Pemodelan Early Warning System sebagai Penilai Tingkat Kesehatan

Finansial calon Nasabah dengan Metoda Binary Regresi Logistik

Studi Kasus : Bank X Surabaya Branch

Mochammad Taufan

1) , Prof. Drs. Nur Iriawan, M.Ikom, Ph.D

2)

1) S2/Jurusan Manajemen Teknologi Informasi ITS Surabaya, email:

motaufan@gmail.com

2) Professor Penelitian Bidang Statistik ITS Surabaya, email:

nur_i@statistika.its.ac.id

ABSTRAKSI

Untuk dapat memproleh gambaran tentang perkembangan finansial suatu

perusahaan, perlu mengadakan analisa atau interprestasi terhadap data finansial dari

perusahaan bersangkutan, dimana data finansial itu tercermin didalam laporan

keuangan, Oleh karena itu Bank X perlu menganalisa kondisi finansial calon nasabah.

Yang mana hasil akhir dari penilaian kondisi finansial calon nasabah bank dapat

menentukan perusahaan mana yang finansialnya sehat dan dapat menjadi nasabah di

waktu yang akan datang. Salah satu caranya adalah dengan melakukan penilaian

tingkat kesehatan calon nasabah bank berdasarkan analisis rasio keuangan

menggunakan early warning system dan analisis model. Dalam tesis ini digunakan

model analisis regresi binary logistik untuk menilai tingkat kesehatan finansial suatu

perusahaan, khususnya kantor cabang Bank X Surabaya Branch. Analisis regresi

logistik binary ini menggunakan rasio keuangan yang diperoleh dari laporan

keuangan laba rugi tahun 2006 dan 2008. Kemudian dengan menggunakan metode

Principal Component Analysis dan dilanjutkan dengan metode maximum likelihood

dihasilkan koefisien regresi logistik binary berdasarkan data data peubah independen

laporan keuangan. Hasil akhir yang didapatkan adalah model EWS yang dapat

menilai tingkat kesehatan finansial nasabah dan calon nasabah.

Kata kunci : Laporan Keuangan, Kesehatan Ekonomi Perusahaan, Early Warning

System

ABSTRACT

To be able to fare a picture of a company's financial developments, need to

conduct an analysis or interpretation of financial data from the companies concerned,

in which financial data is reflected in the financial statements, therefore the Bank X

should analyze the financial condition of prospective customers. Which outcome of

the assessment of prospective financial condition of a bank customer can determine

which companies are financially healthy and could be a customer in the future. One

way is by assessing the health of the prospective customers of the bank on the basis

of financial ratio analysis using an early warning system and analysis of the model. In

this thesis used a binary logistic regression analysis model to assess the financial

soundness of a company, particularly the branch office of Bank X Surabaya Branch.

This binary logistic regression analysis using financial ratios derived from financial

statements of income in 2006 and 2008. Then by using the method of Principal

Component Analysis and followed by the method of maximum likelihood logistic

regression coefficients generated binary data based on the financial statements of

independent variable data. The final result obtained is the EWS model that can assess

the financial soundness of customers and prospects.

Key words: Financial Report, Health Economics Company, Early Warning System

PENDAHULUAN

Kegiatan usaha nasabah bank terus mengalami perubahan dan peningkatan

sejalan dengan perkembangan teknologi informasi, globalisasi, dan integrasi pasar

keuangan, sehingga kompleksitas kegiatan usaha nasabah bank semakin tinggi.

Kompleksitas kegiatan usaha nasabah bank yang semakin meningkat tersebut

mengakibatkan tantangan dan risiko yang dihadapi juga semakin besar. Dengan

melihat perkembangan tantangan dan risiko usaha nasabah bank yang semakin besar,

maka diperlukan berbagai macam upaya untuk memilih calon nasabah bank yang

berpotensial ekonomi keuangannya meningkat. Salah satu caranya adalah dengan

melakukan penilaian tingkat kesehatan calon nasabah bank berdasarkan analisis rasio

keuangan menggunakan early warning system dan analisis regresi binary logistik.

Pertumbuhan di pasar keuangan internasional dan makin beragamnya instrumen

keuangan memungkinkan bank memiliki akses yang lebih luas terhadap sumber dana.

