FAKTOR FAKTOR YANG MEMPENGARUHI KOLEKTIBILITAS PEMBAYARAN KREDIT UKM

PETANI BAWANG PADA BANK BRI CABANG BREBES

WENDRA AFRIANA

ADI KUSWANTO

Fakultas Ekonomi, Universitas Gunadarma

weiyacb@yahoo.com

adikuswanto@staff.gunadarma.ac.id

ABSTRAK

Penelitian ini bertujuan untuk mengetahui tingkat kolektibilitas

pembayaran kredit oleh petani bawang wilayah brebes pada Bank BRI Cabang

Brebes. Tujuan dari penelitian ini adalah untuk membuat model penentuan lancar

dan tidaknya pembayaran kredit berdasarkan faktor faktor yang berpengaruh.

Objek penelitian yang digunakan adalah UKM petani bawang pada Bank BRI

Cabang Brebes. Variabel yang di gunakan terdapat lima variabel. Variabel

dependen dalam penelitian ini adalah lancar dan tidak lancar yaitu grup 0 untuk

lancar dan 1 untuk tidak lancar. Sedangkan pada variabel independen dalam

penelitian yaitu X1 = Gaji, X2 = Pokok, X3 = Angsuran, X4 = Tanggungan, X5

= Usia. Data yang digunakan sebanyak 100 sampel dengan metode analsis data

yaitu metode analisis diskriminan.

Berdasarkan hasil model diskriminan menunjukan bahwa model

diskriminan yang terbentuk untuk menentukan lancar tidaknya pembayaran kredit

adalah variabel pendapatan, angsuran dan tanggungan. Variabel hutang dan

umur tidak berpengaruh terhadap lancar tidaknya pembayaran kredit.

Kata Kunci : Kredit, hutang, pendapatan, angsuran, tanggungan dan umur.

2

PENDAHULUAN

Kekuatan fundamental perekonomian suatu bangsa salah satunya

ditentukan oleh struktur penguasaan asset - asset ekonomi. Struktur yang ideal

bagi penguatan suatu perekonomian adalah ketika porsi terbesar dari asset-asset

perekonomian dikuasai oleh pelaku - pelaku yang merupakan bagian terbesar

dari sistem perekonomian tersebut. Di Indonesia porsi terbesar (70%) dari asset-

aset perekonomian praktis dikuasai oleh hanya 3% pelaku (Teuku Mirza,

1999). Sementara Usaha Kecil Menengah (UKM) dan koperasi yang selama

ini merupakan pelaku-pelaku ekonomi yang dari segi jumlah (number) adalah

yang terbesar justru menjadi pihak yang tidak diperhatikan, suatu kondisi yang

kemudian membawa perekonomian Indonesia kearah kehancuran. Perhatian

pemerintah dalam pemberdayaan usaha kecil dan koperasi yang terasa sangat

mengemuka dalam Orde Reformasi ini merupakan suatu upaya dan tindakan

koreksi terhadap kebijakan-kebijakan menyimpang dari Orde Baru (Teuku

Mirza, 1999) .

Kebijakan-kebijakan yang diambil pemerintah di dalam orde reformasi ini,

merupakan bentuk keberpihakan kepada UKM dan koperasi. Kredit program

dengan bunga yang relatif kecil untuk usaha kecil dan bentuk kemudahan-

kemudahan lain yang diberikan, Merupakan tindakan yang diambil pemerintah

untuk memajukan UKM dan koperasi.

Kendala yang dihadapi oleh pemerintah adalah kebijakan ditingkat

makro tidak sesuai dan berbeda penerapanya pada tingkat mikro (operasional

lapangan). Dengan demikian usaha yang dilakukan pemerintah, Khususnya

Departemen Koperasi dan PPK (Persatuan Pengusaha Kecil) dalam upaya-

upaya memajukan UKM dan koperasi mengalami hambatan. Oleh sebab itu

perlunya kerjasama dengan lembaga keuangan untuk membantu program

pemerintah tersebut.

Lembaga yang paling memiliki kompetensi dan profesionalisme dalam

penyaluran bantuan kredit adalah perbankan. Perbankan merupakan lembaga

yang memiliki sistem, teknologi dan sumberdaya manusia profesional yang

mampu menilai kelayakan usaha, menyalurkan dan memonitor kredit

3

secara efektif dan efisien. Namun ada ambatan yang ada pada sektor mikro yaitu

kemapuan dalam memberikan jaminan fisik atau agunan dalam melakukan

peminjaman kredit. Tapi sekarang hal ini tidak menjadi kendala karena

berdasarkan sudah diatur dalam Undang-undang No.7 Tahun 1992 tidak

mensyaratkan agunan secara fisik melainkan adanya suatu jaminan bahwa

kredit yang disalurkan terjamin pengembaliannya.

Kredit yang diberikan oleh bank mengandung risiko, sehingga dengan

demikian dalam pelaksanaannya bank harus memperhatikan asas-asas perkreditan

yang sehat. Untuk mengurangi risiko tersebut, jaminan pemberian kredit dalam

arti keyakinan atas kemampuan dan kesanggupan debitur untuk melunasi

hutangnya sesuai dengan yang diperjanjikan merupakan faktor yang sangat

penting yang harus diperhatikan oleh bank.

Faktor faktor inilah yang menjadi perhatian khusus dan landasan oleh

bank untuk penentuan dan pengambil keputusan dalam penilaian kemampuan

debitur khsususnya pengusaha kecil menengah dalam kewajiban pembayaran

kreditnya.

Tujuan Penelitian

Tujuan penelitian yang hendak dicapai mengacu pada rumusan dan

pertanyaan peneliti adalah membuat model dari faktor-faktor yang berpengaruh

terhadap pemberian kredit sesuai batasan pada kriteria yang penulis batasi dan

berdasarkan data yang ada perusahaan.

