan sesuai dengan gambar 3.1

Gambar 3.1 Metode Penelitian

43



44

3.1 Perumusan masalah Dalam tahapan ini dilakukan penentuan pokok masalah dan tujuan dari penelitian, berikut ruang lingkup penelitian. Diangkat dari regulasi Bank Indonesia melalui Surat Edaran Bank Indonesia No. 11/4/DPNP mengenai Pelaksanaan Pedoman Akuntansi Perbankan Indonesia (PAPI) dan No. 15/26/DPbs mengenai pelaksanaan Pedoman Akuntansi Perbankan Syariah Indonesia (PAPSI), dimana hal tersebut merupakan input dalam penelitian ini yaitu identifikasi kebutuhan penerapan PSAK 50/55 dan observasi pada objek penelitian di Bank ‘X’ khususnya pada divisi keuangan, akuntansi dan manajemen risiko dalam rangka penerapan regulasi Bank Indonesia yaitu penyisihan cadangan kerugian penurunan nilai sesuai dengan PSAK 50/55. Akan terdapat permasalahan baru untuk perbankan, apabila proses perhitungan penyisihan Cadangan Kerugian Penurunan Nilai (CKPN) ini dilakukan secara manual, mengingat persyaratan yang diperlukan yaitu penggunaan data historis pembiayaan selama 3 tahun terakhir, effort dalam pengumpulan data dari berbagai source system pada objek penelitian, proses perhitungan berdasarkan berbagai model statistika ditambah dengan penyesuaian dengan kebijakan yang ada di masing-masing Bank. Kesemuanya itu tentunya terkait dengan lamanya waktu yang diperlukan untuk menyediakan informasi final nilai perhitungan CKPN ini. Termasuk concern lainnya adalah bahwa informasi ini dibutuhkan oleh manajemen perusahaan untuk memutuskan langkah selanjutnya, bagaimana dampak terhadap laporan rugi laba suatu bank atas hasil bentukan Cadangan Kerugian Penurunan Nilai ini sesuai dengan PSAK 50/55. Dapat dirangkum bahwa permasalahan bank tidak hanya fungsi untuk menghitung dan penyediaan laporan tetapi juga terkait dengan analisa untuk menentukan keputusan selanjutnya. Selanjutnya setelah didapatkan akar dari masalah dari penelitian yang ada, maka dibentuk pertanyaan penelitian yang akan dijawab melalui penelitian ini. Pertanyaan penelitiannya adalah Bagaimana rancangan dan implementasi data mart dari Bank X yang sesuai dengan kebutuhan informasi regulator dalam penyajian dan pengungkapan (PSAK 50) dan pengakuan dan pengukuran (PSAK



45

55) untuk ruang lingkup pelaporan dan monitoring penyisihan Cadangan Kerugian Penurunan Nilai (CKPN) portfolio pembiayaan ? 3.2 Studi Literatur Setelah dilakukan perumusan masalah, maka langkah berikutnya adalah melakukan studi literatur untuk mempelajari landasan teori yang akan digunakan dalam penelitian ini. Yang menjadi input pada tahapan studi literatur ini adalah berupa pertanyaan penelitian, manajemen risiko kredit perbankan dan akuntansi, jurnal-jurnal ilmiah, buku teks, dan tesis peneliti sebelumnya. Studi literatur mencakup pemahaman teori-teori dasar seperti identifikasi dan analisa business requirement berbasis proses ETL, perancangan arsitektur data warehouse, perancangan data warehouse menurut Ralph R. Kimball, serta penelitian sebelumnya, dimana hasil akhir dari studi literatur ini adalah theoretical framework. 3.3 Pengumpulan Data Proses pengumpulan data dilakukan pemahaman terhadap aturan dan petunjuk dari regulator, dimana hal ini adalah mengacu kepada surat edaran Bank Indonesia nomor 11/4/DPNP perihal pelaksanaan pedoman akuntansi perbankan Indonesia dan nomor 15/26/DPbs perihal pelaksanaan Pedoman Akuntansi Perbankan Syariah Indonesia. Data juga dapat diambil melalui teknik observasi langsung ke Bank X untuk memperoleh gambaran mengenai proses yang berjalan saat ini terkait dengan proses pelaporan, proses penyimpanan data, dan pengolahan data yang digunakan untuk menerapkan ketentuan dari Bank Indonesia dan Ikatan Akuntan Indonesia. Observasi dilakukan dengan beberapa langkah antara lain dengan melakukan pengamatan dan

menganalisa

kondisi

objek penelitian,

terutama

pada

ketersediaan data dan alur informasi yang saat ini digunakan untuk mendukung penerapan pelaporan sesuai dengan standard PSAK 50/55. Metode pengumpulan data lainnya dilakukan dengan teknik wawancara dan diskusi terutama terkait dengan kebutuhan bisnis yang disyaratkan menurut Universitas Indonesia


46

standar PSAK 50/55. Wawancara dan diskusi dilakukan terhadap masing-masing unit bisnis (divisi pembiayaan/kredit, divisi remedial, unit keuangan dan akuntansi, unit teknologi informasi dan unit manajemen risiko) untuk memahami proses yang ada saat ini baik dari sisi kebijakan dan operasional bisnis dan sumber data yang digunakan. Yang menjadi output pada tahapan ini berupa dokumentasi proses bisnis yang ada sekarang, dan sumber data dari core banking system yang akan digunakan sebagai input dalam rangka pembuatan data mart PSAK. 3.4 Analisis kebutuhan bisnis dan informasi Pada tahap ini dilakukan analisa lebih dalam mengenai kebutuhan bisnis dan informasi yang diharapkan oleh Divisi Keuangan, Akunting dan Manajemen Risiko sebagai syarat kepatuhan (compliance) terhadap regulasi pelaporan perbankan di Indonesia menurut standar akuntansi PSAK 50/55. Tahap identifikasi

dan

analisis

kebutuhan merupakan kelanjutan dari tahapan

pengumpulan data. Setelah data terkumpul baik dari sisi proses bisnis yang berjalan sekarang dan sumber data yang akan digunakan pada objek penelitian di Bank X, maka selanjutnya diperlukan analisa kebutuhan bisnis dan informasi yang dibutuhkan dalam rangka penerapan pelaporan PSAK 50/55. Analisa ini diperlukan agar dapat memberikan hasil yang sesuai dengan harapan yaitu dengan menyajikan Gap Analysis business requirement PSAK 50/55 terhadap obyek penelitian di Bank X berupa daftar laporan, daftar kebutuhan informasi, daftar analisa dari setiap informasi, status ketersediaan sumber data, serta pemetaan terhadap masing-masing sumber data termasuk didalamnya aturan transformasi yang harus dipenuhi dalam penerapan datamart PSAK 50/55. Gap Analisis didapatkan dengan membandingkan gap pemetaan proses bisnis dan kebutuhan data pada keadaan sekarang dan ekspektasi yang dibutuhkan, sesuai dengan kerangka dasar penyusunan pelaporan PSAK 50/55 sesuai dengan standard Pedoman Akuntansi Perbankan Indonesia dan Pedoman Akuntansi Perbankan Syariah Indonesia. Dalam hal ini fokus kepada analisis user requirement khususnya untuk setiap proses bisnis akan tercermin pada proses Universitas Indonesia


47

ETL yang menentukan sumber dan target dalam perancangan datamart PSAK 50/55. 3.5 Perancangan Arsitektur Datamart Perancangan dan pemilihan arsitektur datamart PSAK 50/55 yang akan digunakan dilakukan dengan membandingkan 2 model best practice arsitektur data warehouse yaitu menurut Bill Inmon dengan model hub and spoke arsitektur dan arsitektur data warehouse menurut Ralph Kimball yaitu dengan arsitektur dimensional data model. Dasar pemilihan arsitektur tersebut didasarkan atas beberapa kriteria yang harus diperhatikan sesuai dengan kebutuhan organisasi di Bank X.

Kriteria tersebut antara lain : Ketergantungan informasi antara

organisasi, perspektif approach, Data Orientation, Struktur Data, Persistency of Data, Data Integration Requirements, Time to Delivery, Kemudahan Akses Pengguna dan Profile Penggunanya, Time Frame, Nature of the organization’s decision support requirements. 3.6 Perancangan dan Implementasi Datamart Perancangan data warehouse pada penelitian ini dilakukan mengikuti 9 tahap perancangan data warehouse menurut Kimball (Kimball & Ross, 2002), yaitu mulai dari pemilihan proses, menentukan grain, identifikasi dan membuat dimensi, pemetaaan sumber data ke tabel fakta, menentukan data pre-kalkulasi dari tabel fakta, melengkapi tabel dimensi, memilih durasi dari basis data, melacak dimensi yang berubah secara perlahan dan menentukan prioritas dan mode dari query yaitu dengan mempresentasikan datamart ke dalam bentuk laporan. Selain dalam Dalam perancangan dan implementasi datamart ini, juga diperlukan penentuan sumber data dan format atau tipe data, pembuatan ekstrak dari data sumber dan proses data cleansing, bagaimana proses transformasi dilakukan, kemudian pemuatan ke data mart dengan teknik dimensional data modeling. Oleh karena itu yang menjadi output pada tahapan ini adalah data staging, proses ETL, tabel fakta, tabel dimensi dan datamart. Universitas Indonesia


48

3.7 Implementasi OLAP Setelah rancangan datamart PSAK 50/55 terbentuk, maka tahapan berikutnya adalah perancangan aplikasi pelaporan dan tools analisa yang akandigunakan oleh divisi keuangan, akuntansi dan manajemen risiko. Melanjutkan dari perancangan laporan ini kemudian akan dikembangkan untuk tools analisa dengan pengolahan visualisasi Online Analytical Processing (OLAP). OLAP dapat mendayagunakan konsep multidimensional dan memungkinkan para pemakai menganalisa data sampai mendetail, tanpa mengetikkan satupun perintah query. Diharapkan dengan adanya OLAP dapat dijadikan pertimbangan bagi eksekutif untuk membantu dalam pengambilan keputusan. Yang menjadi output dalam tahapan ini adalah visualisasi data melalui laporan PSAK 50/55 yang disyaratkan oleh regulator dan OLAP untuk keperluan analisa masing-masing divisi terkait dengan alternatif tools seperti Cognos Business Intelligence dan Microsoft SQL Server Analysis Studio. 3.8 Kesimpulan dan Saran Pada tahapan ini akan diperoleh jawaban dari pertanyaan penelitian yang telah dilakukan. Kesimpulan berisi mengenai proses rancangan datamart dan penerapan OLAP yang dapat membantu pengguna dan eksekutif dalam mempersiapkan data hasil perhitungan CKPN menurut PSAK 50/55, persiapan laporan, monitoring dan menganalisa mengenai besarnya penyisihan cadangan kerugian penurunan nilai (CKPN) untuk portfolio pembiayaan di Bank ‘X’.



BAB 4 ANALISA, PERANCANGAN DAN IMPLEMENTASI DATAMART PSAK 50/55

Pada Bab membahas pokok permasalahan dari penelitian ini mengenai penerapan perhitungan dan pelaporan penyisihan Cadangan Kerugian Penurunan Nilai (CKPN) portfolio pembiayaan sesuai dengan PSAK 50/55 di Bank X. Pemaparan diawali dari fase analisa kebutuhan bisnis berupa informasi dan data dalam di Bank X, dengan dasar acuan berasal regulasi Bank Indonesia melalui Surat Edaran Bank Indonesia No. 11/4/DPNP mengenai Pelaksanaan Pedoman Akuntansi Perbankan Indonesia (PAPI) dan No. 15/26/DPbs mengenai pelaksanaan Pedoman Akuntansi Perbankan Syariah Indonesia (PAPSI). Selanjutnya pemaparan perancangan arsitektur datamart PSAK 50/55 sampai dengan perancangan permodelan datamart PSAK 50/55 4.1 Identifikasi Kebutuhan Bisnis Identifikasi kebutuhan bisnis dibagi menjadi beberapa fase proses, yaitu : fase pengumpulan data, pemilihan proses bisnis, analisa kebutuhan informasi, analisa kebutuhan pelaporan, analisa sumber data dan analisa transformasi business rule melalui proses ETL. 4.1.1 Analisa Kebutuhan Informasi dan Proses Bisnis Penurunan nilai (impairment) adalah suatu kondisi dimana terdapat bukti obyektif terjadinya peristiwa yang merugikan sebagai akibat dari satu atau lebih peristiwa yang terjadi setelah pengakuan awal kredit tersebut, dan peristiwa yang merugikan tersebut berdampak pada estimasi arus kas masa datang atas aset keuangan atau kelompok aset keuangan yang dapat diestimasi secara andal. Terkait dengan penerapan PSAK 50 (Revisi 2006) dan PSAK 55 (Revisi 2006) maka metode penyisihan kerugian (PPAP – Penyisihan Penghapusan Aktiva Produktif,

sesuai

dengan

Surat 49

Keputusan

Direksi

Bank

Indonesia



50

No.31/147/KEP/DIR tanggal 12 November 1998) tidak akan digunakan. Metode penyisihan menggunakan metode incurred losses, yaitu menentukan CKPN berdasarkan data historis kerugian kredit yang sudah terjadi Potential of default yang dihitung dari pengalaman kerugian yang sudah terjadi berdasarkan data historis setiap jenis kredit bank tersebut minimal selama 3 tahun terakhir Seperti yang tertera pada PSAK 55, metode penyisihan yang digunakan dapat dilakukan secara individual (specific assesment) atau kolektif (collective assessment). Bank wajib mengelompokkan kredit yang akan dinilai secara kolektif berdasarkan kesamaan karakteristik risiko kredit yang mengindikasikan kemampuan debitur untuk membayar seluruh kewajiban yang jatuh tempo sesuai persyaratan kontrak. Pada penelitian di Bank X dalam rangka perhitungan CKPN kolektif, pengelompokkan collective group didasarkan kepada segmentasi dan kualitas kolektibilitas. Berikut adalah beberapa istilah yang digunakan dalam penghitungan penyisihan secara kolektif: 

Exposure at Default (EXP), yaitu estimasi jumlah tingkat kemungkinan terburuk atau tingkat maksimum dari kerugian yang akan dialami jika suatu peristiwa atau transaksi mengalami wanprestasi pada periode wanprestasi. Dalam hal ini, eksposur yang dimaksud adalah besarnya jumlah kredit yang diberikan (outstanding). Outstanding adalah saldo kredit yang telah digunakan debitur dan belum dilunasi oleh debitur.



Probability Default (PD), yaitu kemungkinan bahwa pihak peminjam dana akan mengalami wanprestasi selama jangka waktu kewajiban yang ia miliki atau dalam periode tertentu, misalnya satu tahun.



Loss Given Default (LGD), didefinisikan sebagai persentase kerugian yang diperkirakan oleh pemberi kredit jika suatu debitur default. Dalam hal wanprestasi, yaitu selisih antara bagian atas sejumlah nominal yang bisa di-recover (misal: dari bankruptcy proceeding) dan aktual kerugian dengan exposure at default.

Oleh karena itu perumusan perhitungan penyisihan cadangan kerugian penurunan nilai (CKPN) kolektif adalah EXP x PD x LGD.



51

Sedangkan perumusan perhitungan penyisihan cadangan kerugian penurunan nilai (CKPN) secara individual didasarkan pada estimasi arus kas dari masing-masing akun, dimana arus kas merupakan estimasi jumlah yang dapat diperoleh kembali berdasarkan identifikasi arus kas masa datang. Sehingga perhitungan CKPN adalah nilai outstanding pada saat terjadi penurunan nilai secara individual dikurangi dengan Estimasi Arus kas yang dapat di-recover. Berdasarkan analisa kebutuhan informasi sesuai dengan persyaratan Bank Indonesia melalui Surat Edaran Bank Indonesia nomor 11/4/DPNP perihal pelaksanaan pedoman akuntansi perbankan Indonesia (PAPI) dan nomor 15/26/DPbs perihal pelaksanaan Pedoman Akuntansi Perbankan Syariah Indonesia (PAPSI) dan Ikatan Akuntansi Indonesia (IAI) melalui PSAK 50 dan PSAK 55, serta kebijakan manajemen internal bank X dalam proses bisnis pemberian kredit, maka minimal laporan yang dibutuhkan untuk kepentingan pelaporan ke regulasi dan analisa internal Bank X untuk tujuan pendukung pengambilan keputusan sebagai berikut : 1. Laporan Total Pembiayaan berdasarkan Cabang. 2. Laporan Total Pembiayaan berdasarkan Produk dan Segment. 3. Laporan Total Pembiayaan berdasarkan Tanggal Jatuh Tempo. Pembiayaan yang sudah jatuh tempo dan Pembiyaan yang belum jatuh tempo, untuk pembiyaan yang belum jatuh tempo dikelompokkan berdasarkan periode kelompok lamanya jatuh tempo). 4. Laporan distribusi pembiayaan yang mengalami perubahan kolektibilitas (ke lebih baik atau lebih buruk atau pembiayaan tersebut telah jatuh tempo) dari periode pelaporan bulan ini dan bulan sebelumnya per masing-masing produk, segment, mata uang, cabang. 5. Laporan RatioNon Performing Loan per masing-masing cabang. Ratio Non Perfoming Loan didapat dengan membagi total pembiayaan dalam mata uang rupiah yang kolektibilitasnya pada kolektibilitas 3,4,5 dibagi dengan total pembiayaan dalam mata uang rupiah secara keseluruhan per masing-masing cabang. 6. Laporan Probability Default(PD) dan Loss Given Default (LGD) Trend, dimana laporan ini berfungsi untuk menampilkan kecendrungan perubahan Universitas Indonesia


52

nilai PD pada periode tertentu berdasarkan segementasi pengelompokkan pembiayaan dan masing-masing kolektibilitas. 7. Laporan CKPN Kolektif / Collective Assesment Provision Laporan yang berisi hasil dari perhitungan CKPN secara Kolektif berdasarkan kelompokdari group of impairment. 8. Laporan Perbandingan antara CKPN Kolektif / Collective Assesment Provision dengan

PPAP (Penyisihan Penghapusan Aktiva Produktif)

berdasarkan segmentasi, cabang, produk, dan collective group impairment. 9. Laporan mengenai nilai variance antara CKPN actual dan CKPN forecast untuk setiap cabang dan segmentasi pembiayaan. 10. Laporan Impairment Loan Ratio per masing-masing cabang. Impairment Ratio ini didapat dengan membagi total CKPN dalam mata uang Rupiah dibagi dengan total pembiayaan dalam mata uang Rupiah per masing-masing cabang. 11. Laporan Movement CKPN (Charged atau Released) untuk setiap cabang dalam mata uang rupiah. Charged berarti diperlukan tambahan sejumlah biaya tertentu sebagai tambahan biaya pembentukan CKPN. Sedangkan released berarti terdapat pengurangan biaya CKPN dibandingkan dengan bulan sebelumnya. 12. Laporan

Klasifikasi Loan Impairment dan Pembiayaan

berdasarkan

Segmentasi 13. Laporan Individual Impairment. Laporan Individual Impairment berisi informasi daftar customer number yang sudah di daftarkan dengan flag individual impairment. Melihat kebutuhan informasi berupa laporan yang dipaparkan diatas, maka diperlukan data di level detail terkait dengan masing-masing laporan tersebut. Data-data yang dibutuhkan pada sumber data yang terdapat pada Bank X dapat dirangkum menjadi 3 kelompok laporan; 1. Laporan Total Pembiayaan berdasarkan Cabang, Laporan Total Pembiayaan berdasarkan Produk dan Segment, Laporan Ratio Non Performing Loan per masing-masing cabang, Laporan Total Pembiayaan berdasarkan Tanggal Jatuh Tempo dan Laporan distribusi pembiayaan yang mengalami perubahan kolektibilitas. Universitas Indonesia


53

Dari kelima laporan ini diperlukan informasi mengenai tanggal pelaporan, kode cabang, nama cabang, nomor account pembiayaan, nomor fasilitas, nomor nasabah, nama nasabah, jumlah fasilitas kredit (plafond), nilai pembiayaan yang diberikan (outstanding), tanggal pembukaan rekening pembiayaan (loan start date), tamggal jatuh tempo pembiayaan (loan due date), tingkat suku bunga pembiayaan, mata uang yang digunakan, segmentasi, kode produk dan kolektibilitas. 2. Laporan Probability Default(PD) dan Loss Given Default (LGD) Trend, Laporan CKPN Kolektif, Laporan Perbandingan antara CKPN Kolektif / Collective Assesment Provision dengan PPAP berdasarkan segmentasi, Laporan mengenai nilai variance antara CKPN actual dan CKPN forecast untuk setiap cabang dan segmentasi pembiayaan, Laporan Impairment Loan Ratio per masing-masing cabang, Laporan Movement CKPN (Charged atau Released) untuk setiap cabang dalam mata uang rupiah. Dari keenam laporan diatas, informasi yang diperlukan adalah tanggal pelaporan, segmentasi group ofimpairment, kolektibilitas per nomor nasabah, nomor nasabah, nilai persentase PD per segementasi dan per kolektibilitas, nilai persentase LGD per segementasi dan per kolektibilitas,

metode

perhitungan PD, metode perhitungan LGD, nilai pembiyaan yang diberikan per masing-masing kolektibilitas, nilai agunan yang diperhitungkan, nilai recovery, nilai writeoff, nilai PPAP, nilai CKPN forecast, Nilai Impairment Loan Ratio, dan status dari pembiayaan. 3. Laporan Klasifikasi Loan Impairment dan jumlah pembiayaannya berdasarkan cabang, segmentasi dan Laporan Individual Impairment. Dari kedua laporan ini, informasi yang diperlukan adalah tanggal pelaporan, segmentasi impairment, klasifikasi flag impairment, nilai outstanding, nilai CKPN Kolektif, Nilai CKPN Individual, informasi rincian debitur termasuk rincian akad pembiayaannya (nomor debitur, nama debitur, mata uang, tanggal akad pembiayaan, kolektibilitas, nama cabang, kode cabang, dan segmentasi). Melalui tabel 4.1 dipaparkan secara lebih mendetail masing-masing mengenai daftar

kebutuhan

informasi,

kebutuhan

analisa

dan

pelaporan,

serta

statusketersediaan data (sumber sistem dan durasi data) sebagai bagian dari proses Universitas Indonesia


54

identifikasi kebutuhan bisnis. Struktur tabel akan dibedakan menjadi 3 kolom sebagai berikut: 1. Kebutuhan informasi : menjelaskan informasi apa saja yang dibutuhkan untuk pembentukan laporan-laporan diatas sesuai dengan penerapan perhitungan penyisihan kredit sesuai dengan PSAK 50/55 2. Kebutuhan analisa dan pelaporan : menjelaskan detail/deskripsi informasi pada kolom kebutuhan informasi dalam proses pembuatan laporan dan kapabilitas analisa yang akan digunakan oleh pengguna terkait dengan masing-masing informasi tersebut. 3. Ketersediaan Data: Menjelaskan apakah informasi yang disyaratkan tersedia pada core banking dan sistem yang ada di Bank X (availability), bagaimana durasi data yang akan digunakan (bulanan pada setiap akhir bulan, data histori 3 tahun, atau harian), dan nama sumber sistem dimana data tersebut berasal.



55

Tabel 4.1 Tabel DaftarKebutuhan Informasi dan Kebutuhan Analisa No.

Kebutuhan Informasi

Kebutuhan Analisa dan Pelaporan

Satus

Ketersediaan

Data,

Sumber Sistem, Durasi Data 1

2

Nomor

Pembiayaan/Nomor

Akad

Merupakan identifier data pembiayaan / kredit yang paling detail (data rincian)

CARD = Y

setiap adanya pencairan kredit dari

granular. Pengguna dapat melakukan break down pelaporan laporan dari level

iLoan = Y

Bank sesuai dengan Fasilitas/Plafond

summary sampai ke level nomor pembiayaan pada masing-masing laporan

JF = Y

Kredit dari masing-masing debitur

terkait dengan informasi ini. Misalnya : Pengguna akan melihat rincian per nomor akad

Data selama 3 tahun terakhir

pembiayaan yang memiliki kontribusi top 10 terbesar di suatu cabang.

(2011, 2012, 2013)

Nomor Nasabah / Customer Number

Mengacu kepada konsep One Obligor untuk penetapan kualitas aktiva produktif (PBI

CARD = Y

/ CIF dari setiap pembiayaan

No. 7/2/PBI/2005 dan PBI No. 8/2/PBI/2006). Setiap Nasabah dapat mempunyai

iLoan = Y

banyak fasilitas pembiayaan dan setiap fasilitas pembiayaan dapat dicairkan berkali-

JF = Y

kali menjadi nomor akad/pembiayaan. Customer Number ini akan digunakan sebagai


identifier dalam pengelompokkan data pembiayaan untuk menentukan pergerakan

(2011, 2012, 2013)

yang

kolektibilitas. Hal ini terkait dengan formulasi perhitungan Probability Default dengan metode Migration Analysis. 3

Jumlah

Nilai

Fasilitas

Kredit

Plafond

yaitu Jumlah maksimum kredit yang diterima oleh debitur sebagaimana

CARD = Y, iLoan = Y, JF = Y

(Plafond) dan Nilai Kredit yang

tercantum dalam surat perjanjian/kredit. Informasi mengenai plafond dan outstanding


diberikan (Outstanding) per masing-

digunakan sebagai pengukuran kinerja di suatu cabang di Bank X.

untuk

masing nomor rekening pembiayaan

posisi

akhir

bulan

pelaporan (2011, 2012, 2013)

/ nomor akad pembiayaan/kredit. 4

Tanggal

pembukaan

rekening

Informasi mengenai Loan Start Date akan digunakan dalam penyusunan laporan

CARD = Y, iLoan = Y,JF = Y

pembiayaan (Loan Start Date)dan

pembiayaan setiap bulannya. Informasi ini akan digunakan dalam laporan maturity


Tanggal Jatuh Tempo Pembiayaan

profile yaitu kredit yang sudah jatuh tempo dan yang belum jatuh tempo. Tujuan

untuk posisi bulan pelaporan

(Maturity Date)

analisa untuk mengevaluasi periode evaluasi kredit (loan review)

(2011, 2012, 2013) Universitas Indonesia


56

No.

Kebutuhan Informasi


Satus

Ketersediaan

Data,

Sumber Sistem, Durasi Data 5.

Kolektibilitas/Kualitas Kredit dan

Penggolongan kredit menurut kualitas, terdiri dari kredit dengan kualitas lancar (L) –

CARD = Y,iLoan = Y,JF = Y

Tanggal perubahan kualitas kredit

Kolektibilitas 1, dalam perhatian khusus (DPK) – Kolektibilitas 2, kurang lancar (KL)


berdasarkan Kolektibilitas BI (Bank

– Kolektibilitas 3, diragukan (D) – Kolektiblitias 4, dan macet (M) – Kolektibilitas 5.


Indonesia) per masing-masing nomor

Penggolongan ini dilakukan untuk kepentingan penerapan prinsip kehati-hatian bank

(2011, 2012, 2013)

pembiayaan

(prudential regulation) dan digunakan untuk proses perhitungan Probability Default dengan menggunakan metode statistik Net Flow Rate ataupun Migration Analysis. Analisa lain yang dapat diperoleh untuk mengelompokkan sebaran data-data pembiayaan berdasarkan kualitas kredit yang ada di setiap cabang.

6

Lamanya Tunggakan (Day Past Due

Data ini akan digunakan dalam membuat pengkategorian group collective impairment

CARD = Y

–DPD) per masing-masing nomor

berdasarkan range/sebaran lamanya hari menunggak tertentu, misalnya : 0 hari, 1-30

iLoan = Y

pembiayaan

hari, 31-60 hari, 61-90 hari, dsb.

JF = Y Data selama 3 tahun terakhir untuk posisi

bulan pelaporan

(2011, 2012, 2013) 7

Status dari Pembiayaan per nomor

Data Status pembiayaan ini akan digunakan dalam perhitungan Probability Default

CARD = Y, iLoan = Y, JF = Y

rekening

Active,

menggunakan net flow rate dan migration analysis. Untuk status active dalam


Restrukturisasi, Lunas sesuai dengan

migration analysis, apabila status berubah menjadi tidak aktif (account hilang) maka


tanggal

dianggap turun bucket di group bucket.

(2011, 2012, 2013)

(Status

jatuh

tempo,

Pelunasan

dipercepat, dan Write Off /Hapus Buku)



57

No.

Kebutuhan Informasi


Satus

Ketersediaan

Data,


Tingkat Suku Bunga yang diberikan

Bunga kredit adalah imbalan yang dibayarkan oleh debitur atas kredit yang

CARD = Y

per nomor rekening pembiayaan

diterimanya dan biasanya dinyatakan dalam persentase. Suku bunga efektif yang

iLoan = Y

beserta

dihitung berdasarkan arus kas kontraktual pada dasarnya tidak dapat diubah sampai

CB = Y

dengan seluruh kewajiban debitur dibayar lunas, termasuk ketika bank memberikan

JF = Y

keringanan suku bunga melalui restrukturisasi kredit atau melakukan revisi estimasi

Data posisi pada periode bulan

pembayaran atau penerimaan bunga dan pokok. Tingkat suku bunga ini digunakan

pelaporan

tenor

/

jangka

waktu

pembiayaan

dalam membuat estimasi arus kas, sebagai syarat dalam proses perhitungan CKPN secara individual 9

Ratio Non Performing Loan dan

Merupakan informasi turunan dari informasi mengenai outstanding, total CKPN

Data

ini

akan

ditransform

Ratio Impairment Loan

dikelompokkan per masing-masing cabang. Informasi ini digunakan untuk melakukan

menggunakan proses batch ETL

analisa kinerja dari setiap cabang.

berdasarkan Formula business rule yang disepakati.

10

Jenis Mata Uang (Currency) per

Akan digunakan untuk klasifikasi pembiayaan berdasarkan valuta asing dan risiko nilai

MIS Database Daily

masing-masing nomor pembiayaan

tukar pada saat akad dan pada saat pelaporan, karena laporan regulasi Bank Indonesia

Data informasi nilai tukar untuk

dan Nilai Tukarnya (Exchange Rate)

adalah dalam bentuk mata uang Rupiah.

masing-masing

secara harian 11

Nilai Agunan yang diperhitungkan

mata

uang

berasal

dari

setiap harinya. Nilai Agunan merupakan syarat dalam menghitung Loss Given Default (LGD)

Sumber

data

menggunakan metode Collateral Shortfall untuk masing-masing pembiayaan dan

inputan user secara manual

group segmentasi kredit.

melalui

flat

file

Microsoft

Excel. Data ini diupdate secara bulanan..



58

No.

Kebutuhan Informasi


Satus

Ketersediaan

Data,


Nilai Hapus Buku / Write Off

Data yang dibutuhkan untuk perhitungan Loss Given Default (LGD) menggunakan

Sumber

metode expected recovery

inputan user secara manual melalui

data

flat

berasal

file

dari

Microsoft

Excel. Data ini diupdate secara bulanan. 13

Nilai Recovery

Nilai pengembalian dari hasil pembayaran oleh nasabah, dimana informasi nilai

Sumber

data

recovery ini diperlukan dalam komponen perhitungan LGD dengan menggunakan


metode expected recovery

melalui

flat

berasal

file

dari

Microsoft

Excel. Data ini diupdate secara bulanan. 14

Penentuan

segmentasi

pada

pembiayaan

Klasifikasi segmentasi pembiayaan pada bank yang dapat dibedakan menjadi:

MIS Database dengan posisi

Consumer Mortgage, Consumer Auto Loan, Consumer Kopkar, Consumer Pension,

akhir bulan pelaporan

Consumer Multipurpose, Corporate, SME, Micro, Corporate Syndication Loan. 15

Kriteria Parameter CollectiveGroup

Berdasarkan data historis dan segmentasi dari Bank dari masing-masing pembiayaan,

Sumber

data

untuk bucket perhitungan Probability

maka informasi parameter collective group diperlukan sebagai komponen input untuk


Default (PD) dan Loss Given Default

perhitungan PD dan LGD. Data ini akan digunakan dalam proses transformasi data

melalui

(LGD)

staging untuk menghasilkan nilai CKPN

Excel. Data ini diupdate secara

flat

berasal

file

dari

Microsoft

bulanan. 16

Klasifikasi Impairment Assesment,

Untuk mengetahui porsi dari klasifikasi impairment / penurunan nilai secara kolektif

Di-input

oleh

user

apakah nomor rekening tersebut

dan individual per masing-masing segmentasi, masing-masing debitur dan masing-

manual

melalui

terklasifikasi secara individual atau

masing account number. Data ini akan digunakan dalam proses transformasi data

Microsoft Excel. Data ini di-

terklasifikasi secara kolektif

staging untuk menghasilkan flag impairment.

update secara bulanan.

flat



secara file

59

No.

Kebutuhan Informasi


Satus

Ketersediaan

Data,


Proses

dengan

Metode

Statistik

Hasil dari Probability of Default (berupa persentase) per masing-masing collective

Data

untuk perhitungan PD per masing-

group yang sudah ditentukan dengan mengikuti kebijakan dan regulasi untuk


masing

pemilihan metode yang digunakan. Proses Perhitungan PD dengan masing-masing

berdasarkan Formula business

metode dilakukan pada saat proses transformasi data staging

rule yang disepakati.

