847 2003 2 PB PDF

Setiawan dkk.
/Model Behavioural Scoring pada Bisnis Pembiayaan Konsumen Menggunakan Analisis Daya Tahan (Studi Kasus: PT Karya Besar
Cabang Bogor)
Model Behavioural Scoring pada Bisnis Pembiayaan Konsumen 1. Pendahuluan Penggunaan application scoring berguna untuk
Menggunakan Analisis Daya Tahan mempercepat mengambil keputusan layak
Pertumbuhan Ekonomi Indonesia yang tidaknya seorang calon debitur memperoleh
(Studi Kasus: PT Karya Besar Cabang Bogor) semakin membaik dimana pada tahun 2012 pinjaman, mengurangi biaya proses
mencatat pertumbuhan ekonomi sebesar penyaluran kredit, serta meningkatkan
Andi Setiawan, Hermanto Siregar, Tubagus N. A. Maulana 6.23% (BPS 2013). Pertumbuhan ekonomi konsistensi penilaian debitur (Avery et al 1996).
yang terjaga baik tersebut membuat konsumsi Risiko gagal bayar selalu dihadapi bagi setiap
Program Pascasarjana Manajemen dan Bisnis Institut Pertanian Bogor dalam negeri terus meningkat, tidak terkecuali kreditur dimana pihak debitur melakukan
juga pada peningkatan konsumsi otomotif wanprestasi terhadap kewajibannya membayar
khususnya motor sebagai alternatif solusi hutang berikut bunganya. Pengelolaan account
transportasi masyarakat. Berdasarkan data bagi pihak kreditur menjadi salah satu proses
Asosiasi Industri Sepeda Motor Indonesia kunci untuk meminimalkan risiko gagal bayar.
(AISI) tercatat pertumbuhan penjualan sepeda Salah satu cara yang efektif dalam hal
motor di Indonesia dari 2009 hingga 2012 penanganan account adalah dengan cara
mencapai 20%. Besarnya penjualan sepeda melakukan behavioural scoring. Behavioural scoring
Abstrak. Kompetisi dalam industry jasa keuangan mendorong peningkatan risiko kredit. PT. Karya Besar sebagai
motor di atas membuat permintaan akan jasa mampu memetakan konsumen berdasarkan
perusahaan jasa keuangan harus mengelola risiko kreditnya secara efektif untuk meminimalkan tingkat non
pembiayaan konsumen yang memberikan tingkat risiko terhadap gagal bayar berdasarkan
perfoming loan (NPL). Penelitian ini bertujuan untuk mengidentifikasi variabel yang signifikan mempengaruhi risiko
fasilitas kredit dalam pembelian sepeda motor perilaku pembayaran selama masa kredit.
kredit, mengukur potensi risiko kredit berdasarkan model behavioural scoring. dan mengembangkan strategi
ikut meningkat. Stepanova dan Thomas (2001) menerapkan
pengelolaan account secara efektif dan efisien. Peluang gagal bayar diprediksi dengan model behavioural scoring yang
behavioural scoring dengan menggunakan analisa
menggunakan nalisa daya tahan. Penelitian ini menggunakan kombinasi antara variabel yang bergantung dengan
Pembiayaan konsumen tumbuh rata-rata daya tahan untuk memberikan tingkat risiko
waktu dan variabel yang statis dalam model cox proportional hazard. Variabel Delinquency, down payment,
25.36% per tahun dari tahun 2006 hingga yang lebih terpadu di setiap umur pinjaman.
installment to income ratio, dan balance hutang signifikan secara statistik dalam model behavioural scoring. Strategi
2011(Bapepam 2012). Peningkatan terhadap PT. Karya Besar sebagai perusahaan
pengelolaan account yang efektif dan efisien akan dikembangkan berdasarkan model behavioural scoring. Hasil
permintaan jasa pembiayaan khususnya pembiayaan konsumen untuk produk sepeda
simulasi penerapan model behavioural scoring menunjukkan penurunan tingkat NPL dan biaya operasional
pembiayaan konsumen mengakibatkan motor memiliki risiko gagal bayar yang
persaingan yang cukup ketat antar perusahaan tentunya berpotensi sebagai kerugian bagi
Kata kunci : Cox Proportional Hazard, Daya Tahan, Jasa Keuangan, Non Perfoming Loan, Risiko Kredit
pembiayaan konsumen sehingga proses kredit perusahaan. Penelitian ini dimaksudkan untuk
pun semakin mudah (Nyoman 2011). melakukan analisa terhadap suatu model
Yuendro(2007) menjelaskan Semakin setelah fasilitas kredit diberikan yaitu behavioural
Abstract. Competition in financial service industry push the increasing of credit risk. PT. Karya Besar as a financial
ting ginya persaingan secara langsung scoring. Hasil model ini akan menjadi panduan
service company has to manage the credit risk to efectively minimize non perfoming loan. The research aims to identify
berdampak pada peningkatan intensitas risiko dalam pengelolaan account yang efisien dan
variables that have significant influence on the credit risk, to measure the potential of credit risk based on behavioural
kredit.Budaya manajemen risiko sangat efektif dengan memberikan perlakuan yang
scoring model, and to develop effective and efficient account management strategies. Probability of default is predicted
penting untuk membentuk institusi keuangan tepat sesuai tingkat risiko.
with behavioural scoring model using survival analysis. This research propose combination of time dependent covariates
yang tangguh (Akhter 2010). David (2006)
and static covariate in cox proportional hazard model. Delinquency, down payment, installment to income ratio, and
menyatakan bahwa tantangan bagi para top Berdasarkan uraian di atas pelaksanaan
balance are statistically significant default predictor in behavioural scoring model. Effective and efficient account
executives untuk mendorong budaya di bank penelitian ini bertujuan untuk mengidentifikasi
management strategies will develop based on behavioural scoring model. Simulation result of behavioural scoring model
baik kebijakan, sikap terhadap kuantifikasi variabel pola perilaku pembayaran yang
implementation show reducing Non perfoming loan and operational cost.
risiko, dan sistem yang membangun berpengaruh terhadap risiko gagal bayar,
keseimbangan yang tepat antara penilaian menilai tingkat risiko konsumen berdasarkan
Keyword : Cox Proportional Hazard, Credit Risk, Financial Service, Non Perfoming Loan, Survival
subjektif dan objektif perhitungan risiko variabel pola perilaku melalui behavioural scoring,
dalam mengambil keputusan. dan mengembangkan strategi penanganan
account yang efektif dan efisien berdasakan
Peran manajemen risiko di PT. Karya Besar tingkat risikonya.
sebagai pengelola risiko sebuah perusahaan
sangat penting unuk mengembangkan sistem 2. Pengembangan Hipotesis
yang berguna meminimalkan risiko gagal
bayar secara efisien. Sistem penyaringan 2.1. Risiko Kredit
konsumen dalam proses akuisisi kredit
Received: 8 September 2013, Revision: 9 Desember 2013, Accepted: 14 Maret 2014
Print ISSN: 1412-1700; Online ISSN: 2089-7928. DOI: http://dx.doi.org/10.12695/jmt.2014.13.1.3 seringkali digunakan melalui metode application Byrnes et al. (2012) menyatakan risiko kredit
Copyright@2014. Published by Unit Research and Knowledge, School of Business and Management - Institut Teknologi Bandung (SBM-ITB)
scoring. adalah risiko kehilangan piutang beserta
Jurnal Jurnal
40 Manajemen Teknologi 41 Manajemen Teknologi
Vol.13 | No.1 | 2014 Vol.13 | No.1 | 2014
Setiawan dkk./Model Behavioural Scoring pada Bisnis Pembiayaan Konsumen Menggunakan Analisis Daya Tahan (Studi Kasus: PT Karya Besar
Cabang Bogor)
Model Behavioural Scoring pada Bisnis Pembiayaan Konsumen 1. Pendahuluan Penggunaan application scoring berguna untuk
Menggunakan Analisis Daya Tahan mempercepat mengambil keputusan layak
Pertumbuhan Ekonomi Indonesia yang tidaknya seorang calon debitur memperoleh
(Studi Kasus: PT Karya Besar Cabang Bogor) semakin membaik dimana pada tahun 2012 pinjaman, mengurangi biaya proses
mencatat pertumbuhan ekonomi sebesar penyaluran kredit, serta meningkatkan
Andi Setiawan, Hermanto Siregar, Tubagus N. A. Maulana 6.23% (BPS 2013). Pertumbuhan ekonomi konsistensi penilaian debitur (Avery et al 1996).
yang terjaga baik tersebut membuat konsumsi Risiko gagal bayar selalu dihadapi bagi setiap
Program Pascasarjana Manajemen dan Bisnis Institut Pertanian Bogor dalam negeri terus meningkat, tidak terkecuali kreditur dimana pihak debitur melakukan
juga pada peningkatan konsumsi otomotif wanprestasi terhadap kewajibannya membayar
khususnya motor sebagai alternatif solusi hutang berikut bunganya. Pengelolaan account
transportasi masyarakat. Berdasarkan data bagi pihak kreditur menjadi salah satu proses
Asosiasi Industri Sepeda Motor Indonesia kunci untuk meminimalkan risiko gagal bayar.
(AISI) tercatat pertumbuhan penjualan sepeda Salah satu cara yang efektif dalam hal
motor di Indonesia dari 2009 hingga 2012 penanganan account adalah dengan cara
mencapai 20%. Besarnya penjualan sepeda melakukan behavioural scoring. Behavioural scoring
Abstrak. Kompetisi dalam industry jasa keuangan mendorong peningkatan risiko kredit. PT. Karya Besar sebagai
motor di atas membuat permintaan akan jasa mampu memetakan konsumen berdasarkan
perusahaan jasa keuangan harus mengelola risiko kreditnya secara efektif untuk meminimalkan tingkat non
pembiayaan konsumen yang memberikan tingkat risiko terhadap gagal bayar berdasarkan
perfoming loan (NPL). Penelitian ini bertujuan untuk mengidentifikasi variabel yang signifikan mempengaruhi risiko
fasilitas kredit dalam pembelian sepeda motor perilaku pembayaran selama masa kredit.
kredit, mengukur potensi risiko kredit berdasarkan model behavioural scoring. dan mengembangkan strategi
ikut meningkat. Stepanova dan Thomas (2001) menerapkan
pengelolaan account secara efektif dan efisien. Peluang gagal bayar diprediksi dengan model behavioural scoring yang
behavioural scoring dengan menggunakan analisa
menggunakan nalisa daya tahan. Penelitian ini menggunakan kombinasi antara variabel yang bergantung dengan
Pembiayaan konsumen tumbuh rata-rata daya tahan untuk memberikan tingkat risiko
waktu dan variabel yang statis dalam model cox proportional hazard. Variabel Delinquency, down payment,
25.36% per tahun dari tahun 2006 hingga yang lebih terpadu di setiap umur pinjaman.
installment to income ratio, dan balance hutang signifikan secara statistik dalam model behavioural scoring. Strategi
2011(Bapepam 2012). Peningkatan terhadap PT. Karya Besar sebagai perusahaan
pengelolaan account yang efektif dan efisien akan dikembangkan berdasarkan model behavioural scoring. Hasil
permintaan jasa pembiayaan khususnya pembiayaan konsumen untuk produk sepeda
simulasi penerapan model behavioural scoring menunjukkan penurunan tingkat NPL dan biaya operasional
pembiayaan konsumen mengakibatkan motor memiliki risiko gagal bayar yang
persaingan yang cukup ketat antar perusahaan tentunya berpotensi sebagai kerugian bagi
Kata kunci : Cox Proportional Hazard, Daya Tahan, Jasa Keuangan, Non Perfoming Loan, Risiko Kredit
pembiayaan konsumen sehingga proses kredit perusahaan. Penelitian ini dimaksudkan untuk
pun semakin mudah (Nyoman 2011). melakukan analisa terhadap suatu model
Yuendro(2007) menjelaskan Semakin setelah fasilitas kredit diberikan yaitu behavioural
Abstract. Competition in financial service industry push the increasing of credit risk. PT. Karya Besar as a financial
ting ginya persaingan secara langsung scoring. Hasil model ini akan menjadi panduan
service company has to manage the credit risk to efectively minimize non perfoming loan. The research aims to identify
berdampak pada peningkatan intensitas risiko dalam pengelolaan account yang efisien dan
variables that have significant influence on the credit risk, to measure the potential of credit risk based on behavioural
kredit.Budaya manajemen risiko sangat efektif dengan memberikan perlakuan yang
scoring model, and to develop effective and efficient account management strategies. Probability of default is predicted
penting untuk membentuk institusi keuangan tepat sesuai tingkat risiko.
with behavioural scoring model using survival analysis. This research propose combination of time dependent covariates
yang tangguh (Akhter 2010). David (2006)
and static covariate in cox proportional hazard model. Delinquency, down payment, installment to income ratio, and
menyatakan bahwa tantangan bagi para top Berdasarkan uraian di atas pelaksanaan
balance are statistically significant default predictor in behavioural scoring model. Effective and efficient account
executives untuk mendorong budaya di bank penelitian ini bertujuan untuk mengidentifikasi
management strategies will develop based on behavioural scoring model. Simulation result of behavioural scoring model
baik kebijakan, sikap terhadap kuantifikasi variabel pola perilaku pembayaran yang
implementation show reducing Non perfoming loan and operational cost.
risiko, dan sistem yang membangun berpengaruh terhadap risiko gagal bayar,
keseimbangan yang tepat antara penilaian menilai tingkat risiko konsumen berdasarkan
Keyword : Cox Proportional Hazard, Credit Risk, Financial Service, Non Perfoming Loan, Survival
subjektif dan objektif perhitungan risiko variabel pola perilaku melalui behavioural scoring,
dalam mengambil keputusan. dan mengembangkan strategi penanganan
account yang efektif dan efisien berdasakan
Peran manajemen risiko di PT. Karya Besar tingkat risikonya.
sebagai pengelola risiko sebuah perusahaan
sangat penting unuk mengembangkan sistem 2. Pengembangan Hipotesis
yang berguna meminimalkan risiko gagal
bayar secara efisien. Sistem penyaringan 2.1. Risiko Kredit
