analisis perbandingan tingkat kolektibilitas kredit pada bank
TRANSCRIPT
FAKTOR – FAKTOR YANG MEMPENGARUHI KOLEKTIBILITAS PEMBAYARAN KREDIT UKM
PETANI BAWANG PADA BANK BRI CABANG BREBES
WENDRA AFRIANA
ADI KUSWANTO
Fakultas Ekonomi, Universitas Gunadarma
ABSTRAK
Penelitian ini bertujuan untuk mengetahui tingkat kolektibilitas
pembayaran kredit oleh petani bawang wilayah brebes pada Bank BRI Cabang
Brebes. Tujuan dari penelitian ini adalah untuk membuat model penentuan lancar
dan tidaknya pembayaran kredit berdasarkan faktor – faktor yang berpengaruh.
Objek penelitian yang digunakan adalah UKM petani bawang pada Bank BRI
Cabang Brebes. Variabel yang di gunakan terdapat lima variabel. Variabel
dependen dalam penelitian ini adalah lancar dan tidak lancar yaitu grup 0 untuk
lancar dan 1 untuk tidak lancar. Sedangkan pada variabel independen dalam
penelitian yaitu X1 = Gaji, X2 = Pokok, X3 = Angsuran, X4 = Tanggungan, X5
= Usia. Data yang digunakan sebanyak 100 sampel dengan metode analsis data
yaitu metode analisis diskriminan.
Berdasarkan hasil model diskriminan menunjukan bahwa model
diskriminan yang terbentuk untuk menentukan lancar tidaknya pembayaran kredit
adalah variabel pendapatan, angsuran dan tanggungan. Variabel hutang dan
umur tidak berpengaruh terhadap lancar tidaknya pembayaran kredit.
Kata Kunci : Kredit, hutang, pendapatan, angsuran, tanggungan dan umur.
2
PENDAHULUAN
Kekuatan fundamental perekonomian suatu bangsa salah satunya
ditentukan oleh struktur penguasaan asset - asset ekonomi. Struktur yang ideal
bagi penguatan suatu perekonomian adalah ketika porsi terbesar dari asset-asset
perekonomian dikuasai oleh pelaku - pelaku yang merupakan bagian terbesar
dari sistem perekonomian tersebut. Di Indonesia porsi terbesar (70%) dari asset-
aset perekonomian praktis dikuasai oleh hanya 3% pelaku (Teuku Mirza,
1999). Sementara Usaha Kecil Menengah (UKM) dan koperasi yang selama
ini merupakan pelaku-pelaku ekonomi yang dari segi jumlah (number) adalah
yang terbesar justru menjadi pihak yang tidak diperhatikan, suatu kondisi yang
kemudian membawa perekonomian Indonesia kearah kehancuran. Perhatian
pemerintah dalam pemberdayaan usaha kecil dan koperasi yang terasa sangat
mengemuka dalam Orde Reformasi ini merupakan suatu upaya dan tindakan
koreksi terhadap kebijakan-kebijakan menyimpang dari Orde Baru (Teuku
Mirza, 1999) .
Kebijakan-kebijakan yang diambil pemerintah di dalam orde reformasi ini,
merupakan bentuk keberpihakan kepada UKM dan koperasi. Kredit program
dengan bunga yang relatif kecil untuk usaha kecil dan bentuk kemudahan-
kemudahan lain yang diberikan, Merupakan tindakan yang diambil pemerintah
untuk memajukan UKM dan koperasi.
Kendala yang dihadapi oleh pemerintah adalah kebijakan ditingkat
makro tidak sesuai dan berbeda penerapanya pada tingkat mikro (operasional
lapangan). Dengan demikian usaha yang dilakukan pemerintah, Khususnya
Departemen Koperasi dan PPK (Persatuan Pengusaha Kecil) dalam upaya-
upaya memajukan UKM dan koperasi mengalami hambatan. Oleh sebab itu
perlunya kerjasama dengan lembaga keuangan untuk membantu program
pemerintah tersebut.
Lembaga yang paling memiliki kompetensi dan profesionalisme dalam
penyaluran bantuan kredit adalah perbankan. Perbankan merupakan lembaga
yang memiliki sistem, teknologi dan sumberdaya manusia profesional yang
mampu menilai kelayakan usaha, menyalurkan dan memonitor kredit
3
secara efektif dan efisien. Namun ada ambatan yang ada pada sektor mikro yaitu
kemapuan dalam memberikan jaminan fisik atau agunan dalam melakukan
peminjaman kredit. Tapi sekarang hal ini tidak menjadi kendala karena
berdasarkan sudah diatur dalam Undang-undang No.7 Tahun 1992 tidak
mensyaratkan agunan secara fisik melainkan adanya suatu jaminan bahwa
kredit yang disalurkan terjamin pengembaliannya.
Kredit yang diberikan oleh bank mengandung risiko, sehingga dengan
demikian dalam pelaksanaannya bank harus memperhatikan asas-asas perkreditan
yang sehat. Untuk mengurangi risiko tersebut, jaminan pemberian kredit dalam
arti keyakinan atas kemampuan dan kesanggupan debitur untuk melunasi
hutangnya sesuai dengan yang diperjanjikan merupakan faktor yang sangat
penting yang harus diperhatikan oleh bank.
Faktor – faktor inilah yang menjadi perhatian khusus dan landasan oleh
bank untuk penentuan dan pengambil keputusan dalam penilaian kemampuan
debitur khsususnya pengusaha kecil menengah dalam kewajiban pembayaran
kreditnya.
Tujuan Penelitian
Tujuan penelitian yang hendak dicapai mengacu pada rumusan dan
pertanyaan peneliti adalah membuat model dari faktor-faktor yang berpengaruh
terhadap pemberian kredit sesuai batasan pada kriteria yang penulis batasi dan
berdasarkan data yang ada perusahaan.
