BAB III SOLUSI BISNIS

(1)

Page | 47

BAB III

SOLUSI BISNIS

Dengan melihat permasalahan yang terjadi pada Bank X, maka perlu adanya cara untuk menganalisa variabel-variabel apa saja yang akan menentukan kredit macet atau lancar dengan menggunakan pendekatan dasar dalam analisis dan evaluasi kredit yang sesuai dengan kondisi internal Bank X.

3.1 Alternatif Solusi Bisnis

Alternatif solusi dapat dilakukan untuk pemecahan masalah yang terjadi diantaranya :

1. Pendekatan judgement dalam analisis kredit 2. Pendekatan statistical analysis

Analisis kredit dengan menggunakan pendekatan pertama dilakukan secara kualitatif oleh staf yang dinilai ahli (expert) untuk mengetahui apakah calon debitur dapat diberikan kredit (layak) atau harus ditolak (tidak layak). Solusi bisnis yang pertama ini memiliki kelemahan mendasar yaitu dipengaruhi oleh sikap subyektifitas masing-masing expert dan dilakukan tanpa kriteria yang konsisten. Selain itu mengingat kurangnya sumber daya manusia yang ada pada Bank X dan hal ini akan menimbulkan biaya baru, maka solusi ini kurang tepat.

(2)

Page | 48

Sedangkan untuk pendekatan kedua digunakan konsep statistical analysis.

Statistical analysis sangat sesuai dan digunakan secara luas untuk analisis dan

evaluasi kredit Yang memiliki mass product, antara lain kredit konsumen (personal loan, credit card, home loan, car loan) dan kredit-kredit UMKM dengan skala kecil/mikro. Dengan menggunakan pendekatan statistical

analysis di Bank X, diharapkan dapat menentukan variabel-variabel apa saja

yang akan menentukan kredit macet atau lancar. Selain itu, dengan pendekatan ini dapat menyederhanakan sistem operasional kredit dan mempersingkat waktu pengambilan keputusan pemberian kredit.

Berikut ini adalah kelebihan dan kelemahan alternatif solusi : Pendekatan judgement dalam analisis kredit

Kelebihan :

• dapat dilakukan dengan jumlah sample debitur yang kecil

• tidak membutuhkan cakupan sample yang baik dan jelek (good &

bad)

Kelemahan :

• dipengaruhi oleh sikap subyektifitas expert • dilakukan tanpa kriteria yang konsisten.

• dibutuhan waktu yang relatif lama untuk mengambil keputusan pemberian kredit

Pendekatan statistical analysis. Kelebihan :

• Standar ditetapkan secara konsisten untuk beragam calon debitur. Perubahan standar dapat dilakukan secara konsisten dan dengan mudah karena tersedianya data dan pendekatan yang konsisten.

• Mampu meningkatkan produktifitas Account Officer (AO), kecepatan proses aplikasi dan pengambilan keputusan kredit

• Menyederhanakan sistem operasional kredit dan mempersingkat waktu pengambilan keputusan.

(3)

Page | 49

• Penggunaan model statistical analysis mensyaratkan adanya data pembayaran debitur dengan cakupan sample yang baik dan yang jelek (good and bad). Hal yang seringkali terjadi adalah sample jelek (bad) tidak tersedia, sehingga model memerlukan update secara berkala sesuai dengan ketersediaaan dan perbaikan data.

• Seringkali data yang ada tidak mencukupi sehingga model statistical

analysis dikembangkan dengan data yang tidak mewakili secara

statistik.

Dengan demikian, alternatif solusi statistical analysis. yang akan dipakai dan dijalankan untuk mengatasi permasalahan yang terjadi di Bank X.

