13

BAB II TINJAUAN PUSTAKA

Pada bab II ini akan dijelaskan tinjauan pustaka yang berhubungan dengan konsep,

teori dan metoda yang diperlukan dalam pengembangan model default prediction

untuk digunakan dalam proses analisa kredit. Studi literatur ini meliput:

manajemen resiko, default prediction, Metoda Statistik untuk klasifikasi, analisa

kredit serta sistem pendukung keputusan (SPK).

II.1 Manajemen Resiko

II.1.1 Pengertian Resiko

Istilah resiko memiliki berbagai definisi. Resiko dikaitkan dengan kemungkinan

kejadian atau keadaan yang dapat mengancam pencapaian tujuan dan sasaran

organisasi. Beberapa definisi resiko dapat dikemukan sebagai berikut

(Vaughan,1996):

a. Resiko adalah potensi untuk mendapat kerugian (chance of loss)

Potensi kerugian berhubungan dengan suatu exposure (keterbukaan) terhadap

kemungkinan kerugian. Dalam ilmu statistik, potensi atau peluang

dipergunakan untuk menunjukan tingkat probabilitas akan munculnya.

Sebagian penulis menolak definisi ini karena terdapat perbedaan antara tingkat

resiko dengan tingkat kerugian. Dalam hal potensi kerugian 100% berarti

kerugian adalah pasti sehingga resiko tidak ada.

b. Resiko adalah kemungkinan untuk mendapat kerugian (possibility of loss)

Istilah possibility berarti bahwa probabilitas suatu peristiawa diantara nol dan

satu. Definisi ini kurang cocok dipakai dalam analisa secara kuantitas.

c. Resiko adalah ketidak pastian (uncertainty)

Uncertainty dapat bersifat subjective dan objective. Subjective uncertainty

pada pengetahuan dan sikap individu yang bersangkutan. Obyektif uncertainty

akan dijelaskan pada definisi resiko berikut:

d. Resiko adalah penyebaran hasil aktual dari dari hasil yang diharapkan.

Ahli statistik mendefinisikan resiko sebagai derajat penyempangan sesuatu

nilai di sekitas suatu posisi sentral atau di sekitar titik rata-rata.

14

e. Resiko adalah probabilitas sesuatu outcom berbeda dengan outcome yang

diharapkan. Resiko bukanlah probabilitas dari suatu kejadian tunggal, tetapi

probabilitas dari beberapa outcome yang berbeda dari yang diharapkan.

f. Resiko adalah kemungkinan terjadinya suatu kejadian atau keadaan yang

dapat memberikan efek kepada pencapaian objective dari suatu organisasi.

Dari semua definisi diatas dapat ditarik kesimpulan bahwa resiko dihubungkan

dengan dengan kemungkinan terjadinya akibat buruk yang tidak di inginkan atau

tidak terduga. Dengan kata lain, kemungkinan itu sudah menunjukan adanya

ketidak pastian. Definisi lengkap dari resiko dapat di jelaskan sebagai berikut:

Potensi terjadinya suatu peristiwa atau kejadian baik yang diperkirakan maupun

tidak diperkirakan yang langsung maupun tidak langsung menimbulkan kerugian

keuangan maupun non keuangan dan atau menyebabkan organisasi memiliki

keterbatasan atau kendala dalam mencapai tujuan yang telah ditetapkan.

Resiko diyakini tidak dapat dihindari secara penuh, namun resiko dapat dikurangi

dan bahkan dihindari dengan manajemen resiko. Peran dari manajemen resiko

diharapkan dapat mengantisipasi lingkungan yang cepat berubah,

mengembangkan corporate governance, mengoptimalkan penyusunan strategik

manajemen, mengamankan sumber daya dan aset yang dimiliki organisasi dan

mengurangi reactive desicion making dari manajemen puncak.

2.1.2. Pandangan lama dan baru mengenai resiko

Pandangan lama menganggap ada hubungan yang positif antara resiko dengan

tingkat keuntungan.

Sedangkan pandangan baru mengatakan bahwa tingkat resiko tidak bersifat

linier akan tetapi non linier dengan dengan keuntungan.

15

PANDANGAN LAMA: SEMAKIN TINGGI RESIKO, PANDANGAN BARU: RESIKO HARUS DIKELOLA

SEMAKIN TINGGI TINGKAT KEUNTUNGAN

KEUNTUNGAN

RESIKO

Resiko tinggi

akan

memberikan

keuntungan

yang tinggi

KEUNTUNGAN

RESIKO

Zone 1

Kurang Resiko

Keuntungan Kurang

Zone 2

Resiko Optiml

Keuntungan Optimal

Zone 3

Resiko Berlebih

Keuntungan Kurang

Gambar II.1 Hubungan Resiko dan tingkat keuntungan (Lam, 2007)

II.1.3 Pengertian Manajemen Resiko

Beberapa definisi dari manajemen resiko dapat di terangkan sebagai berikut:

Menurut COSO (Committee Of Sponsoring Organizations of the Treadway

Commission) manajemen resiko mempunyai istilah sebagai Enterprises Risk

Management (ERM) dan definisikan sebagai “Manajemen resiko dapat

diartikan sebagai sebuah proses yang melibatkan board direktur, manajemen

dan personel secara keseluruhan, di aplikasikan pada setting strategi untuk

seluruh perusahaan, di rancang untuk mengidentifikasi kejadian yang

berpotensi terjadi dan memberikan efek pada kesuruhan. Manajemen resiko

harus memperhatikan penerimaan terhadap resiko (risk appetite) dengan

menyediakan jaminan agar kesuruhan obyektif dapat di peroleh”

Manajemen resiko adalah metoda sistematis pelaksanaan fungsi-fungsi

manajemen dalam penanggulangan resiko, terutama resiko yang dihadapi oleh

organisasi/perusahaan, keluarga dan masyarakat. Menajemen resiko

mencangkup kegiatan merencanakan, mengorganisir, menyusun, memimpin/

mengkoordinir dan mengawasi (termasuk mengevaluasi) program

penanggulangan resiko (Djojosoedarso,1999)

16

Enteprises Risk Manajemen adalah kerangka yang komprehensif untuk

mengelola resiko kredit, resiko pasar, modal ekonomis, transfer resiko untuk

memaksimimkan nilai perusahaan (Lam, 2007)

II.1.4 Framework manajemen resiko

Pemahaman risk menajemen memungkinkan manajemen untuk terlibat secara

efektif dalam menghadapi uncertainty dengan resiko dan peluang yang

berhubungan dan meningkatkan kemampuan organisasi untuk memberikan nilai

tambah. Framework manajemen resiko adalah suatu kerangka pengelolaan yang

digunakan dalam mengelola resiko guna mencapai obyektif yang diinginkan oleh

suatu organisasi. Terdapat beberapa framework yang digunakan pengelolaan

resiko diantaranya adalah sebagai berikut:

a. COSO’s ERM – Integrated Framework

b. Australia/New Zealand Standard –Manajemen Resiko

c. ISO Risk Manajemen - Draft Standard

d. The Combined Code and Turnbull Guidance

e. Federation of European Risk Manajemen Associations (FERMA)

f. Basel II Pendekatan manajemen resiko untuk industri keuangan

Pada studi literatur ini akan dibahas tiga framework yang paling banyak

digunakan yaitu COSO dan Australia/New Zealand Standard Risk dan Basel II

secara sekilas.

1) Framework manajemen Resiko COSO

Committee of Sponsoring Organizations of the Treadway Commission (COSO)

adalah suatu lembaga nirlaba yang di dedikasikan untuk meningkatkan kualitas

pelaporan keuangan, melalui etika bisnis, pengendalian internal yang efektif dan

tata kelola usaha (corporate governace). COSO didukung oleh lembaga-lembaga

yang memiliki reputasi tinggi dibidang akutansi, keuangan dan audit yang

diantaranya adalah IIA (The Institute of Internal Auditor).

Framework ini dikeluarkan oleh COSO bersama-sama dengan konsultan

Pricewater House Cooper pada tahun 2002 dan merupakan pengembangan dari

17

framework untuk internal control. Integrated Framework ini lebih robust dan

fokus pada subyek ERM (Enteprice Risk Management), dimana internal control

adalah bagian dari ERM. Pendekatan ERM dapat dilakukan dengan memuaskan

keperluan dari internal kontrol dan dikembangkan selanjutnya pada proses

manajemen resiko secara keseluruhan.

Framework ini mendefinisikan komponen penting pada suatu ERM sehingga satu

bahasa dan menyediakan arah dan guidence yang jelas untuk enterprice risk

manajemen. Obyek dari manajemen resiko dapat dilihat dari empat kategori

konteks sebagai berikut:

a. Strategi (Strategic)

b. Operasional (Operations)

c. Pelaporan (Reporting)

d. Penerapan (Compliance)

Manajemen mempertimbangkan bagaimana resiko individu saling berinteraksi.

Manajemen membangun suatu gambaran dari dua perspektif yaitu Business unit

level dan Entity level. ERM mempertimbangkan aktivitas pada semua level

organisasi sebagai berikut:

a. Leval Organisasi (Enterprise-level)

b. Level Divisi (Division or subsidiary)

c. Level Busnis Unit (Business unit processes)

Proses manajemen resiko dapat dibagi menjadi delapan komponen (tahap) sebagai

berikut:

a. Pengenalan Lingkungan Internal (Internal Environment )

b. Seting Obyektif (Objective Setting)

c. Identifikasi Potensi Resiko (Event Identification)

d. Analisa Resiko (Risk Asssement)

e. Tanggapan terhadap resiko (Risk Response)

f. Aktivitas Control (Control Activities)

g. Infromasi dan Komunikasi (Information and Communication)

h. Monitoring (Monitoring)

18

Integrasi dari framework COSO dapat dilihat pada gambar dibawah ini sebagai

berikut:

Gambar II.2. Manajemen Resiko Model COSO

(i) Internal Environment

Kompenen ini berkaitan dengan lingkungan dimana suatu organisasi berada dan

beroperasi. Cakupannya adalah risk manajemen philosophy (kultur manajemen

tentang resiko), integritas, perspektif terhadap resiko, selera atau penerimaan

terhadap resiko (risk appetite), nilai moral, struktur organisai dan pendelegasian

wewenang.

