MEMPREDIKSI RISIKO KREDIT USAHA KECIL

9.1 Tujuan analisis

Menurut kesepakatan modal Basel II, lembaga keuangan memerlukan tolok ukur kelayakan kredit
yang transparan untuk menyusun sistem pengendalian risikonya, memfasilitasi transfer risiko
melalui transaksi terstruktur dan mematuhi perubahan peraturan. Secara tradisional, menghasilkan
ukuran risiko kredit yang akurat relatif mudah dilakukan untuk perusahaan besar dan pinjaman ritel,
yang mengakibatkan tingginya tingkat transparansi dan likuiditas di pasar transfer risiko untuk kelas
aset ini. Tugasnya jauh lebih sulit bagi usaha kecil dan menengah (UKM).

Penyebab default dapat dilihat sebagai terdiri dari sejumlah komponen: komponen statis, ditentukan
oleh karakteristik UKM; komponen dinamis yang mencakup tren dan kontak UKM dengan bank
selama tahun-tahun yang berbeda; bagian musiman, terkait dengan periode investasi; dan faktor
eksternal yang mencakup jalannya pasar.

Proses penilaian kredit sangat penting bagi bank karena mereka perlu melakukan diskriminasi
terhadap UKM yang baik dan buruk dalam hal kelayakan kredit. Ini adalah contoh klasik informasi
asimetris, di mana bank harus mengungkapkan data tersembunyi tentang pelanggannya. Kontribusi
seminal pada subjek prediksi default adalah Altman (1968) dan Beaver (1966), dan yang lebih baru
termasuk Shumway (2001) dan Chava and Jarrow (2004). Metode statistik untuk mengevaluasi
estimasi probabilitas default dibahas di Sobehart dan Keenan (2001), Engelmann et al. (2003) dan
Stein (2005).

9.2 Deskripsi data

Data yang dipertimbangkan dalam studi kasus ini adalah data tahunan, dari tahun 1996 sampai
2004, pada 1003 perusahaan milik 352 sektor bisnis yang berbeda dari salah satu lembaga
pemeringkat utama untuk UKM di Jerman yang tergabung dalam proyek MUSING Eropa
(www.musing.eu). Kumpulan data terdiri dari variabel respon biner, solvabilitas, dan satu set
variabel penjelas yang diberikan oleh rasio keuangan dan variabel waktu. Secara khusus, kumpulan
data kami terdiri dari dua tabel: salah satu UKM yang baik dan salah satu UKM yang buruk. Yang
terakhir terdiri dari 708 data untuk 236 perusahaan, bekas 2694 data untuk 898 perusahaan. Tabel
menunjukkan ID perusahaan, tahun buku, sektor bisnis, status solvabilitas (0 = solvabilitas; 1 =
insolvensi), dan akhirnya informasi neraca.

Dengan memahami data neraca kami dan bagaimana pembuatannya, kita dapat mendiskusikan
beberapa teknik yang digunakan untuk menganalisis informasi yang ada. Cara utama yang bisa
dilakukan adalah melalui analisis rasio keuangan. Ini biasanya menggunakan rasio untuk
mendapatkan wawasan tentang perusahaan dan operasinya. Dengan menggunakan rasio keuangan
(seperti debt-equity ratio) dapat memberikan gambaran yang lebih baik mengenai kondisi keuangan
perusahaan seiring dengan efisiensi operasionalnya. Penting untuk dicatat bahwa beberapa rasio
akan memerlukan informasi dari lebih dari satu laporan keuangan, seperti dari neraca dan laporan
laba rugi.

Jenis rasio utama yang menggunakan informasi dari neraca adalah rasio kekuatan dan rasio aktivitas
keuangan. Rasio kekuatan keuangan, seperti debt-equity ratio, memberikan informasi seberapa baik
perusahaan dapat memenuhi kewajibannya dan bagaimana hal tersebut diimbangi. Hal ini dapat
memberi investor gambaran tentang bagaimana perusahaan stabil secara finansial dan bagaimana
perusahaan membiayai dirinya sendiri. Rasio aktivitas terutama berfokus pada giro untuk
menunjukkan seberapa baik perusahaan mengelola siklus operasinya. Rasio ini dapat memberikan
wawasan tentang efisiensi operasional perusahaan.

