1. Berbagai model yang sudah dibuat kita masukkan dalam sheet yang berbeda. 2. Kemudian sheet tersebut kita hubungkan

Teks penuh

(1)

METODOLOGI PENELITIAN

Pembuatan Dashboard Management System

1. Berbagai model yang sudah dibuat kita masukkan dalam sheet yang berbeda

2. Kemudian sheet tersebut kita hubungkan

menjadi satu dalam model Dashboard

menjadi satu dalam model Dashboard

(2)

Collection & Recovery Management

Collection & Recovery Management

Bulan M M + 1 Pinjaman yg bulan tsb Pinjaman yg dikucurkan di bulan tsb C 0 C 0 C 0 C 0 C 0 C 0 C 0 M + 2 M + 3 M + 4 M + 5 M + 6 M + 7 METODOLOGI PENELITIAN C 1 C 1 C 2 C 1 C 2 C 1 C 2 C 3 C 3 C 4 C 1 C 2 C 3 C 4 C 1 C 2 C 3 C 4 C 5 C 5 C X

(3)

Collection Management

Collection Management

C 0 C 1 C 2 C 3 C 4 C 5 C X RB 1 RB 2 RB 3 RB 4 RB 5 RB X METODOLOGI PENELITIAN R1 R2 R3 R4 R5 RX Dimana :

R1 = rolling rate dari cycle 0 menuju ke cycle 1

R2 = rolling rate dari cycle 1 menuju ke cycle 2...begitu selanjutnya RB1 = rolling back dari cycle 1 menuju ke cycle 0

(4)

METODOLOGI PENELITIAN

Spreadsheet data model hubungan collection rate dengan jumlah kolektor

AMBC Pokok Hutang C0 7.316.587.047 AMBC Bunga C0 556.861.428 Account Optimal C0 27.560.780 AMBC Pokok Hutang C1 1.764.143.751 AMBC Bunga C1 709.292.921 Account Optimal C1 24.058.329 AMBC Pokok Hutang C2 638.064.299 AMBC Bunga C2 259.471.395 Account Optimal C2 16.652.874 AMBC Pokok Hutang C3 442.120.129 AMBC Bunga C3 176.511.668 Account Optimal C3 7.385.248 AMBC Pokok Hutang C4 421.167.009 AMBC Bunga C4 165.952.629 Account Optimal C4 5.818.299 AMBC Pokok Hutang C5 477.976.823 AMBC Bunga C5 173.182.908 Account Optimal C5 3.924.325

CYCLE CYCLECYCLE

CYCLE JUMLAH COLLECTORJUMLAH COLLECTORJUMLAH COLLECTORJUMLAH COLLECTOR COLLECTION RATECOLLECTION RATECOLLECTION RATECOLLECTION RATE

C0 18 89,09% C1 16 54,27% C2 5 32,09% C3 5 20,92% C4 5 17,53% C5 5 11,33%

(5)

METODOLOGI PENELITIAN

Spreadsheet data model hubungan collection cost dengan jumlah kolektor

Collection rate C0 89,09% R1 7% RB1 91% ASUMSI

Collection rate C1 54,27% R2 18% RB2 21% Jumlah hari kerja 25 Collection rate C2 32,09% R3 32% RB3 15% basic salary/coll 900000 Collection rate C3 20,92% R4 46% RB4 13% operational allowance/day 38000

Collection rate C4 17,53% R5 36% RB5 11%

Collection rate C5 11,33% RX 53% RBX 5%

simulasi insentif

C0 Pendapatan Bunga RB KEY INS GROS RR TGT RR ACH RR PENALTY INS NETT

C0 Pendapatan Bunga RB KEY INS GROS RR TGT RR ACH RR PENALTY INS NETT

co 501.175.285 91% 0,032 16037609,13 7% 14% 201% -16175666,02 Rp32.213.275 c1 384.933.268 21,22% 0,01 3849332,682 18,45% 14% 76% 928429,8339 Rp2.920.903 c2 83.264.371 15,45% 0,021 1748551,784 32,25% 23% 29% 501522,6046 Rp1.247.029 c3 36.926.241 13,05% 0,026 960082,2646 45,80% 38% 17% 163507,4599 Rp796.575 c4 29.091.496 11,27% 0,085 2472777,148 36,15% 45% 0% 0 Rp2.472.777 c5 19.621.623 4,78% 0,1 1962162,348 53,00% 40% 25% 481285,1041 Rp1.480.877

CYCLE JUMLAH COLLECTOR BASIC SALARY OPERATIONAL ALWC INSENTIF TOTAL COLLECTION COST

C0 18 16200000 17100000 32.213.275 Rp65.513.275 C1 16 14400000 15200000 2.920.903 Rp32.520.903 C2 5 4500000 4750000 1.247.029 Rp10.497.029 C3 5 4500000 4750000 796.575 Rp10.046.575 C4 5 4500000 4750000 2.472.777 Rp11.722.777 C5 5 4500000 4750000 1.480.877 Rp10.730.877

(6)