(ii) Obyektif setting

Manajemen harus menetapkan obyektif dari organisasi agar dapat

mengidentifikasikan, mengakses dan mengelola resiko. Obyektif dapat di

klasifikasikan menjadi strategi obyektif dan aktivitas obyektif. Strategis obyektif

berhubungan dengan pencapaian dan peningkatan kinerja organisasi dalam jangka

menengah dan panjang, dan merupakan implementasi dari visi dan misi organisasi

tersebut.

LE

VE

LS

UB

DIA

RY

LE

VE

LB

US

INE

SU

NIT

LE

VE

LD

IVIS

I

LE

VE

LO

RG

AN

ISA

SI

1. Pengenalan Lingkungan Internal

2. Setting Obyektif

3. Identifikasi Potensi Resiko

4. Analisa Resiko

5. Tanggapan Terhadap Resiko

6. Aktivitas Kontrol

8. Monitoring

7. Informasi Dan Komunikasi

19

Sementara itu aktivitas obyektif dapat dipilah menjadi tiga kategori yaitu:

operasional, reporting dan complience obyektif. Penentuan obyektif ini harus

mempergunakan pendekatan SMART (Spesific, Measureble, Agreed, Realistic

dan Trackable) serta penentuan risk appetite dan risk tolerance dari tujuan yang

dapat diterima. Risk tolerance dapat diartikan sebagai variasi dalam pencapaian

obyektif yang dapat diterima oleh manajemen.

(iii) Identifikasi resiko

Komponen ini mengidentifikasi kejadian-kenadian potensial baik yang terjadi di

lingkungan internal maupun eksternal organisasi yang mempengaruhi strategi atau

pencapaian tujuan dari organisasi. Kejadian tersebut bisa berdampak positif

namun pula sebaliknya negatif. Terdapat empat model dalam identifikasi resiko

yaitu: eksposure analyst, environment analyst, threath skenario dan brainstorming.

(iv) Penilaian Resiko (Risk Assesment)

Komponen ini menilai sejauh mana dampak dari events (kejadian atau keadaan)

dapat mengganggu pencapaian dari obyektif. Besarnya dampak dapat diketahui

dari inherent dan residual risk, dan dapat di analisa dalam dua perspektif, yaitu

likelihood (kecenderungan atau peluang) dan impact /consequence (besaran dari

terealisirnya resiko). Dengan demikian, besaran resiko atas setiap organisasi

merupakan perkalian antara likelihood dan consequence.

V = P x S (II-1)

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

Penilaian resiko dapat menggunakan dua teknik yaitu (1) kualitatif teknik dan (2)

kuantitatif teknik. Kuantitatif teknik menggunakan beberapa tool seperti self

assesment (low, medium, high), Kuesioner dan internal audit review. Sementara

20

itu kuantitatif teknik mempergunakan data yang berbentuk angka yang diperoleh

dari tool seperti probabilitas based, default prediction, benchmarking, non-

probabilitas model (optimalkan hanya asumsi konsekuensi).

Konsekuensi (Consequence)

Pe

lua

ng

Re

sik

o

(Lik

elih

oo

d)

a

b

c

d

e

f

RESIKO (RISK)

Gambar II.3. Gambar pemetaan dan kuantifikasi resiko

Dari Gambar II.2. dapat terlihat bahwa penilaian resiko atas setiap aktivitas akan

menghasilkan informasi berupa peta dan angka resiko. Aktivitas yang paling kecil

resikonya adalah aktivitas (a) dan (e) dan aktivitas yang paling beresiko yang

paling beresiko tinggi dengan kemungkinan terjadi tinggi ada pada aktivitas (d).

Sedangkan untuk aktifitas c walaupun memiliki dampak yang besar, namun

memiliki resiko terjadi yang rendah. Kebalikan dengan f memiliki kemungkingan

terjadi yang besar namun memiliki dampak yang kecil.

Yang perlu dicermati di sini adalah event relationship atau hubungan antara

kejadian / keadaan. Event yang terpisah mungkin memilik resiko kecil, namun

bila digabung bisa menjadi signifikan. Demikian pula resiko yang mempengaruhi

banyaknya business unit perlu dikelompokan dalam commont event categories

dan dinilai secara agregate.

(v) Sikap atas Resiko (Risk response)

Strategi dalam memilih resiko dijelaskan pada gambar dibawah ini:

21

Organisasi harus menentukan sikap atas hasil penilaian resiko. Risk response dari

organisasi dapat berupa:

Avoidence, yaitu dihentikan aktivitas atau pelayanan yang menyebabkan

terjadinya resiko.

Reduction, yaitu mengambil langkah-langkah untuk mengurangi

likelihood atau impac dari resiko.

Sharing, yaitu mengalihkan atau menanggung bersama resiko atau

sebagian dari resiko dengan pihak lain.

Acceptance, yaitu menerima resiko yang terjadi (biasanya resiko yang

kecil ) dan tidak ada upaya khusus yang dilakukan.

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.

(vi) Aktivitas pengendali resiko

Komponen ini berperan dalam menyusun kebijakan-kebijakan dan prosedur yang

menjamin risk response terlaksana dengan efektif. Aktivitas pengendali

memelurkan lingkungan pengendali yang meliputi (1) integritas dan nilai etika (2)

kompetensi (3) kebijakan dan praktek-praktek SDM (4) Budaya organisasi (5)

philosophy dan budaya kepemimpinan manajemen (6) struktur organisasi dan (7)

wewenang dan tanggung jawab.

Dari pemahaman terhadap lingkungan pengendali dapat ditentukan jenis dan

aktivitas pengendalian. Terdapat beberapa jenis pengendalian diantarannya adalah

preventive, detection, corrective dan directive. Sementara aktivitas pengendali

berupa: (1) pembuatan kebijakan dan prosedur preventive) (2) pengamanan

kekayaan organisasi detection and corrective (3) Delegasi wewenang dan

pemisahan fungsi preventive (4) supervisi atasan directive

22

Aktivitas pengendalian hendaknya terintegrasi dengan manajemen resiko

sehingga pengalokasian sumber daya yang dimiliki organisasi dapat menjadi

optimal

(vii) 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. Arah komunikasi dapat bersifat internal dan

eksternal sedangkan alat komunikasi berupa diantaranya manual, memo, buletin

dan pesan-pesan melalui media elektronik.

(viii) Monitoring

Monitoring dapat dilaksanakan dengan baik secara terus menerus maupun terpisah,

aktivitas monitoring terus menerus tercermin pada aktivitas supervisi, rekonsiliasi

dan aktivitas rutin lainnya.

Monitoring terpisah biasanya dilakukan untuk penugasan tertentu/ per kasus. Pada

monitoring ini ditentukan skope tugas, frekuensi, proses evaluasi metodelogi,

dokumentasi dan action plan. Pada proses monitoring perlu dicermati adanya

kendala seperti reporting deficiencies yaitu pelaporan yang tidak lengkap atau

bahkan berlebihan dan tidak relevan. Kendala ini timbul dari berbagai faktor

seperti sumber informasi, materi pelaporan, pihak yang disampaikan laporan dan

arahan bagi pelaporan.

23

2) Framework manajemen Resiko Australia/New Zealand Standard

(AS/NZS4360:2004)

Gambar II.4. Konsep manajemen resiko AS/NZS4360:2004

Proses menagemen resiko ini dimulai dari pengenalan konteks, lalu dilanjutkan

dengan risk assesment (perkiraan resiko). Perkiraan resiko terdiri dari identitas

analisis dan evaluasi resiko. Kemudian proses ini dilanjutakan dengan

penanggulangan resiko. Keseluruhan tahap tersebut perlu dikomunikasikan dan di

konsultasikan, serta diawasi untuk menjamin proses tersebut berjalan sesuai

dengan standar yang diinginkan (lihat Gambar II.3)

(i) Pengenalan konteks

Pengenalan konteks adalah mempelajari situasi, kondisi dan lingkungan yang

akan dikaji. Kondisi dan situasi yang berbeda akan memerlukan perlakuan yang

berbeda pula. Pengenalan konteks menjadi langkah awal dalam proses manajemen

resiko yang harus dijalankan. Hal ini harus dilakukan dengan baik agar hasil akhir

yang didapat benar-benar sesuai dengan permasalahan dalam sistem yang dikaji.

Cara pengenalan konteks bermacam-macam yaitu dengan mempelajari

Membangun Sasaran dan Ruang Lingkup

Identifikasi Resiko

Analisa Resiko

Memperkirakan Level Resiko

Kecenderungan

(Probabilitas)

Konsekuensi

Evaluasi Resiko

Mengelola Resiko

Sta

ke

ho

lde

ko

ns

ult

as

id

an

Ko

mu

nik

as

i

Mo

nit

or

/

da

nre

vie

w

24

operasional sistem, dokumen terkait, pengamatan lapangan, wawancara, dan lain

sebagainya.

(iii) Identifikasi

Identifikasi adalah langkah-langkah mencari kemungkinan-kemungkinan

terjadinya bahaya atau resiko yang dihadapi. Langkah ini adalah yang paling sulit

namun juga paling penting. Sebab keberhasilan pengelolaan resiko sangat

bergantung pada hasil identifikasi ini. Berikut ini adalah beberapa cara

mengidentifikasi dari resiko:

Kuesioner

Flow chart

Inspeksi langsung

Interaksi ke departemen lain

Interkaksi ke pihak luar

Analisa terhadap kontrak-kontrak

Catatan dan statistik

Analisa lingkungan

(iv) Analis dan Evaluasi Resiko

Analis dan evaluasi termasuk ke dalam penilaian resiko, oleh karena itu dalam

beberapa kajian, analis dan evaluasi digabung menjadi satu yaitu penilaian resiko

(Covan, 1995). Penilaian resiko dapat ditinjau dalam dua hal yaitu frekuensi dan

kegawatan. Kedua aspek ini merupakan hal yang kualitatif sehingga orang dapat

mempunyai persepsi yang berbeda. Oleh karena itu penilaian aspek tersebut

distandarkan dengan metoda yang sudah baku diantaranya seperti kreteria

Sverdrup.

