BAB V IMPLEMENTASI DAN ANALISA - · PDF fileBAB V IMPLEMENTASI DAN ANALISA Bab V akan menjelaskan ... Gambar V.2 Diagram Contex level 0 Aplikasi Analisa Kredit V.1 ... Laporan Analisa

102

BAB V IMPLEMENTASI DAN ANALISA

Bab V akan menjelaskan proses implementasi model pada organisasi keuangan

mikro. Dimulai dari perancangan dan pembangunan aplikasi komputer untuk

implementasi model serta penggunaan yang lebih luas seperti laporan/nota kredit.

Kemudian dilanjutan penjelasan keterkaitan aplikasi dengan framework

manajemen resiko di BPR, selanjutnya pembangunan beberapa standard operating

prosedur terkait yang diperlukan untuk mengintegrasikan aplikasi dengan

operasional kredit yang telah berjalan selama ini.

Bab ini akan ditutup dengan analisa secara komprehensif terhadap model yang

dihasilkan dan juga implementasinya.

V.1 Pembangunan Aplikasi Analisa Kredit

Dewasa ini penggunaan teknologi informasi pada dunia perbankan sudah

merupakan keharusan yang tidak dapat dihindari. Beberapa hal yang mendukung

pernyataan ini antara lain: proses perbankan menyangkut masalah data yang

besar, diperlukan memperkecil terjadinya kesalahan manusia, meningkatkan

kecepatan proses dan juga perbankan menyangkut masalah keuangan yang riskan

terjadi perselisihan bila tidak dikelola dengan aman dan baik.

Model analisa kredit ini akan mengalami kesulitan bila tidak mempergunakan

teknologi informasi dalam implementasinya. Beberapa kesulitan tersebut adalah

sebagai berikut:

Model yang digunakan mempunyai 15 variabel independen sehingga mudah

terjadi kesalahan manusia dan cukup rumit bila dilakukan secara manual.

Adanya pekerjaan tambahan yang cukup signifikan untuk mengolah data,

sehingga tidak realistik dilakukan untuk sumber daya yang ada.

Tidak dapat dilakukan analisa detail seperti analisa crosstab karena data

nasabah tidak dalam bentuk database.

Tidak dapat dipergunakan lebih jauh untuk keperluan laporan dan pembuatan

nota kredit.

103

Terdapat dua pendekatan yang dapat digunakan pada pembuatan aplikasi untuk

implementasi model ini dalam sistem di perbankan mikro. Pendekatan pertama

adalah pembuatan aplikasi terintegrasi dengan sistem transaksi yang sudah

berjalan. Pendekatan kedua adalah membuat aplikasi yang berdiri sendiri tidak

terkoneksi dengan sistem yang ada.

Pendekatan pertama merupakan pendekatan yang ideal karena data dapat

langsung terintegrasi dengan master data perbankan. Namun pendekatan ini juga

lebih sulit diterapkan karena harus berinteraksi dengan vendor aplikasi tersebut

yang belum tentu setuju aplikasinya di integrasikan dengan aplikasi baru, kedua

pihak BPR sendiri belum tentu bersedia server utamanya di integrasikan dengan

aplikasi ini mengingat adanya resiko terganggunya pelayanan nasabah bila server

tersebut di tambahkan aplikasi baru.

Untuk itu penelitian ini diputuskan menggunakan pendekatan kedua yaitu

membuat aplikasi analisa kredit yang terpisah dari sistem aplikasi transaksi utama

di perbankan. Langkah ini juga di dukung kenyataan di lapangan bahwa selama

ini untuk keperluan analisa kredit pihak BPR tidak memergunakan data pada

aplikasi utama, melainkan melakukan secara manual dan mempergunakan excell,

sehingga setiap nasabah akan mempunyai satu file excell untuk perhitungan

kelayakan kreditnya

V.1.1. Arsitektur Sistem

Aplikasi yang akan dibangun merupakan sistem pengambilan keputusan (SPK),

khususnya sistem pengambilan keputusan untuk suatu analisa kredit. Komponen

utama dalam SPK adalah sebagai berikut (Turban,1995):

A. Dialog (Interface Software) (DGMS)

B. Database mendukung sistem (DBMS)

C. Model Base memberikan kemampuan analis. (MBMS)

D. Managemen Pengetahuan

Bagan interaksi antara komponen dapat digambarkan pada bagan 4.1 dibawah ini.

104

User

Data Management

System

Model

Management

Knowledge

Management

Dialog

Management

Input OutputCapital

Colleteral

Capacity

Conditions

Character

Data Bank

Klasifikasi

Nota Kredit

Analisa Crosstab

Laporan

Tim Analisa

-Adm Kredit

-Mgr marketing

-Surveyor

-Analisa Kredit

-Direktur

Model Default

Prediction- Regresi LogistikMy Sql

Gambar V.1 Arsitektur Sistem SPK untuk Analisa Kredit

a. Dialog (Interface software)

Sub sistem penyelenggara dialog berfungsi sebagai pengkomunikasi antara

pemakai dengan sistem komputer. Sub sistem ini harus memberikan / memenuhi

keinginan pemakai dan bersifat cukup komunikatif. Pada aplikasi analisa kredit

ini Interface software dibagi menjadi dua yaitu input dan output dari aplikasi.

Input

Input pada sistem ini merupakan data yang dimasukan ke dalam aplikasi analisa

kredit. Sesuai dengan pendekatan yang dilakukan informasi yang dimasukan oleh

105

user ke dalam aplikasi dapat di kelompokan ke dalam 5 C, yaitu Capital,

Character, Colleteral, Condition dan Constrain, Capacity.

Selain dari 5 C, aplikasi juga memerlukan masukan parameter harga dari BPR

seperti besarnya bunga, provisi, metode dan juga biaya lainya. Detail dari input

yang dimasukan pada sistem dapat dilihat pada lampiran B.

