pemanfaatan regresi logistik untuk membangun early warning … · 2012-05-15 · tujuan penelitian...

35
Pemanfaatan Regresi Logistik Untuk Membangun Early Warning System Tingkat Kesehatan dan Efisiensi Bank Studi Kasus : PT.Bank CIMB Niaga,Tbk Area Jawa Timur dan Indonesia Timur Oleh : Made D. Firmanta (9107.205.304) PROGRAM MAGISTER MANAJEMEN TEKNOLOGI MANAJEMEN TEKNOLOGI INFORMASI INSTITUT TEKNOLOGI SEPULUH NOPEMBER SURABAYA

Upload: lamhanh

Post on 13-Mar-2019

221 views

Category:

Documents


5 download

TRANSCRIPT

Pemanfaatan Regresi Logistik Untuk Membangun Early Warning System Tingkat Kesehatan dan Efisiensi Bank

Studi Kasus : PT.Bank CIMB Niaga,Tbk Area Jawa Timur dan Indonesia Timur

Oleh :Made D. Firmanta (9107.205.304)

PROGRAM MAGISTER MANAJEMEN TEKNOLOGIMANAJEMEN TEKNOLOGI INFORMASI

INSTITUT TEKNOLOGI SEPULUH NOPEMBER SURABAYA

Latar Belakang

• UU Nomor 10 Tahun 1998 tentang perbankan.• Kesehatan bank merupakan sarana bagi otoritas

pengawas dalam menetapkan strategi dan fokus pengawasan terhadap bank.

• Penyusunan rencana bisnis bank dengan memperhatikan prinsip kehati-hatian (prudential) dan penerapan risk management.

• Adanya kebijakan Single Presence Policy oleh BI, tahun 2007 terjadi merger Lippo Bank ke dalam Bank CIMB Niaga.

• Manajemen risiko yang dimiliki oleh CIMB Niaga, khususnya kesehatan bank.

Latar Belakang

• Diperlukan early warning system untuk meminimalkan risiko terhadap tingkat kesehatan dan efisiensi bank.

• Kompleksnya jejaring sistem perbankan dan adanya potensi domino effect mengakibatkan kebangkrutan bank.

• Beberapa kegunaan early warning system :– Memberikan waktu tunggu untuk meningkatkan alokasi sumber

penilai yang langka.– Memungkinkan tindakan pengawasan yang tepat waktu.– Mengurangi biaya kegagalan (cost of failure).

• Dari beberapa penelitian yang telah dilakukan, early warning system digunakan oleh sektor keuangan untuk mengetahui secara dini kondisi keuangan yang berisiko membahayakan stabilitas perekonomian.

Latar Belakang

PENELITI TAHUN MASALAH YANG DITELITI

Peavy dan Hempel 1998 Pemanfaatan data harga saham sebagai early warning systemspesifik bank.

Kolari, Caputo, dan Wagner

2000 Perbaikan terhadap aplikasi early warning system pada bank komersil dengan menggunakan TR dan model gabungan TR/MDA vs MDA dan Logit untuk mengidentifikasi bank-bank yang gagal.

Tae Yoon Kim, Kyong Joo Oh, Insuk Sohn, Changha Hwang

2004 Usefulness of artificial neural networks for early warning system of economic crisis.

Nur Iriawan 2005 Laporan hasil pembentukan early warning system (EWS) obligasi korporasi PT.Bursa Efek Surabaya

Alessio Ciarlone, Giorgio Trebeschi

2005 Designing an early warning system for debt crises

E.Philip Davis, Dilruba Karim

2008 Comparing early warning system for banking crises

Rumusan Masalah

• Bagaimana metode regresi logistik dapat memodelkan data laporan keuangan bulanan kantor cabang Bank CIMB Niaga area Jawa Timur dan Indonesia Timur dan bagaimana model regresi logistik yang terbentuk dapat digunakan sebagai Early Warning System ?

• Bagaimana pengujian validitas model Early Warning System yang terbentuk untuk prediksi pada bulan-bulan berikutnya ?