(4)

Page | 50

3.2 Analisis Solusi Bisnis

Untuk menganalisa variabel-variabel apa saja yang akan menentukan kredit macet atau lancar serta profil debitur kredit Y maka akan digunakan pendekatan statistical analysis. Berikut ini adalah skema solusi bisnis :

Gambar 3.1 Skema analisis

3.2.1 Penetapan atribut untuk variabel model

Dalam tesis ini akan diteliti variabel apa saja yang akan menentukan kredit macet atau lancar. Variabel yang akan diteliti adalah : variabel usia, variabel jenis kelamin, variabel debitur lama atau baru, variabel lama usaha, variabel status perkawinan, variabel usaha sampingan, variabel jangka waktu, variabel tujuan penggunaan kredit, variabel rasio penerimaan bersih per angsuran, variabel pelanggan tetap, variabel penjualan dipengaruhi musim, variabel kontinuitas bahan baku, variabel bahan baku dipengaruhi musim, variabel jenis bukti kepemilikan dan variabel LTV (Loan Total Value). Tiap-tiap variabel ini kemudian akan dibagi-bagi lagi menjadi beberapa atribut. Selanjutnya dari tiap-tiap atribut akan diberi rating yang menunjukkan nilai atau level dari masing-masing atribut. Untuk lebih jelasnya lagi dapat dilihat pada tabel di bawah ini :

(5)

Page | 51

Tabel 3.1 Parameter penetapan variabel

No Variabel Jenis _Data Atribut rating

1 Usia Ordinal < 21 0

>= 21 dan < 30 1

>= 30 dan < 40 2

>=40 dan < 50 3

>=50 4

2 Debitur lama/baru Nominal Baru 0

Lama 1

3 Lama usaha (tahun) Ordinal < 3 0

>=3 dan < 6 1

>=6 dan < 9 2

>=9 dan < 12 3

>= 12 dan < 16 4

>= 16 5

4 Status perkawinan Nominal Duda/janda 0

Belum menikah 1

Menikah 2

5 Mempunyai usaha sampingan Nominal Ya 0

Tidak 1

6 Jangka waktu (bulan) Ordinal <= 12 0

18 1

24 2

>=36 3

7 Tujuan penggunaan kredit Nominal Investasi 0

Modal kerja 1

Pengganti modal

kerja 2 8 Rasio penerimaan bersih/angsuran Ordinal <1,33 0

>= 1,33 - 2 1

> 2- 3 2

>3 3

9 Mempunyai pelanggan tetap Nominal Ya 0

Tidak 1

10 Jenis bukti kepemilikan Nominal Kwitansi 0

Letter C 1

BPKP 2

(6)

Page | 52

No Variabel Jenis _Data Atribut rating

11 LTV (Loan Total Value) Ordinal <= 100% 0 nilai pasar agunan/plafond kredit > 100% dan <= 150% 1

> 150% dan <= 200% 2

>200% dan <= 250% 3

>250% 4

12 Jenis kelamin Nominal Laki-laki 0

Perempuan 1

13 Pendidikan terakhir Ordinal <=SMP 0

SMA 1

D3 2

>=S1 3

14 Penjualan dipengaruhi Musim Nominal Ya 0

Tidak 1

15 Terjamin kontinuitas bahan baku Nominal Ya 0

Tidak 1

16 Bahan baku dipengaruhi musim Nominal Ya 0

Tidak 1

17 Jenis bidang Usaha Nominal Jasa 0

Industri pengolahan 1

Pertanian 2

Perdagangan 3

Lain-lain 4

3.2.3 Pengumpulan data

Seperti yang telah diuraikan pada bab sebelumnya, bahwa berdasarkan metode metode Slovin dibutuhkan paling sedikit sampel yang berjumlah 5900 debitur. Untuk mendapatkan hasil perhitungan yang reliable, maka dibutuhkan jumlah yang seimbang antara jumlah sampel debitur PL dan debitur NPL. Oleh karena itu, jumlah sampel yang diambil adalah sebesar 5900 yang terdiri dari 2950 debitur PL (kolektibilitas I dan II) dan 2950 debitur NPL (kolektibilitas III, IV dan V). Oleh karena keterbatasan tempat, maka untuk hasil pengumpulan data hanya akan ditampilkan 40 orang debitur kredit lancar dan 40 orang debitur kredit macet. Untuk lebih jelasnya lagi, dapat dilihat pada lampiran.

