analisis pengukuran risiko pembayaran rental kendaraan bermotor
TRANSCRIPT
1
ANALISIS PENGUKURAN RISIKO PEMBAYARAN
RENTAL KENDARAAN BERMOTOR SECARA
KREDIT (STUDI KASUS PADA PT. SURYA
DARMA PERKASA)
SUHERI PURNOMO
Jl. Srengseng Raya No.45 RT 008/06
Kembangan Jakarta Barat. 11630
Telp. 021-92397417, 0815-8954390
ABSTRAKSI
Dalam bidang penyewaan kendaraan bermotor memiliki tingkat risiko kegagalan
suatu pembayaran yang sangat besar, maka diperlukan suatu metode yang baik untuk
dapat menganalisa risiko kredit dengan mudah dan akurat.Metode CreditRisk+ adalah
metode pengukuran yang mudah dan akurat. Metode ini menggunakan data historis
yang ada untuk menganalisa risiko kredit berdasarkan data historis eksposure at default.
Berdasarkan data historis eksposure of default maka akan dapat diperoleh expected loss
dan unexpected loss yang sangat diperlukan dalam proses pengambilan keputusan.
Kata Kunci : Eksposure at Default, Default Rate, Unexpected Loss, Expected Loss,
Economic Capital
PENDAHULUAN
Kegiatan penyewaan kendaraan bermotor mulai berkembang pada awal tahun 1990an,
ini dibuktikan dengan semakin banyaknya perusahaan yang menyewa kendaraan
bermotor guna memenuhi operasional perusahaan. Menyewa kendaraan bermotor lebih
efisien dibandingkan perusahaan harus membeli unit baru.
2
Tingginya tingkat pertumbuhan usaha jasa penyewaan kendaraan bermotor
menunjukan tingginya minat konsumen untuk menyewa kendaraan guna memenuhi
kebutuhan transportasi konsumen (seperti mobil, sepeda motor, alat elektronik dan lain-
lain) dengan cara pembayaran sewa kendaraan mengangsur atau mencicil secara
berkala oleh perusahaan-perusahaan yang membutuhkan jasa rental kendaraan dalam
kegiatan bisnisnya. Dalam hal ini perusahaan / konsumen menggunakan jasa rental
kendaraan karena banyaknya kebutuhan unit kendaraan dan bermacam-macamnya
spesifikasi yang dapat menunjang kegiatan mereka tapi tidak bisa mereka penuhi
sendiri. Hal ini yang menjadi pendorong tingginya pertumbuhan usaha jasa penyewaan
kendaran bermotor.
PT. Surya Darma Perkasa adalah perusahaan penyewaan kendaraan bermotor
yang seluruh konsumennya merupakan perusahaan-perusahaan yang menyewa
kendaraan dengan jangka waktu sewa antara 2-3 tahun sesuai dengan kontrak yang
disepakati anatara ke2 belah pihak. Tingkat pertumbuhan portofolionya cenderung
meningkat dari tahun ke tahun. Hal ini tentu menyebabkan risiko keterlambatan
pembayaran sewa kendaraan dan risiko pembayaran piutang tak tertagih juga semakin
besar. Oleh karena itu diperlukan metode yang dapat mengidentifikasi dan mengukur
risiko pembayaran secara cepat dan akurat sehingga dapat meminimalisasi potensi
kerugian akibat risiko macetnya pembayaran sewa kendaraan bermotor tersebut.
Sehubungan dengan pengukuran risiko, penelitian ini akan menggunakan metode
CreditRisk+ dari Credit Suisse Financial Product (CSFP). Adapun alasan pemilihan
metode ini antara lain didasarkan pada literatur yang menyatakan bahwa metode
CreditRisk+ sesuai untuk mengukur risiko pembayaran sewa kendaraan bermotor secara
kredit serta cukup efektif dan praktis dalam penerapannya karena hanya memerlukan
data intern berupa jumlah unit kendaraan, jumlah eksposure, kolektibilitas dan recovery
rate.
LANDASAN TEORI
Manajemen Risiko suatu tindakan sistematis dalam mengidetifikasi dan
menganalisa/ mengevaluasi. Untuk mengurangi kerugian yang timbul oleh suatu
program/ produk dengan cara menghindari risiko, mengontrol risiko atau mentransfer
risiko.