konsumen dalam proses akuisisi kredit
Received: 8 September 2013, Revision: 9 Desember 2013, Accepted: 14 Maret 2014
Print ISSN: 1412-1700; Online ISSN: 2089-7928. DOI: http://dx.doi.org/10.12695/jmt.2014.13.1.3 seringkali digunakan melalui metode application Byrnes et al. (2012) menyatakan risiko kredit
Copyright@2014. Published by Unit Research and Knowledge, School of Business and Management - Institut Teknologi Bandung (SBM-ITB)
scoring. adalah risiko kehilangan piutang beserta
Jurnal Jurnal
Vol.13 | No.1 | 2014 Vol.13 | No.1 | 2014
Setiawan dkk./Model Behavioural Scoring pada Bisnis Pembiayaan Konsumen Menggunakan Analisis Daya Tahan (Studi Kasus: PT Karya Besar Setiawan dkk./Model Behavioural Scoring pada Bisnis Pembiayaan Konsumen Menggunakan Analisis Daya Tahan (Studi Kasus: PT Karya Besar
Cabang Bogor) Cabang Bogor)
bunganya dikarenakan debitur gagal membayar S(t) =P(T >t) = 1- F(t) Stepanova dan Thomas (2001) melakukan Pemodelan behavioural scoring dilakukan dengan
pinjamannya. Atta dan Shammot (2011) dimana analisa model behaviour scoring dengan menggunakan metode model analisa daya
menyatakan bahwa Institusi keuangan F(t) = P(T≤t) pendekatan analisan daya tahan menggunakan tahan khususnya model regresi hazard
dihadapi dengan risiko dan pendapatan dalam regresi Cox terhadap 11.500 konsumen institusi proporsional dengan time dependent covariates.
bentuk yang berbeda di waktu yang sama Salah satu model yang paling sering digunakan keuangan di UK. Pengembangan model Model regresi hazard proporsional menduga
sehingga risiko kredit adalah salah satu risiko berdasarkan analisis daya tahan adalah model behaviour scoring dilakkan dengan melihat probability default pada setiap usia pinjaman t
yang paling penting dihadapi oleh intitusi regresi hazard proporsional yang mana model perilaku pembayaran selama 36 bulan. Variabel (dalam bulanan) serta melihat variabel bebas
keuangan. Onyeaghala (2003) menyatakan ini mencoba menduga kapan akan terjadi default keterlambatan pembayaran dan status yang berpengaruh signifikan terhadap tingkat
institusi keuangan sangat membutuhkan atau berapa lama suatu individu akan bertahan. keterlambatan signifikan dalam model behaviour risiko di setiap umur pinjaman.
penilaian risiko kredit yang mana mengukur Jika h(t) adalah fungsi hazard, maka fungsi scoring.
potensi debitur gagal membayar hutangnya hazard adalah sebagai berikut: Kelebihan metode hazard proporsional adalah
sesuai jadwal yang telah ditentukan. 3. Metode Penelitian model ini mampu melihat hubungan variabel
h(t)=h0 (t) exp (X â) bebas dengan waktu daya tahan sehingga dapat
2.2. Behavioural Scoring Penelitian ini dilaksanakan selama 2 bulan dari menilai risiko di setiap umur pinjaman. Model
dimana h0 (t) adalah baseline hazard rate yang April - Mei 2013 di PT. Karya Besar Cabang operasional dalam penelitian ini sebagai
Setelah sebuah kredit diterima, pihak kreditur mengukur efek waktu terhadap tingkat hazard Bogor sebagai perusahaan pembiayaan untuk berikut:
tertarik untuk memonitor perfoma dan untuk individu-individu yang memiliki nilai produk sepeda motor baru. Penelitian ini h(t)=h 0 (t)exp(â 1 DP+â 2 Ever30+â 3 OT+â 4
perilaku konsumen. Skor terhadap perilaku variabel bebas nol. X menyatakan vektor dilaksanakan selama 2 bulan dari April - Mei IIR+â5LTVt+â6 C1t)
dibangun menggunakan informasi dari variabel bebas yang yang mempengaruhi 2013 di PT. Karya Besar Cabang Bogor
kegiatan konsumen, pembayaran, dan lain-lain tingkat hazard dan â adalah koefisien dari sebagai perusahaan pembiayaan untuk produk Variabel yang digunakan sebagai analisa
yang mana tercatat setiap bulan. Pihak kreditur variabel bebas. Chancharat et al. (2007) sepeda motor baru. Analisis deskriptif behavioural scoring dengan model proporsional
berharap dapat memprediksi jumlah menyatakan ketika model proporsional hazard dilakukan untuk melihat pola pemusatan dari hazard terdiri dari dependent variable dan
pembayaran akan datang atau frekuensi melibatkan variabel bebas yang terikat dengan objek penelitian serta deskriptif mengenai pola independent variable, dimana secara detail pada
pembelian berdasarkan perilaku yang paling waktu dan nilainya berubah setiap waktu (time transaksi bayar konsumen serta Tabel 1.
terkini. Strategi-strategi account management dependent covariates), maka model proporsional kecenderungan usia pinjaman yang mengalami
seperti kampanye marketing atau perubahan hazard menjadi sebagai berikut. default. Analisa deskriptif berguna untuk
batas kredit didasarkan oleh behavioural scoring memberikan pemahaman awal terhadap
(Stepanova dan Thomas, 2001). Thomas, Ho, h(t)=h0 (t) exp (X(t) â) independent dan dependent variables yang
dan Scherer (2001) menyatakan behavioural digunakan dalam model.
scoring adalah cara untuk memperbaharui 2.4. Kajian Penelitian Terdahulu
penilaian terhadap risiko kredit berdasarkan Tabel 1. Deskripsi Variabel
kualitas pembayaran dan transaksi konsumen Chancharat et al. (2007) mengidentifikasi
terbaru. kemungkinan kelangsungan hidup perusahaan
dalam jangka waktu tertentu berdasarkan
2.3. Analisa Model Daya Tahan keadaan keuangan perusahaan dan meneliti
efek dari rasio keuangan, variabel berbasis
Kleinbaum & Klein (2005) menyatakan bahwa pasar (excess return) dan variabel spesifik
analisa daya tahan adalah kumpulan metode perusahaan (usia dan skala perusahaan) selama
statistika untuk analisa data ketika outcome periode 1989 sampai 2005 pada perusahaan-
variable yang diamati adalah waktu dari awal perusahaan yang terdaftar di Australian Stock
observasi hingga suatu kejadian yang menjadi Exchange (ASX). Penelitian ini menghasilakan
perhatian terjadi. Analisa daya tahan selalu financial distress model yang dilakukan dengan
terkait dengan variable waktu yang biasa disebut teknik analisa daya tahan dalam bentuk Cox
durasi daya tahan (T) yang berarti bahwa waktu Proportional Hazard. Hasil penelitian ini
dimana objek pengamatan atau individu dapat menyatakan penggunaan rasio keuangan,
bertahan. Pendekatan kuantitatif untuk variabel berbasis pasar (excess return), dan
menggambarkan sebaran daya tahan yaitu ukuran perusahaan sebagai prediktor yang
fungsi daya tahan yang dinotasikan dengan S(t), signifikan menjelaskan financial distress. Namun
yang artinya peluang seorang individu dapat umur perusahaan kurang signifikan dalam
bertahan lebih dari suatu waktu tertentu t . menjelaskan kesulitan keuangan.
Jurnal Jurnal
Vol.13 | No.1 | 2014 Vol.13 | No.1 | 2014
bunganya dikarenakan debitur gagal membayar S(t) =P(T >t) = 1- F(t) Stepanova dan Thomas (2001) melakukan Pemodelan behavioural scoring dilakukan dengan
pinjamannya. Atta dan Shammot (2011) dimana analisa model behaviour scoring dengan menggunakan metode model analisa daya
menyatakan bahwa Institusi keuangan F(t) = P(T≤t) pendekatan analisan daya tahan menggunakan tahan khususnya model regresi hazard
dihadapi dengan risiko dan pendapatan dalam regresi Cox terhadap 11.500 konsumen institusi proporsional dengan time dependent covariates.
bentuk yang berbeda di waktu yang sama Salah satu model yang paling sering digunakan keuangan di UK. Pengembangan model Model regresi hazard proporsional menduga
sehingga risiko kredit adalah salah satu risiko berdasarkan analisis daya tahan adalah model behaviour scoring dilakkan dengan melihat probability default pada setiap usia pinjaman t
yang paling penting dihadapi oleh intitusi regresi hazard proporsional yang mana model perilaku pembayaran selama 36 bulan. Variabel (dalam bulanan) serta melihat variabel bebas
keuangan. Onyeaghala (2003) menyatakan ini mencoba menduga kapan akan terjadi default keterlambatan pembayaran dan status yang berpengaruh signifikan terhadap tingkat
institusi keuangan sangat membutuhkan atau berapa lama suatu individu akan bertahan. keterlambatan signifikan dalam model behaviour risiko di setiap umur pinjaman.
penilaian risiko kredit yang mana mengukur Jika h(t) adalah fungsi hazard, maka fungsi scoring.
potensi debitur gagal membayar hutangnya hazard adalah sebagai berikut: Kelebihan metode hazard proporsional adalah
sesuai jadwal yang telah ditentukan. 3. Metode Penelitian model ini mampu melihat hubungan variabel
h(t)=h0 (t) exp (X â) bebas dengan waktu daya tahan sehingga dapat
2.2. Behavioural Scoring Penelitian ini dilaksanakan selama 2 bulan dari menilai risiko di setiap umur pinjaman. Model
dimana h0 (t) adalah baseline hazard rate yang April - Mei 2013 di PT. Karya Besar Cabang operasional dalam penelitian ini sebagai
Setelah sebuah kredit diterima, pihak kreditur mengukur efek waktu terhadap tingkat hazard Bogor sebagai perusahaan pembiayaan untuk berikut:
tertarik untuk memonitor perfoma dan untuk individu-individu yang memiliki nilai produk sepeda motor baru. Penelitian ini h(t)=h 0 (t)exp(â 1 DP+â 2 Ever30+â 3 OT+â 4
perilaku konsumen. Skor terhadap perilaku variabel bebas nol. X menyatakan vektor dilaksanakan selama 2 bulan dari April - Mei IIR+â5LTVt+â6 C1t)
dibangun menggunakan informasi dari variabel bebas yang yang mempengaruhi 2013 di PT. Karya Besar Cabang Bogor
kegiatan konsumen, pembayaran, dan lain-lain tingkat hazard dan â adalah koefisien dari sebagai perusahaan pembiayaan untuk produk Variabel yang digunakan sebagai analisa
yang mana tercatat setiap bulan. Pihak kreditur variabel bebas. Chancharat et al. (2007) sepeda motor baru. Analisis deskriptif behavioural scoring dengan model proporsional
berharap dapat memprediksi jumlah menyatakan ketika model proporsional hazard dilakukan untuk melihat pola pemusatan dari hazard terdiri dari dependent variable dan
pembayaran akan datang atau frekuensi melibatkan variabel bebas yang terikat dengan objek penelitian serta deskriptif mengenai pola independent variable, dimana secara detail pada
pembelian berdasarkan perilaku yang paling waktu dan nilainya berubah setiap waktu (time transaksi bayar konsumen serta Tabel 1.
terkini. Strategi-strategi account management dependent covariates), maka model proporsional kecenderungan usia pinjaman yang mengalami
seperti kampanye marketing atau perubahan hazard menjadi sebagai berikut. default. Analisa deskriptif berguna untuk
batas kredit didasarkan oleh behavioural scoring memberikan pemahaman awal terhadap
(Stepanova dan Thomas, 2001). Thomas, Ho, h(t)=h0 (t) exp (X(t) â) independent dan dependent variables yang
dan Scherer (2001) menyatakan behavioural digunakan dalam model.
scoring adalah cara untuk memperbaharui 2.4. Kajian Penelitian Terdahulu
penilaian terhadap risiko kredit berdasarkan Tabel 1. Deskripsi Variabel
kualitas pembayaran dan transaksi konsumen Chancharat et al. (2007) mengidentifikasi
terbaru. kemungkinan kelangsungan hidup perusahaan
dalam jangka waktu tertentu berdasarkan
2.3. Analisa Model Daya Tahan keadaan keuangan perusahaan dan meneliti
efek dari rasio keuangan, variabel berbasis
Kleinbaum & Klein (2005) menyatakan bahwa pasar (excess return) dan variabel spesifik
analisa daya tahan adalah kumpulan metode perusahaan (usia dan skala perusahaan) selama
statistika untuk analisa data ketika outcome periode 1989 sampai 2005 pada perusahaan-
variable yang diamati adalah waktu dari awal perusahaan yang terdaftar di Australian Stock
observasi hingga suatu kejadian yang menjadi Exchange (ASX). Penelitian ini menghasilakan
perhatian terjadi. Analisa daya tahan selalu financial distress model yang dilakukan dengan
terkait dengan variable waktu yang biasa disebut teknik analisa daya tahan dalam bentuk Cox
durasi daya tahan (T) yang berarti bahwa waktu Proportional Hazard. Hasil penelitian ini
dimana objek pengamatan atau individu dapat menyatakan penggunaan rasio keuangan,
bertahan. Pendekatan kuantitatif untuk variabel berbasis pasar (excess return), dan
menggambarkan sebaran daya tahan yaitu ukuran perusahaan sebagai prediktor yang
fungsi daya tahan yang dinotasikan dengan S(t), signifikan menjelaskan financial distress. Namun
yang artinya peluang seorang individu dapat umur perusahaan kurang signifikan dalam
bertahan lebih dari suatu waktu tertentu t . menjelaskan kesulitan keuangan.
Jurnal Jurnal
Vol.13 | No.1 | 2014 Vol.13 | No.1 | 2014
Tabel 1. Deskripsi Variabel (sambungan) 4. Hasil dan Pembahasan Gambar 2 menunjukkan frekuensi kumulatif
relatif dan pertumbuhan debitur macet
4.1. Eksplorasi Data terhadap waktu pinjaman. Berdasarkan
Gambar 2 menjelaskan bahwa kejadian
Penelitian ini menggunakan kasus cabang macetnya konsumen lebih besar pada awal-
Bogor dengan analisa menggunakan data awal masa pinjaman dimana 65% debitur
penjualan di tahun 2010. Persentase konsumen macet di tahun pertama masa peminjaman.
yang membayar kreditnya dengan lancar Eksplorasi untuk masing-masing pengubah
sebesar 83.06% sedangkan konsumen yang penjelas dalam model analisa daya tahan
macet sebesar 16.94%. Konsumen macet digunakan untuk melihat secara deskriptif pola
adalah jika konsumen telat membayar lebih dari masing-masing pengubah penjelas terhadap
60 hari ataupun mengalami penyitaan barang tingkat kemacetan pembayaran.
jaminan.
Berdasarkan model proportional hazard yang