Ada berbagai rasio keuangan individu yang dapat dihitung untuk mempelajari lebih lanjut tentang
perusahaan. Kami menghitung seperangkat 11 rasio keuangan yang digunakan oleh pakar materi
pelajaran:

• Target pemasok. Ini adalah ukuran sementara dari keberlanjutan keuangan yang diungkapkan
pada hari-hari yang mempertimbangkan semua hutang jangka pendek dan menengah serta
hutang lainnya.
• Struktur modal luar. Rasio ini mengevaluasi kemampuan perusahaan untuk menerima bentuk
pembiayaan lainnya di luar pinjaman bank.
• Rasio kas. Hal ini menunjukkan bahwa uang yang dapat dihasilkan sebuah perusahaan terkait
dengan ukurannya.
• Modal diikat. Rasio ini mengevaluasi omset hutang jangka pendek sehubungan dengan
penjualan;
• Rasio Ekuitas. Ini adalah ukuran leverage keuangan perusahaan yang dihitung dengan membagi
ukuran ekuitas tertentu berdasarkan total aset perusahaan.
• Arus kas ke hutang efektif. Rasio ini menunjukkan kas yang dapat dihasilkan perusahaan dalam
kaitannya dengan ukuran dan hutangnya.
• Rasio pendapatan-pendapatan. Ini adalah ukuran efisiensi yang serupa dengan marjin operasi
yang berguna untuk mengukur bagaimana biaya berubah dibandingkan dengan pendapatan.
• Rasio hutang dagang. Ini menunjukkan seberapa sering hutang perusahaan berbalik selama
tahun ini: rasio yang tinggi berarti waktu yang relatif singkat antara pembelian barang dan jasa
dan pembayaran untuk mereka, sementara rasio rendah mungkin merupakan pertanda bahwa
perusahaan memiliki kekurangan uang secara kronis.
• Rasio kewajiban Ini adalah ukuran dari pengaruh keuangan perusahaan yang dihitung dengan
membagi ukuran kotor utang jangka panjang menurut aset perusahaan; Ini menunjukkan berapa
proporsi hutang yang digunakan perusahaan untuk membiayai asetnya.
• Rasio hasil. Ini adalah indikator bagaimana menguntungkan sebuah perusahaan terhadap total
asetnya; Ini memberi gambaran bagaimana manajemen yang efisien menggunakan asetnya
untuk menghasilkan pendapatan.
• Likuiditas rasio. Ini mengukur sejauh mana perusahaan dapat dengan cepat melikuidasi aset dan
mencakup kewajiban jangka pendek, dan oleh karena itu menarik bagi kreditor jangka pendek.

Selanjutnya, kami mempertimbangkan beberapa posisi akun tahunan tambahan, yang distandarisasi
untuk menghindari masalah komputasi dengan rasio sebelumnya:

• Total aset. Ini adalah jumlah aset lancar dan jangka panjang yang dimiliki oleh perusahaan.
• Ekuitas total. Ini mengacu pada total aset dikurangi total kewajiban, dan ini juga disebut
sebagai ekuitas atau nilai bersih atau nilai buku.
• Jumlah kewajiban. Ini mencakup semua kewajiban lancar, hutang jangka panjang, dan
kewajiban lain-lain yang mungkin dimiliki perusahaan.
 • Penjualan. Ini ditunjukkan dengan penjualan total satu tahun.
• Batas pemasukan. Ini sama dengan pendapatan yang dimiliki perusahaan setelah mengurangi
biaya dan pengeluaran dari total pendapatan.

Akhirnya sebuah variabel penting disebut 'creditworthiness'. Indeks berkisar antara 100 sampai 600
poin. Nilai 100 berarti perusahaan itu sangat layak kredit, sedangkan 500 berarti perusahaan
tersebut memiliki masalah pembayaran yang sangat besar, dan 600 berarti perusahaan tersebut
bangkrut.