TINJAUAN PUSTAKA

Prinsip Perkreditan

Prinsip perkreditan ini disebut pula 5C. pada dasarnya konsep 5C ini akan

dapat memberikan informasi mengenai itikad baik (willingness to pay) dan

kemampuan membayar (ability to pay) nasabah untuk melunasi pinjaman beserta

bunganya (Astiko dan Sunardi, 1996).

4

Prinsip perkreditan tersebut adalah :

1. Character : Penilaian terhadap character nasabah perlu dilakukan untuk

mengetahui sejauh mana itikad baik dan kejujuran calon nasabah debitur

untuk membayar kembali kredit yang telah diterimanya.

2. Capacity : Untuk mengetahui sejauh mana kemampuan debitur

mengembalikan pokok pinjaman serta bunga pinjamannya.

3. Capital : Bank melihat apakah debitur memiliki modal yang memadai

dalam menjalankan usahanya. Modal yang dimaksudkan tersebut pada

prinsipnya dapat berupa barang-barang bergerak dan tidak bergerak.

4. Collateral : Penilaian terhadap barang jaminan (collateral) yang diserahkan

debitur sebagai jaminan atas kredit bank yang diperolehnya adalah untuk

mengetahui sejauhmana nilai barang jaminan atau agunan tersebut ndapat

menutupi risiko kegagalan pengembalian kewajiban-kewajiban debitur.

5. Condition : Penilaian terhadap kondisi ekonomi adalah untuk mengetahui

mengenai kondisi pada suatu saat disuatu daerah yang mungkin akan

mempengaruhi kelancaran usaha debitur.

Disamping prinsip 5C tersebut diatas, maka dalam melakukan penilaian

kredit dapat pula digunakan konsep lain yang disebut konsep 7P dan konsep 3R

sebagai berikut (Siamat, 1995) :

Konsep 7P :

1. Personality

2. Purpose

3. Prospect

4. Payment

5. Profitability

6. Protection

7. Party

Konsep 3R : Selanjutnya analisis kredit dapat lebih dipersempit dengan

menilai 3 unsur R yaitu :

1. Return

2. Repayment

5

3. Risk bearing ability

Penggolongan Kolektibilitas Kredit

Berdasarkan surat keputusan direksi bank Indonesia No. 30/267/KEP/DIR,

Tanggal 27 Februari 1998 tentang kualitas produktif dan pembentukan cadangan,

ditetapkan 5 Golongan kolektibilitas kredit yaitu : Lancar, Dalam Perhatian

khusus, Kurang Lancar, Diragukan dan Macet dengan kriteria sebagai berikut :

1) Lancar (Pass)

a. Kredit dengan asuran pokok, dimana tidak terdapat tunggakan angsuran

pokok, tunggakan bunga atau cerukan karana penarikan kredit.

b. Kredit dengan angsuran untuk KPR

1. Tidak terdapat tunggakan angsuran pokok

2. Terdapat tunggakan angsuran pokok tetapi melampaui satu bulan

c. Kredit tanpa angsuran atau kredit rekening koran, dimana kredit belum

jatuh tempo, dan tidak terdapat tunggakan bunga.

2) Dalam perhatian khusus (Special Mention)

a. Terdapat tunggakan angsuran pokok, dan belum melampaui 3 bulan, baik

kredit yang ditetapkan masa angsurannya bulanan.

b. Terdapat tunggakan bunga belum melampaui 3 bulan, bagi kredit yang

masa angsurannya bulanan.

c. Terdapat cerukan karena penarikan, tetapi jangka waktunya belum

melampaui 15 hari kerja.

d. Terdapat indikasi masalah keuangan yang dihadapi debitur

e. Dokumen pinjaman lemah.

3) Kurang lancar (Sub standar)

a. Kredit dengan angsuran di luar KPR, terdapat tunggakan pokok yang :

1. Melampaui 1 bulan dan belum melampaui 2 bulan bagi kredit masa

angsurannya kurang 1 bulan.

2. Melampaui 3 bulan dan belum melampaui 6 bulan bagi kredit yang

masa anmgsurannya ditetapkan bulanan, dua bulanan, dan tiga

bulanan.

6

3. Terdapat cerukan akibat penarikan yang jangka waktunya telah

melampaui 15 hari kerja tetapi belum melampaui 30 hari kerja.

b. Kredit dengan angsuran untuk KPR terdapat tunggakan angsuran pokok

yang telah melampaui 4 bulan tetapi belum melampaui 6 bulan.

c. Kredit tanpa angsuran, terdapat tunggakan bunga yang melampaui 4 bulan

belum melampaui 6 bulan.

4) Diragukan (Doubt Ful)

5) Macet (Loss)

Dalam penulisan ini, yang akan digunakan oleh penulis untuk mengetahui

variabel manakah yang berpengaruh terhadap kolektibilitas pembayaran kredit

UKM petani bawang adalah kategori lancar dan macet.

Beberapa penelitian yang mengkaji tentang analisis kelayakan pemberian

kredit dengan menggunakan analisis Diskriminan, seperti penelitian tentang layak

tidaknya pemberian kredit oleh PT FIF diantaranya oleh Rasni Arrifki, Dalam

penulisannya menyimpulkan bahwa dengan menggunakan analisis diskriminan

maka suatu perusahaan dapat menentukan faktor faktor apa saja yang

berpengaruh dalam pemberian kredit kepada konsumen. Berdasar hasil model

diskriminan menunjukkan bahwa perusahaan menyeleksi calon konsumen

berdasar variable gaji, angsuran dan tanggungan. Variable pokok dan umur tidak

berpengaruh terhadap layak tidaknya pemberian kredit kepada konsumen.

METODE PENELITIAN

Objek Penelitian

Ruang lingkup yang menjadi obyek penelitian ini adalah Bank BRI

Cabang Brebes Propinsi Jawa Tengah. Bank yang termasuk dalam BUMN yang

mempunyai program kredit untuk para pengusaha kecil menengah khususnya di

wilayah Kabupaten Brebes yang kebanyakan masyarakatnya bermata pencaharian

sebagai petani Bawang merah. Peneliti akan meneliti model kredit yang

digunakan oleh Bank BRI dalam menyalurkan kreditnya, Khususnya pada para

Petani Bawang merah.