TINJAUAN PUSTAKA
Prinsip Perkreditan
Prinsip perkreditan ini disebut pula 5C. pada dasarnya konsep 5C ini akan
dapat memberikan informasi mengenai itikad baik (willingness to pay) dan
kemampuan membayar (ability to pay) nasabah untuk melunasi pinjaman beserta
bunganya (Astiko dan Sunardi, 1996).
4
Prinsip perkreditan tersebut adalah :
1. Character : Penilaian terhadap character nasabah perlu dilakukan untuk
mengetahui sejauh mana itikad baik dan kejujuran calon nasabah debitur
untuk membayar kembali kredit yang telah diterimanya.
2. Capacity : Untuk mengetahui sejauh mana kemampuan debitur
mengembalikan pokok pinjaman serta bunga pinjamannya.
3. Capital : Bank melihat apakah debitur memiliki modal yang memadai
dalam menjalankan usahanya. Modal yang dimaksudkan tersebut pada
prinsipnya dapat berupa barang-barang bergerak dan tidak bergerak.
4. Collateral : Penilaian terhadap barang jaminan (collateral) yang diserahkan
debitur sebagai jaminan atas kredit bank yang diperolehnya adalah untuk
mengetahui sejauhmana nilai barang jaminan atau agunan tersebut ndapat
menutupi risiko kegagalan pengembalian kewajiban-kewajiban debitur.
5. Condition : Penilaian terhadap kondisi ekonomi adalah untuk mengetahui
mengenai kondisi pada suatu saat disuatu daerah yang mungkin akan
mempengaruhi kelancaran usaha debitur.
Disamping prinsip 5C tersebut diatas, maka dalam melakukan penilaian
kredit dapat pula digunakan konsep lain yang disebut konsep 7P dan konsep 3R
sebagai berikut (Siamat, 1995) :
Konsep 7P :
1. Personality
2. Purpose
3. Prospect
4. Payment
5. Profitability
6. Protection
7. Party
Konsep 3R : Selanjutnya analisis kredit dapat lebih dipersempit dengan
menilai 3 unsur R yaitu :
1. Return
2. Repayment
5
3. Risk bearing ability
Penggolongan Kolektibilitas Kredit
Berdasarkan surat keputusan direksi bank Indonesia No. 30/267/KEP/DIR,
Tanggal 27 Februari 1998 tentang kualitas produktif dan pembentukan cadangan,
ditetapkan 5 Golongan kolektibilitas kredit yaitu : Lancar, Dalam Perhatian
khusus, Kurang Lancar, Diragukan dan Macet dengan kriteria sebagai berikut :
1) Lancar (Pass)
a. Kredit dengan asuran pokok, dimana tidak terdapat tunggakan angsuran
pokok, tunggakan bunga atau cerukan karana penarikan kredit.
b. Kredit dengan angsuran untuk KPR
1. Tidak terdapat tunggakan angsuran pokok
2. Terdapat tunggakan angsuran pokok tetapi melampaui satu bulan
c. Kredit tanpa angsuran atau kredit rekening koran, dimana kredit belum
jatuh tempo, dan tidak terdapat tunggakan bunga.
2) Dalam perhatian khusus (Special Mention)
a. Terdapat tunggakan angsuran pokok, dan belum melampaui 3 bulan, baik
kredit yang ditetapkan masa angsurannya bulanan.
b. Terdapat tunggakan bunga belum melampaui 3 bulan, bagi kredit yang
masa angsurannya bulanan.
c. Terdapat cerukan karena penarikan, tetapi jangka waktunya belum
melampaui 15 hari kerja.
d. Terdapat indikasi masalah keuangan yang dihadapi debitur
e. Dokumen pinjaman lemah.
3) Kurang lancar (Sub standar)
a. Kredit dengan angsuran di luar KPR, terdapat tunggakan pokok yang :
1. Melampaui 1 bulan dan belum melampaui 2 bulan bagi kredit masa
angsurannya kurang 1 bulan.
2. Melampaui 3 bulan dan belum melampaui 6 bulan bagi kredit yang
masa anmgsurannya ditetapkan bulanan, dua bulanan, dan tiga
bulanan.
6
3. Terdapat cerukan akibat penarikan yang jangka waktunya telah
melampaui 15 hari kerja tetapi belum melampaui 30 hari kerja.
b. Kredit dengan angsuran untuk KPR terdapat tunggakan angsuran pokok
yang telah melampaui 4 bulan tetapi belum melampaui 6 bulan.
c. Kredit tanpa angsuran, terdapat tunggakan bunga yang melampaui 4 bulan
belum melampaui 6 bulan.
4) Diragukan (Doubt Ful)
5) Macet (Loss)
Dalam penulisan ini, yang akan digunakan oleh penulis untuk mengetahui
variabel manakah yang berpengaruh terhadap kolektibilitas pembayaran kredit
UKM petani bawang adalah kategori lancar dan macet.
Beberapa penelitian yang mengkaji tentang analisis kelayakan pemberian
kredit dengan menggunakan analisis Diskriminan, seperti penelitian tentang layak
tidaknya pemberian kredit oleh PT FIF diantaranya oleh Rasni Arrifki, Dalam
penulisannya menyimpulkan bahwa dengan menggunakan analisis diskriminan
maka suatu perusahaan dapat menentukan faktor – faktor apa saja yang
berpengaruh dalam pemberian kredit kepada konsumen. Berdasar hasil model
diskriminan menunjukkan bahwa perusahaan menyeleksi calon konsumen
berdasar variable gaji, angsuran dan tanggungan. Variable pokok dan umur tidak
berpengaruh terhadap layak tidaknya pemberian kredit kepada konsumen.
METODE PENELITIAN
Objek Penelitian
Ruang lingkup yang menjadi obyek penelitian ini adalah Bank BRI
Cabang Brebes Propinsi Jawa Tengah. Bank yang termasuk dalam BUMN yang
mempunyai program kredit untuk para pengusaha kecil menengah khususnya di
wilayah Kabupaten Brebes yang kebanyakan masyarakatnya bermata pencaharian
sebagai petani Bawang merah. Peneliti akan meneliti model kredit yang
digunakan oleh Bank BRI dalam menyalurkan kreditnya, Khususnya pada para
Petani Bawang merah.