• Bagaimana analisis dan interpretasi hasil pemodelan Early Warning System dan bagaimana pemanfaatan model tersebut dalam pengambilan keputusan di Bank CIMB Niaga area Jawa Timur dan Indonesia Timur?

Tujuan Penelitian

• Dapat diperoleh algoritma regresi logistik untuk membangun Early Warning System.

• Dapat diperoleh model Early Warning System yang valid yang bisa digunakan untuk pengambilan keputusan di Bank CIMB Niaga area Jawa Timur dan Indonesia Timur.

• Dapat digunakan sebagai standar decision support system di kantor cabang Bank CIMB Niaga area Jawa Timur dan Indonesia Timur.

Batasan Penelitian

• Jumlah kantor cabang untuk penelitian yang digunakan terbatas di area Jawa Timur dan Indonesia Timur, dikarenakan terbatasnya akses untuk pengambilan sampel.

Dasar Teori

• Definisi Early Warning System– Merupakan suatu mekanisme untuk mendeteksi gejala

atau tanda-tanda awal yang dapat mempengaruhi perkembangan kemajuan suatu perusahaan.

– Adanya perkembangan produk-produk perbankan, meningkatkan kebutuhan dan memperumit fungsi pengukuran risiko, manajemen risiko, dan pendekatan terpadu terhadap pengendalian internal.

• Sasaran yang dilakukan Early Warning System, antara lain :– Identifikasi dan deteksi pelanggan yang diperkirakan akan

gagal dalam memenuhi kewajibannya.– Proses pemantauan portofolio secara keuangan.– Identifikasi langkah-langkah perbaikan dan menetapkan

rencana tindak lanjut.

Dasar Teori

• Definisi Analisa Rasio Keuangan– Teknik yang digunakan untuk menganalisis perbandingan

dan relativitas data keuangan suatu perusahaan.– Digunakan untuk menilai kelayakan pemberian tambahan

dana atau kredit baru dan memproyeksikan prospek perusahaan di masa datang.

• Pengelompokan rasio keuangan berdasarkan komponen keuangan, antara lain :– Rasio Likuiditas– Rasio Rentabilitas– Rasio Risiko Usaha– Rasio Permodalan– Rasio Efisiensi Usaha

Dasar Teori

• Faktor-Faktor Penilaian Tingkat Kesehatan Bank– Profil Risiko (Risk Profile)– Good Corporate Governance (GCG)– Rentabilitas (Earnings)– Permodalan (Capital)

• Faktor penilaian tingkat kesehatan bank ditetapkan peringkat komposit berdasarkan kerangka analisis yang komprehensif dan terstruktur, antara lain :– Peringkat Komposit 1 sangat sehat– Peringkat Komposit 2 sehat– Peringkat Komposit 3 cukup sehat– Peringkat Komposit 4 kurang sehat– Peringkat Komposit 5 tidak sehat

Dasar Teori

• Decision Support System– Merupakan suatu bagian dari sistem informasi berbasis

komputer yang digunakan untuk pengambilan keputusan dalam suatu organisasi atau perusahaan.

– Problem solver yang dilengkapi kemampuan untuk menghasilkan laporan-laporan yang periodik dan output dari model matematika.

• Tahapan-tahapan dalam decision support system :– Pendefinisian masalah,– Pengumpulan data atau elemen informasi yang relevan,– Pengolahan data menjadi informasi, baik dalam bentuk

laporan grafik maupun tulisan.

Dasar Teori

• Analisa Regresi– Digunakan untuk mencari bagaimana variabel-variabel

bebas dan variabel terkait berhubungan pada hubungan fungsional atau sebab akibat.

– Memiliki variabel prediktor (x) untuk memprediksi nilai variabel independen, dan variabel respons (y) yang dipengaruhi oleh variabel dependen.