Output

Output dari aplikasi analisa kredit adalah sebagai berikut:

Nota Kredit

Laporan Kredit gagal per kecamatan

Laporan Kredit gagal per gender

Laporan Kredit gagal per planfond kredit

Dsbnya

Aplikasi input dan ouput ini dibuat dengan software open Sourche berbasis web

PHP.

b. Sub sistem Manajemen Basis Data (DBMS=Data based manajemen

system)

Sub system managemen basis data menagani pemeliharaan data control serta

menyederhanakan program interface SPK dengan basis data. Basis data

merupakan mekanisme integrasi berbagai data internal maupun eksternal. Pada

aplikasi ini data base yang digunakan adalah software open sourche data base My

Sql.

c. Sub sistem Manajemen Basis Model (MBMS=Model based manajemen

system)

Sub system manajemen basis model bertugas untuk mengintegrasikan akses data

dengan model yang dirancang dan dikembangkan. Hal ini dilakukan dengan

memasukan model matematika. Pada aplikasi analisa kredit ini dimasukan model

matematika regresi logistik dan sistem skoring untuk keperluan mengelola data

yang nasabah yang sudah dimasukan.

106

d. Manajemen Pengetahuan

Sub sistem pilihan ini mendukung segala penterjemahan sub sistem diatas atau

juga dapat bertindak sebagai komponen bebas dimana sama sekali tidak terkait

dengan sub sistem lainnya. Pada analisa kredit ini, sub sistem managemen

pengetahuan telah dimasukan inklusif di dalam proses pembuatan input, outpun

maupun pembangunan data base dan model.

Sistem aplikasi analisa kredit sendiri dibuat berbasis web sehingga dapat di akses

pada semua komputer yang tersambung pada jaringan LAN di BPR tersebut.

Dengan tersambung dalam jaringan ini

Aplikasi AnalisaKredit

Custumer

Service

Survey

Administra

si Kredit

Manager

Marketing

Dirut

BPR

Nota Kredit

Laporan-

Laporan

Monitoring

Gambar V.2 Diagram Contex level 0 Aplikasi Analisa Kredit

V.1. 2. Modul Analisa Kredit

a. Modul Login

User dapat masuk ke halaman login Aplikasi dengan mempergunakan shortcut

yang telah disediakan atau dengan browsing pada local area dengan alamat

sebagai berikut: http://localhost/AnalisaKredit/. Setelah masuk ke dalam halaman

awal Aplikasi, maka akan terlihat welcome page sebagai berikut:

Gambar V.3 Tampilan Welcome Page (halaman login)

107

Login

User diminta untuk login user id dan password untuk masuk ke dalam aplikasi ini.

User dan login dapat diminta pada administrator. Pembuatan user dan password

akan dijelaskan pada bagian tersendiri pada administratrasi. Setelah login maka

anda masuk ke dalam halaman utama dan siap untuk mempergunakan aplikasi

analisa kredit ini.

b. Modul Utama

Pada halaman main menu langsung terlihat daftar nasabah kredit yang sudah

masuk. Pada main menu, selain menu utama seperti yang disebutkan diatas,

terdapat juga fungsi khusus sebagai berikut:

Mencari Nasabah dengan nama dan nomor SPK

Edit Nasabah dan

delete nasabah

Gambar V.4 Tampilan halaman menu utama

108

Main menu terletak pada halaman utama dengan perincian menu utama sebagai

berikut:

a. Input

b. Proses

c. Laporan

d. Administrasi

e. Log Out

Tampilan dari main menu dapat dilihat pada V.4.

c. Input /Edit Data

Menu pada Input ini merupakan salah satu menu dari DGMS (dialog menagemen)

yang mempunyai fungsi untuk memasukan data calon debitur pada sistem. Secara

garis besar data yang dimasukan dibagi menjadi 6 bagian yaitu:

Identitas Nasabah

Data Character

Data Capital

Data Capacity

Data Collateral

Data Condition dan Constrain

Selain itu dimasukan pula data bank yang berupa penetapan harga maupun staff

yang terlibat. Tampilan input dapat dilihat pada lampiran C.

d. Proses

Menu proses merupakan sub sistem manajemen basis model (MBMS). Pada menu

proses ini model regresi logistik dimasukan ke dalam sistem sebagai alat untuk

menganalisa data yang dimasukan pada menu input. Namun Mengingat pada PD

BPR LPK Jalan Cagak sudah terbiasa dengan sistem scoring untuk melakukan

analisa kredit, maka selain analisa regresi logistik, di masukan juga metode

scoring sebagai pembanding. Tampilan dari menu proses dapat dilihat pada

lampiran C

109

e. Laporan

Menu pada laporan ini merupakan salah satu menu dari DGMS (dialog

menajemen) yang mempunyai fungsi untuk memberikan informasi kepada user

hasil dari analisa. Beberapa laporan yang dibuat pada menu ini adalah:

Nota Kredit

Laporan Kredit berdasarka Periode

Laporan Analisa Cross Tab (berdasarkan kecamatan, gender, plafond

kredit, bunga dsbanya)

f. Administrasi

Bagian ini merupakan bagian dari subsistem managemen pengetahuan yang di

terapkan pada aplikasi ini, karena pada bagian ini terdapat beberapa menu yang

diperuntukan untuk menset up master data dan lain-lain berdasarkan pengetahuan

yang dimiliki oleh user.

Pada menu yang diperuntukan untuk administrator yang berfungsi untuk

melakukan set up awal kebutuhan system di computer. Terdapat beberapa fungsi

pada menu ini yaitu user manajemen, data master dan setup data scoring.

Sedangkan untuk keperluan model regresi logistik dilakukan setup melalui coding

pada skrip PHP.

V.2. Aplikasi Analisa Kredit sebagai Alat Risk Assesment

Pada bagian ini tidak akan membahas keseluruhan langkah pada implementasi

framework manajemen resiko, namun hanya akan difokuskan untuk membahas

impelementasi dari risk Assement dengan mempergunakan aplikasi analisa kredit.

V.2.1. Framework manajemen resiko

Aplikasi analisa kredit ini merupakan alat bantu bagi manajemen dalam

mengambil keputusan. Sehingga manajemen dapat mempunyai data yang

komprehensif dan lengkap dalam mengambil keputusan kredit. Pengambil

keputusan adalah Art atau intuitif yang tidak dapat dimodelkan dengan eksak,

pada akhirnya tetap pengambil keputusan adalah manajemen. Efektifitas dari

aplikasi ini tentunya sangat tergantung dari data dan kejujuran staff yang

mamasukan data pada sistem ini. Aplikasi ini merupakan alat bantu manajemen

110

guna merasionalisasikan pengambilan keputusan yang intuitif ini, dan merupakan

satu element dari framework manajemen resiko yaitu risk assesement kredit lebih

efektif.