9.3 Analisis data eksplorasi

Berdasarkan data kami, kami telah menghitung untuk setiap ukuran tendensi keuangan klasik dan
ukuran variabilitas, yang sekarang akan kami rangkum secara ringkas. Variabel respon, solvabilitas,
menunjukkan tingkat insiden yang berbeda selama tahun-tahun yang dipertimbangkan. Secara
khusus, kejadian default masing-masing pada tahun 1996, 1997, 1998, 1999, 2001, 2002, 2003 dan
2004: 38, 64, 19, 12, 24, 39, 44, 16 dan 4. Informasi dirangkum dalam Gambar 9.1 .

Untuk membandingkan variabilitas variabel kuantitatif, kami menghitung koefisien variasi untuk
UKM yang baik (solvabilitas = 1) dan untuk UKM yang buruk (solvabilitas = 0). Beberapa rasio
keuangan menunjukkan tingkat variabilitas yang tinggi. Secara khusus, seperti yang ditunjukkan pada
Gambar 9.2, untuk UKM yang baik, rasio kas, arus kas terhadap rasio hutang, rasio hasil dan rasio
likuiditas yang efektif adalah variabel yang paling banyak. Bagi UKM yang buruk, di sisi lain, rasio
keuangan yang paling bervariasi adalah target hari pemasok, modal mengikat arus kas terhadap
rasio hutang dan hasil yang efektif.

Indeks kelayakan kredit rata-rata untuk UKM yang baik adalah 188,76 dan untuk UKM yang buruk
adalah 597,31. Untuk menilai variabilitas indeks kelayakan kredit, kami menggunakan dalam konteks
yang berbeda kurva ROC yang dijelaskan pada Bagian 5.5. Berdasarkan kurva ROC yang ditunjukkan
pada Gambar 9.3, indeks Gini keseluruhan untuk UKM yang baik adalah 0.1498, dan untuk UKM yang
buruk adalah 0,0082. Ini berarti kelayakan kredit lebih terkonsentrasi di antara UKM yang baik.

Gambar 9.1 Distribusi waktu kalender default.

 9.2 Koefisien variasi untuk UKM yang baik dan buruk.

9.4 Model bangunan

Model penilaian kredit statistik mencoba memprediksi probabilitas peminjam pinjaman atau
peminjam yang ada akan gagal bayar selama horizon waktu tertentu, biasanya satu tahun. Menurut
bank Basel Committee on Banking Supervision (BCBS) bank diminta untuk mengukur probabilitas
default satu tahun untuk perhitungan pemaparan ekuitas pinjaman (lihat BCBS, 2005). Untuk
membangun model penilaian, data historis mengenai kinerja semua pinjaman dalam portofolio
pinjaman harus dianalisis secara statistik untuk menentukan karakteristik peminjam yang berguna
dalam memprediksi apakah suatu pinjaman akan berjalan dengan baik atau buruk. Oleh karena itu,
model yang dirancang dengan baik harus menghasilkan persentase tinggi skor yang lebih tinggi
untuk peminjam yang pinjamannya akan berjalan dengan baik dan persentase yang lebih tinggi dari
skor rendah untuk peminjam yang pinjamannya akan berkinerja buruk. Dengan kata lain model
harus dikalibrasi dengan baik. Hasil model yang dikalibrasi dengan baik - dalam kasus ideal - seperti
banyak yang menyadari default seperti yang diperkirakan oleh model. Secara historis, analisis
diskriminan dan regresi logistik telah menjadi metode yang paling banyak digunakan untuk
membangun sistem penilaian (lihat 1997a, 1997b; Hand et al., 2000, Hand and Henley). Secara
khusus, Altman (1968) adalah orang pertama yang menggunakan model statistik untuk memprediksi
probabilitas default perusahaan yang menghitung z-score menggunakan model diskriminan standar.
Model ini selama bertahun-tahun merupakan salah satu model paling menonjol untuk perhitungan
risiko kredit peminjam dan yang pertama yang bertujuan untuk menilai evaluasi risiko kredit
peminjam bank. Selain metode dasar ini, metode yang lebih akurat seperti regresi logistik, jaringan
syaraf tiruan, metode smoothing nonparametrik dan sistem pakar telah dikembangkan dan sekarang
banyak digunakan untuk tujuan praktis dan teoritis di bidang pengukuran risiko kredit (Hand and
Hanley, 1997a, 1997b ).