– Persamaan analisa regresi :

dengan :Β0 = nilai variabel respons ketika variabel prediktor bernilai 0 (nol)β1, β2,…, βk = parameter model regresi untuk variabel x1, x2, …, xk

Ε = error atau sering disebut residual

Dasar Teori• Regresi Linear VS Regresi Logistik

– Seringkali di dalam penelitian, peneliti ingin memodelkan hubungan antara variabel x (prediktor;bebas) dan y (respon;terikat) dengan menggunakan regresi linear, baik sederhana maupun berganda.

– Apabila variabel respon (y) bertipe data nominal, sedangkan variabel bebas (x) bertipe data interval atau rasio, maka regresi linear dengan metode ordinary least square (OLS) kurang sesuai digunakan.ex : konsumen membeli makanan di restoran berdasarkan penilaian terhadap lokasi, pelayanan, pendapatan, kebersihan, selera dan harga. Terdapat 2 kemungkinan respon, yaitu membeli dan tidak membeli.

– Menurut Kutner *1) terdapat beberapa pelanggaran apabila regresi linear diterapkan pada kasus diatas, antara lain :

• Error dari model regresi yang didapat tidak menyebar normal.• Ragam (variance) dari error tidak homogen.• Pelanggaran bagi batasan nilai duga y (fitted value) adalah bahwa

nilai duga yang dihasilkan dari model regresi linier biasa melebihi rentang 0 s/d 1.

*1) Kutner, M.H., C.J. Nachtsheim dan J. Neter. Applied Linear Regression Models. Fourth Edition. The McGraw-Hill Companies, Inc. Singapore.

Dasar Teori• Regresi Linear VS Regresi Logistik

– Untuk masalah tersebut digunakan metode regresi logistik, dimana regresi logistik dibedakan menjadi 2, yaitu :

• Binary Logistic Regression , digunakan ketika hanya ada 2 kemungkinan variabel respon (y), misal membeli atau tidak.

• Multinomial Logistic Regression , digunakan ketika pada variabel respon (y) terdapat lebih dari 2 kategorisasi.

Dasar Teori

• Regresi Logistik– Bagian dari analisis regresi yang digunakan ketika variabel

dependen (respons) merupakan variabel dikotomi.– Suatu variabel dikotomi hanya terdiri atas dua nilai,yang

mewakili kemunculan atau tidak adanya suatu kejadian yang diberi angka 0 atau 1.

– 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 rasio peluang (odd ratio).

Dasar Teori

• Variabel dependen pada regresi logistik hanya bernilai 0 dan 1, maka nilai prediksi harus dalam range tersebut.

• Nilai probabilitas dari variabel independen mendekati 0 tetapi tidak pernah mencapai 0, dan sebaliknya.

• Sifat seperti ini tidak dapat diakomodasi oleh model regresi linier, dimana hubungan regresi linier walaupun dengan transformasi efek non linier dapat mencapai range 0 dan 1 untuk variabel dependen.

f(z)

0.5

1.0

∞- ∞ 0z

)(11)( ∞−+

=∞e

f

11

1=

+= ∞−e

)(11)( −∞−+

=−∞e

f

01

1=

+= ∞e

Dasar Teori

• Karakteristik Regresi Logistik– Variabel terikat y merupakan variabel biner atau dikotom,

sehingga hasil perhitungan model persamaan regresi logistik memiliki nilai yang berkisar antara 0 – 1.

– Variansi y tidak konstan yang disebabkan nilai variabel terikat y bersifat biner atau dikotom.

– Peubah galat (error) pada regresi logistik tidak terdistribusi secara normal, hal ini dipengaruhi oleh nilai y yang hanya bernilai 0 atau 1.

Dasar Teori

• Metode Maximum Likelihood– Adanya pendugaan koefisien model regresi logistik yang tidak

dapat dilakukan menggunakan metode kuadrat terkecil (ordinary least square).

– Metode kuadrat terkecil mengasumsikan nilai variance error bersifat konstan, sementara pada regresi logistik nilai variance merupakan fungsi dari p, dimana nilai p bervariasi tergantung pada variabel penjelas x.