Suatu organisasi di sarankan untuk menerapkan manajemen resiko secara

terintegrasi seperti penggunaan framework COSO (Committee of Sponsoring

Organizations of the Treadway Commission )

Dari hasil studi literatur (bab II Framework Manajemen Resiko) ke tiga

framework yaitu COSO, AS/NZS4360:2004 dan Basel II diperoleh bahwa

pendekatan dengan framework COSO lebih sesuai dengan obyek serta tujuan

penelitian. Beberapa hal tersebut adalah sebagai berikut.

a. COSO mempunyai pendekatan yang lebih sistematis serta terintegrasi dengan

berbagai level organisasi bila dibandingkan dengan kedua sistem yang lain.

Integrasi framework COSO dapat dilihat dari tahapannya yang membahas

obyektif yang berhubungan dengan Visi sampai dengan fungsi seorang audit

internal, sehingga untuk keperluan organisasi bisnis COSO dirasakan lebih

sesuai.

b. Pendekatan AS/NZS4360:2004 dirasakan cocok bila digunakan untuk

mengevaluasi suatu projek, fungsi atau enginering yang bukan dalam tataran

corporate yang multi level dan multi fungsi.

c. Sedangkan untuk Basel II, obyek BPR diperkirakan belum siap untuk

melakuan terapi pemodalannya, selain itu Basel juga mengisyarakat untuk

penerapan manajement resiko pada pilar ke 2 sehingga akan lebih fokus bila

yang digunakan adalah framework khusus manajemen resiko seperti COSO

V.2.2. Penilaian Resiko (Risk Assesment)

Ini merupakan tahap manajemen resiko yang terkait dengan penelitian. Model

matematika yang telah diperoleh akan digunakan untuk memprediksi apakan

suatu nasabah termasuk kelompok kredit bagus ataupun kredit tidak bagus. Model

yang digunakn untuk risk assesment ini adalah sebagai berikut:

1 2 3 4 5 6 7 8

9 10 11 12 13 14 15

( ) 0, 289 -1,014 , 0820 -1,007 0,942 0, 055 -0,247 1,292

-1,621 0, 433 -1,020 -1,283 0, 465 0, 409 -0,477 4,087

f x x x x x x x x x

x x x x x x x

111

(V-1)

exp( ( ))P(x)=

1 exp( ( ))

f x

f x(V-2)

Dari Model matematika ini akan diperoleh P (probablitas kredit lancar) yang

dalam kaitan dengan manajement resiko merupakan besaran peluang (likelihood),

bila suatu nasabah setelah dihitung dari data variabel yang ada termasuk dalam

kelompok yang kredit jelek maka peluang untuk gagal akan lebih besar bila

dibandingkan sukses. Tingkat keberhasilan prediksi dapat dihitung dari matrik

diskriminan.

Sedangkan untuk konsekuensi diwakilkan dengan jumlah kredit yang diberikan.

Semakin besar jumlah kredit maka semakin besar pula resiko atau kerawanan

yang harus di kelola. Besaran resiko atas setiap organisasi merupakan perkalian

antara likelihood dan consequence.

V = P x S (V-3)

P: Potensial occurance / Likelihood: besaran kecenderungan atau peluang

terjadinya suatu event

S: Significance/Consequence: besaran dampak dari terealisirnya suatu

resiko

V: Vulnerability / Kerawanan: besaran dari suatu resiko

V.2.3. Risk Respone

PD BPR LPK Jalan cagak harus menentukan sikap atas hasil penilaian resiko

tersebut. Sistem dirancang untuk risk response dari PD LPK Jalan Cagak adalah

sebagai berikut (respon untuk hasil negatif)

Avoidence, yaitu dihentikan aktivitas atau pelayanan yang menyebabkan

terjadinya resiko. Pada kasus ini aplikasi kredit tidak diterima dan dibuatkan

surat penolakan kredit.

Reduction, yaitu mengambil langkah-langkah untuk mengurangi likelihood

atau impac dari resiko. Tindakan BPR untuk menambah nilai agunan akan

merubah hasil dari nilai Prediksi (P) yang dalam hal ini mewakili likelihood

atau frekuensi. Sedangkan tindakan BPR untuk mengecilkan nilai kredit akan

112

berefek kepada perubahan nilai P dan juga akan mengecilkan nilai Impact/

konsekuensi.

Sharing, yaitu mengalihkan atau menanggung bersama resiko atau sebagian

dari resiko dengan pihak lain. Langkah ini dapat dilakukan dengan mencari

partner saham ataupun dengan membesar agunan.

Acceptance, yaitu menerima resiko yang terjadi (biasanya resiko yang kecil )

dan tidak ada upaya khusus yang dilakukan. Untuk resiko yang kecil dan

dapat ditoleransi oleh direksi, proses kredit dapat diteruskan karena beberapa

hal sebagai berikut:

(1) Direksi ataupun ada pihak yang memberikan jaminan secara personal

(2) Masuk dalam katagori Chaneling untuk UKM

(3) Pelanggan yang memiliki prospek cerah

Direktur dan komisi kridit merupakan pengambil keputusan bila seorang

nasabah yang di identifikasi jelek dan akan dipertahankan. Dalam memilih respon

perlu dipertimbangkan faktor-faktor seperti:

Pengaruh tiap respon terhadap risk likehood dan impact.

Respon yang optimal (yang dapat memberikan pemenuhan risk apetite dan

tolerance)

Analisis cost versus benefit

dan peluang yang dapat timbul dari setiap risk response

V.2.4. Aktivitas pengendali resiko

Pada PD LPK jalan cagak aktivitas pengendali resiko kredit yang akan sudah ada

atau direncanakan untuk di implementasi adalah:

(1) pembuatan kebijakan dan prosedur yang baru terkait managemen resiko dan

aplikasi analisa kredit preventive

(2) pengamanan Kredit yang diberikan detection and corrective dengan

mempergunakan aplikasi analisa kredit

(3) Delegasi wewenang dan pemisahan fungsi preventive, fungsi-fungsi yang

kritikal seperti analisa kredit dengan pengawas tidak dapat disatukan.

Implementasi dari internal auditor

(4) supervisi atasan directive: perlu dilakukan upgrade kompetensi dari

supervisor / manager mengenai analisa kredit dan supervisi.

113

V.2.5. Information dan Komunikasi

Fokus dari element ini adalah menyampaikan informasi yang relevan kepada

pihak terkait melalui media komunikasi yang sesuai. Faktor-faktor yang perlu

diperhatikan dalam penyampaian informasi dan komunikasi adalah kualitas

informasi, arah komunikasi dan alat komunikasi.