7

Variabel yang Digunakan

Variabel yang digunakan dalam penulisan ada 6 (enam) variabel. Variabel

dependen adalah macet dan lancar yaitu 1 merupakan grup macet dan 0

merupakan grup lancar. Variabel independent terdiri dari :

1. Status : Keterangan dari pelanggan yang menjelaskan apakah nasabah tersebut

dalam pembayaran hutang lancar atau tidak yang dibedakan dengan simbol 0

untuk lancar dan 1 untuk macet.

2. Pendapatan : Pemasukan uang yang diterima nasabah setiap bulan berupa Gaji

(karyawan), pendapatan rata rata tiap bulan (usahawan). Disini akan diuji

apakah variabel pendapatan nasabah berbeda pada mereka yang lancar dan

macet dalam pembayaran kredit.

3. Pokok (Nilai hutang bersih) : Jumlah keseluruhan hutang yang dibebankan

kepada nasabah. Disini akan diuji apakah variabel hutang nasabah berbeda

pada mereka yang lancar dan macet dalam pembayaran kredit.

4. Umur : Usia dari pelanggan yang bersangkutan. Disini akan diuji apakah

variabel usia nasabah berpengaruh pada mereka yang lancar dan macet dalam

pembayaran kredit.

5. Angsuran : Kewajiban nasabah kepada Bank yang dilaksanakan secara

bertahap sesuai dengan perjanjian sebelumnya. Disini akan diuji apakah

variabel angsuran nasabah berbeda pada mereka yang lancar dan macet dalam

pembayaran kredit.

6. Tanggungan : Jumlah anggota keluarga yang ditanggung oleh nasabah. Disini

akan diuji apakah variabel tanggungan yang dimiliki nasabah berpengaruh

pada mereka yang lancar dan macet dalam pembayaran kredit.

Metode Analisis yang Digunakan

1. Alat Analisis

Menguji variabel mana yang signifikan dan layak untuk dianalisis untuk

menentukan lancar tidaknya seorang nasabah dalm membayar kredit pada

Bank.

8

Urutan langkah - langkah pengujian :

a. Uji kesamaan rata- rata ( Equality of Group Means)

b. Dengan melakukan uji means dari tiap variabel dilakukan dengan

menggunakan F Test pada output tabel Test of Equality.

c. Uji kesamaan varians dari tiap variabel (Test Result)

d. Memiliki asumsi bahwa group covarien matrix adalah relatif sama melalui

tabel Boxs M

e. Uji log determinan

f. Melalui jumlah angka pada log determinan.

2. Pembuatan Model Diskriminan

Model Deskriminan paling sederhana yakni hanya melibatkan dua kategori

pada variabel dependent dapat diperoleh suatu model fungsi persamaan

deskriminan dengan pola sebagai berikut :

XbXbXbXbXbbD ikkijjiii .........................332211()1 ++++=

Keterangan : Zscore merupakan variabel depeden yang berupa status yaitu

macet dan lancar,sedangkan variabel independen yaitu :

GajiX =1 TanggunganX =4 UmurX =5AngsuranX =3 PokokX =2

3. Pembuatan Cutt of Score

4. Penafsiran Aktual dan Predicted Group

Digunakan untuk mengetahui apakah case dapat dikategorikan dengan

tepat, dengan kata lain yang diprediksi masuk kedalam sebuah group hasilnya

sama dengan case yang berada dalam kategori grup yang sebenarnya.

5. Proses Perhitungan Ketepatan Prediksi dari Model yang sudah dibuat.

a. Dilakukan melalui output table classification Results

9

Jika angka ketepatan hasil diatas > 50% maka model diskriminan yang

sudah dibuat bisa digunakan untuk analisis diskriminan atau penafsiran tentang

berbagai output table yang valid untuk digunakan

PEMBAHASAN

Peneliti menguji variable mana yang signifikan untuk menentukan lancar

tidaknya seorang pelanggan dalam membayar kredit pada perusahaan. Variabel

yang digunakan terdapat enam variabel yang terdiri dari satu variabel dependen

yaitu status (Lancar dan Macet), dan lima variabel independen yaitu Hutang,

Pendapatan, Angsuran, Tanggungan, dan Umur. Dalam pengujian untuk menilai

variabel yang layak untuk dianalisis kita menggunakan variabel independen yaitu

Hutang, Pendapatan, Angsuran, Tanggungan, dan Umur. Hal ini digunakan untuk

mengetahui variabel independent mana yang berpengaruh pada variabel dependen

yaitu lancar atau macet dalam pembayaran kredit. Kemudian variabel yang

terpilih pada proses pengujian terakhir itulah yang akan digunakan untuk

membuat fungsi atau model diskriminan.

Uji Kesamaan Rata rata Group (Equality of Group Means)

Tabel 4.1

Tests of Equality of Group Means Wilks' Lambda F df1 df2 Sig. Hutang ,960 4,046 1 98 ,047 Pendapatan ,865 15,300 1 98 ,000 Angsuran ,960 4,046 1 98 ,047 Tanggungan ,751 32,471 1 98 ,000 Umur ,999 ,100 1 98 ,753

Table diatas adalah hasil pengujian untuk setiap variable bebas yang ada.

Keputusan dapat diambil lewat dua cara :

Dengan angka Wilks Lambda

Angka Wilks Lambda berkisar 0 sampai 1. jika angka mendekati 0 maka

data tiap grup cenderung berbeda, sedang jika angka mendekati 1, maka data tiap

grup cenderung sama.