(Loss

Hasil dari Loss Given Default (persentase) per masing-masing collective group yang

Data

Given Default) per masing-masing

sudah ditentukan dengan mengikuti kebijakan dan regulasi untuk pemilihan metode


segmentasi.

yang digunakan.


segmentasi,

apakah

menggunakan metode net flow rate

ini

akan

di-transform

atau menggunakan metode migration analysis

dan

masing-masing

kriterianya 18

Proses

Perhitungan

LGD

Pilihan

metode

perhitungan LGD adalah Collateral

Proses Perhitungan LGD dengan dilakukan pada saat proses

ini

akan

di-transform

transformasi data staging.


Nilai Penyisihan Piutang Aktivta

Merupakan nilai pembentukan provisi berdasarkan aturan PPAP berdasarkan

Data

Produktif / PPAP menggunakan

kolektibilitas.

Formulasinya adalah jika kolektibilitas 1, maka nilai outstanding


metode expected loss

dikalikan dengan 1%, jika kolektibilitas 2, maka nilai outstanding dikalikan dengan


5%, jika kolektibilitas 3 maka nilai outstanding dikalikan dengan 15%, jika


Shortfall dan Expected Recoveries 19

ini

akan

di-transform

kolektibilitas 4 maka nilai outstanding dikalikan dengan 50% dan jika kolektibilitas 5 maka nilai outstanding dikalikan dengan 100%



60

No.

Kebutuhan Informasi


Satus

Ketersediaan

Data,


Nilai Cadangan Kerugian Penurunan

Merupakan Output akhir yang diharapkan dari penerapan PSAK 50/55. Berupa Nilai

Diperoleh

melalui

proses

Nilai (CKPN)

Final dari proses perhitungan CKPN dari setiap pembiayaan per level account. Apabila

transformasi dari batch ETL

Klasifikasi Impairment Kolektif maka nilai dari CKPN adalah PD x LGD x

setiap bulan pelaporan.

Outstanding. Apabila diklasifikasi secara individual maka diperoleh dengan hasil formulasi Net Present Value dari estimasi arus kas yang ada. 21

Nilai Charged atau Nilai Released

Merupakan turunan informasi dari CKPN dengan membandingkan nilai CKPN bulan

Diperoleh

melalui

proses

CKPN

ini dengan nilai CKPN bulan sebelumnya dalam mata uang IDR. Disebut Charged

transformasi dari batch ETL

apabila Nilai CKPN pada bulan ini lebih besar daripada bulan sebelumnya dan disebut

setiap bulan pelaporan

released apabila Nilai CKPN bulan ini lebih kecil dari bulan sebelumnya 22

Nilai CKPN Target / Forecast

Merupakan informasi mengenai target pembentukan CKPN dalam mata uang Rupiah

Sumber

data

per masing-masing cabang. Target CKPN ini diinput secara manual oleh User melalui


flat file per masing-masing cabang, kemudian melalui proses transformasi akan

melalui

dilakukan transformasi menjadi per level debitur. Informasi ini digunakan sebagai

Excel. Data ini diupdate secara

proses analisa varianceantara Target dan Aktual CKPN

bulanan.

flat

berasal

file

Microsoft



dari

61

Pada gambar 4.1 akan dijelaskan alur proses bisnis dalam rangka perhitungan penyisihan CKPN di Bank X berdasarkan kebutuhan pelaporan, analisa kebutuhan fungsional, dan ketersediaan sumber data di Bank X. Alur bisnis ini merupakan bagian dalam proses data preparation dan transformasi dari sumber data ke tabel tujuan sesuai dengan analisa kebutuhan informasi yang diperlukan dalam rangka mengakomodir penerapan perhitungan CKPN sesuai PSAK 50/55

Gambar 4.1 Alur Proses Perhitungan CKPN

Keterangan alur proses transformasi perhitungan CKPN 1. Tahap ke-1 yaitu data yang berasal dari multiple source system pembiayaan (CRD, ILN, JF) dari masing-masing tabel akan dibuat stagingnya dan di mapping untuk dikumpulkan ke suatu tabel PSAK_MASTER_ACCOUNT 2. Tahap ke-2 yaitu proses impairment dilakukan secara bulanan, menggunakan data posisi/snapshot pembiayaan di akhir bulan, sesuai dengan parameter tanggal proses impairment. 3. Setelah semua data pembiayaan terkumpul ke dalam suatu tabel, maka proses selanjutnya adalah melakukan proses segmentasi ke collective impairment group. Proses segmentasi collective impairment group merupakan proses awal untuk mengumpulkan jenis-jenis pembiayaan berdasarkan karakteristiknya Informasi Collective Impairment Group ini merupakan parameter yang dimaintain oleh pengguna secara manual untuk masing-masing segmentasi pembiayaan

dimapping

collective

impairment

groupnya.

Misalnya:

Segmentasi 42_CONSUMER_AUTO LOAN merupakan group pembiayaan kendaraan

bermotor,

ditransfromasi

11_CORPORATE_COMMERCIAL, 13_CORPORATE_SYNDICATION,

menjadi

segment

12_CORPORATE_UPPER

AUTO, SME,

14_CORPORATE_FI_EXECUTING, Universitas Indonesia


62

15_CORPORATE_BANK ditranformasi menjadi segment CORPORATE. Proses transformasi Segmentasi ini diambil dari data rincian pembiayaan pada tabel PSAK_MASTER_ACCOUNT field C09_SEGMENTASI_ACCOUNT di-mappingkan

dengan

tabel

parameter

PSAK_SEGMENT

field

Collective_Group_1 untuk rule klasifikasi gruping segment ini. Grup Segmentation (Collective Group) akan digunakan dalam perhitungan Impairment secara kolektif yang nantinya akan digunakan dalam perhitungan PD (Probability of Default) dan LGD (Loss Given Default) 4. Setelah dilakukan proses segmentasi berdasarkan collective impairment grup yang telah di sepakati sesuai dengan kebijakan bank untuk segmentasi pembiayaan.

Maka selanjutnya transformasi kepada proses Impairment

Classification. Per masing-masing pembiayaan akan dilakukan proses flagging. Flagging ‘C’ merupakan flag yang menunjukkan kalkulasi dihitung dengan pendekatan Collective Assesment dan Flagging ‘I’, merupakan flaging dengan pendekatan Individual Assesment. Flaging ini merupakan identifier dari Impairment Type, proses transformasi berikutnya yaitu menentukan cara perhitungan CKPN, apakah akan dihitung menggunakan Collective Assesment atau Individual Assesment dengan masing-masing business rule yang sesuai dengan aturan Surat Edaran BI dan PSAK 50/55 serta Kebijakan Internal Bank. Untuk flagging secara individual dilakukan oleh user secara manual memberikan upload data per level account untuk daftar pembiayaan mana saja yang akan di flag secara individual. Sedangkan akun pembiayaan yang tidak di flag secara individual akan dikategorisasikan secara otomatis menjadi flag collective. 5. Apabila flagging adalah C (collective assessment) maka proses selanjutnya adalah Transformasi data dalam melakukan kalkulasi Loss Given Default (LGD)sesuai dengan metodologi yang digunakan (Collateral Shortfal dan Expected Recoveries) dengan melakukan lookup ke tabel parameter LGD. 6. Setelah proses transformasi LGD kemudian akan dilakukan kalkulasi perhitungan Probability Default (PD) dengan menggunakan metode net flow rateatau migration analysis sesuai dengan segmentasi yang telah ditentukan.



63

7. Setelah LGD dan PD terbentuk maka transformasi terhadap nilai CKPN Kolektif yaitu dengan mengalikan komponen Outstanding x Probability Default(PD) dan Loss Given Default (LGD) di level akun pembiayaan. 8. Apabila Flagging adalah I (Individual Assesment) maka diperlukan input manual arus kas per masing-masing debitur termasuk perhitungan nilai CKPN Individual. Kriteria account-account pembiyaan dengan assesment secara Individual adalah account-account pembiayaan yang kolektibilitasnya diatas 3 dan nilai pembiayaannya lebih dari Rp. 10 milyar. 9. Mengumpulkan semua nilai CKPN baik individual dan kolektif dari hasil step transformasi diatas ke dalam suatu tabel PSAK_MASTER_ACCOUNT 4.1.2 Analisa Sumber Data Setelah dilakukan analisa terhadap kebutuhan informasi dan kebutuhan pelaporan, maka langkah berikutnya adalah menginventarisasi kebutuhan data yang digunakan sebagai jawaban atas kebutuhan informasi dan kebutuhan analisa yang tertera pada Tabel 4.1 diatas. Berikut ini Tabel 4.2 mengenai daftar sumber data yang diperlukan dalam penerapan perhitungan Cadangan Kerugian Penurunan Nilai (CKPN) produk Pembiayaan. Sumber data dapat berasal dari Core Banking System, MIS Database, Manual Input, dan dari hasil transformasi data staging pada database PSAK.



64

Tabel 4.2 Tabel Sumber Data Yang Akan Digunakan Nama Tabel

Deskripsi

Sumber Data

Jumlah

Durasi

Data LOAN_DAILY

Tabel yang berisi master pembiayaan beserta atribut yang terkait

Core Banking

157.659

Posisi Akhir Bulanan

dengan pembiayan (misalnya : account number, kolektibilitas, day

Systems

MIS Database

43.345


past due, loan due date) yang berasal dari source systemcore banking Bank X. Tabel ini unique menyimpan per level account number. CUSTOMER

Tabel yang berisi informasi data master customer seluruh pembiayaan

MASTER_KURS_DAILY

Tabel yang berisi informasi data kurs harian

MIS Database

84

Harian (Day – 1)

MASTER_ BRANCH

Tabel yang berisi master nama cabang

Core Banking

465


88.7012


124,234


343,894


1.242.776

Harian (Accumulated dari

Systems FACILITY_DAILY

Tabel yang berisi fasilitas dari masing-masing customer

Core Banking Systems

LOAN_CARD_DAILY

Tabel yang menampung master pembiayaan kartu kredit

Core Banking Systems

FACILITY_CARD_DAILY

TRANSACTION_DAILY

Tabel yang menampung fasilitas khusus pembiayaan kartu kredit

Core Banking

dari setiap nasabah.

Systems

Tabel yang berisi transaksi dari setiap akun pembiayaan (mis :

Core Banking

transaksi charging biaya administratif, biaya provisi, pembayaran,

Systems

dan sebagainya)

hari ke-1 s/d hari ke-End of month bulan laporan)



65

Nama Tabel

Deskripsi

Sumber Data

Jumlah

Durasi

Data COLLATERAL_DAILY

MASTER_ACCOUNT_WO

WO_RECOVERY_SUMMAR

Tabel yang menampung nilai dari agunan / collateral per masing-

Core Banking

masing fasilitas.

Systems

Tabel yang berisi data master account dan attribute lainya yang

Core Banking

mengalami status Write Off

Systems

Bulanan

Summary dari nilai dariWO dan Recovery per segment

Core Banking

Tanggal

Systems

Bulanan

Y PSAK_MASTER_ACCOUNT

167.552

Tanggal

Posisi

Akhir

Posisi

Akhir

Posisi

Akhir

Posisi

Akhir

Posisi

Akhir

Bulanan

Semua informasi berikut attribute terkait untuk posisi account

Hasil

Proses

number detail pembiayaan selama periode bulan pelaporan (end of

Transformasi

17.659

204.029

Tanggal

Tanggal Bulanan

month) dengan status active. PSAK_BMI_SEGMENT

Parameter Collective Group yang terdiri dari mapping nama

Manual Input

SCD

segment yang digunakan untuk penentuan perhitungan Probability

Tanggal Bulanan

Default dan Loss Given Default PSAK_DPD_MASTER_HEAD

Tabel psak collective impairment parameter header

Manual Input

SCD

Harian

Parameter dari range atau sebaran lamanya hari menunggak (Day

Manual Input

SCD

Harian

Core Banking

SCD

Harian

Snapshot

Bulanan

ER PSAK_DPD_MASTER

past due) detail PSAK_MASTER_PRODUCT_

Daftar dari Product Code yang ada seluruh pembiayaan

PARAMETER

Systems

dan

Manual Input PSAK_ENR

Tabel yang berisi snapshot outstanding per periode berdasarkan

Hasil

Proses

penentuan bucket collective groupsecara metode net flow rate

Transformasi



66

Nama Tabel

Deskripsi

Sumber Data

Jumlah

Durasi

Data PSAK_ENR_MIGRATION

Tabel yang berisi snapshot outstanding per periode berdasarkan

Hasil

Proses

penentuan bucket collective group secara metode migration

Transformasi

Snapshot

Bulanan

Snapshot

Bulanan

Snapshot

Bulanan

Snapshot

Bulanan

Snapshot

Bulanan

Snapshot

Bulanan

SCD

Bulanan

analysis PSAK_FLOW_RATES

Tabel berisi histori flow rate pergerakan antar bucket / group setiap

Hasil

Proses

periode pelaporan, digrouping berdasakan collective group dan

Transformasi

bucket id untuk metode net flow rate PSAK_FLOWRATE_MIGRAT

Tabel berisi histori flow rate pergerakan antar bucket / group setiap

Hasil

Proses

ION

periode pelaporan, digrouping berdasakarn collective group dan

Transformasi

bucket id untuk metode migration analysis PSAK_COMPOUND_FLOW_

Tabel psak compound flow to loss yang berisi perhitungan

Hasil

TO_LOSS

pengalian nilai PD untuk series periode terakhir.

Transformasi

PSAK_RECOVERY_MATRIX

Tabel psak LGD yang berisi summary dari PD dan LGD yang

Hasil

sudah dihitung per masing-masing collective group of impairment.

Transformasi

Tabel yang menyimpan nilai PD dan LGD untuk semua

Hasil

perhitungan baik menggunakan metode Net flow rate atau

Transformasi

PSAK_PD

Proses

Proses

Proses

Migration Analysis. Jumlah records tergantung dari parameter bucket collective group setting perhitungan PD. Misalnya Collective group sebanyak 5 Group, dengan masing-masing grup terdapat 5 ucket, maka untuk data selama periode setahun, maka jumlah records adalah 12 x 5 x 5 = 300 PSAK_LGD_SETTING

Tabel psak lgd setting parameter. Collateral Shortfall atau

Manual Input

Expected Recoveries untuk masing-masing impairment group Universitas Indonesia


67

Nama Tabel

Deskripsi

Sumber Data

Jumlah

Durasi

Data PSAK_EXPECTED_RECOVE

Tabel psak lgd expected recovery yang berisi summary dari setiap

Manual Input

Snapshot

Bulanan

RY

recovery per masing-masing group of impairment

PSAK_LGD_COLLATERAL_

Tabel psak lgd collateral shortfall yang berisi summary dari setiap

Manual Input

Snapshot

Bulanan

SHORTFALL

collateral/jaminan per masing-masing group of impairment

PSAK_IMPR_OVERRIDES

Tabel yang berisi nilai overrides individual or collective.

Manual Input

Snapshot

Bulanan

PSAK_INDIVIDUAL_IMPAIR

Tabel yang berisi sebagai tempat penampung data per level akun

Manual Input

Snapshot

Bulanan

MENT

pembiayaan untuk setiap customer untuk setiap periode pelaporan.

Manual Input

Snapshot

Bulanan

Manual Input

Snapshot

Bulanan

Manual Input

Snapshot

Bulanan

Manual Input

Snapshot

Bulanan

Satu customer memungkinkan memiliki banyak akun pembiayaan. Format file dalam bentuk Microsoft Excel TBLT_PAYMENTEXPECTED

Tabel yang berisi data arus kas yang di-upload oleh pengguna dan langsung diproses insert ke tabel ini. File Format dalam bentuk Microsoft Excel.

PSAK_EXPECTED_RECOV_UPL

Berisi data write off dan recovery berdasarkan masing-masing

OAD

segmentasi yang di-upload langsung oleh pengguna. File Format dalam bentuk Microsoft Excel.

PSAK_COLL_SHORTFALL_UPL

berisi data collateral berdasarakan masing-masing segmentasi yang

OAD

di-upload langsung ke suatu folder. File Format dalam bentuk Microsoft Excel.

PSAK_CKPN_TARGET

berisi data target pembentukan cadangan kerugian penurunan nilai setiap bulannya dan di-upload langsung ke suatu folder. File Format dalam bentuk Microsoft Excel.



68

4.1.3 Analisa Transformasi sesuai dengan kebutuhan bisnis Setelah dilakukan analisa kebutuhan informasi dan proses bisnis, serta telah ditentukannya sumber data yang akan digunakan untuk mengakomodir kebutuhan bisnis dalam rangka penerapan perhitungan penyisihan cadangan kerugian penurunan nilai (CKPN) sesuai dengan PSAK 50/55, maka fase berikutnya adalah menentukan proses transformasi pada proses ETL. Dari fase analisa kebutuhan informasi dan sumber data yang tersedia, dapat disampaikan bahwa raw data CKPN tidak tersedia pada sumber data. Oleh karena itu diperlukan fase persiapan data dengan melakukan transformasi pada data staging pembiayaan untuk dihitung nilai CKPN-nya berdasarkan analisa kebutuhan bisnis tersebut. Tabel 4.3 menjelaskan masing-masing proses transformasi dari pembiayaan

raw data

sesuai dengan business rule yang disyaratkan dalam penerapan

perhitungan penyisihan Cadangan Kerugian Penurunan Nilai (CKPN) pada Bank X. Proses transformasi diidentifikasikan mulai dari sumber tabel, rule (filter, join, data type mapping, formula calculation, agregasi, seleksi, update condition, tabel temporary, tambahan kolom), kemudian hasil transformasi disimpan pada tabel tujuan.



69

Tabel 4.3 Tabel sumber tabel dan tujuan tabel serta transformation rule yang melekat sebagai persiapan data CKPN Data

Tabel Sumber

Tabel Tujuan

Business Rule dan Deskripsi

ILN dan

-

LOAN_DAILY

Database : PSAK Tabel :

-

LOAN_DAILY. CNUM = CUSTOMER.CNUM

JF

-

FACILITY_DAILY

PSAK_MASTER_ACCOUNT

-

LOAN_DAILY. CCY = MASTER_KURS_DAILY.CCY

-

CUSTOMER

-

LOAN_DAILY.DOWNLOAD_DATE=MASTER_KURS. DOWNLOAD_DATE

-

MASTER_KURS_DAILY

-

LOAN_DAILY.BRANCH = MASTER_MIS_BRANCH. BRANCH_CODE AND

-

MASTER_MIS_BRANCH

Source

BSL_FLAG_SYARIAH=’T’ -

LOAN_DAILY.BOOKING_FACILITY_NUMBER= FACILITY_DAILY.FACILITY_NUMBER

CRD

CRD

LOAN_CARD_DAILY

FACILITY_CARD_DAILY

-

FACILITY_DAILY.ACCOUNT_STATUS = “A”

-

LOAN_DAILY.GET_FLAG = '1'

-

FACILITY_DAILY.EQV_PLAFOND <>

-

LOAN_DAILY.ACCOUNT_STATUS not in ('2','8')


-

DATA_SOURCE='CRD'

PSAK_MASTER_ACCOUNT

-

EQV_OUTS >= 0

-

GET_FLAG = '1'


-

FACILITY_CARD_DAILY.CNUM = LOAN_CARD_DAILY.CNUM

PSAK_MASTER_ACCOUNT

-

LOAN_CARD_DAILY.FACILITY_NUMBER = FACILITY_CARD_DAILY.FACILITY_NUMBER

-

LOAN_CARD_DAILY.DOWNLOAD_DATE = FACILITY_CARD_DAILY.DOWNLOAD_DATE



70

Data

Tabel Sumber

Tabel Tujuan


CUSTOMER


-

LOAN_CARD_DAILY.CNUM = CUSTOMER.CNUM

PSAK_MASTER_ACCOUNT

-

CUSTOMER.CNUM IS NOT NULL


-

LOAN_CARD_DAILY.CCY = MASTER_KURS_DAILY.CCY

PSAK_MASTER_ACCOUNT

-

LOAN_CARD_DAILY.DOWNLOAD_DATE =

Source MIS

MIS

MASTER_KURS_DAILY

MASTER_KURS_DAILY.DOWNLOAD_DATE MIS

MASTER_MIS_BRANCH

Database : PSAK Tabel : PSAK_MASTER_ACCOUNT

Kondisi Join Tabel antara Kode Cabang Master dengan Kode Cabang pada Master Data PSAK LOAN_CARD_DAILY. BRANCH_CODE = MASTER_MIS_BRANCH.BRANCH_CODE AND MASTER_MIS_BRANCH.BSL_FLAG_SYARIAH='T'

CRD

CCARD_ACCOUNT_DAILY

Database : PSAK Tabel : PSAK_MASTER_ACCOUNT

Transformasi informasi Day Past Due (DPD) menjadi bentuk numeric, karena dari source sistem Kartu Kredit, informasi yang disimpan adalah dalam bentuk cycle penagihan, tidak ada spesifik jumlah hari tunggakan. DAY_PAST_DUE Rule : CYCLE_DUE = '0' -> 0,CYCLE_DUE = '1' -> 0,CYCLE_DUE = '2' -> 1,CYCLE_DUE = '3' -> 30,CYCLE_DUE = '4' -> 60,CYCLE_DUE = '5' -> 90,CYCLE_DUE = '6' -> 120,CYCLE_DUE = '7' -> 150,CYCLE_DUE = '8' -> 180,CYCLE_DUE = '9' -> 210,

System

Tanggal Harian Batch System Date

Date


CURRDATE = SYSTEM DATE

PSAK_PRC_DATE

PREVDATE = CURRENTDATE LAST_DAY(ADD_MONTHS(CURRDATE, -1)

MIS

PSAK_MASTER_ACCOUNT_E

PSAK_MASTER_ACCOUNT.

DW

Field : PREVIOUS

Menghilangkan content string “T2KR.” Sehingga hanya mengandung account number saja. Tujuannya adalah untuk mentracking account number karena migrasi dari core banking lama ke core banking baru.

_ACCOUNT_NUMBER Universitas Indonesia


71

Data

Tabel Sumber

Tabel Tujuan




PSAK_EXPECTED_RECOV

PSAK_LGD_EXPECTED_RECO

_UPLOAD

VERY

PSAK_SEGMENT

Field : LGL_RATIO

Formula perhitungan menggunakan metode expected recoveries yaitu membandingkan antara data recoveries yang berasal dari pembayaran debitur dan penjualan asset yang diterima oleh Bank dengan data write off dan Aset yang diambil alih (AYDA) pada masing-masing segmentasi. Perhitungan ini dihitung per level segmentasi.

Source PSAK



LGL_RATIO = WO + AYDA / (AYDA + RECOVERY) Kondisi :SEGMENT = C09_SEGMENTASI_ACCOUNT PSAK

PSAK_LGD_SETTING

PSAK_LGD_EXPECTED_RECO VERY

PSAK

PSAK_LGD_EXPECTED_RECO


VERY PSAK

• PSAK_COLL_SHORTFALL_U PLOAD • PSAK_BMI_SEGMENT

Rule untuk mengambil jumlah periode yang akan digunakan dalam perhitungan Loss Given Default dari tabel parameter PSAK_LGD_SETTING. Mengupdate hasil perhitungan LGD ke Final Tabel dari proses sebelumnya. RECOVERY_RATE = LGD_RATIO

PSAK_LGD_COLLATERAL_SH ORTFALL Field : LGL_RATIO

Formula perhitungan LGD menggunakan metode collateral shortfall yaitu membandingkan antara Nilai kredit yang diberikan (Outstanding) dengan nilai Agunan yang ada pada masing-masing segmentasi, dengan syarat bahwa nilai Agunan yang diperhitungkan harus selalu lebih besar dari Nilai Kredit. Perhitungan ini dihitung per level segmentasi. LGL_RATIO = OUTSTANDING – AGUNAN / OUTSTANDING OUTSTANDING – AGUNAN > 0 Kondisi : LGD_SEGMENT = C09_SEGMENTASI_ACCOUNT

PSAK

PSAK_LGD_COLLATERAL_SH


ORTFALL

Field : RECOVERY_RATE

Formula dari perhitungan Recovery Rate adalah RECOVERY_RATE = 1 - .LGD_RATIO



72

Data

Tabel Sumber

Tabel Tujuan


PSAK_MASTER_PRODUCT_PA

PSAK_MASTER_ACCOUNT

RAMETER

Field :

Mengupdate klasifikasi impairment yang akan dihitung menggunakan collective assessment untuk product-product pembiayaan yang terdapat di parameter. - PRODUCT_GROUP = PRD.PRD_GRP, - IS_IMPAIRED = PRD.IS_IMPAIRED, - STAFF_LOAN_FLAG = PRD.STAFF_LOAN_IND, - IMPAIRED_FLAG = CASE WHEN PMA.IMPAIRED_FLAG = 'I' THEN PMA.IMPAIRED_FLAG ELSE 'C' END

Source PSAK

-

PSAK

PSAK_BMI_SEGMENT

PRODUCT_GROUP IS_IMPAIRED IMPAIRED_FLAG

PSAK_MASTER_ACCOUNT Field :

PSAK

PSAK

PSAK

-

SEGMENT

-

PRODUCT_GROUP

PSAK_DPD_MASTER

PSAK_MASTER_ACCOUNT

PSAK_DPD_MASTER_HEADER

Field : DPD_ID

PSAK_DPD_MASTER

PSAK_MASTER_ACCOUNT


Field : DPD_ID


PSAK_ENR

Mengupdate segmentasi di master menggunakan segmentasi yang disetting melalui collective group parameter. PRODUCT_GROUP = COLLECTIVE_GROUP_2 Kondisi : SEGMENT = C09_SEGMENTASI_ACCOUNT AND DOWNLOAD_DATE = V_CURRDATE Mengupdate Field DPD_ID di PSAK_MASTER_ACCOUNT untuk semua account pembiyaan dengan klasifikasi grouping menggunakan bucket DPD (Day past due). Dengan kriteria OPTION_GROUPING = ‘DPD’ dan Range Day Past Due antara DPD_START dan DPD_END Mengupdate field DPD_ID untuk semua account pembiyaan dengan klasifikasi grouping menggunakan bucket Kolektibilitas (BI_COLLECTABILITY). Dengan kriteria OPTION_GROUPING = ‘BIC’ dan Range BI_COLLECTABILITY antara DPD_START dan DPD_END yang terdaftar di setting parameter bucket. Persiapan untuk transformasi menghitung nilai Probability Default, step pertama adalah Transformasi untuk snapshot outstanding per masing-masing periode. Dengan kondisi PSAK_ENR.PRODUCT_GROUP = PSAK_DPD_MASTER_HEADER.PRODUCT_GROUP ANDPSAK_DPD_MASTER_HEADER.METHOD_IMPAIRMENT = 'S00031' AND PSAK_DPD_MASTER_HEADER.CALCULATION_TYPE = 'A'; Universitas Indonesia


73

Data

Tabel Sumber

Tabel Tujuan


-

PSAK_MASTER_ACCOUNT

PSAK_ENR

-

PSAK_MASTER_PRODUCT

Field :

Menghitung Probability of Defaultdengan metode net flow rate, dimana step awal adalah melakukan snapshot terhadap jumlah outstanding dan jumlah account per masing-masing bucket dan masing-masing segmentasi.

_PARAMETER

- AMOUNT = TOT_OS

-

PSAK_DPD_MASTER

- ACCOUNT = NOA

-

PSAK_DPD_MASTER_HEA

Source PSAK

DER -

AMOUNT = OUTSTANDING x EXCHANGE_RATE ACCOUNT = COUNT (NUMBER OF ACCOUNT) Kondisi : PMA.DATA_SOURCE = PRD.DATA_SOURCE AND PMA.PRODUCT_CODE = PRD.PRD_CODE AND PMA.PRODUCT_TYPE = PRD.PRD_TYPE INNER JOIN PSAK_DPD_MASTER DPD_D ON PMA.DPD_ID = DPD_D.DPD_ID AND PMA.PRODUCT_GROUP = DPD_D.PRODUCT_GROUP INNER JOIN PSAK_DPD_MASTER_HEADER DPD_H ON PMA.PRODUCT_GROUP = DPD_H.PRODUCT_GROUP AND DPD_H.METHOD_IMPAIRMENT = 'S00031' AND DPD_H.CALCULATION_TYPE = 'A' WHERE PMA.DOWNLOAD_DATE = V_CURRDATE AND PMA.OUTSTANDING > 0 AND NVL(PMA.IS_IMPAIRED, ' ') = 'Y' AND NVL(PMA.WRITE_OFF_FLAG, ' ') <> 'Y' --AND NVL(PMA.ACCOUNT_STATUS, ' ') NOT IN ('WO', 'FF') AND NVL(PMA.PRODUCT_GROUP, ' ') <> ' ' AND DPD_H.IA_FLAG = '1'



74

Data

Tabel Sumber

Tabel Tujuan


-

PSAK_ENR

TT_ENR_CURR

-

PSAK_DPD_MASTER_HEA

Field : Amount

Persiapan untuk transformasi menghitung nilai Flow Rate ke tabel temporary untuk periode bulan ini

Source PSAK

DER

AMOUNT = DPD_H.CALC_METHOD = '1' then ENR.AMOUNT DPD_H.CALC_METHOD = '2' then ENR.ACCOUNT Kondisi Join : ENR.PRODUCT_GROUP = DPD_H.PRODUCT_GROUP WHERE ENR.PERIOD = Periode bulan ini AND DPD_H.METHOD_IMPAIRMENT = 'S00031' AND DPD_H.CALCULATION_TYPE = 'A';

PSAK

-

PSAK_ENR

TT_ENR_PREV

-

PSAK_DPD_MASTER_HEA

Field : Amount

DER

PSAK

-

PSAK_ENR

TT_ENR_PREV

-

PSAK_DPD_MASTER_HEA

Field : Amount

DER

Persiapan untuk transformasi menghitung nilai Flow Rate ke tabel temporary untuk periode bulan sebelumnya. AMOUNT = DPD_H.CALC_METHOD = '1' then ENR.AMOUNT DPD_H.CALC_METHOD = '2' then ENR.ACCOUNT Kondisi Key Join adalah PSAK_DPD_MASTER_HEADER DPD_H ON ENR.PRODUCT_GROUP = DPD_H.PRODUCT_GROUP WHERE ENR.PERIOD = Periode bulan lalu AND DPD_H.METHOD_IMPAIRMENT = 'S00031' AND DPD_H.CALCULATION_TYPE = 'A';



75

Data

Tabel Sumber

Tabel Tujuan


-

PSAK_DPD_MASTER

PSAK_FLOW_RATES

-

PSAK_DPD_MASTER_HEA

Field :

DER

FLOW_RATES

Mengupdate Field FLOW_RATE di PSAK_FLOW_RATES per masing-masing bucket pembiayaan dengan cara membagi jumlah outstanding di bucket yang lebih rendah ke bucket sebelumnya (outstanding dari bucket 1 ke bucket 2)dengan snapshot Tabel temporary current dan previous.

Source PSAK

-

TT_ENR_CURR

-

TT_ENR_PREV

FLOW_RATES = CASEWHEN DPD_D.FLAG_DEFAULT = 'Y' THEN DPD_D.PD_DEFAULT / 100 WHEN NVL(DPD_H.PD_THRESHOLD, 0) <> 0 AND NVL(FL.FLOW_RATES, 0) > NVL(DPD_H.PD_THRESHOLD, 0) / 100 THEN DPD_H.PD_THRESHOLD / 100 Kondisi : ON DPD_D.PRODUCT_GROUP = DPD_H.PRODUCT_GROUP ON DPD_D.PRODUCT_GROUP = FL.PRODUCT_GROUP AND DPD_D.DPD_ID = FL.DPD_ID WHERE DPD_H.METHOD_IMPAIRMENT = 'S00031' AND DPD_H.CALCULATION_TYPE = 'A'; QUERY KE TABEL TEMPORARY (SELECT A.PRODUCT_GROUP, B.DPD_ID, CASE WHEN NVL(B.AMOUNT, 0) = 0 THEN 1 ELSE A.AMOUNT / B.AMOUNT END AS FLOW_RATES FROM TT_ENR_CURR A INNER JOIN TT_ENR_PREV B ON A.PRODUCT_GROUP = B.PRODUCT_GROUP AND A.DPD_ID = B.DPD_ID + 1



76

Data

Tabel Sumber

Tabel Tujuan


-

PSAK_FLOW_RATES

PSAK_COMPOUND_FLOW_TO_

-

PSAK_DPD_MASTER_HEA

LOSS

Proses untuk menghitung Flow To Lossyang merupakan langkah berikutnya setelah menghitung perbandingan movement flow dari bucket yang lebih tinggi ke lebih rendah. Flow To Loss dihitung dengan merata-ratakan nilai flow rate selama periode data histori (36 bulan) dari bucket tersebut. Perhitungan ini dihitung per segment dan per bucket Misalnya Untuk menghitung Flow To Loss bucket ke-1 pada bulan Jan-2014 maka diambil rata-rata Flow Rate di bucket 1 selama periode 36 bulan yaitu dari bulan Jan2011 s/d Jan-2013.