dibangun di atas maka hipotesis yang muncul
adalah sebagai berikut,
1.H0 :â1 = 0 vs H1 : â1 ≠0
2.H0 : â2 = 0 vs H1 : â2 ≠0
3.H0 : â3 = 0 vs H1 : â3 ≠0
4. H0 : â4 = 0 vs H1 : â4 ≠0 Gambar 2. Frekuensi Kumulatif Relatif dan Pertumbuhan Debitur Macet terhadap Waktu
5. H0 : â5 = 0 vs H1 : â5 ≠0
6. H0 : â6= 0 vs H1 : â6 ≠0 Mayoritas konsumen yaitu sebesar 72% Berdasarkan Gambar 3d ternyata konsumen
membayar down payment (DP) kurang dari 5%. yang pernah tidak tepat waktu dalam
Pengujian hipotesisi dilakukan dengan uji Berdasarkan Gambar 3a terlihat bahwa membayar 3 angsuran pertamanya lebih
parsial menggunakan uji Wald dimana jika p- persentase konsumen macet terbesar pada DP berisiko dimana sebesar 30% mengalami gagal
value < 0.05 maka tolak H0. Pembuatan model kurang dari 5%. Persentase debitur macet bayar.
hazard proporsional beserta pengujian terlihat semakin kecil seiring membesarnya
hipotesis akan mengunakan perangkat lunak down payment. Sebagian besar debitur yaitu 48% Gambar 3e memperlihatkan distribusi
SAS. Alur penelitian secara detail terlihat pada memiliki installment to income ratio (IIR) antara 10 frekuensi keterlamabatan pembayaran antara
Gambar 1. hing ga 20 persen dimana IIR ini 1-30 hari debitur sampai kreditnya mengalami
menggambarkan sebarapa besar beban gagal bayar atau masa pengamatan selama 24
angsuran yang harus dibayar dibanding bulan. Debitur yang pernah terlambat
penghasilannya per bulan. Gambar 3b pembayaran 1-30 hari sebanyak 1- 5 kali
memperlihatkan bahwa IIR lebih dari 40% memiliki persentase macet pembayaran
memiliki persentase gagal bayar sebesar 20%. sebesar 41%. Gambar 3f menjelaskan bahwa
Gambar 3c dapat terlihat bahwa sebesar 96 % 60% debitur macet ketika sisa pokok
dari debitur yang telat membayar lebih dari 30 hutangnya masih 80-100% dari pokok hutang
hari dalam 3 angsuran pertama mengalami awal.
gagal bayar.
Gambar 1. Alur Penelitian
Jurnal Jurnal
Vol.13 | No.1 | 2014 Vol.13 | No.1 | 2014
Tabel 1. Deskripsi Variabel (sambungan) 4. Hasil dan Pembahasan Gambar 2 menunjukkan frekuensi kumulatif
relatif dan pertumbuhan debitur macet
4.1. Eksplorasi Data terhadap waktu pinjaman. Berdasarkan
Gambar 2 menjelaskan bahwa kejadian
Penelitian ini menggunakan kasus cabang macetnya konsumen lebih besar pada awal-
Bogor dengan analisa menggunakan data awal masa pinjaman dimana 65% debitur
penjualan di tahun 2010. Persentase konsumen macet di tahun pertama masa peminjaman.
yang membayar kreditnya dengan lancar Eksplorasi untuk masing-masing pengubah
sebesar 83.06% sedangkan konsumen yang penjelas dalam model analisa daya tahan
macet sebesar 16.94%. Konsumen macet digunakan untuk melihat secara deskriptif pola
adalah jika konsumen telat membayar lebih dari masing-masing pengubah penjelas terhadap
60 hari ataupun mengalami penyitaan barang tingkat kemacetan pembayaran.
jaminan.
Berdasarkan model proportional hazard yang