1

Dari table terlihat angka Wilks Lambda berkisar antara 0,751 sampai

0.999 (mendekati 1). dari kolom Sig bisa dilihat bahwa hanya variabel UMUR

yang cenderung tidak berbeda. Hal ini berarti UMUR untuk mereka yang macet

atau lancar dalam membayar kredit ternyata tidak berbeda secara nyata. Hanya

disini kriteria mendekati angka 1 adalah sulit ditentukan secara pasti, karena

hampir semua variabel diatas mempunyai angka Wilks Lambda yang besar,

namun satu variabel yang tidak lolos. Untuk itu, pengujian dengan ANOVA, yang

dibahas dibawah ini, lebih mudah dilakukan.

Dengan F Test

Yaitu dengan melihat angka Sig.

a. Jika Sig > 0,05 berarti tidak ada perbedaan antar grup (tidak

mempengaruhi).

b. Jika Sig < 0,05 berarti ada perbedaan antar grup (mempengaruhi).

Analisis dengan menggunakan uji F :

a. Variabel Hutang, angka Sig adalah dibawah 0,05 (0,047). Hal ini berarti

ada perbedaan antar grup, atau nasabah yang macet atau lancar terkait

dengan hutang nasabah tersebut.

b. Variabel Angsuran, angka Sig adalah dibawah 0,05 (0,047). Hal ini berarti

ada perbedaan antar grup, atau nasabah yang macet atau lancar terkait

dengan angsuran nasabah tersebut.

c. Variabel Tanggungan, angka Sig adalah dibawah 0,05 (0,000). Hal ini

berarti ada perbedaan antar grup, atau nasabah yang macet atau lancar

terkait dengan tanggungan nasabah tersebut.

d. Variabel Umur, angka Sig adalah diatas 0,05 (0,753). Hal ini berarti tidak

ada perbedaan antar grup, atau nasabah yang macet atau lancar terkait

dengan umur nasabah tersebut. Kesimpulan ini sama dengan jika

berpatokan pada angka Wilks Lambda yang hampir mendekati 1 untuk

variabel Umur.

e. Variabel Pendapatan, angka Sig adalah diatas 0,05 (0,000). Hal ini berarti

tidak ada perbedaan antar grup, atau nasabah yang macet atau lancar terkait

1

dengan umur nasabah tersebut. Kesimpulan ini sama dengan jika berpatokan pada

angka Wilks Lambda yang hampir mendekati 1 untuk variabel Pendapatan.

Dari lima variabel, ada empat variabel yang berbeda secara signifikan

untuk dua grup diskriminan, yaitu Hutang, Angsuran, Pendapatan dan

Tanggungan. Dengan demikian lancar atau tidaknya nasabah dalam membayar

kredit kepada Bank dipengaruhi oleh hutang nasabah, angsuran nasabah,

pendapatan nasabah dan tanggungan nasabah yang bersangkutan.

Uji Kesamaan Varian dari tiap Variabel (Test Result)

Jika analisis ANOVA dan angka Wilks Lambda menguji means (rata

rata) dari setiap variable, maka Boxs M menguji varians dari setiap variable.

Pengertian diatas bisa disimpulkan, seharusnya group covariencematrices adalah

relative sama, yang diuji dengan alat Boxs M dengan ketentuan :

Tabel 4.2

Test Results Box's M 16,786

Approx. 1,605df1 10df2 45915,538

F

Sig. ,098Tests null hypothesis of equal population covariance matrices.

A. HIPOTESIS :

Ho : group covariance matrices adalah relatif sama.

Ha : group covariance matrices adalah berbeda secara nyata.

B. Keputusan dengan dasar signifikasi (Lihat Angka Sig) : Jika Sig > 0,05 berarti Ho diterima.

Jika Sig < 0,05 berarti Ho ditolak.

Dari table terlihat bahwa angka Sig jauh diatas 0,05 (0,098) yang berarti

group covariance matrices adalah sama. Hal ini berarti data diatas sudah

memenuhi asumsi analisis diskriminan, sehingga proses bisa dilanjutkan.

Uji Log Determinant

Sama tidaknya group covariance matrices juga bisa dilihat dari table

output LOG DETERMINANT berikut (ada diatas table Boxs M) :

1

Tabel 4.3 Log Determinants

Kredit Rank Log

Determinant LANCAR 4 58,694MACET 4 60,047Pooled within-groups 4 59,542

The ranks and natural logarithms of determinants printed are those of the group covariance matrices.

Terlihat angka Log Determinant untuk kategori lancar (58,694) dan macet

(60,047) tidak berbeda banyak sehingga group covariance matrices akan relatif

sama untuk kedua grup.

Pembuatan Model Diskriminan

Ada dua pendekatan yang digunakan yaitu : direct method dan Stepwise

discriminant analysis. direct method meliputi estimasi koefisien fungsi

diskriminan dimana seluruh variabel bebas terlibat. Metode kedua yaitu Stepwise

discriminant analysis yaitu variabel bebas diikutsertakan secara berurutan,

didasarkan pada kemampuannya untuk mendiskriminasi antar kelompok.

Tabel 4.4

Group Statistics Kredit Mean Std. Deviation Valid N (listwise) Unweighted Weighted LANCAR

Hutang 12920000,0000 2848845,09360 50 50,000

Pendapatan 3274000,0000 593694,76113 50 50,000 Angsuran 1268237,0634 276116,82771 50 50,000 Tanggungan 1,4200 ,67279 50 50,000 Umur 34,7800 6,67095 50 50,000MACET Hutang 14040000,0000 2717742,16014 50 50,000 Pendapatan 2818400,0000 570854,56885 50 50,000 Angsuran 1376790,1214 263410,02012 50 50,000 Tanggungan 2,4400 1,07210 50 50,000 Umur 35,2200 7,24580 50 50,000Total Hutang 13480000,0000 2826569,46660 100 100,000 Pendapatan 3046200,0000 623029,06202 100 100,000 Angsuran 1322513,5924 273957,82100 100 100,000 Tanggungan 1,9300 1,02745 100 100,000 Umur 35,0000 6,93258 100 100,000