Source

DER Field : FLOW_TO_LOSS

FLOW_TO_LOSS = AVG(FL.FLOW_RATES) PERIOD BETWEEN Tanggal perhitungan 3 tahun sampai dengan tanggal bulan laporan. GROUP By DPD_ID, PRODUCT_GROUP -

-

PSAK_COMPOUND_FLOW

PSAK_PD

_TO_LOSS

Field : PD

PSAK_DPD_MASTER_HEA DER

-

PSAK_DPD_MASTER

-

PSAK_RECOVERY_MATRI

Merupakan Proses terakhir dalam menghitung nilai Probability Default menggunakan metode Net Flow Rate. Dimana Dari angka hasil perhitungan Flow To Loss per masingmasing bucket, kemudian dikalikan sampai dengan bucket terakhir. Misalnya : Flow To Loss Bucket 1 pada periode Jan-2014 untuk segment Auto adalah 14.36%, bucket ke-2= 14.81%, bucket ke-3 = 39.06%, bucket ke-4 = 65.17%, dan bucket ke-5 = 100%. Maka Perhitungan Nilai PD untuk bucket ke-1 adalah 14.36% x 14.81% x 39.06% x 65.17% x 100% = 0.54%. Sedangkan untuk PD bucket ke-2 adalah perkalian dari bucket ke-2 sampai dengan bucket ke-5 yaitu 14.81% x 39.06% x 65.17% x 100% = 3.77% dan seterusnya sampai dengan perhitungan PD maximum Bucket..

X



77

Data

Tabel Sumber

Tabel Tujuan


PSAK_PD

PD = CASE WHEN NVL(DPD_D.FLAG_DEFAULT, '0') = 'Y' THEN DPD_D.PD_DEFAULT / 100 ELSE CASE COUNT(CASE SIGN(FTL.FLOW_TO_LOSS) WHEN 0 THEN 1 ELSE NULL END) WHEN 0 THEN -- NO ZEROES: PROCEED NORMALLY CASE MOD(SUM(CASE SIGN(FTL.FLOW_TO_LOSS) WHEN -1 THEN 1 ELSE 0 END), 2) WHEN 1 THEN -1 ELSE END EXP(SUM(LN(ABS(CASE FTL.FLOW_TO_LOSS WHEN 0 THEN NULL ELSE FTL.FLOW_TO_LOSS END)))) ELSE 0 END END AS DELIQUENCY_RATE Kondisi : PRODUCT_GROUP =.PRODUCT_GROUP PRODUCT_GROUP = PRODUCT_GROUP DPD_D.DPD_ID <= FTL.DPD_ID PERIOD = MAT.PERIOD AND FTL.PRODUCT_GROUP = MAT.PRODUCT_GROUP WHERE FTL.PERIOD = V_PERIOD AND DPD_H.METHOD_IMPAIRMENT = 'S00031' AND DPD_H.CALCULATION_TYPE = 'A' GROUP BY DPD_D.DPD_ID, FTL.PRODUCT_GROUP, FTL.PERIOD, MAT.RECOVERY_RATE, DPD_D.FLAG_DEFAULT, DPD_D.PD_DEFAULT; OS = PSAK_ENR.AMOUNT;

Source -

PSAK

PSAK_ENR

Field : OS

Kondisi : PERIOD = PERIOD PRODUCT_GROUP = PRODUCT_GROUP DPD_ID = DPD_ID PSAK_PD.PERIOD = ‘Currentdate’



78

4.2 Perancangan Arsitektur DataMart Sebelum dilakukan perancangan permodelan datamart, maka diperlukan analisa perancangan arsitektur datamart yang akan digunakan. Jenis arsitektur dalam perancangan datamart PSAK 50/55 menggunakan konsep Independent Data Mart dimana menggunakan layer data staging untuk mengintegrasi data dari berbagai sumber data yang berbeda yang terkait dengan pembiayaan pada Bank X. Dari data staging kemudian dilakukan ETL ke datamart PSAK 50/55 . Berdasarkan alternatif arsitektur datawarehouse menurut Inmon dan Kimball, dalam perancangan arsitektur untuk implementasi penerapan datamart PSAK khususnya dalam ruang lingkup monitoring dan pelaporan cadangan kerugian penurunan nilai (CKPN) dapat disampaikan perbandingan arsitekturnya sebagai berikut. Tabel 4.4 mengenai analisa perbandingan arsitektur Inmon dan Kimbal dalam merancang datamart PSAK 50/55 Tabel 4.4 Tabel Analisa Perbandingan Arsitektur Inmon dan Kimball serta keterangan dalam arsitektur datamart PSAK 50/55 Kriteria

Inmon

Kimball

Kondisi Penelitian saat ini

Overall

Top-Down

Bottom-up

DesainData Mart menggunakan Dimensional

Approach

Modeling yaitu Tabel Fakta dan Tabel Dimensi yang dibuat berdasarkan kebutuhan laporan yang dibutuhkan spesifik terkait dengan Cadangan Kerugian Penurunan Nilai dan Pembiayaan pada Bank X. Tabel Fakta Pembiayaan

dengan

pengukuran

outstandingyang diberikan, dengan Dimension antara proses yang satu dengan yang lainnya seperti Dimensi Flag Impairment, Dimensi Segment, Dimensi Produk, Dimensi Cabang, Dimensi Kolektibilitas dan Dimensi Jatuh Tempo Pembiayaan (Maturity).



79

Kriteria

Inmon

Data Orientation

Subject

or

Data Driven

Kimball

Kondisi Penelitian saat ini

Process

Pendekatan dimulai dari pemahaman proses

Oriented

bisnis

dan

aturan

pembentukan

nilai

penyisihan cadangan kerugian penurunan nilai (CKPN) dari setiap pembiayaan pada Bank X dari setiap aktivitas pencairan kredit kepada nasabah. Proses akan menentukan pengukuran (measurement) pada tabel Fakta dan dimensi yang terkait dengan kebutuhan pelaporan. Struktur Data

Non

metric

Business

Sudah terdapat pengukuran akibat perhitungan

data

that

metrics,

CKPN menurut standar PSAK 50/55. Data

will

be

performan

sudah dikonsolidasikan menjadi data yang

applied

to

ce

terstruktur sesuai dengan kebutuhan bisnis.

meet

measures

multiple and

and

varied

scorecards

information needs Persistency

of

Data

High rate of

Sumber

Sumber Data bersifat fixed atau final diambil

change from

data

dari core bankingyang relatif jarang berubah.

source

relative

Apabila terdapat perubahan dari sisi core

systems

stabil

banking akan dilakukan remapping ulang di dari sumber data ke data staging, kemudian ke data model Datamart PSAK.

Data Integration

Enterprise

Individual

Integrasi yang dilakukan adalah dari semua

Requirements

Wide

business

sumber data dari core banking yang terkait

integration

area

dengan seluruh data pembiayaan, tetapi tidak termasuk data-data yang terkait dengan data Dana Pihak ketiga (Tabungan, Deposito), Treasury, Liabilities dan Surat Berharga.

Time Delivery

to

Organizatio

Need for

Sehubungan dengan Surat Edaran dari Bank

n’s

the first

Indonesia, maka implementasi Datamart PSAK

requirements

data

ini akan diimplementasikan maksimum dalam

allow for

warehouse

waktu 6 bulan dan wajib diimplementasikan

longer start

applicant

pada tahun 2014 untuk grup Bank Syariah.

up time

is urgent



80

Kriteria

Inmon

Kimball

Kemudahan

Low/IT

High/End

Kondisi Penelitian saat ini Direct End User (Finance&Accounting, Risk

Akses

User

–

Management)

akan

senantiasa

Pengguna/Siapa

User

dari

menggunakan

data

Penggunanya

perwakilan

kepentingan

bisnis

laporan antar cabang dan analisis profit and

pelaporan

regulator

(Bank

langsung ini

untuk

Indonesia),

loss (rugi laba) dari setiap cabang. Tujuannya agar di bulan bulan yang akan datang dan tahun yang akan datang dapat memberikan input

terhadap

penyusunan

strategi

pembiayaan dan manajemen risiko di Bank X. Time Frame

Kontinyu

Slowly

Data-data yang digunakan bervariasi, misalnya

dan Diskrit

Changing

: dimensi segmentasi pembiayaan, dimensi

Dimension

cabang, dimensi maturity profile, dimensi

(SCD)

kolektif grup

merupakan SCD Type 2,

Type

I,

dimensi waktu, dimensi kolektibilitas, dimensi

Type

II,

flag Impairment merupakan SCD Type 0,

Type III

sedangkan dimensi customer merupakan SCD Type I.

Nature

of

the

Strategic

Tactical

Strategic, karena terkait dengan dampak dari

organization’s

laporan keuangan suatu enterprise Bank dan

decision support

merupakan syarat compliance dari regulator.

requirements

Berdasarkan perbandingan karakteristik permodelan data warehouse Inmon dan Kimball, arsitektur dengan model Kimball lebih tepat digunakan dalam perancangan arsitektur data mart PSAK 50/55. Arsitektur data mart PSAK 50/55 terdiri dari 4 bagian yaitu Data Source Layer, Data Staging Layer, ETL Layer, dan User Access Layer yang dapat dilihat pada Gambar 4.2



81

Gambar 4.2 Hasil Rancangan Arsitektur Data Mart PSAK 50/55

Keterangan dari Gambar4.2: a. Data Source Layer ; Sumber data yang digunakan untuk relational database PSAK dan reporting data mart PSAK 50/55 diperoleh dari Online Transaction Processing(OLTP) yang tersimpan dalam operasional database sistem pembiayaan, yang terdiri dari Host AS400, Credit Card, Joint Finance dan sumber data yang berasal dari manual input oleh pengguna yaitu berbentuk flat file dalam format Excel ataupun Text Files. Sumber data manual input ini tidak tersedia didalam sistem OLTP Bank X yang terdiri dari user parameter sesuai dengan persyaratan aturan PSAK 50/55, dan data-data yang tidak tersedia pada masing-masing core banking system seperti data target CKPN, data write off dan data recovery. Prosesnya berasal dari tabel database operasional yang diekstraksi ke dalam bentuk teks file dan kemudian di-load keareadata staging. b. Staging Area Layer; merupakan proses ektraksi dan tempat penampungan data dari masing-masing source system dengan struktur data yang sama dengan asalnya. Ekstraksi masing-masing sumber data tersebut dalam bentuk text files, kemudian dari text files akan dimuat ke tabel penampung dengan Universitas Indonesia


82

format text untuk semua data type yang ada didalamnya. Hal ini dimaksudkan untuk memastikan konsistensi dan integritas data untuk seluruh sumber data dapat termuat dengan sempurna. Sumber data tersebut berasal dari Core Banking Database (Card, iLoan, JF, Transactional), MIS Database yang menampung data Customer, ataupun data-data manual berasal dari input pengguna dalam format Flat Files dengan template tertentu. Tempat Data staging ini akan diletakkan ke masing-masing tabel penampung seperti tabel : Loan Daily, Customer, Kurs Daily, Card Daily, Transaction Daily, dan lainlain.Selanjutnya dilakukan mapping dan transformasi tipe data yang sesuai dengan tipe data masing-masing tabel di PSAK. c. ETL Process Layer ; Pada proses ETL akan dilakukan proses Identify, Capture, Map, Cleanse, Transform dan Load, dari raw data ke business logic area. Proses loading data dari sumber data ke staging area dan dari staging area ke downstream datamart. Sebagai bagian dari proses ETL, pengecekan ketersediaan system, pengecekan jumlah dan pengecekan lainnya akan dilakukan untuk memastikan jumlah data yang disediakan oleh sumber data berhasil diproses. Dari staging layer, yang sumbernya adalah data-data dari 6 sumber database operasional masing-masing sistem pembiayaan (Card, ILN, JF, Transactional) ditambah database MIS yang menampung data Customer, serta manual input proses data (data writeoff, recovery, data override impairment, data forecast dan user parameter PSAK 50/55) untuk ditransformasi ke dalam relational database PSAK sampai dengan semua proses bisnis yang diisyaratkan pada bagian analisa data dan kebutuhan informasi selesai ditransformasi. Setelah proses perhitungan final, maka seluruh data dari relational database PSAK akan di-load melalui proses ETL ke Datamart PSAK 50/55 dengan model dimensional. Penjelasan dari proses ETL sebagai berikut: 1. Ekstraksi dan Mapping ; Proses ETL dari data source berupa ekstraksi ke text file dan dari teks file ke relational database PSAK Pada bagian ini dari data staging dilakukan Map ke Model Data relational database PSAK

sesuai

dengan

kebutuhan

PSAK

yaitu

ke

tabel

PSAK_MASTER_ACCOUNT. Universitas Indonesia


83

2. Transformasi ke Model Data PSAK; merupakan model data yang dibutuhkan untuk menghasilkan informasi Cadangan Kerugian Penurunan Nilai (CKPN) sebagaimana dipersyaratkan oleh regulator Bank Indonesia dan Ikatan Akuntan Indonesia menurut serangkaian business rule, antara lain : proses segmentasi, klasifikasi impairment, perhitungan Probability Default (PD) dan Loss Given Default (LGD), dan finalnya adalah proses perhitungan CKPN Individual dan CKPN Kolektif. Bentuk database disini adalah bersifat database relational. Database tersebut merupakan area tempat penyimpanan data yang sudah dilakukan transformasi dan standarisasi. Proses transformasi dari langkah pertama dan langkah kedua merupakan proses persiapan data CKPN. 3. Transformasi sumber data yang tersedia ke tabel dimensi dan selanjutnya adalah transformasi sumber data yang akan diload ke tabel fakta disesuaikan dengan key pada tabel dimensi. 4. Load ke Datamart PSAK 50/55; tergantung dengan

Datamart untuk penyajian sangat

proses sebelumnya berupa proses persiapan data

sebagai sumber data CKPN dan Pembiayaan serta proses transformasi data sebelum di-load ke tabel fakta dengan menyesuaikan key pada tabel dimensi. Data mart PSAK 50/55 ini dibangun berdasarkan kebutuhan pelaporan dan analisa dari unit bisnis Divisi Akuntansi dan Keuangan serta Divisi Manajemen Risiko dengan menggunakan teknik dimensional data model menurut Kimball. Dari sumber relational database PSAK termasuk hasil transformasi data yang sudah dilakukan, kemudian di-load ke datamart PSAK yang terdiri dari tabel dimensi dan tabel fakta seuai dengan keperluan pelaporan dan analisa CKPN sesuai dengan PSAK 50/55 di Bank X. Semua sumber tabel yang sudah di load ke datamart PSAK berupa informasi final yang akan digunakan dalam kebutuhan pelaporan dan analisa, yang mana merupakan area utama tempat penyimpanan data yang bersifat final dan tidak dapat di-update berdasarkan subyek area yang sudah dilakukan proses normalisasi dengan model 3NF. User Access Layer. Pada layer ini terdiri dari Reporting Layer dan User Access, dimana berisi objek yang digunakan untuk kebutuhan pelaporan, Universitas Indonesia


84

query dan analisis. Business Intelligence data mart dibangun dengan konsep multi dimensional, yang terdiri dari tabel fakta dan tabel dimensi. Hasil akhir dari pembentukan datamart akan digunakan oleh pengguna melalui aplikasi business intelligence dan aplikasi reporting. Beberapa alternatif reporting tools yang ada seperti Cognos Business Intelligence, Cognos Insight, Microsoft Analytical services dan Reporting Services, Oracle Business Intelligence, dan lain sebagainya dapat digunakan sebagai alternatif oleh pengguna aplikasi dalam bentuk On Line Analytical Processing (OLAP) dan dashboard untuk menampilkan informasi dan analisa informasi yang dibutuhkan. 4.3 Perancangan Permodelan Data Warehouse Pada bagian ini akan dijelaskan mengenai tahap-tahap permodelan datamart menurut Ralph R Kimball dengan 9 langkah permodelan datamart. 4.3.1 Pemilihan Proses Bisnis (Choosing the process) Proses bisnis yang dipilih pada penelitian ini adalah proses bisnis pembiayaan atau kredit dan proses bisnis pembentukan Cadangan Kerugian Penurunan Nilai sesuai dengan PSAK 50/55. 1. Proses bisnis Pembiayaan Pembiayaan adalah penyediaan uang atau tagihan berdasarkan persetujuan dan pinjam meminjam antara pihak lain yang mewajibkan pihak yang meminjam untuk melunasi hutangnya setelah jangka waktu tertentu dengan perhitungan bunganya. Proses Bisnis yang dipilih mencakup semua pembiayaan dengan perjanjian yang termasuk ke semua jenis kredit, baik kredit investasi, modal kerja, maupun konsumsi yang diawali dengan perjanjian terlebih dahulu misalnya; Kredit Konsumen, Kredit Modal Kerja, Kredit Pemilikan Rumah, Kredit Kendaraan Bermotor, Kredit Multiguna, Kredit Sindikasi, Kredit Korporasi, Kredit Mikro, Pembiayaan Haji dan Umroh dan lain sebagainya.



85

Dimulai dari penandatangan perjanjian kredit, kemudian pencatatan biaya notaris, asuransi, appraisal independen, Materai, dan lain-lain. Pencatatan penyediaan plafon kredit (dicatat pada Off Balance Sheet), pencatatan penerimaan Provisi, Komitmen Fee, Management Fee, dan Administrasi Pencatatan Amortisasi Provisi, dan Fee lainnya, Pencataan Penggunaan Plafon (Reversal Off Balance Sheet) sampai dengan Pencatatan Pencairan Kredit. Setelah proses pencarian kredit merupakan dimulainya akad pembiayaan sampai dengan berakhirnya akad pembiayaan. Berakhirnya akad pembiayaan ini dapat disebabkan karenalunas sesuai jatuh tempo pembiayaan, dilakukan pelunasan dipercepat, atau dihapus buku karena tidak mampu memenuhi kewajiban. Proses yang ada di dalamnya yaitu pencatatan bunga harian, pencatatan pembayaran angsuran pokok dan bunga, pencatatan pembayaran tunggakan bunga dan tunggakan pokok (jika ada), proses restrukturisasi kredit, pencatatan pelunasan dipercepat atau pada saat jatuh tempo, pencatatan hapus buku / hapus tagih, pencatatan pembayaran setelah hapus buku / hapus tagih. Pertumbuhan pembiayaan menjadi tolak ukur bagi manajemen Bank bank sebagai pencapaian kinerja penyaluran kredit di pasar di semua segmentasi serta didukung dengan kualitas pembiayaan yang baik yang diindikasikan dengan Non Perfoming Loan Ratio yang cukup kecil. 2. Proses bisnis Pembentukan Cadangan Kerugian Penurunan Nilai pada produk pembiayaan Penyisihan kerugian kredit

(Loan-Loss Provisioning) adalah penyisihan

(provisioning) kerugian atas portfolio kredit dan pendanaannya yang mengalami penurunan nilai ekonomi. Nilai ekonomi dari portfolio kredit dapat naik atau turun disebabkan karena adanya perubahan dengan kualitas kredit (dicerminkan dengan rating kolektibilitas Bank Indonesia ) yaitu jika terjadi masalah terhadap itikad baik (willingness to pay) dan kemampuan debitur untuk melunasi kredit beserta pinjamannya (ability to pay). Pembentukan CKPN ini didasarkan atas klasifikasi CKPN, pengelompokan karakteristik kredit berdasarkan profil risiko pembiayaan (collective group), Universitas Indonesia


86

penentuan metode statistika dalam menghitung PD dan LGD, perhitungan PD, perhitungan LGD, perhitungan CKPN secara kolektif yaitu dengan mengalikan PD x LGD x Outstanding. Sedangkan perhitungan CKPN individual dengan menggunakan estimasi arus kas yang dapat terpulihkan, penentuan impaired loan ratio, dan penentuan target pembentukan CKPN. 4.3.2 Pemilihan Grain (Choosing the Grain) Grain atau granularity adalah informasi yang akan direpresentasikan oleh record dari tabel fakta. Grain merupakan data detail dari data di tabel Fakta yang dapat dianalisis, yaitu bagaimana mendeskripsikan single row di tabel fakta di level yang paling kecil sesuai dengan kebutuhan analisa. 1. Pembiayaan -

Cabang yang memiliki kontribusi pembiayaan paling tinggi di suatu periode

-

Segmentasi yang memiliki kontribusi pembiayaan paling tinggi di suatu periode

-

Produk dan segmentasi mana saja yang memiliki kontribusi skema maturity profile / tingkat pembiayaan berdasarkan lamanya umur jatuh tempo

-

Produk pembiayaan mana yang paling banyak diminati

-

Produk pembiayaan yang paling diminati untuk mata uang valas

-

Produk / segment / cabang mana saja yang mana pembiayaannya mengalami mengalami tingkat non performing loan yang tinggi. Non Performing Loan yaitu pembiayaan yang mempunyai nilai kolektibilitas 3,4,dan 5

-

Rasio Non perfoming loan terhadap total pembiayaan per cabang dalam periode tertentu.

-

Distribusi pembiayaan yang mengalami perubahan kolektibilitas (ke lebih baik atau lebih buruk atau pembiayaan tersebut matured) yang paling besar pada bulan sebelumnya per masing-masing produk, segment, currency, cabang.



87

-

Distribusi pembiayaan yang perubahan kolektibilitasnya tetap (tidak berubah) per masing-masing produk, segment, currency, cabang

-

Distribusi pembiayaan yang perubahan kolektibilitasnya tetap (tidak berubah) per masing-masing produk, segment, currency, cabang

Dari kebutuhan analisa diatas, maka level granularitas untuk bisnis proses pembiayaan di level cabang, segment, produk, currency, movement kolektibilitas, maturity profile code, dan bi kolektibilitas. Namun untuk membentuknya harus dibuat pada level account number, mengingat kebutuhan analisa dari maturity profile yang dilihat per level account number, dan kebutuhan analisa dari perubahan kolektibilitas 2. Penyisihan Cadangan Kerugian Penurunan Nilai -

Nilai CKPN Individual dan CKPN Kolektif per customer number

-

Nilai CKPN Kolektif yang memberikan kontribusi terbesar per collective impairment group pada periode waktu tertentu.

-

Nilai Persentase PD (Probability Default) pada masing-masing collective impairment group, kolektibilitas dan periode waktu.

-

Nilai Persentase LGD (Loss Given Default) untuk setiap collective impairment group, kolektibilitas dan periode waktu.

-

Snapshot dari cabang dengan Movement Charged CKPN terbesar pada periode waktu tertentu.

-

Snapshot dari cabang dengan Movement Released CKPN terbesar pada periode waktu tertentu.

-

Snapshot dari cabang yang memiliki kontribusi CKPN

berdasarkan

impairment flag (individual dan kolektif) terbesar -

Cabang mana yang memiliki Impairment Loan Ratio (total CKPN / total pembiayaan) terbesar

-

Cabang mana yang mempunyai nilai variance CKPN actual dan CKPN forecast terbesar. Nilai Variance didapat dari prekalkulasi Forecast CKPN dikurangi CKPN actual

-

Cabang mana yang mempunyai selisih perbandingan provisi menggunakan PPAP dan CKPN Universitas Indonesia


88

Dari kebutuhan analisa diatas, maka level granularitas untuk bisnis proses Penyisihan Cadangan Kerugian Penurunan Nilai (CKPN) berada pada level customer_number (group by customer_number). Tabel 4.5 merupakan tabel pemilihan grain atas masing-masing informasi yang dapat dianalisa Tabel 4. 5 Tabel pemilihan grain atas informasi yang dapat dianalisa Granularitas

Keterangan

Nilai Pembiayaan

Nilai pembiayaan (outstanding) didapat dari summarize dari nilai

(outstanding)

outstanding dari setiap produk / segmentasi pada periode tertentu (bulan, kuartal, tahun) untuk masing-masing currency/mata uang

Nilai Plafond

Nilai plafond atau batas kredit tertinggi yang dapat diberikan oleh

Pembiayaan/kredit (plafond)

Bank terhadap masing-masing debitur, didapat dari summarize nilai plafond dari setiap produk, segment, mata uang pada periode tertentu (bulan, kuartal, tahun)

Nilai Non Performing Loan

Nilai Outstanding yang mengalami kriteria non performing loan yaitu dengan kondisi nilai kolektibilitas di 3,4, 5 yang didapat dari summarize setiap cabang, produk dan segmentasi pembiayaan per masing-masing currency/mata uang pada setiap periode

Nilai Rasio Non Perfoming

Nilai Rasio Non Performing Loan didapatkan dari pembagian

Loan

antara summary pembiayaan yang kolektibilitasnya mulai dari kolektibilitas 3, 4, 5 dibagi dengan total pembiayaan per masingmasing cabang pada periode tertentu (bulan, kuartal, tahun)

Nilai CKPN

Nilai Cadangan Kerugian Penurunan Nilai didapat dari summarize nilai CKPN individual dan CKPN kolektif per masing-masing account pada periode tertentu (bulan, quartal, tahun)

Nilai CKPN Individual

Nilai Cadangan Kerugian Penurunan Nilai didapat dari summarize nilai ckpn individual per masing-masing account pada periode tertentu (bulan, quartal, tahun)

Nilai CKPN Kolektif

Nilai Cadangan Kerugian Penurunan Nilai didapat dari summarize nilai ckpn kolektif per masing-masing account pada periode tertentu (bulan, quartal, tahun)

Nilai Movement (Charged)

Nilai movement charged CKPN didapat dari summarize selisih

CKPN

nilai CKPN bulan pelaporan dikurangi dengan nilai CKPN bulan sebelumnya per masing-masing nomor pembiyaaan dengan kondisi nilai CKPN bulan pelaporan > nilai CKPN bulan sebelumnya



89

Granularitas

Keterangan

Nilai Movement (Released)

Nilai movement charged CKPN didapat dari summarize selisih

CKPN

nilai CKPN bulan pelaporan dikurangi dengan nilai CKPN bulan sebelumnya per masing-masing nomor pembiyaaan dengan kondisi nilai CKPN bulan pelaporan < nilai CKPN bulan sebelumnya

Nilai Rasio Impaired Loan

Nilai rasio Impaired Loan didapat dari summarize pembagian nilai total CKPN (Individual dan Kolektif) dibagi dengan nilai pembiayaan per masing-masing produk pada periode tertentu (bulan, quartal, tahun)

Nilai Persentase PD

Nilai persentase PD probability default yang didapat dari proses

(Probability Default)

perhitungan atau transformasi dari hasil segmentasi collective group pada setiap periode. Nilai persentase PD di level collective group dan kolektibilitas untuk setiap periode tertentu

Nilai Persentase LGD (Loss

Nilai persentase LGD Loss Given Default didapat dari hasil

Given Default)

segmentasi collective group pada setiap periode. Nilai Persentase LGD ini di level collective group bukan di level account pembiayaan. Granularitasnya di collective group.

Nilai Persentase PD x LGD

Nilai persentase PD dikalikan dengan nilai persentase LGD untuk

atau Expected Loss Rate

masing-masing collective group dan kolektibilitas pada setiap periode tertentu

Nilai Maximum BI

Nilai maksimum BI Kolektibilitas didapat dari summarize nilai

Kolektibilitas

maksimum dari kolektibilitas per masing-masing customer number

Nilai Variance Forecast

Nilai variance forecast CKPN dengan Aktual CKPN ini didapat

CKPN dengan Actual

dari summarize selisih Forecast CKPN dan CKPN actual pada setiap cabang dan periode tertentu (bulan, kuartal, tahun).

Nilai PPAP (Penyisihan

Nilai PPAP di dapat dari summarize nilai PPAP pada setiap cabang

Penghapusan Aktiva

dan periode tertentu (bulan, kuartal, tahun)

Produktif)

4.3.3 Identifikasi dan Penyesuaian Dimensi (Identifiying and Conforming the Dimensions) Berikut ditampilkan hubungan dimensi dengan grain dari fakta dalam bentuk matriks :



90

1. Pembiayaan Setelah dilakukan pemilihan proses bisnis dan pemilihan grain, maka fase ini akan menjelaskan identifikasi dan penyesuaian dimensi dari setiap grain yang sudah dipilih. Tabel 4.6 menjelaskan hubungan antara grain dan kemungkinan dimensi pada bisnis proses pembiayaan. Tabel 4. 6 Tabel Grain dan Dimensi pada Pembiayaan

2. Pembentukan Cadangan Kerugian Penurunan Nilai Tabel 4.7 menjelaskan hubungan antara masing-masing grain dan kemungkinan dimensi pada bisnis proses pembentukan CKPN. Tabel 4.7 Tabel Grain dan Dimensi pada Pembentukan CKPN



91

Daftar tabel dimensi yang berkaitan dengan datamart PSAK dapat dilihat pada Tabel 4.8. Tabel 4.8 Tabel Identifikasi Dimensi Dimensi

Keterangan

Period

Menyimpan informasi keterangan waktu harian, bulanan, quarter, semester dan tahunan.

Segment

Menyimpan informasi mengenai segmentasi pembiayaan untuk semua jenis kredit.

Collective Group

Menyimpan informasi parameter konfigurasi group dari kredit yang mempunyai karakteristik kredit yang homogen untuk proses perhitungan PD dan LGD. Didasarkan atas segment dari pembiayaan.

Currency

Menyimpan informasi mengenai jenis-jenis mata uang yang ada dengan hirarki valas, non valas, currency code dan deskripsi dari mata uang

Branch

Menyimpan informasi cabang dari Bank X termasuk regional area terkait

Kolektibilitas

Menyimpan informasi kolektibilitas Bank Indonesia sebagai profil risiko setiap debitur (1, 2,3,4, 5)

Produk

Menyimpan informasi mengenai produk pembiayaan yang ada di Bank X untuk seluruh akad pembiayaan

Movement Collect

Menyimpan informasi pergerakan atau perubahan kolektibilitas

Maturity Profile Bucket

Menyimpan informasi mengenai range atau sebaran kelompok jatuh tempo pembiyaaan

Impairment Flag

Menyimpan informasi klasifikasi impairment yaitu Collective Assessment dan Individual Assessment

Customer

Meyimpan informasi mengenai debitur Universitas Indonesia


92

4.3.4 Pemilihan Fakta (Choosing the Fact) Di dalam memilih Fakta sebaiknya fakta merupakan data dapat dihitung, dimana dapat ditampilkan dalam bentuk laporan, grafik, atau berbagai macam diagram. Biasanya nilai yang dapat diukur terkait dengan pengukuran dari kinerja bisnis. Berikut ini adalah fakta dalam penerapan datamart 1. Fakta Pembiayaan:

Fakta yang berkaitan dengan analisis portfolio

pembiayaan dari Bank X dari sisi total plafond kredit yang diberikan, total pembiayaan yang diberikan, total pembiayaan yang mengalami non perfoming, ratio non performing loan dibandingkan pembiayaan yang paling tinggi. Fakta pembiayaan ini dikelompokkan berdasarkan cabang, produk, currency, segmentasi, BI kolektabilitas, kelompok pembiayaan yang akan jatuh tempo, dan pergerakan kolektibilitas untuk setiap periode waktu. 2. Fakta Cadangan Kerugian Penurunan Nilai: Fakta yang berkaitan dengan analisa pembentukan cadangan kerugian penurunan nilai pada portfolio kredit pembiayaan di Bank X, seperti Customer mana yang memberikan top – n kontribusi CKPN Individual, Segmentasi mana yang memberikan CKPN terbesar dalam setiap bulan, Ratio Impaired Loan dibadingkan dengan total pembiayaan yang paling tinggi dari setiap cabang, Cabang mana yang memiliki variance forecast CKPN dan Actual CKPN yang paling tinggi. Pergerakan mutasi (charged/released) CKPN setiap bulan. Nilai Probability Default Rate, Loss Given Default Rate dan Expected Loss Rate per masingmasing collective group of impairment. 4.3.5 Penyimpanan Pre-Calculation pada Tabel Fakta (Storing PreCalculation in the Fact Tabel) Ketika Fakta dipilih, maka setiap fakta tersebut harus diuji apakah ada fakta yang dapat digunakan sebagai kalkulasi awal, yang kemudian disimpan pada tabel fakta. Berikut ini merupakan kalkulasi awal yang dapat dilakukan, untuk selanjutnya disimpan dalam tabel fakta:



93

a. FACT_LOAN -

SumOfOutstanding : SUM(Outstanding), disimpan ke dalam tabel fakta pada field Outstanding

-

CountOfNumberOfAccount : COUNT(Account_Number) disimpan ke dalam tabel fakta pada field NumberOfAccount.

-

SumOfPlafond : SUM(Plafond), disimpan ke dalam tabel fakta pada field Plafond.

-

SumOfNonPerfomingLoan : SUM(NonPerformedLoan) dengan kondisi field BI_Collectability in (3, 4, 5) di kelompokkan berdasarkan cabang. Kemudian disimpan ke dalam tabel fakta pada field NonPerfomingLoan.

-

SumOfRatioNPL

:

SUM(NonPerfomedLoan)/SUM(Outstanding)

di

kelompokkan berdasarkan cabang, kemudian disimpan ke dalam tabel fakta field NPL_RATIO -

Konversi perbedaan tanggal jatuh tempo (field : LOAN_DUE_DATE) ke tanggal pelaporan (DOWNLOAD_DATE) dengan menggunakan formula date difference

antara

tanggal

pelaporan

dan

tanggal

jatuh

tempo

DATEDIFF(DAY, DOWNLOAD_DATE,LOAN_DUE_DATE) kemudian dilook

up

ke

tabel

dimension

DIM_MATURITYPROFILE

field

MATURITYPROFILE_SK untuk range mapping result dari hasil kalkulasi day difference. -

Transformasi pergerakan kolektibilitas per masing-masing account number dari bulan lalu ke bulan pelaporan dengan menggabungkan nilai kolektibilitas bulan lalu ditambahkan dengan character ‘-‘ lalu nilai kolektibilitas bulan ini. Script transformasi : CONVERT(varchar(1),A.bi_collectability) + '-' + CONVERT(varchar(1),B.bi_collectability) . Hasil transformasi itu dilookup ke tabel

dimensi

DIM_COLLECTIBILITY_MOVEMENT

field

COLLECTMOVEMENT_DESC. Semua data yang dihitung dikelompokkan (group by) berdasarkan tanggal pelaporan

(download_date),

main_branch_code,

akad_code,

branch_code,

segment,

currency,

bi_collectability,

area_code,

product_code,

collectmovement_sk, maturityprofile_code.