3
Gambar 2.1. Proses Management Risiko
Sumber : Asiyanto, MBA, IPM. (2009)
Perjanjian kredit adalah “persetujuan pinjam–meminjam secara tertulis antar
kreditur dengan pihak lain (sebagai debitur atau nasabah) dimana pihak kreditur
menyatakan kesanggupannya menyediakan sejumlah uang atau tagihan yang dapat
ditarik oleh debitur / nasabah dengan syarat-syarat yang ditentukan oleh pihak debitur /
nasabah.
Menurut Garder, Mills, dan Cooperman (2000), proses kredit yang komprehensif
harus memiliki komponen-komponen sebagai berikut :
1. Bank written loan policy
2. Compliance policies
3. Credit execution policies
4. Loan request procedures.
5. Lender compensation policies
Tahapan proses CreditRisk+ adalah seperti berikut ini:
G
Gambar 2.2. CreditRisk+ Diagram langkah-langkah kerja (Measurement Framework)
Data inputan berasal dari historis yaitu data Eksposure debitur dan data
Eksposure at default dari debitur dan frequency of default event terjadi akibat default
kredit dari serangkaian peristiwa. Data input terdiri dari (CSFB, 1997)
Identifikasi risiko
Antisipasi risiko Pengawasan risiko
Analisa/evaluasi risiko
Tahap 2 Berapa tingkat kegagalan
Tahap 1
Input Posisi outstanding
Tingkat kesalahan
Tingkat kesalahan standar deviasi
Tingkat penggantian kembali
Berapa frekuensi kemungkinan
kegagalan
Tingkat kegagalan
distribusi
4
1. Posisi piutang yang belum dibayarkan (Eksposure)
2. Tingkat Kegagalan (Default Rates)
3. Tingkat Kesalahan Standar Deviasi (Default Rates Volatilities)
4. Tingkat penggantian kembali (Recovery Rates)
Dalam melakukan pengukuran risiko kredit yang berupa portofolio digunakan
CreditRisk Portofolio+, yang merupakan pengembangan dari CreditRisk+. Pada
CreditRisk Portofolio+, harus dilakukan pembagian portofolio ke dalam beberapa
kelompok atau band. Tahapan dalam pengukuran pada suatu portofolio adalah sebagai
berikut :
a. Probability Generating Function for Each Band
Setiap band adalah merupakan bagian dari suatu portofolio, sehingga probability of
default menjadi
Gj (z) = ∑ Prob(n defaults)znLj
Jumlah default yang terjadi dengan berdasarkan Poisson Model adalah
Gj (z) = ∑ z nLj
e-m
λn
/ n !
b. Probability Generating Function for the Entire Portofolio
Berdasarkan pertimbangan bahwa setiap band adalah merupakan portofolio
Eksposure, bersifat independent dengan band yang lain.
c. Loss Distribution for the Entire Portfolio
Dari probability generating function tersebut diatas, maka dapat diperoleh distribusi
kerugian dari turunan pertama probability of defaults, yaitu
Prob (loss of nL) = (1 / n!) (dn G(z) / dz
n)
Untuk n = 1,2,...
Kemudian dari data input tersebut dilakukan proses CreditRisk+, yaitu :
Tingkat kegagalan (Frequency of Default Events)
Frequency of default events terjadi akibat adanya default kredit dari
serangkaian peristiwa yang mana tidak dapat diprediksi kepastiannya
bilamana terjadi suatu default ataupun kepastian jumlah default. CreditRisk+
tidak mengasumsikan penyebab terjadinya default. Untuk kondisi dimana
terdapat sejumlah besar Eksposure default loss (berasal dari sejumlah debitur
yang banyak) dengan probability of default relatif kecil, maka model yang
5
tepat untuk menentukan adalah menggunakan distribusi poisson. Duffe
(2003) menyatakan bahwa Poisson model didasarkan pada :
1. Kemungkinan tingkat bertahan dalam 1 tahun yaitu p(t)=e-λ t
, berarti
untuk waktu kegagalan distribusi (Probability of survival for t years is
p(t)=e-λ t
, meaning that the time to default is exponentially distributed).
2. Waktu kegagalan adalah 1/λ (The expected time to default is 1/λ).
3. Tingkat kegagalan yang paling tinggi dalam 1 periode dilambangkan ∆,
periode awal dilambangkan dengan ∆λ, untuk lebih keceilnya adalah ∆
(The probability of default over a time periode of length ∆ , given
survival to the beginning of this period, is approximately ∆λ, for small ∆)
Dengan rumusan sebagai berikut :
Prob.(n defaults) = e-m
λn / n !