dibangun di atas maka hipotesis yang muncul
adalah sebagai berikut,
1.H0 :â1 = 0 vs H1 : â1 ≠0
2.H0 : â2 = 0 vs H1 : â2 ≠0
3.H0 : â3 = 0 vs H1 : â3 ≠0
4. H0 : â4 = 0 vs H1 : â4 ≠0 Gambar 2. Frekuensi Kumulatif Relatif dan Pertumbuhan Debitur Macet terhadap Waktu
5. H0 : â5 = 0 vs H1 : â5 ≠0
6. H0 : â6= 0 vs H1 : â6 ≠0 Mayoritas konsumen yaitu sebesar 72% Berdasarkan Gambar 3d ternyata konsumen
membayar down payment (DP) kurang dari 5%. yang pernah tidak tepat waktu dalam
Pengujian hipotesisi dilakukan dengan uji Berdasarkan Gambar 3a terlihat bahwa membayar 3 angsuran pertamanya lebih
parsial menggunakan uji Wald dimana jika p- persentase konsumen macet terbesar pada DP berisiko dimana sebesar 30% mengalami gagal
value < 0.05 maka tolak H0. Pembuatan model kurang dari 5%. Persentase debitur macet bayar.
hazard proporsional beserta pengujian terlihat semakin kecil seiring membesarnya
hipotesis akan mengunakan perangkat lunak down payment. Sebagian besar debitur yaitu 48% Gambar 3e memperlihatkan distribusi
SAS. Alur penelitian secara detail terlihat pada memiliki installment to income ratio (IIR) antara 10 frekuensi keterlamabatan pembayaran antara
Gambar 1. hing ga 20 persen dimana IIR ini 1-30 hari debitur sampai kreditnya mengalami
menggambarkan sebarapa besar beban gagal bayar atau masa pengamatan selama 24
angsuran yang harus dibayar dibanding bulan. Debitur yang pernah terlambat
penghasilannya per bulan. Gambar 3b pembayaran 1-30 hari sebanyak 1- 5 kali
memperlihatkan bahwa IIR lebih dari 40% memiliki persentase macet pembayaran
memiliki persentase gagal bayar sebesar 20%. sebesar 41%. Gambar 3f menjelaskan bahwa
Gambar 3c dapat terlihat bahwa sebesar 96 % 60% debitur macet ketika sisa pokok
dari debitur yang telat membayar lebih dari 30 hutangnya masih 80-100% dari pokok hutang
hari dalam 3 angsuran pertama mengalami awal.
gagal bayar.
Gambar 1. Alur Penelitian
Jurnal Jurnal
Vol.13 | No.1 | 2014 Vol.13 | No.1 | 2014
Hasil model hazard proporsional dengan Pengujian secara parsial dengan uji wald pada
pengujian secara simultan pengubah penjelas Tabel 3 menjelaskan bahwa semua variabel
dengan uji G didapatkan nilai khi-kuadrat penjelas abik variabel yang bergantung
sebesar 782.92 dan p-value< 0.0001 yang terhadap waktu (time dependent covariates)
berarti minimal ada satu pengubah penjelas maupun tidak berpengaruh nyata terhadap
Down Payment (DP) Installment to Income ratio yang berpengaruh terhadap durasi daya tahan durasi daya tahan daya tahan debitur pada taraf
konsumen terhadap gagal bayar. 5%.
Tabel 3. Uji parsial Pengubah Penjelas
Dependent Variable Wald Chi-Square P-Value