METODOLOGI PENELITIAN Hubungan RB dan RR Hubungan RB dan RR y = 0.732x0.097 85.00% 90.00% 95.00% 100.00% 105.00% RB0 RB0 Power (RB0) R1 80.00% 85.00% 0 50 Power (RB0) y = 1.106x-1.3 0.00% 2.00% 4.00% 6.00% 8.00% 10.00% 12.00% 14.00% 16.00% 0 20 40 R1 Power (R1)

(7)

METODOLOGI PENELITIAN

Pengembangan skenario

Skenario – skenario yang akan dikembangkan antara lain :

1. Alokasi seluruh kolektor yang digunakan adalah untuk

pemenuhan produktivitas di setiap cycle pemenuhan produktivitas di setiap cycle

2. Alokasi man power jika kolektor yang digunakan sebagian memenuhi kebutuhan di setiap cycle secara proporsional

3. Jika terjadi kenaikan beban tagih bagaimana jumlah kolektor yang dibutuhkan

(8)

METODOLOGI PENELITIAN

Model Credit Collecting Dashboard System Model Credit Collecting Dashboard System

(9)

PENDAHULUAN

TINJAUAN PUSTAKA

PENGOLAHAN DATA & ANALISA NUMERIK

METODOLOGI PENELITIAN

(10)

PENDAHULUAN

TINJAUAN PUSTAKA

METODOLOGI PENELITIAN

PENGOLAHAN DATA & ANALISA NUMERIK

(11)

• Dari data-data yang diperoleh di masa lampau didapatkan hubungan antara collection rate dan jumlah kolektor, rolling rate dan jumlah kolektor, serta rolling back dengan jumlah kolektor, sehingga membentuk sebuah trendline, sebagai contoh :

PENGOLAHAN DATA &

ANALISA NUMERIK y = 0.733x0.121 100.00% 150.00% coll rate C0 rate C0 y = 1.106x-1.3 10.00% 15.00% R1 R1 0.00% 50.00% 1 3 5 7 9 11 13 Power (rate C0) 0.00% 5.00% 0 20 40 R1 Power (R1) y = 0.732x0.097 80.00% 85.00% 90.00% 95.00% 100.00% 105.00% 0 50 RB0 RB0 Power (RB0)

(12)

• Adapun tampilan model credit collection dashboard management system sebagai berikut

PENGOLAHAN DATA &

ANALISA NUMERIK

CREDIT COLLECTION DASHBOARD M ANAGEMENT SYSTEM

RECORD HISTORY DATA

SIMULASI PROFIT vs KOLEKTOR

SIMULASI PROYEKSI PROFIT vs KOLEKTOR

(13)

PENGOLAHAN DATA &

ANALISA NUMERIK

• Dari gambar diatas prosentase collection rate semakin tinggi cycle nya semakin kecil nilainya. Hai ini disebabkan karena semakin tinggi cycle berarti semakin tinggi tingkat hari keterlambatan pembayaran angsuran konsumen. Dan banyak sekali konsumen yang sudah raib ataupun barang jaminannya yang sudah digadaikan. Sehingga untuk menagih kembali angsuran konsumen semakin sulit.

(14)

PENGOLAHAN DATA &

ANALISA NUMERIK

• Pada grafik rolling rate, semakin tinggi cycle nya semakin tinggi pula nilai prosentase rolling rate. Faktor penyebabnya yaitu semakin tinggi tingkat kesulitan yang dihadapi di cycle terakhir. Untuk R6 < R5, karena R6 merupakan aliran write off sehingga fokus utama adalah menekan semaksimal mungkin angka di R6 agar performance write off nya juga bagus.

(15)

• Pada grafik rolling back, semakin tinggi cycle semakin kecil nilai rolling back.

PENGOLAHAN DATA &

ANALISA NUMERIK

• Pada grafik rolling back, semakin tinggi cycle semakin kecil nilai rolling back.

Mengenai tingkat kesulitan seperti dijelaskan sebelumnya, sehingga untuk membayar 1 angsuran saja sudah cukup baik. Sebagai contoh pada RB5 yang nilainya paling kecil, kewajiban konsumen seharusnya membayar 5-6 kali angsuran. Agar dapat dikatakan rolling back konsumen harus membayar minimal 2 angsuran agar dapat berpindah ke cycle 4.

(16)

• Jika pemenuhan kebutuhan kolektor berdasarkan produktivitas di setiap cycle nya maka terjadi pembengkakan di biaya penagihan, sehingga profit yang dihasilkan pun minus. Tetapi ketika kebutuhan kolektor ini ditempatkan secara proporsional di setiap cycle nya maka biaya yang dikeluarkan pun jauh lebih sedikit sehingga menghasilkan profit yang positif.

• Adapun hasil simulasi dengan jumlah kolektor 35 orang adalah biaya yang dikeluarkan Rp. 126.733.194 dengan nett income yang dihasilkan sebesar Rp.

1.031.169.099 dan jika dinaikkan menjadi 41 orang maka total biaya menjadi Rp.