Dengan adanya perkembangan produk-produk perbankan, maka telah meningkatkan

kebutuhan dan memperumit fungsi pengukuran risiko, manajemen risiko, dan

pendekatan terpadu terhadap pengendalian internal. Salah satu cara untuk mendeteksi

risiko tersebut adalah dengan menggunakan early warning system. Sistem ini

merupakan suatu mekanisme untuk mendeteksi gejala atau tanda-tanda awal yang

diperkirakan dapat mempengaruhi perkembangan kemajuan suatu perusahaan.

Rasio merupakan suatu ekspresi matematis dari satu jumlah yang bersifat relatif

terhadap yang lain. Menurut Van Horne ( 2005 : 234) : “Rasio keuangan adalah alat

yang digunakan untuk menganalisis kondisi keuangan dan kinerja perusahaan. Kita

menghitung berbagai rasio karena dengan cara ini kita bisa mendapat perbandingan

yang mungkin akan berguna daripada berbagai angka mentahnya sendiri”. Sedangkan

pengertian analisis rasio keuangan merupakan teknik yang digunakan untuk

menganalisis perbandingan dan relativitas data keuangan suatu perusahaan

(Gibson,2000).

Merupakan Ratio yang digunakan untuk mengukur kemampuan perusahaan

dalam memenuhi kewajian finansial jangka pendek yang berupa hutang – hutang

jangka pendek (short time debt) Menurut Van Horne :”Sistem Pembelanjaan yang

baik Current ratio harus berada pada batas 200% dan Quick Ratio berada pada

100%”. Adapun yang tergabung dalam rasio ini adalah :

a. Current Ratio ( Rasio Lancar)

b. Quick Ratio ( Rasio Cepat )

c. Cash Ratio ( Rasio Lambat)

Rasio ini disebut juga Ratio leverage yaitu mengukur perbandingan dana yang

disediakan oleh pemiliknya dengan dana yang dipinjam dari kreditur perusahaan

tersebut. Rasio ini dimaksudkan untuk mengukur sampai seberapa jauh aktiva

perusahaan dibiayai oleh hutang rasio ini menunjukkan indikasi tingkat keamanan

dari para pemberi pinjaman (Bank). Adapun Rasio yang tergabung dalam Rasio

Leverage adalah :

a. Total Debt to Equity Ratio (Rasio Hutang terhadap Ekuitas)

b. Total Debt to Total Asset Ratio ( Rasio Hutang terhadap Total Aktiva )

Rasio ini disebut juga sebagai Ratio Profitabilitas yaitu rasio yang digunakan

untuk mengukur kemampuan perusahaan dalam memperoleh laba atau keuntungan,

profitabilitas suatu perusahaan mewujudkan perbandingan antara laba dengan aktiva

atau modal yang menghasilkan laba tersebut. Yang termasuk dalam ratio ini adalah :

a. Gross Profit Margin ( Margin Laba Kotor)

b. Net Profit Margin (Margin Laba Bersih)

c. Earning Power of Total investment

d. Return on Equity (Pengembalian atas Ekuitas)

Decision Support System (DSS) atau disebut juga sistem pendukung keputusan

adalah suatu bagian dari sistem informasi berbasis komputer yang dipakai untuk

mendukung pengambilan keputusan dalam suatu organisasi atau perusahaan.

Analisa regresi merupakan analisa yang digunakan untuk mencari bagaimana

variabel-variabel independen dan variabel dependen berhubungan pada hubungan

fungsional atau sebab akibat. Model regresi memiliki variabel independen (x) dan

variabel dependen (y).

(1)

Regresi logistik biner telah banyak digunakan secara luas sebagai salah satu alat

analisis pemodelan ketika variabel dependennya (Y) bersifat biner. I stilah biner

merujuk pada penggunaan dua buah bilangan 0 dan 1 untuk menggantikan dua

kategori pada variabel dependen. Contoh variabel dependen yang di maksud adalah

kesuksesan ( sukses – gagal ), Kesetujuan ( setuju – tidak sertuju ), keinginan

membeli ( ya – tidak ), dan masih banyak lagi.