Kegawatan/ Significant adalah efek terjadinya suatu resiko. Kegawatan dapat

dinilai dengan kriteria Sverdrup sebagai berikut: Catastropic, Critical,

marginal dan neglegible

Frekuensi/ likelihood merupakan kecenderungan atau kemungkinan terjadinya

resiko. Frekuensi ini dapat di nilai dengan menggunakan kriteria Sverdrup

25

dalam lima kelompok sebagai berikut: Frequent, Probable, Occacional,

Remote, Improbable

Bobot Resiko atau Kerawanan (Vulnerable). Penentuan bobot resiko dapat

dilakukan dengan mempergunakan matrik perkiraan resiko sverdrup dimana

Frekuensi ada pada row dan Kegawatan diletakan pada kolom.

(v) Penanggulangan Resiko

Penanggulangan resiko harus dilakukan untuk menghilangkan, mengurangi atau

meminimasi resiko tersebut. Banyak cara-cara dan pendekatan-pendekatan yang

biasa digunakan dalam menanggulangi resiko. Dalam banyak kasus diperlukan

kombinasi penanggulangan resiko sampai tingkat yang dapat diterima. Contoh

pendekatan yang dapat digunakan dalam penanggulangan resiko adalah 4E/5E

(Baurer 1990). Resiko dapat dikelola tanggulangi dengan Education, Engineering,

Enforcement, Empowerman, dan yang ke lima Enable.

3) Basel II Framework

The Basel Committee (Committee on Banking Regulations and Supervisory

Practices) dibangun oleh Gubernur Bank Central dari G10. Basel II merupakan

hasil kerja dari basel Committe yang di publikasikan pada Juni 2004. Basel II

bertujuan meningkatkan keamanan dan kesehatan sistem keuangan, dengan

menitikberatkan pada perhitungan permodalan yang berbasis risiko, supervisory

review process, dan market discipline. Framework Basel II disusun berdasarkan

forward-looking approach yang memungkinkan untuk dilakukan penyempurnaan

dan penyesuaian dari waktu ke waktu.

Hal ini untuk memastikan bahwa framework Basel II dapat mengikuti perubahan

yang terjadi di pasar maupun perkembangan-perkembangan dalam manajemen

risiko. Basel II mempunyai tiga pilar yaitu (1) minimum capital requirement (2)

supervisory reiview dan (3) market disiplin.

26

Menyediakan sebuah framework management resiko

capital yang sensitif dan fleksibel

Keperluan

Kapital

Minimum

Minimum

Capital

Requirement

Proses

Review

Supervisi

(Supervisory

Review

Process)

Disiplin

Pasar

(Market

Disipline)

BASEL II

3 PILAR BASEL II

Gambar II.5. Tiga Pilar Basel II (Sumber : Implementasi Basel II Bank Indonesia)

(i) Pilar I Minimum Capital Requirement

Pilar pertama merupakan framework untuk mempertahankan regulasi dari rasio

minimum kecukupan modal (CAR = Capital Acid Rasio). Rumus dari CAR

adalah sebagai berikut

_ _ 8%_ _ _

ModalMinimum Capital Rasio

Aktiva tertimbang menurut resiko

Resiko Market Resiko Kredit Resiko Operasional

Resiko Kerugian dari posisi

dalamon dan off balance

sheet yang timbul karena

perubahan faktor pasar

(Suku Bunga dan Nilai

Tukar)

Resiko kerugian karena

debitur gagal memenuhi

kewajiban sesuai perjanjian

yang disepakati

Resiko kerugian langsung

maupun tidak langsung

yang disebabkan faktor

kelemahan atau kegagalan

proses internal , SDM,

sistemdan kejadian

eksternal

Gambar II.6 Bagan CAR (Sumber : Implementasi Basel II Bank Indonesia)

Pada pilar satu ini hanya di hitung berdasarkan tiga resiko utama pada bank yaitu

credit risk, operasional risk dan market risk. Resiko yang lain akan di hitung

pada pilar II

Credit Risk dapat dihitung dengan tiga cara yaitu pendekatan standar,

Pembangunan IRB dan Advance IRB (IRB=Internal rating based Approach)

27

Operasional Risk terdapat tiga pendekatan yaitu basic indikator approach

(BIA), standardized approach (SA) dan advance Measurement approach

(AMA)

Untuk resiko market digunakan pendekatan VaR (Value at risk)

(ii) Pilar II Supervisi Review

Pilar kedua ini dilakukan perhitungan alokasi modal untuk antisipasi kerugian

karena risiko-risiko lain diluar pilar 1 seperti risiko likuiditas (liquidity risk),

risiko strategik (strategic risk), risiko suku bunga di banking book (interest rate

risk in the banking book) dan risiko-risiko lainnya. Pendekatan di atas disebut

juga sebagai Individual Capital Adequacy Assessment Process (ICAAP) yang

akan menjadi tantangan bagi bank dan pengawas. Diperlukan peningkatan

kompetensi dan kapasitas pengawas serta manajemen resiko yang efektif dalam

untuk dapat melakukan pilar II dengan baik

(iii) Pilar III Market Disiplin

Pilar III memandang peran aktif masyarakat dalam mengawasi bank dipandang

juga menentukan sehingga dari awal masyarakat diharapkan mampu pula menilai

risiko yang hadapi serta mengetahui tingkat kecukupan modal yang dimiliki oleh

bank. Pilar ke III ini di desain memperbolehkan market untuk mendapatkan

gambaran yang lebih baik dari resiko keseluruhan dari bank dan memperbolehkan

untuk ikut menentukan sebagai counter part dalam masalah price dan

kesepakatan.

Sinergi penerapan dari ketiga Pilar yang terdapat dalam Basel II di atas tidak

dapat dipisahkan dalam mencapai industri perbankan dan sistem keuangan yang

sehat dan stabil. Prasyarat utama agar Basel II dapat diterapkan dengan baik

meliputi:

Penerapan manajemen risiko di bank sebagaimana telah diatur dalam PBI

No.5/8/PBI/2003 tanggal 19 Mei 2003 tentang Penerapan Manajemen Risiko

BagiBank Umum

Penyesuaian standar akuntansi yang mengacu kepada standar akuntansi

internasional (IAS) antara lain IAS 32 dan IAS 39.

28

Penerapan perhitungan permodalan secara konsolidasi dengan perusahaan

tertentu dalam sektor keuangan kecuali asuransi

Pengakuan perusahaan pemeringkat oleh Bank Indonesia untuk dapat

melakukan rating terhadap debitur bank (Laporan BI Implementasi Basel II)

II.2 Default Prediction sebagai Risk Assement Manajemen Resiko Kredit.

Default Prediction atau Prediksi kebangkrutan merupakan topik yang banyak

dibahas dalam studi kegagalan bisnis suatu perusahaan. Bangkrut dalam hal ini di

identikan dengan kesulitan keuangan, dimana arus kas operasional tidak cukup

untuk memenuhi kewajiban-kewajiban lancarnya seperti utang dagang atau biaya

bunga.

Pengertian tersebut dapat diperluas dengan mengaitkannya dengan insolvency.

Insolvency sendiri di definisikan dalam dictionary sebagai “ketidakmampuan

debitur untuk membayar hutang, debitur kekurang alat untuk membayar hutang

sedemikian rupa sehinga aset tidak dapat memenuhi “ Ketidakmampuan

perusahaan untuk membayar (insolvency) adalah gejala awal yang dapat

menyebabkan kegagalan perusahaan. Kesimpulannya adalah bahwa kesulitan

keuangan merupakan akibat dari semua faktor kegagalan pengelolaan perusahan

maupun kegagalan karena faktor lain di luar perusahaan.

Sebelum tahun 1960 terdapat empat model yang digunakan untuk memprediksi

kebangkrutan yaitu dengan rasio laporan keuangan, cash flow, stock return dan

return standar deviation. Kesemua ini merupakan mempergunakan pendekatan

akunting dan univariat. Kelemahan dari pendekatan ini adalah bersifat univariat

sehingga sulit memberikan penjelasan yang kualitatif tentang rasio keuangan

mana yang komprehensif dan berpengaruh dalam suatu penilaian kinerja

perusahaan (Weston 1992).

Rasio-rasio keuangan dimasukan sebagai variabel bebas untuk di olah dan di

analisa sedemikian rupa, sehingga di peroleh variabel pembeda yang terbaik, yaitu

rasio keungan terpenting yang mampu memprediksi kesulitan keuangan di masa

mendatang (Van Horne, 1983). Dengan menaruh perhatian besar pada rasio

29

keuangan terpenting tersebut, manajemen dapat melakukan tindakan perbaikan

untuk mencegah kebangkrutan perusahaan.

II.2.1 Default Prediction

Beaver (awal tahun 1960) merupakan salah satu akademisi yang menjadi pioneer

dalam meneliti corporate failure dan penelitiannya sering dianggap sebagai

milestone penelitian corporate failure. Pendekatan yang dipakai Beaver adalah

univariat, yaitu setiap rasio, tanpa diikuti oleh rasio lainnya, diuji kemampuannya

untuk memperkirakan corporate failure. (Hadad, 2003)

Altman (1968) mencoba memperbaiki penelitian Beaver dengan menerapkan

multivariate linear discriminant analysi (MDA), suatu metoda yang kerap

dibuktikan memiliki keterbatasan. Teknik MDA yang digunakan oleh Altman

merupakan suatu teknik regresi dari beberapa uncorrelated time series variables,

dengan menggunakan cut-off value untuk menetapkan kriteria klasifikasi masing-

masing kelompok. Kelebihan penggunaan teknik MDA ini adalah seluruh ciri

karakteristik variabel yang diobservasi dimasukkan, bersamaan dengan interaksi

mereka.

Altman juga menyimpulkan bahwa MDA mengurangi jarak

pengukuran/dimensionality dari para peneliti dengan menggunakan cut-off points.

Pada umumnya, karena MDA mudah digunakan dan diinterpretasikan, MDA

sering menjadi pilihan para peneliti default prediction selama ini.