Dimana :
e = bilangan eksponensial = 2.71828 λ = mean = angka rata–rata
default = ∑ PA n = jumlah debitur
Pada umumnya actual default rate berfluktuasi disekitar nilai rata–ratanya,
variasi dari actual default rates terhadap rata–ratanya digambarkan dengan volatility
(standar deviasi) dari default rates. Standar deviasi dari default rates jika dibandingkan
dengan actual default rates mencerminkan fluktuasi default selama siklus ekonomi.
Dengan mengasumsikan default rates volatility konstan, maka default rate sama dengan
nilai rata–ratanya.
Severity of the losses atau loss given default adalah besarnya tingkat kerugian
yang diakibatkan dari peristiwa default yang dihitung dengan cara Eksposure at default
dikurangi dengan nilai recovery.
Adapun rumusnya adalah sebagai berikut :
LGD = Eksposure at default ( 1 – recovery rate )
selanjutnya dari probabilitas terjadi credit events, dibedakan kedalam dua jenis kerugian
yaitu, expected loss dan unexpected loss.
Expected loss adalah kerugian yang dapat diperkirakan terjadinya. Adapun
perkiraan terjadinya didasarkan pada data histori munculnya credit events tersebut.
Untuk mengatasi kejadian expected loss, maka dilakukan pencadangan modal yang
6
diperoleh dari pengenaan provisi dan administrasi kepada debitur. Besarnya expected
loss diperkirakan dengan nilai mean dari distribusi probabilitas.
Unexpected loss diukur dengan mengambil nilai kerugian maksimum pada
tingkat keyakinan yang dipilih yakni 99% dengan mempertimbangkan, semakin tinggi
confidence level yang dipilih maka semakin kecil tingkat kesalahan (error) yang dapat
ditolerir. Tingkatan keyakinan sebesar 99% berarti bahwa hanya 1% kemungkinan
bahwa kerugian akan melebihi nilai expected loss dan nilai unexpected loss ini dianggap
sebagai ukuran VAR (Saundres, 2002). Pertimbangan lainnya adalah tingkat keyakinan
sebesar 99% adalah yang tingkat keyakinan tertinggi dalam memprediksi expected loss
yang dapat di cover oleh economic capital dan atau provisi. Untuk keyakinan diatas
99% perlu diquantifisir menggunakan scenario analysis dan dikontrol oleh
concentration limits.
METODOLOGI PENELITIAN
Adapun dalam melakukan pengukuran risiko pembiayaan untuk kendaraan bermotor di
PT. Surya Darma Perkasa ditetapkan beberapa batasan sebagai berikut :
1. Data yang digunakan adalah data bulanan perkreditan selama 1 tahun.
2. Eksposure berkisar antara Rp. 10.000.000 hingga Rp. 1.000.000.000.
3. Fasilitas kredit digolongkan sebagai performing loan (PL) atau non default
apabila tunggakan kewajibannya kepada perusahaan kurang dari atau sama
dengan 180 hari..
Eksposure kredit adalah besarnya tagihan PT. Surya Darma Perkasa kepada penyewa..
Tahap yang dilakukan dalam melakukan proses pengukuran risiko kredit dengan
metode CreditRisk+ secara garis besar dapat dijelaskan dalam alur pada Gambar 3.1.
Tahap–tahap metode CreditRisk+
7
Gambar 3.1. Tahap – tahap metode CreditRisk+
Sumber : Rachmat, Budi (2004)
8
HASIL DAN PEMBAHASAN
Perhitungan risiko kredit yang dilakukan dengan 2 tahapan, yaitu :
1. Menghitung besarnya frekuensi terjadinya default (frequency of default) dan
menghitung besarnya tingkatan kerugian (severity of the losses)
2. Menghitung distribusi kerugian akibat default (distribusi of default losses)
Semakin besar recovery rate maka akan semakin kecil real lossnya, dan
sebaliknya semakin kecil recovery ratenya maka akan besar real lossnya.