Down Payment (DP) 10.91 0.0122
IIR 10.39 0.0344
OT 11.11 0.0009
Ever30 295.46 < 0.0001
C1t 41.87 < 0.0001
OTS t 281.06 < 0.0001
Hasil pendugaan parameter model hazard Model hazard proporsional diatas akan
proporsional pada Tabel 6 menjelaskan model digunakan untuk menilai tingkat risiko setiap
e f
hazard proporsional pada Tabel 6 sudah debitur berdasarkan karakteristik pengubah
Gambar 3. Persentase Debitur Macet pada Variabel Bebas dalam Model DayaTahan memperlihatkan bahwa dengan taraf nyata 5% penjelas dari model tersebut. Model ini
semua variabel bebas berpengaruh nyata melibatkan dua variabel yang berubah setiap
4.2. Model Daya Tahan Penggunaan dua pengubah time dependent terhadap probabilitas daya tahan debitur waktu (time dependent covariates) yaitu frekuensi
digunakan untuk meningkatkan akurasi model kecuali variabel bebas IIR untuk dummy (2) keterlambatan lebih dari 30 hari (C1t) dan sisa
Model daya tahan yang digunakan adalah model dikarenakan perilaku debitur yang berubah- yang signifikan pada taraf 10% . Pendugaan pokok hutang ketika debitur terlambat
hazard proporsional dengan time dependent ubah selama masa pinjaman. Variabel kategori koefisien â dilakukan untuk setiap pengubah membayar angsuran lebih dari 30 hari (OTSt).
covariates. Model hazard proporsional akan ditransformasi menjadi pengubah dummy dummy untuk pengubah kategorik. Hasil model
digunakan untuk menjelaskan pengaruh dalam model hazard proporsional. Variabel yang hazard proporsional untuk cabang Bogor
perilaku debitur maupun kapasitasnya secara memiliki k kategori maka akan membentuk k-1 adalah sebagai berikut :
simultan terhadap durasi daya tahan debitur pengubah dummy dimana pengubah dummy
terhadap kejadian gagal bayar. yang terbentuk sesuai Tabel 2. h(t)=h0(t)exp[-1.15193DP(2)-0.19363IIR(2)+
0.77079IIR (2)+2.48338
Tabel 2. Pengubah Dummy pada Model Hazard Proporsional Ever30(2)+0.45279OT(1)+
0.11326C1t+0.027550TSt)
Pengubah dummy
Pengubah Kategori Keterangan
(2)
Down Payment (DP) 1 DP <10% 0 Tabel 4. Hasil Pendugaan Parameter Model Hazard Proporsional
2 DP 5-10% 1
(2) (3) Pengubah Dummy â SE (â) Khi-Kuadrat P-Value Hazard Ratio
1 <20% 0 0
Installment to Income Ratio DP (2) -1.15193 0.35848 10.32610 0.00130 0.31600
2 20-40% 1 0
(IIR)
3 >40% 0 1
IIR (2) 0.19363 0.10451 3.43280 0.06390 1.21400
(2)
Keterlambatan pembayaran >30 1 Tidak pernah 0 (3) 0.77079 0.29763 6.70660 0.00960 2.16100
hari dalam 3 angsuran pertama Ever30 (2) 2.48338 0.14314 300.9853 <.0001 11.98200
(ever30) 2 Pernah 1
OT (1) 0.45279 0.13596 11.09030 0.00090 1.57300
(1)
Tepat waktu pembayaran dalam 1 Pernah tidak tepat waktu 1 C1 t 0.11326 0.01725 43.11930 <.0001 1.12000
3 angsuran pertama (OT) 2 Selalu tepat waktu 0 OTSt 0.02755 0.00163 285.65310 <.0001 1.02800
Jurnal Jurnal
Vol.13 | No.1 | 2014 Vol.13 | No.1 | 2014
Hasil model hazard proporsional dengan Pengujian secara parsial dengan uji wald pada
pengujian secara simultan pengubah penjelas Tabel 3 menjelaskan bahwa semua variabel
dengan uji G didapatkan nilai khi-kuadrat penjelas abik variabel yang bergantung
sebesar 782.92 dan p-value< 0.0001 yang terhadap waktu (time dependent covariates)
berarti minimal ada satu pengubah penjelas maupun tidak berpengaruh nyata terhadap
Down Payment (DP) Installment to Income ratio yang berpengaruh terhadap durasi daya tahan durasi daya tahan daya tahan debitur pada taraf
konsumen terhadap gagal bayar. 5%.
Tabel 3. Uji parsial Pengubah Penjelas
Dependent Variable Wald Chi-Square P-Value

