Pemodelan Early Warning System sebagai Penilai Tingkat ... · Pendugaan koefisien model regresi...
Transcript of Pemodelan Early Warning System sebagai Penilai Tingkat ... · Pendugaan koefisien model regresi...
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:
2) Professor Penelitian Bidang Statistik ITS Surabaya, email:
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