Dalam usaha untuk memperbesar recovery rate diperlukan usaha intensif dari
perusahaan pembiayaan dalam rangka menagih kembali kredit yang telah macet, peran
staf collection sangat berpengaruh dalam memperbaiki recovery rate. Sebaiknya
perusahaan pembiayaan membuat policy mengenai target recovery minimal yang harus
dicapai. Number of default merupakan jumlah peristiwa dibagi kejadian terjadinya suatu
gagal bayar dari debitur pada suatu periode. Nilai rata-rata (mean) dari frekuensi
kejadian default didapatkan dari pengukuran eksposure at default dibagi dengan unit
eksposure setiap kelompok band.
Probability of default dan cumulative probability of default yang digunakan
sebagai contoh perhitungan adalah band dengan unit of eksposure Rp 100 juta pada
desember 2008 (lihat lampiran 4 Perbandingan λ dan n di bulan Desember 2008). Dari
Lampiran 4 Perbandingan λ dan n di bulan Desember 2008 untuk kelompok 1 dengan
unit of eksposure Rp 20 juta, λ = number of default = 1.6500 sehingga nilai n pada saat
probabilitas tertinggi = 1.6500 dan cumulative probabilty of default 99 % tercapai pada
n = 8, sedangkan pada kelompok 2 dengan unit of eksposure Rp 500 juta, λ = number of
default = 16.1695, maka probability tertinggi tercapai pada n= 16.1695 dan cumulative
probability of default 99% tercapai pada n = 3 (perhitungan dapat dilihat di lampiran).
9
Perbandingan tingkat kegagalan (number of
default) dan kemungkinan tingkat kegagalan
(cumulative probability of default) Desember 2008
0
5
10
15
20
25
5 –
14,9
25 –
34,9
9
45 –
54,9
9
65 –
74,9
9
85 –
94,9
9
105 –
144,9
9
255 –
344,9
9
455 –
544,9
9
655 –
744,9
9
855 –
944,9
9
1055 –
1494,9
9
Number of default
Cumulative
probability of default
(n)
Gambar 4.1. Perbandingan λ dan n di bulan Desember 2008
Tahap selanjutnya adalah menghitung besarnya expected loss, yaitu didapat
dengan mengalikan nilai n yang memiliki probability of default tertinggi dengan nilai
common eksposure dari masing–masing band. Sedangkan nilai unexpected loss didapat
dengan mengalikan nilai n yang memiliki cumulative probability of default yang
mendekati 99% dengan nilai common eksposure dari masing–masing band.
Sebagai contoh, dengan menggunakan data pada Gambar 4.1. Perbandingan λ
dan n di bulan Desember 2008, pada periode Desember 2008 untuk band Rp. 20 juta
untuk kelompok satu, maka besar expected loss dan unexpected loss adalah seperti yang
disajikan tabel 4.1. Expected Loss dan Tabel 4.2. Unexpected Loss
Tabel 4.1. Kerugian yang dapat diperkirakan PT. Surya Darma Perkasa bulan Desember
2008 (Expected Loss)
Tingkat Kegagalan
(λ)
Nilai yang mewakili
band (Common
Eksposure)
Kerugian yang dapat
diperkirakan (Expected
Loss)
1.6500 Rp 20,000,000 33000000
10
Tabel 4.2. Kerugian yang tidak dapat diperkirakan PT. Surya Darma Perkasa bulan
Desember 2008 (Unexpected Loss)
Kemungkinan
tingkat kegagalan
(N)
Nilai yang mewakili
band (Common
Eksposure)
Kerugian yang tidak dapat
diperkirakan (Unexpected
Loss)
8 Rp 20,000,000 160000000
Hasil perkirakan potensi kerugian (expected loss) sepanjang tahun 2008 berkisar
dari yang terendah di bulan Januari 2008, yaitu sebesar Rp 635,442,750 sampai yang
tertinggi di bulan September 2008, yaitu sebesar Rp 4,372,376,934.
Detail periode observasi diketahui bahwa expected loss terbesar terjadi di bulan
Agustus dan September.
Kerugian berupa expected loss akan dicover oleh besarnya provisi dan
administrasi yang telah dicadangkan oleh perusahaan setiap tahunnya, sedangkan
kerugian berupa unexpected loss harus ditutup dari modal perusahaan.
Dengan mengetahui besarnya potensi kerugian berupa expected loss maka
manajemen PT. Surya Darma Perkasa dapat lebih baik mengelola portofolio penyewaan
kendaraan bermotor kepada konsumen, khususnya terkait dengan pricing rate dan
provisi yang kompetitif yang dibebankan kepada debitur serta pencadangan atas
eksposure tersebut.