Tabel GROUP STATISTICS pada dasarnya berisi data statistik

(Deskriptif) yang utama, yakni rata rata dan standar deviasi, dari kedua grup

nasabah bank BRI. Sebagai contoh nasabah yang termasuk tipe lancar dalam

1

melunasi kewajiban perkreditan pada Bank mempunyai pendapatan rata rata

Rp. 3.274.000 sedangkan mereka yang termasuk tipe macet dalam melunasi

kewajiban perkereditan pada Bank mempunyai pendapatan rata rata

Rp.2.818.400 dari table diatas juga terlihat ada 50 nasabah yang tergolong lancar

dalam melunasi kewajibanya pada bank sedangkan 50 nasabah lainya tergolong

macet dalam melunasi kewajibanya pada bank. Jika melihat semua variable

(hutang, pendapatan, angsuran, tanggungan dan umur) terisi angka 50 atau 50

semuanya, maka pada kasus ini tidak ada data yang hilang (missing) sehingga

total data untuk semua variable adalah 100 buah.

Tabel 4.5

Variables Entered/Removed(a,b,c,d) Step Entered Min. D Squared Statistic Between Groups Exact F Statistic df1 df2 Sig. 1 Tanggungan 1,299 LANCAR and MACET 32,471 1 98,000 ,0002 Pendapatan 2,582 LANCAR and MACET 31,950 2 97,000 ,0003 Angsuran 3,530 LANCAR and MACET 28,816 3 96,000 ,000

Tabel ini menyajikan variable mana dari lima variable yang bisa

dimasukan dalam persamaan diskriminan. Pada tahap ini variable tanggungan

adalah yang pertama terpilih karena angka F hitung variable tanggungan mencapai

32,471 dan variabel kedua yang terpilih adalah Hutang dengan angka F hitung

variabel Pendapatan mencapai 31,950 dan yang terakhir terpilih adalah variabel

Angsuran 28,816

Tabel 4.6

Variables in the Analysis

Step Tolerance Sig. of F to

Remove Min. D

Squared Between Groups 1 Tanggungan 1,000 ,000 LANCAR and MACET 2 Tanggungan ,927 ,000 ,612 LANCAR and MACET Pendapatan ,927 ,000 1,299 LANCAR and MACET3 Tanggungan ,919 ,000 1,315 LANCAR and MACET Pendapatan ,738 ,000 1,426 LANCAR and MACET Angsuran ,795 ,000 2,582 LANCAR and MACET

1

Tabel diatas dan tabel selanjutnya sebenarnya hanyalah perincian (detail)

dari proses step wise pada tabel sebelumnya. Pada step satu variable tanggungan

adalah variabel yang masuk kedalam model diskriminan. Hal ini disebabkan

variabel tersebut mempunyai angka Sig of F to Remove yang paling sedikit yakni

0.000 (jauh dibawah 0.05).

Kemudian pada step dua, dimasukan vaiabel kedua, yakni

TANGGUNGAN. Variabel tersebut memenuhi syarat, karena mempunyai angka

Sig of F to Remove di bawah 0,005 yakni 0,000.

Pada step tiga atau terakhir, yakni ANGSURAN. Variabel tersebut juga

memenuhi syarat, dengan angka Sig of F to Remove dibawah 0,005 yakni 0,000.

perhatikan perubahan angka pada variabel PENDAPATAN seiring dengan

masuknya variabel ketiga, yakni variabel ANGSURAN.

Tabel 4.7

Variables Not in the Analysis

Step Tolerance Min.

Tolerance Sig. of F to

Enter Min. D

Squared Between Groups 0 Hutang

1,000 1,000 ,047 ,162 LANCAR and MACET

Pendapatan 1,000 1,000 ,000 ,612 LANCAR and MACET

Angsuran 1,000 1,000 ,047 ,162 LANCAR and MACET

Tanggungan 1,000 1,000 ,000 1,299 LANCAR and MACET

Umur 1,000 1,000 ,753 ,004 LANCAR and MACET

1 Hutang ,998 ,998 ,127 1,426 LANCAR and MACET

Pendapatan ,927 ,927 ,000 2,582 LANCAR and MACET

Angsuran ,998 ,998 ,127 1,426 LANCAR and MACET

Umur ,977 ,977 ,304 1,356 LANCAR and MACET

2 Hutang ,795 ,738 ,000 3,530 LANCAR and MACET

Angsuran ,795 ,738 ,000 3,530 LANCAR and MACET

Umur ,971 ,912 ,560 2,606 LANCAR and MACET

3 Hutang ,000 ,000 . . .

Umur ,960 ,737 ,363 3,595 LANCAR and MACET

1

Tabel tersebut adalah kebalikan dari table sebelumnya, dimana pada tabel

ini justru yang ditayangkan adalah proses pengeluaran variabel secara bertahap.

Pada step 0 (keadaan awal), kelima variable secara lengkap ditayangkan

dengan angka. Sig of F to Remove sebagai factor penguji. Terlihat angka Sig of F

to Remove yang terkecil adalah pada variable tanggungan (0.000). Maka variabel

tanggungan dikeluarkan dari Step 0 tersebut yang berarti variabel tersebut bukan

termasuk variable yang tidak dianalisis.

Pada Step 1 sekarang terlihat empat variabel, dan terlihat angka Sig of F to

Remove yang terkecil adalah pada variabel pendapatan yakni 0,000. Maka

variabel pendapatan dikeluarkan dari Step 1 tersebut yang berarti variabel tersebut

bukan termasuk variable yang tidak dianalisis.

Pada step 2 sekarang terlihat ada tiga variable, dan terlihat variable

angsuran tersebut mempunyai angka Sig of F to Remove 0,000 Maka variabel

angsuran dikeluarkan dari Step 2 tersebut yang berarti variabel tersebut bukan

termasuk variable yang tidak dianalisis.