Down Payment (DP) 10.91 0.0122
IIR 10.39 0.0344
OT 11.11 0.0009
Ever30 295.46 < 0.0001
C1t 41.87 < 0.0001
OTS t 281.06 < 0.0001
Hasil pendugaan parameter model hazard Model hazard proporsional diatas akan
proporsional pada Tabel 6 menjelaskan model digunakan untuk menilai tingkat risiko setiap
e f
hazard proporsional pada Tabel 6 sudah debitur berdasarkan karakteristik pengubah
Gambar 3. Persentase Debitur Macet pada Variabel Bebas dalam Model DayaTahan memperlihatkan bahwa dengan taraf nyata 5% penjelas dari model tersebut. Model ini
semua variabel bebas berpengaruh nyata melibatkan dua variabel yang berubah setiap
4.2. Model Daya Tahan Penggunaan dua pengubah time dependent terhadap probabilitas daya tahan debitur waktu (time dependent covariates) yaitu frekuensi
digunakan untuk meningkatkan akurasi model kecuali variabel bebas IIR untuk dummy (2) keterlambatan lebih dari 30 hari (C1t) dan sisa
Model daya tahan yang digunakan adalah model dikarenakan perilaku debitur yang berubah- yang signifikan pada taraf 10% . Pendugaan pokok hutang ketika debitur terlambat
hazard proporsional dengan time dependent ubah selama masa pinjaman. Variabel kategori koefisien â dilakukan untuk setiap pengubah membayar angsuran lebih dari 30 hari (OTSt).
covariates. Model hazard proporsional akan ditransformasi menjadi pengubah dummy dummy untuk pengubah kategorik. Hasil model
digunakan untuk menjelaskan pengaruh dalam model hazard proporsional. Variabel yang hazard proporsional untuk cabang Bogor
perilaku debitur maupun kapasitasnya secara memiliki k kategori maka akan membentuk k-1 adalah sebagai berikut :
simultan terhadap durasi daya tahan debitur pengubah dummy dimana pengubah dummy
terhadap kejadian gagal bayar. yang terbentuk sesuai Tabel 2. h(t)=h0(t)exp[-1.15193DP(2)-0.19363IIR(2)+
0.77079IIR (2)+2.48338
Tabel 2. Pengubah Dummy pada Model Hazard Proporsional Ever30(2)+0.45279OT(1)+
0.11326C1t+0.027550TSt)
Pengubah dummy
Pengubah Kategori Keterangan
(2)
Down Payment (DP) 1 DP <10% 0 Tabel 4. Hasil Pendugaan Parameter Model Hazard Proporsional
2 DP 5-10% 1
(2) (3) Pengubah Dummy â SE (â) Khi-Kuadrat P-Value Hazard Ratio
1 <20% 0 0
Installment to Income Ratio DP (2) -1.15193 0.35848 10.32610 0.00130 0.31600
2 20-40% 1 0
(IIR)
3 >40% 0 1
IIR (2) 0.19363 0.10451 3.43280 0.06390 1.21400
(2)
Keterlambatan pembayaran >30 1 Tidak pernah 0 (3) 0.77079 0.29763 6.70660 0.00960 2.16100
hari dalam 3 angsuran pertama Ever30 (2) 2.48338 0.14314 300.9853 <.0001 11.98200
(ever30) 2 Pernah 1
OT (1) 0.45279 0.13596 11.09030 0.00090 1.57300
(1)
Tepat waktu pembayaran dalam 1 Pernah tidak tepat waktu 1 C1 t 0.11326 0.01725 43.11930 <.0001 1.12000
3 angsuran pertama (OT) 2 Selalu tepat waktu 0 OTSt 0.02755 0.00163 285.65310 <.0001 1.02800
Jurnal Jurnal
Vol.13 | No.1 | 2014 Vol.13 | No.1 | 2014
Interpretasi koefisien hasil dugaan model dilihat pada waktu ke t. Rasio hazard 4.3. Implikasi Managerial Model daya tahan yang dibangun akan
hazard proporsional dapat dijelaskan dengan menunjukkan bahwa peningkatan 1% sisa memberikan panduan pada proses account
melihat rasio hazard di Tabel 4. Hazard rasio pokok hutang debitur ketika mengalami Penanganan debitur di PT. Karya Besar management dalam memberikan perlakuan yang
merupakan risiko relatif seorang debitur keterlambatan pembayaran 1-30 hari maka Cabang Bogor merupakan hal krusial karena tepat berdasarkan variabel-variabel yang
dengan karakteristik tertentu dibandikan risiko akan terjadinya gagal bayar meningkat akan berpengaruh langsung terhadap biaya berpengaruh terhadap risiko gagal bayar.
dengan karakteristik lainnya.Variabel DP sebesar 1.03 kali. operasional serta risiko kredit perusahaan. Gambar 4 menjelaskan pola penanganan
memperlihatkan bahwa DP <10% memiliki Andy dan Jeffrey (2010) menyatakan bahwa account yang dilakukan sekarang.
risiko 1/0.316=3.16 kali dibanding DP >10%. Hasil di atas menunjukkan bahwa faktor proses penanganan account atau penagihan
Hal ini membuktikan analisa deskriptif bahwa keterlambatan pembayaran yaitu variabel (collection) dalam institusi keuangan adalah Kebijakan PT. Karya Besar cabang Bogor
semakin tinggi DP memiliki risiko yang lebih indikator yang menyatakan apakah debitur proses yang membutuhkan banyak sumber berdasarkan Gambar 4 mengenai penanganan
baik.Variabel IIR adalah variabel yang pernah overdue lebih dari 30 hari dalam 3 daya perusahaan yang membuat proses debitur hanya mempertimbangkan faktor dari
menerangkan kemampuan ekonomi seorang angsuran pertama (Ever30), indikator apakah tersebut paling efisien akan menjadi pola keterlambatan pembayaran (deliquency)
debitur. debitur selalu tepat waktu dalam pembayaran perusahaan yang dapat bertahan dalam jangka terakhir dari seorang debitur tanpa melihat pola
angsuran di tiga angsuran pertama, dan waktu yang panjang di industrinya. pembayaran sebelumnya dan karakteristik
Berdasarkan hasil hazard rasio menunjukkan frekuensi debitur overdue lebih dari 30 hari dari debitur. Kebijakan ini dapat menyebabkan bias
bahwa IIR 20-40% memiliki risiko 1.21 kali awal kredit hingga default atau akhir masa Jeff (2006) menyatakan bahwa sistem scoring dalam memberikan perlakuan terhadap
lebih tinggi dibandingkan IIR <20%. Pola yang pengamatan debitur berpengaruh terhadap pada analisa risiko kredit dapat membantu debitur. Penanganan account yang saat ini dinilai
sama juga terlihat bahwa untuk IIR >40% probabilitas debitur menjadi macet, hal ini perusahaan mengalokasikan sumberdaya yang belum efisien dikarenakan banyak debitur yang
memiliki risiko akan terjadinya gagal bayar 2.16 sejalan dengan penelitian yang dilakukan tersedia dengan tepat dan mendorong secara pembayaran terdahulunya cukup bagus
kali lebih tinggi dibandingkan dengan IIR Stepanova dan Thomas pada tahun 2001 kebijakan penang anan account untuk namun dikarenakan deliquency terakhir buruk
<20%. Pola rasio hazard di atas membuktikan dimana faktor delinquency menjadi faktor yang menurunkan risiko kredit. Pemodelan scoring sehingga debitur tersebut disimpulkan buruk
bahwa semakin tinggi IIR makan risiko signifikan dalam model behavioural scoring pada PT. Karya Besar dengan analisa daya dan ditangani dengan biaya yang besar.
terjadinya gagal bayar semakin tinggi. dengan analisa daya tahan untuk institusi tahan pada dasarnya merupakan panduan Sebaliknya debitur yang sebenarnya secara
Berdasarkan hasil rasio hazard menyatakan keuangan di Inggris. dalam memonitor kredit yang diberikan risiko melalui pola pembayaran terdahulunya
bahwa debitur yang pernah overdue lebih dari 30 perusahaan yang mana Oluchukwu (2012) bur uk namun dikarenakan deliquenc y
hari di tiga angsuran pertama memiliki risiko Variabel down payment (DP) dan Installment to menyatakan bahwa salah satu langkah yang terakhirnya baik maka pengawasan terhadap
11.99 kali lebih tinggi dibandingkan dengan Income Ratio (IIR) menyatakan kemampuan harus dilakukan institusi keuangan dalam debitur tersebut menjadi lemah yang berakibat
yang tidak pernah. Variabel pola perilaku ekonomi debitur. Pada kasus ini variabel mengelola risiko adalah dengan tetap debitur tersebut menjadi gagal bayar.
pembayaran yang lain adalah variabel yang kemampuan ekonomi debitur berpengaruh mengukur dan melakukan proses monitoring
melihat apakah debitur selalu membayar tepat terhadap daya tahan debitur terhadap default, kredit yang sesuai.
waktu di tiga angsuran pertama. Tabel 4 hal yang sama juga terjadi pada pembuatan
menjelaskan bahwa debitur yang pernah tidak application scoring yang dibangun oleh Stepanova
tepat waktu dalam pembayaran angsuran di tiga dan Thomas pada tahun 2001 untuk institusi
angsuran pertama memiliki risiko 1.58 kali keuangan di Inggris Kemudian lamanya masa
lebih tinggi dibandingkan dengan yang selalu pinjaman dapat direpresentasikan dengan
tepat waktu. persentase sisa pokok hutang debitur.
Persentase sisa pokok hutang yang besar ketika
Variabel time dependent yang pertama adalah meng alami keterlambatan 1-30 hari
frekuensi debitur pernah overdue antara 1- 30 menunjukkan bahwa debitur sudah mengalami
hari dari awal kredit hingga waktu pengamatan delinquency pada awal kredit. Hasil analisa daya
ke t. Hasil rasio hazard memperlihatkan setiap tahan di atas menyatakan bahwa semakin besar
penambahan 1 kali overdue 1-30 hari maka persentase sisa pokokhutang ketika mengalami
akan meningkatkan risiko gagal bayarnya keterlambatan pembayaran maka debitur akan
sebesar 1.12 kali. Hal ini menunjukkan semakin semakin berisiko yang mana hal ini sejalan
sering debitur overdue 1-30 hari maka akan dengan penelitian Malik dan Thomas pada
semakin tinggi potensinya menjadi gagal bayar. tahun 2010 di salah satu bank Inggris yang
Variabel time dependent yang lain adalah variabel menyatakan umur pinjaman yang masih
persentase sisa pokok hutang dibanding pokok berusia 12 bulan lebih berisiko dibanding yang
hutang awalnya saat debitur mengalami sudah berusia lebih dari 4 tahun.
terlambat bayar 1-30 hari yang terakhir yang Gambar 4. Pola Penanganan Account
Jurnal Jurnal
Vol.13 | No.1 | 2014 Vol.13 | No.1 | 2014
Interpretasi koefisien hasil dugaan model dilihat pada waktu ke t. Rasio hazard 4.3. Implikasi Managerial Model daya tahan yang dibangun akan
hazard proporsional dapat dijelaskan dengan menunjukkan bahwa peningkatan 1% sisa memberikan panduan pada proses account
melihat rasio hazard di Tabel 4. Hazard rasio pokok hutang debitur ketika mengalami Penanganan debitur di PT. Karya Besar management dalam memberikan perlakuan yang
merupakan risiko relatif seorang debitur keterlambatan pembayaran 1-30 hari maka Cabang Bogor merupakan hal krusial karena tepat berdasarkan variabel-variabel yang