Sedangkan risiko kredit yang dicerminkan oleh VaR memperlihatkan
kecenderungan yang semakin meningkat pula selama periode observasi, yaitu sebesar
Rp 635,442,750 di periode Januari 2008 hingga mencapai Rp 4,372,376,934 diperiode
September 2008.
Dengan mengetahui credit VaR yang semakin meningkat, maka dapat
diperkirakan adanya kecenderungan peningkatan kerugian berupa unexpected loss yang
mungkin terjadi, sehingga diharapkan pengelolaan atas portofolio penyewaan kendaraan
bermotor kepada konsumen tersebut harus lebih efektif, terutama dalam mengantisipasi
bertambahnya penyewaan yang bermasalah.
Economic Capital atau besarnya kecukupan modal yang dibutuhkan dalam
perhitungan risiko kredit dengan CreditRisk+ adalah modal yang harus dimiliki untuk
menutup besarnya nilai kerugian yang disebabkan adanya unexpected loss. Besarnya
Economic Capital adalah selisih dari nilai Unexpected Loss dengan Expected Loss.
11
Perhitungan Economic Capital untuk tahun 2008 disajikan pada table 4.3 Economic
Capital Tahun 2008
Tabel.4.3 Economic Capital PT. Surya Darma Perkasa Tahun 2008
Periode UEL EL EC
Januari 2008 7,910,000,000
635,442,750 7,274,557,250
Februari 2008 15,590,000,000
1,338,225,850 14,251,774,150
Maret 2008 14,790,000,000
1,393,271,750 13,396,728,250
April 2008 20,920,000,000
2,064,281,250 18,855,718,750
Mei 2008 4,600,000,000
2,251,350,609 2,348,649,391
Juni 2008 7,300,000,000
2,806,603,534 4,493,396,466
Juli 2008 7,130,000,000
3,264,020,832 3,865,979,168
Agustus 2008 9,450,000,000
3,831,777,534 5,618,222,466
September 2008 12,280,000,000
4,372,376,934 7,907,623,066
Oktober 2008 28,790,000,000
1,740,710,232 27,049,289,768
November 2008 41,600,000,000
2,984,996,068 38,615,003,932
Desember 2008 5,160,000,000
2,343,915,600 2,816,084,400
UEL = Nilai kerugian maksimum pada tingkat keyakinan 99%
EL = Jumlah Piutang yang belum terbayar pada bulan yang bersangkutan
EC = UEL - EL
Dari perhitungan economic capital terlihat bahwa kecukupan modal yang
dibutuhkan atas portofolio pembiayaan kendaraan bermotor yang dilakukan oleh PT.
Surya Darma Perkasa sepanjang tahun 2008 berada pada range Rp 2,348,649,391– Rp
38,615,003,932.
12
Tabel 4.4. Perbandingan Economic Capital dengan Modal
Periode Economic
Capital (Rp)
Modal PT. Surya Darma
Perkasa Presentase
Desember 2008 2,816,084,400.00 492,935,153,335.00 0.57%
Dari tabel diatas dapat disimpulkan bahwa modal PT. Surya Darma Perkasa
masih cukup untuk menanggung adanya risiko kredit yang diakibatkan oleh unexpected
credit default losses. Dengan melihat kebutuhan economic capital yang relatif kecil,
sekitar 0.57 % dari jumlah modal atas portofolio pembiayaan kendaraan bermotor
sepanjang tahun 2008, maka dapat disarankan untuk meningkatkan atau
mengoptimasikan portofolionya.