94

b. FACT_CKPN -

Jumlah

Account

Number

per

masing-masing

Customer

Number

:

Count(Account_Number) grouped by customer_number -

SumOfCKPNForecast : SUM(CKPN_Forecast). Granularitas Data CKPN Forecast adalah di level Cabang. Untuk melakukan breakdown ke level Customer maka di-prorate berdasarkan outstanding dari setiap customer di suatu cabang. CKPN_Forecast per masing-masing customer number = CKPN_Forecast * Oustanding / SUM(Outstanding)

group by customer

number. -

VarianceCKPNForecast_Aktual. Nilai variance didapat dari prekalkulasi CKPN_Forecast – CKPN di level customer number.

-

Percentage of ExpectedLossModel : PD Percentage x LGD Percentage per collective impairment group

-

SumOfCKPNIndividual : SUM(IIP_AMOUNT). Penjumlahan agregasi dari nilai CKPN Individual.

-

SumOfCKPNKolektif : SUM(PIP_AMOUNT). Penjumlahan agregasi dari nilai CKPN Kolektif

-

SumOfCKPNTotal : SUM(CKPN). Penjumlahan agregasi dari nilai CKPN Individual ditambah dengan nilai CKPN kolektif.

-

SumOfMovementCharged:

sum(CHARGE).

Charged

didapat

dengan

mengurangi Total CKPN bulan pelaporan (month-n) dikurangi Total CKPN bulan lalu (month-n-1) per customer number. -

SumOfMovementReleased : sum(WRITEBACK). Apabila nilai CKPN bulan ini lebih kecil daripada CKPN bulan lalu, termasuk didalamnya akun pembiayaan yang sudah hilang/closed. Nilai defaultnya dalam bentuk bilangan negatif yang didapat dari hasil kalkulasi nilai total CKPN bulan ini dikurangi dengan nilai total CKPN bulan lalu.

-

SumOfRatioImpairmentLoan : Total CKPN / Total Outstanding per cabang

-

PPAP didapat dengan mengalikan persentase tertentu dengan outstanding dalam mata uang rupiah, sesuai dengan nilai dari masing-masing kolektibilitas per customer number. PPAP dengan kolektibilitas 1 adalah nilai outstanding dikalikan dengan 1%, jika kolektibilitas 2, maka nilai outstanding dikalikan Universitas Indonesia


95

dengan 5%, jika kolektibilitas 3 maka nilai outstanding dikalikan dengan 15%, jika kolektibilitas 4 maka nilai outstanding dikalikan dengan 50% dan jika kolektibilitas 5 maka nilai outstanding dikalikan dengan 100%. -

maxOfBICollectability:

max(BI_COLLECTABILITY)

adalah

nilai

maksimum kolektibilitas per masing-masing customer_number. 4.3.6 Melengkapi Tabel Dimensi (Rounding Out the Dimension Tabel) Menambahkan sebanyak mungkin property atribut deskripsi teks dan tabel dimensi. Deskripsi tersebut harus intuitif dan dapat dimengerti oleh pengguna. Berikut ini adalah hal-hal yang dilakukan pada tahapan ini : a. Tabel Rounding Out Dimension. Tabel 4.9 menjelaskan penggunaan dimensi, informasi, deskripsi dan hirarki dari informasi. Tabel 4.9 Tabel Penjelasan Dimensi No 1.

Dimensi

Field

Deskripsi

Hierarki

Period

Date

Menyimpan informasi

Year

Month

keterangan waktu harian,

Semester

Quarter

bulanan, quarter, semester dan

Quarter

Semester

tahunan.

Month

Year 2.

Akad

Date

Akad_Code

Menyimpan informasi

Akad_Desc

mengenai tipe-tipe akad

Akad Code

pembiayaan di Bank X 3.

Segment

Akad_Code

Menyimpan informasi

Akad_Code

Product_Group

mengenai segmentasi

Segment_Level_1

Segment_Level_1_Code

pembiayaan untuk semua jenis

_Code

Segment_Level_1_Desc

kredit.

Segment_Level_2


_Code


Segment_Level_3


_Code




96

No 4.

Dimensi

Field

Deskripsi

Hierarki

Collective

Impairment_Code

Menyimpan informasi

Impairment_Grou

Group

Impairment_Group

parameter konfigurasi group

p

dari kredit yang mempunyai karakteristik kredit yang homogen untuk proses perhitungan PD dan LGD. Didasarkan atas segment dari pembiayaan. 5.

Currency

Currency Group

Menyimpan informasi

Currency Group

Currency Code

mengenai jenis-jenis mata uang

Currency Code

Currency Desc

yang ada dengan hirarki valas, non valas, currency code dan deskripsi dari mata uang

6.

Branch

Branch_Code

Menyimpan informasi cabang

Branch

Branch_Name

dari Bank X termasuk regional

Main Branch

Main_Branch_Code

area terkait

Area

Collectibility Code

Menyimpan informasi

Collectibility

Collectibility Desc

kolektibilitas Bank Indonesia

Code

Main_Branch_Name Area_Code Area_Name 7.

Kolektibilitas

sebagai profil risiko setiap debitur (1, 2,3,4, 5) 8.

9.

Produk

Akad Code

Menyimpan informasi

Akad Code

Akad Desc

mengenai produk pembiayaan

Product Code

Product Code

yang ada di Bank X untuk

Product Description

seluruh akad pembiayaan

Movement

Movement_Coll_Code

Menyimpan informasi

Movement

Collect

Movement_Coll_Desc

pergerakan atau perubahan

Collect Code

kolektibilitas 10. Maturity Profile Bucket

MaturityProfile_ID

Menyimpan informasi

MaturityProfile_C

MaturityProfile_Desc

mengenai range/sebaran

ode

kelompok jatuh tempo pembiyaaan 11. Impairment Flag

Impairment_Flag

Menyimpan informasi

Impairment_Desc

klasifikasi impairment yaitu

Impairment Flag

Collective dan Individual



97

No

Dimensi

12. Customer

Field

Deskripsi

Hierarki

Customer

Meyimpan informasi mengenai

Customer

Customer

b.

Daftar Tabel-Tabel Dimensi dan Struktur Datanya

Tabel 4.10 sampai dengan Tabel 4.23 menjelaskan rincian sturktur data dari masing-masing ke-14 dimensi. 1. Dimensi Period : DIM_PERIOD Tabel 4.10 Deskripsi Tabel DIM_PERIOD Nama Field

Tipe

Ukuran

Keterangan

Data Period_SK

int

Primary Key dari Dimensi Period

DIM_YEAR

Int

Periode Tahun

DIM_SEMESTER

Varchar

10

Periode Semester, Format S1 - [TAHUN] dan S2 [tahun]

DIM_QUARTER

Varchar

20

Periode Quarter, Format : Q1, Q2, Q3, Q4

DIM_MONTH

Varchar

10

Periode Bulan, Format : [Tahun]-Jan, [Tahun]-Feb, dst

DIM_DATE

Date

Periode Tanggal, Format : yyyy-mm-dd

ISEOQ

Varchar

1

Keterangan Akhir Quarter, Diisi Y jika akhir Kuartal dan N jika bukan akhir kuartal

ISEOY

varchar

1

Keterangan Akhir Tahun, Diisi Y jika akhir Tahun dan N jika bukan akhir tahun

CreatedDate

Date

Tanggal dimana Dimensi Period ini dicreate dan diupdate

2. Dimensi Akad : DIM_AKAD Tabel 4.11 Deskripsi Tabel DIM_AKAD Nama Field

Tipe

Ukuran

Keterangan

Data Akad_Code

varchar

1

Primary Key; Kode Pembiayaan berdasarkan tipe dari akad. Kodenya adalah A, B, C, D, E

Akad_Description

varchar

50

Nama Akad. Contoh : Murabahah, Mudharabah, Musyarakah, Qardh, Ijaroh



98

Nama Field

Tipe

Ukuran

Keterangan

Data UpdatedDate

date

Tanggal dimana Dimensi Currency ini diupdate

CreatedDate

date

Tanggal dimana Dimensi Currency ini dicreate dan diupdate

3. Dimensi Segment : DIM_SEGMENT Tabel 4. 12 Deskripsi Tabel DIM_SEGMENT Nama Field

Tipe

Ukuran

Keterangan

Data Segment_SK

Int

4

Primary Key dari Dimensi Segment

Akad_Code

varchar

1

Foreign Key ; Akad Code


int


Varchar


int


Varchar


int


varchar

Kode dari Segmentasi Level 1 50

Consumer, Non-Consumer Kode dari Segmentasi Level 2

50

Corporate, Retail-SME, Consumer Kode dari Segmentasi Level 3

50

11,12,13,14,15, 21, 31, 41, 42, 43, 44, 45, 46, 47, 48

UpdatedDate

date

Tanggal

dimana

Dimensi

Currency

ini

diupdate CreatedDate

date

Tanggal dimana Dimensi Currency

ini

dicreate dan diupdate

4. Dimensi Collective Group Nama Tabel DIM_IMPAIRMENT_GROUP Tabel 4. 13 Deskripsi Tabel DIM_IMPAIRMENT_GROUP Nama Field

ImpairmentGroup

Tipe

Uku

Data

ran

int

4

_SK

Keterangan

Primary Key dari Dimensi Impairment Group yang didapat dari Parameter Segment dengan Impairment Group

Impairment_Grou

varchar

50

Description dari Impairment Group

p UpdatedDate

date


CreatedDate

date

Tanggal dimana Dimensi Currency ini dicreate dan diupdate Universitas Indonesia


99

5. Dimensi Currency : Nama Tabel DIM_CURRENCY Tabel 4 14 Deskripsi Tabel DIM_CURRENCY Nama Field

Tipe Data

Ukuran

Keterangan

Currency_Group

Varchar

3

Diisi dengan Valas/Foreign Currency =FCY dan non valas = IDR

Currency_Code

Varchar

3

Primary Key; Mata uang dari masing-masing kurs.

Currency_Desc

varchar

200

Deskripsi dari mata uang

UpdatedDate

date


CreatedDate

date

Tanggal dimana Dimensi Currency ini dicreate dan diupdate

6. Dimensi Area Tabel 4.15 Deskripsi Tabel DIM_AREABRANCH Nama Field

Tipe Data

Ukuran

Keterangan

AreaBranch_SK

Int

4

Surrogate Key dari Dimensi AreaBranch

Area_Code

Int

4

Kode Area

Area_Desc

Varchar

200

Nama Area

UpdatedDate

date

Tanggal dimana Dimensi Area Branch ini diupdate

CreatedDate

date

Tanggal dimana Dimensi Area Branch ini dibuat

7. Dimensi Main Branch Tabel 4.16 Deskripsi Tabel DIM_MAINBRANCH Nama Field

Tipe Data

Ukuran

Keterangan

MainBranch_SK

Int

Surrogate Key dari Dimensi MainBranch

AreaBranch_SK

Int

Foreign Key dari Tabel DIM_AREABRANCH

Main_Branch_Code

Int

5

Kode Cabang Utama

Main_Branch_Name

Varchar

200

Nama Cabang Utama

UpdatedDate

Date

Tanggal dimana Dimensi Main Branchini diupdate

CreatedDate

Date

Tanggal dimana Dimensi Main Branch ini dibuat



100

8. Dimensi Branch Tabel 4.17 Deskripsi Tabel DIM_BRANCH Nama Field

Tipe Data

Ukuran

Keterangan

Branch_SK

Int

Surrogate Key dari Dimensi Branch

MainBranch_SK

int

Foreign Key dari Tabel DIM_MAINBRANCH

Branch_Code

varchar

5

Kode Cabang

Branch_Name

Varchar

200

Nama Cabang

UpdatedDate

date

Tanggal dimana Dimensi Branch ini diupdate

CreatedDate

date

Tanggal dimana Dimensi Product ini dicreate

9. Dimensi Kolektibilitas Tabel 4. 18 Deskripsi Tabel DIM_COLLECTIBILITY Nama Field

Tipe Data

Ukuran

Keterangan

Collectibility_Code

Int

4

Primary Key; Kode Kolektibilitas

Collectibility_Desc

varchar

5

Deskripsi dari Kolektibilitas

CreatedDate

Date

Tanggal

dimana

Dimensi

Collectibility

ini

degenerate dan diupdate

10. Dimensi Produk Tabel 4.19 Deskripsi Tabel DIM_PRODUCT Nama Field

Tipe Data

Ukuran

Keterangan

Product_SK

Int

4

Surrogate Key dari Dimensi Product

Akad_Code

Int

4

Kode Dari Akad – Link dari Dimensi Akad (Akad_Code)

Product_Code

varchar

5

Kode Dari Product Pembiayaan untuk masingmasing akad

Product_Desc

varchar

CreatedDate

Date

200

Deskripsi dari Product Tanggal dimana Dimensi Product ini degenerate dan diupdate



101

11. Dimensi Movement Kolektibilitas Tabel 4.20 Deskripsi Tabel DIM_COLLECTABILITY_MOVEMENT Nama Field

Tipe Data

Ukuran

Keterangan

CollectMovement_SK

Int

4

Primary

Key

dari

Dimensi

Movement

Collectability CollectMovement_Desc

varchar

5

Akan diisi dengan deskripsi berikut : 1-0, 1-1, 12, 1-3, 1-4, 1-5, 2-1, 2-2, 2-3, 2-4, 2-5, 3-1, 3-2, 3-3, 3-4, 3-5, 4-1, 4-2, 4-3, 4-4, 4-5 5-1, 5-2, 5-3, 5-4, 5-5, 1-0, 2-0, 3-0, 4-0, 5-0.

CollectMovement_Flag

varchar

200

0 : Account pembiayaan sudah non-aktif yang mungkin disebabkan karena matured sesuai tanggal jatuh tempo, atau mengalami pelunasan dipercepat atau sudah di writeoff (WO) 1 : Tidak Mengalami Perubahan Kolektibilitas dari bulan pelaporan ke bulan lalu 2: Mengalami perubahan kolektibilitas yang membaik dari bulan pelaporan ke bulan lalu 3: Mengalami perubahan kolektibilitas yang memburuk dari bulan pelaporan ke bulan lalu

CreatedDate

Date

Tanggal

dimana

Dimensi

Movement

Collectabilityini diupdate

12. Dimensi Maturity Profile Tabel 4. 21 Deskripsi Tabel DIM_MATURITY_PROFILE Nama Field

Tipe Data

Ukuran

Keterangan

MaturityProfile_SK

Int

4

Surrogate Key dari Dimensi Maturity Profile

MaturityDayFrom

Int

4

Diisi dengan jumlah range hari

MaturityDayTo

Int

4

Diisi dengan jumlah range hari

MaturityProfile_Desc

Varchar

50

Up to 1 month, >1 to 3 months, >3 to 6 months, >6 months to 1 year, >1 to 3 years, >3 to 5 years, Over 5 years.

CreatedDate

Date

Tanggal dimana Dimensi Maturity Profile ini degenerate dan diupdate



102

13. Dimensi Impairment Flag Tabel 4.22 Deskripsi Tabel DIM_IMPAIRMENT_FLAG Nama Field

Tipe Data

Ukuran

Keterangan

ImpairmentFlag_Code

varchar

2

Primary Key Kode yang digunakan adalah C dan I

ImpairmentFlag_Desc

Varchar

CreatedDate

Date

100

C= Collective Assesment, I= Individual Assesment Tanggal dimana Dimensi Impairment Flag ini degenerate atau diupdate

14. Dimensi Customer Tabel 4.23 Deskripsi Tabel DIM_CUSTOMER Nama Field

Tipe Data

Ukuran

Keterangan

Customer_SK

int

4

Surrogate Key dari Dimensi Impairment Flag

Customer_Number

varchar

50

Kode Customer

Global_Customer_Number

varchar

50

Kode Global Customer Number

Customer_Name

Varchar

300

Nama Dari Customer

Customer_Grade

varchar

5

Internal Rating dari Customer

Customer_Type

varchar

5

Type dari customer (resident, non resident)

CreatedDate

date

Tanggal dimana Dimensi Impairment Flag ini diupdate

c. Perancangan Skema Dalam perancangan datamart ini, skema yang digunakan adalah skema bintang untuk masing-masing Tabel Fakta dan Tabel Dimensi yang terkait. Dimana terdapat tabel dimensi yang digunakan antara beberapa tabel Fakta yang berbeda sehingga menyebabkan relational many to one antara foreign key pada kedua tabel fakta tersebut. Dimensi tersebut antara lain adalah Dimensi Period, Dimensi Product, Dimensi Segment, Dimensi Kolektibilitas, Dimensi Currency atau disebut sebagai Conformed Dimension. Pemecahan skema tersebut berdasarkan tabel fakta nya, digambarkan dalam skema-skema berikut dibawah ini :



MEASUREMENT

103

Gambar 4.3 Skema Pembiayaan (Loan)

Gambar 4.3 menggambarkan mengenai skema pembiayaan yang menunjukkan jumlah

transaksi

pembiayaan

dengan

berbagai

pengukurannya.

Skema

pembiayaan ini yang dibentuk dari 10 tabel dimensi dan 1 tabel fakta Tabel Fakta terdiri dari field-field yang berkaitan dengan dimensi (download_date, akad_code, segment_sk, currency_code, main_branch_code, branch_code, bi_collectability, product_code, collectmovement_sk, maturityprofile_sk) dan field-field yang berkaitan

dengan

measurement

(outstanding,

numberofaccount,

plafond,

nonperfomingloan, npl_ratio). Relational skema bintang ini melibatkan masing-masing 1 primary key pada tabel dimensi dan 1 foreign key pada tabel fakta yang terkait dengan dimensi tersebut.Tujuannya adalah untuk mendapatkan response time yang cepat dalam proses mengakses data pembiayaan.



104

Gambar 4.4 Skema Cadangan Kerugian Penurunan Nilai (CKPN)

Gambar 4.4 menggambarkan mengenai skema Cadangan Kerugian Penurunan Nilai (CKPN) yang menunjukkan jumlah transaksi perhitungan CKPN dengan berbagai pengukurannya.Skema CKPN ini yang dibentuk dari 11 tabel dimensi dan 1 tabel fakta. Tabel Fakta CKPN terdiri dari field-field yang berkaitan dengan dimensi

(download_date,

akad_code,

segment_sk,

impairmentgroup_code,

currency_code, main_branch_code, branch_code, bi_collectability, product_code, collectmovement_sk, customer_number dan ia_ca_flag) dan field-field yang berkaitan dengan measurement (PD_rate, LGD_rate, Expected_Loss_Rate, outstanding,

outstanding_idr,

collateral_value_idr,

plafond,

ckpnkolektif,

plafond_idr,

collateral_value,

ckpnkolektif_idr,

ckpnindividual,

ckpnindividual_idr, unwinding_amount, unwinding_idr, charge, charge_idr,



105

writeback,

writeback_idr,

ckpnforecast,

ckpnforecast_idr,

ppap,

impaired_loan_ratio). Relational skema bintang ini melibatkan masing-masing melibatkan 1 primary key pada tabel dimensi dan 1 foreign key pada tabel fakta yang terkait dengan dimensi tersebut dengan relasi jenis many to one. Tujuannya adalah untuk mendapatkan response time yang cepat dalam proses mengakses data CKPN 4.3.7 Pemilihan Durasi dan Basis data (Choosing the duration of the database) Data yang diambil berasal dari core banking system, cakupan periode data yang di-load minimal selama 3 tahun data. Pada penelitian ini data digunakan mulai dari bulan Mei 2010 sampai dengan bulan Februari 2014 dengan posisi data setiap bulannya pada akhir bulan pelaporan. Menentukan batas waktu dari umurdata yang diambil dan akan dipindahkan ke dalam tabel fakta. Misalnya, data perusahaan dua tahun lalu atau lebih diambil dan dimasukkan dalam tabel fakta. Tabel 4.24 menjelaskan durasi dan basis data dalam perancangan datamart PSAK 50/55 Tabel 4.24 Durasi dan Basis Data dalam perancangan Datamart PSAK 50/55 Nama

Nama

Periode

Transformasi

Database

Database

Waktu OLTP

Data ke datamart Data mart

OLAP

OLTP

OLAP_BMI

OLTP-Bank

2014

2010-2014

Durasi

5 tahun

4.3.8 Melacak Perubahan Dimension Secara Perlahan (Tracking Slowly Changing Dimensions) Adapun melacak perubahan dimensi dapat dilakukan dengan empat jenis perubahan, antara lain : Pertama adalah atribut dimensi yang tidak pernah berubah, dimana fact selalu dikelompokkan ke dalam original value atau disebut Slowly Changing Dimension (SCD) Type 0, jenis kedua adalah mengganti secara langsung pada tabel dimensiatau disebut SCD Type 1,perubahan berikutnya adalah dengan cara pembentukan record baru untuk setiap perubahan baru, Universitas Indonesia


106

dimana ditandai dengan adanya surrogate key. Perubahan jenis ini dapat disebut dengan SCD Type 2, dan terakhir adalah perubahan data dengan membuat kolom baru atau disebut dengan SCD Type 3. Menentukan Perubahan dimensi ini merupakan langkah yang penting yang harus dilakukan dalam rangka proses loading menggunakan dimensional data model. Proses loading dimension tabel merupakan proses yang harus dilalui sebelum melakukan loading ke Tabel Fakta. Oleh karena itu dari ke-14 dimensi yang telah disebutkan dibagian sub bab 4.3.6 melengkapi Tabel 4.10, dapat disampaikan pada tabel 4.25 mengenai kondisi perubahan untuk setiap dimensi yang ada.: Tabel 4.25 Tabel Pelacakan Perubahan Dimensi No.

Nama Dimensi / Nama

Type

Tabel Dimensi

Perubahan

Keterangan

Dimensi 1

Period / DIM_PERIOD

SCD Type 0

Tanggal merupakan attribute yang fixed yang tidak pernah berubah (durable) dan terdapat hirarki untuk kepentingan drill down dan drill up yaitu day, month, quarter, year.

2

Akad / DIM_AKAD

SCD Type 0

Tipe Akad pembiayaan merupakan atribut yang fixed dan descriptionnya tidak akan berubah.

3

Segment /

SCD Type 2

Tipe Segmentasi level 3 (SEGMENT_LEVEL_3_CODE,

DIM_SEGMENT

SEGMENT_LEVEL_3_DESC) akan berubah seiring dengan perubahan kebijakan pengelompokkan kredit.Akan dilakukan update pada start date dan end date, dan flag Current terhadap record yang mengalami perubahan nama segment dan kelompok segment yang ada ketika adanya perubahan sehingga segment yang lama masih tetap di maintain pada histori tabel

4

Collective Group /

SCD Type 2

Tipe pengelompokkan Collective Group

DIM_IMPAIRMENT_GR

(IMPAIRMENT_CODE) per masing-masing segment

OUP

akan berubah seiring dengan perubahan kebijakan pengelompokkan kredit terkait dengan Dimensi Segment. Setiap kali ada perubahan segmentasi, Collective Group akan dimapping kembali. Untuk itu akan dilakukan flag Current terhadap perubahan Segment yang ada untuk setiap adanya perubahan dan segment yang lama masih tetap di maintain pada history.



107

No.

Nama Dimensi / Nama

Type

Tabel Dimensi

Perubahan

Keterangan

Dimensi 5

Currency /

SCD Type 0

fixed

DIM_CURRENCY 6

Area / DIM_AREA

Jenis Currency atau mata uang merupakan atribut yang

SCD Type 2

Area (AREA_CODE) dapat berubah menjadi cakupan yang baru akibat perluaasan cabang dan reorganisasi.

7

Cabang Utama /

SCD Type 2

Main Branch (MAIN_BRANCH_CODE) dapat berubah menjadi cakupan Area yang baru, karena

DIM_MAINBRANCH

perubahan kebijakan atau karena adanya pembukaan cabang yang baru.

8

Cabang / DIM_BRANCH

SCD Type 2

Kode cabang (BRANCH_CODE) dapat berubah menjadi cakupan main branch karena perluasan wilayah atau karena reorganisasi cabang. Untuk itu histori tetap mengacu kepada wilayah sebelumnya. Hal ini akan ditambahkan kolom Status untuk mengetahui status itu current dan kolom date start dan date end untuk mendeteksi perubahan kode cabang.

9

Kolektibilitas /

SCD Type 0

Nilai dari kolektibilitas (COLLECTIBILITY_CODE) akan selalu fixed dari 1 sampai dengan 5 sesuai dengan

DIM_COLLECTABILITY

kebijakan dari Bank Indonesia

10

Produk / DIM_PRODUCT

SCD Type 2

Berdasarkan kode produk (PRODUCT_CODE) dan kode akad (AKAD_CODE) variable yang mungkin berubah adalah Product Description (PRODUCT_DESC). Terdapat field date start dan date end untuk setiap perubahan terhadap product description dari masing-masing product_code tersebut untuk mengetahui periode perubahan product description tersebut dan dilakukan insert new record dengan surrogate key sehingga pada saat join ke fact tabel hanya menggunakan satu key saja sebagai identifier.

11

Movement Collect /

SCD Type 0

Tidak akan ada perubahan data untuk movement

DIM_COLLECTABILITY

kolektibilitas ini. Value untuk movement collectability

_MOVEMENT

ini adalah fixed dan tidak akan berubah yaitu value 1-1, 1-2, dst.

12

Maturity Profile Bucket /

SCD Type 2

Apabila ada perubahan di ID_MaturityProfile baik

DIM_MATURITYPROFI

perubahan description pada ID yang sama, atau

LE

penambahan new ID dengan Description yang baru, makaselalu akan ditambahkan record yang baru untuk setiap kali adanya perubahan untuk semua description yang baru.



108

No.

Nama Dimensi / Nama

Type

Tabel Dimensi

Perubahan

Keterangan

Dimensi 13

Impairment Flag /

SCD Type 0

Flag Impairment adalah fixed yaitu I dan C dan tidak pernah berubah

DIM_IMPAIRMENT_FL AG 14

Customer /

SCD Type 1

DIM_CUSTOMER

Apabila terdapat perubahan (contoh Nama Customer), maka perubahan tersebut akan langsung diupdate ke record yang sama berdasarkan primary key di tabel DIM_CUSTOMER.

4.3.9 Memutuskan Prioritas dan Mode dari Query (Deciding the Query Priorities and the Query Modes) Pada tahap ke-9 ini menggunakan perancangan fisik (physical design) untuk data mart . Perancangan fisik ini berkaitan dengan proses analisa kapasitas media penyimpanan. Berikut ini merupakan proses yang dilakukan pada tahap ini, Dalam membangun sebuah data martdi Bank X maka diperlukannya analisa kapasitas media penyimpanan. Analisis kapasitas media penyimpanan ini dilakukan agar dapat mempersiapkan jumlah kapasitas media penyimpanan sehingga dapat menampung data yang akan terus bertambah daritahun ke tahun. Berikut ini merupakan analisa kapasitas media penyimpanan dalam tabel staging, tabel fakta dan tabel dimensi: 1. Analisa Kapasitas Media Penyimpanan Data Staging Tabel 4.27 dapat dilihat bahwa total records selama 3 tahun terakhir posisi akhir bulan pelaporan mulai dari tahun May-2010 s/d Jan-2014 adalah 2.908.000 records, yang terdiri dari May2010-Dec2010 sebanyak 215,688 records, Jan 2011-Dec2011 sebanyak 440.448 records, Jan 2012-Dec 2012 sebanyak 764.699 recods, Jan 2013-Dec 2013 sebanyak 1.358.061. Rata-rata jumlah records per tahun adalah 855.000 s/d 1.200.000 dengan rata-rata jumlah records per bulan sebanyak 110.000 – 150.000. Growth selama Jan-2011 s/d Dec-2013 rata-ratanya adalah sebanyak 185% (May 2010 ke May 2011 +/- 204%, Jan 2011 ke Dec 2012 = 174%, Jan 2012 ke Dec 2013 = 178%). Maka estimasi jumlah kebutuhan size dapat dijabarkan sebagai berikut :



109

-

Number of Rows = 150.000 x 12 = 1.800.000 rows

-

Number of Columns = 137 columns

-

Fixed Data Size =638 byte

-

Variable Data Size = 1470 byte, with maximum varchar size = 255 byte

-

Null Bitmap = 2 + (Number of Columns) +7) / 8 + Max Varchar size = 2 + (137 +7)/8 + 255 = 275

-

Row Size = Fixed Data Size + Variable Data Size + Null Bitmap + 4

-

Row Size = 638 + 1470 + 275 + 4 = 2387

-

Row Per Page = 8096 / (Row_size + 2 ) = 8096 / (2387+2) = 3.388865634

-

Num Pages = Num_Rows/Rows Per Page = 1.800.000 / 3.388865634 = 531,151.1858

-

Heap Size = 8192 x 531,151.1858 = 4,351,190,514 bytes = 4.05 Giga Bytes

Jadi kapasitas media penyimpanan data yang diperlukan dalam 5 tahun adalah 4,351,190,514 bytes x 5 tahun = 21,755,952,569 bytes atau 20.26 Giga Bytes. Tabel

4.26

berisi

mengenai

estimasi

data

staging

pada

tabel

PSAK_MASTER_ACCOUNT periode Mei 2010 sampai dengan Desember 2013. Tabel 4. 26 Tabel Estimasi Data Staging pada PSAK_MASTER_ACCOUNT untuk periode Mei 2010- Desember 2013 Growth Periode Data

Total Record

compared with previous Month

%Growth Monthly

6/30/2010

25923

-116

-0.44549

7/31/2010

26088

165

0.6365

8/31/2010

26626

538

2.062251

9/30/2010

26837

211

0.792458

10/31/2010

27617

780

2.906435

11/30/2010

28040

423

1.531665

12/31/2010

28518

478

1.704708

1/31/2011

29528

1010

3.541623

2/28/2011

30518

990

3.35275

3/31/2011

32278

1760

5.767088

4/30/2011

33804

1526

4.727678

5/31/2011

35466

1662

4.916578



110

Growth Periode Data

Total Record

compared with previous Month

%Growth Monthly

6/30/2011

37153

1687

4.756668

7/31/2011

38280

1127

3.033402

8/31/2011

39812

1532

4.00209

9/30/2011

40378

566

1.421682

10/31/2011

40478

100

0.24766

11/30/2011

40868

390

0.963486

12/31/2011

41885

1017

2.4885

1/31/2012

42397

512

1.222395

2/29/2012

43628

1231

2.903507

3/31/2012

44980

1352

3.098927

4/30/2012

47124

2144

4.766563

5/31/2012

49797

2673

5.672269

6/30/2012

56711

6914

13.88437

7/31/2012

63893

7182

12.66421

8/31/2012

70089

6196

9.697463

9/30/2012

75251

5162

7.364922

10/31/2012

80452

5201

6.911536

11/30/2012

90968

10516

13.07115

12/31/2012

99409

8441

9.279087

1/31/2013

103044

3635

3.656611

2/28/2013

107575

4531

4.397151

3/31/2013

110850

3275

3.044388

4/30/2013

114250

3400

3.067208

5/31/2013

115744

1494

1.307659

6/30/2013

118324

2580

2.229057

7/31/2013

115416

-2908

-2.45766

8/31/2013

114613

-803

-0.69574

9/30/2013

115235

622

0.542696

10/31/2013

112853

-2382

-2.06708

11/30/2013

112500

-353

-0.3128

12/31/2013

117657

5157

4.584

1/31/2014

128654

10997

9.34666



111

2. Analisis Kapasitas Media Penyimpanan Tabel Fakta Pembiayaan Berdasarkan hasil proses load ke Fact_Loan pada posisi tanggal 31 January 2014. Fact_Loan terdiri dari 16 kolom yang teridi dari 9 field berupa fixed tipe dan 7 field berupa variabel data size. Data yang akan masuk ke tabel ini diperkirakan +/- 1300 – 1500 rows atau 1112% populasi dari tabel sumber yaitu tabel PSAK_MASTER_ACCOUNT, karena tabel ini sudah di summary dan sudah di dilakukan data cleansing, filtering berdasarkan tanggal pelaporan (download_date), akad_code, segment, currency, area_code, main_branch_code, branch_code, bi_collectability, product_code, collectmovement_sk, maturityprofile_code. -

Number of Rows = 1518 x 12 = 18.216 rows

-

Number of Columns = 16 columns

-

Fixed Data Size = 22 byte

-

Variable Data Size = 122 byte, with maximum varchar size = 20 byte

-

Null Bitmap = 2 + (Number of Columns) +7) / 8 + Max Varchar size = 2 + (137 +7)/8 + 255 = 275

-

Row Size = Fixed Data Size + Variable Data Size + Null Bitmap + 4

-

Row Size = 638 + 1470 + 275 + 4 = 2387

-

Row Per Page = 8096 / (Row_size + 2 ) = 8096 / (2387+2) = 3.388865634

-

Num Pages = Num_Rows/Rows Per Page = 18.216 / 3.388865634 = 5375.25 Heap Size = 8192 x 5375.25 = 44.034.048 bytes = 0.041 Giga Bytes

Jadi kapasitas media penyimpanan data yang diperlukan dalam 5 tahun adalah 0.041 Giga bytes x 5 tahun = 0.20 Giga Bytes 4.4 Proses ETL Sesuai dengan rancangan arsitektur Datamart PSAK maka proses ETL dibedakan menjadi 3 proses yang terdiri dari proses ekstraksi dan transformasi data staging, proses transformasi dan load tabel Dimensi dan proses transformasi dan load tabel Fakta.