Pendugaan koefisien model regresi logistik tidak dapat di lakukan dengan

metode kuadrat terkecil ( ordinary least squares ) seperti halnya regresi linear karena

pelanggaran asumsi kehogenan ragam. Metode kemungkinan maksimum ( Maximum

likelihood ) menjadi salah satu alternatif yang dapat digunakan. Jika pi menyatakan

peluang suatu invidu ke-i memiliki Y = 1, maka model regresi logistik dengan k buah

variabel independen dapat dituliskan sebagai

(2)

Dengan kata lain, model regresi logistik biner dapat dituliskan sebagai:

(3)

Regresi logistik ekuivalen dengan diskriminan analis dua grup dan memerlukan

variabel dependen berupa binary dengan nilai 0 dan 1. Dimana nilai е adalah 2.71828.

Odds ratio berhubungan dengan transformasi logit, dimana fungsi logistik harus

ditransformasi menjadi bentuk linier. Hal ini berkaitan dengan fungsi logistik yang

merupakan fungsi non linier, sehingga diperlukan adanya suatu transformasi. Odds

ratio merupakan rasio (perbandingan) antara peluang kejadian untuk y=1 dengan

peluang kejadian untuk y=0. Persamaan odds ratio dapat diilustrasikan pada

persamaan (4).

(4)

Pendugaan koefisien model regresi logistik tidak dapat dilakukan dengan

menggunakan metode kuadrat terkecil (ordinary least square). Hal ini dikarenakan

metode kuadrat terkecil mengasumsikan nilai variance error bersifat konstan,

sementara pada regresi logistik, nilai variance merupakan fungsi dari p dimana nilai p

ini bervariasi tergantung pada variabel penjelas x. Variasi nilai p menyebabkan nilai

variance juga bervariasi sehingga variance bersifat heterogen.

METODE

Studi pendahuluan yang dilakukan pada penelitian ini terdiri dari studi literatur

yang meliputi pengkajian literatur yang berhubungan dengan modelling data, early

warning system, regresi logistik dan penerapannya pada data keuangan suatu bank.

Pengkajian literatur penelitian terdahulu, yang relevan dengan topik penelitian juga

dilakukan. Selain itu, informasi lapangan mengenai sistem dan permasalahan analisis

tingkat kesehatan dan efisiensi bank juga perlu dilakukan baik untuk pengembangan

model maupun keperluan implementasinya. Hasil kajian ini kemudian dijadikan state

of the art penelitian yang dilakukan.

Berdasarkan hasil dari studi pendahuluan diketahui bahwa pada saat ini analisis

penilaian tingkat kesehatan finansial calon nasabah dilakukan secara sentralisasi di

kantor pusat Bank X di Jakarta. Sentralisasi laporan keuangan ini mengakibatkan

karyawan pimpinan, khususnya branch manager, tidak dapat melakukan tindakan

secara dini mengenai tingkat kesehatan finansial calon nasabah. Dari kelemahan

tersebut, maka dibutuhkan adanya suatu early warning system agar team sales dapat

secara dini mengetahui tingkat kesehatan finansial calon nasabah yang akan buka

rekening di Bank X cabang Surabaya.

Jenis penelitian yang dilakukan analisis adalah pengujian hipotesis, dengan

melakukan pengujian terhadap semua variabel yang diteliti. Horizon waktu riset

bersifat cross sectional sehingga model yang digunakan adalah dengan regresi

logistik. Dengan regresi logistik ini dapat dilihat hubungan antara variabel dependen

berupa variabel independen yang bersifat kualitatif dan variabel-variabel independen

berupa variabel kualitatif (nominal atau ordinal) maupun variabel kuantitatif (interval

atau rasio).

Sedangkan populasi dalam penelitian ini adalah beberapa calon nasabah Bank X

cabang Surabaya pada tahun 2008 dan 2006. Besar populasi sejumlah 30 Perusahaan

go public di Indonesia. Data yang digunakan merupakan data dari laporan keuangan

tahunan dengan alasan ketersediaan data untuk variabel dependen.

Dalam penelitian ini, variabel yang diteliti diklasifikasikan ke dalam variabel

independen dan variabel dependen. Dimana variabel dependen yang digunakan

adalah Laporan rugi laba, yang dalam hal ini tingkat kesehatan yang memiliki

hubungan fungsional dengan rasio keuangan. Suatu perusahaan tingkat kesehatan

finansialnya untuk mempertahankan kelangsungan operasional yang tercermin dalam

data atau informasi laporan keuangan tahunan. Formulasi yang digunakan adalah

variabel dummy, dimana angka 0 menunjukkan perusahaan mengalami kebangkrutan

dengan kriteria kurang sehat dan tidak sehat. Angka 1 menunjukkan perusahaan

dalam kriteria sehat dan cukup sehat.