Untuk mengetahui hasil perhitungan nila VaR atau nilai Unexpected Loss
dengan menggunakan metode CreditRisk+ diatas valid untuk meperkirakan besarnya
VaR dari suatu periode ke periode berikutnya, maka dilakukan pengujian dengan
menggunakan backtesting dan juga Likelihood Ratio (LR)
Untuk mengetahui apakah hasil pengukuran risko kredit dengan menggunakan
metode CreditRisk+ diatas dapat digunakan untuk memperkirakan besarnya risiko
kredit dari suatu periode ker periode berikutnya, maka perlu dilakukan pengujian model
dengan membandingkan prediksi risiko kredit berdasarkan data historisnya, yaitu nilai
VaR dengan kerugian actual seperti pada Gambar 4.2. Perbandingan UEL dan EL
Tahun 2008
Perbandingan UEL dan EL 2008
-
5,000,000,000
10,000,000,000
15,000,000,000
20,000,000,000
25,000,000,000
30,000,000,000
35,000,000,000
40,000,000,000
45,000,000,000
50,000,000,000
Janu
ari
Feb
ruar
i
Mar
et
Apr
il
Mei
Juni
Juli
Agu
stus
Sep
tem
ber
Okt
ober
Nov
embe
r
Des
embe
r
UEL
EL
Gambar 4.2. Perbandingan UEL dan EL Tahun 2008
13
Likelihood Ratio (LR) test dilakukan untuk melihat tingkat akurasi model dalam
memperkirakan unexpected loss atau VaR Kredit. LR Test dilakukan dengan
menghitung banyaknya jumlah expected loss yang melebihi nilai VaR setiap bulan
selama masa observasi dan selanjutnya dibandingkan data expected loss atau actual loss
dengan maksimum kejadian kesalahan proyeksi yang dapat ditolerir selama masa
observasi. Dalam karya akhir ini jumlah periode pengamatan yang digunakan sebagai
input LR Test adalah 12 bulan.
Sesuai dengan standar hasil LR Test, dengan tingkat keyakinan 95% dan
observasi sebanyak 12 titik pengamatan, jumlah maksimum kesalahan proyeksi (actual
loss melebihi nilai proyeksi VaR) agar model dapat diterima dan diyakini validitasnya
dalam menghitung VaR adalah sebanyak 1 titik sebagaimana disajikan pada Tabel 4.5.
Perbandingan hasil proyeksi Var dengan kerugian aktual yang dialami (Backtesting)
Tabel 4.5. Backtesting
T (total observation) 12
N (the numbaer of estimation failure) 1
p (the propotion of failure estimates) 0.083
p * (the propotion of failure estimates) 0.05
LR (Likelihood Ratio) 0.44
Chi-square critical value with 1% confidence level 3.841
Hypothesis is rejected if LR > 3.841 and accepted if
LR <3.841 Accepted
Karena Jumlah kejadian kerugian aktual (actual loss) yang melebihi VaR selama masa
observasi adalah nol atau tidak melebihi nilai VaR, artinya nlai LR yang diperoleh akan
lebih kecil dari nilai kritis dengan tingkat keyakinan 95% atau LR < 3.841. Dengan
demikian bisa dikatakan bahwa metode pengukuran risiko dengan creditrisk+ dapat
diterima dan cukup akurat dalam mengukur VaR portofolio kendaraan bermotor kepada
konsumen.
KESIMPULAN DAN SARAN
Kesimpulan
Berdasarkan pembahasan pada bab-bab sebelumnya dapat diambil beberapa
kesimpulan sebagai berikut :
14
1. Pengukuran risiko kredit dengan memakai pendekatan CreditRisk+ model yang
dikeluarkan oleh Credit Suisse First Boston dapat digunakan untuk mengukur
risiko kredit dari portofolio penyewaan kendaraan bermotor PT. SURYA
DARMA PERKASA kepada konsumennya, hal ini karena pengukuran kredit
dengan menggunakan metode ini sangat sederhana karena lebih memfokuskan
kepada keadaan default atau non default dan tidak mempersoalkan faktor-faktor
penyebab terjadinya default. Selain itu model ini tidak mempertimbangkan
terjadinya migrasi kualitas kredit.
2. Hasil pengukuran risiko kredit dengan menggunakan model CreditRisk+ untuk
portofolio penyewaan kendaraan bermotor PT. SURYA DARMA PERKASA
sepanjang masa observasi tahun 2008 menunjukan potensi kerugian yang
diperkirakan (expected loss) dan risiko kredit (ditunjukan oleh VaR atau
unexpected loss) mempunyai kecenderungan yang menurun. Credit VaR dibulan
Januari 2008 sebesar Rp 7,910,000,000 dan menurun sebesar Rp 5,160,000,000
dibulan Desember 2008. Dengan adanya kecenderungan penurunan risiko ini
diharapkan pengelolaan atas portofolio penyewaan kendaraan bermotor PT.
SURYA DARMA PERKASA kepada konsumennya dapat lebih baik dan
efektif, terutama dalam mengantisipasi bertambahnya piutang yang bermasalah.