Namun demikian, dalam menggunakan rasio keuangan untuk memprediksi

corporate failure, teknik MDA menggunakan metoda error yang mengikuti

karakteristik data yang digunakan. Dengan kondisi tersebut, issu penting yang

banyak didiskusikan di literatur-literatur penelitian adalah pada penggunaan

asumsi proporsionalitas dan zero intercept dari rasio keuangan (Hadad , 2003)

Dengan demikian, secara keseluruhan, bukti empiris yang dihasilkan menjadi

lebih tidak pasti dan belum ada pernyataan resmi yang menyebutkan bahwa

bentuk rasio yang lebih canggih akan lebih baik dari rasio dasar tersebut. Untuk

30

alasan tersebut, rasio-rasio sederhana masih tetap digunakan dalam kebanyakan

studi default prediction.

Masalah lain yang terkait dengan MDA pada prediksi corporate failure adalah

masalah normalitas data, inequality dari matriks dispersion dari seluruh kelompok

dan non-random-sampling dari perusahaan yang fail maupun tidak fail. Setiap

masalah tersebut menyebabkan output regresi menjadi biasa. Para peneliti pada

umumnya, tampak mengabaikan keterbatasan tersebut dan tetap melanjutkan

penelitian Altman, dengan harapan mendapatkan model yang lebih akurat lagi.

Beberapa contoh dari penelitian lanjutan tersebut adalah : Penggunaan quadratic

classifier (Altman, Haldeman and Narayanan, 1977)

Lebih lanjut, pada kebanyakan kasus, aplikasi pemakaian model-model kepailitan

tersebut menghadapi kesulitan karena model-model yang digunakan ternyata lebih

kompleks (Hadad , 2003).

Yang perlu mendapatkan perhatian mengenai perkembangan teknik pengujian

statistik yang digunakan untuk memprediksi kepailitan adalah teknik pengujian

statistic yang digunakan Ohlson (1980). Ohlson pada tahun 1980, menggunakan

logistic regression (logit analysis) untuk memprediksi kepailitan, suatu metoda

yang menghindari keterbatasan teknik MDA.

Pada Logit analysis, asumsi multivariate normal distribution diabaikan. Dengan

adanya asumsi inilah maka keterbatasan yang terdapat pada teknik pengujian

statistik untuk kepailitan dengan menggunakan MDA dapat diatasi oleh Logit.

Logit, bersama dengan probit analysis (variasi dari logit), disebut sebagai

conditional probability model karena Logit menyediakan conditional probability

dari observasi yang berasal dalam suatu kelompok.

Pertimbangan lain untuk memilih Logit antara lain karena Logit model memiliki

keunggulan secara statistik. Namun demikian, model tersebut perlu dimodifikasi

31

untuk menjamin kevalidan koefisien parameter dengan pengaruh kelompok yang

ditimbulkan oleh panel data.

Altman model dengan pendekatan diskriminan analisisnya merupakan model

statistikal pertama dari prediksi kebangkrutan. Metoda diskriminan, walaupun

secara praktis banyak kesulitan seperti kebutuhan normalitas atas data, telah

menginspirasi beberapa usulan baru. Beberapa pendekatan baru adalah logit dan

probit model, expanded logit model, recursive partitioning model, survival analyst,

proportional hazard model, neural network serta expert system.

Jenis pengelompokan default prediction dapat dilihat pada tabel dibawah ini

sebagai berikut:

Tabel II.1 Pengelompokan metodalogi default prediction (Jozef Pociecha, 2005)

II.3 Metoda Statistik untuk Klasifikasi

Masalah klasifikasi sering kali ditemui di kehidupan sehari-hari, apakah itu terkait

dengan data sosial, data industri manufaktur, data marketing maupun data

akademik. Melihat, mendeskripsikan dan memaparkan keunikan dari suatu

pengelompokkan merupakan hal yang menarik dan dapat memberikan ide-ide

tertentu. Namun bagaimana jika, penge lompokan ini tidak benar atau ada

observasi-observasi tertentu yang salah dalam proses pengelompokkan. Jika

pengelompokkan/ pengklasifikasian ini menyangkut pengambilan keputusan yang

32

cukup penting seperti akreditasi, jabatan maka akibatnya akan cukup fatal. Oleh

karenanya, perlu dilakukan review pada proses klasifikasi.

Dalam ilmu statistik dikenal tiga metoda klasifikasi yang pada umumnya dipakai,

yakni: analisis diskriminan, regresi logistik, model probit maupun analisa regresi.

Dibandingkan dengan analisis diskriminan, Kurt (2006) dalam penelitiannya

menyatakan bahwa regresi logistik merupakan metoda klasifikasi yang cukup

baik, setidaknya pada saat ada variabel independen berskala kuantitatif maupun

kualitatif ataupun keduanya. Berbeda lagi dengan hasil penelitian Mesbhane,dkk

(1996) yang menyatakan bahwa analisis diskriminan adalah analisis yang lebih

baik digunakan pada saat ukuran sampel kecil.

Pada studi literatur ini, sesuai dengan kebutuhan dari penelitian hanya akan

dibahas dua metodelogi yaitu regresi logistik dan analisa diskriminan yang

direncanakan akan dievaluasi secara mendalam kesesuaiannya untuk menjadi

model analisa kredit di lembaga keuangan mikro.

II.3.1. Analisis Diskriminan

1) Konsep Dasar

Diskriminan analisis adalah salah satu tehnik analisa Statistika dependensi yang

memiliki kegunaan untuk mengklasifikasikan objek beberapa kelompok.

Pengelompokan dengan analisis diskriminan ini terjadi karena ada pengaruh satu

atau lebih variabel lain yang merupakan variabel independen. Kombinasi linier

dari variabel-variabel ini akan membentuk suatu fungsi diskriminan (Tatham et.

al., 1998).

(II-2)

33

Fungsi diskriminan lain yang dapat digunakan antara lain fungsi diskriminan

linier Fisher. Secara detail fungsi ini dijelaskan dalam Johson dan Winchern

(1992). Nilai diskriminan Z dari (1) merupakan dasar untuk menentukan suatu

obyek masuk kelompok yang mana dengan membandingkannya dengan rata-rata

(centroid) dari nilai Z masing-masing kelompok. Jika ada dua kelompok, misalkan

A dan B, maka

(II-3)

Ilustrasi Grafik dari Diskriminan analisis dapat dilihat pada ilustrasi grafik sebagai

berikut:

x 2

x 1

Fungsi Diskriminant

Cutt Off

Gambar II.7 Ilustrasi analisa diskriminan dengan dua varibel x1 dan x2

34

2) Tabel Klasifikasi

Selanjutnya, untuk mengevaluasi seberapa tepat klasifikasi dilakukan digunakan

Apparent Error Rates (APER). APER dihitung dengan terlebih dulu membuat

tabel klasifikasi seperti yang tertera pada Tabel berikut

Tabel II.2. Tabel Klasifikasi

0 = Tdk lancar 1 = LancarAktual Group

Prediksi Group

0 = Tdk lancar

1 = Lancar

N0Kesalahan type

2

Kesalahan type1

N1

3) Beberapa Ketentuan Umum Analisa Diskriminan

Beberapa ketentuan dalam Multivariate diskriminan analyst adalah sebagai

berikut:

Variabel dependen

dikotomi – multikotomi

kategori artifisial

pendekatan polar extereme

Ukuran sampel

ideal: 20 sampel per prediktor

min: 5 sampel per prediktor

min: 20 sampel per grup

diusahakan seimbang antar grup

Pembagian sampel

sampel analisis vs holdout sample

35

4) Asumsi dalam Multivariate Discriminant Analyst (MDA)

Variabel independen berdistribusi normal multivariat (masalah estimasi

fungsi)

Matriks variansi-kovariansi dari variabel-variabel independen dalam

masing-masing kelompok adalah sama (pengaruh: klasifikasi objek)

Multikolinearitas

Hubungan linier & isu outlier

II.3.2. Regresi Logistik

1) Konsep Umum

Regresi Logistik merupakan salah satu metoda klasifikasi yang sering digunakan.

Regresi logistik biner digunakan saat variabel dependen merupakan variabel

dikotomus (Y dengan 2 macam kategori), sedangkan Regresi Logistik

Multinomial digunakan saat variabel dependen adalah variabel kategorik dengan

lebih dari 2 kategori. Regresi logistik tidak memodelkan secara langsung variabel

dependen (Y) dengan variabel independen (X), melainkan melalui transformasi

variabel dependen ke variabel logit yang merupakan natural log dari odds ratio

(Fractal, 2003). Model regresi logistik multivariate dengan k variabel prediktor

dinyatakan pada persamaan berikut

0( ) ln ...1

eventi i n n

event

Pf x b bx b x

P

(II-4)

( 1 )

ex p ( ( ))

1 ex p ( ( ))Y

f xP

f x

(II-5)

P(Y=1) : adalah probabilistik terjadinya suatu event (Y=1)

x1.....xk : adalah indenpendent variabel

bo … bn : parameter logistik pada bentuk logit

Regresi logistic ekuivalen dengan diskriminan analis dua grup dan dalam banyak

hal lebih cocok pada berbagai situasi. Regresi logistik memerlukan variabel

dependen berupa binary dengan nilai 0 dan 1. Tidak masalah group mana yang di

36

dedikasikan untuk 1 atau 0. Regresi logistik ini di desain untuk memprediksi

kemungkinan terjandinya suatu event yang didedikasikan berkode 1. (Hair, 2006)

2) Penggunaan Kurva Logistik

Karena variable dependen pada regresi logistik hanya bernilai 0 dan 1, nilai

prediksi (probabilistic) harus dalam range tersebut. Untuk mendefinisikan

hubungan antara variabel indenpenden dan dependen, regresi logistik

menggunakan kurva logistik seperti terlihat pada Gambar II.9 dibawah ini. Pada

level terbawah dari independent variabel, nilai probabilitas mendekati nilai 0, tapi

tidak pernah mencapai nol. Sedangkan pada nilai kelompok independent variabel

tinggi probabilitas meningkat dan kemudian menurun sampai mendatar sehingga

tidak pernah mencapai nilai 1.