Informasi yang disajikan tergantung dari kualitas informasi yang diingin

disampaikan daan kualitas informasi dapat dipilah menjadi appropriate, timely,

current, accurate dan accessible. Pada PD BPR LPK Jalan Cagak Arah

komunikasi dapat bersifat internal dan eksternal sedangkan alat komunikasi

berupa diantaranya manual, memo, buletin dan pesan-pesan melalui media

elektronik.

V.2.6. Monitoring

Beberapa aktivitas yang terkait dengan monitoring, baik sudah di implementasi

maupun akan di implementasikan adalah sebagai berikut:

Diadakannya jadwal internal audit secara rutin sebulan sekali.

Diadakannya rapat komite kredit dalam memutuskan kredit, sehingga power

tidak terpusat pada kepala cabang.

Diadakannya performance review meeting setiap bulan sekali untuk

mengevaluasi pencapaian dari kinerja organisasi versus target.

V.3. Perubahan Prosedur

Untuk mengimplementasikan analisa kredit ini ke dalam framework manajement

resiko diperlukan suatu perubahan beberapa prosedur operasional terkait. Berikut

ini adalah beberapa prosedur penting yang perlu mengalami perubahan dalam

rangka implementasi:

(1) Format data isian nasabah kredit

(2) Format dari Nota kredit

(3) Standar Operating Prosedur (SOP) untuk proses kredit

(4) Penambahan SOP untuk merespon hasil analisa kredit

114

V.3.1. Format data isian nasabah kredit

Format analisa yang berdasarkan 5 C memerlukan format isian khusus, yang tidak

sama dengan format yang ada. Untuk itu pada penelitian juga perlu dibuat format

isian bagi nasabah yang sesuai dengan aplikasi dan model yang dibuat. Selain itu

format tersebut harus cukup sederhana, lengkap dan mudah digunakan.

V.3.2. Format Nota Kredit Baru

Selain format isian nasabah yang harus dirubah, implementasi ini memerlukan

format nota kredit baru yang dapat mengakomodasi hasil dari model serta

keperluan lain dari analisa kredit. Hasil dari perhitungan model ini di buat

rangkumannya dalam nota kredit.

V.3.3. SOP Proses Kredit

Dengan adanya aplikasi analisa kredit, tentunya akan merubah flow dari proses

informasi analisa kredit. Semua kredit diharuskan dimasukan datanya ke dalam

aplikasi ini serta setiap berkas kredit harus dilengkapi dengan nota kredit hasil

print out dari sistem dengan dilampirkan print out dari detail perhitungan baik

scoring maupun regresi logistik. Perubahan Flow ini memerlukan perubahan dari

standar operating prosedur yang ada.

V.3.4. SOP Respon terhadap hasil analisa

Aplikasi analisa kredit ini merupakan hal yang baru bagi PD BPR Jalan Cagak,

oleh karena itu diperlukan tambahan prosedur untuk BPR terutama prosedur untuk

merespon terhadap hasil analisa kredit yang diperoleh. Respon ini tentunya respon

standar, sedangkan respon riil dari BPR sangat tergantung dari keadaan dan

diputuskan oleh Direktur BPR itu sendiri.

V.4. Analisa dan Pembahasan

Analisa hasil penelitian ini akan dimulai dari pembahasan terhadap variabel yang

terpilih menjadi model, kemudian dilanjutkan dengan pembahasan terhadap

model yang di pilih, juga akan apa saja yang berpengaruh terhadap kegagalan

model dalam memprediksi. Terakhir akan dilakukan pembahasan mengenai

proses implementasi pada PD BPR LPK Jalan Cagak.

115

V.4.1 Analisa Variabel Model

Terdapat tiga belas variabel yang terpilih pada model analisa kredit ini. Variabel

ini akan dibahas sebagai berikut:

Usia

Variabel usia ini merupakan konversi dari data tanggal lahir, dari analisa awal

terlihat bahwa 98% nasabah LPK berada diatas usia 30 tahun dan terdapat 19,6%

nasabah diatas usia 65 tahun. Rata-rata usia dari kelompok tidak lancar adalah 48

tahun sedangkan rataan usia untuk kelompok kredit lancar adalah 54 tahun (selisih

12%). Bila dilihat dari nilai tersebut, rataan kurang dapat digunakan sebagai daya

pemisah untuk variabel usia ini.

Dari hasil analisa probabilitas kurang lancar dibandingkan dengan tidak lancar,

diperoleh hasil bahwa kekuatan pemisah cukup signifikan terjadi pada batas usia

55 tahun (1 < 55, 2 >55). Penjelasan data model adalah sebagai berikut: untuk

kelompok usia di bawah 55 tahun, nasabah yang gagal kredit 39% lebih banyak

bila dibandingkan dengan yang berhasil sedangkan sebaliknya untuk kelompok

usia diatas 55 tahun kelompok yang kridit lancar lebih banyak 35% bila

dibandingkan dengan kelompok yang gagal. Atau dengan kata lain nasabah yang

berusia diatas 55 tahun mempunyai kecenderangan berhasil diatas 35% bila

dibandingkan dengan nasabah dibawah 55 tahun.

Hasil uji sensitifitas model ternyata mempunyai respon yang sedikit berbeda yaitu

perubahan kepada kelompok usia lanjut mempunyai respon yang tidak terlalu

besar (4,5% tabel V.2). Hasil uji ini juga didukung oleh hasil uji Wald terhadap

variabel X1 yang terlihat terlihat tidak signifikan (Sig Wald 0,625 > 0,05, tabel

V.3).

Hal ini dapat dijelaskan bahwa model membentuk sifat baru yang berbeda dengan

karakteristik dari variabel secara individu. Sehingga memang dalam menganalisa

analisa kredit diperlukan metode multivariat yang mengintegrasi karekter variabel

secara keseluruhan.

116

Alamat

Data alamat pada pengolahan awal di kelompokan pada 5 kelompok sebagai

berikut: jalan cagak, kecamatan subang, kecamatan lain, tanjung siang dan diluar

kabupaten subang. Dari analisa secara univariat (hanya X2) terlihat bahwa

nasabah dari kecamatan subang memliki kemungkinan gagal yang cukup besar

dibandingkan dengan daerah lain. Sedangkan nasabah yang berasal dari luar kab

subang mempunyai probabilitas berhasil yang lebih besar (lihat tabel V.1).