(7)

Page | 53

3.2.2.1Analisis pengumpulan data

Berikut ini adalah ringkasan hasil pengumpulan data dari masing-masing variable :

Tabel 3.2 Hasil pengumpulan data

No Variabel Jenis

Data Atribut jumlah

1 Usia Ordinal < 21 7

>= 21 dan < 30 429

>= 30 dan < 40 1674

>=40 dan < 50 2080

>=50 1710

2 Jenis kelamin Nominal Laki-laki 4020

Perempuan 1880

3 Debitur lama/baru Nominal Baru 1563

Lama 4337

4 Lama usaha (tahun) Ordinal < 3 456

>=3 dan < 6 1847

>=6 dan < 9 1210

>=9 dan < 12 972

>= 12 dan < 16 400

>= 16 1015

5 Status perkawinan Nominal Duda/janda 139

Belum menikah 280

Menikah 5481

6 Pendidikan terakhir Ordinal <=SMP 3200

SMA 2407

D3 90

>=S1 203

7 Mempunyai usaha sampingan Nominal Ya 1686

Tidak 4214

8 Jenis bidang Usaha Nominal Jasa 971

Industri pengolahan 263

Pertanian 3553

Perdagangan 1050

(8)

Page | 54

No Variabel Jenis

Data Atribut jumlah 9 Jangka waktu (bulan) Ordinal <= 12 519

18 799

24 3983

>=36 599

10 Tujuan penggunaan kredit Nominal Modal kerja 4385

investasi 1371 Pengganti modal kerja 144 11 Rasio penerimaan bersih/angsuran Ordinal <1,33 236 >= 1,33 - 2 4188 > 2- 3 1012 >3 464

12 Mempunyai pelanggan tetap Nominal Ya 5183

Tidak 717

13 Penjualan dipengaruhi Musim Nominal Ya 669

Tidak 5231

14 Terjamin kontinuitas bahan baku Nominal Ya 5574

Tidak 326

15 Bahan baku dipengaruhi musim Nominal Ya 540

Tidak 5360

16 Jenis bukti kepemilikan Nominal Kwitansi 395

Letter C 168

BPKP 1473

Sertifikat 3864

17 LTV (Loan Total Value) Ordinal <= 100% 94

nilai pasar agunan/plafond

kredit > 100% dan <= 150% 128 > 150% dan <= 200% 568 >200% dan <= 250% 934 >250% 4176 3.2.2.2 Analisis berdasarkan 5C Character

Character adalah keadaan watak/sifat dari debitur, baik dalam kehidupan

pribadi maupun lingkungan usaha. Kegunaan dari penilaian terhadap karakter ini adalah untuk mengetahui sampai sejauh mana itikad/kemauan debitur untuk memenuhi kewajibannya (willingness to pay) sesuai dengan perjanjian

(9)

Page | 55

yang ditetapkan. Yang termasuk character dalam hal ini adalah variabel usia, variabel jenis kelamin, variabel debitur lama/baru, variabel status perkawinan dan variabel pendidikan terakhir. Berikut ini adalah penjelasan mengenai analisa character :

• Usia

Berdasarkan hasil pengumpulan data, dapat dilihat character dari debitur kredit Y. Dari grafik dibawah ini dapat diketahui bahwa mayoritas debitur kredit Y merupakan orang yang berusia diantara 40-50 tahun yaitu sebesar 35%. Sedangkan debitur yang berusia antara 30-40 tahun dan debitur yang berusia diatas 50 tahun masing-masing adalah sebesar 29%. Sedangkan debitur yang berusia dibawah 21 tahun hanya sebesar 0,21%.