Gambar 9.3 Distribusi indeks kelayakan kredit.

Setelah melakukan analisis eksploratori, kami beralih ke analisis multivariat dengan menentukan
model statistik. Kami mencoba menggabungkan semua sinyal dari variabel penjelas yang berbeda
untuk mendapatkan sinyal keseluruhan yang mengindikasikan keandalan masing-masing UKM.
Untuk memilih model, kita harus mengklarifikasi sifat masalah. Jelas bahwa kita memiliki masalah
klasifikasi prediktif, karena variabel responnya bersifat biner dan tujuan kami adalah untuk
memprediksi apakah UKM akan dapat diandalkan atau tidak. Kami akan berkonsentrasi pada regresi
logistik dan klasifikasi pohon, metode yang paling sering digunakan untuk klasifikasi prediktif pada
umumnya, dan penilaian kredit pada khususnya.

Kami memilih untuk menerapkan model regresi logistik dengan menggunakan prosedur seleksi ke
depan dengan tingkat signifikansi 0,05. Untuk memeriksa modelnya, kami mencoba prosedur
stepwise dan prosedur terbelakang dan kemudian memastikan bahwa model yang diperoleh serupa.

Tabel 9.1 menjelaskan model yang diperoleh dengan kedua prosedur tersebut. Kami telah
menggunakan statistik chi-kuadrat skor dalam prosedur ke depan dan statistik Wald chi-squared
dalam prosedur terbelakang.

Untuk memeriksa keseluruhan kualitas model akhir, kami menghitung uji rasio kemungkinan untuk
model akhir terhadap model nol. Karena nilai p yang sesuai dari pengujian lebih rendah dari 0,0001,
hipotesis nol ditolak, menyiratkan bahwa setidaknya satu dari koefisien model pada Tabel 9.1
signifikan.

Untuk hanya tiga variabel penjelas selain durasi waktu kita memperoleh nilai p lebih rendah dari
0,05. Ini berarti bahwa ketiga variabel penjelas yang dipilih dengan menggunakan prosedur stepwise
dikaitkan secara signifikan dengan variabel respon dan berguna untuk menjelaskan apakah UKM
dapat diandalkan (solvabilitas = 0) atau tidak (solvabilitas = 1).

Beralih ke model pohon klasifikasi, kita mulai dengan algoritma CHAID dan ukuran kotor chi kuadrat.
Untuk mendapatkan pohon pelit, kita menggunakan level 0,05 dalam aturan penghentian. Jumlah
variabel pemisah di pohon akhir adalah 4: rasio hasil pc, rasio hutang usaha pc, target hari pemasok
dan modal yang diikat pc.

Kami sekarang melihat model pohon menggunakan algoritma CART dan pengotor Gini. Untuk
pemangkasan, kami menghitung tingkat kesalahan klasifikasi pada keseluruhan kumpulan data
dengan menggunakan parameter hukuman α = 1. Ini dapat dianggap sebagai pilihan default, karena
tidak ada pertimbangan lain. Hasilnya untuk kotoran CART, Chaid dan Gini adalah sama. Pohon
terakhir dilaporkan pada Gambar 9.4. Kami amati itu:

• Untuk 168 UKM dengan rasio hasil pc <-0.00106379, probabilitas rata-rata default adalah
0,35710.
• Untuk 32 UKM dengan rasio hasil pc <-0.00106379, rasio hutang usaha pc> 0,0903383 dan target
hari pemasok> 0,415427, estimasi probabilitas default adalah 0,75.
• Segmen yang dicirikan oleh modal yang diikat pc <0.116338 terdiri dari 651 UKM yang sangat
baik dengan probabilitas default sebesar 0,03994.
 Tabel 9.1 Perkiraan parameter kemungkinan maksimum

Gambar 9.4 Pohon KLasifikasi Akhir

9.5 Perbandingan model

Untuk membantu kami memilih model akhir, kami memperluas analisis kinerja kami untuk
memasukkan kriteria berdasarkan fungsi kerugian. Untuk semua model kami, kami memulai dengan
memisahkan data yang tersedia ke dalam kumpulan data pelatihan, yang berisi 75% pengamatan,
dan kumpulan data validasi, yang berisi 25% sisanya. Kami melakukan ini di stratified wa untuk
mempertahankan proporsi UKM yang baik dan buruk.