Nasabah dari daerah jalan cagak dan sekitarnya dapat dibilang tidak mempunyai

kecenderungan dimana jumlah kredit berhasil dan kredit gagal hampir serupa.

Tabel V.1 Rasio probabilitas kredit gagal/ berhasil per daerah

(hasil Pengolahan dengan klasifikasi awal)

Label Daerah Asal Nasabah Rasio Probabilitas gagal/ berhasil1 Jalan Cagak 0,942 Kecamatan Subang 6,503 Kecamatan lain di kab subang 0,844 Kecamatan Tanjung Siang 1,05 Diluar Kab Subang 0,67

Hasil ini membuat area di rangking sebagai berikut:

1=Area Luar Kab Subang

2=Kec Lain di Kab Subang

3=Jalan Cagak/Tanjung Sari

4=Kec Subang

Dari hasil uji varibel model dengan mempergunakan parameter Wald terlihat

bahwa pada Variabel X2 atau daerah cukup signifikan (0,015 < 005). Hasil uji

sensitifitas juga memperlihatkan hasil yang serupa dengan analisa univariat

dengan dimana perubahan daerah membuat perubahan probabilitas yang cukup

besar. Rangking pada uji sensitivitas model juga sama dengan hasil analisa

variabel X2 saja (Diluar kab Subang, Kecamatan non Subang, Tanjung siang

/jalan cagak, Kec Subang). Variabel lain akan dibahas secara keseluruhan dalam

uji sensitibilitas dan pemetaan nasabah berikut ini

117

V.4.2. Uji Sensitivitas dan Pemetaan Nasabah

Respon dari setiap perubahan variabel dapat dilihat pada uji sensitivitas pada tabel

V.2. Hasil ini secara garis besar memperlihatkan variabel mana yang memberikan

respon besar terhadap perubahan probabilitas dari model, ataupun variabel yang

memberikan respon kecil. Selain itu juta hasil ini akan memberikan pemetaan

variabel yang dapat menjadi petunjuk untuk operasional maupun marketing.

Variabel yang memberikan respon perubahan probabilitas yang besar dengan rata-

rata lebih dari 20% setiap perubahan klasifikasi adalah: X2 (Area), X3 (Pekerjaan),

X8 (bunga), X9 (jumlah tanggungan), X12 (rasio kredit per laba bersih), dan X15

(type agunan). Variabel lain juga terjadi perubahan namun tidak besar seperti

variabel diatas.

Tabel V.2 Hasil Uji Sensitivitas Model Enter (alternatif 2) terhadap Perubahan

Nilai pada Setiap Variabel

Variabel Keterangan Tindakan Jumlah Case Respon PerubahanVariabel Sample Probabilistik Model

X1 1 = Usia < 55 th 1 --> 2 74 + 4,5%Usia 2 = Usia > 55 th 2 --> 1 33 -4,7%

X2 1 = Kec luar kab subang 1 --> 2 8 -19,1%Daerah 2 = Kec Non Subang 1 --> 3 8 -38,9%

3 = Tanjung Siang 1 --> 4 8 -55,2%4 = Kec Subang 2 --> 1 78 +16%

2 --> 3 78 -16,4%2 --> 4 78 -30,0%

X3 1 = Ibu rumah tangga 1 --> 2 13 +11,4%Pekerjaan 2 = Pegawai swasta/ BUMD 1 --> 3 13 +24,9%

3 = Lainnya 3 --> 1 86 -26,3%3 --> 2 86 -13,7%

X4 1 = Kredit <=10 juta 1 --> 2 79 -16,1%Plafond 2 = Kredit > 10 juta 2 --> 1 28 +13,5%

X5 1 = Kredit <=12 bulan 1 --> 2 16 +12,2%Periode 2 = Kredit > 12 bulan 2 --> 1 87 -15,2%

X6 1 = Pertanian 1 --> 2 4 +0,5%

Sumber Pembayaran 2 = Hasil Usaha 1 --> 3 4 1,10%3 = Lainnya 3 --> 1 60 -1,8%

3 --> 2 60 -0,9%

X7 1 = Konsumtif 1 --> 2 11 -4,6%Peruntukan Kredit 2 = Sekolah 1 --> 3 11 -9,3%

3 = Modal Kerja 1 --> 4 11 -14,2%4 = Pertanian 1 --> 5 11 -19,0%5 = Rumah

118

Tabel V.2 (lanjutan)

Variabel Keterangan Tindakan Jumlah Case Respon PerubahanVariabel Sample Probabilistik Model

X8 1 = Bunga >=2,75% 1 --> 2 39 +19,5%Bunga 2 = Bunga = 2 - 2,75% 1 --> 3 39 +38,2%

3 = Bunga = < 2 2 --> 3 61 19,50%2 --> 1 61 -21,5%3 --> 2 7 -14,3%3 --> 1 7 -29,5%

X9 1 1 = 0 1 --> 2 13 -23,8%Jumlah Tanggunan 2= Ada 1 --> 3 13 -48,4%

3 = Tidak ada Keterangan 2 --> 3 49 -25,1%2 --> 1 49 +23,3%3 --> 2 45 26,30%3 --> 1 45 45,60%

X10 1=omset perbulan < 5 jt 1 --> 2 96 6,70%Omset per bulan 2=omset perbulan > 5 jt 2 --> 1 11 -5,50%

X11 1= rasio <= 2 1 --> 2 22 -15,00%Omset / tot hutang 2= rasio > 2 2 --> 1 85 +15,40%

X12 1= rasio <0,3 1 --> 2 6 -14,90%kredit / laba bersih 2= 0,3<rasio<0,77 1 --> 3 6 -27,90%

3= rasio > 0,77 2 --> 3 91 -19,8%2 --> 1 91 +19,10%3 --> 2 10 +17,60%

X13 1= rasio <= 2 1 --> 2 17 +5,85nilai agunan / kredit 2= rasio > 2 2 --> 1 90 -7,50%