Gambar 3.2 Pie Chart perbandingan usia debitur • Jenis kelamin

Berdasarkan hasil pengumpulan data, dapat dilihat juga bahwa sebagian besar debitur kredit Y adalah berjenis kelamin laki-laki yaitu sebesar 68,14%.

(10)

Page | 56

• Debitur lama/baru

Berdasarkan hasil pengumpulan data, dapat dilihat bahwa sebagian besar debitur kredit Y merupakan nasabah lama di Bank X yaitu sebesar 4337 orang atau sebesar 73,51%. Nasabah lama atau baru merupakan salah satu variabel penting yang harus diperhatikan sebagai faktor penentu keputusan kredit macet atau tidak. Jika debitur tersebut merupakan nasabah lama Bank X, kemungkinan proposal kredit diterima lebih besar, karena nasabah tersebut telah mempunyai track record yang tersimpan di Bank X.

Gambar 3.4 Histogram perbandingan jumlah debitur lama/baru • Status perkawinan

Berdasarkan hasil pengumpulan data, dapat dilihat bahwa mayoritas debitur kredit Y telah menikah yaitu sebesar 93%. Sedangkan debitur yang belum menikah hanya sebesar 2,36%.

(11)

Page | 57

• Pendidikan terakhir

Berdasarkan hasil pengumpulan data, dapat dilihat bahwa sebagian besar debitur kredit Y hanya lulusan SMP yaitu sebesar 54%. Sedangkan debitur yang lulusan SMA adalah sebesar 41%. Hal ini dimungkinkan karena kredit Y merupakan kredit mikro yang sasarannya adalah kecamatan-kecamatan dan kabupaten yang umumnya hanya dilayani oleh Bank X unit dan mayoritas penduduknya hanya lulusan SMP dan SMA.

Gambar 3.6 Pie Chart perbandingan pendidikan terakhir debitur Capital dan Capacity

Capital adalah jumlah dana/modal sendiri yang dimiliki oleh calon debitur.

Semakin besar modal sendiri yang digunakan debitur, maka semakin tinggi tingkat kesungguhan calon debitur dalam menjalankan usahanya. Sedangkan

capacity adalah kemampuan yang dimiliki calon debitur dalam menjalankan

usahanya guna memperoleh laba/profit yang diharapkan. Kegunaan dari penilaian ini adalah untuk mengetahui/mengukur sampai sejauh mana calon debitur mampu untuk mengembalikan atau melunasi utang-utangnya (ability

to pay). Yang termasuk capital dan capacity adalah variabel mempunyai

usaha sampingan, variabel lama usaha, variabel jenis bidang usaha, variabel jangka waktu pinjaman, variabel tujuan penggunaan kredit, variabel rasio penerimaan bersih/angsuran, variabel mempunyai pelanggan tetap, variabel penjualan dipengaruhi musim, variabel terjamin kontinuitas bahan baku dan

(12)

Page | 58

variabel bahan baku dipengaruhi musim. Berikut ini adalah penjelasan analisa

capital dan capacity :

• Mempunyai usaha sampingan

Berdasarkan hasil pengumpulan data, dapat dilihat bahwa sebagian besar debitur kredit Y tidak mempunyai usaha sampingan lain yaitu sebesar 71,42%. Pada umumnya, debitur-debitur ini bermatapencaharian sebagai petani dan pedagang sehingga mereka hanya mengandalkan usaha utama mereka yaitu usaha pertanian, ladang atau perdagangan. Variabel usaha sampingan ini merupakan variabel yang harus diperhatikan sebagai faktor penentu keputusan kredit. Hal ini disebabkan karena debitur yang mempunyai usaha sampingan diharapkan akan lebih baik performanya dalam tingkat pengembalian kredit daripada debitur yang tidak mempunyai usaha sampingan.