Variabel independen yang digunakan dalam penelitian ini adalah sebagai

berikut :

a. Rasio Lancar

b. Rasio Cepat

c. Cash Rasio Lambat

d. Rasio Hutang Terhadap Ekuitas

e. Rasio Hutang Terhadap Total

f. Margin Laba Kotor

g. Margin Laba Bersih

h. Earning Power of Total Investment

i. Pengembalian atas Ekuitas

Pengujian ini dilakukan untuk mengukur tingkat keeratan hubungan linear antara

2 variabel. Nilai korelasi berkisar antara 1 sampai |-1|. Nilai korelasi negatif berarti

hubungan antara 2 variabel adalah negatif (apabila salah satu variabel menurun, maka

variabel lainnya akan meningkat). Sebaliknya, nilai korelasi positif berarti hubungan

antara kedua variabel adalah positif (apabila salah satu variabel meningkat, maka

variabel lainnya meningkat pula. Suatu hubungan antara 2 variabel dikatakan

berkorelasi kuat apabila makin mendekati 1 atau |-1|. Sebaliknya, suatu hubungan

antara 2 variabel dikatakan lemah apabila semakin mendekati 0 (nol).

Hipotesis untuk uji korelasi adalah :

H0 : ρ = 0

H1 : ρ ≠ 0

Dengan ρ adalah korelasi antara 2 variabel.

Daerah penolakan

P-value < α ,

Dimana nilai α yang digunakan adalah 5%

Pengujian data ini dengan menggunakan MatLab 7.

Metode ini digunakan untuk melakukan reduksi variabel yang saling berkorelasi

sehingga masing-masing menjadi variabel independen. Selain itu, problem dalam

principal component analysis adalah menemukan eigenvalue dan eigenvector. Dalam

principal component, apabila sebagian besar total variasi populasi (sekitar 80-90%)

untuk jumlah variabel yang besar dapat diterangkan oleh 2 atau 3 komponen utama

(principal component), maka kedua atau ketiga komponen dapat menggantikan

variabel semula tanpa menghilangkan banyak informasi. Pengolahan data ini

menggunakan Minitab 14.

Penaksiran dengan menggunakan metode ini akan dapat memberikan

penyelesaian yang lebih efisien baik secara komputasi maupun bila ditinjau dari

kecepatan proses kalkulasinya. Dengan menjaga dan mendesain matriks x yang tidak

saling berkorelasi secara signifikan, maka proses yang bersesuaian dengan metode

estimasi regresi linear akan dipastikan memberikan hasil estimasi parameter model, β,

secara lebih efisien.

Dari hasil analisis dan interpretasi dihasilkan jenis informasi yang dapat

dihasilkan dari model dan dapat digunakan sebagai alat bantu pengambilan

keputusan. Jenis informasi ini akan mendasari modifikasi graphical user interface

(GUI) yang akan dilakukan terhadap model regresi logistik yang dihasilkan.

HASIL DAN PEMBAHASAN

Pada kesempatan ini akan dibahas desain dan implementasi dari penelitian yang

telah dilakukan. Untuk dapat memodelkan regresi logistik, syarat yang harus dipenuhi

salah satunya adalah variabel independen harus tidak memiliki sifat interdependensi

yang menyebabkan adanya multikolinearitas. Multikolinearitas terjadi ketika

sebagian besar variabel yang digunakan saling terkait dalam suatu model regresi.

Masalah multikolinearitas menjadi serius apabila digunakan untuk mengkaji

hubungan antara variabel independen (x) dengan variabel dependen (y) karena

simpangan baku koefisien regresi tidak signifikan, sehingga sulit memisahkan

pengaruh dari masing-masing variabel independen. Dengan melihat pada matriks

korelasi (korelasi antar variabel independen), yaitu jika p-value korelasi antar

variabel kurang dari 0,05 atau 5%, diduga terdapat gejala multikolinearitas.

Untuk mendeteksi adanya multikolinearitas antar variabel independen

(prediktor) dapat dilakukan dengan pengujian korelasi terhadap data rasio keuangan

tahunan 2008 dengan menggunakan Minitab14.