X14 1 = < 500 2 --> 1 53 -6,6%Besar Agunan 2 = 500 - 1 jt 2 --> 3 53 +6,4%

3 = 1 jt - 5 jt 2 --> 4 53 +12,4%4 = 5 – 10 2--> 5 53 +17,6%

5 = 10 - 20 jt 2--> 6 53 +22,4%6 = 20jt <

X15 1=SK 1 --> 2 43 -7,80%Type Agunan 2=Kas 1 --> 3 53 -15,8%

3=campuran 1 --> 4 53 -23,7%4=Tanah + bangunan 1--> 5 53 -31,0%

5=BPKB 4-->3 46 +7,0%4-->2 46 +14,2%

Dari hasil uji wald terlihat pada tabel V.3 bahwa variabel cukup signifikan

adalah: X2 (Area), X9 (jumlah tanggungan), X3 (Pekerjaan) Variabel lain seperti

X8, X12, X15, mempunyai nilai wald diatas 2000 namun secara signifinasi belum

tidak memenuhi (sig > 0,05), Hal ini berarti variabel yang sangat significat dalam

model tersebut adalah variabel X2 (Area), X9 (jumlah tanggungan), X3

(Pekerjaan), Variabel ini tentunya harus di perhatikan dengan seksama pada saat

mencari mengevaluasi berkas aplikasi kredit.

119

Tabel V.3 Hasil Uji Wald Pada Variabel Enter

Variables in the Equation

B S,E, Wald Df Sig, Exp(B)

Step 1a x1 0,289 0,591 0,239 1 0,625 1,335

x2 -1,014 0,417 V.918 1 0,015 0,363

x3 0,820 0,432 3,598 1 0,058 2,270

x4 -1,007 1,023 0,970 1 0,325 0,365

x5 0,942 0,772 1,487 1 0,223 2,565

x6 0,055 0,877 0,004 1 0,950 1,057

x7 -0,247 0,224 1,213 1 0,271 0,781

x8 1,292 0,767 2,841 1 0,092 3,640

x9 -1,621 0,477 11,571 1 0,001 0,198

x10 0,433 1,174 0,136 1 0,712 1,542

x11 -1,020 0,810 1,586 1 0,208 0,360

x12 -1,283 0,836 2,355 1 0,125 0,277

x13 0,465 0,942 0,244 1 0,622 1,592

x14 0,409 0,242 2,848 1 0,091 1,505

x15 -0,477 0,278 2,937 1 0,087 0,621

Constant 4,087 4.167 0,626 1 0,429 59,588

Hasil dari uji respon probabilitas model terhadap perubahan variabel kemudian

diolah lebih lanjut untuk membuat suatu peta nasabah seperti terlihat pada Tabel

V.4 berikut ini.

Pemetaan nasabah

Peta Karekteristik nasabah hasil penelitian ini adalah suatu pemetaan variable

yang mengambarkan tingkat dan kekuatan variabel untuk dapat mempengaruhi

peluang suatu kredit menjadi lancer ataupun tidak lancer berdasarkan hasil uji

model.

120

Tabel V.4 Pemetaan Variabel

Variabel Tindakan deltaModel >+20% (<20%)

X1 1 --> 2 + 4.5%

Usia 2 --> 1 -4.7%

X2 1 --> 2 -19.1%

Daerah 1 --> 3 -38.9%

1 --> 4 -55.2%

2 --> 1 +16%

X3 1 --> 2 +11.4%

1 --> 3 +24.9%

3 --> 1 -26.3%

X4 1 --> 2 -16.1%

Plafond 2 --> 1 +13.5%

X5 1 --> 2 +12.2%

Periode 2 --> 1 -15.2%

X6 1 --> 2 +0.5%

1 --> 3 1.10%

3 --> 1 -1.8%

X7 1 --> 2 -4.6%

1 --> 3 -9.3%

1 --> 4 -14.2%

1 --> 5 -19.0%

X8 1 --> 2

Bunga 1 --> 3

2 --> 3 +19.5%

2 --> 1 +38.2%

X9 1 --> 2 -14.3%

1 --> 3 -29.5%

2 --> 3 -23.8%

2 --> 1 -48.4%

X10 1 --> 2 6.70%

2 --> 1 -5.50%

X11 1 --> 2 -15.00%

2 --> 1 +15.40%

X12 1 --> 2 -14.90%

1 --> 3 -27.90%

2 --> 3 -19.8%

X13 1 --> 2 +5.85

2 --> 1 -7.50%

X14 2 --> 1 -6.6%

2 --> 3 +6.4%

2 --> 4 +12.4%

2--> 5 +17.6%

2--> 6 +22.4%

X15 1 --> 2 -7.80%

Type Agunan 1 --> 3 -15.8%

1 --> 4 -23.7%

1--> 5 -31.0%

4-->3 +7.0%

Pekerjaan

rasio omset /

tot hutang

rasio kredit /

laba bersih

rasio nilai

agunan /

Omset per

bulan

Jumlah

Tanggunan

Peruntukan

Kredit

Sumber

Pembayaran

Besar Agunan

1 = < 500

5=BPKB1=SK 2=Kas 3=campuran4=Tanah +

bangunan

5 = 10 - 20 jt 4 = 5 - 10 3 = 1 jt - 5 jt2 = 500 - 1

jt

2 = Kredit > 12

bulan

1 = Kredit <=12

bulan

1 = Pertanian3 = Lainnya2 = Hasil

Usaha

1 = Ibu

rumah

tangga

2 = Pegawai

swasta/ BUMD3 = Lainnya

1 = Kredit

<=10 juta

2 = Kredit > 10

juta

2 = Usia < 55

th

PEMETAAN VARIABEL (Perubahan Probabilitas hasil respon model)

(0-20%)

1 = Usia >55

th

0 - 20%

1 = Kec luar

kab subang

2 = Kec Non

Subang

3 = Tanjung

Siang, Jalan

Cagak

4 = Kec

Subang

1 = Konsumtif3 = Modal

Kerja1 = Pertanian2 = Sekolah 5 = Rumah

3 = Bunga =

< 2

2 = Bunga =

2 - 2.75%

1 = Bunga

>=2.75%

1 = 0 2 = Ada

3 = Tidak

ada

Keterangan

1=omset

perbulan < 5

jt

2=omset

perbulan > 5 jt

1= rasio <= 2 2= rasio > 2

2=

0.3<rasio<0.771= rasio <0.3

3= rasio >

0.77

2= rasio > 2 1= rasio <= 2

6 = 20jt <

Peta ini diperlukan dalam pelaksanaan operasional di bank, terutama dalam

membuat analisa maupun perencanaan. Bila pada seorang nasabah ditemui

mempunyai keadaan pada blok yang berwarna merah atau kuning, maka

kewaspadaan dari tim analisa harus lebih tinggi, karena peta ini memberitahukan

bahwa keadaan nasabah tersebut mempunyai potensi untuk masuk kelompok

beresiko kredit tidak lancar berdasarkan data historikal masa lalu. Dengan adanya

121

peta ini seorang analis dapat mempunyai guideline kapan harus meningkatkan

kewaspadaanya. Selain itu peta ini dapat digunakan oleh pihak marketing atau

manajemen dalam mencari nasabah. Nasabah yang diharapkan tentunya adalah

nasabah yang pada kelompok biru atau hijau.