7
Variabel yang Digunakan
Variabel yang digunakan dalam penulisan ada 6 (enam) variabel. Variabel
dependen adalah macet dan lancar yaitu 1 merupakan grup macet dan 0
merupakan grup lancar. Variabel independent terdiri dari :
1. Status : Keterangan dari pelanggan yang menjelaskan apakah nasabah tersebut
dalam pembayaran hutang lancar atau tidak yang dibedakan dengan simbol 0
untuk lancar dan 1 untuk macet.
2. Pendapatan : Pemasukan uang yang diterima nasabah setiap bulan berupa Gaji
(karyawan), pendapatan rata – rata tiap bulan (usahawan). Disini akan diuji
apakah variabel pendapatan nasabah berbeda pada mereka yang lancar dan
macet dalam pembayaran kredit.
3. Pokok (Nilai hutang bersih) : Jumlah keseluruhan hutang yang dibebankan
kepada nasabah. Disini akan diuji apakah variabel hutang nasabah berbeda
pada mereka yang lancar dan macet dalam pembayaran kredit.
4. Umur : Usia dari pelanggan yang bersangkutan. Disini akan diuji apakah
variabel usia nasabah berpengaruh pada mereka yang lancar dan macet dalam
pembayaran kredit.
5. Angsuran : Kewajiban nasabah kepada Bank yang dilaksanakan secara
bertahap sesuai dengan perjanjian sebelumnya. Disini akan diuji apakah
variabel angsuran nasabah berbeda pada mereka yang lancar dan macet dalam
pembayaran kredit.
6. Tanggungan : Jumlah anggota keluarga yang ditanggung oleh nasabah. Disini
akan diuji apakah variabel tanggungan yang dimiliki nasabah berpengaruh
pada mereka yang lancar dan macet dalam pembayaran kredit.
Metode Analisis yang Digunakan
1. Alat Analisis
Menguji variabel mana yang signifikan dan layak untuk dianalisis untuk
menentukan lancar tidaknya seorang nasabah dalm membayar kredit pada
Bank.
8
Urutan langkah - langkah pengujian :
a. Uji kesamaan rata- rata ( Equality of Group Means)
b. Dengan melakukan uji means dari tiap variabel dilakukan dengan
menggunakan F Test pada output tabel Test of Equality.
c. Uji kesamaan varians dari tiap variabel (Test Result)
d. Memiliki asumsi bahwa group covarien matrix adalah relatif sama melalui
tabel Box’s M
e. Uji log determinan
f. Melalui jumlah angka pada log determinan.
2. Pembuatan Model Diskriminan
Model Deskriminan paling sederhana yakni hanya melibatkan dua kategori
pada variabel dependent dapat diperoleh suatu model fungsi persamaan
deskriminan dengan pola sebagai berikut :
XbXbXbXbXbbD ikkijjiii .........................332211()1 ++++=
Keterangan : Zscore merupakan variabel depeden yang berupa status yaitu
macet dan lancar,sedangkan variabel independen yaitu :
GajiX =1 TanggunganX =4 UmurX =5
AngsuranX =3 PokokX =2
3. Pembuatan Cutt of Score
4. Penafsiran Aktual dan Predicted Group
Digunakan untuk mengetahui apakah case dapat dikategorikan dengan
tepat, dengan kata lain yang diprediksi masuk kedalam sebuah group hasilnya
sama dengan case yang berada dalam kategori grup yang sebenarnya.
5. Proses Perhitungan Ketepatan Prediksi dari Model yang sudah dibuat.
a. Dilakukan melalui output table classification Results
9
Jika angka ketepatan hasil diatas > 50% maka model diskriminan yang
sudah dibuat bisa digunakan untuk analisis diskriminan atau penafsiran tentang
berbagai output table yang valid untuk digunakan
PEMBAHASAN
Peneliti menguji variable mana yang signifikan untuk menentukan lancar
tidaknya seorang pelanggan dalam membayar kredit pada perusahaan. Variabel
yang digunakan terdapat enam variabel yang terdiri dari satu variabel dependen
yaitu status (Lancar dan Macet), dan lima variabel independen yaitu Hutang,
Pendapatan, Angsuran, Tanggungan, dan Umur. Dalam pengujian untuk menilai
variabel yang layak untuk dianalisis kita menggunakan variabel independen yaitu
Hutang, Pendapatan, Angsuran, Tanggungan, dan Umur. Hal ini digunakan untuk
mengetahui variabel independent mana yang berpengaruh pada variabel dependen
yaitu lancar atau macet dalam pembayaran kredit. Kemudian variabel yang
terpilih pada proses pengujian terakhir itulah yang akan digunakan untuk
membuat fungsi atau model diskriminan.
Uji Kesamaan Rata – rata Group (Equality of Group Means)
Tabel 4.1
Tests of Equality of Group Means Wilks' Lambda F df1 df2 Sig. Hutang ,960 4,046 1 98 ,047 Pendapatan ,865 15,300 1 98 ,000 Angsuran ,960 4,046 1 98 ,047 Tanggungan ,751 32,471 1 98 ,000 Umur ,999 ,100 1 98 ,753
Table diatas adalah hasil pengujian untuk setiap variable bebas yang ada.
Keputusan dapat diambil lewat dua cara :
Dengan angka Wilk’s Lambda
Angka Wilk’s Lambda berkisar 0 sampai 1. jika angka mendekati 0 maka
data tiap grup cenderung berbeda, sedang jika angka mendekati 1, maka data tiap
grup cenderung sama.