Pada step 3 ada dua variabel yaitu hutang dan umur dan keduanya

memenuhi syarat, sehingga tidak dikeluarkan, yang berarti keduanya termasuk

pada variable not in the analysis, atau variable yang tidak dianalisis lebih lanjut.

Tabel 4.8

Wilks' Lambda

Step Number of Variables Lambda df1 df2 df3 Exact F

Statistic df1 df2 Sig. 1 1 ,751 1 1 98 32,471 1 98,000 ,0002 2 ,603 2 1 98 31,950 2 97,000 ,0003 3 ,526 3 1 98 28,816 3 96,000 ,000

Wilks lambda pada prinsipnya adalah varians total dalam discriminant

scores yang tidak bisa dijelaskan oleh perbedaan diantara grupgrup yang ada.

Perhatikan table diatas yang terdiri atas tiga tahap, yang terkait dengan satu

variabel yang secara berurutan dimasukan pada tahapan analisis sebelumnya. Pada

step satu jumlah variable yang dimasukan ada satu (Tanggungan) dengan angka

1

Wilks Lambda adalah 0,751. hal ini berarti 75,1% varians tidak dapat dijelaskan

oleh perbedaan antar grup-grup. Kemudian pada step 2, dengan tambahan variabel

(Pendapatan) angka Wilks Lambda turun menjadi 0,603. dan pada step 3 angka

itu turun lagi menjadi 0,526. Penurunan angka Wilks Lambda tentu baik bagi

model diskriminan karena varians yang tidak bisa dijelaskan juga semakin kecil

(dari 75,1 % menjadi 52,6%).

Dari kolom F dan Signifikasinya, terlihat baik pada pemasukan variabel 1,

2, dan kemudian 3, semuanya adalah signifikan secara statistic. Hal ini berarti

ketiga variabel tersebut (TANGGUNGAN, PENDAPATAN, dan ANGSURAN)

memang berbeda untuk kedua tipe nasabah.

Summary of Canonical Discriminant Functions Tabel 4.9

Eigenvalues

Function Eigenvalue % of Variance Cumulative % Canonical Correlation 1 ,901(a) 100,0 100,0 ,688

a First 1 canonical discriminant functions were used in the analysis.

Canocanical correlation mengukur keeratan hubungan antara diskriminan

score dengan grup (dalam hal ini, karena ada dua tipe nasabah, maka ada dua

grup). Angka 0,688 menunjukan keeratan tinggi, dengan ukuran skala asosiasi

antara 0 sampai 1.

Tabel 4.10

Wilks' Lambda Test of Function(s) Wilks' Lambda Chi-square df Sig. 1 ,526 61,965

3

,000

Table diatas menyatakan angka akhir Wilks Lambda, yang sebenarnya

sama saja dengan angka terakhir dari step 3 pembuatan model diskriminan. Angka

Chi Square sebesar 61,965 dengan tingkat signifikasi yang tinggi menunjukan

perbedaan yang jelas antara dua grup nasabah (mereka yang lancar membayar

kewajiban pada Bank dan yang tidak lancar dalam membayar kredit pada Bank).

1

Tabel 4.11

Structure Matrix

Function 1 Tanggungan ,607Pendapatan -,416Hutang(a) ,214Angsuran ,214Umur(a) -,100

Table Structure Matrix menjelaskan korelasi antara variabel independent

dengan fungsi diskriminan yang terbentuk. Terlihat variabel TANGGUNGAN

paling erat hubungannya dengan fungsi diskriminan, diikuti oleh variabel

PENDAPATAN dan ANGSURAN. Hanya disini variabel HUTANG dan UMUR

tidak dimasukkan dalam model diskriminan.

Tabel 4.12

Canonical Discriminant Function Coefficients Function

1 Pendapatan ,000Angsuran ,000Tanggungan ,923(Constant) ,071

Unstandardized coefficients

Table diatas mempunyai fungsi yang hampir mirip dengan persamaan

regresi berganda, yang dalam analisis diskriminan disebut sebagai FUNGSI

DISKRIMINAN.

zScore = 0,071 + (-0,000001543) Pendapatan + 0,000002154 Angsuran +

0,923 Tanggungan

Pada table diatas angka pada PENDAPATAN dan ANGSURAN adalah

0,000 tetapi angka sebenarnya adalah -0,000001543 dan 0,000002154. hal ini

disebabkan dilakukan pembulatan pada output SPSS.

1

Tabel 4.13

Functions at Group Centroids

Function

Kredit 1 LANCAR -,939MACET ,939

Unstandardized canonical discriminant functions evaluated at group means

Oleh karena ada dua tipe nasabah, maka disebut Two-Group Discriminant,

dimana grup yang satu mempunyai Centroid (Grup Means) negative dan grup

yang satunya lagi mempunyai Centroid (Grup Means) positif. Angka pada table

menunjukan besaran Z yang memisahkan kedua grup tersebut.

Gambar :

Gambar 4.1

Distibusi Anggota Grup

LANCAR MACET

Z = -0,939 Z = 0,939

0N = 50 N = 50

Tabel 4.14

Prior Probabilities for Groups

Kredit Prior Cases Used in Analysis

Unweighted Weighted LANCAR ,500 50 50,000MACET ,500 50 50,000Total 1,000 100 100,000

Table teresebut memperlihatkan posisi ke 100 nasabah, yang dengan

model diskriminan menghasilkan 50 nasabah ada di Grup Lancar dan 50 nasabah

ada di grup Macet.