PENGOLAHAN DATA &

ANALISA NUMERIK

160.799.802 dengan nett income yang dihasilkan sebesar Rp. 1.056.972.912. Disini terlihat perbandingannya bahwa walaupun total biaya meningkat seiring dengan penambahan jumlah kolektor tetapi nett income yang dihasilkan pun dalam kondisi tertinggi, dan inilah yang kita sebut titik optimum. Karena ketika jumlah kolektor lebih dari 41 orang nett income nya menurun. Parameter berikutnya yang perlu diperhatikan adalah write off yang diwakili oleh R6. Dengan bertambahnya jumlah kolektor prosentase write off pun turun dari semula di angka 52,96% menjadi 48,01%

(17)

• Proyeksi kenaikan beban tagih sebesar 10% dari sebelumnya, maka jika jumlah kolektor optimal ada di angka 41 orang maka setelah proyeksi diperoleh jumlah kolektor yang dibutuhkan adalah 43 orang. Dengan biaya yang dikeluarkan sebesar Rp. 816.774.812 masih bisa dihasilkan nett income sebesar Rp. 1.169.652.262. Performance write off berkurang menjadi 46,61%.

PENGOLAHAN DATA &

ANALISA NUMERIK Rp6,000,000,000 Rp7,000,000,000 Rp1,200,000,000 Rp1,400,000,000 Rp-Rp1,000,000,000 Rp2,000,000,000 Rp3,000,000,000 Rp4,000,000,000 Rp5,000,000,000 Rp6,000,000,000 1 5 9 13 17 21 25 29 33 37 41 45 49 53 57 61 WRITE OFF NETT INCOME Rp-Rp200,000,000 Rp400,000,000 Rp600,000,000 Rp800,000,000 Rp1,000,000,000 Rp1,200,000,000 42 43 44 45 46 47 48 49 50 51 52 53 WRITE OFF NETT INCOME

(18)

• Kesimpulan

– Hubungan collection rate dengan jumlah kolektor menunjukkan bahwa semakin banyak kolektor yang ada maka semakin tinggi pula collection rate yang dihasilkan. Dari data yang ada diperoleh hubungan antara collection rate dengan jumlah kolektor di tiap cycle berbeda-beda.

• C0 ---> y = 0,733 x 0,121

• C1 ---> y = 31,46 x 0,273

• C2 ---> y = 10,72 x 0,789

• C3 ---> y = 2,756 x 1,4

KESIMPULAN & SARAN

• C4 ---> y = 10,67 x 0,376

• C5 ---> y = 8,774 x 0,532

dimana y = prosentase collection rate x = jumlah kolektor

(19)

• Credit Collection Dashboard Management System yang dihasilkan berisi segala informasi mengenai grafik performance collection rate, rolling rate, dan rolling back tiap cycle, total biaya yang dikeluarkan serta nett income yang dihasilkan. Sebagai input data awal kita dapat mengatur jumlah kolektor yang dikehendaki dan prosentase proyeksi kenaikan beban tagih serta menentukan pula jumlah kolektor dari hasil proyeksi beban tersebut.

• Dari berbagai skenario yang digunakan maka pemilihan skenario terbaik adalah dengan tetap membagi secara proporsional sesuai beban tagih yang ada untuk pemenuhan tenaga kolektor tiap cycle. Untuk beban tagih di awal sebesar Rp.

2.041.272.949 maka diperoleh jumlah kolektor yang dibutuhkan sebesar 41 orang

KESIMPULAN & SARAN

2.041.272.949 maka diperoleh jumlah kolektor yang dibutuhkan sebesar 41 orang

dengan aliran write off di angka Rp. 661.341.502, biaya yang dikeluarkan Rp. 160.799.802 dengan nett income yang dihasilkan Rp. 1.056.972.912.

• Jika proyeksi kenaikan beban tagih adalah 10% menjadi Rp. 2.245.400.244 maka jumlah kolektor yang dibutuhkan sebesar 43 orang dengan aliran write off di angka Rp. 642.056.393, biaya yang dikeluarkan Rp. 186.237.509 sehingga nett income yang dihasilkan sebesar Rp. 1.169.652.262.

(20)

• Saran

– Penelitian ini dapat digunakan secara general untuk seluruh perusahaan pembiayaan dan tidak terbatas pada satu perusahaan pembiayaan saja. Untuk itu perlu kiranya untuk dapat dikembangkan dan ditambahkan lagi parameter-parameter sebagai pengukur performance KPI di setiap

perusahaan. Yang secara prinsip tetap sama akan tetapi pembagian tingkat overdue yang biasanya berbeda penanganannya.

– Penelitian ini dapat dijadikan sebagai gambaran bagaimana pengelolaan portofolio dan kinerja sebuah perusahaan pembiayaan. Untuk itu dapat disarankan agar parameter yang digunakan tidak dengan mudah diganti sehingga didapatkan data record history yang lebih banyak.

(21)

Figur

Memperbarui...

Referensi

Memperbarui...

Related subjects :