112

4.4.1 Proses Ekstrak dan Transformasi Data Staging 4.4.1.1 Ekstraksi Data Pembiayaan Pada bagian ini menjelaskan ekstraksi dari semua sumber data pembiayaan dari sumber tabel Core bankingsystems (ILN, JF, MCB, CRD) berdasarkan rules transformasi per masing-masing sumber data yang disebutkan pada bagian 4.1.3.Nama Text Files hasil penggabungan dari berbagai sumber data tersebut PSAK_MASTER_ACCOUNT_EDW. Masing-masing struktur format data dalam bentuk textfile dengan pipe delimited format. Dari ekstraksi text file PSAK_MASTER_ACCOUNT_EDW

tersebut,

maka

dilakukan

load

menggunakan bulk insert. Seluruh data type per masing-masing delimited format dalam format text (string) ke tabel PSAK_MASTER_ACCOUNT_EDW, proses selanjutnya transformasi ke masing-masing data type untuk setiap field di satu tabel final yaitu PSAK_MASTER_ACCOUNT. Proses Ekstraksi ini dilakukan setiap bulan sekali setelah proses End Of Month closing data dari masing-masing core banking sistem telah selesai diproses menjadi input text files. Proses ekstraksi data pembiayaan ini dilakukan satu bulan sekali pada setiap tanggal 1 awal bulan untuk data posisi data akhir bulan.

Gambar 4.5 Ekstraksi dan Transformasi Data Pembiayaan ke masing-masing tabel



113

Tabel

4.27

menjelaskan

struktur

data

pada

tabel

staging

PSAK_MASTER_ACCOUNT yang akan menampung semua data pembiayaan di Bank X. Tabel 4.27 Struktur Data PSAK_MASTER_ACCOUNT NO

FIELD

DATA TYPE LENGTH

1

MASTER_ACCOUNT_ID

VARCHAR2 (50 Byte)

2

DOWNLOAD_DATE

DATE

3

INSTRUMENT_CLASSIFICATION

VARCHAR2 (10 Byte)

4

DATA_SOURCE

VARCHAR2 (20 Byte)

5

PRODUCT_TYPE

VARCHAR2 (20 Byte)

6

PRODUCT_CODE

VARCHAR2 (20 Byte)

7

BRANCH_CODE

VARCHAR2 (20 Byte)

8

ACCOUNT_NUMBER

VARCHAR2 (50 Byte)

9

ACCOUNT_NUMBER_PREVIOUS

VARCHAR2 (50 Byte)

10

FACILITY_NUMBER

VARCHAR2 (50 Byte)

11

NO_REK_ANGSURAN

VARCHAR2 (50 Byte)

12

CUSTOMER_NUMBER

VARCHAR2 (50 Byte)

13

CUSTOMER_NAME

VARCHAR2 (100 Byte)

14

GLOBAL_CUSTOMER_NUMBER

VARCHAR2 (20 Byte)

15

ACCOUNT_STATUS

VARCHAR2 (5 Byte)

16

LOAN_START_DATE

DATE

17

LOAN_DUE_DATE

DATE

18

LOAN_START_AMORTIZATION

DATE

19

LOAN_END_AMORTIZATION

DATE

20

NEXT_PAYMENT_DATE

DATE

21

LAST_PAYMENT_DATE

DATE

22

FIRST_INSTALLMENT_DATE

DATE

23

ACCRUAL_DATE

DATE

24

TENOR

INTEGER

25

PSAK_ACCT_STATUS

VARCHAR2 (3 Byte)

26

PMT_SCH_STATUS

CHAR (1 Byte)

27

EIR_STATUS

CHAR (1 Byte)

28

ECF_STATUS

CHAR (1 Byte)

29

PAYMENT_CODE

VARCHAR2 (20 Byte)

30

PAYMENT_TERM

VARCHAR2 (2 Byte)

31

INTEREST_CALCULATION_CODE

VARCHAR2 (20 Byte)

32

INSTR_CLASS

VARCHAR2 (10 Byte)

33

IAS_CLASS

VARCHAR2 (10 Byte)

34

SOURCE_PROCESS

VARCHAR2 (100 Byte)

35

RESIDENCE_TYPE

VARCHAR2 (15 Byte)

36

CURRENCY

CHAR (3 Byte) Universitas Indonesia


114

NO

FIELD

DATA TYPE LENGTH

37

EXCHANGE_RATE

NUMBER (19,6)

38

OUTSTANDING

NUMBER (32,6)

39

OUTSTANDING_PREVIOUS

NUMBER (32,6)

40

PLAFOND

NUMBER (32,6)

41

UNUSED

NUMBER (32,6)

42

COMMITTED_FLAG

CHAR (1 Byte)

43

INTEREST_RATE

NUMBER (32,6)

44

AMORT_TYPE

VARCHAR2 (10 Byte)

45

EIR

FLOAT

46

EIR_AMOUNT

NUMBER (32,6)

47

FAIR_VALUE_AMOUNT

NUMBER (32,6)

48

INITIAL_UNAMORT_TXN_COST

NUMBER (32,6)

49

INITIAL_UNAMORT_ORG_FEE

NUMBER (32,6)

50

UNAMOR_TRANS_COST_AMT

NUMBER (32,6)

51

UNAMOR_ORIGINATION_FEE_AMT

NUMBER (32,6)

52

DAILY_AMORT_AMT

NUMBER (32,6)

53

DAY_PAST_DUE

INTEGER

54

DAY_PAST_DUE_START_DATE

DATE

55

ORIGINAL_COLLECTABILITY

VARCHAR2 (10 Byte)

56

BI_COLLECTABILITY

INTEGER

57

SEGMENT

VARCHAR2 (255 Byte)

58

PRODUCT_GROUP

VARCHAR2 (100 Byte)

59

DPD_ID

INTEGER

60

PD_RATE

FLOAT

61

LGD_RATE

FLOAT

62

PIP_AMOUNT

FLOAT

63

IIP_AMOUNT

FLOAT

64

UNWINDING_AMOUNT

FLOAT

65

BEGINNING_BALANCE

FLOAT

66

CHARGE

FLOAT

67

WRITEBACK

FLOAT

68

ENDING_BALANCE

FLOAT

69

IS_IMPAIRED

VARCHAR2 (1 Byte)

70

IMPAIRED_FLAG

CHAR (1 Byte)

71

WRITE_OFF_FLAG

CHAR (1 Byte)

72

STAFF_LOAN_FLAG

VARCHAR2 (1 Byte)

73

RESTRUCTURED_LOAN_FLAG

CHAR (1 Byte)

74

RESTRUCTURE_DATE

DATE

75

INTEREST_IN_SUSPEND

NUMBER (32,6)

76

SAM_FLAG

CHAR (1 Byte)

77

NON_SAM_FLAG

CHAR (1 Byte)

78

SAM_IMPAIRED_DATE

DATE Universitas Indonesia


115

NO

FIELD

DATA TYPE LENGTH

79

NON_SAM_IMPAIRED_DATE

DATE

80

IMPAIRED_INTEREST_RATE

NUMBER (19,6)

81

DPD_FLAG

CHAR (1 Byte)

82

TOTAL_GENERAL_PROVISION

NUMBER (32,6)

83

TOTAL_SPECIFIC_PROVISION

NUMBER (32,6)

84

CUSTOMER_GRADE

CHAR (3 Byte)

85

INTEREST_WITHHELD

NUMBER (32,6)

86

ACOD

VARCHAR2 (18 Byte)

87

AO_CODE

VARCHAR2 (100 Byte)

88

AO_NAME

VARCHAR2 (50 Byte)

89

VALCTR_CODE

VARCHAR2 (10 Byte)

90

REVOLVING_FLAG

CHAR (1 Byte)

91

EIR_CHANGES_FLAG

CHAR (1 Byte)

92

LAST_EIR_CHANGE_DATE

DATE

93

EIR_CHANGES_SEQUENCE

CHAR (50 Byte)

94

INSTALLMENT_GRACE_PERIOD

DATE

95

INSTALLMENT_AMOUNT

NUMBER (32,6)

96

CUSTOMER_TYPE

CHAR (3 Byte)

97

ACCUMULATIVE_ACCRUED_INTEREST

NUMBER (32,6)

98

DAILY_ACCRUED_INTEREST

NUMBER (32,6)

99

DEATH_CASE_FLAG

CHAR (1 Byte)

100

CITY

VARCHAR2 (20 Byte)

101

MTD_PRINCIPAL_PAYMENT

NUMBER (32,6)

102

MTD_INTEREST_PAYMENT

NUMBER (32,6)

103

COLLATERAL_VALUE_FOR_IMPAIR

NUMBER (32,6)

104

DPD_GROUP

CHAR (10 Byte)

105

SPECIAL_FLAG

CHAR (1 Byte)

106

PREV_RESTRUCTURED_LOAN_ACCOUNT

VARCHAR2 (50 Byte)

107

COLL_CODE

VARCHAR2 (5 Byte)

108

MTD_DAYS

INTEGER

109

CFD_DAYS

INTEGER

110

MTD_INTEREST_AMT

NUMBER (32,6)

111

CFD_INTEREST_AMT

NUMBER (32,6)

112

MTD_EIR_AMT

NUMBER (32,6)

113

CFD_EIR_AMT

NUMBER (32,6)

114

LOAN_AMT

NUMBER (32,6)

115

GCN_CUST_GRADE

CHAR (3 Byte)

116

OS_AFTER_IMPAIRMENT

NUMBER (32,6)

117

IMPAIRMENT_CHARGE

NUMBER (32,6)

118

RATIO_OUTS_TO_FACILITY

NUMBER (12,6)

119

OUTSTANDING_ORG

NUMBER (32,6)

120

UNAMOR_TRANS_COST_AMT_ORG

NUMBER (32,6) Universitas Indonesia


116

NO

FIELD

DATA TYPE LENGTH

121

UNAMOR_ORIGINATION_FEE_AMT_ORG

NUMBER (32,6)

122

STEP_NO

VARCHAR2 (50 Byte)

123

BRANCH_SUNGL

VARCHAR2 (15 Byte)

124

DEPT_UNIT

VARCHAR2 (15 Byte)

125

SANDI_BI

VARCHAR2 (15 Byte)

126

UNEARNED_INCOME

NUMBER (32,6)

127

BATCH_NUMBER

VARCHAR2 (40 Byte)

128

CONTRA_AMOUNT

NUMBER (17,2)

129

FINCO_ID

CHAR (5 Byte)

130

PROVISION

NUMBER (17,2)

131

DOWN_PAYMENT

NUMBER (17,2)

132

OTR_PRICE

NUMBER (17,2)

133

FLAG_DIF_ACCRUE_INTR_AMT

CHAR (1 Byte)

134

DIFF_ACCRUE_INTEREST_AMOUNT

NUMBER (17,2)

135

INPUT_USER_ID

VARCHAR2 (10 Byte)

136

MERCHANT_RATE

NUMBER (9,6)

137

UNAMOR_AMT_TOTAL

NUMBER (32,6)

4.4.1.2 Ekstraksi Data CKPN Untuk dapat membentuk data CKPN Final diperlukan proses persiapan data CKPN yang dependent terhadap sumber data input manual yang di-maintain oleh pengguna. File ekstraksi yang digunakan sebagai input dalam proses transformasi CKPN ini adalah sebagai berikut : -

PSAK_IMPR_OVERRIDES : File yang berisi sebagai tempat penampung data customer yang telah dioverride dari status kolektif ke individual dan sebaliknya. File ini akan mengakumulasi semua daftar debitur yang akan dilakukan flag impairment secara individual. Format file dalam bentuk Excel.

-

PSAK_INDIVIDUAL_IMPAIRMENT: File yang berisi sebagai tempat penampung data per level account pembiayaan untuk setiap customer untuk setiap periode pelaporan. Satu customer memungkinkan memiliki banyak account pembiayaan. Format file dalam bentuk Microsoft Excel.

-

TBLT_PAYMENTEXPECTED : yaitu berisi data arus kas yang diupload oleh user dan langsung di proses insert ke tabel ini. File Format dalam bentuk Microsoft Excel.



117

-

PSAK_EXPECTED_RECOV_UPLOAD :yaitu berisi data write off dan recovery berdasarkan masing-masing segmentasi yang diupload langsung. File Format dalam bentuk Microsoft Excel.

-

PSAK_COLL_SHORTFALL_UPLOAD : yaitu berisi data collateral berdasarakan masing-masing segmentasi yang diupload langsung ke suatu folder. File Format dalam bentuk Microsoft Excel.

-

PSAK_CKPN_TARGET : yaitu berisi data target pembentukan cadangan kerugian penurunan nilai setiap bulannya dan diupload langsung ke suatu folder. File Format dalam bentuk Microsoft Excel.

-

PSAK_BMI_SEGMENT : yaitu berisi data mapping segmentasi ke group impairment untuk perhitungan CKPN secara kolektif. Prosesnya adalah user melakukan upload flat file ke folder tertentu setiap adanya perubahan group impairment. File Format adalah dalam bentuk Microsoft Excel.

Prosesnya dari masing-masing ekstrak file tersebut akan di-load ke nama tabel sesuai dengan nama ekstrak file tersebut dengan masing-masing struktur tabel adalah sebagai berikut. Tabel 4.28 sampai dengan Tabel 4.35 menjelaskan proses ektraksi masing-masing sumber data manual sebagai data input untuk pemrosesan perhitungan CKPN. 1. Proses Ekstraksi File PSAK_IMPR_OVERRIDES ke Tabel Tabel 4.28 Struktur Tabel PSAK_IMPR_OVERRIDES Nama Field

Data Type

PKID

INTEGER,

DOWNLOAD_DATE

DATE,

CUSTOMER_NUMBER

VARCHAR2(50 BYTE),

DATA_SOURCE

VARCHAR2(50 BYTE),

BRANCH_CODE

VARCHAR2(50 BYTE),

CUSTOMER_NAME

VARCHAR2(2000 BYTE),

PLAFOND_IMPAIR

NUMBER(32,6),

PLAFOND_CURRENT

NUMBER(32,6),

DPD_IMPAIR

FLOAT(126),

DPD_CURRENT

FLOAT(126),

BI_COLLECT_IMPAIR

FLOAT(126),

BI_COLLECT_CURRENT

FLOAT(126),

FLAG_IMPAIRMENT

VARCHAR2(1 BYTE), Universitas Indonesia


118

Nama Field

Data Type

METHOD

VARCHAR2(50 BYTE),

REMARK

VARCHAR2(2000 BYTE),

CREATED_BY

VARCHAR2(50 BYTE),

CREATED_DATE

DATE,

UPDATED_BY

VARCHAR2(50 BYTE),

UPDATED_DATE

DATE

2. Proses Ekstraksi File TBLT_PAYMENTEXPECTED ke Tabel Tabel 4.29 Struktur Tabel TBLT_PAYMENTEXPECTED Nama Field

Data Type

DOWNLOADDATE

TIMESTAMP(3),

CUSTOMERNUMBER

VARCHAR2(50 BYTE),

PKID

NUMBER(19),

CUSTOMERNAME

VARCHAR2(100 BYTE)

SEGMENT

VARCHAR2(50 BYTE),

PRDGROUP

VARCHAR2(5 BYTE),

PAYMENTPERIOD

VARCHAR2(50 BYTE),

PAYMENTDATE

TIMESTAMP(3),

CCY

CHAR(3 BYTE),

GROSSPROCEEDS

NUMBER(19,4),

MGTOVERRIDE

NUMBER(19,4),

REVISEDECF

NUMBER(19,4),

FSV

NUMBER(19,4),

NPVPERCENT

NUMBER(19,4),

DISCOUNTRATE

NUMBER(19,4),

NPV

NUMBER(19,4),

IPDISCOUNT

NUMBER(19,4),

IPP

NUMBER(19,4),

INTERESTUNWINDING

NUMBER(19,4),

STATUS

VARCHAR2(3 BYTE),

INPUTDATE

TIMESTAMP(3),

FACILITYNO

VARCHAR2(50 BYTE),

INTERESTRATE

NUMBER(19,4),

CREATEDBY

VARCHAR2(50 BYTE),

CREATEDDATE

TIMESTAMP(3),

UPDATEDBY

VARCHAR2(50 BYTE),

UPDATEDDATE

TIMESTAMP(3),

BEGINBALANCE

NUMBER(19,4),

EIR_AMOUNT

NUMBER(19,4),

ENDINGBALANCE

NUMBER(19,4), Universitas Indonesia


119

Nama Field

Data Type

MASTER_ACCOUNT_ID

VARCHAR2(50 BYTE),

COLLVALUE

NUMBER(19,4),

COLLREFNO

VARCHAR2(50 BYTE),

ESTIMATECOST

NUMBER(19,4),

INTERESTESTIMATED

NUMBER(19,4),

PRINCIPAL

NUMBER(19,4),

INTERESTESTIMATEDPERCENT

NUMBER(19,4),

INTERESTEIR

NUMBER(19,4)

3. Proses Ekstraksi File PSAK_EXPECTED_RECOV_UPLOAD ke Tabel Tabel 4.30 Struktur Tabel PSAK_EXPECTED_RECOV_UPLOAD Nama Field PERIODE SEGMENT WO RECOVERY AYDA

Data Type VARCHAR2(6 BYTE), VARCHAR2(100 BYTE), NUMBER(32,6), NUMBER(32,6), NUMBER(32,6)

4. Proses Ekstraksi File PSAK_COLL_SHORTFALL_UPLOAD ke Tabel Tabel 4.31 Struktur Tabel PSAK_COLL_SHORTFALL_UPLOAD Nama Field PERIODE

Data Type VARCHAR2(6 BYTE), VARCHAR2(100 SEGMENT BYTE), OUTSTANDING NUMBER(32,6), AGUNAN NUMBER(32,6)

5. Proses Ekstraksi File PSAK_CKPN_TARGET ke Tabel Tabel 4.32 Struktur Tabel PSAK_CKPN_TARGET Nama Field

Data Type

PERIODE

DATE

BRANCH_ID

VARCHAR(20)

CURRENCY

CHAR(3)

CKPNFORECAST

NUMBER(32,6)

6. Proses Ekstraksi File PSAK_INDIVIDUAL_IMPAIRMENT ke Tabel



120

Tabel 4.33 Struktur Tabel PSAK_INDIVIDUAL_IMPAIRMENT Nama Field

Data Type

DOWNLOAD_DATE

DATE,

EFFECTIVE_DATE

DATE,

CUSTOMER_NUMBER

VARCHAR2(50 BYTE),

MASTER_ACCOUNT_ID

VARCHAR2(50 BYTE),

INTEREST_RATE

FLOAT(126),

EIR

FLOAT(126),

IMP_STATUS

CHAR(1 BYTE),

INACTIVE_DATE

DATE,

INACTIVE_DESC

VARCHAR2(100 BYTE),

UNWINDING_DATE

DATE,

START_DATE_UNWINDING_INTEREST

DATE,

DUE_DATE_UNWINDING_INTEREST

DATE,

BALANCE_BEFORE_IIP

FLOAT(126),

BALANCE_AFTER_IIP

FLOAT(126),

IIP_AMOUNT

FLOAT(126),

UNWINDING_FLAG

CHAR(1 BYTE),

INPUT_SOURCE

VARCHAR2(4 BYTE),

SOURCE_FLAG

CHAR(1 BYTE),

TTL_GROSS_PROCEED

NUMBER(19,4),

TTL_UNWIND_INTEREST

NUMBER(19,4),

PKID

NUMBER(19),

TTL_NPV

NUMBER(19,4),

CREATEDBY

VARCHAR2(50 BYTE),

CREATEDDATE

TIMESTAMP(3),

UPDATEDBY

VARCHAR2(50 BYTE),

UPDATEDDATE

TIMESTAMP(3),

ASSUMPTION

VARCHAR2(500 BYTE)

7. Proses Ekstraksi File PSAK_DPD_MASTER ke Tabel Tabel 4.34 Struktur Tabel PSAK_DPD_MASTER Nama Field

Data Type

DPD_ID

INTEGER,

DPD_NAME

VARCHAR2(50 BYTE),

BI_PROV_RATE

INTEGER,

DPD_ORDER

INTEGER,

FLOW_RATE_NAME

VARCHAR2(50 BYTE),

COMPOUND_LOSS_NAME

VARCHAR2(50 BYTE),

DPD_START

INTEGER,

DPD_END

INTEGER, Universitas Indonesia


121

Nama Field

Data Type

PRODUCT_GROUP

VARCHAR2(50 BYTE),

FLAG_DEFAULT

CHAR(1 BYTE)DEFAULT 0,

PD_DEFAULT

NUMBER(9,6) DEFAULT 0

8. Proses Ekstraksi File PSAK PSAK_DPD_MASTER_HEADER ke Tabel Tabel 4.35 Struktur Tabel PSAK_DPD_MASTER_HEADER Nama Field PRODUCT_GROUP PRODUCT_GROUP_DESCRIPTION CALCULATION_TYPE METHOD_IMPAIRMENT HISTORICAL_DATA PRODUCT_GROUP_PARENT RANGE_START RANGE_END PD_THRESHOLD IA_FLAG OPTION_GROUPING CALC_METHOD INCREMENTS INDIV_ASSESMENT LGD_METHOD

Data Type VARCHAR2(20 BYTE), VARCHAR2(100 BYTE), CHAR(1 BYTE), CHAR(6 BYTE), NUMBER(10), VARCHAR2(20 BYTE), NUMBER(9,6), NUMBER(9,6), NUMBER(9,6), VARCHAR2(1 BYTE) DEFAULT 0, VARCHAR2(3 BYTE) DEFAULT 'DPD', CHAR(1 BYTE), INTEGER, VARCHAR2(1 BYTE), VARCHAR2(5 BYTE)

4.4.1.3 Tranformasi Data CKPN Untuk mendapatkan data final CKPN diperlukan proses transformasi antara lain ; penerapan business rule, pembersihan data (misalnya melakukan exclude segmentasi yang NULL), melakukan filter, melakukan update dan melakukan join dari berbagai tabel sumber untuk proses perhitungan sesuai dengan analisa business requirement pada bagan alur proses transformasi perhitungan CKPN. Proses transformasi yang dilakukan dibedakan menjadi 4 langkah proses, sesuai dengan Gambar 4.6:



122

Gambar 4.6 Overal Proses Transformasi Perhitungan Impairment (CKPN)

1. SP_PSAK_INDIVIDUAL_IMPAIRMENT ; Proses ini akan melakukan flag Impairment Individual dan mengupdate nilai dari CKPN Individual. a. UPDATE Tabel PSAK_MASTER_ACCOUNT, field IMPAIRED_FLAG = ‘I’ dengan join Data Individual Impairment pada nama ekstrak PSAK_IMPR_OVERRIDES dengan join kondisi Customer Number antara kedua tabel tersebut. b. Update Tabel PSAK_MASTER_ACCOUNT, field IIP_AMOUNT dan UNWINDING_AMOUNT dari tabel sumber PSAK_INDIVIDUAL_ IMPAIRMENT dan TBLT_PAYMENTEXPECTED dengan kondisi join MASTER_ACCOUNT_ID, IMP_STATUS=’A’ dan PAYMENTDATE adalah tanggal akhir bulan, IMPAIRED_FLAG=’I’

2. SP_PSAK_CALC_LGD

:Proses

yang

akan

melakukan

transformasi

perhitungan Nilai LGD untuk kedua metodologi perhitungan LGD (Expected Recoveries dan Collateral Shortfal), dimana data-data yang digunakan adalah data

dari

ekstrak

PSAK_EXPECTED_RECOV_UPLOAD

dan

PSAK_COLL_SHORTFALL_UPLOAD. Semua hasil perhitungan final LGD ini

akan

diinsert

ke

tabel


PSAK_RECOVERY_MATRIX.

Tabel

merupaakan Tabel yang disiapkan untuk

menampung hasil proses transformasi untuk perhitungan nilai LGD berisi nilai final LGD (1-recovery rate)



123

3. SP_PSAK_CALC_CA : Proses yang akan melakukan transformasi dalam Menghitung nilai Probability of Default (PD) dengan menggunakan metode Net Flow Rate dan Migration Analysis. Proses ini dibagi menjadi 3 bagian yaitu : a. UPDATE

attribute

Collective

Assesment

di

Tabel

PSAK_MASTER_ACCOUNT pada field PRODUCT_GROUP, DPD_ID, IMPAIRED_FLAG=’C’. Untuk PRODUCT_GROUP dan DPD_ID akan diupdate

berdasarkan

,PSAK_DPD_MASTER,

tabel

Input

PSAK_BMI_SEGMENT

PSAK_DPD_MASTER_HEADER.

Proses

selanjutnya adalah melakukan insert ke tabel PSAK_ENR. Tabel 4.36 menjelaskan proses transformasi ke tabel tujuan tabel PSAK_ENR Tabel 4. 36 Tabel Transformasi PSAK_ENR Source

Destination

PSAK_MASTER_ACCOUNT.DPD_I

PSAK_ENR.DPD_ID

Remarks

D

PSAK_MASTER_ACCOUNT.PROD

PSAK_ENR.PRODUCT

UCT_GROUP

_GROUP

PSAK_MASTER_ACCOUNT.DOWN

PSAK_ENR.PERIOD

LOAD_DATE PSAK_MASTER_ACCOUNT.OUTST

PSAK_ENR.AMOUNT

ANDING

SUM(OUTSTANDING

*

NVL(EXCHANGE_RATE, 1))

PSAK_MASTER_ACCOUNT. EXCHANGE_RATE PSAK_ENR.ACCOUNT

NVL(COUNT(1), 0) AS NOA

Conditions: Join PSAK_MASTER_PRODUCT_PARAMETER on PMA.DATA_SOURCE = PRD.DATA_SOURCE AND PMA.PRODUCT_CODE = PRD.PRD_CODE AND PMA.PRODUCT_TYPE = PRD.PRD_TYPE JOIN PSAK_DPD_MASTER DPD_D ON PMA.DPD_ID = DPD_D.DPD_ID AND PMA.PRODUCT_GROUP = DPD_D.PRODUCT_GROUP JOIN PSAK_DPD_MASTER_HEADER DPD_HON PMA.PRODUCT_GROUP = DPD_H.PRODUCT_GROUP AND DPD_H.METHOD_IMPAIRMENT = 'S00031' AND DPD_H.CALCULATION_TYPE = 'A' AND PMA.OUTSTANDING > 0 AND NVL(PMA.IS_IMPAIRED, ' ') = 'Y' AND NVL(PMA.WRITE_OFF_FLAG, ' ') <> 'Y' AND NVL(PMA.PRODUCT_GROUP, ' ') <> ' ' AND DPD_H.IA_FLAG = '0' Universitas Indonesia


124

b. Perhitungan PD dengan menggunakan Net Flow Rate. Akan dilakukan 3 sub proses perhitungan Flow rate mengacu kepada Business Requirement yang terdiri dari : i. Proses Perhitungan Flowrate SP_PSAK_CALC_FLOWRATES, flow prosesnya adalah insert ke tabel temporary untuk periode bulan ini dan insert ke temporary untuk periode bulan sebelumnya, dimana sumbernya berasal dari tabel PSAK_ENR. Rumus atau transformasi dalam menghitung Flow Rate adalah outstanding bulan ini dibagi dengan outstanding bulan lalu dengan DPD_Bucket yang berbeda. Outstanding DPD Bucket ke-2 dibagi dengan Outstanding DPD Bucket ke-1. Output transformasi pada tabel PSAK_FLOW_RATES. Tabel 4.37 dibawah ini merupakan tabel transformasi PSAK_LGD. Tabel 4.37 Tabel Transformasi PSAK_LGD (Flow Rate Calculation) Source

Destination

PSAK_DPD_MASTER.DPD_ID

DPD_ID

PSAK_DPD_MASTER.PRODUCT_G

PRODUCT_GROUP

Remarks

ROUP TYPE PSAK_ENR.PERIOD

PERIOD

PSAK_ENR

FLOW_RATES

DEFAULT ‘O’

CASE WHEN NVL (DPD_M.FLAG_DEFAULT, '0') = 'Y' THEN PD_M.PD_DEFAULT / 100 WHEN NVL (DPD_H.PD_THRESHOLD, 0) <> 0 AND NVL (A1.FLOW_RATES, 0) > NVL (DPD_H.PD_THRESHOLD, 0) / 100 THEN DPD_H.PD_THRESHOLD / 100 ELSE A1.FLOW_RATES



125

Conditions: FROM ( SELECT MASTER.DPD_ID, MASTER.PRODUCT_GROUP, DPD.PERIOD, DPD.TYPE, DPD.FLOW_RATES FROM

PSAK_DPD_MASTER MASTER LEFT OUTER JOIN (SELECT NVL

(A.DPD_ID,(B.DPD_ID - 1)) AS DPD_ID, B.PRODUCT_GROUP, 'O' AS TYPE, B.PERIOD, CASE WHEN NVL (A.AMOUNT, 0) <> 0 THEN NVL (B.AMOUNT, 0) / NVL (A.AMOUNT, 0) WHEN NVL (A.AMOUNT, 0) = 0 THEN 0 END AS FLOW_RATES FROM PSAK_ENR B LEFT JOIN PSAK_ENR A ON A.DPD_ID = (B.DPD_ID - 1) AND A.PRODUCT_GROUP = B.PRODUCT_GROUP AND A.PERIOD = FUTIL_ADD_PERIOD (B.PERIOD, -1) WHERE

A.AMOUNT IS NOT NULL AND B.PERIOD = V_PERIOD AND

B.DPD_ID > 1 AND A.PERIOD IS NOT NULL) DPD ON MASTER.DPD_ID = DPD.DPD_ID AND MASTER.PRODUCT_GROUP = DPD.PRODUCT_GROUP ORDER BY MASTER.PRODUCT_GROUP, MASTER.DPD_ID) A1 INNER JOIN PSAK_DPD_MASTER DPD_M

ON DPD_M.PRODUCT_GROUP = A1.PRODUCT_GROUP AND DPD_M.DPD_ID =

A1.DPD_ID INNER JOIN PSAK_DPD_MASTER_HEADER DPD_H ON DPD_H.PRODUCT_GROUP = DPD_M.PRODUCT_GROUP WHERE DPD_M.PRODUCT_GROUP IN (SELECT PRODUCT_GROUP FROM PSAK_DPD_MASTER_HEADER WHERE METHOD_IMPAIRMENT = 'S00031' AND CALCULATION_TYPE = 'A') ORDER BY PRODUCT_GROUP, PERIOD, DPD_ID;

ii. Proses Perhitungan Average Net flowrate. Output transformasinya adalah di Tabel PSAK_COMPOUND_FLOW_TO_LOSS . Yang menjadi sumber tabel input

adalah PSAK_FLOW_RATES, PSAK_DPD_MASTER_

HEADER, dan PSAK_DPD_MASTER. Tabel 4.38 mengenai transformasi dari tabel sumber ke tabel tujuan PSAK_LGD Tabel 4.38 Tabel Transformasi PSAK_LGD (Average Flow Rate) Source

Destination

PSAK_FLOW_RATES.DPD_ID

DPD_ID

PSAK_FLOW_RATES.PRODUCT_G

PRODUCT_GROUP

Remarks

ROUP PSAK_FLOW_RATES.TYPE

TYPE

PSAK_FLOW_RATES.PERIOD

PERIOD

PSAK_FLOW_RATES.FLOW_RATE

FLOW_TO_LOSS

DEFAULT ‘O’

AVG (FLOW_RATES)

S



126

Conditions: FROM

PSAK_FLOW_RATES rates INNER JOIN ( SELECT a.product_group, b.dpd_id,

V_PERIOD AS period, AVG (b.FLOW_RATES) AS FLOW_TO_LOSS FROM PSAK_DPD_MASTER_HEADER

a

INNER

JOIN

PSAK_DPD_MASTER

DPD_M

ON

A.PRODUCT_GROUP = DPD_M.PRODUCT_GROUP INNER JOIN PSAK_FLOW_RATES b ON a.product_group

=

b.product_group

AND

DPD_M.DPD_ID

=

B.DPD_ID

WHERE

METHOD_IMPAIRMENT = 'S00031' AND CALCULATION_TYPE = 'A' AND PERIOD BETWEEN TO_CHAR (ADD_MONTHS ( LAST_DAY (TO_DATE ( SUBSTR (V_PERIOD, 1, 4) || '-' || SUBSTR (V_PERIOD, 5, 2) || '-' || '01', 'YYYY-MM-DD')), (-1 * (a.historical_data)) + 1), 'YYYYMM')

AND

V_PERIOD

GROUP

BY

a.product_group,

b.dpd_id)

dpd

ON

RATES.PRODUCT_GROUP = dpd.product_group AND rates.period = dpd.period AND rates.dpd_id = dpd.dpd_id ORDER BY rates.PRODUCT_GROUP, rates.DPD_ID;

iii. Proses perhitungan menghandel

Average PD dan LGD Flowrate.

transformasi

ini

adalah

stored

Job yang procedure

SP_PSAK_CALC_LGD_NETFLOWRATE. Hasil trasformasi ini akan ditampung di tabel PSAK_LGD dengan menggunakan berbagai sumber tabel

yaitu

PSAK_COMPOUND_FLOW_TO_LOSS,

PSAK_DPD_MASTER_ HEADER, PSAK_DPD_MASTER, dan tabel PSAK_RECOVERY_ MATRIX. Tabel 4.39 menjelaskan transformasi dari beberapa tabel sumber ke tabel tujuan PSAK_LGD. Tabel 4. 39 Tabel Transformasi PSAK_LGD (Flow To Loss Calculation) Source

Destination

PSAK_DPD_MASTER

DPD_ID

PSAK_COMPOUND_FLOW_TO_LO

PRODUCT_GROU

SS

P


PERIOD

Remarks

SS



127

Source

Destination

Remarks


PD

CASE WHEN

SS

NVL(DPD_D.FLAG_DEFAULT, '0') = 'Y' THEN DPD_D.PD_DEFAULT / 100 ELSE CASE COUNT(CASE SIGN(FTL.FLOW_TO_LOSS) WHEN 0 THEN 1 ELSE NULL END) CASE MOD(SUM(CASE SIGN(FTL.FLOW_TO_LOSS) WHEN 1 THEN 1 ELSE 0 END), 2) WHEN 1 THEN -1 -- ODD NUMBER OF NEGATIVE NUMBERS: RESULT WILL BE NEGATIVE ELSE 1 -EVEN NUMBER OF NEGATIVE NUMBERS: RESULT WILL BE POSITIVE END * -- MULTIPLY -1 OR 1 WITH THE FOLLOWING EXPRESSION EXP(SUM(LN( -- ONLY POSITIVE (NON-ZERO) VALUES! ABS(CASE FTL.FLOW_TO_LOSS WHEN 0 THEN NULL ELSE FTL.FLOW_TO_LOSS END)))) ELSE 0 -- THERE WERE ZEROES, SO THE ENTIRE PRODUCT IS 0, TOO. END END

PSAK_RECOVERY_MATRIX.RECO

LGD

1 – ISNULL(RECOVERY_RATE, 0)

VERY_RATE Conditions: FROM PSAK_COMPOUND_FLOW_TO_LOSS FTL INNER JOIN PSAK_DPD_MASTER_HEADER DPD_H ON FTL.PRODUCT_GROUP = DPD_H.PRODUCT_GROUP INNER JOIN PSAK_DPD_MASTER DPD_D ON FTL.PRODUCT_GROUP = DPD_D.PRODUCT_GROUP AND DPD_D.DPD_ID <= FTL.DPD_ID LEFT OUTER JOIN PSAK_RECOVERY_MATRIX MAT ON FTL.PERIOD = MAT.PERIOD AND FTL.PRODUCT_GROUP = MAT.PRODUCT_GROUP WHERE FTL.PERIOD = V_PERIOD AND DPD_H.METHOD_IMPAIRMENT = 'S00031' AND DPD_H.CALCULATION_TYPE = 'A' GROUP BY DPD_D.DPD_ID,

FTL.PRODUCT_GROUP,

FTL.PERIOD,

MAT.RECOVERY_RATE,

DPD_D.FLAG_DEFAULT, DPD_D.PD_DEFAULT;



128

c. Perhitungan PD dengan menggunakan Migration Analysis akan dilakukan 4 sub proses transformasi yaitu terdiri dari : i.