1
Dari table terlihat angka Wilk’s Lambda berkisar antara 0,751 sampai
0.999 (mendekati 1). dari kolom Sig bisa dilihat bahwa hanya variabel UMUR
yang cenderung tidak berbeda. Hal ini berarti UMUR untuk mereka yang macet
atau lancar dalam membayar kredit ternyata tidak berbeda secara nyata. Hanya
disini kriteria mendekati angka 1 adalah sulit ditentukan secara pasti, karena
hampir semua variabel diatas mempunyai angka Wilk’s Lambda yang besar,
namun satu variabel yang tidak lolos. Untuk itu, pengujian dengan ANOVA, yang
dibahas dibawah ini, lebih mudah dilakukan.
Dengan F Test
Yaitu dengan melihat angka Sig.
a. Jika Sig > 0,05 berarti tidak ada perbedaan antar grup (tidak
mempengaruhi).
b. Jika Sig < 0,05 berarti ada perbedaan antar grup (mempengaruhi).
Analisis dengan menggunakan uji F :
a. Variabel Hutang, angka Sig adalah dibawah 0,05 (0,047). Hal ini berarti
ada perbedaan antar grup, atau nasabah yang macet atau lancar terkait
dengan hutang nasabah tersebut.
b. Variabel Angsuran, angka Sig adalah dibawah 0,05 (0,047). Hal ini berarti
ada perbedaan antar grup, atau nasabah yang macet atau lancar terkait
dengan angsuran nasabah tersebut.
c. Variabel Tanggungan, angka Sig adalah dibawah 0,05 (0,000). Hal ini
berarti ada perbedaan antar grup, atau nasabah yang macet atau lancar
terkait dengan tanggungan nasabah tersebut.
d. Variabel Umur, angka Sig adalah diatas 0,05 (0,753). Hal ini berarti tidak
ada perbedaan antar grup, atau nasabah yang macet atau lancar terkait
dengan umur nasabah tersebut. Kesimpulan ini sama dengan jika
berpatokan pada angka Wilk’s Lambda yang hampir mendekati 1 untuk
variabel Umur.
e. Variabel Pendapatan, angka Sig adalah diatas 0,05 (0,000). Hal ini berarti
tidak ada perbedaan antar grup, atau nasabah yang macet atau lancar terkait
1
dengan umur nasabah tersebut. Kesimpulan ini sama dengan jika berpatokan pada
angka Wilk’s Lambda yang hampir mendekati 1 untuk variabel Pendapatan.
Dari lima variabel, ada empat variabel yang berbeda secara signifikan
untuk dua grup diskriminan, yaitu Hutang, Angsuran, Pendapatan dan
Tanggungan. Dengan demikian lancar atau tidaknya nasabah dalam membayar
kredit kepada Bank dipengaruhi oleh hutang nasabah, angsuran nasabah,
pendapatan nasabah dan tanggungan nasabah yang bersangkutan.
Uji Kesamaan Varian dari tiap Variabel (Test Result)
Jika analisis ANOVA dan angka Wilk’s Lambda menguji means (rata –
rata) dari setiap variable, maka Box’s M menguji varians dari setiap variable.
Pengertian diatas bisa disimpulkan, seharusnya group covariencematrices adalah
relative sama, yang diuji dengan alat Box’s M dengan ketentuan :
Tabel 4.2
Test Results Box's M 16,786
Approx. 1,605df1 10df2 45915,538
F
Sig. ,098Tests null hypothesis of equal population covariance matrices.
A. HIPOTESIS :
Ho : group covariance matrices adalah relatif sama.
Ha : group covariance matrices adalah berbeda secara nyata.
B. Keputusan dengan dasar signifikasi (Lihat Angka Sig) :
Jika Sig > 0,05 berarti Ho diterima.
Jika Sig < 0,05 berarti Ho ditolak.
Dari table terlihat bahwa angka Sig jauh diatas 0,05 (0,098) yang berarti
group covariance matrices adalah sama. Hal ini berarti data diatas sudah
memenuhi asumsi analisis diskriminan, sehingga proses bisa dilanjutkan.
Uji Log Determinant
Sama tidaknya group covariance matrices juga bisa dilihat dari table
output LOG DETERMINANT berikut (ada diatas table Box’s M) :
1
Tabel 4.3
Log Determinants
Kredit Rank Log
Determinant LANCAR 4 58,694MACET 4 60,047Pooled within-groups 4 59,542
The ranks and natural logarithms of determinants printed are those of the group covariance matrices.
Terlihat angka Log Determinant untuk kategori lancar (58,694) dan macet
(60,047) tidak berbeda banyak sehingga group covariance matrices akan relatif
sama untuk kedua grup.
Pembuatan Model Diskriminan
Ada dua pendekatan yang digunakan yaitu : direct method dan Stepwise
discriminant analysis. direct method meliputi estimasi koefisien fungsi
diskriminan dimana seluruh variabel bebas terlibat. Metode kedua yaitu Stepwise
discriminant analysis yaitu variabel bebas diikutsertakan secara berurutan,
didasarkan pada kemampuannya untuk mendiskriminasi antar kelompok.