Dasar Teori

• Principal Component Analysis (PCA)– Merupakan teknik untuk mengekstraksi struktur dari

suatu set data dengan dimensi yang cukup banyak .– Dalam analisis multivariat, PCA dijadikan dasar untuk

melakukan analisis faktor sehingga dapat digunakan untuk mendapatkan variabel baru dalam jumlah yang kecil.

– Dilakukan dengan menggunakan matriks korelasi antar variabel, dimana matriks korelasi ini akan menghasilkan eigenvalue sebagai nilai varian dari komponen pokok yang dihasilkan.

Dasar Teori

• Aplikasi MATLAB– Merupakan suatu bahasa pemrograman tingkat tinggi

yang digunakan untuk komputasi teknis, antara lain :• Pemodelan, simulasi dan pembuatan prototype • Komputasi dan matematika• Analisis data, explorasi, dan visualisasi grafik• Pembuatan graphical user interface (GUI).

• GUI buiDEr (GUIDE)– Manfaat dari GUIDE adalah aplikasi menjadi lebih

mudah dipelajari dan digunakan karena user tidak perlu mengetahui perintah yang ada dan bagaimana perintah itu bekerja.

– Dalam membuat program GUI, MATLAB membuat program aplikasi berupa m-file yang menyediakan kerangka untuk mengontrol GUI.

Metodologi Penelitian

• Tahap Pembelajaran

Metodologi Penelitian

• Tahap Analisa Masalah

Metodologi Penelitian

• Tahap Formulasi ModelVariabel independen :-Capital Adequacy Ratio-Loan to Deposit Ratio-Non Performing Loan-Beban Operasional dengan Pendapatan Operasional-Return On Asset-Return On Equity-Net Interesr Margin

Metodologi Penelitian

• Analisa dan Kesimpulan

Profil Obyek Penelitian

Pemodelan Regresi Logistik

• Untuk dapat memodelkan regresi logistik, syarat yang harus dipenuhi salah satunya adalah variabel independen harus tidak memiliki sifat interdependensi yang menyebabkan multikolinearitas.

HipotesisHO : p = 0H1 : p ≠ 0Dimana p adalah korelasi antara 2 variabel.

Daerah Penolakanp-value < α

Pemodelan Regresi Logistik

• Dari beberapa pengujian terkait interdependensi variabel independen dari trimester I – trimester IV tahun 2009 dan trimester I – trimester IV tahun 2010 didapatkan hasil sebagai berikut :

Principal Component Analysis

• Dari analisa korelasi variabel-variabel independen, terdapat faktor multikolinearitas. Dengan adanya faktor ini maka akan digunakan pengujian analisis komponen pokok (Principal Component Analysis).

• Analisis ini digunakan untuk mengkonversi sebagian besar variabel asli yang saling berkorelasi satu dengan yang lainnya menjadi satu set variabel baru yang lebih kecil dan saling bebas.

Principal Component Analysis

• Banyaknya komponen pokok yang tidak memiliki sifat interdependensi dihitung dari banyaknya eigen value dengan nilai lebih dari 1. Berikut adalah hasil rekapitulasi komponen pokok masing-masing trimester tahun 2009 dan 2010.

Principal Component Analysis

• Nilai koefisien yang telah diketahui pada pengujian PCA, kemudian digunakan untuk menghitung nilai komponen pokok yang selanjutnya akan digunakan dalam pemodelan regresi menggantikan variabel rasio keuangan.

• Score komponen pokok yang dihasilkan akan digunakan sebagai prediktor yang dapat diolah dengan menggunakan metode regresi.

• Nilai koefisien, score komponen pokok, dan eigen value didapatkan dari pengolahan dengan menggunakan Matlab 7.0

Principal Component Analysis

• Data yang dihasilkan dari pengolahan dengan PCA adalah respon berupa tingkat kesehatan dan efisiensi di 40 cabang Bank CIMB Niaga, dimana urutan ordinal masing-masing respon adalah “Sangat Sehat” = 1, “Sehat” = 2, “Cukup Sehat” = 3

Pemodelan Regresi Logistik

• Proses pre-modelling yang telah dilakukan sebelumnya, menghasilkan data yang telah memenuhi persyaratan pemodelan regresi logistik sehingga koefisien dan intercept dari proses pemodelan akan menjadi model regresi logistik.