Gambar 3.7 Histogram perbandingan usaha sampingan debitur • Jenis bidang usaha

Berdasarkan hasil perhitungan, dapat dilihat bahwa 60% dari debitur kredit Y bergerak di bidang pertanian. Sedangkan hanya 18% debitur yang bergerak di bidang perdagangan. Hal ini dimungkinkan karena sebagian besar masyarakat di daerah bermatapencaharian sebagai petani atau peladang. Variabel jenis bidang usaha ini merupakan variabel yang harus diperhatikan sebagai faktor penentu keputusan kredit. Oleh karena bidang pertanian dan perdagangan merupakan sektor ekonomi yang paling rentan terkena dampak inflasi, yang pada akhirnya dapat menyebabkan kredit macet.

(13)

Page | 59

Gambar 3.8 Pie Chart perbandingan jenis usaha debitur • Lama Usaha

Berdasarkan hasil pengumpulan data, dapat dilihat bahwa sebagian besar debitur kredit Y telah mempunyai usaha antara 3-6 tahun yaitu sebesar 31%. Sedangkan debitur kredit Y yang mempunyai usaha dibawah 3 tahun adalah sebesar 8%. Variabel lama usaha merupakan faktor penting yang harus diperhatikan dalam penentuan keputusan kredit. Secara universal dipahami bahwa dalam periode usaha baru berdiri sampai dengan 3 tahun, merupakan periode dimana rata-rata tingkat kegagalan cukup tinggi. Oleh karena itu, debitur yang telah menjalankan usahanya lebih lama diharapkan mempunyai fleksibilitas yang lebih baik dalam menghadapi perubahan lingkungan bisnis. Selain itu usaha yang dijalankan lebih lama akan mempunyai tingkat efisiensi yang lebih tinggi sehingga mampu menghasilkan profitabilitas yang lebih besar. Dengan demikian tingkat pengembalian kredit debitur yang mempunyai usaha lama akan lebih baik daripada debitur yang baru merintis usahanya.

(14)

Page | 60

Gambar 3.9 Pie Chart perbandingan lama usaha debitur • Jangka waktu

Berdasarkan hasil pengumpulan data, dapat dilihat bahwa 67% debitur kredit Y mengambil jangka waktu pinjaman 24 bulan atau 2 tahun untuk melunasi kreditnya. Hanya 9% debitur saja yang mengambil jangka waktu pinjaman kurang dari 12 bulan untuk melunasi kreditnya.

Gambar 3.10 Pie Chart perbandingan jangka waktu pinjaman debitur • Tujuan penggunaan kredit

Berdasarkan hasil pengumpulan data, dapat dilihat bahwa mayoritas debitur yaitu sebesar 74% yang menggunakan kredit sebagai modal kerja. Sedangkan debitur yang menggunakannya sebagai investasi hanya sebesar 23%.

(15)

Page | 61

Gambar 3.11 Pie Chart perbandingan tujuan penggunan kredit debitur • Rasio penerimaan bersih/angsuran

Rasio penerimaan bersih per angsuran menunjukkan kemampuan debitur dalam membayar cicilan kredit kepada bank. Nilai 1,33 didapat dari 100% dibagi 75%. Nilai 75% tersebut didapat dari ketentuan bank yang menyebutkan bahwa angsuran kredit tidak boleh lebih dari 75% dari penerimaan bersih. Nilai 75% ini dapat berbeda-beda untuk setiap bank. Sedangkan bank X sendiri menentukan nilai 75% dikalikan penghasilan untuk mendapatkan tingkat repayment capacity. Nilai rasio penerimaan bersih/angsuran yang lebih besar dari 1,33 menunjukkan kemampuan membayar kredit yang baik karena hal itu berarti jumlah penerimaan bersih debitur lebih besar daripada angsuran kredit Yang harus dibayar. Berdasarkan hasil pengumpulan data, dapat dilihat bahwa 96% debitur kredit Y mempunyai rasio penerimaan bersih/angsuran diatas 1,33. Hal ini berarti debitur telah mempunyai tingkat kemampuan membayar angsuran yang cukup baik