Tabel 4.4
Group Statistics Kredit Mean Std. Deviation Valid N (listwise) Unweighted Weighted LANCAR
Hutang 12920000,0000 2848845,09360 50 50,000
Pendapatan 3274000,0000 593694,76113 50 50,000 Angsuran 1268237,0634 276116,82771 50 50,000 Tanggungan 1,4200 ,67279 50 50,000 Umur 34,7800 6,67095 50 50,000MACET Hutang 14040000,0000 2717742,16014 50 50,000 Pendapatan 2818400,0000 570854,56885 50 50,000 Angsuran 1376790,1214 263410,02012 50 50,000 Tanggungan 2,4400 1,07210 50 50,000 Umur 35,2200 7,24580 50 50,000Total Hutang 13480000,0000 2826569,46660 100 100,000 Pendapatan 3046200,0000 623029,06202 100 100,000 Angsuran 1322513,5924 273957,82100 100 100,000 Tanggungan 1,9300 1,02745 100 100,000 Umur 35,0000 6,93258 100 100,000
Tabel GROUP STATISTICS pada dasarnya berisi data statistik
(Deskriptif) yang utama, yakni rata – rata dan standar deviasi, dari kedua grup
nasabah bank BRI. Sebagai contoh nasabah yang termasuk tipe lancar dalam
1
melunasi kewajiban perkreditan pada Bank mempunyai pendapatan rata – rata
Rp. 3.274.000 sedangkan mereka yang termasuk tipe macet dalam melunasi
kewajiban perkereditan pada Bank mempunyai pendapatan rata – rata
Rp.2.818.400 dari table diatas juga terlihat ada 50 nasabah yang tergolong lancar
dalam melunasi kewajibanya pada bank sedangkan 50 nasabah lainya tergolong
macet dalam melunasi kewajibanya pada bank. Jika melihat semua variable
(hutang, pendapatan, angsuran, tanggungan dan umur) terisi angka 50 atau 50
semuanya, maka pada kasus ini tidak ada data yang hilang (missing) sehingga
total data untuk semua variable adalah 100 buah.
Tabel 4.5
Variables Entered/Removed(a,b,c,d) Step Entered Min. D Squared Statistic Between Groups Exact F Statistic df1 df2 Sig. 1 Tanggungan 1,299 LANCAR and MACET 32,471 1 98,000 ,0002 Pendapatan 2,582 LANCAR and MACET 31,950 2 97,000 ,0003 Angsuran 3,530 LANCAR and MACET 28,816 3 96,000 ,000
Tabel ini menyajikan variable mana dari lima variable yang bisa
dimasukan dalam persamaan diskriminan. Pada tahap ini variable tanggungan
adalah yang pertama terpilih karena angka F hitung variable tanggungan mencapai
32,471 dan variabel kedua yang terpilih adalah Hutang dengan angka F hitung
variabel Pendapatan mencapai 31,950 dan yang terakhir terpilih adalah variabel
Angsuran 28,816
Tabel 4.6
Variables in the Analysis
Step Tolerance Sig. of F to
Remove Min. D
Squared Between Groups 1 Tanggungan 1,000 ,000 LANCAR and MACET 2 Tanggungan ,927 ,000 ,612 LANCAR and MACET Pendapatan ,927 ,000 1,299 LANCAR and MACET3 Tanggungan ,919 ,000 1,315 LANCAR and MACET Pendapatan ,738 ,000 1,426 LANCAR and MACET Angsuran ,795 ,000 2,582 LANCAR and MACET
1
Tabel diatas dan tabel selanjutnya sebenarnya hanyalah perincian (detail)
dari proses step wise pada tabel sebelumnya. Pada step satu variable tanggungan
adalah variabel yang masuk kedalam model diskriminan. Hal ini disebabkan
variabel tersebut mempunyai angka Sig of F to Remove yang paling sedikit yakni
0.000 (jauh dibawah 0.05).
Kemudian pada step dua, dimasukan vaiabel kedua, yakni
TANGGUNGAN. Variabel tersebut memenuhi syarat, karena mempunyai angka
Sig of F to Remove di bawah 0,005 yakni 0,000.
Pada step tiga atau terakhir, yakni ANGSURAN. Variabel tersebut juga
memenuhi syarat, dengan angka Sig of F to Remove dibawah 0,005 yakni 0,000.
perhatikan perubahan angka pada variabel PENDAPATAN seiring dengan
masuknya variabel ketiga, yakni variabel ANGSURAN.
Tabel 4.7
Variables Not in the Analysis
Step Tolerance Min.
Tolerance Sig. of F to
Enter Min. D
Squared Between Groups 0 Hutang
1,000 1,000 ,047 ,162 LANCAR and MACET
Pendapatan 1,000 1,000 ,000 ,612 LANCAR and MACET
Angsuran 1,000 1,000 ,047 ,162 LANCAR and MACET
Tanggungan 1,000 1,000 ,000 1,299 LANCAR and MACET
Umur 1,000 1,000 ,753 ,004 LANCAR and MACET
1 Hutang ,998 ,998 ,127 1,426 LANCAR and MACET
Pendapatan ,927 ,927 ,000 2,582 LANCAR and MACET
Angsuran ,998 ,998 ,127 1,426 LANCAR and MACET
Umur ,977 ,977 ,304 1,356 LANCAR and MACET
2 Hutang ,795 ,738 ,000 3,530 LANCAR and MACET
Angsuran ,795 ,738 ,000 3,530 LANCAR and MACET
Umur ,971 ,912 ,560 2,606 LANCAR and MACET
3 Hutang ,000 ,000 . . .
Umur ,960 ,737 ,363 3,595 LANCAR and MACET
1
Tabel tersebut adalah kebalikan dari table sebelumnya, dimana pada tabel
ini justru yang ditayangkan adalah proses pengeluaran variabel secara bertahap.
Pada step 0 (keadaan awal), kelima variable secara lengkap ditayangkan
dengan angka. Sig of F to Remove sebagai factor penguji. Terlihat angka Sig of F
to Remove yang terkecil adalah pada variable tanggungan (0.000). Maka variabel
tanggungan dikeluarkan dari Step 0 tersebut yang berarti variabel tersebut bukan
termasuk variable yang tidak dianalisis.
Pada Step 1 sekarang terlihat empat variabel, dan terlihat angka Sig of F to
Remove yang terkecil adalah pada variabel pendapatan yakni 0,000. Maka
variabel pendapatan dikeluarkan dari Step 1 tersebut yang berarti variabel tersebut
bukan termasuk variable yang tidak dianalisis.
Pada step 2 sekarang terlihat ada tiga variable, dan terlihat variable
angsuran tersebut mempunyai angka Sig of F to Remove 0,000 Maka variabel
angsuran dikeluarkan dari Step 2 tersebut yang berarti variabel tersebut bukan
termasuk variable yang tidak dianalisis.