3. Dari perhitungan economic capital terlihat bahwa kecukupan modal yang
dibutuhkan atas portofolio penyewaan yang dilakukan oleh PT. SURYA
DARMA PERKASA kepada konsumen sepanjang tahun 2008 berada pada
range Rp 2,348,649,391 – Rp 38,615,003,932. Apabila setiap nilai ini
dibandingkan dengan modal PT. SURYA DARMA PERKASA masih cukup
menanggung adanya risiko kredit yang diakibatkan oleh kerugian kredit yang
tidak dapat diperkirakan (unexpected credit default losses). Dengan melihat
kebutuhan economic capital yang relatif kecil, sekitar 0.57 % dari jumlah modal
atas portofolio pembiayaan kendaraan bermotor sepanjang tahun 2008, maka
dapat disarankan untuk meningkatkan atau mengoptimasikan portofolionya.
4. Pengujian dengan metode Likelihood Ratio pada tingkat kepercayaan 95%
menunjukan bahwa selama pengamatan, jumlah kejadian yang merugikan PT.
SURYA DARMA PERKASA dengan tingkat kerugian yang melebihi nilai VaR
kredit masih dibawah ambang batas jumlah kerugian yang dapat ditolerir, yang
15
berarti bahwa metode pengukuran risiko dengan CreditRisk+ dapat diterima dan
cukup akurat untuk mengukur risiko portofolio penyewaan PT. SURYA
DARMA PERKASA kepada konsumen
Saran
1. Mengingat PT. SURYA DARMA PERKASA belum mempunyai metode
pengukuran risiko kredit dan berdasarkan hasil pengukuran risiko kredit
dengan model CreditRisk+ yang menggunakan pendekatan distribution
possion, dengan hasil pengujian model memakai LR test yang menunjukan
model yang cukup akurat, maka model CreditRisk+ ini dapat
dipertimbangkan untuk digunakan untuk pengukuran risiko kredit di
penyewaan kendaraan bermotor PT. SURYA DARMA PERKASA kepada
konsumen
2. Selain itu, model ini dapat disarankan pula untuk digunakan untuk mengukur
risiko kredit segmen lain yang mempunyai karakterisktik yang hampir sama
dengan portofolio penyewaan kendaraan bermotor seperti pembiayaan
kepada koperasi simpan pinjam, kartu kredit, kredit karyawan, dan KPR.
3. Melihat adanya kecenderungan risiko kredit yang menurun diakhir tahun
2008, maka untuk menjaga kualitas portofolio dengan lebih baik, PT.
SURYA DARMA PERKASA harus melakukan langkah preventive untuk
menurunkan potensi default yaitu dengan cara lebih selektif dalam memilih
calon konsumen dan melakukan reactive untuk memperbaiki non performing
loannya, dengan meningkatkan monitoring portofolio dan upaya
penyelesaian kredit bermasalah yang lebih maksimal.
4. Tingkat akurasi model CreditRisk+ sangat tergantung pada kehandalan
database yang dimiliki, terutama dengan data inputan, yaitu nilai exposure,
kolektibilitas dan tingkat kegagalan (default rates). Oleh karena itu PT.
SURYA DARMA PERKASA harus meningkatkan kualitas database
perkreditannya, sehingga pengukuran risiko kredit akan lebih akurat.
Disamping itu validitas model juga harus diperhatikan dengan melakukan
pengujian secara berkala menggunakan LR test.
16
DAFTAR PUSTAKA
Credit Suisse First Boston. 1997. CreditRisk+. A Credit Risk Management Framework
Crouhly, Michael, et. al. 2001. Risk Management. New York : McGraw-Hill.
Dowd, Kevin. 1998. Beyond Value at Risk. The New Sience of Risk Management. New
York : John Wiley & Sons, Inc.
Duffe, Darel N. et. al. 2003. Credit Risk Pricing, Measurement and Management
Priceton University Press.
Gardner, Mona. 2000. Managing Financial Institutions. Fourth edition, Harcourt
College.
Jorion, Phillipe. 2001. Value at Risk. New York :McGraw-Hill.
Pindyek, Robert. 1997. Economic Models and Economic Forecast. Fourth edition, Irwin
McGraw-Hill
Rachmat, Budi. 2004. Multi Finance HandBook Indonesia Perspective. Jakarta :
Pradnya Paramita.
Saunders, Antony. 2002. Financial Institutions Management, A Risk Management
Approach. Fourth edition, New York:McGraw-Hill