Transformasi

untuk membuat snapshot pergerakan masing-masing

account dan sum of outstanding dari kolektibilitas 1 ke kolektibilitas yang lebih tinggi dengan membandingkan data pada periode bulan ini dan data pada periode bulan sebelumnya. Sumber tabel yang digunakan adalah PSAK_MASTER_ACCOUNT. Hasil trasformasi ini akan diletakkan pada di tabel PSAK_ENR_MIGRATION. Sub Proses pertama ini di-manage oleh

stored

procedure

SP_PSAK_CALC_ENR_MA.

Proses

transformasinya dapat dilihat pada Tabel 4.40

Tabel 4.40 Tabel Transformasi PSAK_ENR_MIGRATION Source

Destination

Remarks

PSAK_MASTER_ACCOUNT

DPD_ID_FROM

Periode bulan sebelumnya

PSAK_MASTER_ACCOUNT

PERIOD_FROM


PSAK_MASTER_ACCOUNT

DPD_ID_TO

Periode bulan pelaporan

PSAK_MASTER_ACCOUNT

PERIOD_TO


PSAK_MASTER_ACCOUNT

PRODUCT_GROUP

PSAK_MASTER_ACCOUNT

TOTAL_ACCOUNT

COUNT (Account_Number)

PSAK_MASTER_ACCOUNT

SUMMARY_OUTSTA

SUM(Outstanding

NDING

Exchange_Rate)

*

Conditions: SELECT

A.PRODUCT_GROUP,

TO_CHAR(A.DOWNLOAD_DATE,

'YYYYMM')

AS

PERIOD_FROM, V_PERIOD AS PERIOD_TO, A.DPD_ID AS DPD_FROM, CASE WHEN NVL(B.DPD_ID, 0) = 0 THEN CASE WHEN B.WRITE_OFF_FLAG = 'Y' THEN DPD_D.MAX_DPD_ID ELSE DPD_D.MIN_DPD_ID END ELSE B.DPD_ID END AS DPD_TO, -NVL(B.DPD_ID,

A.DPD_ID)

AS

DPD_TO,

NVL(B.OUTSTANDING,

0)

*

NVL(B.EXCHANGE_RATE,1)AS OUTSTANDING FROM TT_ACCOUNT_MIGRATION_HIST A INNER JOIN PSAK_DPD_MASTER_HEADER DPD_H ON A.PRODUCT_GROUP = DPD_H.PRODUCT_GROUP INNER JOIN (SELECT PRODUCT_GROUP, MIN(DPD_ID) AS MIN_DPD_ID, MAX(DPD_ID) AS MAX_DPD_ID FROM PSAK_DPD_MASTER GROUP BY PRODUCT_GROUP) DPD_D ON A.PRODUCT_GROUP = DPD_D.PRODUCT_GROUP LEFT OUTER JOIN TT_ACCOUNT_MIGRATION_CURR B ON A.MASTER_ACCOUNT_ID = B.MASTER_ACCOUNT_ID WHERE DPD_H.IA_FLAG = '1') X GROUP BY X.DPD_FROM, X.PERIOD_FROM, X.DPD_TO, X.PERIOD_TO, X.PRODUCT_GROUP;



129

ii. Dari

hasil

snapshot

pergerakan

account

untuk

masing-masing

kolektibilitas tersebut, kemudian dilakukan transformasi untuk menghitung Flow Rate movement kolektibilitasnya. Sumber tabel yang digunakan untuk proses transformasi ini adalah PSAK_ENR_MIGRATION dan PSAK_DPD_MASTER_HEADER. Dimana hasil transformasi ini akan diletakkan pada tabel PSAK_FLOWRATE_MIGRATION. ke-2

ini

di

lakukan

oleh

stored

procedure

Sub Proses

SP_PSAK_CALC_

FLOWRATE_MA. Tabel 4.41 menjelaskan proses transformasi ke tabel tujuan PSAK_FLOWRATE_MIGRATION Tabel 4.41 Tabel Transformasi PSAK_FLOWRATE_MIGRATION Source

Destination

Remarks

PSAK_ENR_MIGRATION

DPD_ID_FROM


PSAK_ENR_MIGRATION

PERIOD_FROM


PSAK_ENR_MIGRATION

DPD_ID_TO


PSAK_ENR_MIGRATION

PERIOD_TO


PSAK_ENR_MIGRATION

PRODUCT_GROUP

PSAK_ENR_MIGRATION

FLOW_RATES

SUMMARY_OUTSTANDI NG (bulan pelaporan) / SUMMARY_OUTSTANDI NG (bulan sebelumnya)

Conditions: FROM PSAK_ENR_MIGRATION ENR INNER JOIN PSAK_DPD_MASTER_HEADER DPD_H ON ENR.PRODUCT_GROUP = DPD_H.PRODUCT_GROUP WHERE ENR.PERIOD_TO = V_PERIOD;

iii. Dari hasil perhitungan flow rate migration tersebut, kemudian akan dihitung probability default dari masing-masing kolektibilitas, mulai dari kolektibilitas 1 sampai dengan kolektibilitas 5. Sumber tabel yang digunakan sebagai input adalah PSAK_FLOWRATE_MIGRATION, PSAK_DPD_MASTER. Hasil transformasi ini diletakkan pada tabel PSAK_COMPOUND_FLOW_TO_LOSS. digunakan

dalam

sub

proses

Stored

Procedure

ke-3

ini

yang adalah

SP_PSAK_CALC_FLOWTOLOSS_MA. Tabel 4.42 menjelaskan proses Universitas Indonesia


130

transformasi

perhitungan

PD

ke

tabel

tujuan

PSAK_COMPOUND_FLOW_TO_LOSS. Tabel 4.42 Tabel Transformasi PSAK_COMPOUND_FLOW_TO_LOSS Source

Destination

Remarks

PSAK_DPD_MASTER

DPD_ID

PSAK_FLOWRATE_MIGRATION

PRODUCT_GROUP TYPE

Default ‘O’


PERIOD


FLOW_TO_LOSS

Conditions: N/A

Setelah masing-masing probability of default (PD) ini diketahui maka selanjutnya akan dilakukan rata-rata PD di masing-masing period dari hasil transformasi point c.3 diatas selama 36 bulan terakhir untuk setiap kolektibilitas. Tabel Sumber adalah

tabel

PSAK_COMPOUND_FLOW_TO_LOSS,

PSAK_DPD_MASTER_HEADER,

PSAK_DPD_MASTER,

PSAK_

RECOVERY_MATRIX dan hasil transformasi ini akan diletakkan pada tabel PSAK_LGD. Stored Procedure yang menghandel sub proses ke-4 ini adalah SP_PSAK_CALC_LGD_MA. Tabel 4.43 menjelaskan transformasi proses perhitungan LGD. Tabel 4.43 Tabel Transformasi PSAK_LGD Source

Destination

PSAK_DPD_MASTER

DPD_ID

PSAK_COMPOUND_FLOW_TO_LOSS

PRODUCT_GR

Remarks

OUP PSAK_COMPOUND_FLOW_TO_LOSS

PERIOD

PSAK_COMPOUND_FLOW_TO_LOSS

PD

CASE WHEN NVL(DPD_D.FLAG_DEFAULT, '0') = 'Y' THEN NVL(DPD_D.PD_DEFAULT, 0) / 100 ELSE AVG(NVL(FL.FLOW_TO_LOSS, 0)) END AS PD

PSAK_RECOVERY_MATRIX. RECOVERY_RATE

LGD

1 - NVL(MAT.RECOVERY_RATE, 0) AS LGD



131

Conditions: FROM PSAK_DPD_MASTER DPD_D INNER JOIN PSAK_DPD_MASTER_HEADER DPD_H ON DPD_D.PRODUCT_GROUP = DPD_H.PRODUCT_GROUP AND DPD_H.METHOD_IMPAIRMENT =

'S00033'

AND

DPD_H.CALCULATION_TYPE

PSAK_COMPOUND_FLOW_TO_LOSS FL.PRODUCT_GROUP

AND

FL

ON

FL.DPD_ID

=

=

'A'

INNER

JOIN

DPD_D.PRODUCT_GROUP DPD_D.DPD_ID

LEFT

= JOIN

PSAK_RECOVERY_MATRIX MAT ON FL.PRODUCT_GROUP = MAT.PRODUCT_GROUP AND MAT.PERIOD

=

V_PERIOD

WHERE

FL.PERIOD

BETWEEN

TO_CHAR(ADD_MONTHS(TO_DATE(V_PERIOD, 'YYYYMM'), DPD_H.HISTORICAL_DATA * 1), 'YYYYMM') AND V_PERIOD AND LAST_DAY(TO_DATE(FL.PERIOD, 'YYYYMM')) >= V_CUTOFF_DATE

GROUP

BY

DPD_D.DPD_ID,

DPD_D.PRODUCT_GROUP,

DPD_D.FLAG_DEFAULT, DPD_D.PD_DEFAULT, MAT.RECOVERY_RATE;

4. SP_PSAK_POST_PROCESS_CA : Proses transformasi update semua hasil kalkulasi ke tabel PSAK_MASTER_ACCOUNT untuk field berikut ini yaitu PD_RATE,

LGD_RATE,

PIP_AMOUNT,

UNWINDING_AMOUNT,

BEGINNING_BALANCE, CHARGE, WRITEBACK, ENDING_BALANCE Tabel 4.44 menjelaskan rincian proses transformasi ke tabel tujuan PSAK_MASTER_ACCOUNT Tabel 4. 44 Tabel Transformasi PSAK_MASTER_ACCOUNT Source

Destination

PSAK_LGD

PD_RATE

PSAK_LGD

LGD_RATE

PSAK_LGD

PIP_AMOUNT

Rules

OUTSTANDING

*

PD_RATE

*

LGD_RATE * LIP PSAK_MASTER_ACCOU

UNWINDING_AMOU

(NVL(PMA.OUTSTANDING, 0) -

NT

NT

NVL(PMA.PIP_AMOUNT, 0)) * (DECODE(NVL(PMA.EIR, 0), 0, NVL(PMA.INTEREST_RATE, 0), NVL(PMA.EIR, 0)) / 100 / 12)

PSAK_MASTER_ACCOU

BEGINNING_BALAN

ENDING_BALANCE

NT

CE

PERIOD)

(PREVIOUS



132

Source

Destination

Rules

PSAK_MASTER_ACCOU

CHARGE

CASE WHEN

NT

NVL(PREV.ENDING_BALANCE, 0) < CASE WHEN CUR.IMPAIRED_FLAG = 'I' THEN NVL(CUR.IIP_AMOUNT, 0) ELSE NVL(CUR.PIP_AMOUNT, 0) END THEN CASE WHEN CUR.IMPAIRED_FLAG = 'I' THEN NVL(CUR.IIP_AMOUNT, 0) ELSE NVL(CUR.PIP_AMOUNT, 0) END - NVL(PREV.ENDING_BALANCE, 0) ELSE 0 END AS CHARGE

PSAK_MASTER_ACCOU

WRITEBACK

NT

CASE WHEN NVL(PREV.ENDING_BALANCE, 0) > CASE WHEN CUR.IMPAIRED_FLAG = 'I' THEN NVL(CUR.IIP_AMOUNT, 0) ELSE NVL(CUR.PIP_AMOUNT, 0) END THEN CASE WHEN CUR.IMPAIRED_FLAG = 'I' THEN NVL(CUR.IIP_AMOUNT, 0) ELSE NVL(CUR.PIP_AMOUNT, 0) END - NVL(PREV.ENDING_BALANCE, 0) ELSE 0 END AS WRITEBACK,

PSAK_MASTER_ACCOU

ENDING_BALANCE

NT

CASE WHEN CUR.IMPAIRED_FLAG = 'I' THEN NVL(CUR.IIP_AMOUNT, 0) ELSE NVL(CUR.PIP_AMOUNT, 0)END AS ENDING_BALANCE

4.4.2 Proses Transformasi dan Load Tabel Dimensi Pada bagian ini akan dijelaskan bagaiman proses transformasi yang berkaitan dengan semua tabel dimensi. Proses Transformasi dan Load pada tabel dimensi dibedakan berdasarkan Type dari SCD per masing-masing tabel dimensi. Proses transformasi dan Load untuk semua tabel dimensi merupakan proses mandatory sebelum proses load ke tabel Fakta.



133

4.4.2.1 Load Slowly Changing Dimension (SCD) Type 0 Semua dimensi dengan SCD Type 0 hanya akan dijalankan sekali pada saat initial setup PSAK Datamart. Hal tersebut karena tipe dimensi SCD Type 0 merupakan fixed attribute yang durable yang tidak pernah berubah. Source data yang digunakan berupa Flat file excel files. Gambar berikut ini akan menjelaskan proses Load ke masing-masing tabel dimension dengan SCD Type 0 yang terdiri dari

dimensi

berikut:

DIM_PERIOD,

DIM_COLLECTIBILITY,

DIM_AKAD,

DIM_CURRENCY,

DIM_COLLECTIBILITY_MOVEMENT

dan

DIM_IMPAIRMENT_FLAG. 4.4.2.2 Transformasi dan Load Slowly Changing Dimension (SCD) Type 1 Untuk menghasilkan record di tabel Dimensi Customer, dilakukan dengan mengambil data dari tabel sumber PSAK_MASTER_ACCOUNT dan melakukan import ke dalam tabel DIM_CUSTOMER. Proses load dimensi ini dilakukan selama sebulan sekali pada saat periode pelaporan. Penjelasan mengenai atribut apa saja yang digunakan dijelaskanpada tabel 4.45 Tabel 4.45 Tabel Sumber, Tujuan dan Rules Dimensi Customer Tabel Sumber

PSAK_MASTER_ACCOU NT.

Tabel Tujuan/Field Name/Data Type

Rules Initial Load dan Update

DIM_CUSTOMER. CUSTOMER_SK

Merupakan Surrogate Key dari Code Customer Number

DIM_CUSTOMER. CUSTOMER_NUMBER

CUSTOMER_NUMBER PSAK_MASTER_ACCOU NT. GLOBAL_CUSTOMER_N UMBER, PSAK_MASTER_ACCOU NT.

DIM_CUSTOMER.

Attribute yang akan diupdate apabila terdapat perubahan (SCD Type 1)

GLOBAL_CUSTOMER _NUMBER

DIM_CUSTOMER.


CUSTOMER_NAME CUSTOMER_NAME,



134

Tabel Sumber



PSAK_MASTER_ACCOU NT.

DIM_CUSTOMER.


CUSTOMER_GRADE CUSTOMER_GRADE CREATEDDATE

SYSTEM DATE pada saat setiap kali insert apabila terdapat new records

UPDATEDDATE

System Date perubahan

pada

setiap

adanya

4.4.2.3 Transformasi dan Load Slowly Changing Dimension (SCD) Type 2 Sesuai dengan pembahasan pada sub bab 4.3.8, maka pada bagian proses ETL ini akan dijelaskan porses Load Dimensi-dimensi SCD Type 2. SCD Type-akan menambahkan record baru untuk setiap perubahan dan original record akan tetap tersimpan pada tabel dimensi. Dimensi yang termasuk dalam SCD Type 2 adalah Dimensi Segment, Dimensi Impairment Group, Dimensi Area, Dimensi Main Branch, Dimensi Branch, Dimensi Product, dan Dimensi Maturity Profile Proses Load Dimensi Segment (DIM_SEGMENT) Untuk menghasilkan record terhadap tabel Dimensi Segment, dilakukan dengan mengambil data dari tabel sumber PSAK_BMI_SEGMENT dan melakukan import ke dalam tabel DIM_SEGMENT. Penjelasan mengenai atribut apa saja yang digunakan dijelaskanpada tabel 4.46



135

Tabel 4. 46 Tabel Sumber, Tujuan dan Rules Dimensi Segment Tabel Sumber / Nama

Tabel Tujuan/Field

Field

Name/Data Type

PSAK_BMI_SEGMENT.

SEGMENT_KEY

Merupakan Surrogate Key dari kode segment, incremental 1

SEGMENT_LEVEL_1_ CODE

Sequence

SEGMENT_LEVEL_1_ DESC

COLLECTIVE_GROUP_4 SEGMENT_LEVEL_2_ CODE PSAK_BMI_SEGMENT.


SEGMENT_BMI SEGMENT_LEVEL_3_ CODE PSAK_BMI_SEGMENT.



C09_SEGMENTASI_ACC OUNT

Apabila ada perubahan maka dilakukan insert new record untuk memaintain data history (SCD Type 2)

Sequence


LEFT(C09_SEGMENTASI_ACCOUNT,2)


START_DATE

SYSTEM DATE pada saat setiap kali insert atau perubahan data apabila terdapat new records

END_DATE

Untuk Old Record : akan diisi dengan System Date pada setiap adanya perubahan. Sedangkan untuk New Record : akan diisi dengan value date 31-12-9999

FLAG_CURRENT

Akan diisi Y apabila record tersebut aktif dimana value pada END_DATE adalah 3112-9999

Proses Load Dimensi Impairment Group (DIM_IMPAIRMENT_GROUP) Untuk menghasilkan

record terhadap tabel Dimensi Impairment Group,

dilakukan load dari tabel sumber PSAK_BMI_SEGMENT dan melakukan import ke dalam tabel DIM_IMPAIRMENT_GROUP dengan Distinct Value dari



136

PSAK_BMI_SEGMENT field COLLECTIVE_GROUP_2. Penjelasan mengenai atribut apa saja yang digunakan dijelaskanpada tabel 4.47 Tabel 4.47 Tabel Sumber, Tujuan, dan Rules Dimensi Impairment Group Tabel Sumber / Nama

Tabel

Tujuan/Field

Field

Name/Data Type IMPAIRMENT_CODE


Merupakan Surrogate Key dari kode Impairment Code, incremental 1

PSAK_BMI_SEGMENT.

IMPAIRMENT_GROUP

COLLECTIVE_GROUP_

Distinct

COLLECTIVE_GROUP_4

FROM

PSAK_BMI_SEGMENT).

Apabila ada perubahan maka dilakukan

4

insert new record untuk memaintain data history (SCD Type 2) START_DATE

SYSTEM DATE pada saat setiap kali insert atau perubahan dataatau apabila terdapat new records

END_DATE

Untuk Old Record : akan diisi dengan System

Date pada

setiap adanya

perubahan. Sedangkan untuk New Record : akan diisi dengan value date 31-12-9999 FLAG_CURRENT

Akan diisi Y apabila record tersebut aktif dimana value pada END_DATE adalah 31-12-9999

Proses Load Dimensi Area (DIM_AREA) Untuk menghasilkan record terhadap tabel Dimensi Area,

dilakukan

load data dari tabel sumber MASTER_BRANCH dan melakukan import ke dalam tabel DIM_AREA. Penjelasan mengenai atribut apa saja yang digunakan dijelaskanpada tabel 4.48



137

Tabel 4.48 Tabel Sumber, Tujuan, dan Rules Dimensi Area (DIM_AREA) Tabel Sumber / Nama

Tabel Tujuan/Field

Field

Name/Data Type AREABRANCH_SK


Merupakan Surrogate Key dari kode Area Code, incremental 1

MASTER_BRANCH.

AREA_CODE

Code ini akan diambil dari Master Area

AREA_DESC

Apabila ada perubahan maka dilakukan

AREA_CODE MASTER_BRANCH.

insert new record untuk memaintain data AREA_DESCRIPTION

history (SCD Type 2) START_DATE

SYSTEM DATE pada saat setiap kali insert atau perubahan data atau apabila terdapat new records

END_DATE


FLAG_CURRENT

Akan diisi Y apabila record tersebut aktif dimana value pada END_DATE adalah 3112-9999

Proses Load Dimensi Main Branch (DIM_MAINBRANCH) Untuk menghasilkan Utama),

record terhadap tabel Dimensi Main Branch (Cabang

dilakukan load dari tabel sumber MASTER_BRANCH pada field

MAIN_BRANCH_CODE

dan

melakukan

import

ke

dalam

tabel

DIM_MAINBRANCH. Penjelasan mengenai atribut apa saja yang digunakan dijelaskan pada tabel 4.49



138

Tabel 4.49 Tabel Sumber, Tujuan, dan Rules Dimensi Cabang Utama Tabel Sumber / Nama

Tabel Tujuan/Field

Field

Name/Data Type MAINBRANCH_SK


Merupakan Surrogate Key dari kode Area Code, incremental 1

DIM_AREA.

AREABRANCH_SK

Code ini merupakan foreign key dari tabel DIM_AREA

AREA_CODE MASTER_BRANCH.

MAIN_BRANCH_CO

Apabila ada perubahan maka dilakukan insert

DE

new record untuk memaintain data history (SCD

MAIN_BRANCH_COD

Type 2)

E MASTER_BRANCH.

MAIN_BRANCH_NA

Apabila ada perubahan maka dilakukan insert

ME

new record untuk memaintain data history (SCD

MAIN_BRANCH_DES

Type 2)

CRIPTION

START_DATE


END_DATE


FLAG_CURRENT


Proses Load Dimensi Branch (DIM_BRANCH) Untuk menghasilkan record terhadap tabel Dimensi Branch, dilakukan dengan mengambil

data

dari

tabel

sumber

MASTER_BRANCH

pada

field

BRANCH_CODE dan BRANCH_NAME, kemudian dilakukan import ke dalam



139

tabel DIM_BRANCH. Penjelasan mengenai atribut apa saja yang digunakan dijelaskanpada tabel 4.50 Tabel 4.50 Tabel Sumber, Tujuan dan Rules Dimensi Cabang Tabel Sumber / Nama

Tabel Tujuan/Field

Field

Name/Data Type BRANCH_SK


Merupakan Surrogate Key dari kode branch Code, incremental 1

DIM_MAINBRANCH

MAINBRANCH_SK

Code ini merupakan foreign key dari tabel DIM_MAINBRANCH

DIM_AREA

AREABRANCH_SK

Code ini merupakan foreign key dari tabel DIM_AREA

BRANCH_CODE


BRANCH_NAME


START_DATE


END_DATE

Untuk Old Record : akan diisi dengan System

Date

pada

setiap

adanya

perubahan. Sedangkan untuk New Record : akan diisi dengan value date 31-12-9999 FLAG_CURRENT




140

Proses Load Dimensi Product (DIM_PRODUCT) Untuk menghasilkan record di tabel Dimensi Product, dilakukan load dari tabel sumber PSAK_MASTER_PRODUCT_PARAMETER field PRD_TYPE dan field PRD_CODE,

serta

PRODUCT_NAME.

tabel

MAPPING_PRODUCT_FIN

Selanjutnya

melakukan

import

ke

pada

field

dalam

tabel

DIM_PRODUCT. Prosesnya dilakukan sebulan sekali pada saat akhir bulan. Penjelasan mengenai atribut apa saja yang digunakan dijelaskanpada tabel 4.51. Sedangkan pembaruan data pada Tabel Dimensi Product yaitu ketika terdapat perubahan data dari sumber data Tabel 4.51 Tabel Sumber, Tujuan dan Rules Dimensi Product Tabel Sumber / Nama Field



PRODUCT_KEY

Merupakan Surrogate Key dari Dimensi Product, incremental 1

PSAK_MASTER_PROD UCT_PARAMETER.PRD _TYPE

AKAD_CODE

PSAK_MASTER_PROD UCT_PARAMETER.PRD _CODE

PRODUCT_CODE


MAPPING_PRODUCT_F IN.PRODUCT_NAME

PRODUCT_NAME


START_DATE


END_DATE


FLAG_CURRENT




141

Proses Load Dimensi Maturity Profile (DIM_MATURITYPROFILE) Untuk menghasilkan record terhadap tabel Dimensi Maturity Profile, dilakukan dengan mengambil data dari tabel sumber di flat file excel yang berisi range pengelompokkan Maturity, dan selanjutnya melakukan import ke dalam tabel DIM_MATURITYPROFILE. Penjelasan mengenai atribut apa saja yang digunakan dijelaskanpada tabel 4.52. Pembaruan data pada Tabel Dimensi MaturityProfile yaitu ketika terdapat perubahan data dari sumber data. Tabel 4.52 Tabel Sumber, Tujuan, dan Rules Dimensi Maturity Profile Tabel Sumber / Nama Field



Initial load

MATURITYPROFILE_SK

Merupakan Surrogate Key dari Dimensi Maturity Profile, incremental 1

Initial load

DAY_START

Merupakan Day Start dari setiap bucket maturity

Initial load

DAY_END

Merupakan Day End dari setiap bucket maturity

Initial load

MATURITYPROFILE_DESC


Initial load

START_DATE

SYSTEM DATE pada saat setiap kali insert atau perubahan dataatau apabila terdapat new records

Initial load

END_DATE


Initial load

FLAG_CURRENT


4.4.3 Proses Transformasi dan Load ke Tabel Fakta Setelah selesai melakukan load ke tabel dimensi, maka sebelum melakukan load ke Tabel Fakta, diperlukan persiapan data agar dilakukan dilakukan transformasi dengan menyesuaikan tabel dimensi yang sudah dibuat. Hal ini tabel dimensi Universitas Indonesia


142

dijadikan reference untuk mensinkronisasikan antara relationship field di tabel Fakta dan tabel Dimensi. 4.4.3.1 Transformasi dan Load Fakta Pembiayaan Sesuai dengan penjelasan diatas bahwa diperlukan persiapan data sebelum melakukan load ke tabel fakta. Persiapan data yang diperlukan oleh tabel Fakta Pembiayaan sesuai dengan kebutuhan measurement dan analisa yang dibutuhkan oleh pengguna, maka diperlukan proses transformasi terhadap informasi-informasi yang belum tersedia secara raw data dari tabel sumber. Proses transformasi yang diperlukan sebelum load ke tabel fakta pembiayaan adalah berasal dari beberapa sumber tabel antara lain : 1. Sumber

Tabel

PSAK_MASTER_ACCOUNT

dengan

field

BI_COLLECTABILITY, dengan tujuan tabel FACTLOANACCOUNT, field BI_KOL.

Field-field

yang

dilakukan

transformasi

adalah

BI_COLLECTABILITY, dimana format dari sumber tabel adalah numeric, proses transformasinya adalah melakukan perubahan data type menjadi character. 2. Field berikutnya adalah KOL_MOV, dimana akan menjelaskan keterangan pergerakan kolektibilitas untuk setiap account dari satu periode ke periode berikutnya. Untuk membuat transformasi field ini, langkah awal adalah harus dilakukan penggabungan semua account number yang terdapat di bulan pelaporan ini dan account-account pembiayaan yang berasal dari bulan sebelumnya. Hal ini disebabkan karena ada kemungkinan account pembiayaan yang sudah mengalami jatuh tempo(matured) atau sudah closed dimana account tersebut sudah tidak ada lagi di raw data bulan berikutnya. Langkah ini diperlukan untuk menjawab kebutuhan analisa untuk melihat pergerakan kolektibilitas per masing-masing cabang. Proses Transformasinya adalah dengan menggabungkan kolektibilitas bulan pelaporan (Sumber tabel PSAK_MASTER_ACCOUNT field BI_COLLECTABILITY di tanggal bulan pelaporan) dengan bulan sebelumnya dengan mengikuti format character sesuai pada tabel Dimensi DIM_COLLECTIBILITY_MOVEMENT.