Pada step 3 ada dua variabel yaitu hutang dan umur dan keduanya
memenuhi syarat, sehingga tidak dikeluarkan, yang berarti keduanya termasuk
pada variable not in the analysis, atau variable yang tidak dianalisis lebih lanjut.
Tabel 4.8
Wilks' Lambda
Step Number of Variables Lambda df1 df2 df3 Exact F
Statistic df1 df2 Sig. 1 1 ,751 1 1 98 32,471 1 98,000 ,0002 2 ,603 2 1 98 31,950 2 97,000 ,0003 3 ,526 3 1 98 28,816 3 96,000 ,000
Wilk’s lambda pada prinsipnya adalah varians total dalam discriminant
scores yang tidak bisa dijelaskan oleh perbedaan diantara grup–grup yang ada.
Perhatikan table diatas yang terdiri atas tiga tahap, yang terkait dengan satu
variabel yang secara berurutan dimasukan pada tahapan analisis sebelumnya. Pada
step satu jumlah variable yang dimasukan ada satu (Tanggungan) dengan angka
1
Wilk’s Lambda adalah 0,751. hal ini berarti 75,1% varians tidak dapat dijelaskan
oleh perbedaan antar grup-grup. Kemudian pada step 2, dengan tambahan variabel
(Pendapatan) angka Wilk’s Lambda turun menjadi 0,603. dan pada step 3 angka
itu turun lagi menjadi 0,526. Penurunan angka Wilk’s Lambda tentu baik bagi
model diskriminan karena varians yang tidak bisa dijelaskan juga semakin kecil
(dari 75,1 % menjadi 52,6%).
Dari kolom F dan Signifikasinya, terlihat baik pada pemasukan variabel 1,
2, dan kemudian 3, semuanya adalah signifikan secara statistic. Hal ini berarti
ketiga variabel tersebut (TANGGUNGAN, PENDAPATAN, dan ANGSURAN)
memang berbeda untuk kedua tipe nasabah.
Summary of Canonical Discriminant Functions Tabel 4.9
Eigenvalues
Function Eigenvalue % of Variance Cumulative % Canonical Correlation 1 ,901(a) 100,0 100,0 ,688
a First 1 canonical discriminant functions were used in the analysis.
Canocanical correlation mengukur keeratan hubungan antara diskriminan
score dengan grup (dalam hal ini, karena ada dua tipe nasabah, maka ada dua
grup). Angka 0,688 menunjukan keeratan tinggi, dengan ukuran skala asosiasi
antara 0 sampai 1.
Tabel 4.10
Wilks' Lambda Test of Function(s) Wilks' Lambda Chi-square df Sig. 1 ,526 61,965
3
,000
Table diatas menyatakan angka akhir Wilk’s Lambda, yang sebenarnya
sama saja dengan angka terakhir dari step 3 pembuatan model diskriminan. Angka
Chi Square sebesar 61,965 dengan tingkat signifikasi yang tinggi menunjukan
perbedaan yang jelas antara dua grup nasabah (mereka yang lancar membayar
kewajiban pada Bank dan yang tidak lancar dalam membayar kredit pada Bank).
1
Tabel 4.11
Structure Matrix
Function 1 Tanggungan ,607Pendapatan -,416Hutang(a) ,214Angsuran ,214Umur(a) -,100
Table Structure Matrix menjelaskan korelasi antara variabel independent
dengan fungsi diskriminan yang terbentuk. Terlihat variabel TANGGUNGAN
paling erat hubungannya dengan fungsi diskriminan, diikuti oleh variabel
PENDAPATAN dan ANGSURAN. Hanya disini variabel HUTANG dan UMUR
tidak dimasukkan dalam model diskriminan.
Tabel 4.12
Canonical Discriminant Function Coefficients Function
1 Pendapatan ,000Angsuran ,000Tanggungan ,923(Constant) ,071
Unstandardized coefficients
Table diatas mempunyai fungsi yang hampir mirip dengan persamaan
regresi berganda, yang dalam analisis diskriminan disebut sebagai FUNGSI
DISKRIMINAN.
zScore = 0,071 + (-0,000001543) Pendapatan + 0,000002154 Angsuran +
0,923 Tanggungan
Pada table diatas angka pada PENDAPATAN dan ANGSURAN adalah
0,000 tetapi angka sebenarnya adalah -0,000001543 dan 0,000002154. hal ini
disebabkan dilakukan pembulatan pada output SPSS.
1
Tabel 4.13
Functions at Group Centroids
Function
Kredit 1 LANCAR -,939MACET ,939
Unstandardized canonical discriminant functions evaluated at group means
Oleh karena ada dua tipe nasabah, maka disebut Two-Group Discriminant,
dimana grup yang satu mempunyai Centroid (Grup Means) negative dan grup
yang satunya lagi mempunyai Centroid (Grup Means) positif. Angka pada table
menunjukan besaran Z yang memisahkan kedua grup tersebut.
Gambar :
Gambar 4.1
Distibusi Anggota Grup
LANCAR MACET
Z = -0,939 Z = 0,939
0N = 50 N = 50
Tabel 4.14
Prior Probabilities for Groups
Kredit Prior Cases Used in Analysis
Unweighted Weighted LANCAR ,500 50 50,000MACET ,500 50 50,000Total 1,000 100 100,000
Table teresebut memperlihatkan posisi ke 100 nasabah, yang dengan
model diskriminan menghasilkan 50 nasabah ada di Grup Lancar dan 50 nasabah
ada di grup Macet.