Sifat seperti ini tidak dapat diakomodasi oleh model regresi linier. Hubungan

regresi linier walaupun dengan transformasi untuk efek non linier tidak dapat

menggaransi nilai variabel dependen dalam range 0 – 1.

Gambar II.8. fungsi Logistik ( Sigmoid Curved)

3) Sifat Unik dari Dependen Regresi Logistik

Variabel dependen yang binari (0 dan 1) mempunyai sifat unik yang tidak sesuai

dengan asumsi untuk multiple regression. Pertama error dari suatu variabel diskrit

mengikuti distribusi binomial dari pada normal distribusi, hal ini mengakibatkan

semua pengetesan statistik yang menggunakan asumsi normal menjadi tidak valid.

Kedua variasi dari variabel dikotomus tidak konstan, dan juga heterocedascity.

37

Hal ini tidak dapat dibetulkan walaupun melalui transformasi dari dependen

maupun indenpenden variabel.

Regresi logistik di bangun khusus untuk mengatasi masalah ini. Regresi logistik

merupakan hubungan yang unik antara dependen dan invariabel dependen. Hal ini

memerlukan pendekatan yang berbedan dalam mengestimasi parameter,

melakukan evaluasi kesesuaian model dan juga mengintepretasi ketika di

bandingkan dengan multiple regression.

4) Pembangunan Model Regresi Logistik

Persamaan yang digunakan dalam mengestimasi parameter dapat berbentuk logit

ataupun Odds sebagai berikut:

0ln ...1

eventi i i n n

event

probLogit b b x b x

prob

(II-6)

0 ...

1i i n nb b x b xevent

i

event

probOdds e

prob

(II-7)

Kedua persamaan tersebut adalah sama, namun dengan perbedaan cara

mengintepretasinya. Multiple regression mempergunakan metoda Least squares

yang meminimasi jumlah dari kuadrat selisih antara aktual dengan prediksi valus

dari variabel dependen. Sifat yang non linier dari regresi logistik memerlukan

pendekatan lain yaitu maximum likelihood procedure.

Maximum likelihood estimation (MLE) adalah suatu prosedur yang digunakan

untuk menghitung dari logit koefisien. Ini kontras dengan pendekatan least square

yang biasa (OLS) yang digunakan dalam mengestimasi suatu koefisien untuk

persamaan regresi. OLS mencari nilai minimum dari suatu selisih kuadrat data

dengan model. Sedangkan ML mencari nilai maksimum dari log likelihood, LL,

yang merefleksikan bagaimana nilai dependen yang di observasi dapat di prediksi

dari nilai independen yang di observasi.

Atau dengan penjelasan lain sebagai berikut OLS dapat dilihat sebagai salah satu

tipe dari MLE untuk kasus khusus dari sebuah model linier dengan karekteristik

38

error yang terdistribusi normal di sekitas garis regresi, dimana koefisien regresi

dihitung dari memaksimalkan likelihood yang diperoleh dari nilai terkecil error

kuadrat. Ketika error tidak normal terdistribusi dan ketika variabel juga tidak

normal terdisribusi, MLE adalah lebih sesuai digunakan karena tidak bias pada

kasus khusus pada OLS. (David, 2009).

Prosedur ini mempergunakan proses iterasi Newton Raphson untuk mendapatkan

estimasi yang paling mendekati untuk parameter. Estimasi maximum likelihood

merupakan pendekatan dari estimasi Weighted Least Square, dimana matrik

pembobotnya berubah setiap putaran. Proses menghitung estimasi maksimum

likelihood ini disebut juga sebagai Iteratif Reweighted Least Square (Hosmer dan

Lemeshow, 1989).

Obyektif dari iterasi prosedur ini adalah memaksimalkan kecenderungan

(likelihood) suatu event akan terjadi. Nilai likelihood ini kemudian akan

digunakan untuk menghitung kecocokan model secara keseluruhan, dengan

mempergunakan evaluasi model yang berbeda dengan multiple regression.

5) Evaluasi ketepatan model dalam regresi logistik

Evaluasi ketepatan model (the goodness of fit) untuk pendekatan regresi logistic

dapat dilakukan dengan dua cara: (1) Melakukan evaluasi model dengan

menggunakan nilai “pseudo” R2, serupa dengan yang ditemukan pada multiple

regression. (2) Melakukan evaluasi keakuratan dari prediksi model (serupa

dengan analisa diskriminan). Kedua hal ini dilihat dari dua perspektif yang

berbeda, namun hasilnya haruslah seiring.

(i) “pseudo” R2

Pengukuran dasar mengenai seberapa baik estimasi dari maksimum likelihood

adalah mempergunakan nilai likelihood, Hal ini serupa dengan nilai dari sum of

square yang digunakan pada multiple regresion. Regresi logistik mempergunakan

nilai dari -2 x nilai log of likelihood (-2LL). Dimana nilai minimum untuk -2LL

adalah 0, nilai ini menggambarkan model yang fit sempurna dengan data.

(likelihood = 1 dan -2LL adalah 0). Oleh karena itu semakin kecil dari nilai -2LL

39

maka semakin baik model tersebut. Nilai -2LL ini juga kemudian akan digunakan

untuk mengukur “pseudo” R2 sebagai berikut:

2 mod2 ( 2 )

2null el

Logit

null

LL LLR

LL

(II-8)

Seperti multiple regresion, nilai “pseudo” R2 ini ada pada range 0 sampai dengan

1. Jika model yang diusulkan lebih sesuai dengan fakta (fit) maka nilai -2LL akan

menurun dan “pseudo” R2 akan semakin meningkat. Pada keadaan yang sempurna

makan nilai dari -2LL adalah sangat kecil atau nol dan sehingga nilai dari

“pseudo” R2 adalah 1.

Terdapat dua pengukuran yang serupa dengan “pseudo” R2 dan juga dapat

dikategorikan pengukuran tersebut adalah “pseudo” R2 juga. Pengukuran tersebut

adalah: The Cox and Snell R2 dan Nagelkerke, kedua pengukuran ini juga

mengindikasikan nilai 1 sebagai model yang sempurna. Nilai Nagelkerke R2 dapat

ditafsirkan sebagaimana R2 dalam metoda OLS, yaitu bahwa variabel X dapat

menjelaskan variasi Y sebesar persentase tertentu sesuai hasil dari perhitungan

Nagelkerke ataupun the Cox and Snell R2.

(ii) Evaluasi Ketepatan Prediksi

Regresi logistik mempunyai kesamaan dengan konsep R2 pada regresion sebagai

pengukuran untuk kesesuaian model secara keseluruhan. Dari metoda diskriminan

analis, regresi logistik mempunyai kesamaan dalam pengukuran ketepatan

prediksi secara keseluruhan. Terdapat dua pendekatan yang umum digunakan

yaitu matrik klasifikasi dan chi square based measure of fit.

a. Matrik klasifikasi

Pendekatan matrik klasifikasi yang digunakan pada regresi logistik adalah

serupa dengan yang digunakan pada analisa diskriminan. Matrik ini mengukur

seberapa baik suatu group di klasifikasikan dan juga nilai hit ratio nya. Bentuk

matrik klasifikasi dapat dilihat pada tabel II.2.

b. Chi Square – Based Measure

Hosmer and lemeshow [1] membangun suatu komprehensif klasifikasi test

untuk memprediksi keakuratan berdasarkan actual prediksi dari variabel

40

dependen. Pada SPSS test ini di rekomendasikan sebagai overall fit of binary

logistic regression model. Biasa juga disebut dengan Chi square test. Test ini

lebih robust daripada tradisional chi-square test, khususnya untuk untuk

covariate yang continue terdapat pada model dan sample size yang kecil. Nilai

yang tidak significant dapat diartikan bahwa model sudah sesuai dengan data.

Test ini juga lebih disukai dari table klasifikasi ketika mengevaluasi

kesesuaian model.

Cara bekerja Hosmer dan Lemeshow test dapat diterangkan sebagai berikut:

Ho: ada perbedaan yang signifikan antara nilai hasil observasi dengan nilai

hasil prediksi

Ha: Tidak terdapat perbedaan yang significant antara hasil observasi

dengan nilai hasil prediksi

Jika nilai HL test ≥ 0,05 maka Ho di tolak yang berarti mengindikasikan

bahwa model prediksi tidak berbeda secara significant dengan data observasi.

Hal ini menunjukan bahwa model dapat diterima.

(iii) Pengujian untuk Signifikansi dari koefisien

Pada multiple regresion dilakukan statistikal test (t test) apakan suatu koefisien

tersebut signifikan atau tidak dari nilai 0. Sebuat koefisien nol mengindikasikan

bahwa koefisient tersebut tidak mempunyai contribusi untuk memprediksi

variabel dependen.

Pada regresi logistik digunakan juga statistik test seperti ini dinamakan Wald

Statistic. Pada regresi logistik juga dievaluasi apakan statu koefisien signifikan

atau tidak dari nilai 0, namun karena regresi logistik menggunakan logit pada

pengukuran variabel dependennya maka nilai logia = 0 berkorespondensi dengan

nilai odds = 1, atau pada probabilitas 0,5. Nilai ini mengindikasikan bahwa

probabilitas dari setiap grup adalah sama (sehingga tidak terdapat efek dari

independen ini untuk memprediksi nilai variabel dependen).

Ho: Tidak ada pengaruh yang signifikan dari variabel tersebut dalam

memprediksi variabel dependen

41

Ha: Terdapat pengaruh yang signifikan dari variabel tersebut dalam

memprediksi dependent variabel

Untuk model dengan logit koefiesien yang besar standar error juga mengambang,

dan mengurangi nilai Wald statistik sehingga mengarahkan pada kesalahan type II

(false alarm) dimana diprediksi tidak signifikan padahal signifikan. Demikian juga

untuk model yang mempergunakan dummy variabel, adalah lebih baik untuk

melakukan test dengan mempergunakan likelihood rasio test untuk model yang

berbeda dengan dan tanpa parameter yang ditest.