V.4.3 Analisa Model dan Kegagalan Model

Dengan mempergunakan tiga metode yaitu enter, stewise forward dan stepwise

backward diperoleh 16 model alternatif, ke enam belas model tersebut

mempunyai hit rasio tidak berbeda jauh sekitar 70% lebih, Sehingga untuk

keperluan implementasi model yang dipilih adalah model yang cukup lengkap dan

dapat memenuhi kriteria konsep 5C. Alasannya adalah: BPR akan susah untuk

menerima konsep model yang tidak menyertakan colleteral ataupun character.

Atau dengan bahasa kata lain BPR akan sulit menerima penjelasan bila model

yang terpilih dikatakan tidak di pengaruhi oleh jaminan dan sebagainya. Akan

lebih mudah bila dikatakan di pengaruhi walaupun tidak signifikan.

Gambar V.5 Grafik Probabilitas Responden

Grafik Sigmoid Model

Meteode Enter (Alteranatif 2)

0

0.2

0.4

0.6

0.8

1

1.2

1 7 13 19 25 31 37 43 49 55 61 67 73 79 85 91 97 103

Jumlah Responden

Nil

ai

Pro

ba

bil

isti

kM

od

el

Observasi (Fakta)

Prediksi

Daerah BKesalahan

Type 2

Daerah AKesalahan

Type 1

CuttPoint

0,6

GRAFIK PROBABILITAS RESPONDENMetode Enter 15 Variabel Dengan Cut Off 0.6

122

Berdasarkan analisa tersebut maka model yang dipilih adalah model enter, Model

enter ini selain lengkap, memang juga memiliki kemampuan memprediksi

kegagalan yang tinggi yaitu sekitar 91%, namun hal ini harus diimbangi dengan

turunnya kemampuan untuk memprediksi kredit yang sukses menjadi 64%.

Plot model ini pada grafik dapat dilihat pada Gambar V.5. Pada grafik tersebut

terlihat jelas, kapan suatu prediksi dianggap benar dan kapan suatu prediksi

dianggap salah, Sesuai dengan keperluan dari model, maka nilai cutt off dinaikan

dari 0,5 menjadi 0,6 pada cutt off tersebut. Ketepatan untuk memprediksi gagal

menjadi lebih tinggi hingga mencapai 91%.

Kesalahan tipe 1 adalah terjadi bila kredit tersebut sebetulnya lancar namun model

memprediksi kredit tersebut adalah tidak lancar, Sedangkan kesalahan tipe 2

adalah kredit tersebut sebetulnya tidak lancar namun model memprediksi kredit

tersebut lancar.

Sesuai dengan keperluan dan obyektif dari model, kesalahan tipe 2 lebih

diperhatikan hal ini karena kesalahan tipe 2 inilah yang berpengaruh besar

terhadap penurun NPL (Non Performance Loan). Pada model yang dipilih

kesalahan tipe 2 adalah sebesar 9%% sedangkan kesalahan tipe 1 adalah 36%.

Pada grafik V.7 terlihat bahwa daerah kesalahan 2 relatif lebih kecil bila

dibandingkan dengan daerah kesalahan 1. Hasil ini juga tercermin dari hasil uji

model. Dengan demikian model sudah sesuai dengan harapan dari PD BPR yang

menginginkan ketepatan yang cukup tinggi dalam memprediksi resiko suatu

kredit.

Bila suatu BPR menginginkan model yang lebih agresif, maka cutt off dapat di set

menjadi 0,5 atau lebih rendah lagi. Pada Cutt off tersebut daerah kesalahan 1

akan lebih kecil. Hasil dari model juga dapat dilihat pada grafik sigmoid dibawah

ini Grafik sigmoid adalah grafik berbentuk S, dimana pada salah ujungnya

123

mendekati nilai nol dan tak terhingga. Grafik ini merupakan grafik khas dari

model regresi logistik.

Grafik Sigmoid Model Enter

(Alternatif 2)

0

0.2

0.4

0.6

0.8

1

1.2

1 6 11 16 21 26 31 36 41 46 51 56 61 66 71 76 81 86 91 96 101 106

Jumlah Responden

Pro

bab

ilit

as

Gambar V.6 Grafik Sigmoid model

Model regresi logistik baik atau sempurna mempunyai bentuk S (garis putus-

putus). Model tersebut mempunyai daya pemisah yang besar. Namun walau

demikian model enter ini cukup baik, hal ini terlihat dari sedikitnya titik-titik pada

daerah lingkaran yang merupakan daerah kesalahan satu dan dua.

Bila dilihat grafik distribusi gagal dan sukses seperti terlihat pada gambar V.7.

Model yang dipilih juga terlihat cukup baik. Hal ini dari bentuk grafik distribusi

tersebut U, walaupun tidak sempurna, namun kecenderungan berbentu mendekati

bentuk U (garis putus-putus). Bentuk U merupakan bentuk ideal dari distribusi

regresi logistik. Dengan grafik bentuk U jelas terpisah antara responden yang

mempunyai kredit baik di sisi kanan (probabilistik tinggi) dengan responden yang

mempunyai kredit jelek di sisi kiri (probabilistik rendah).

124

Grafik Frekuensi Gagal dan Berhasil

0

2

4

6

8

10

12

0-1%

1-5%

5-10

%

10-2

0%

20-3

0%

30-4

0%

40-5

0%

50-6

0%

60-7

0%

70-8

0%

80-9

0%

90-1

00%

Kategori Probabilitas

Fre

ku

en

si

Frekuensi Gagal

Frekuensi Berhasil

Gambar V.7, Grafik distribusi responden gagal dan berhasil

Total keberhasilan model dengan cut off 0,6 adalah 78% Hal itu berarti terdapat

22% ( 24 responden ) yang salah di prediksi. Dari hasil analisa data kesalahan

prediksi dari model sebagai besar terjadi pada.