1
Tabel 4.15
Classification Function Coefficients
Kredit LANCAR MACET Pendapatan ,000 ,000Angsuran ,000 ,000Tanggungan ,347 2,082(Constant) -19,548 -19,416
Fisher's linear discriminant functions
Sama seperti tampilan Unstandardized (Canocanical) sebelumnya, fungsi
diskriminan dari Fisher pada prinsipnya membuat semacam persamaan regresi,
dengan pembagian berdasar kode grup :
Mereka yang lancar melunasi kewajiban dalam kategori LANCAR:
zScore = -19,548 + 0,000007390 pendapatan + 0,000001027 angsuran +
0,347 tanggungan
Mereka yang tidak lancar melunasi kewajiban dalam kategori MACET :
zScore = -19,416 + 0,000004490 pendapatan + 0,000001432 angsuran
+ 2,082 tanggungan
Pembuatan Cutt Off Score
Dari table Prior Probabilities For Group, didapat bahwa jumlah nasabah
yang lancar adalah 50 nasabah dan 50 nasabah macet.
NNZNZNZ
BA
ABBACU +
+=
Dimana :
Z CU = Angka Kritis, yang berfungsi sebagai cutt off score
N A dan N B = jumlah sample di grup A dan B yang dalam kasus ini adalah grup
Z A dan Z B = angka centroid pada grup A dan B.
Perhitungan :
05050
50)939.0(939,0.50=
+−+
=Z CU
2
Penggunaan angka Z CU (Discriminating Z Score) :
- Angka skor kasus diatas Z CU , masuk ke grup MACET ( 1 )
- Angka skor kasus dibawah Z CU , masuk ke grup LANCAR ( 0 )
NB : Penggunaan angka 0 sebagai pembatas pada kasus ini karena kebetulan
didapat angka yang sama dengan nol. Pada banyak kasus lainnya, tentu angka
pembatas bisa tidak sama dengan nol.
Penafsiran Aktual dan Predicted Group
Selain dengan melihat angka diskriminan score seperti diatas,
pengelompokkan kasus pada grup tertentu bisa langsung dilihat pada actual dan
predicted grup.
Tabel 4.16
Casewise Statistics
Case Number
Actual Group Highest Group Second Highest Group
Discriminant
Scores
Predicted Group
P(D>d | G=g)
P(G=g | D=d)
Squared Mahalanobis Distance to
Centroid Group P(G=g | D=d)
Squared Mahalanobis Distance to Centroid
Function 1
p df Original 1 0 0 ,846 1 ,802 ,038 1 ,198 2,837 -,745 2 0 0 ,439 1 ,962 ,600 1 ,038 7,039 -1,714 3 1 1 ,493 1 ,955 ,469 0 ,045 6,574 1,625 4 1 1 ,627 1 ,936 ,236 0 5,589 1,425 5 1 1 ,066 1 ,995 3,368 0 ,005 13,794 2,775 6 0 0 ,715 1 ,921 ,134 1 ,079 5,038 -1,305 7 0 0 ,713 1 ,921 ,136 1 ,079 5,050 -1,308 8 1 1 ,810 1 ,902 ,058 0 ,098 4,490 1,179 9 0 0 ,998 1 ,854 ,000 1 ,146 3,540 -,942 10 0 0 ,841 1 ,800 ,040 1 ,200 2,815 -,739 11 1 1 ,191 1 ,986 1,713 0 ,014 10,161 2,248 12 0 0 ,417 1 ,560 ,659 1 ,440 1,138 -,128 13 1 1 ,244 1 ,981 1,359 0 ,019 9,269 2,105 14 1 1 ,581 1 ,674 ,305 0 ,326 1,760 ,387 15 0 0 ,124 1 ,991 2,363 1 ,009 11,668 -2,476 16 1 1 ,518 1 ,952 ,417 0 ,048 6,375 1,585 17 0 1(**) ,482 1 ,609 ,495 0 ,391 1,381 ,236 18 0 0 ,540 1 ,649 ,375 1 ,351 1,605 -,327
2
Penafsiran dengan melihat setiap baris :
Pada baris 1
Actual grup = 0. hal ini berarti data awal diskriminan.sav menyatakan case 1
dikategorikan sebagai grup 0 (lancar)
Predicted grup = 0 hal ini berarti dari hasil perhitungan score, case 1
diprediksi masuk ke grup = 0 oleh karena sesuai dengan actual grup yang juga
0, berarti fungsi diskriminan mampu mengkategorikan case dengan tepat.
P(D>d | G=g) = 0,802 pada highest group hal ini berarti kemungkinan case 1
tepat diklasifikasikan ke grup 0 adalah 80%
P(D>d | G=g) = 0,198 pada second highest group hal ini berarti kemungkinan
case 1 TIDAK tepat diklasifikasikan ke grup 0 adalah 19,8%.
Pada baris 17
Actual grup = 0. hal ini berarti data awal diskriminan.sav menyatakan case 10
dikategorikan sebagai grup 0 (lancar)
Predicted grup = 1 hal ini berarti dari hasil perhitungan score case 1 diprediksi
masuk ke grup = 1. Oleh karena tidak sesuai dengan actual grup yang adalah 0
berarti fungsi diskriminan tidak mampu mengkategorikan case dengan tepat.
Hal ini ditandai dengan tanda ** pada angka 1 di case 17 tersebut.
Demikian seterusnya untuk data yang lain, dengan memperhatikan tanda **
untuk mengetahui terjadinya missclasified dari model dalam memprediksi
pengelompokan data.
Dari hasil diatas, perlu diketahui, seberapa besar ketepatan model diskriminan
dalam mengelompokan kasus pada classification result.
Proses Perhitungan Ketepatan Prediksi dari Model yang sudah dibuat
Setelah fungsi diskriminan dibuat, kemudian klasifikasi dilakukan. Maka
selanjutnya akan dilihat seberapa jauh klasifikasi tersebut sudah tepat atau berapa
persen terjadi misklasifikasi pada proses klasifikasi tersebut.
2
Tabel 4.17
Classification Results(b,c) Kredit Predicted Group Membership Total LANCAR MACET Original Count LANCAR 44 6 50 MACET 7 43 50 % LANCAR 88,0 12,0 100,0 MACET 14,0 86,0 100,0 Cross-validated(a)
Count LANCAR 44 6 50
MACET 9 41 50 % LANCAR 88,0 12,0 100,0 MACET 18,0 82,0 100,0
a Cross validation is done only for those cases in the analysis. In cross validation, each case is classified by the functions derived from all cases other than that case. b 87,0% of original grouped cases correctly classified. c 85,0% of cross-validated grouped cases correctly classified.