Dicatat pula Wald statistik sensitif terhadap asumsi dari besar sample pada regresi

logistik. Untuk beberapa alasan ini maka likelihood ratio test adalah lebih disukai

/ disarankan (David Garson, 2009)

Pemilihan antara diskriminan analis dengan regresi logistik tergantung pada

asumsi yang diperlukan oleh kedua metoda tersebut. Analisis diskriminan

mengasumsikan data berdistribusi multivariate normal, sedangkan regresi logistik

tidak mengasumsikan data harus berdistribusi tertentu. Pelanggaran asumsi

multivariate normal pada analisis diskriminan biasanya menghasilkan tingkat

ketepatan klasifikasi yang rendah. Ada peneliti yang menganjurkan tetap

menggunakan analisis diskriminan meskipun ada pelanggaran asumsi, dengan

catatan tidak ada data yang outlier (Meshbane, 1996).

6) Perbandingan Regresi Logistik dengan Multiple regression

Konsep dari multiple regression dan regresi logistik adalah serupa pengetesan

dasar dari keduannya kompatible dengan perbedaan yang ada timbil dari

penggunaan metoda yang digunakan dari dua teknik ini (Least square dan

Maximum likelihood)

42

Tabel II.3 Perbandingan multiple regression dan regresi logistik (Hair, 2006)

Perbandingan dari evaluasi kesesuaian model

Multiple Regression Logistic Regression

Total sum of square -2LL of base model (model null)

Error sum of square -2LL of proposed model

Regression sum of square Difference of -2LL for base dan

proposed model

F test of Model Chi square test of -2LL difference

Coeficient Determination (R2) “pseudo” R2

Jika diketahui bahwa tipe data variabel respon (Y) adalah nominal, yaitu

kategorisasi keputusan manajemen bank apakah akan kredit lancar atau tidak

(misal lancar dilambangkan angka 1, sedangkan tidak lancar dengan angka 0),

sedangkan tipe data untuk variabel bebas (X) adalah nominal ataupun campuran

kualitatif maupun kuantitatif. Bila metoda regresi linier biasa diterapkan pada

kasus semacam ini, menurut Kutner, dkk.(2004), akan terdapat 2 pelanggaran

asumsi Gauss-Markov dan 1 buah pelanggaran terhadap batasan dari nilai duga

(fitted value) dari variabel respon (Y), yaitu:

1. Error dari model regresi yang didapat tidak menyebar normal.

2. Ragam (variance) dari error tidak homogen (terjadi heteroskedastisitas

pada ragam error).

3. Sedangkan, pelanggaran bagi batasan nilai duga Y (fitted value) adalah

bahwa nilai duga yang dihasilkan dari model regresi linier biasa melebihi

rentang antara 0 s.d. 1. Hal ini jelas tidak masuk akal , karena batasan nilai

pada variabel Y (dalam kasus ini adalah lancar=1 dan tidak lancar=0).

Sehingga jika mendapatkan nilai Y = 4 pada saat memasukkan suatu nilai

X tertentu itu berarti tidak dapat di intepretasikan .

II.3.3 Metoda Probit

Regresi probit adalah suatu analisis regresi yang digunakan untuk

menggambarkan hubungan antara variabel dependen dan variabel independen.

43

Variabel dependen (variable respon) biasa disimbolkan Y dengan skala

pengukuran dikotomus (biner) dan variabel independent (variable prediktor) biasa

disimbolkan X yang skala pengukuran bersifat dikotomus, polikotomus atau

kontinyu.

Untuk membuat harga Y selalu berada di antara 0 dan 1 , maka memerlukan suatu

fungsi monoton (non decreasing) yang memetakan hasil dari linier prediktor ke

dalam unit interval. Tranformasi tipe ini diharapkan akan mempertahankan

struktur linier dari model dan menghindari nilai peluang berada di luar interval

[0,1]. Sembarang fungsi distribusi kumulatif (CDF) akan memenuhi kriteria diatas

Y = P (Y=1 I X = xi) = P ( α + βXi)

Dimana fungsi distribusi kumulatif P(.) dipilih sebelumnya dan α dan β adalah

parameter yang akan di estimasi. Fungsi P(.) diasumsikan smooth dan simetris dan

mendekati nilai simetrik Y=1 dan 0 secara asimtotis.

Jika fungsi P(.) di asumsikan strictly increasing, maka model dapat ditulis ulang

sebagai : P-1= α + βXi

Untuk transformasi P(.) sering digunakan CDF dari distribusi normal standar yaitu

21

21

( )2

zx

z e dx

atau lebih umum yang biasa dikenal dengan fungsi regresi logistik sebagai :

1( )

1 1

z

z z

ez

e e

dengan konstanta n ~3,141 dan e ~ 2,718

dengan mempergunakan CDF normal ( )z diperoleh probit model sebagai

berikut :21

21

( )2

xix

Yi xi e dx

sementara itu dengan mempergunakan fungsi logistik akan diperoleh persamaan

regresi logistik sebagai berikut.

( )

1( )

1 1

xi

xi xi

exi

e e

Secara umum, harga transformasi fungsi probit dan fungsi logit ekuivalen

nilainya.

44

Intepretasi fungsi probit

Misal dimiliki data tentang kepelikan rumah dengan variable Y = 1 jika memiliki

rumah dan 0 jika tidak memiliki rumah. Sedangkan X adalah pendapatan dalam

juta. Jika hasil estimasi dari data yang ada diperoleh sebagai berikut

Konstan = -0,08133 dengan p value 0,003

X1 = 0,05846 dengan p value 0,021

Maka dengan mempergunakan model probit dapat di peroleh peluang kepemilikan

rumah sebagai berikut :

20,8133 0,05846(1) 1(1)

21

( 0,8133 0,05846(1)2

i e dx

maka diperoleh ( 0,8133 0,05846(1) = ( 0,7258) , dengan ( 0,7258)

adalah CDF normal standar di titik -0,7258. Jika kita lihat di dalam tabel CDF

normal standar maka dapat diketahui bahwa nilai ( 0,7258) ialah di sekitar

0,3066. Dari sini dapat disimpulkan bahwa peluang kepemilikan rumah adalah

sebesar 0,3 untuk penghasilan 1 juta.

Terdapat dua kelebihan dari fungsi logit dibandingkan dengan model probit yaitu

(Rosadi, D. 2005)

1. Simplicity

Persamaan dari fungsi logistik realatif sederhana, sedangkan fungsi normal

lebih komplek. Perbedaan terutama untuk data polythomus dimana

diperlukan model multivariate logistik terlihat bahwa model logistik akan

jauh lebih sederhana

2. Interpretability

Traformasi invers dari logit model ( )xi dapat di interpretasikan

langsung sebagai log odds sedangkan untuk fungsi probit tidak memliki

intepretasi langsung.

45

II.4 Metoda Klasifikasi lainnya

II.4.1 Jaringan Syaraf Tiruan (Artificial Neural Networks)

Jaringan Syaraf Tiruan (JST) diketahui memiliki kemampuan yang sangat baik

untuk melakukan berbagai proses klasifikasi. JST merupakan salah satu bagian

dari metoda dalam bidang Artificial Intelligence yang dikenal sebagai machine

learning (Negnevitsky dan Michael, 2002).

Machine learning merupakan metoda dalam ilmu komputer yang melibatkan

mekanisme adaptasi sehingga mesin (komputer) dapat belajar dari pengalaman.

Secara umum, JST dapat digunakan sebagai salah satu metoda untuk melakukan

pengenalan pola data (Negnevitsky dan Michael, 2002). Penggunaan JST untuk

pengenalan pola pada sebuah citra ini erat kaitannya dengan permasalahan

klasifikasi obyek yang sering muncul dalam kehidupan sehari-hari.

Secara umum masalah pengenalan pola ini termasuk dalam bidang computer

vision yang bertujuan untuk mengambil informasi dari data yang berdimensi

banyak dengan menggunakan mesin. JST disusun oleh elemen–elemen pemroses

yang berada pada lapisan lapisan yang berhubungan dan diberi bobot.

Dengan serangkaian inputan diluar sistem yang diberikan kepadanya jaringan ini

dapat memodifikasi bobot yang akan dihasilkannya, sehingga akan menghasilkan

output yang konsisten sesuai dengan input yang diberikan kepadanya. Setiap

elemen pemroses melaksanakan operasi matematika yang sudah ditentukan dan

menghasilkan (hanya) sebuah harga keluaran dari satu ataupun banyak masukan.

Struktur jaringan akan ditunjukkan seperti pada Gambar II-10 .

Pemodelan jaringan pada syaraf tiruan sering dikategorikan menjadi tiga yaitu:

single layer, multi layer dan competitive layer. Secara umum, tiap unit pada

lapisan (Layer) yang sama atau dapat kita sebut neuron mempunyai tingkah laku

yang sama untuk pemrosesan sinyal data. Hanya hal terpenting yang perlu

diperhatikan adalah penentuan penggunaan jenis fungsi aktifasi pada masing-

masing unit pada lapisan tersebut dan pola koneksi pembobot antar lapisan.

46

Gambar II.9 Arsitektur JST dengan Single Hidden Layer

(Manel, dkk, 1999).

Namun biasanya unit pada lapisan yang sama mempunyai jenis fungsi aktifasi

yang sama dan pola koneksi pembobot yang sama pula. Pemilihan jumlah layer

bukan berarti pemilihan layer untuk neuron, namun pemilihan layer untuk

penghubung jalur pembobot antar neuron. Jadi variabel terpenting untuk

pengenalan pola adalah pembobotnya.

a. Single layer

Jaringan ini terdiri atas lapisan input dengan beberapa unit input, satu lapis

pembobot dan lapisan output yang terdiri atas beberapa unit output dimana

masing – masing unit input terkoneksi secara penuh dengan masing-masing unit

output, tetapi setiap unit output tidak terkoneksi dengan unit input maupun unit

output yang lain.

Pada jaringan ini masing-masing input unit menerima sinyal informasi dari luar

dan melalui koneksi yang ada, dilakukan proses pembobotan untuk masing-

masing sinyal yang akhirnya akan direspon oleh masing-masing output unit.

Pembobot untuk satu unit output tidak akan berpengaruh pada unit output yang

lain.