Kekeliruan ini dapat terjadi karena metode menemukan parameter model

merupakan dengan menggunakan metode maximum likelihood. Metode ini

memperoleh dugaan maximum likelihood bagi parameter dengan iterasi Newton

Raphson. Estimasi maximum likelihood merupakan pendekatan dari estimasi

Weighted Least Square, dimana matrik pembobotnya berubah setiap putaran.

Proses menghitung estimasi maximum likelihood ini disebut juga sebagai Iteratif

Reweighted Least Square (Hosmer dan Lemeshow, 1989). Metode ini akan

mendapat optimum lokal sehingga masih terdapat peluang terjadinya kesalahan

dari model.

Tabel V.5 ini dapat menjadi opini kedua bagi hasil prediksi. Bila manajemen

meragukan hasil prediksi dari model, manajemen dapat menganalisa dengan tabel

ini, dan bila ternyata sebagian besar variabel independennya sama dengan diatas,

maka besar kemungkinan prediksi dari model keliru.

125

Tabel V.5 Tabel Analisa Kesalahan Prediks Per variabel

1 Usia : <55 71%

2 Pekerjaan : Kecamatan non Subang 71%

3 Pekerjaan : Lain-lain 88%

4 Plafon Kredit : < 10 Juta 71%

5 Jangka waktu : >12 bulan 92%

6 Sumber usaha : Lainnya 63%

7 Peruntukan kredit : Modal kerja 46%

8 Bunga : 2-2.75% 67%

9 Jumlah tanggunan : Tidak ada keterangan 58%

10 Omset / bulan : <5 juta 96%

11 Rasio omset / total hutang : >2 71%

12 (rasio kredit / laba bersih) : 0.3 - 0.77 96%

13 Rasio Agunan : >2 79%

14 Besar agunan : 500 - 1 jt 50%

15 jenis Agunan : SK 42%

No Variabel% dari total

salahKeterangan

Dari data responden yang salah prediksi terlihat bahwa, kesalahan prediksi

cenderung terjadi pada kategori yang masih luas seperti pada X3, X5. Salah satu

cara yang dapat digunakan dalam mengurangi peluang kesalahan adalah dengan

membuat kategori yang lebih detail bila memungkinkan dan mempunyai kekuatan

pembeda yang besar.

V.4.4 Analisa Prediksi NPL

Model yang terpilih mempunyai kemampuan untuk memprediksi kegagalah lebih

besar dari pada keberhasilan dengan performance seperti terlihat pada tabel IV.15

dimana kemampuan prediksi kegagalan adalah 91% dan prediksi keberhasilan

adalah 63%, dengan total prediksi yaitu 78%.

Model ini dapat juga digunakan untuk memprediksi dengan mempergunakan total

prediksi. Pengunaan total prediksi ini karena pada model memprediksi

keberhasilan juga akan menghasilkan prediksi gagal yang salah.

126

Perhitungan prediksi NPL adalah sebagai berikut:

Tabel V.6 Perhitungan prediksi Nilai NPL

DATA ASUMSI KREDIT TAHUN 2009

Berkas kredit Total NPL 500

Gagal 12% 60

Berhasil 440

No Item Perhitungan Keterangan

1 Ketepatan Prediksi Total 78%

2 Kredit Macet Aktual 60 100%

3 Kredit yang dapat di hindari 47 78%

4 Kredit Macet 14 23%

5 Kredit yang di cancel 47

6 Total Kredit 454

7 Kredit Macet 14

8 Kredit Sukses 440

9 Prediksi NPL 2.98%

Asumsi

10 Besar kredit rata 5,000,000

11Prediksi Kredit yangdiselamatkan

232,500,000(perhitungan setahun)

12 Prediksi keuntungan yang dicancel 65,100,000

13 Prediksi Saving 167,400,000

V.4.5 Analisa Implementasi Model

Implementasi model pada PD LPK BPR Jalan Cagak dilakukan dengan

mempergunakan teknologi informasi. Pendekatan yang dilakukan adalah dengan

membangun aplikasi yang mandiri yang tidak terkait dengan aplikasi transaksi

utama perbankan. Hal ini dilakukan karena masalah keamanan data perbankan

dan tidak terganggunya pelayanan nasabah selama pembangun.

Dalam hal imlementasi sistem baik yang berhubungan dengan IT maupun tidak

terdapat dua konsep utama yang menjadi pengangan yaitu: (1) Fokus pada

127

manfaat. Sistem atau aplikasi tersebut haruslah bermanfaat bagi user atau tidak

akan dijalankan dan (2) harus realistis. Walaupun bermanfaat, namun tidak

realistik maka tidak akan juga dapat dilaksanakan dengan baik.

Hasil implementasi pada PD BPR LPK Jalan Cagak memperlihat beberapa hal

menarik sebagai berikut:

a. Pendekatan mengimplementasikan model secara bertahap dalam bahasa dan

konsep yang dipahami oleh pihak BPR merupakan faktor kunci dari

keberhasilan implementasi. Dalam hal ini bahkan aplikasi juga dibangun

untuk mengakomodasi metode lama dengan sistem scoring. Metode skoring

ini akan berjalan seiring dengan konsep analisa regresi logistik yang

diperkenalkan.

b. Penggunakan sistem informasi berbasis web sebagai media dalam

implementasi model sangat membantu dapat digunakan langsung pada

jaringan dan tampilannya yang menarik. Hal ini membantu meningkatkan

motivasi staff BPR dalam belajar dan melakukan implementasi aplikasi ini.

c. Laporan dan nota dinas hasil dari aplikasi haruslah sesuai dengan kebutuhan

dan dapat menggantikan laporan yang sudah ada. Ini tentunya akan menjadi

hal yang menarik karena tidak menambah pekerjaan baru.

d. Terjadi perubahan sikap dalam keseriusan mencari data nasabah kredit. Hal ini

karena penggunaan IT dan nota kredit melalui komputer membuat transparan,

bila data tidak tersedia secara lengkap.

e. Mendapatkan masukan berdasarkan data yang obyektif sehingga pengambilan

keputusan mempunyai dasar statistik dan historikal yang cukup.

f. Membantu peningkatan kompetensi manajemen dalam pengambilan

keputusan dengan dasar yang lebih obyektif dan berdasarkan data yang ada.