143

3. Dari akibat proses transformasi diatas (pergerakan kolektibilitas), maka diperlukan tambahan satu kolom yaitu FLAG_CURRENT di tabel tujuan FACTLOANACCOUNT, yaitu akan berisi nilai karakter ‘Y’ atau ‘N’ untuk identifier bahwa account tersebut merupakan account baru atau account lama. Flag ‘Y’ menunjukkan bahwa account number tersebut merupakan account yang ada di bulan pelaporan dan belum ada pada bulan sebelumnya. 4. Field berikutnya adalah field NPL, yaitu dengan mengisi dengan nilai outstanding apabila account pembiayaan BI_KOL valuenya 3, 4, dan 5. Setelah dilakukan transformasi pada field NPL (Non Performing Loan), maka proses transformasi selanjutnya adalah melakukan perhitungan NPL Ratio dimana merupakan salah satu measurement yang diperlukan pada tabel Fakta Pembiayaan. Transformasi dilakukan dengan mengelompokkan nilai NPL setiap cabang kemudian dibagi dengan total Outstanding di setiap cabang tersebut. 5. Field terakhir yang dilakukan transformasi adalah MaturityID yaitu dengan menyesuiakan

surrogate

key

yang

berada

pada

tabel

Dimensi

DIM_MATURITY_PROFILE sesuai dengan selisih tanggal jatuh tempo (field : Loan_due_date pada Tabel PSAK_MASTER_ACCOUNT) dengan tanggal pelaporan dalam satuan hari kalendar yang kemudian dikelompokkan menjadi kode yang menunjukkan range jatuh tempo pembiayaan. Tabel 4.53 menjelaskan proses transformasi keseluruhan ke tabel tujuan FACTLOANACCOUNT Tabel 4.53 Tabel transformasi FACTLOANACCOUNT sebagai tabel input sebelum load ke tabel FACT_LOAN Source

Destination

PSAK_MASTER_ACCOUNT. DOWNLOAD_DATE

DOWNLOAD_DATE

PSAK_MASTER_ACCOUNT. SEGMENT

SEGMENT

PSAK_MASTER_ACCOUNT. CURRENCY

CURRENCY

PSAK_MASTER_ACCOUNT. BRANCH_CODE

BRANCH_CODE

Remarks



144

Source PSAK_MASTER_ACCOUNT. PRODUCT_CODE PSAK_MASTER_ACCOUNT. ACCOUNT_NUMBER PSAK_MASTER_ACCOUNT. BI_COLLECTABILITY

Destination PRODUCT_CODE ACCOUNT_NUMBE R BI_KOL

KOL_MOV

FLAG_CURRENT PSAK_MASTER_ACCOUNT. OUTSTANDING PSAK_MASTER_ACCOUNT. PLAFOND

CONVERT(varchar(1),B.bi_collectability) AS BI_KOL CASE WHEN CONVERT(varchar(1),A.bi_collectability) IS NULL THEN CONVERT(varchar(1),b.bi_collectability) + '-' + CONVERT(varchar(1),B.bi_collectability) END AS KOL_MOV CASE WHEN CONVERT(varchar(1),A.bi_collectability) IS NULL THEN 'Y' ELSE 'N' end AS FLAG_CURRENT,

OUTSTANDING

isnull(B.OUTSTANDING,0),

PLAFOND

isnull(B.PLAFOND,0),

NPL

PSAK_MASTER_ACCOUNT. LOAN_DUE_DATE

Remarks

MATURITY_ID

CASE WHEN CONVERT(varchar(1),B.bi_collectability) IN ('3','4','5') THEN B.OUTSTANDING ELSE 0 END CASE WHEN DATEDIFF(DAY, B.DOWNLOAD_DATE,B.LOAN_DUE_d ATE) < 0 THEN '000' WHEN DATEDIFF(DAY, B.DOWNLOAD_DATE,B.LOAN_DUE_d ATE) BETWEEN 0 AND 30 THEN '100' WHEN DATEDIFF(DAY, B.DOWNLOAD_DATE,B.LOAN_DUE_d ATE) BETWEEN 31 AND 90 THEN '110' WHEN DATEDIFF(DAY, B.DOWNLOAD_DATE,B.LOAN_DUE_d ATE) BETWEEN 91 AND 180 THEN '120' WHEN DATEDIFF(DAY, B.DOWNLOAD_DATE,B.LOAN_DUE_d ATE) BETWEEN 181 AND 365 THEN '130' WHEN DATEDIFF(DAY, B.DOWNLOAD_DATE,B.LOAN_DUE_d ATE) BETWEEN 365 AND 1095 THEN '140' WHEN DATEDIFF(DAY, B.DOWNLOAD_DATE,B.LOAN_DUE_d ATE) BETWEEN 1096 AND 1825 THEN '150' ELSE '160'

Conditions: from #tempPrevMonth A RIGHT JOIN #tempCurrentMonth B ON A.ACCOUNT_NUMBER=B.ACCOUNT_NUMBER



145

Setelah dilakukan pengumpulan data di level granularitas terendah yaitu pada account number, maka proses selanjutnya adalah melakukan load ke tabel fakta terakhir yaitu FACT_LOAN. Transformasi per masing-masing field dari sumber data ke tabel tujuan dapat dilihat pada tabel 4.54 Tabel 4.54 Tabel Load ke Tabel Fakta Pembiayaan (FACT_LOAN) Source

Destination

Remarks

FACTLOANACCOUNT

DOWNLOAD_DATE

DIM_AKAD

AKAD_CODE

DIM_SEGMENT

SEGMENT_SK

DIM_CURRENCY

CURRENCY_CODE

DIM_BRANCH_MASTER

AREA_CODE

DIM_BRANCH_MASTER

MAIN_BRANCH_CODE

DIM_BRANCH

BRANCH_CODE

DIM_COLLECTABILITY

BI_COLLECTABILITY

DIM_PRODUCT

PRODUCT_CODE

DIM_COLLECTIBILITY_MOVEM ENT

COLLECTMOVEMENT_SK

DIM_MATURITYPROFILE

MATURITYPROFILE_COD E

FACTLOANACCOUNT

OUTSTANDING,

SUM(A.OUTSTANDING)

FACTLOANACCOUNT

NUMBEROFACCOUNT

COUNT(A.ACCOUNT_NUMBER)

FACTLOANACCOUNT

PLAFOND

SUM(A.PLAFOND)

FACTLOANACCOUNT

NONPERFOMINGLOAN

SUM(A.NPL)



146

Source

Destination NPL_RATIO

Remarks UPDATE FACT_LOAN SET NPL_RATIO = B.NPL_RATIO FROM FACT_LOAN AINNER JOIN ( SELECT BRANCH_CODE, SUM(NONPERFOMINGLOAN)/SU M(OUTSTANDING) AS NPL_RATIOFROM FACT_LOAN GROUP BY BRANCH_CODE) B ON A.BRANCH_CODE=B.BRANCH_C ODE WHERE A.OUTSTANDING <> 0

Condition: FACTLOANACCOUNT ALEFT JOIN DIM_BRANCH_MASTER B ON A.BRANCH_CODE=B.BRANCH_CODE LEFT JOIN DIM_SEGMENT C ON A.SEGMENT=C.SEGMENT_LEVEL_3_DESC LEFT JOIN DIM_COLLECTIBILITY_MOVEMENT D ON A.KOL_MOV=D.COLLECTMOVEMENT_DESC GROUP BY A.DOWNLOAD_DATE ,C.SEGMENT_SK ,A.CURRENCY,B.AREA_CODE,B.MAIN_BRANCH_CODE,A.BRANCH_CODE ,A.BI_KOL,A.PRODUCT_CODE,D.COLLECTMOVEMENT_ID,A.MATURITY_ID

4.4.3.2 Transformasi dan Load Fakta CKPN Persiapan data yang diperlukan sebelum dilakukan load ke tabel fakta CKPN adalah melakukan pengumpulan data selama dua periode selama dua bulan pelaporan ke tabel temporary. Data yang dikumpulkan ada pada level akun pembiayaan. Semua akun pembiayaan dan atribut yang berkaitan dengan kebutuhan pada fakta CKPN tersebut dikumpulkan di dalam satu tabel. Tujuan pengumpulan semua data ke dalam satu periode pelaporan terkait dengan kebutuhan measurementmovement CKPN, yaitu untuk mengetahui berapa banyak tambahan CKPN yang dibentuk (charged) atau berapa banyak cadangan yang berkurang (released) di setiap cabang pada periode setiap bulannya. Kebutuhan lainnya untuk mengetahui pergerakan kolektibilitas dari setiap debitur dari bulan sebelumnya ke bulan pelaporan. Transformasi diperlukan juga dalam pembentukan maximum kolektibilitas per masing-masing customer_number untuk setiap segment, collective impairment group, currency, branch_code dan product_code.



147

Measurement lainnya adalah variance CKPN aktual dan CKPN forecast terbesar dan measurement terkait dengan selisih / variance antara pembentukan CKPN dan PPAP, termasuk didalamnya proses transformasi nilai PPAP. Transformasi nilai PPAP yaitu dengan mengalikan persentase tertentu untuk masing-masing maksimum kolektibilitas. Transformasi lainnya adalah berkaitan dengan proses perhitungan Impaired Loan Ratio per masing-masing cabang, yang dibentuk dari perbandingan antara nilai total nilai CKPN dalam mata uang Rupiah pada periode tertentu dibandingkan dengan total nilai outstanding dalam mata uang Rupiah yang dikelompokkan per masing-masing cabang (branch_code). Transformasi

diperlukan

juga

dalam

melakukan

prorate

ke

level

customer_number untuk target CKPN dalam mata uang Rupiah (Field : CKPNFORECAST_IDR), karena yang menjadi data input Target CKPN atau Forecast adalah dalam level branch, sedangkan data granularitas di tabel FACT_CKPN adalah di level customer_number.Sumber tabel transformasi Target CKPN ini adalah pada tabel PSAK_CKPN_TARGET. Proses transformasi terakhir adalah penyesuaian kode untuk field-field berikut ini sesuai dengan surrogate key atau primary key pada Tabel Dimensi. Field-field tersebut adalah AKAD_CODE di Tabel DIM_AKAD, field segment_code di Tabel

DIM_SEGMENT,

field

DIM_IMPAIRMENT_GROUP, DIM_IMPAIRMENT_FLAG,

IMPAIRMENTGROUP_CODE field

field

IMPAIRMENT_CODE

di di

Tabel Tabel

COLLECTMOVEMENT_SK di Tabel

DIM_COLLECTABILITY_MOVEMENT. Semua output proses transformasi dari masing-masing tabel sumber sebagai persiapan data sebelum load ke tabel Fakta CKPN ditampung di tabel temporary FACTCKPNCUST.Rincian transformasi dari sumber data ke tabel tujuan dapat dilihat pada Tabel 4.55.



148

Tabel 4.55 Tabel Load ke Tabel Fakta CKPN (FACT_CKPN) Source FACTCKPNCUST

Destination

Remarks

DOWNLOAD_DA TE

DIM_AKAD

AKAD_CODE

DIM_SEGMENT

SEGMENT_CODE

FACTCKPNCUST

CURRENCY_COD E

DIM_AREA

AREA_CODE

DIM_MAINBRANCH

MAIN_BRANCH_ CODE

DIM_BRANCH

BRANCH_CODE

DIM_CUSTOMER

CUSTOMER_NU MBER

DIM_PRODUCT

PRODUCT_CODE

DIM_IMPAIRMENT_GR

COLLECTIVE_GR

OUP

OUP

FACTCKPNCUST

PD_RATE

FACTCKPNCUST

LGD_RATE

FACTCKPNCUST

EXPECTED_LOSS _RATE

DIM_IMPAIRMENT_FLA

FLAG_IMPAIRED

G DIM_COLLECTABILITY

COLLECTMOVE

CASE WHEN

_MOVEMENT

MENT_SK

CONVERT(varchar(1),A.bi_collectability) IS NULL THEN CONVERT(varchar(1),b.bi_collectability) + '-' + CONVERT(varchar(1),B.bi_collectability) END AS KOL_MOV

FACTCKPNCUST

MAX_BICOLLEC

MAX(BI_COLLECTABILITY) GROUP

TABILITY

BY CUSTOMER_NUMBER

FACTCKPNCUST

OUTSTANDING

FACTCKPNCUST

COLLATERAL_V ALUE



149

Source FACTCKPNCUST

Destination PPAP

Remarks CASE WHEN MAX(BI_COLLECTABILITY)=1 THEN SUM(ISNULL(OUTSTANDING,0) * ISNULL(EXCHANGE_RATE,1) * 0.01) WHEN MAX(BI_COLLECTABILITY)=2 THEN SUM(ISNULL(OUTSTANDING,0) * ISNULL(EXCHANGE_RATE,1) * 0.05) WHEN MAX(BI_COLLECTABILITY)=3 THEN SUM(ISNULL(OUTSTANDING,0) * ISNULL(EXCHANGE_RATE,1) * 0.15) WHEN MAX(BI_COLLECTABILITY)=4 THEN SUM(ISNULL(OUTSTANDING,0) * ISNULL(EXCHANGE_RATE,1) * 0.50) WHEN MAX(BI_COLLECTABILITY)=5 THEN SUM(ISNULL(OUTSTANDING,0) * ISNULL(EXCHANGE_RATE,1) * 1) ELSE 0 END AS PPAP

FACTCKPNCUST

CKPNFORECAST

SET CKPNFORECAST_IDR = A.OUTSTANDING_IDR * B.RATIO_TARGET_CABANG FROM FACTCKPNCUST A INNER JOIN (SELECT X.BRANCH_CODE, X.MAIN_BRANCH_CODE, X.OUTSTANDING_IDR, X.CKPNKOLEKTIF_IDR, X.OUTSTANDING_IDR*Y.impaired_loan_ ratio_per_mainbranch AS TARGET_BRANCH, X.CKPNKOLEKTIF_IDR (X.OUTSTANDING_IDR*Y.impaired_loan _ratio_per_mainbranch) AS VARIANCE,



150

Source FACTCKPNCUST

Destination CKPNFORECAST

Remarks (X.OUTSTANDING_IDR*Y.impaired_loan _ratio_per_mainbranch) / X.OUTSTANDING_IDR AS RATIO_TARGET_CABANG FROM ( SELECT A.BRANCH_CODE, B.MAIN_BRANCH_CODE, SUM(OUTSTANDING_IDR) AS OUTSTANDING_IDR, SUM(CKPNKOLEKTIF_IDR) AS CKPNKOLEKTIF_IDR, SUM(CKPNKOLEKTIF) AS CKPNKOLEKTIF, sum(ckpnkolektif_idr)/sum(outstanding_idr) as impaired_loan_ratio_per_branch FROM FACTCKPNCUST A inner join dim_branch b on a.branch_code = b.branch_code GROUP BY A.BRANCH_CODE, B.MAIN_BRANCH_CODE ) X INNER JOIN CKPNTARGETIDR Y ON X.MAIN_BRANCH_CODE=Y.MAIN_BR ANCH_CODE ) B ON A.BRANCH_CODE=B.BRANCH_CODE

FACTCKPNCUST

CKPNKOLEKTIF

FACTCKPNCUST

CKPNINDIVIDUA L

FACTCKPNCUST

INTEREST_UNWI NDING

FACTCKPNCUST

CHARGED

FACTCKPNCUST

RELEASED

FACTCKPNCUST

IMPAIRED_LOA

sum(ckpnkolektif_idr)/sum(outstanding_idr)

N_RATIO

,from (SELECT BRANCH_CODE, sUM(OUTSTANDING_IDR) AS OUTSTANDING_IDR,SUM(CKPNKOLE KTIF_IDR) AS CKPNKOLEKTIF_IDR, SUM(CKPNKOLEKTIF) AS CKPNKOLEKTIF,



151

Source FACTCKPNCUST

Destination

Remarks

IMPAIRED_LOA

sum(ckpnkolektif_idr)/sum(outstanding_idr)

N_RATIO

as impaired_loan_ratio_per_branch FROM FACTCKPNCUST GROUP BY BRANCH_CODE) a inner join dim_branch b on a.branch_code = b.branch_code group by b.main_branch_code

Condition: FROM #tempCurrMonthCKPN WHERE OUTSTANDING <> 0 GROUP BY DOWNLOAD_DATE, SEGMENT, CURRENCY, BRANCH_CODE, PRODUCT_CODE, CUSTOMER_NUMBER, PD_RATE, LGD_RATE, PD_RATE*LGD_RATE



BAB 5 IMPLEMENTASI OLAP

Setelah rancangan datamart PSAK 50/55 terbentuk, maka tahapan berikutnya melakukan perancangan aplikasi pelaporan dan pemanfaatan tools analisa yang akan digunakan oleh divisi keuangan, akuntansi dan manajemen risiko. Melanjutkan dari perancangan dari datamart untuk pemenuhan penyusunan pelaporan CKPN sesuai PSAK 50/55, kemudian akan dikembangkan untuk tools analisa dengan pengolahan visualisasi Online Analytical Processing (OLAP). Sebelum melakukan implementasi OLAP, diperlukan persiapan environment server yang dapat menyediakan OLAP. Persiapan environment dalam penelitian ini menggunakan databaseMicrosoft SQL Server 2012 dan IBM Cognos Insight sebagai tools yang digunakan oleh pengguna dalam visualisasi laporan, grafik dan analisa. Hasil pemrosesan ETL dan permodelan data dimensional (cube) akan digunakan sebagai input dalam presentasi dan visualisasi laporan yang digunakan. Dari kebutuhan 12 laporan yang telah dipaparkan pada fase analisa kebutuhan informasi, sumber data yang digunakan dalam memfasilitasi ini dibedakan menjadi 2 bagian yang terdiri dari informasi dari tabel fakta pembiayaan (FACT_LOAN) dan berasal dari sumber tabel fakta CKPN (FACT_CKPN). Termasuk didalamnya tabel-tabel dimensi yang berkaitan dengan masing-masing tabel fakta. 5.1 Implementasi Pada bab ini berisi tentang informasi yang disediakan oleh datamart PSAK. Informasi tersebut digunakan untuk menghasilkan beberapa laporan yang nantinya digunakan dalam pelaporan internal manajemen Bank X dan pelaporan eksternal Bank X ke Bank Indonesia dan eksternal Visualiasi OLAP yang telah dirancang dan dipresentasikan kepada pengguna dengan menggunakan toolsIBM Cognos Insight. Presentasi tersebut akan 152



153

ditampilkan dalam bentuk masing-masing desktop dari pengguna selama terhubung dengan databasedatamart PSAK melalui aplikasi cognos insight. Sehingga pengguna dapat mengakses dimana saja baik secara online dan offline yaitu dengan disimpan ke local device yang digunakan oleh pengguna, baik itu PC ataupun mobile device. 5.1.1 Informasi Pembiayaan Presentasi informasi pembiayaan akan menampilkan informasi portfolio pembiyaan pada Bank X. Cube pembiayaan (CUBE_FACTLOAN) merupakan hasil dari permodelan secara dimensional yang memungkinkan pengguna untuk melakukan beberapa laporan terkait dengan pembiayaan yang dibutuhkan serta melakukan analisa dengan berbagai persepektif dengan penggunaan fitur roll up, drill down, dan slice and dice. Roll up dan drill down dapat dilakukan pada dimensi branch, dimensi main branch dan dimensi area yang mana telah dilakukan konfigurasi hirarki informasi dari tingkat hirarki tertinggi sampai dengan tingkat granularitas yang paling kecil pada informasi pembiayaan per masing-masing dimensi yang dipilih. Sedangkan slice and dice dapat dilakukan berdasarkan kemungkinan dimensi yang ada yang terdiri dari :dimensi segmentasi dimensi pembiayaan, dimensi kolektibilitas, dimensi currency, dimensi maturity profile, dimensi pergerakan kolektibilitas, dimensi cabang, dimensi main branch, dimensi area, dimensi akad dan dimensi periode waktu. Sedangkan measurement untuk informasi pembiayaan berupa jumlah pembiayaan itu sendiri, banyaknya pembiayaan, jumlah plafond, jumlah nonperfomingloan dan rasio NPL. Struktur Cube informasi pembiayaaan dapat dilihat pada gambar 5.1



154

Gambar 5.1 Struktur Cube Informasi Pembiayaan Beberapa gambar dibawah ini akan menjelaskan sampel dari presentasi OLAP terkait dengan kebutuhan laporan yang terkait dengan informasi pembiyaan antara lain; laporan total pembiayaan berdasarkan cabang, laporan pembiayaan berdasarkan produk dan segment, laporan pembiayaan berdasarkan tanggal jatuh tempo pembiayaan dan laporan pembiayaan mengalami perubahan kolektibilitas, serta laporan ratio non perfoming loan (NPL). Gambar 5.2 menjelaskan mengenai salah satu presentasi laporan Rasio Non Performing Loan dari setiap cabang untuk beberapa periode di tahun 2014. Pada laporan ini ditampilkan dengan cara diurutkan berdasarkan ratio NPL terbesar ke rasio NPL terkecil.



155

Gambar 5.2 Presentasi Laporan rasio NPL per masing-masing cabang Gambar 5.3 menjelaskan mengenai presentasi laporan pembiayaan berdasarkan lamanya tempo pembiayaan per masing-masing periode termasuk visualisasi grafik batang. Dimensi yang digunakan adalah dimensi maturity profile dan dimensi waktu sedangkan yang menjadi measurementnya adalah Outstanding.



156

Gambar 5.3 Presentasi Laporan Pembiayaan berdasarkan lamanya jatuh tempo Gambar 5.4 menjelaskan mengenai presentasi laporan pembiayaan berdasarkan pergerakan kolektibilitas dari periode januari 2014 ke periode februari 2014 untuk semua cabang di Bank X. Dimensi yang digunakan adalah dimensi collectibility movement

field

collectmovement_idpada

posisi

baris

dan

field

flag

collectmovement pada posisi kolom, sedangkan dimensi waktu pada posisi kolom. Measurement pada pelaporan ini adalah total pembiayaan per masing-masing flagging pergerakan kolektibilitas. Flag 1 menunjukkan pembiayaan yang tidak mengalami pergerakan kolektibilitas, Flag 2 menunjukkan pembiayaan yang mengalami pergerakan kolektibilitas yang membaik, sedangkan Flag 3 menunjukkan pembiayaan yang mengalami pergerakan kolektibilitas yang memburuk.Dari rangkuman pergerakan kolektibilitas dari laporan pada gambar 5.4, terdapat 6.44% mengalami pergerakan kolektibilitas yang memburuk yang dapat dilihat pada Gambar 5.5



157

Gambar 5.4 Presentasi Laporan Pembiayaan berdasarkan pergerakan kolektibilitas

Gambar 5.5 Presentasi summary Analisa Persentase pergerakan kolektibilitas Universitas Indonesia


158

5.1.2 Informasi Cadangan Kerugian Penurunan Nilai Presentasi informasi CKPN akan menampilkan informasi CKPN untuk semua portfolio pembiyaan pada Bank X. Cube CKPN (CUBE_CKPN) merupakan hasil dari permodelan secara dimensional yang memungkinkan pengguna untuk melakukan penyiapan beberapa laporan terkait dengan monitoring CKPN serta melakukan analisa dengan berbagai persepektif dengan penggunaan fitur roll up, drill down, dan slice and dice berdasarkan parameter dimensi yang dipilih sampai dengan granularitas terendah pada level customer. Laporan yang terkait dengan informasi CKPN terdiri dari Laporan Impairment Ratio, Laporan Tren Probability Default(PD) dan Loss Given Default (LGD),Laporan Collective Impairment berdasarkan group of impairment,Laporan Impairment berdasarkan segmentasi,Laporan Variance CKPN Aktual dan CKPN Forecast,Laporan Movement CKPN terbesar per cabang,Laporan top 10 Individual Impairment. Gambar 5.6 merupakan struktur cube informasi CKPN yang terdiri dari satu sumber tabel fakta dengan berbagai measurement yaitu PD Rate, LGD Rate, Outstanding, PPAP, CKPN Forecast, CKPN Individual, CKPN Kolektif, Charged, Released dan Impaired Loan Ratio. Sedangkan yang menjadi dimensinya terdiri dari dimensi Impairment Group, Impairment Flag, Segment, Cabang, Currency, Kolektibilitas, dan Periode waktu.



159

Gambar 5.6 Struktur Cube pada informasi CKPN Gambar 5.7 merupakan salah satu presentasi Laporan monitoring CKPN Forecast, CKPN Aktual, PPAP,dan Impaired Loan Ratio berdasarkan Area. Presentasi laporan monitoring CKPN Forecast, CKPN Aktual, PPAP dan Impaired LoanRatio dapat dilakukan drill down sesuai dengan hirarki dimensi yang dipilih dari yang paling tinggi sampai dengan granularitas terkecil yaitu di level customer. Berdasarkan nilai CKPN total terbesar di suatu area, kemudian di drill down pada level cabang utama (main branch) yang tercermin pada gambar 5.8, kemudian dari main branch di drill down ke level cabang yang tertera pada gambar 5.9. Untuk mengetahui customer-customer mana saja yang memberikan kontribusi CKPN terbesar di cabang tersebut maka dilkaukan drill down kembali sampai dengan level granularitas terkecil, contoh kasus ini tertera pada gambar 5.10. Demikian juga fitur roll up dari masing-masing nilai CKPN yang ada. Roll up merupakan akumulasi dari nilai ckpn per masing-masing cabang sampai dengan hirarki dimensi yang tertinggi. Penggunaan fasilitas drill down dan roll up ini tergantung dari konfigurasi dimensi yang ada, dengan granularities dari level branch, main branch sampai dengan area. Sedangkan granularitas terendah di Universitas Indonesia


160

level customer number yang menjelaskan kontribusi CKPN untuk masing-masing customer. Gambar 5.7 menggambarkan analisa total CKPN berdasarkan area. Analisa yang dapat diperoleh adalah Rasio Impairment loan yangpaling besar dan nilai CKPNnya paling besar terdapat di bulan februari 2014, Area TIER-ONE CITY 1.

Gambar 5.7 Presentasi Laporan monitoring CKPN Forecast, CKPN Aktual, PPAP,dan Impaired Loan Ratio berdasarkan cabang, main branch dan area Gambar 5.8 merupakan hasil drill down dari area ke main branch, didapatkan bahwa cabang utama (main_branch) kalimalang dengan kode cabang 305 memberikan kontribusi pembentukan nilai CKPN terbesar.



161

Gambar 5. 8 Presentasi Drill down dari Area ke Main Branch untuk Laporan monitoring CKPN Forecast, CKPN Aktual, PPAP,dan Impaired Loan Ratio berdasarkan cabang, main branch dan area Gambar 5.9 adalah bentuk dari drill down dari cabang utama ke cabang.Cabang Kalimalang merupakan kontribusi terbesar. Maka untuk mengetahui daftar dari customer-customer mana saja yang memberikan kontribusi CKPN terbesar terdapat pada gambar 5.10.



162

Gambar 5. 9 Presentasi Drill down dari Main Branch ke Branch dengan CKPN Total terbesar di periode Februari 2014.



163

Gambar 5. 10 Presentasi Drill down dari Branch ke daftar customer dengan CKPN Total terbesar di periode Februari 2014. Gambar 5.11 menjelaskan mengenai presentasi laporan tren PD dan LGD mulai dari periode Februari, Maret dan April 2014. Dimensi yang digunakan dalam pembuatan laporan ini adalah Dimensi Collective Impairment Group dan Dimensi waktu, sedangkan measurementnya adalah PD Rate, LGD Rate dan Expected Loss Rate.

Gambar 5.11 Presentasi laporan PD dan LGD Trend Gambar 5.12 menjelaskan mengenai presentasi laporan perbandingan antara PPAP dan CKPN Aktual. Dimensi yang digunakan dalam pembuatan laporan ini adalah Dimensi Collective Impairment Group dan Dimensi waktu, sedangkan measurementnya adalah PPAP, CKPN dan komputasi sederhana yaitu PPAP dikurangi dengan CKPN. Universitas Indonesia


164

Gambar 5. 12 Presentasi laporan perbandingan PPAP dengan CKPN Beberapa laporan yang terkait kepada informasi CKPN lainnya terlihat pada Gambar 5.13, Gambar 5.14 dan Gambar 5.15

Gambar 5. 13 Presentasi laporan Movement CKPN Charged terbesar dikelompokkan berdasarkan cabang pada periode April 2014 Universitas Indonesia


165

Gambar 5.14 Presentasi laporan Movement CKPN Released terbesar dikelompokkan berdasarkan cabang pada periode April 2014

Gambar 5. 15 Presentasi laporan collective Impairment berdasarkan group of Impairment Universitas Indonesia


166

Gambar 5.16 Presentasi laporan collective Impairment berdasarkan Segmentasi Pembiayaan pada bulan April 2014 Penggunaan berbagai fitur analisa pada OLAP seperti drill down, drill up dan slice and dice, what if analysis, membuat tambahan komputasi baru dari informasi yang tersedia misalnya variance antara nilai CKPN Aktual dan CKPN forcast, variance antara nilai pencadangan yang berdasarkan formula PPAP dan formula CKPN secara dinamis dengan click and drag secara on the fly tanpa ketergantungan dengan tim IT dalam menyediakan pelaporan yang diminta. Fitur lainnya adalah pengguna dapat mengganti data view secara on the fly, dalam aktivitas sorting, pencarian data tertentu

dapat digunakan untuk melakukan

berbagai macam analisa sesuai dengan kebutuhan dari pengguna. Pengguna dapat melakukan pengaturan slice and dice tergantung dari dimensi dan measurement yang terdapat dari masing-masing report. Salah satu contoh dalam penelitian ini terletak laporan variance nilai CKPN actual dan CKPN forecast. Manfaat lain yang didapat dari penggunaan OLAP adalah representasi visualisasi dalam bentuk grafik dimana secara dinamis. Dashboard berupa pie chart untuk komposisi CKPN per masing-masing cabang. Informasi dalam bentuk grafik sudah dalam bentuk dinamis, grafik akan berubah tergantung dari parameter dan data yang ada pada cross tab report. Visualisasi yang dinamis juga dapat merepresentasikan fasilitas drill down dari informasi yang dipilih. Ketika bulan Universitas Indonesia


167

periode pelaporan diganti maka pie chart dari masing-masing measurementyang ditampilkan (CKPN total) akan berubah dengan menampilkan data untuk bulan pelaporan tersebut. 5.2 Uji Coba Setelah semua laporan yang dibutuhkan oleh pengguna diimplementasikan melalui OLAP, maka aktivitas selanjutnya adalah melakukan uji coba acceptance oleh masing-masing pengguna akhir apakah setiap laporan yang dibuat sesuai dengan ekspektasi kebutuhan pengguna baik dari aspek lamanya pemrosesan, kebutuhan informasi dan keakuratan data. Setelah dilakukan uji coba selama tiga kali periode pelaporan, pemrosesan pada penelitian ini memerlukan waktu kurang lebih selama rata-rata +/- 51 menit, mulai dari ekstraksi data staging, transformasi data staging, transformasi ke dalam bentuk dimensional modeling sampai dengan pemrosesan cube menampilkan dalam bentuk masing-masing laporan yang diperlukan oleh pengguna. Waktu pemrosesan dihitung ketika semua sumber data siap untuk digunakan dan tidak termasuk waktu untuk melakukan analisa oleh masing-masing pengguna. Tabel 5.1 merupakan contoh dari pemrosesan datamart informasi CKPN pada periode januari sampai dengan periode maret 2014.



168

Tabel 5.1 Tabel pemrosesan informasi CKPN pada periode Januari – Maret 2014

Adapun berbagai skenario dalam melakukan uji coba acceptance hasil implementasi datamart dan OLAP pada penelitian ini, antara lain: 1. Membandingkan total data pembiayaan dari datamart dengan laporan neraca Bank X periode tertentu. (Lampiran 7) 2. Membandingkan

laporan

Probability

Default

untuk

masing-masing

metodologi Net Flow Rate dan Migration Analysis dengan cara menghitung ulang secara manual nilai Probability Default untuk masing-masing metode dan segmentasi impairment group. (Lampiran 8) 3. Membandingkan laporan Loss Given Defaultuntuk masing-masing metodologi Expected Recoveries dan Collateral Shortfall dengan caramelakukan perhitungan ulang secara manual. (Lampiran 9) 4. Membandingkan laporan perhitungan CKPN kolektif per masing-masing impairment group dan kolektibilitas dengan mengalikan komponen persentase dari PD, persentase LGD dan nilai Pembiayaan dalam mata uang Rupiah per masing-masing kolektibilitas. (Lampiran 10) Persetujuan dari hasil uji coba ini diakhiri dengan tanda tangan dari masingmasing pengguna yang terlibat dalam mempersiapkan laporan ini. (Lampiran 11) Universitas Indonesia


BAB 6 KESIMPULAN DAN SARAN

Bab ini berisi kesimpulan dan saran dari penelitian yang telah dilakukan mengenai penerapan datamart PSAK dan OLAP pada Bank X dalam rangka penyusunan dan monitoring laporan CKPN sesuai dengan PSAK 50/55. 6.1 Kesimpulan Dari hasil penelitian terhadap rancangan datamart PSAK dan penerapan OLAP untuk mendukung proses pembuatan dan monitoring laporan pembiayaan dan CKPN dapat disampaikan beberapa kesimpulan sebagai berikut: 1. Subjek data yang dibutuhkan pada pengembangan datamart PSAK untuk penyusunan laporan dan monitoring CKPN adalah data pembiayaan, data histori pembiayaan selama 3 tahun terakhir, data customer, dan data manual yang terdiri dari data parameter kebijakan perhitungan CKPN, dan data yang tidak terdapat pada core banking systems Bank. Contohnya: data target penyisihan CKPN, data hapus buku, data recovery, data manual adjustment. 2. Data preparation untuk menghasilkan perhitungan CKPN pada proses ETL merupakan fase yang paling penting, mengingat serangkaian langkah-langkah pemrosesan yang harus dijalankan mengikuti alur bisnis proses perhitungan CKPN sesuai dengan PSAK 50/55. 3. Perancangan data mart PSAK terhadap data pembiayaan dan penyisihan CKPN pada Bank X menghasilkan 14 tabel dimensi yaitu: dimensi periode, dimensi akad, dimensi currency, dimensi cabang, dimensi main branch, dimensi area, dimensi segmentasi, dimensi collective group, dimensi produk, dimensi kolektibilitas, dimensi movement kolektibilitas, dimensi maturity profile, dimensi impairment flag dan dimensi customer. Dan dua tabel fakta, yaitu: fakta pembiayaan, dan fakta CKPN. Skema perancangan menggunakan star schema untuk masing-masing tabel fakta dengan tujuan untuk optimalisasi proses query.

169



170

4. Implementasi datamart dengan otomasi proses perhitungan dan penyusunan pelaporan per periode setiap akhir bulan hanya memerlukan waktu proses selama +/- 50-60 menit. Proses tersebut sudah termasuk ekstraksi, transformasi data staging dalam perhitungan CKPN, transformasi data dimensi dan load data pada tabel fakta dengan menggunakan scheduler pada utilitas ETL. Apabila tidak tersedia datamart dan tidak ada otomasi proses perhitungan CKPN, penyusunan laporan membutuhkan 5 hari kerja. Itupun data yang digunakan sebulan sebelumnya, bukan data pada posisi bulan pelaporan. 5. Dengan penerapan arsitektur independent data mart, implementasi dapat dilakukan dengan lebih cepat, selain itu dapat dengan mudah dilakukan pengulangan proses batch ETL secara end to end mulai dari proses ekstraksi sumber data sampai load ke datamart PSAK setiap periode pelaporan tanpa menunggu kesiapan data pada enterprise data warehouse perusahaan. Manfaat lain yang diperoleh adalah fleksibilitas terhadap adjustment, mengingat nature dari proses bisnis sistem pelaporan yang selalu memerlukan adjustment secara manual. Data adjustment menjadi subyek input data pada datamart PSAK yang terpisah dari original data yang berasal dari database operasional. 6. Dengan pemanfaatan OLAP, maka ketidaktergantungan terhadap IT merupakan manfaat tersendiri bagi pengguna, terutama dalam pemrosesan data dan query data sesuai dengan masing-masing kebutuhan informasi. Pengguna dapat melakukan self service disesuaikan dengan berbagai analisa perspektif oleh masing-masing pengguna. 6.2 Saran Berdasarkan penelitian ini, dapat disampaikan beberapa saran untuk digunakan pada penelitian selanjutnya. 1. Dengan model datamart yang ada ini dapat dilakukan pengembangan lebih lanjut dengan melakukan penerapan data mining yang digunakan untuk prediksi probabilitas dari debitur yang akan mengalami gagal bayar sehingga dapat digunakan untuk keperluan forecasting.