Dari pengujian kolerasi dapat diketahui bahwa terdapat korelasi antara variable

variable di atas. Hal ini ditunjukkan dari nilai p-value berada di daerah penolakan,

dimana nilai α kurang dari 5%. Sehingga kesimpulannya adalah menolak hipotesis

awal yang berarti bahwa terdapat variable – variable yang memiliki korelasi cukup

erat. Dari analisa korelasi variabel-variabel independen dari tabel – tabel diatas,

terdapat faktor multikolinearitas. Dimana masing-masing variabel independen

terdapat hubungan linier atau korelasi yang tinggi. Dengan adanya faktor

multikolinearitas antar variabel independen, maka akan digunakan uji kolersi dengan

menggunakan analisis komponen pokok atau disebut principal component analysis

(PCA). Analisis ini digunakan untuk mengkonversi sebagian besar variabel asli yang

saling berkorelasi satu dengan yang lainnya menjadi satu set variabel baru yang lebih

kecil dan saling bebas (tidak berkorelasi).

Variabel-variabel rasio keuangan yang saling berkorelasi satu dengan yang

yang lainnya, yang digunakan dalam rasio keuangan perlu direduksi dan dikonversi

menjadi beberapa variable yang tidak memiliki saling keterkaitan (interdependensi).

Variabel tersebut diperoleh dari variabel rasio keuangan yang asli. Banyaknya

komponen pokok yang tidak memiliki sifat interdependensi dihitung dari banyaknya

eigen value dengan nilai lebih dari 1, dengan menggunakan MINITAB14 dapat

dilihat dari hasil analisis eigen value pada Gambar 1, bahwa ada 2 variabel yang

memenuhi standar eigen value lebih dari 1 yaitu 13.037 dan 4.064.

Gambar 1 Analisa PCA Validasi dengan Minitab14 Data Rasio Laporan Keuangan

2008

Sedangkan untuk komponen pokok tahun 2006 yang tidak memiliki sifat

interdependensi dihitung dari banyaknya eigen value dengan nilai lebih dari 1 pada

Gambar 2. yaitu ada 2 variabel yang memenuhi standar eigen value lebih dari 1 yaitu

dan .

Gambar 2 Analisa PCA Validasi dengan Minitab14 Data Rasio Laporan Keuangan

2006

Dari analisisa PCA terhadap data rasio keuangan pada Gambar 1, Sehingga

komponen pokok yang harus dihitung sebanyak 2 komponen pokok pada tahun 2008.

Seperti yang terlihat pada Tabel 1, sebagai berikut.

Tabel 1 Koefisien Komponen Pokok Data Rasio Keuangan tahun 2008

Variabel PC1 PC2

RL1 0.1269 -0.6365

RL2 0.0951 -0.5873

RL3 0.0682 -0.3185

RS1 -0.9730 -0.1075

RS2 -0.0137 0.0743

RR1 -0.0240 -0.0323

RR2 -0.0005 -0.0084

RR3 0.0064 -0.0306

RR4 -0.1506 -0.3597

Dari analisisa PCA terhadap data rasio keuangan pada Gambar 2. Sehingga

komponen pokok yang harus dihitung sebanyak 2 komponen pokok pada tahun 2006.

Seperti yang terlihat pada Tabel 2, sebagai berikut.

Tabel 2 Koefisien Komponen Pokok Data Rasio Keuangan tahun 2006

Variabel PC1 PC2

RL1 -0.0488 -0.7255

RL2 -0.0340 -0.5795

RL3 0.0072 -0.3020

RS1 -0.9824 0.0886

RS2 -0.0420 -0.0266

RR1 -0.0401 -0.0466

RR2 -0.0039 -0.0135

RR3 -0.0010 -0.0336

RR4 -0.1670 -0.1861

Dari nilai koefisien yang telah diketahui pada tabel 1 kemudian digunakan untuk

menghitung nilai komponen pokok yang selanjutnya akan digunakan dalam

pemodelan regresi menggantikan variabel rasio keuangan. Nilai principal component

diperoleh dengan mengalikan koefisien komponen pokok dengan masing-masing

variabel rasio keuangan. Score komponen-komponen pokok beserta variabel

dependen yang akan diproses lebih lanjut dapat dilihat pada Tabel 3, dari tahun 2008.

Dimana score komponen pokok yang dihasilkan akan digunakan sebagai prediktor

yang dapat diolah menggunakan metode regresi.