1

Tabel 4.15

Classification Function Coefficients

Kredit LANCAR MACET Pendapatan ,000 ,000Angsuran ,000 ,000Tanggungan ,347 2,082(Constant) -19,548 -19,416

Fisher's linear discriminant functions

Sama seperti tampilan Unstandardized (Canocanical) sebelumnya, fungsi

diskriminan dari Fisher pada prinsipnya membuat semacam persamaan regresi,

dengan pembagian berdasar kode grup :

Mereka yang lancar melunasi kewajiban dalam kategori LANCAR:

zScore = -19,548 + 0,000007390 pendapatan + 0,000001027 angsuran +

0,347 tanggungan

Mereka yang tidak lancar melunasi kewajiban dalam kategori MACET :

zScore = -19,416 + 0,000004490 pendapatan + 0,000001432 angsuran

+ 2,082 tanggungan

Pembuatan Cutt Off Score

Dari table Prior Probabilities For Group, didapat bahwa jumlah nasabah

yang lancar adalah 50 nasabah dan 50 nasabah macet.

NNZNZNZ

BA

ABBACU +

+=

Dimana :

Z CU = Angka Kritis, yang berfungsi sebagai cutt off score

N A dan N B = jumlah sample di grup A dan B yang dalam kasus ini adalah grup Z A dan Z B = angka centroid pada grup A dan B. Perhitungan :

05050

50)939.0(939,0.50 =++=Z CU

2

Penggunaan angka Z CU (Discriminating Z Score) : - Angka skor kasus diatas Z CU , masuk ke grup MACET ( 1 ) - Angka skor kasus dibawah Z CU , masuk ke grup LANCAR ( 0 ) NB : Penggunaan angka 0 sebagai pembatas pada kasus ini karena kebetulan

didapat angka yang sama dengan nol. Pada banyak kasus lainnya, tentu angka

pembatas bisa tidak sama dengan nol.

Penafsiran Aktual dan Predicted Group

Selain dengan melihat angka diskriminan score seperti diatas,

pengelompokkan kasus pada grup tertentu bisa langsung dilihat pada actual dan

predicted grup.

Tabel 4.16 Casewise Statistics

Case Number

Actual Group Highest Group Second Highest Group

Discriminant

Scores

Predicted Group

P(D>d | G=g)

P(G=g | D=d)

Squared Mahalanobis Distance to

Centroid Group P(G=g | D=d)

Squared Mahalanobis Distance to Centroid

Function 1

p df Original 1 0 0 ,846 1 ,802 ,038 1 ,198 2,837 -,745 2 0 0 ,439 1 ,962 ,600 1 ,038 7,039 -1,714 3 1 1 ,493 1 ,955 ,469 0 ,045 6,574 1,625 4 1 1 ,627 1 ,936 ,236 0 5,589 1,425 5 1 1 ,066 1 ,995 3,368 0 ,005 13,794 2,775 6 0 0 ,715 1 ,921 ,134 1 ,079 5,038 -1,305 7 0 0 ,713 1 ,921 ,136 1 ,079 5,050 -1,308 8 1 1 ,810 1 ,902 ,058 0 ,098 4,490 1,179 9 0 0 ,998 1 ,854 ,000 1 ,146 3,540 -,942 10 0 0 ,841 1 ,800 ,040 1 ,200 2,815 -,739 11 1 1 ,191 1 ,986 1,713 0 ,014 10,161 2,248 12 0 0 ,417 1 ,560 ,659 1 ,440 1,138 -,128 13 1 1 ,244 1 ,981 1,359 0 ,019 9,269 2,105 14 1 1 ,581 1 ,674 ,305 0 ,326 1,760 ,387 15 0 0 ,124 1 ,991 2,363 1 ,009 11,668 -2,476 16 1 1 ,518 1 ,952 ,417 0 ,048 6,375 1,585 17 0 1(**) ,482 1 ,609 ,495 0 ,391 1,381 ,236 18 0 0 ,540 1 ,649 ,375 1 ,351 1,605 -,327

2

Penafsiran dengan melihat setiap baris :

Pada baris 1

Actual grup = 0. hal ini berarti data awal diskriminan.sav menyatakan case 1

dikategorikan sebagai grup 0 (lancar)

Predicted grup = 0 hal ini berarti dari hasil perhitungan score, case 1

diprediksi masuk ke grup = 0 oleh karena sesuai dengan actual grup yang juga

0, berarti fungsi diskriminan mampu mengkategorikan case dengan tepat.

P(D>d | G=g) = 0,802 pada highest group hal ini berarti kemungkinan case 1

tepat diklasifikasikan ke grup 0 adalah 80%

P(D>d | G=g) = 0,198 pada second highest group hal ini berarti kemungkinan

case 1 TIDAK tepat diklasifikasikan ke grup 0 adalah 19,8%.

Pada baris 17

Actual grup = 0. hal ini berarti data awal diskriminan.sav menyatakan case 10

dikategorikan sebagai grup 0 (lancar)

Predicted grup = 1 hal ini berarti dari hasil perhitungan score case 1 diprediksi

masuk ke grup = 1. Oleh karena tidak sesuai dengan actual grup yang adalah 0

berarti fungsi diskriminan tidak mampu mengkategorikan case dengan tepat.

Hal ini ditandai dengan tanda ** pada angka 1 di case 17 tersebut.

Demikian seterusnya untuk data yang lain, dengan memperhatikan tanda **

untuk mengetahui terjadinya missclasified dari model dalam memprediksi

pengelompokan data.

Dari hasil diatas, perlu diketahui, seberapa besar ketepatan model diskriminan

dalam mengelompokan kasus pada classification result.

Proses Perhitungan Ketepatan Prediksi dari Model yang sudah dibuat

Setelah fungsi diskriminan dibuat, kemudian klasifikasi dilakukan. Maka

selanjutnya akan dilihat seberapa jauh klasifikasi tersebut sudah tepat atau berapa

persen terjadi misklasifikasi pada proses klasifikasi tersebut.

2

Tabel 4.17

Classification Results(b,c) Kredit Predicted Group Membership Total LANCAR MACET Original Count LANCAR 44 6 50 MACET 7 43 50 % LANCAR 88,0 12,0 100,0 MACET 14,0 86,0 100,0 Cross-validated(a)

Count LANCAR 44 6 50

MACET 9 41 50 % LANCAR 88,0 12,0 100,0 MACET 18,0 82,0 100,0

a Cross validation is done only for those cases in the analysis. In cross validation, each case is classified by the functions derived from all cases other than that case. b 87,0% of original grouped cases correctly classified. c 85,0% of cross-validated grouped cases correctly classified.