171

2. Hasil implementasi datamart dan OLAP ini dapat dikembangkan ke model business intelligence menggunakan dashboard dengan memasukkan berbagai kinerja pengukuran lainnya yang menjadi indikator kinerja bank, seperti Non Perfoming Loan, Rasio Loan Impairment, Capital Adequacy Ratio, Loan to Value Ratio,

Loan/Earning Assets, Net Interest Margin dan Rasio Cost

Efficiency. 3. Pengembangan data model yang mendukung seluruh penerapan regulatory compliance di Bank X yang sanggup memberikan solusi terhadap berbagai pelaporan perbankan di Indonesia dengan single view of the truth, mencakup laporan Laporan Bank Umum (LBU) Basel II, Laporan Harian Bank Umum (LHBU), Laporan Berkala Bank Umum (LBBU), Laporan Kantor Pusat Bank Umum (LKPBU), Legal Lending Limit (LLL), Lalu Lintas Devisa (LLD), Risk Weighted Asset (RWA), dan Sitem Informasi Debitur (SID). 4. Penelitian selanjutnya terkait dengan optimalisasi performance physical storage di database yaitu dengan membuat pemisahan partition sesuai dengan kebutuhan. Pemisahan partition terdiri dari repository partition yang digunakan untuk menyimpan raw data atau unnormalized data yang berasal dari berbagai sumber, kemudian Datamart partition yang hanya terdiri dari permodelan dimensional yang sudah dilakukan normalisasi, serta archiving partition untuk menyimpan data histori berdasarkan masing-masing periode dari kebijakan data archiving.



DAFTAR PUSTAKA Angreine Kewo (2013), OLAP Best Solution for Multidimensional Grocery Business Model :International Conference of Information and Communication Technology (ICoICT). Ariyachandra dan Hugh J. Watson, Which Data Warehouse Architecture Is Most Successful?Business Intelligence Journal Volume 11. Connolly, T., & Begg, C. (2005).Database System: A Practical Approach to Design, Implementation and Management (4 th ed).England: Addison Wesley. Efraim Turban, Ramesh Sharda, Dursun Delen (2011). Decision Support and Business Intelligence Systems.(9th edition).America : Pearson Education, Inc. Han J & Kamber M. (2006).Data Mining Concept & Techniques. Simon Fraser University. USA : Morgan Kaufman Hasan & Hyland (2001):Using OLAP and Multidimensional Data for Decision Making : IEEE Journal Indra. (2011). Perancangan serta Penerapan Data Warehouse dan Business Intelligence untuk Evaluasi Program Studi Berdasarkan Evaluasi Diri (EPSBED): Studi Kasus Universitas Budi Luhur. Jakarta: Universitas Indonesia. Inmon, W.H. (2005). Building The Data Warehouse. 4thEdition, John Wiley & Sons,Inc., New York. Kimbal, R.,& Ross, M. (2002). The Data Warehouse Toolkit The Complete Guide to Dimensional Modeling.(2nd edition). Canada: John Wiley and Sons. Mary Breslin, (2004) :Data Warehousing Battle of the Giants : Comparing the Basics of the Kimball and Inmon Models, Business Intelligence Journal, Winter 2004. Nitin Anand, Manoj Kumar (2013):Modeling and Optimization of ExtractionTransformation Loading (ETL) processes in Data Warehouse: An Overview. India :4th ICCCNT 2013 July 4-6, 2013 Tiruchengode Per Bertilsson, Johan Frisell, Carl-Johan Sylvan (2009). Information Quality Realization in Business Intelligence Systems, Lund University Publications Ralph Kimball (2008). Slowly Changing Dimensions, Part 2. Kimball Group. January 20, 2013 from http://www.kimballgroup.com/2008/09/22/slowlychanging-dimensions-part-2/print/

172



173

Sandip Singh& Sona Malhotra, (2011) :Datawarehouse and its method , Journal of Global Research in Computer Science, Volume 2 No (5), May 2011 Surat Edaran Bank Indonesia Nomor 11/4/DPNP tanggal 27 Januari 2009 perihal Pelaksanaan Pedoman Akuntansi Perbankan Indonesia Surat Edaran Bank Indonesia Nomor 15/26/DPbS perihal Pelaksanaan Pedoman Akuntansi Perbankan Syariah Indonesia Tim Penyusun (2008), Pedoman Akuntansi Perbankan Indonesia (PAPI) : Bank Indonesia Tim Penyusun (2014), Pedoman Akuntansi Perbankan Syariah Indonesia (PAPSI) : Bank Indonesia Vangipuram Radhakrishna, Vangipuram SravanKiran, K. Ravikiran, (2012) :Automating ETL Process with Scripting Technology, 2012 Nirma University International Conference on Engineering, Nuicone-2012, 06-08 December 2012. Yao, Kan (2003).Design issues in data warehousing : a case study. Masters thesis, Concordia University.



174

DAFTAR LAMPIRAN Lampiran 1 : Hasil meeting mengenai analisa kebutuhan informasi segmentasi Impairment

Lampiran 2 : Ektraksi dari sumber data



175

Lampiran 3 : Script ETL data preprocessing --- SP_PSAK_CALC_LGD (Procedure) -CREATEORREPLACEPROCEDUREPSAKUATA.SP_PSAK_CALC_LGDAS V_CURRMONTHDATE; V_PREVMONTHDATE; BEGIN BEGIN SELECTCURRDATE,LAST_DAY(ADD_MONTHS(CURRDATE,-1)) INTOV_CURRMONTH,V_PREVMONTH FROMPSAK_PRC_DATE; EXCEPTION WHENNO_DATA_FOUNDTHEN NULL; END; --V_CURRMONTH := TO_DATE('20131231','YYYYMMDD'); --V_PREVMONTH := TO_DATE('20131130','YYYYMMDD'); --**EXPECTED RECOVERY**-DELETEPSAK_LGD_EXPECTED_RECOVERYERWHEREER.PERIOD=V_CURRMONTH; COMMIT; INSERTINTOPSAK_LGD_EXPECTED_RECOVERY (PERIOD, LGD_SEGMENT, WO_AMOUNT, RECOVERY_AMOUNT, AYDA_AMOUNT, LGL_RATIO, LGD_RATIO) SELECTLAST_DAY(TO_DATE(ER.PERIODE,'YYYYMM'))ASPERIOD, SG.COLLECTIVE_GROUP_2,--ER.SEGMENT, ER.WO, ER.RECOVERY, ER.AYDA, (ER.WO+ER.AYDA)/(ER.AYDA+ER.RECOVERY)ASLGL_RATIO, 1 -((ER.WO+ER.AYDA)/(ER.AYDA+ER.RECOVERY))ASLGD_RATIO FROMPSAK_EXPECTED_RECOV_UPLOADER INNERJOINPSAK_BMI_SEGMENTSG ONER.SEGMENT=SG.C09_SEGMENTASI_ACCOUNT WHEREER.PERIODE=TO_CHAR(V_CURRMONTH,'YYYYMM'); COMMIT; MERGEINTOPSAK_LGD_EXPECTED_RECOVERYER USING (SELECTA.LGD_SEGMENT,AVG(A.LGL_RATIO)ASLGD_RATIO FROMPSAK_LGD_EXPECTED_RECOVERYA INNERJOINPSAK_LGD_SETTINGB ONA.LGD_SEGMENT=B.LGD_SEGMENT WHEREA.PERIODBETWEEN ADD_MONTHS(V_CURRMONTH,B.HISTORICAL_DATA*-1)AND V_CURRMONTH GROUPBYA.LGD_SEGMENT)ER_AVG



176

ON (ER.LGD_SEGMENT=ER_AVG.LGD_SEGMENTANDER.PERIOD=V_CURRMONTH) WHENMATCHEDTHEN UPDATESETER.LGD_RATIO=ER_AVG.LGD_RATIO; COMMIT; INSERTINTOPSAK_RECOVERY_MATRIX (PRODUCT_GROUP, PERIOD, WO_OUTSTANDING, RECOVERY_AMOUNT, RECOVERY_RATE, AVERAGE_RATE, LIP) SELECTER.LGD_SEGMENT, TO_CHAR(ER.PERIOD,'YYYYMM'), 0, 0, ER.LGD_RATIO, 0, 1 FROMPSAK_LGD_EXPECTED_RECOVERYER WHEREER.PERIOD=V_CURRMONTH; COMMIT; --**COLLATERAL SHOSTFALL**-DELETEPSAK_LGD_COLLATERAL_SHORTFALLSFWHERESF.PERIOD=V_CURRMONTH; COMMIT; INSERTINTOPSAK_LGD_COLLATERAL_SHORTFALL (PERIOD, LGD_SEGMENT, OUTSTANDING, COLLATERAL_AMOUNT, LGL_RATIO, LGD_RATIO) SELECTLAST_DAY(TO_DATE(SF.PERIODE,'YYYYMM'))ASPERIOD, SG.C09_SEGMENTASI_ACCOUNT,--SF.SEGMENT, SF.OUTSTANDING, SF.AGUNAN, (SF.OUTSTANDING-SF.AGUNAN)/SF.OUTSTANDINGASLGL_RATIO, (SF.OUTSTANDING-SF.AGUNAN)/SF.OUTSTANDINGASLGD_RATIO FROMPSAK_COLL_SHORTFALL_UPLOADSF INNERJOINPSAK_BMI_SEGMENTSG ONSF.SEGMENT=SG.C09_SEGMENTASI_ACCOUNT WHERESF.PERIODE=TO_CHAR(V_CURRMONTH,'YYYYMM') AND(SF.OUTSTANDING-SF.AGUNAN)> 0; COMMIT; MERGEINTOPSAK_LGD_COLLATERAL_SHORTFALLER USING (SELECTA.LGD_SEGMENT,AVG(A.LGL_RATIO)ASLGD_RATIO FROMPSAK_LGD_COLLATERAL_SHORTFALLA INNERJOINPSAK_LGD_SETTINGB ONA.LGD_SEGMENT=B.LGD_SEGMENT WHEREA.PERIODBETWEEN ADD_MONTHS(V_CURRMONTH,B.HISTORICAL_DATA*-1)AND V_CURRMONTH GROUPBYA.LGD_SEGMENT)ER_AVG



177

ON (ER.LGD_SEGMENT=ER_AVG.LGD_SEGMENTANDER.PERIOD=V_CURRMONTH) WHENMATCHEDTHEN UPDATESETER.LGD_RATIO=ER_AVG.LGD_RATIO; COMMIT; INSERTINTOPSAK_RECOVERY_MATRIX (PRODUCT_GROUP, PERIOD, WO_OUTSTANDING, RECOVERY_AMOUNT, RECOVERY_RATE, AVERAGE_RATE, LIP) SELECTSF.LGD_SEGMENT, TO_CHAR(SF.PERIOD,'YYYYMM'), 0, 0, 1 -SF.LGD_RATIO, 0, 1 FROMPSAK_LGD_COLLATERAL_SHORTFALLSF WHERESF.PERIOD=V_CURRMONTH; COMMIT; END; /

Lampiran 4 : Script ETL data loading ke masing-masing tabel Fakta --- STEP 01 CREATE TEMPORARY TABLE CURRENT AND PREVIOUS droptable#tempPrevMonthCKPN droptable#tempCurrMonthCKPN select DOWNLOAD_DATE, SEGMENT, PRODUCT_GROUP, currency, branch_code, product_code, CUSTOMER_NUMBER, account_number, bi_collectability, EXCHANGE_RATE, outstanding, plafond, COLLATERAL_VALUE_FOR_IMPAIR, PD_RATE, LGD_RATE, PIP_AMOUNT, IIP_AMOUNT, UNWINDING_AMOUNT, BEGINNING_BALANCE, CHARGE, WRITEBACK, ENDING_BALANCE, IS_IMPAIRED,



178

impaired_flag, 'Y'ASFLAG_CURRENT into#tempCurrMonthCKPN frompsak_master_account WHEREDOWNLOAD_DATE='2014-01-31' select DOWNLOAD_DATE, SEGMENT, PRODUCT_GROUP, currency, branch_code, product_code, CUSTOMER_NUMBER, account_number, bi_collectability, EXCHANGE_RATE, outstanding, plafond, COLLATERAL_VALUE_FOR_IMPAIR, PD_RATE, LGD_RATE, PIP_AMOUNT, IIP_AMOUNT, UNWINDING_AMOUNT, BEGINNING_BALANCE, CHARGE, WRITEBACK, ENDING_BALANCE, IS_IMPAIRED, impaired_flag, 'N'ASFLAG_CURRENT into#tempPrevMonthCKPN frompsak_master_account WHEREDOWNLOAD_DATE='2014-12-31' -- STEP #2 INSERT INTO FACTCKPNCUST -- 2A PREV ADA CURRENT ADA INSERTINTOFACTCKPNCUST ( DOWNLOAD_DATE, SEGMENT, COLLECTIVE_GROUP, CURRENCY, BRANCH_CODE, PRODUCT_CODE, CUSTOMER_NUMBER, KOL_MOV, PD_RATE, LGD_RATE, EXPECTED_LOSS_RATE, MAX_BIKOL, OUTSTANDING, OUTSTANDING_IDR, PLAFOND, PLAFOND_IDR, COLLATERAL_VALUE, COLLATERALVALUE_IDR, CKPNKOLEKTIF, CKPNKOLEKTIF_IDR,



179

CKPNINDIVIDUAL, CKPNINDIVIDUAL_IDR, UNWINDING_AMOUNT, UNWINDING_IDR, CHARGE, CHARGE_IDR, WRITEBACK, WRITEBACK_IDR, CKPNFORECAST, CKPNFORECAST_IDR, PPAP, IMPAIRED_LOAN_RATIO, IA_CA_FLAG, FLAG_CURRENT ) SELECT A.DOWNLOAD_DATE, A.SEGMENT, A.PRODUCT_GROUP, A.CURRENCY, A.BRANCH_CODE, A.PRODUCT_CODE, A.CUSTOMER_NUMBER, CASE WHENCONVERT(varchar(1),MAX(B.bi_collectability))ISNULL THENCONVERT(varchar(1),MAX(A.bi_collectability))+''+CONVERT(varchar(1),MAX(A.bi_collectability)) ELSE CONVERT(varchar(1),MAX(B.bi_collectability))+''+CONVERT(varchar(1),MAX(A.bi_collectability)) ENDASKOL_MOV, --FLAG_CURRENT, A.PD_RATE, A.LGD_RATE, A.PD_RATE*A.LGD_RATE, MAX(A.BI_COLLECTABILITY)ASMAX_BIKOL, SUM(ISNULL(A.OUTSTANDING,0)), SUM(ISNULL(A.OUTSTANDING,0)*ISNULL(A.EXCHANGE_RATE,1)), SUM(ISNULL(A.PLAFOND,0)), SUM(ISNULL(A.PLAFOND,0)*ISNULL(A.EXCHANGE_RATE,1)), SUM(ISNULL(A.COLLATERAL_VALUE_FOR_IMPAIR,0)), SUM(ISNULL(A.COLLATERAL_VALUE_FOR_IMPAIR,0)*ISNULL(A.EXCHANGE_RATE,1)), SUM(ISNULL(A.PIP_AMOUNT,0)), SUM(ISNULL(A.PIP_AMOUNT,0)*ISNULL(A.EXCHANGE_RATE,1)), SUM(ISNULL(A.IIP_AMOUNT,0)), SUM(ISNULL(A.IIP_AMOUNT,0)*ISNULL(A.EXCHANGE_RATE,1)), SUM(ISNULL(A.UNWINDING_AMOUNT,0)), SUM(ISNULL(A.UNWINDING_AMOUNT,0)*ISNULL(A.EXCHANGE_RATE,1)), SUM(ISNULL(A.CHARGE,0)), SUM(ISNULL(A.CHARGE,0)*ISNULL(A.EXCHANGE_RATE,1)), SUM(ISNULL(A.WRITEBACK,0)), SUM(ISNULL(A.WRITEBACK,0)*ISNULL(A.EXCHANGE_RATE,1))ASWRITEBACK_IDR, 0 ASCKPNFORECAST, 0 ASCKPNFORECAST_IDR, CASE WHENMAX(A.BI_COLLECTABILITY)=1 THENSUM(ISNULL(A.OUTSTANDING,0)*ISNULL(A.EXCHANGE_RATE,1)* 0.01) WHENMAX(A.BI_COLLECTABILITY)=2 THENSUM(ISNULL(A.OUTSTANDING,0)*ISNULL(A.EXCHANGE_RATE,1)* 0.05)



180

WHENMAX(A.BI_COLLECTABILITY)=3 THENSUM(ISNULL(A.OUTSTANDING,0)*ISNULL(A.EXCHANGE_RATE,1)* 0.15) WHENMAX(A.BI_COLLECTABILITY)=4 THENSUM(ISNULL(A.OUTSTANDING,0)*ISNULL(A.EXCHANGE_RATE,1)* 0.50) WHENMAX(A.BI_COLLECTABILITY)=5 THENSUM(ISNULL(A.OUTSTANDING,0)*ISNULL(A.EXCHANGE_RATE,1)* 1) ELSE 0 ENDASPPAP, 0, A.IMPAIRED_FLAG, 'N' FROM#tempCurrMonthCKPNA INNERJOIN#tempCurrMonthCKPNB ONA.ACCOUNT_NUMBER=B.ACCOUNT_NUMBER GROUPBY A.DOWNLOAD_DATE, A.SEGMENT, A.PRODUCT_GROUP, A.CURRENCY, A.BRANCH_CODE, A.PRODUCT_CODE, A.CUSTOMER_NUMBER, A.PD_RATE, A.LGD_RATE, A.IMPAIRED_FLAG -- 2B PREV ADA CURRENT TIDAK ADA INSERTINTOFACTCKPNCUST ( DOWNLOAD_DATE, SEGMENT, COLLECTIVE_GROUP, CURRENCY, BRANCH_CODE, PRODUCT_CODE, CUSTOMER_NUMBER, KOL_MOV, PD_RATE, LGD_RATE, EXPECTED_LOSS_RATE, MAX_BIKOL, OUTSTANDING, OUTSTANDING_IDR, PLAFOND, PLAFOND_IDR, COLLATERAL_VALUE, COLLATERALVALUE_IDR, CKPNKOLEKTIF, CKPNKOLEKTIF_IDR, CKPNINDIVIDUAL, CKPNINDIVIDUAL_IDR, UNWINDING_AMOUNT, UNWINDING_IDR, CHARGE, CHARGE_IDR, WRITEBACK, WRITEBACK_IDR, CKPNFORECAST, CKPNFORECAST_IDR, PPAP,



181

IMPAIRED_LOAN_RATIO, IA_CA_FLAG, FLAG_CURRENT ) SELECT A.DOWNLOAD_DATE, A.SEGMENT, A.PRODUCT_GROUP, A.CURRENCY, A.BRANCH_CODE, A.PRODUCT_CODE, A.CUSTOMER_NUMBER, CONVERT(varchar(1),MAX(a.bi_collectability))+'-'+'0'ASKOL_MOV, --FLAG_CURRENT, A.PD_RATE, A.LGD_RATE, A.PD_RATE*A.LGD_RATE, MAX(A.BI_COLLECTABILITY)ASMAX_BIKOL, SUM(ISNULL(A.OUTSTANDING,0)), SUM(ISNULL(A.OUTSTANDING,0)*ISNULL(A.EXCHANGE_RATE,1)), SUM(ISNULL(A.PLAFOND,0)), SUM(ISNULL(A.PLAFOND,0)*ISNULL(A.EXCHANGE_RATE,1)), SUM(ISNULL(A.COLLATERAL_VALUE_FOR_IMPAIR,0)), SUM(ISNULL(A.COLLATERAL_VALUE_FOR_IMPAIR,0)*ISNULL(A.EXCHANGE_RATE,1)), SUM(ISNULL(A.PIP_AMOUNT,0)), SUM(ISNULL(A.PIP_AMOUNT,0)*ISNULL(A.EXCHANGE_RATE,1)), SUM(ISNULL(A.IIP_AMOUNT,0)), SUM(ISNULL(A.IIP_AMOUNT,0)*ISNULL(A.EXCHANGE_RATE,1)), SUM(ISNULL(A.UNWINDING_AMOUNT,0)), SUM(ISNULL(A.UNWINDING_AMOUNT,0)*ISNULL(A.EXCHANGE_RATE,1)), SUM(ISNULL(A.CHARGE,0)), SUM(ISNULL(A.CHARGE,0)*ISNULL(A.EXCHANGE_RATE,1)), SUM(ISNULL(A.WRITEBACK,0)), SUM(ISNULL(A.WRITEBACK,0)*ISNULL(A.EXCHANGE_RATE,1))ASWRITEBACK_IDR, 0 ASCKPNFORECAST, 0 ASCKPNFORECAST_IDR, CASE WHENMAX(A.BI_COLLECTABILITY)=1 THENSUM(ISNULL(A.OUTSTANDING,0)*ISNULL(A.EXCHANGE_RATE,1)* 0.01) WHENMAX(A.BI_COLLECTABILITY)=2 THENSUM(ISNULL(A.OUTSTANDING,0)*ISNULL(A.EXCHANGE_RATE,1)* 0.05) WHENMAX(A.BI_COLLECTABILITY)=3 THENSUM(ISNULL(A.OUTSTANDING,0)*ISNULL(A.EXCHANGE_RATE,1)* 0.15) WHENMAX(A.BI_COLLECTABILITY)=4 THENSUM(ISNULL(A.OUTSTANDING,0)*ISNULL(A.EXCHANGE_RATE,1)* 0.50) WHENMAX(A.BI_COLLECTABILITY)=5 THENSUM(ISNULL(A.OUTSTANDING,0)*ISNULL(A.EXCHANGE_RATE,1)* 1) ELSE 0 ENDASPPAP, 0, A.IMPAIRED_FLAG, 'N' FROM#tempPrevMonthCKPNA WHEREa.ACCOUNT_NUMBERNOTIN(SELECTACCOUNT_NUMBERFROM#tempCurrMonthCKPN) GROUPBY A.DOWNLOAD_DATE, A.SEGMENT, A.PRODUCT_GROUP, A.CURRENCY, A.BRANCH_CODE,



182

A.PRODUCT_CODE, A.CUSTOMER_NUMBER, A.PD_RATE, A.LGD_RATE, A.IMPAIRED_FLAG --2C : INSERT KE PREV TIDAK ADA CURRENT ADA --> NEW ACCOUNT INSERTINTOFACTCKPNCUST ( DOWNLOAD_DATE, SEGMENT, COLLECTIVE_GROUP, CURRENCY, BRANCH_CODE, PRODUCT_CODE, CUSTOMER_NUMBER, KOL_MOV, PD_RATE, LGD_RATE, EXPECTED_LOSS_RATE, MAX_BIKOL, OUTSTANDING, OUTSTANDING_IDR, PLAFOND, PLAFOND_IDR, COLLATERAL_VALUE, COLLATERALVALUE_IDR, CKPNKOLEKTIF, CKPNKOLEKTIF_IDR, CKPNINDIVIDUAL, CKPNINDIVIDUAL_IDR, UNWINDING_AMOUNT, UNWINDING_IDR, CHARGE, CHARGE_IDR, WRITEBACK, WRITEBACK_IDR, CKPNFORECAST, CKPNFORECAST_IDR, PPAP, IMPAIRED_LOAN_RATIO, IA_CA_FLAG, FLAG_CURRENT ) SELECT A.DOWNLOAD_DATE, A.SEGMENT, A.PRODUCT_GROUP, A.CURRENCY, A.BRANCH_CODE, A.PRODUCT_CODE, A.CUSTOMER_NUMBER, CONVERT(varchar(1),MAX(a.bi_collectability))+''+CONVERT(varchar(1),MAX(a.bi_collectability))asKOL_MOV, --FLAG_CURRENT, A.PD_RATE, A.LGD_RATE, A.PD_RATE*A.LGD_RATE, MAX(A.BI_COLLECTABILITY)ASMAX_BIKOL,



183

SUM(ISNULL(A.OUTSTANDING,0)), SUM(ISNULL(A.OUTSTANDING,0)*ISNULL(A.EXCHANGE_RATE,1)), SUM(ISNULL(A.PLAFOND,0)), SUM(ISNULL(A.PLAFOND,0)*ISNULL(A.EXCHANGE_RATE,1)), SUM(ISNULL(A.COLLATERAL_VALUE_FOR_IMPAIR,0)), SUM(ISNULL(A.COLLATERAL_VALUE_FOR_IMPAIR,0)*ISNULL(A.EXCHANGE_RATE,1)), SUM(ISNULL(A.PIP_AMOUNT,0)), SUM(ISNULL(A.PIP_AMOUNT,0)*ISNULL(A.EXCHANGE_RATE,1)), SUM(ISNULL(A.IIP_AMOUNT,0)), SUM(ISNULL(A.IIP_AMOUNT,0)*ISNULL(A.EXCHANGE_RATE,1)), SUM(ISNULL(A.UNWINDING_AMOUNT,0)), SUM(ISNULL(A.UNWINDING_AMOUNT,0)*ISNULL(A.EXCHANGE_RATE,1)), SUM(ISNULL(A.CHARGE,0)), SUM(ISNULL(A.CHARGE,0)*ISNULL(A.EXCHANGE_RATE,1)), SUM(ISNULL(A.WRITEBACK,0)), SUM(ISNULL(A.WRITEBACK,0)*ISNULL(A.EXCHANGE_RATE,1))ASWRITEBACK_IDR, 0 ASCKPNFORECAST, 0 ASCKPNFORECAST_IDR, CASE WHENMAX(A.BI_COLLECTABILITY)=1 THENSUM(ISNULL(A.OUTSTANDING,0)*ISNULL(A.EXCHANGE_RATE,1)* 0.01) WHENMAX(A.BI_COLLECTABILITY)=2 THENSUM(ISNULL(A.OUTSTANDING,0)*ISNULL(A.EXCHANGE_RATE,1)* 0.05) WHENMAX(A.BI_COLLECTABILITY)=3 THENSUM(ISNULL(A.OUTSTANDING,0)*ISNULL(A.EXCHANGE_RATE,1)* 0.15) WHENMAX(A.BI_COLLECTABILITY)=4 THENSUM(ISNULL(A.OUTSTANDING,0)*ISNULL(A.EXCHANGE_RATE,1)* 0.50) WHENMAX(A.BI_COLLECTABILITY)=5 THENSUM(ISNULL(A.OUTSTANDING,0)*ISNULL(A.EXCHANGE_RATE,1)* 1) ELSE 0 ENDASPPAP, 0, A.IMPAIRED_FLAG, 'Y' FROM#tempCurrMonthCKPNA WHEREa.ACCOUNT_NUMBERNOTIN(SELECTACCOUNT_NUMBERFROM#tempPrevMonthCKPN) GROUPBY A.DOWNLOAD_DATE, A.SEGMENT, A.PRODUCT_GROUP, A.CURRENCY, A.BRANCH_CODE, A.PRODUCT_CODE, A.CUSTOMER_NUMBER, A.PD_RATE, A.LGD_RATE, A.IMPAIRED_FLAG --- STEP 3 --- UPDATE CKPNFORECAST_IDR DI TABLE FACTCKPNCUST --UPDATEFACTCKPNCUST SET CKPNFORECAST_IDR=A.OUTSTANDING_IDR/Y.SUMOUTS_BRANCH*X.CKPN_TARGET_BRANCH --,IMPAIRED_LOAN_RATIO=CASE WHEN OUTSTANDING<>0 THEN (A.CKPNKOLEKTIF_IDR+A.CKPNINDIVIDUAL_IDR)/A.OUTSTANDING_IDR -- ELSE 0 --END FROMFACTCKPNCUSTA INNERJOINPSAK_CKPN_TARGET_BRANCHX



184

ONA.DOWNLOAD_DATE=X.DOWNLOAD_DATEANDA.BRANCH_CODE=X.BRANCH_CODE INNERJOIN(SELECTDOWNLOAD_DATE,BRANCH_CODE,SUM(OUTSTANDING_IDR)ASSUMOUTS_BRAN CHFROMPSAK_CKPN_TARGET_BRANCHGROUPBYDOWNLOAD_dATE,BRANCH_CODE)Y ONA.DOWNLOAD_DATE=Y.DOWNLOAD_DATEANDA.BRANCH_CODE=Y.BRANCH_CODE WHEREA.DOWNLOAD_DATE='20140131' --- UPDATE FACTCKPNCUST IMPAIRED_LOAN_RATIO --UPDATEFACTCKPNCUST SETIMPAIRED_LOAN_RATIO=X.IMPAIRED_LOAN_RATIO_PER_BRANCH FROMFACTCKPNCUSTA INNERJOINPSAK_CKPN_TARGET_BRANCHX ONA.DOWNLOAD_DATE=X.DOWNLOAD_DATEANDA.BRANCH_CODE=X.BRANCH_CODE INNERJOIN(SELECTDOWNLOAD_DATE,BRANCH_CODE,SUM(OUTSTANDING_IDR)ASSUMOUTS_BRAN CHFROMPSAK_CKPN_TARGET_BRANCHGROUPBYDOWNLOAD_dATE,BRANCH_CODE)Y ONA.DOWNLOAD_DATE=Y.DOWNLOAD_DATEANDA.BRANCH_CODE=Y.BRANCH_CODE WHEREA.DOWNLOAD_DATE='20140131' --- INSERT INTO FACT_CKPN INSERTINTOFACT_CKPN ( DOWNLOAD_DATE, AKAD_CODE, SEGMENT_SK, CURRENCY, AREA_CODE, MAIN_BRANCH_CODE, BRANCH_CODE, CUSTOMER_NUMBER, PRODUCT_CODE, IMPAIRMENTGROUP_CODE, PD_RATE, LGD_RATE, EXPECTED_LOSS_RATE, FLAG_IMPAIRED, COLLECTMOVEMENT_SK, MAX_BICOLLECTABILITY, OUTSTANDING, PLAFOND, COLLATERAL_VALUE, PPAP, CKPNFORECAST, CKPNINDIVIDUAL, CKPNKOLEKTIF, CKPNTOTAL, CHARGED, RELEASED, IMPAIRED_LOAN_RATIO ) SELECT A.DOWNLOAD_DATE, 'A', ISNULL(C.SEGMENT_SK,'999'), A.CURRENCY, B.AREA_CODE, B.MAIN_BRANCH_CODE, A.BRANCH_CODE, A.CUSTOMER_NUMBER, A.PRODUCT_CODE, E.IMPAIRMENTGROUP_CODE,



185

A.PD_RATE, A.LGD_RATE, A.EXPECTED_LOSS_RATE, A.IA_CA_FLAG, D.COLLECTMOVEMENT_SK, A.MAX_BIKOL, A.OUTSTANDING_IDR, A.PLAFOND_IDR, A.COLLATERALVALUE_IDR, A.PPAP, A.CKPNFORECAST_IDR, A.CKPNINDIVIDUAL_IDR, A.CKPNKOLEKTIF_IDR, A.CKPNINDIVIDUAL_IDR+CKPNKOLEKTIF_IDR, A.CHARGE_IDR, A.WRITEBACK_IDR, A.IMPAIRED_LOAN_RATIO FROMFACTCKPNCUSTA LEFTJOINDIM_BRANCH_MASTERB ONA.BRANCH_CODE=B.BRANCH_CODE LEFTJOINDIM_SEGMENTC ONA.SEGMENT=C.SEGMENT_LEVEL_3_DESC LEFTJOINDIM_COLLECTIBILITY_MOVEMENTD ONA.KOL_MOV=D.COLLECTMOVEMENT_DESC LEFTJOINDIM_IMPAIRMENT_GROUPE ONA.COLLECTIVE_GROUP=E.IMPAIRMENTGROUP_DESC WHEREDOWNLOAD_DATE='20140131'



186

Lampiran 5 : Contoh data pada tabel fakta loan

Lampiran 6 : Contoh data pada tabel fakta ckpn



187

Lampiran7 :Uji coba nilai total pembiayaan dengan data neraca Bank ‘X’ pada periode Januari 2014.

Lampiran 8 : Uji coba nilai Probability Default dengan metode Net Flow Rate dan Migration Analysis



188

Lampiran 9 : Uji coba nilai Loss Given Default dengan metode Expected Recoveries dan Collateral Shortfall



189



190

Lampiran 10 :Uji coba nilai CKPN kolektif per masing-masing collective impairment group dan kolektibilitas



191

Lampiran 11 : Tanda Tangan Pengguna atas aktivitas Uji Coba Acceptance dari Implementasi datamart dan OLAP pada Bank X



UNIVERSITAS INDONESIA

Recommend Documents