Setelah melengkapi setiap model pada kumpulan data pelatihan, kami menggunakannya untuk
mengklasifikasikan pengamatan dalam kumpulan data validasi. Hal ini dilakukan dengan
menghasilkan skor dan kemudian menggunakan batas ambang untuk mengklasifikasikan mereka di
atas ambang batas sebagai solvabilitas = 1 dan yang di bawah ambang batas sebagai solvabilitas = 0.
Akhirnya, setiap model dievaluasi dengan menilai tingkat kesalahan klasifikasi. Dalam hal cut-off kita
memilih p = 0.5 sebagai 'aturan mayoritas' cut-off. Dengan cut-off ini, ternyata pohon klasifikasi
memiliki sensitivitas 0,20, spesifisitas 0,99 dan proporsi klasifikasi yang benar sama dengan 0,89. Ini
dibandingkan dengan 0,09, 0,99 dan 0,87 untuk regresi logistik. Kedua model tersebut sangat dekat
dalam hal kinerja.

Kinerja model, kami menghitung area di bawah kurva konsentrasi (AUC) dan batas kepercayaannya,
dengan menggunakan interval kepercayaan bootstrapped. Tabel 9.2 menunjukkan bahwa model
terbaik dalam istilah AUC adalah regresi logistik. Karena itu, perbedaannya agak sedikit.
 Tabel 9.2 Model Perbandingan

9.6 Ringkasan laporan

1. Konteks. Studi kasus ini berkaitan dengan penilaian kredit untuk UKM berdasarkan data neraca.
Ini juga dapat diterapkan pada situasi di mana tujuannya adalah untuk menilai perilaku masa lalu
seseorang atau perusahaan untuk merencanakan tindakan di masa depan pada individu atau
perusahaan yang sama. Skor dapat digunakan untuk mengevaluasi keandalan kredit atau, sama
halnya, loyalitas pelanggan. Selanjutnya, bisa digunakan untuk memilih klien agar bisa
memaksimalkan laba atas investasi.
2. Tujuan. Tujuan dari analisis ini adalah untuk membangun sebuah aturan penilaian yang
memasukkan nilai numerik ke setiap UKM.
3. Organisasi data. Data disusun berdasarkan rasio keuangan. Variabel targetnya adalah biner.
4. Analisis data eksplorasi. Tahap ini dilakukan dengan menggunakan pengukuran korelasi.
5. Spesifikasi model. Tujuan analisis menyarankan model prediktif, dapat menemukan aturan yang
membagi debitur menjadi kategori homogen dan kemudian melampirkan pada setiap kategori
skor yang dinyatakan sebagai probabilitas reliabilitas.
6. Model perbandingan. Modelnya dibandingkan dengan menggunakan kriteria berbasis statistik
atau penilaian. Perbandingan goodness-of-fit menunjukkan bahwa regresi logistik paling baik
dilakukan, diikuti oleh pohon klasifikasi.
7. Model interpretasi. Berdasarkan perbandingan model, nampaknya regresi logistik melakukan
pekerjaan terbaik untuk masalah ini. Namun model klasifikasi pohon tidak begitu inferior pada
kumpulan data yang dipertimbangkan. Pilihannya juga harus bergantung pada bagaimana
hasilnya akan digunakan. Jika pengambil keputusan mencari aturan hierarki 'bagaimana jika',
yang mengklasifikasikan klien ke dalam profil kelas risiko, maka klasifikasi pohon sangat baik. Di
sisi lain, jika mereka menginginkan aturan analitik, yang memberi bobot dampak pada masing-
masing variabel penjelas (diukur dengan koefisien regresi atau rasio odds), maka regresi logistik
lebih baik