• Pemodelan regresi logistik data rasio keuangan trimester I -2009 ditunjukkan oleh gambar berikut (pengolahan menggunakan Minitab):

Pemodelan Regresi Logistik

• Hasil dari pemodelan regresi logistik trimester I – IV tahun 2009 dan 2010 menghasilkan koefisien yang tidak signifikan, dimana p-value > α.

• Dari pemodelan regresi logistik yang telah dilakukan, dapat digunakan untuk menghasilkan persamaan regresi logistik dalam bentuk logit P(X) sebagai berikut :

• Persamaan untuk trimester I – 2009 Logit P(X) = α + 0,246616 PC1 + 0,261013 PC2 + 0,351463 PC3

dengan α1 = - 2,03048 dan α2 = - 0,872890• Persamaan untuk trimester II – 2009

Logit P(X) = α - 0,114058 PC1 - 0,126039 PC2

dengan α1 = - 1,55276 dan α2 = - 0,724418• Persamaan untuk trimester I II– 2009

Logit P(X) = α - 0,219481 PC1 - 0,211000 PC2 - 1,17046 PC3

dengan α1 = - 5,45127 dan α2 = - 1,05039• Persamaan untuk trimester I V– 2009

Logit P(X) = α - 0,116010 PC1 - 0,107203 PC2

Pemodelan Regresi Logistik

• Persamaan untuk trimester I tahun 2010 adalah :Logit P(X) = α - 0,156329 PC1 - 0,111271 PC2

dengan α1 = - 1,26313 dan α2 = - 0,524505• Persamaan untuk trimester II tahun 2010 adalah :

Logit P(X) = α + 0,0265292 PC1 - 0,341755 PC2

dengan α1 = - 1,43556 dan α2 = - 0,879889• Persamaan untuk trimester III tahun 2010 adalah :

Logit P(X) = α - 0,247611 PC1 - 0,517593 PC2

dengan α1 = - 0,677961 dan α2 = - 0,0130741• Persamaan untuk trimester IV tahun 2010 adalah :

Logit P(X) = α - 0,168363 PC1 - 0,174719 PC2

dengan α1 = - 1,11667 dan α2 = - 0,199118

Kesimpulan dan Saran

• Kesimpulan1. Pemodelan regresi logistik memerlukan perubahan maupun reduksi variabel rasio

keuangan yang saling berkorelasi (interdependensi), menjadi variabel komponen pokok yang independen dengan menggunakan metode principal component analysis(PCA). Model persamaan regresi logistik dengan variabel komponen pokok yang terbentuk akan dikonversi menjadi variabel rasio keuangan. Koefisien variabel rasio keuangan dalam persamaan regresi logistik menunjukkan tingkat pengaruh suatu variabel rasio keuangan terhadap tingkat kesehatan dan efisiensi Bank CIMB Niaga dalam suatu periode waktu.

2. Pengujian validitas model regresi logistik dilakukan dengan membandingkan model persamaan yang terbentuk pada trimester I sampai dengan IV tahun 2009 dan 2010. Hasil pengujian validitas model regresi logistik menunjukkan bahwa model yang dihasilkan pada periode tahun 2009 dapat digunakan untuk periode waktu 2010, akan tetapi penggunaan model regresi logistik ini memerlukan evaluasi yang berkelanjutan. Pembentukan model regresi logistik dan evaluasi model tersebut harus dilakukan setiap periode waktu untuk mendapatkan model regresi logistik yang lebih baik dan sesuai dengan kondisi pada periode waktu tertentu.

• Saran1. Agar dilakukan monitoring secara berkala terhadap validitas model regresi logistik

dan melakukan pengujian validitas model sehingga model regresi logistik yang terbentuk akan menjadi lebih baik.