dengan karakteristik tertentu dibandikan risiko akan terjadinya gagal bayar meningkat akan berpengaruh langsung terhadap biaya berpengaruh terhadap risiko gagal bayar.
dengan karakteristik lainnya.Variabel DP sebesar 1.03 kali. operasional serta risiko kredit perusahaan. Gambar 4 menjelaskan pola penanganan
memperlihatkan bahwa DP <10% memiliki Andy dan Jeffrey (2010) menyatakan bahwa account yang dilakukan sekarang.
risiko 1/0.316=3.16 kali dibanding DP >10%. Hasil di atas menunjukkan bahwa faktor proses penanganan account atau penagihan
Hal ini membuktikan analisa deskriptif bahwa keterlambatan pembayaran yaitu variabel (collection) dalam institusi keuangan adalah Kebijakan PT. Karya Besar cabang Bogor
semakin tinggi DP memiliki risiko yang lebih indikator yang menyatakan apakah debitur proses yang membutuhkan banyak sumber berdasarkan Gambar 4 mengenai penanganan
baik.Variabel IIR adalah variabel yang pernah overdue lebih dari 30 hari dalam 3 daya perusahaan yang membuat proses debitur hanya mempertimbangkan faktor dari
menerangkan kemampuan ekonomi seorang angsuran pertama (Ever30), indikator apakah tersebut paling efisien akan menjadi pola keterlambatan pembayaran (deliquency)
debitur. debitur selalu tepat waktu dalam pembayaran perusahaan yang dapat bertahan dalam jangka terakhir dari seorang debitur tanpa melihat pola
angsuran di tiga angsuran pertama, dan waktu yang panjang di industrinya. pembayaran sebelumnya dan karakteristik
Berdasarkan hasil hazard rasio menunjukkan frekuensi debitur overdue lebih dari 30 hari dari debitur. Kebijakan ini dapat menyebabkan bias
bahwa IIR 20-40% memiliki risiko 1.21 kali awal kredit hingga default atau akhir masa Jeff (2006) menyatakan bahwa sistem scoring dalam memberikan perlakuan terhadap
lebih tinggi dibandingkan IIR <20%. Pola yang pengamatan debitur berpengaruh terhadap pada analisa risiko kredit dapat membantu debitur. Penanganan account yang saat ini dinilai
sama juga terlihat bahwa untuk IIR >40% probabilitas debitur menjadi macet, hal ini perusahaan mengalokasikan sumberdaya yang belum efisien dikarenakan banyak debitur yang
memiliki risiko akan terjadinya gagal bayar 2.16 sejalan dengan penelitian yang dilakukan tersedia dengan tepat dan mendorong secara pembayaran terdahulunya cukup bagus
kali lebih tinggi dibandingkan dengan IIR Stepanova dan Thomas pada tahun 2001 kebijakan penang anan account untuk namun dikarenakan deliquency terakhir buruk
<20%. Pola rasio hazard di atas membuktikan dimana faktor delinquency menjadi faktor yang menurunkan risiko kredit. Pemodelan scoring sehingga debitur tersebut disimpulkan buruk
bahwa semakin tinggi IIR makan risiko signifikan dalam model behavioural scoring pada PT. Karya Besar dengan analisa daya dan ditangani dengan biaya yang besar.
terjadinya gagal bayar semakin tinggi. dengan analisa daya tahan untuk institusi tahan pada dasarnya merupakan panduan Sebaliknya debitur yang sebenarnya secara
Berdasarkan hasil rasio hazard menyatakan keuangan di Inggris. dalam memonitor kredit yang diberikan risiko melalui pola pembayaran terdahulunya
bahwa debitur yang pernah overdue lebih dari 30 perusahaan yang mana Oluchukwu (2012) bur uk namun dikarenakan deliquenc y
hari di tiga angsuran pertama memiliki risiko Variabel down payment (DP) dan Installment to menyatakan bahwa salah satu langkah yang terakhirnya baik maka pengawasan terhadap
11.99 kali lebih tinggi dibandingkan dengan Income Ratio (IIR) menyatakan kemampuan harus dilakukan institusi keuangan dalam debitur tersebut menjadi lemah yang berakibat
yang tidak pernah. Variabel pola perilaku ekonomi debitur. Pada kasus ini variabel mengelola risiko adalah dengan tetap debitur tersebut menjadi gagal bayar.
pembayaran yang lain adalah variabel yang kemampuan ekonomi debitur berpengaruh mengukur dan melakukan proses monitoring
melihat apakah debitur selalu membayar tepat terhadap daya tahan debitur terhadap default, kredit yang sesuai.
waktu di tiga angsuran pertama. Tabel 4 hal yang sama juga terjadi pada pembuatan
menjelaskan bahwa debitur yang pernah tidak application scoring yang dibangun oleh Stepanova
tepat waktu dalam pembayaran angsuran di tiga dan Thomas pada tahun 2001 untuk institusi
angsuran pertama memiliki risiko 1.58 kali keuangan di Inggris Kemudian lamanya masa
lebih tinggi dibandingkan dengan yang selalu pinjaman dapat direpresentasikan dengan
tepat waktu. persentase sisa pokok hutang debitur.
Persentase sisa pokok hutang yang besar ketika
Variabel time dependent yang pertama adalah meng alami keterlambatan 1-30 hari
frekuensi debitur pernah overdue antara 1- 30 menunjukkan bahwa debitur sudah mengalami
hari dari awal kredit hingga waktu pengamatan delinquency pada awal kredit. Hasil analisa daya
ke t. Hasil rasio hazard memperlihatkan setiap tahan di atas menyatakan bahwa semakin besar
penambahan 1 kali overdue 1-30 hari maka persentase sisa pokokhutang ketika mengalami
akan meningkatkan risiko gagal bayarnya keterlambatan pembayaran maka debitur akan
sebesar 1.12 kali. Hal ini menunjukkan semakin semakin berisiko yang mana hal ini sejalan
sering debitur overdue 1-30 hari maka akan dengan penelitian Malik dan Thomas pada
semakin tinggi potensinya menjadi gagal bayar. tahun 2010 di salah satu bank Inggris yang
Variabel time dependent yang lain adalah variabel menyatakan umur pinjaman yang masih
persentase sisa pokok hutang dibanding pokok berusia 12 bulan lebih berisiko dibanding yang
hutang awalnya saat debitur mengalami sudah berusia lebih dari 4 tahun.
terlambat bayar 1-30 hari yang terakhir yang Gambar 4. Pola Penanganan Account
Jurnal Jurnal
Vol.13 | No.1 | 2014 Vol.13 | No.1 | 2014
Behaviour scoring yang dibangun akan Implikasi dari model daya tahan ini dapat Pendekatan dengan model hazard proporsional 5.2. Saran
memberikan rekomendasi dalam kebijakan memberikan efisiensi dari segi biaya dalam pada Gambar 5 akan mampu melihat debitur
penanganan account dengan pendekatan nilai penanganan account debitur yang memiliki daya yang lebih berisiko ting gi sehing g a Hasil penelitian terkait behaviour scoring dengan
peluang debitur memiliki daya tahan pada tahan tinggi dan kondisi kredit terakhirnya memerlukan penangananan yang lebih ketat model daya tahan ini dapat menjadi dasar
waktu tertentu atau dalam model hazard lancar atau masih telat tiga hari tidak perlu dibanding debitur yang memiliki daya tahan dalam pengembangan perbaikan sistem account
proporsional dilambangkan dengan nilai fungsi dilakukan reminder lewat telepon. Kemudian lebih tinggi atau berisiko rendah. Hasil simulasi management di PT. Karya Besar Cabang Bogor.
daya tahannya S(t). Pendekatan dengan model untuk debitur yang sudah telat antara 3-30 hari Penerapan model daya tahan pada proses Pengembangan model behaviour scoring dapat
hazard proporsional akan mampu melihat namun memiliki daya tahan tinggi maka proses penanganan account mampu menurunkan membuat proses account management lebih
debitur mana yang lebih berisiko tinggi penagihan kreditnya cukup melalui telepon tingkat NPL dan biaya operasional PT. Karya tersegmentasi berdasarkan profil risiko debitur
sehingga memerlukan penanganan yang lebih yang mana sebelumnya harus dikunjungi oleh Besar di Cabang Bogor. sehingga akan berimplikasi terhadap pola
ketat dibanding debitur yang memiliki daya seorang collector yang tentunya menjadi beban perlakuan terhadap debitur. Debitur dapat
tahan lebih tinggi atau berisiko rendah. biaya bagi perusahaan. Kemudian untuk 4.4. Implikasi Teoritis disegmentasi menjadi high dan low risk
penanganan konsumen yang telah telat lebih berdasarkan perilaku pembayaran serta tingkat
Debitur dengan nilai peluang untuk memiliki dari 30 hari, penggunaan model behaviour scoring Hasil penelitian terkait model hazard ekonominya sehingga tidak hanya berdasarkan
daya tahan lebih dari 0.5 adalah debitur dengan ini akan membantu memberikan panduan proporsional menyatakan bahwa semua kondisi posisi kreditnya pada satu waktu saja.
risiko rendah untuk terjadi default sebaliknya debitur mana yang seharusnya dilakukan peubah bebas signifikan terhadap model daya Penerapan ini akan dapat menghemat biaya dan
debitur yang memiliki daya tahan kurang dari penarikan barang jaminan (collateral) sehingga tahan. Pengembangan dari penelitian ini adalah meningkatkan efektifitas dalam proses account
0.5 adalah debitur yang berisiko menjadi default. kerugian perusahaan dari penarikan barang disarankan untuk mencoba model dengan management sehingga pada akhirnya akan
Gambar 5 adalah pola penanganan account jaminan dapat diminimalisasi. Behaviour scoring semua peubah bebas adalah time dependent meminimalkan non perfoming loan dari
dengan pendekatan model daya tahan hazard sekarang dinilai sebagai sesuatu yang penting sehingga model lebih dinamis. Penambahan perusahaan.
proporsional. Gambar 5 menjelaskan dalam perusahaan jasa keuangan, yaitu sebagai variabel penjelas seperti pekerjaan dan
bagaimana pendekatan model behaviour scoring alat otomatis untuk keputusan kredit dan pendapatan debitur dapat dilakukan untuk Daftar Pustaka
dengan analisa daya tahan membuat pola penanganan account (collection), manajemen menambah ketepatan model. Model
penanganan account menjadi lebih berdasarkan kredit dan pengembangan strategi penanganan pembanding seperti model regresi logistik, Akhter W. (2010). Enter prise Risk
risiko. account yang optimal (Eilen 2007). analisa diskriminasi, dan regresi tersensor Management. Journal of Enterprise Risk
diperlukan untuk melihat apakah model daya Management, 1(1), 128-144.