Tabel 3 Variabel Dependen dan Score Komponen Pokok Untuk Pemodelan Regresi

Logistik Tahun 2008

ID P Respon PC1 PC2 ID P Respon PC1 PC2

PT01 0 -2.1320 -2.1073 PT16 1 0.2826 -3.4338

PT02 0 -0.2156 -1.7410 PT17 1 -0.4898 -2.7439

PT03 1 -7.7253 -3.2717 PT18 0 -3.2568 -0.5752

PT04 1 -1.8237 -1.4720 PT19 1 -0.7163 -1.8771

PT05 1 -0.1708 -2.8225 PT20 0 -1.8326 -1.5841

PT06 1 -2.8759 -1.3067 PT21 1 0.4500 -4.4228

PT07 1 -0.9653 -11.3616 PT22 1 0.0434 -4.1623

PT08 1 -1.4806 -2.4252 PT23 1 -1.8740 -3.3216

PT09 1 -1.6955 -1.4758 PT24 1 -0.7755 -2.2777

PT10 1 -7.3184 -2.1996 PT25 1 0.3600 -3.7075

PT11 0 -2.0386 -1.4920 PT26 1 -1.1655 -3.2556

PT12 1 0.3639 -5.2241 PT27 1 -0.9498 -1.7366

PT13 0 -1.0623 0.0997 PT28 1 -1.2160 -1.9729

PT14 1 -0.6051 -0.9639 PT29 0 -0.1228 -1.9623

PT15 1 -0.1437 -2.3497 PT30 1 -18.2001 -3.7840

Dari nilai koefisien yang telah diketahui pada tabel 2 kemudian digunakan untuk

menghitung nilai komponen pokok yang selanjutnya akan digunakan dalam

pemodelan regresi menggantikan variabel rasio keuangan. Nilai principal component

diperoleh dengan mengalikan koefisien komponen pokok dengan masing-masing

variabel rasio keuangan. Score komponen-komponen pokok beserta variabel

dependen yang akan diproses lebih lanjut dapat dilihat pada Tabel 4 dari tahun 2006.

Dimana score komponen pokok yang dihasilkan akan digunakan sebagai prediktor

yang dapat diolah menggunakan metode regresi.

Tabel 4 Variabel Dependen dan Score Komponen Pokok Untuk Pemodelan Regresi

Logistik Tahun 2006

ID P Respon PC1 PC2 ID P Respon PC1 PC2

PT01 0 2.4621 1.5443 PT16 1 -0.4176 -3.4176

PT02 0 0.4745 1.6317 PT17 1 -0.9382 -2.3962

PT03 1 -8.1057 -1.3214 PT18 0 -3.1825 0.2716

PT04 1 -2.0351 -1.0534 PT19 1 -0.9990 -1.5703

PT05 1 -0.6763 -2.6230 PT20 0 -2.0352 -1.0669

PT06 1 -2.9761 -0.5443 PT21 1 -0.4344 -4.3368

PT07 1 -3.2182 -10.5173 PT22 1 -0.8186 -4.0804

PT08 1 -1.8909 -2.0087 PT23 1 -2.4955 -2.8186

PT09 1 -1.8480 -0.9359 PT24 1 -1.1377 -1.9240

PT10 1 -7.5939 -0.6046 PT25 1 -0.3754 -3.6342

PT11 0 2.3166 1.0884 PT26 1 -1.7661 -2.8586

PT12 1 -0.7104 -5.1184 PT27 1 -1.1952 -1.3721

PT13 0 1.0569 2.0937 PT28 1 -1.5652 -1.6845

PT14 1 -0.6934 -0.7049 PT29 0 0.5526 1.9399

PT15 1 -0.5698 -2.2142 PT30 1 -18.4406 0.5127

Pada Tabel 3 dan Tabel 4 terlihat score komponen pokok tahun 2006 dan tahun

2008, dan data yang dihasilkan dari pengolahan dengan principal component analysis

adalah variabel independen awal yang terdiri dari 9 rasio keuangan dikonversi

menjadi 2 Principal Component (PC) untuk data rasio keuangan tahun 2008 maupun

tahun 2006.

Proses pre-modelling yang telah dilakukan diatas, menghasilkan model regresi

logistik dari pemrosesan data pada Tabel 3 dan Tabel 4. Data yang dihasilkan telah

memenuhi persyaratan pemodelan regresi logistik sehingga koefisien dan intercept

dari proses pemodelan akan menjadi model regresi logistik.