Pada bagian original terlihat bahwa mereka yang pada data awal adalah

tergolong macet dan dari klasifikasi fungsi diskriminan tetap pada kelompok

lancar, adalah 44 orang. Sedang dengan model diskriminan mereka yang awalnya

masuk grup lancar ternyata menjadi anggota grup macet adalah 6 orang. Demikian

juga dengan grup macet yang tetap pada grup macet sejumlah 43 orang dan yang

meleset adalah 7 orang. Dengan demikian ketepatan prediksi dari model adalah :

(44 + 43)/100 = 0.87 atau 87%.

Kaitan dengan Penelitian Sejenis

Hasil penelitian ini berbeda dengan hasil penelitian yang dilakukan oleh

Rasni Arrifki (2007). Perbedaan ini dimungkinkan karena objek dan variabel

penelitiannya berbeda. Penelitian Rasni Arrifki (2007) menggunakan objek PT

FIF, dan dengan menggunakan variabel penelitian yang berupa peminjaman untuk

pembiayaan pembelian sepeda motor.

Objek penelitian yang didasari oleh perbedaan bidang usahanya, seperti

yang dilakukan oleh Rasni Arrifki (2007) dimana FIF tidak seperti Bank yang

merupakan lembaga yang memiliki sistem, teknologi dan sumberdaya

manusia profesional yang mampu menilai kelayakan usaha, menyalurkan

dan memonitor kredit secara efektif dan efisien.

2

Sedangkan varaibel penelitiannya waluapun sama mengguakan metode

determinan tetapi faktor faktor yang menjadi penilaian kredit oleh Bank berbeda

dengan PT FIF yang hanya menfokuskan pembiayaan pembayaran sepeda motor. .

PENUTUP

Kesimpulan

Dari proses diskriminan, dimulai dari uji variable sampai analisis output,

didapat kesimpulan yang terkait dengan rumusan masalah pada kasus diawal :

A. Adanya perbedaan yang signifikan antar mereka yang lancar dan tidak

lancar (macet) dalam membayar kredit pada Bank. Hal ini dibuktikan Wilks

Lambda berkisar antara 0,751 sampai 0.999.

B. Variabel yang dapat digunakan untuk mengetahui apakah nasabah tersebut

lancar atau tidak lancar dalam membayar kredit pada bank adalah

Pendapatan, Angsuran dan Tanggungan. Hal ini dapat dilihat dari setiap

analisis awal, baik dari variabel in the analysis maupun variabel not in the

analysis.

C. Model atau fungsi diskriminan untuk kasus tersebut adalah :

zScore = 0,071 + (-0,000001543) Pendapatan + 0,000002154

Angsuran + 0,923 Tanggungan

D. Pada hasil klasifikasi angka ketepatan dari model diskriminan dianggap

tinggi karena diatas 50% yaitu sebesar 87% dan model tersebut dapat

digunakan untuk mengklasifikasi kasus pada proses pembayaran nasabah

dalam membayar kredit pada Bank. Dalam penelitian ini proses pembuatan

model diskriminan dengan melibatkan dua kategori pada variabel dependen

(two group) hasil akhir variabel yang membuat lancar atau tidak lancar

dalam membayar kredit pada Bank adalah Angsuran, Tanggungan dan

Pendapatan.

Saran

Berdasarkan dari kesimpulan tersebut Bank BRI Cabang Brebes yang akan

memberikan kredit kepada nasabah dapat menggunakan model diskriminan ini

2

sebagai penentu apakah seorang nasabah lancar atau tidak lancar dalam

pembayaran kredit pada bank. Bank sebagai pemberi kredit tidak ingin mengalami

kerugian sehingga sebelum menerima nasabah harus dilihat dulu kriteria nasabah

yang memenuhi syarat.

Bagi peneliti yang akan melakukan penelitian lebih lanjut, dan agar hasil

penelitian lebih baik disarankan untuk menambah vaiabel lain yang menjadi

kriteria pemberian kredit.

DAFTAR PUSTAKA

Astiko dan Sunardi. 1996. Pengantar Manajemen Perkreditan. Edisi Pertama.

Yogyakarta : ANDI.

Dahlan Siamat. 1995. Manajemen Lembaga Keuangan. Jakarta : Intermedia.

Husain Umar. Riset Akuntansi.. 2001. Jakarta : PT Gramedia Pustaka.

Johanes Supranto. 2004. Analisis Multivariat Arti dan Interpretasi. Jakarta : PT

Rineka Cipta.

Mudrajad Kuncoro. 2001. Metode Kuantitatif Teori dan Aplikasi untuk Bisnis dan

Ekonomi. Yogyakarta : Unit Penerbit dan Percetakan AMP YKPN.

Rasni Arrifki. 2007. Faktor-faktor yang Mempengaruhi Layak Tidaknya

Pemberian Kredit kepada Konsumen PT FIF. Jakarta : Universitas

Gunadarma.

Singgih Santoso. 2006. Menggunakan SPSS untuk Statistik Multivariat. Jakarta :

PT Elexmedia Komputindo.

Singgih Santoso dan Fandy Tjiptono. 2001. Riset Pemasaran. Jakarta : PT Elex

Media Komputindo.

Syahyunan. 2002. Analisis Kualitas Aktiva Produktif sebagai Salah satu

Alat Ukur Kesehatan Bank. Medan : Universitas Sumatera Utara.

Thomas Suyatno. 1999. Dasar-dasar Perkreditan. Edisi ke empat. Jakarta :

Gramedia Pustaka Utama.

Teuku Mirza, 1999. USAHAWAN NO. 08 TH XXVIII