tahan lebih baik dibanding model lain. Andy F, & Jeffrey M. (2010). Leveraging
Aggregated Credit Data in Portfolio
5. Simpulan dan Saran Forecasting and Collection Scoring. The
RMA Journal, 93 (2), 42-47.
5.1. Simpulan Atta, M. M., & Shammot, M. M. (2011). The
Proposed Criteria for Eg yptian
Model daya tahan yang telah dibangun dapat Commercial Credit Risk Management
menjadi panduan dalam mensegmentasi and Description of A Model For
debitur berdasarkan tingkat risikonya Measuring These Risks. Interdisciplinary
mengalami gagal bayar. Variabel Delinquency, Journal of Contemporary Research in Business,
down payment, installment to income ratio, dan 3(1), 40-63.
balance hutang signifikan secara statistik dalam Avery, R. B, Bostic ,R.W., Calem, P. S, & Canner,
model behavioural scoring. Model yang dibangun G. B. (1996). Credit Risk, Credit Scoring,
akan mampu membuat proses account and the Performance of Home
management menjadi lebih efektif dan efisien. Mortgages. Federal Reserve Bulletin, 82(7),
E fektivita s p un da p a t ditin gka tka n 621.
dikarenakan perlakuan yang tepat berdasarkan [BI] Bank Indonesia (ID).2013.Evaluasi
risikonya. Penarapan model daya tahan dapat Perekonomian Tahun 2012, Prospek
membantu menurunkan NPL dan biaya 2013-2014, dan Kebijakan Bank
operational PT. Karya Besar Cabang Bogor. Indonesia.
[BPS] Badan Pusat Statistik (ID). 2013. Berita
Gambar 5. Pola Penanganan Account dengan Model Daya Tahan Resmi Statistik ik No.14/02/Th. XV.
Jurnal Jurnal
Vol.13 | No.1 | 2014 Vol.13 | No.1 | 2014
Behaviour scoring yang dibangun akan Implikasi dari model daya tahan ini dapat Pendekatan dengan model hazard proporsional 5.2. Saran
memberikan rekomendasi dalam kebijakan memberikan efisiensi dari segi biaya dalam pada Gambar 5 akan mampu melihat debitur
penanganan account dengan pendekatan nilai penanganan account debitur yang memiliki daya yang lebih berisiko ting gi sehing g a Hasil penelitian terkait behaviour scoring dengan
peluang debitur memiliki daya tahan pada tahan tinggi dan kondisi kredit terakhirnya memerlukan penangananan yang lebih ketat model daya tahan ini dapat menjadi dasar
waktu tertentu atau dalam model hazard lancar atau masih telat tiga hari tidak perlu dibanding debitur yang memiliki daya tahan dalam pengembangan perbaikan sistem account
proporsional dilambangkan dengan nilai fungsi dilakukan reminder lewat telepon. Kemudian lebih tinggi atau berisiko rendah. Hasil simulasi management di PT. Karya Besar Cabang Bogor.
daya tahannya S(t). Pendekatan dengan model untuk debitur yang sudah telat antara 3-30 hari Penerapan model daya tahan pada proses Pengembangan model behaviour scoring dapat
hazard proporsional akan mampu melihat namun memiliki daya tahan tinggi maka proses penanganan account mampu menurunkan membuat proses account management lebih
debitur mana yang lebih berisiko tinggi penagihan kreditnya cukup melalui telepon tingkat NPL dan biaya operasional PT. Karya tersegmentasi berdasarkan profil risiko debitur
sehingga memerlukan penanganan yang lebih yang mana sebelumnya harus dikunjungi oleh Besar di Cabang Bogor. sehingga akan berimplikasi terhadap pola
ketat dibanding debitur yang memiliki daya seorang collector yang tentunya menjadi beban perlakuan terhadap debitur. Debitur dapat
tahan lebih tinggi atau berisiko rendah. biaya bagi perusahaan. Kemudian untuk 4.4. Implikasi Teoritis disegmentasi menjadi high dan low risk
penanganan konsumen yang telah telat lebih berdasarkan perilaku pembayaran serta tingkat
Debitur dengan nilai peluang untuk memiliki dari 30 hari, penggunaan model behaviour scoring Hasil penelitian terkait model hazard ekonominya sehingga tidak hanya berdasarkan
daya tahan lebih dari 0.5 adalah debitur dengan ini akan membantu memberikan panduan proporsional menyatakan bahwa semua kondisi posisi kreditnya pada satu waktu saja.
risiko rendah untuk terjadi default sebaliknya debitur mana yang seharusnya dilakukan peubah bebas signifikan terhadap model daya Penerapan ini akan dapat menghemat biaya dan
debitur yang memiliki daya tahan kurang dari penarikan barang jaminan (collateral) sehingga tahan. Pengembangan dari penelitian ini adalah meningkatkan efektifitas dalam proses account
0.5 adalah debitur yang berisiko menjadi default. kerugian perusahaan dari penarikan barang disarankan untuk mencoba model dengan management sehingga pada akhirnya akan
Gambar 5 adalah pola penanganan account jaminan dapat diminimalisasi. Behaviour scoring semua peubah bebas adalah time dependent meminimalkan non perfoming loan dari
dengan pendekatan model daya tahan hazard sekarang dinilai sebagai sesuatu yang penting sehingga model lebih dinamis. Penambahan perusahaan.
proporsional. Gambar 5 menjelaskan dalam perusahaan jasa keuangan, yaitu sebagai variabel penjelas seperti pekerjaan dan
bagaimana pendekatan model behaviour scoring alat otomatis untuk keputusan kredit dan pendapatan debitur dapat dilakukan untuk Daftar Pustaka
dengan analisa daya tahan membuat pola penanganan account (collection), manajemen menambah ketepatan model. Model
penanganan account menjadi lebih berdasarkan kredit dan pengembangan strategi penanganan pembanding seperti model regresi logistik, Akhter W. (2010). Enter prise Risk
risiko. account yang optimal (Eilen 2007). analisa diskriminasi, dan regresi tersensor Management. Journal of Enterprise Risk
diperlukan untuk melihat apakah model daya Management, 1(1), 128-144.
tahan lebih baik dibanding model lain. Andy F, & Jeffrey M. (2010). Leveraging
Aggregated Credit Data in Portfolio
5. Simpulan dan Saran Forecasting and Collection Scoring. The
RMA Journal, 93 (2), 42-47.
5.1. Simpulan Atta, M. M., & Shammot, M. M. (2011). The
Proposed Criteria for Eg yptian
Model daya tahan yang telah dibangun dapat Commercial Credit Risk Management
menjadi panduan dalam mensegmentasi and Description of A Model For
debitur berdasarkan tingkat risikonya Measuring These Risks. Interdisciplinary
mengalami gagal bayar. Variabel Delinquency, Journal of Contemporary Research in Business,
down payment, installment to income ratio, dan 3(1), 40-63.
balance hutang signifikan secara statistik dalam Avery, R. B, Bostic ,R.W., Calem, P. S, & Canner,
model behavioural scoring. Model yang dibangun G. B. (1996). Credit Risk, Credit Scoring,
akan mampu membuat proses account and the Performance of Home
management menjadi lebih efektif dan efisien. Mortgages. Federal Reserve Bulletin, 82(7),
E fektivita s p un da p a t ditin gka tka n 621.
dikarenakan perlakuan yang tepat berdasarkan [BI] Bank Indonesia (ID).2013.Evaluasi
risikonya. Penarapan model daya tahan dapat Perekonomian Tahun 2012, Prospek
membantu menurunkan NPL dan biaya 2013-2014, dan Kebijakan Bank
operational PT. Karya Besar Cabang Bogor. Indonesia.
[BPS] Badan Pusat Statistik (ID). 2013. Berita
Gambar 5. Pola Penanganan Account dengan Model Daya Tahan Resmi Statistik ik No.14/02/Th. XV.
Jurnal Jurnal
Vol.13 | No.1 | 2014 Vol.13 | No.1 | 2014
Setiawan dkk./Model Behavioural Scoring pada Bisnis Pembiayaan Konsumen Menggunakan Analisis Daya Tahan (Studi Kasus: PT Karya Besar
Cabang Bogor)
Byrnes, S. E., Williams, C., Kamat, S & Yuendro, A. (2007). Hubungan antara Kredit
Gopalakrishnan, S. (2012). Making the Komersial Bermasalah ( Non Performing Loan
Case for an Enterprise Risk ) dan Credit Risk Rating (CRR) Di Kantor
Management Program. Journal of Cabang BRI XXX [Tesis]. Yogyakarta
Equipment Lease Financing, 30(2), B1-B. (ID): Universitas Gadjah Mada.
Chancharat, N., Davy, P., McCrae, M., & Tian,
G. (2007). Firms in financial distress, a
survival model analysis. Social Science
Research Network.
David, S. (2006). Judgment Versus Risk
Management Science: Are We Getting
the Balance Right?. The RMA Journal,
88(9),16-19.
Eileen, O. (2007). Controlling Decisions with
Statistical Portfolio Scoring. Business
Credit, 109 (10), 10-12.
Ho, J., Thomas, L., & Scherer, W. T. (2001).
Time will tell: behavioural scoring and
the dynamics of consumer credit
assessment. Journal of Management
Mathematics, 12, 89-103.
Jeff, P. (2006). How Scoring Can Prioritize
Collections Strategies And Lower DSOs.
Business Credit, 108(1), 10-12.
Klein, M., & Kleinbaum, D. G. (2005). Survival
Analysis Second Edition.New York:
Springer.
Malik, M., & Thomas, L. (2010). Modeling
Credit Risk of Portfolio of Consumer
Loans. Journal of the Operational Research
Society, 65, 411-420.
Nyoman, G. R. (2011). Potensi Kejahatan
Korporasi oleh Lembaga Pembiayaan
dalam Jual Beli Kendaraan Secara Kredit.
Jurnal Sains dan Teknologi, 11(1), 100-108.
Oluchukwu, N. B. (2012). Risk Management in
the Nigerian Banking Industry. Journal of
Business and Management, 1(10),100-109.
Onyeaghala, R. O. (2003). Issues in Credit Risk
Assessment in Agricultural Credit Markets
[Thesis].Illinois(US): University of
Illinois.
Stepanova, M., & Thomas, L. (2001). PHAB
scores: proportional hazards analysis
behavioural scores. Journal of the
Operational Research Society, 52, 1007-1016.
Stepanova, M., & Thomas, L. (2001). Survival
Analysis Methods for Personal Loan
Data. Journal of the Operational Research
Society and the Management Sciences , 50(2),
277-289.
Jurnal
52 Manajemen Teknologi
Vol.13 | No.1 | 2014

847 2003 2 PB PDF

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

847 2003 2 PB PDF

Diunggah oleh

Hak Cipta:

Format Tersedia

Setiawan dkk.

Berdasarkan model proportional hazard yang

Gambar 1. Alur Penelitian

Berdasarkan model proportional hazard yang

Gambar 1. Alur Penelitian

Dependent Variable Wald Chi-Square P-Value

Dependent Variable Wald Chi-Square P-Value

Anda mungkin juga menyukai