47

b. Multi layer

Cara kerja dari model ini sama seperti pada jaringan lapis tunggal. Hanya saja

pada arsitekturnya terdapa tambahan beberapa layer untuk pembobot. Jadi pada

pemodelan ini terdapat tambahan beberapa atau satu layer lagi diantara input layer

dan output layer yang sering disebut dengan lapisan tersembunyi (Hidden Layer).

Sehingga dengan demikian terdapat lapisan pembobot antara input layer, hidden

layer dan output layer. Kelebihan dari arsitektur jenis ini jika dibandingkan

dengan single layer ialah dapat menyelesaikan masalah kompleks yang mungkin

tidak dapat diselesaikan oleh jaringan single layer secara sempurna. Hanya saja

proses pelatihannya membutuhkan waktu yang agak lama karena tentu saja lebih

sulit untuk dilakukan.

II.4.2 Pohon Keputusan

Pohon keputusan adalah salah satu model klasifikasi yang cukup populer karena

mudah di interpretasikan oleh manusia. Algoritma C4.5 adalah algoritma

klasifikasi data dengan metoda pohon keputusan yang memiliki kelebihan dalam

mengelolah data numerik yang kontinyu maupun diskrit. Dapat menangani nilai

uatribut yang hilang , menghasilkan aturan-aturan yang mudah di interprestasikan

dan tercepat diantara algoritma yang menggunakan memori utama di komputer.

Pohon keputusan adalah model prediksi menggunakan struktur pohon atau

struktur berhirarki. Contoh dari pohon keputusan dapat dilihat di gambar II.10.

Disini setiap percabangan menyatakan kondisi yang harus dipenuhi dan tiap ujung

pohon menyatakan kelas data. Contoh pada gambar II.10 adalah identifikasi

pembeli komputer dari pohon keputusan tersebut diketahui bahwa salah satu

kelompok yang potensial membeli komputer adalah kelompok orang yang berusia

di bawah 30 tahun dan juga pelajar.

Setelah pohon keputusan tersebut dibangun maka dapat digunakan untuk

mengklasifikas record yang belum ada kelasnya. Dimulai dari node root,

menggunakan tes terhadap atribut dari record yang belum ada kelasnya tersebut

lalu mengikuti cabang yang sesuasi dengan hasil dari test tersebut, yang akan

48

membawa kepada interval node (node yang memiliki satu cabang masuk dan duat

atau lebih cabang yang keluar), dengan cara harus melakukan test lagi terhadap

atribut atau node daun. Record yang kelasnya tidak diketahui , kemudian

diberikan kelas yang sesuai dengan sesuai dengan kelas yang ada pada node daun.

Pada pohon keputusan setiap simpul daun menandai label kelas.

Usia?

Pelajar? Credit

rating?

tidak Ya tidak Ya

tidak

<=3031-40

>=41

Gambar II.10 Contoh pohon keputusan

(Jayanti ,2008)

Proses dalam pohon keputusan mengubah bentuk data (tabel) menjadi model

pohon kemudian mengubah model pohon (tree) menjadi aturan (rule) untuk

keperluan pengklasifikasian sesuai dengan tujuan.

II.4.3 Metoda Risk Of Ruin

Salah satu cara dalam menentukan prediksi kebangkrutan adalah dengan metoda

risk of ruin. Besarnya surplus menjadi negatif untuk pertama kali disebut saat

ruin. Yang menjadi kendala dalam menghitung peluang ruin ialah mencari bentuk

eksplisit dari peluang ruin tersebut. Untuk mengatasi hal tersebut dilakukan

penaksiran terhadap peluang ruin secara numerik. Untuk 0u , peluang ruin

untuk model waktu kontinu adalah:

( )( )

Ru

Ru T

eu

E e T

49

Masalah yang timbul untuk menghitung peluang ruin tersebut adalah kesulitan

dalam mencari bentuk eksplisit dari ( )Ru TE e T . Salah satu cara dalam

mencari nilai tersebut adalah dengan cara menaksir nilai dari peluang ruin secara

numerik.

Ide dari metoda yang digunakan ialah mencari kaitan antara peluang ruin dengan

kerugian agregat maksimal. Kemudian batas atas dan batas bawah dari kerugian

agregat maksimal tersebut digunakan untuk mencari batas atas dan batas bawah

dari peluang ruin.

Metoda-metoda diatas memiliki keunggulan maupun kelemahan. Manel (1999)

dalam penelitiannya menemukan bahwa Artificial Neural Network (ANN) tidak

lebih baik dibandingkan regresi logistik dan analisis iskriminan dalam hal

efisiensi waktu pada proses analisisnya.

Dibandingkan dengan Analisis Diskriminan, Kurt (2006) dalam penelitiannya

menyatakan bahwa regresi logistik merupakan metoda klasifikasi yang cukup

baik, setidaknya pada saat ada variabel independen berskala kuantitatif maupun

kualitatif .

II.5 Kredit

II.4.1 Definisi

Pengertian Kredit adalah penyediaan uang atau tagihan yang dapat dipersamakan

dengan itu, berdasarkan persetujuan atau kesepakatan pinjam meminjam antara

BPR dengan pihak lain yang mewajibkan pihak peminjam untuk melunasi

hutangnya setelah jangka waktu tertentu disertai dengan pembayaran sejumlah

bunga dan adanya jaminan sebagai cerminan niat baik debitur. Pengertian tersebut

di atas mengandung unsur-unsur yaitu:

Unsur kepercayaan, yaitu mempercayai sejumlah uang untuk dikelola

peminjam

Unsur waktu, yaitu adanya jangka waktu pengembalian Kredit

50

Unsur resiko, yaitu akibat yang dapat timbul karena adanya jangka waktu

antara pemberian kredit dan pelunasannya

Unsur penyerahan, yaitu nilai ekonomi uang yang dikembalikan pada saat

pelunasan nilainya sama dengan nilai ekonomi uang saat pemberian Kredit

Unsur jaminan, yaitu suatu pengangan bagi pihak Bank terhadap debitur untuk

mengurangi unsur resiko.

II.5.2 Analisis Kredit

Tujuan utama analisis premohonan kredit adalah untuk memperoleh keyakinan

apakah nasabah mempunyai kemauan dan kemampuan memenuhi kewajibannya

kepada bank secara tertib, baik pembayaran pokok pinjaman maupun bunganya,

sesuai dengan kesepakatan dengan bank.hal-hal yang perlu diperhatikan dalam

penyelesaian kredit nasabah, terlebih dahulu harus terpenuhinya Prinsip 5 C

Analisis, yaitu sebagai berikut:

1) Character

Character adalah keadaan watak dari nasabah, baik dalam kehidupan pribadi

maupun dalam lingkungan usaha. Kegunaan dari penilaian terhadap karakter ini

adalah untuk mengetahui sampai sejauh mana kemauan nasabah untuk memenuhi

kewajibannya sesuai dengan perjanjian yang telah ditetapkan. Sebagai alat untuk

memperoleh gambaran tentang karakter dari calon nasabah tersebut, dapat

ditempuh melalui upaya antara lain:

Meneliti riwayat hidup calon nasabah;

Meneliti reputasi calon nasabah tersebut di lingkungan usahanya;

Meminta bank to bank information;

Mencari informasi kepada asosiasi-asosiasi usaha dimana calon nasabah

berada;

Mencari informasi apakah calon nasabah suka berjudi.

Mencari informasi apakah calon nasabah memiliki hobi berfoya-foya.

2) Capital

Capital adalah jumlah dana/modal sendiri yang dimiliki oleh calon nasabah.

Semakin besar modal sendiri dalam perusahaan, tentu semakin tinggi

51

kesungguhan calon nasabah dalam menjalankan usahanya dan bank akan merasa

lebih yakin dalam memberikan kredit. Modal sendiri juga diperlukan bank sebagai

alat kesungguhan dan tangung jawab nasabah dalam menjalankan usahanya

karena ikut menangung resiko terhadap gagalnya usaha.dalam praktik,

kemampuan capital ini dimanifestasikan dalam bentuk kewajiban untuk

menyediakan self-financing, yang sebaiknya jumlahnya lebih besar daripada

kredit yang dimintakan kepada bank.

3) Capacity

Capacity adalah kemampuan yang dimiliki calon nasabah dalam menjalankan

usahanya guna memperoleh laba yang diharapkan. Kegunaan dari penilaian ini

adalah untuk mengetahui sampai sejauh mana calon nasabah mampu untuk

mengembalikan atau melunasi utang-utangnya secara tepat waktu dari usaha yang

diperolehnya. Pengukuran capacity tersebut dapat dilakukan melalui berbagai

pendekatan berikut ini:

Pendekatan historis, yaitu menilai past performance, apakah menunjukkan

perkembangan dari waktu ke waktu.

Pendekatan finansial, yaitu menilai latar belakang pendidikan para pengurus

Pendekatan yuridis, yaitu secara yuridis apakah calon nasabah mempunyai

kapasitas untuk mewakili badan usaha yang diwakilinya untuk mengadakan

perjanjian kredit dengan bank.

Pendekatan manajerial, yaitu menilai sejauh mana kemampuan dan

keterampilan nasabah melaksanakan fungsi-fungsi manajemen dalam

memimpin perusahaan.

Pendekatan teknis, yaitu untuk menilai sejauh mana kemampuan calon

nasabah mengelola faktor-faktor produksi seperti tenaga kerja, sumber bahan

baku, peralatan-peralatan, administrasi dan keuangan, industrial relation

sampai pada kemampuan merebut pasar.

4) Collateral

Colleteral adalah barang-barang yang diserahkan nasabah sebagai agunan

terhadap kredit yang diterimanya. Colleteral tersebut harus dinilai oleh bank

untuk mengetahui sejauh mana resiko kewajiban finansial nasabah kepada bank.

52

Pada hakikatnya bentuk Collateral tidak hanya berbentuk kebendaan tetapi juga

collateral yang tidak berwujud seperti jaminan pribadi , letter of guarantee, letter

of comfort, rekomendasi dan avalis.