Pada bagian original terlihat bahwa mereka yang pada data awal adalah
tergolong macet dan dari klasifikasi fungsi diskriminan tetap pada kelompok
lancar, adalah 44 orang. Sedang dengan model diskriminan mereka yang awalnya
masuk grup lancar ternyata menjadi anggota grup macet adalah 6 orang. Demikian
juga dengan grup macet yang tetap pada grup macet sejumlah 43 orang dan yang
meleset adalah 7 orang. Dengan demikian ketepatan prediksi dari model adalah :
(44 + 43)/100 = 0.87 atau 87%.
Kaitan dengan Penelitian Sejenis
Hasil penelitian ini berbeda dengan hasil penelitian yang dilakukan oleh
Rasni Arrifki (2007). Perbedaan ini dimungkinkan karena objek dan variabel
penelitiannya berbeda. Penelitian Rasni Arrifki (2007) menggunakan objek PT
FIF, dan dengan menggunakan variabel penelitian yang berupa peminjaman untuk
pembiayaan pembelian sepeda motor.
Objek penelitian yang didasari oleh perbedaan bidang usahanya, seperti
yang dilakukan oleh Rasni Arrifki (2007) dimana FIF tidak seperti Bank yang
merupakan lembaga yang memiliki sistem, teknologi dan sumberdaya
manusia profesional yang mampu menilai kelayakan usaha, menyalurkan
dan memonitor kredit secara efektif dan efisien.
2
Sedangkan varaibel penelitiannya waluapun sama mengguakan metode
determinan tetapi faktor – faktor yang menjadi penilaian kredit oleh Bank berbeda
dengan PT FIF yang hanya menfokuskan pembiayaan pembayaran sepeda motor. .
PENUTUP
Kesimpulan
Dari proses diskriminan, dimulai dari uji variable sampai analisis output,
didapat kesimpulan yang terkait dengan rumusan masalah pada kasus diawal :
A. Adanya perbedaan yang signifikan antar mereka yang lancar dan tidak
lancar (macet) dalam membayar kredit pada Bank. Hal ini dibuktikan Wilk’s
Lambda berkisar antara 0,751 sampai 0.999.
B. Variabel yang dapat digunakan untuk mengetahui apakah nasabah tersebut
lancar atau tidak lancar dalam membayar kredit pada bank adalah
Pendapatan, Angsuran dan Tanggungan. Hal ini dapat dilihat dari setiap
analisis awal, baik dari variabel in the analysis maupun variabel not in the
analysis.
C. Model atau fungsi diskriminan untuk kasus tersebut adalah :
zScore = 0,071 + (-0,000001543) Pendapatan + 0,000002154
Angsuran + 0,923 Tanggungan
D. Pada hasil klasifikasi angka ketepatan dari model diskriminan dianggap
tinggi karena diatas 50% yaitu sebesar 87% dan model tersebut dapat
digunakan untuk mengklasifikasi kasus pada proses pembayaran nasabah
dalam membayar kredit pada Bank. Dalam penelitian ini proses pembuatan
model diskriminan dengan melibatkan dua kategori pada variabel dependen
(two group) hasil akhir variabel yang membuat lancar atau tidak lancar
dalam membayar kredit pada Bank adalah Angsuran, Tanggungan dan
Pendapatan.
Saran
Berdasarkan dari kesimpulan tersebut Bank BRI Cabang Brebes yang akan
memberikan kredit kepada nasabah dapat menggunakan model diskriminan ini
2
sebagai penentu apakah seorang nasabah lancar atau tidak lancar dalam
pembayaran kredit pada bank. Bank sebagai pemberi kredit tidak ingin mengalami
kerugian sehingga sebelum menerima nasabah harus dilihat dulu kriteria nasabah
yang memenuhi syarat.
Bagi peneliti yang akan melakukan penelitian lebih lanjut, dan agar hasil
penelitian lebih baik disarankan untuk menambah vaiabel lain yang menjadi
kriteria pemberian kredit.
DAFTAR PUSTAKA
Astiko dan Sunardi. 1996. Pengantar Manajemen Perkreditan. Edisi Pertama.
Yogyakarta : ANDI.
Dahlan Siamat. 1995. Manajemen Lembaga Keuangan. Jakarta : Intermedia.
Husain Umar. Riset Akuntansi.. 2001. Jakarta : PT Gramedia Pustaka.
Johanes Supranto. 2004. Analisis Multivariat Arti dan Interpretasi. Jakarta : PT
Rineka Cipta.
Mudrajad Kuncoro. 2001. Metode Kuantitatif Teori dan Aplikasi untuk Bisnis dan
Ekonomi. Yogyakarta : Unit Penerbit dan Percetakan AMP YKPN.
Rasni Arrifki. 2007. Faktor-faktor yang Mempengaruhi Layak Tidaknya
Pemberian Kredit kepada Konsumen PT FIF. Jakarta : Universitas
Gunadarma.
Singgih Santoso. 2006. Menggunakan SPSS untuk Statistik Multivariat. Jakarta :
PT Elexmedia Komputindo.
Singgih Santoso dan Fandy Tjiptono. 2001. Riset Pemasaran. Jakarta : PT Elex
Media Komputindo.
Syahyunan. 2002. Analisis Kualitas Aktiva Produktif sebagai Salah satu
Alat Ukur Kesehatan Bank. Medan : Universitas Sumatera Utara.
Thomas Suyatno. 1999. Dasar-dasar Perkreditan. Edisi ke empat. Jakarta :
Gramedia Pustaka Utama.
Teuku Mirza, 1999. USAHAWAN NO. 08 TH XXVIII