Gambar 3 Pemodelan Regresi Logistik Data Rasio Tahun 2008

Gambar 3 menunjukkan hasil pemodelan data rasio keuangan tahun 2008

dengan 9 komponen pokok sebagai independent. Nilai koefisien model regresi

logistik yang dihasilkan adalah -2.67901, -0.154909, dan -1.83213. Namun karena

nilai P-value dari PC1 yang melibihi nilai toleransi 10% dari α maka PC1 tidak layak

untuk di modelkan pada pemodelan regresi logistik.

Gambar 4 Pemodelan Regresi Logistik Data Rasio Tahun 2006

Gambar 4 menunjukkan hasil pemodelan data rasio keuangan tahun 2006

dengan 9 komponen pokok sebagai independent. Nilai koefisien model regresi

logistik yang dihasilkan adalah -1.88583, -0.403216, dan -3.07014. Namun karena

nilai P-value dari PC1 yang melibihi nilai toleransi 10% dari α maka PC1 tidak layak

untuk di modelkan pada pemodelan regresi logistik.

Hasil dari pemodelan regresi logistik dari tahun 2006 sampai dengan 2008

menghasilkan koefisien yang signifikan, dimana p-value lebih kecil dari nilai α = 5%.

Dari pemodelan regresi logistik diatas, dapat digunakan untuk menghasilkan

persamaan regresi logistik dalam bentuk logit P(X) sebagai berikut.

Persamaan untuk laporan keuangan tahun 2008 adalah :

Logit P(i) = β0 + (-1.83213) PC2 (5)

dengan β0 = -2.67901

Persamaan untuk laporan keuangan tahun 2006 adalah

Logit P(i) = β0 + (-3.07014) PC2 (6)

dengan β0 = -1.88583

Pada bagian ini akan di implementasikan hasil model pada subbab sebelumnya

dengan mengambil sample data calon nasabah dan data nasabah yang laporan

keuangannya kurang sehat, sehingga dapat di tarik kesimpulan model ini dapat di

gunakan pada calon nasabah dan nasabah kedepannya.

Model yang dihasilkan oleh persamaan regresi logistik tidak dapat secara

langsung digunakan untuk memprediksi kondisi kesehatan suatu perusahaan pada

periode waktu yang berbeda. Dari model regresi dihasilkan respon berupa tingkat

kesehatan Keuangan dari nasabah Bank X dengan skala “Sehat” atau “diterima” = 1,

dan “tidak Sehat” atau “ditolak”=0. Dengan pengujian validitas dapat dibuktikan

bahwa model regresi logistik yang terbentuk dapat digunakan untuk periode waktu

yang berbeda. Pengujian validitas dilakukan dengan membandingkan apakah terjadi

perbedaan pada jumlah variabel yang dihasilkan pada model regresi logistik yang

terbentuk pada tahun yang berbeda.

Perbandingan model regresi logistik dilakukan dengan menggunakan data rasio

laporan keuangan tahun 2006 dan 2008 dari Gambar 3 dan Gambar 4. Variabel-

variabel komponen pokok yang dihasilkan sebagai variabel independent terhadap

tingkat kesehatan suatu perusahaan dimana tidak terlalu berbeda secara signifikan.

Sehingga hal ini menunjukkan bahwa model data rasio keuangan tahun 2006 dapat

digunakan untuk tahun 2008, akan tetapi diperlukan pengujian kembali untuk tahun-

tahun berikutnya.

Dengan model di atas dapat di buat model untuk nasabah baru yang mana

nasabah baru hanya mempunyai nilai Rasio keuangan, jadi terlebih dahulu membuat

model untuk Principal Component. Dengan bantuan tabel score PCA pada tabel 3. Di

dapat model berikut:

Persamaan PCA untuk laporan keuangan adalah :

PC2 = (-0.6365) RL1 + (-0.5873) RL2 + (-0.3185) RL3 + (-0.1075) RS1 + 0.0743

RS2 + (-0.0323) RR1 + (-0.0084) RR2 + (-0.0306) RR3 + (-0.3597) RR4 (7)

Data rasio laporan keuangan nasabah baru di tunjukkan dalam tabel 4.4a sebagai

berikut:

Tabel 5 Laporan Rasio Keuangan Nasabah

Dari data pada Tabel 5 kemudian dimasukkan ke persamaan (7) menghasilkan nilai

dari PC2 adalah -3.8. Kemudian dimasukkan ke persamaan (5) hasilnya sebagai

berikut:

Logit P(i) = β0 + (-1.83213) PC2

= -2.67901 + (-1.83213) (-3.8)

= -2.67901 + 6.962094

= 4.283084

Didapat hasil logit P(i)= 4.283084, yang mana hasil tersebut di masukkan kedalam

persamaan (3) yang merupakan standar rumus dari regresi binary logistik peluang

nilai Y=1 adalah 0,98. Yang berarti melebihi standart dari bank X yaitu 0,70. Dari

hal ini dapat di simpulkan nasabah dengan kode PN01 DITERIMA menjadi Nasabah

Bank X.

Dengan tools ini diharapkan bisa membantu memudahkan manajemen dari bank

X Surabaya branch dalam mengambil keputusan kedepannya.

KESIMPULAN DAN SARAN

Dalam penulisan makalah ini terdapat beberapa kesimpulan dan saran sebagai

penyempurna agar topik bahasan dapat terimplementasi di lapangan. Kesimpulan

berkaitan dengan tujuan dan manfaat dari penulisan ini, sedangkan saran lebih

bersifat rekomendasi bagi pembaca tesis ini apabila akan mengimplementasikan topic

bahasan atau melakukan studi lebih lanjut terkait dengan topik bahasan.

Kesimpulan-kesimpulan yang dapat diambil dari penelitian mengenai pemodelan

regresi logistik yang digunakan untuk alat bantu pengambilan keputusan di Bank X,

antara lain :

Metode regresi binary logistik dapat memodelkan data laporan keuangan

tahunan calon nasabah pada kantor cabang Bank X Surabaya dan model

regresi logistik yang terbentuk dapat digunakan sebagai Early Warning System

Pengujian validitas model Early Warning System yang terbentuk untuk

prediksi pada tahun-tahun berikutnya

Terbentuk analisis dan interpretasi hasil pemodelan Early Warning System dan

memanfaatkan model tersebut dalam pengambilan keputusan di Bank X

Dan saran penulis kedepannya dikarenakan penampilan arsitektur aplikasi yang

di buat hanya memuat 9 variabel dari 3 rasio utama laporan keuangan, bisa

ditambahkan dengan rasio keuangan yang lain maka informasi kebutuhan laporan

keuangan yang lebih akurat dapat lebih mudah digunakan untuk membuat suatu

keputusan.

DAFTAR PUSTAKA

Dolores M. Etter and David C. Kuncicky, Introduction to MATLAB 7, with Holly

Moore, Pearson/Prentice Hall, Upper Saddle River, NJ.

Fractal (2003), Comparative Analysis of Classification Techniques, A Fractal White

Paper.

Gibson, C.H. (2000), Financial Reporting & Analysis: Using Financial Accounting

Information, 8th

Edition, South Western, Boston.

Hair, J.F, Black, W.C., Babin, B.J., Anderson, R.E., dan Tatham, R.L (2006) :

Multivariate Data Analyst , 6th

Edition, Person Education, New Jersey, US

Hosmer, D.W., dan Lemeshow, S. (2000), Applied Logistic Regression, 2nd

Edition,

John Wiley and Sons, Inc., New York.

Iriawan, N. (2005a), Laporan Hasil Pembentukan Early Warning System (EWS)

Obligasi Korporasi, ITS, Surabaya.

Jolliffe, I.T. (2002), Principal Component Analysis, 2nd

Edition, Springerverlag, Inc.,

New York.

Kleinbaum, D.G., dan Klein, M. (2002), Logistic Regression A Self-Learning Text,

2nd

Edition, Springerverlag, Inc., New York.

Kim, T.Y., Kyong, J.O., Insuk ,S.,and Hwang, C. (2004), Usefulness of Artificial

Neural Network For Early Warning System of Economic Crisis, Elsevier

Muljono, T.P.(1988), Aplikasi Akuntansi Manajemen dalam Praktek Perbankan,

Edisi Pertama, Cetakan Pertama, BPFE, Yogyakarta.

Van Nostrand Reinhould Co, New York.

Kown (2004), Financial Report,

Van Horne ( 2005 ), Financial Rasio

Vercellis, C. (2009), Business Intelligence : Data Mining and Optimization

For Decision Making, Chichester : John Wiley & Sons