5) Condition of Economy

Condition of Economy, yaitu situasi dan kondisi politik, sosial, ekonomi, budaya

yeng mempengaruhi keadaan perekonomian pada suatu saat yang

kemungkinannya memengaruhi kelancaran perusahaan calon debitur. Untuk

mendapat gambaran mengenai hal tersebut, perlu diadakan penelitian mengenai

hal-hal antara lain:

Peraturan-peraturan pemerintah

Situasi, politik dan perekonomian dunia

Keadaan lain yang memengaruhi pemasaran

6) Constraint

Constraint adalah batasan dan hambatan yang tidak memungkinkan suatu bisnis

untuk dilaksankan pada tempat tertentu, misalnya pendirian suatu usaha pompa

bensin yang disekitarnya banyak bengkel las atau pembakaran batu bata. Dari

keenam prinsip diatas, yang paling perlu mendapatkan perhatian account officer

adalah character, dan apabila prinsip ini tidak terpenuhi, prinsip lainnya tidak

berarti. Dengan perkataan lain, permohonannya harus ditolak.

II.5.3. Persiapan Analisa Kredit

Kegiatan analisa merupakan suatu kegiatan yang komplek. Hal itu disebabkan

keharusan menilai suatu kondisi eksternal dengan keterbatasan data yang tersedia.

Suatu penilaian bersifat prediksi karena itu diperlukan formula dan pendekatan-

pendekatan ilmu untuk melakukannya. Sebelum analisa dilakukan, maka

lazimnya diperlukan beberapa persiapan yaitu:

a. Pemilihan pendekatan yang akan dilakukan dalam melakukan analisa Kredit

b. Proses pengumpulan informasi yang lengkap yang akan diperlukan dalam

suatu kegiatan analisa Kredit.

c. Penetapan titik kritis suatu proyek

d. Pemilihan Pendekatan Analisa

53

Pendekatan Karakter

Pendekatan Kemampuan Pelunasan

Pendekatan Kelayakan

Pendekatan Jaminan

Pendekatan Kondisi ekonomi di masyarakat

II.5.4 Pengumpulan Informasi

1) Informasi Umum

Reputasi calon Nasabah Kredit

Data nasabah black list, khususnya dari LKM lain

Data ekonomi sosial menyangkut proyek

Ketentuan umum perundang-undangan

Data teknis skala usaha calon debitur

Perkembangan rekening tabungan

Informasi ketenaga kerjaan

b) Informasi Khusus

Data yuridis pribadi calon Nasabah (debitur)

Data yuridis usaha calon Nasabah Kredit

Data keuangan calon Nasabah Kredit

Data teknis calon Nasabah Kredit

Data tentang manajemen dan personalia

Data ekonomis dan yuridis jaminan

Data lain yang berkaitan langsung dengan projek

II.4.5. Penetapan Titik Kritis Projek yang akan dibiayai

Analisa Kredit harus dapat menentukan titik kritis dari suatu proyek yang akan

dibiayai, yaitu penentuan aspek mana yang paling kritis untuk dianalisa, yang

merupakan faktor dominan untuk keberhasilan projek. Jika titik kritis dapat

dilakukan maka aspek lain akan dilakukan analisa kemudian.

54

II.5.6. Analisa Setiap Aspek Kredit

Setelah mengetahui secara jelas titik kritis dari suatu usaha calon debitur, maka

berikutnya adalah melakukan analisa setiap aspek yang berkaitan dengan usaha

calon debitur tersebut.

1) Aspek Yuridis

a. Kapasitas untuk mengadakan perjanjian

b. Status badan sesuai dengan ketentuan hukum berlaku

2) Aspek Pemasaran

a. Siklus hidup produk

b. Produk subtitusi

c. Perusahaan pesaing

d. Daya beli masyarakat

e. Program promosi

f. Daerah pemasaran

g. Faktor musim

h. Manajemen pemasaran

i. Kontrak penjualan

3) Aspek Teknis

a. Lokasi Usaha (Dekat pasar, bahan baku, tenaga kerja, suply peralatan,

transportasi)

b. Fasilitas gedung tempat usaha (IMB, daya tampung, persyaratan teknis)

c. Mesin-mesin yang dipakai (Kapasitas, konfigurasi mesin, merk, reparasi,

fleksibilitas)

d. Proses produksi (Efesiensi proses, standard proses, desain dan rencana

produksi)

4) Aspek Manajemen

a. Kemampuan mengelola usaha

b. Kebijakan manajemen perusahaan pemohon

5) Aspek Keuangan

55

a. Kemampuan memperoleh keuntungan

b. Sisa Kredit dengan pihak lain

c. Beban rutin di luar kegiatan usaha

d. Arus kas

6) Aspek Jaminan

a. Syarat ekonomi

b. Syarat yuridis

Analisa yang digunakan pada BPR dalam melakukan analisa kridit

mempergunakan pendekatan analisa diskriminan adalah: mempergunakan

pendekatan 6 C: Character, Capacity, Capital, Collateral, Condition of Economy,

Constraint

II.6. Sistem Pendukung Keputusan (SPK)

II.6.1. Definisi

Definisi SPK berusarkan Turban (1995 ) adalah sebuah komputer bases

information sistem yang interaktif, fleksibel dan dapat beradaptasi yang

dikembangkan terutama untuk mendukung pengambilan keputusan secara lebih

baik dalam rangka mendapatkan suatu solusi dari suatu permasalahan manajemen

yang tidak terstruktur.

SPK biasa dikenal juga dengan DSS (Desicion Support System). SPK ini akan

meutilisasi data, menyediakan dialog penyelenggara (interface) yang mudah dan

memasukan pandangan dari pengambil keputusan. SPK tidak ditekankan untuk

membuat keputusan, melainkan melengkapi kemampuan untuk mengolah

informasi yang dilakukan untuk membuat keputusan. Dengan kata lain SPK

membantu manusia dalam proses pembuatan keputusan.

Hal yang perlu ditekankan di sini adalah bahwa keberadaan DSS bukan untuk

menggantikan tugas-tugas manajer, tetapi untuk menjadi sarana penunjang bagi

mereka. DSS sebenarnya merupakan implementasi teori-teori pengambilan

56

keputusan yang telah diperkenalkan oleh ilmu-ilmu seperti operation research

dan management science.

Hanya bedanya adalah bahwa jika dahulu untuk mencari penyelesaian masalah

yang dihadapi harus dilakukan perhitungan iterasi secara manual (biasanya untuk

mencari nilai minimum, maksimum, atau optimum), saat ini komputer PC telah

menawarkan kemampuannya untuk menyelesaikan persoalan yang sama dalam

waktu relatif singkat. Dalam kedua bidang ilmu di atas, dikenal istilah decision

modeling, decision theory, dan decision analysis – yang pada hakekatnya adalah

merepresentasikan permasalahan manajemen yang dihadapi setiap hari ke dalam

bentuk kuantitatif (misalnya dalam bentuk model matematika).

II.6.2. Manfaat SPK

Manfaat dari SPK diantaranya adalah:

Mampu mendukung solusi dari suatu permasalahan yang komplek

Memberikan jawaban yang cepat untuk situasi yang tidak diharapkan dari

suatu perubahan kondisi

Mampu untuk mencoba beberapa strategi yang berbeda di bawah

konfigurasi yang berbeda dengan cepat dan secara obyektif.

User dapat menambah wawasan melalui komposisi model dan kepekaan

dari SPK.

Memudahkan komunikas dan penghematan ongkos dan biaya yang terlibat

Bersifat obyektif (berdasarkan hasil analisa data empirik )

Sprague dan Carlson mendefinisikan DSS dengan cukup baik, sebagai sistem

yang memiliki lima karakteristik utama (Sprague , 1982):

a. Sistem yang berbasis komputer;

b. Dipergunakan untuk membantu para pengambil keputusan;

c. Untuk memecahkan masalah-masalah rumit yang “mustahil” dilakukan

dengan kalkulasi manual;

d. Melalui cara simulasi yang interaktif;

e. Dimana data dan model analisis sebagai komponen utama.

57

Karakteristik d dan e merupakan fasilitas baru yang ditawarkan oleh DSS

belakangan ini sesuai dengan perkembangan terakhir kemajuan perangkat

komputer.

II.6.3. Arsitektur SPK

Arsitektur SPK yang mengambarkan keterkaitan antara komponen-komponen

yang ada pada SPK dapat dilihat pada gambar dibawah ini:

Gambar II.11 Arsitektur SPK (Sprague 1982)

II.6.4. Komponen-komponen SPK

Suatu SPK mempunyai empat sub elemen sub sistem utama yang menentukan

kapabilitas teknik SPK tersebut (Turan 1995), element tersebut adalah:

a. Sub sistem manajemen berbasis data (DBMS = Database Management

System) Sub sistem manajemen basis data menangani pemeliharaan data

kontrol basis data serta menyederhanakan program interface SPK dengan

basis data. Basis data merupakan mekanisme integrasi berbagai data internal

dan eksternal

b. Sub sistem manajemen basis model (MBMS = Model Based Management

System) Sub sistem manajemen basis model bertugas untuk mengitegrasikan

akses data dengan model-model yang dirancang dan dikembangkan. Hal ini

Penugasan(TASK)

Lingkungan(Environment)

PENGGUNA(USER)

58

dilakukan dengan menambahkan model-model yang dirancang ke dalam

sistem informasi yang menggunakan basis data sebagai mekanisme integrasi

dan komunikasi diantara model-model

c. Sub sistem penyelenggara Dialog (DGMS = Dialog Generation and

Management system) Sub sistem penelenggara dialog berfungsi sebagai

pengkomunikasi antara pemakai dengan sistem komputer. Sub sistem ini harus

memberikan / memenuhi keinginan pemakai dan bersifat cukup komunikatif.

Fleksibilitas dan kekuatan karakteristisk SPK timbul dari kemampuan antara

sistem dengan pemakai.

d. Manajemen Pengetahuan (Knowledge Management)

Sub sistem ini dapat mendukung segala penterjemahan sub sistem di atas atau

juga dapat bertindak sebagai komponen bebas dimana sama sekali tidak terkait

dengan sub sistem lain. Sub sistem ini sering juga di namai knowledge

management.