Gambar 3.12 Pie Chart perbandingan rasio penerimaan bersih/angsuran debitur

(16)

Page | 62

• Mempunyai pelanggan tetap

Berdasarkan hasil pengumpulan data, dapat dilihat bahwa sebagian besar debitur yaitu sebanyak 5183 orang atau 87,85% mempunyai pelanggan tetap. Sedangkan hanya 717 orang atau 12,15% yang tidak mempunyai pelanggan tetap. Variabel ini merupakan salah satu variabel yang harus mendapat perhatian sebagai faktor penentu keputusan kredit. Karena jika debitur mempunyai pelanggan tetap untuk usahanya maka diharapkan usahanya akan memiliki tingkat profitabilitas yang stabil daripada debitur yang tidak mempunyai pelanggan tetap.

Gambar 3.13 Histogram perbandingan pelanggan tetap debitur • Penjualan dipengaruhi musim

Berdasarkan hasil pengumpulan data, dapat dilihat bahwa 5231 debitur atau sebesar 88,7% penjualan debitur tidak dipengaruhi oleh musim. Sedangkan hanya 669 debitur yang penjualannya dipengaruhi oleh musim.

(17)

Page | 63

• Terjamin kontinuitas bahan baku

Berdasarkan hasil pengumpulan data, dapat dilihat bahwa sebanyak 5574 debitur atau sebesar 94,5% yang bahan baku usahanya terjamin kontinuitasnya. Sedangkan hanya 326 debitur yang bahan baku usahanya tidak terjamin kontinuitasnya.

Gambar 3.15 Histogram perbandingan kontinuitas bahan baku usaha debitur • Bahan baku dipengaruhi musim

Berdasarkan hasil pengumpulan data, dapat dilihat bahwa 5360 debitur atau sebesar 90,8% yang bahan baku usahanya dipengaruhi musim. Sedangkan hanya 540 debitur yang bahan baku usahanya dipengaruhi oleh musim.

Gambar 3.16 Histogram perbandingan bahan baku usaha debitur dipengaruhi musim

(18)

Page | 64

Collateral

Collateral adalah barang-barang yang diserahkan calon debitur sebagai

agunan terhadap kredit yang diterimanya. Sehingga risiko pemberian kredit dapat dikurangi sebagian atau seluruhnya dengan meminta collateral yang baik kepada calon debitur. Yang merupakan collateral adalah variabel jenis bukti kepemilikan dan variabel LTV (loan total value). Berikut ini adalah penjelasan mengenai analisa collateral :

• Jenis bukti kepemilikan

Undang-undang perbankan yang lama, yaitu UU No. 14/1967 pasal 24(1) menentukan bahwa : ”bank umum tidak memberi kredit tanpa jaminan kepada siapapun”. Dengan demikian, pemberian kredit tidak dapat dilepaskan dari pemberian jaminan oleh debitur. Jaminan kredit dapat diartikan sebagai penyerahan kekayaan atau pernyataan kesanggupan seseorang untuk menanggung pembayaran kembali suatu utang. Bagi bank, jaminan kredit berguna untuk :

memberikan hak dan kekuasaan untuk mendapatkan pelunasan dengan barang-barang jaminan tersebut bila debitur tidak dapat memenuhi kewajibannya.

Menjamin agar debitur berperan serta dalam transaksi untuk membiayai usahanya, sehingga kemungkinan untuk meninggalkan usahanya dengan merugikan diri sendiri atau perusahaannya dapat dicegah atau sekurang-kurangnya kemungkinan untuk dapat berbuat demikian diperkecil terjadinya.

memberi dorongan kepada debitur untuk memenuhi syarat-syarat yang telah disetujui agar ia tidak kehilangan kekayaan yang telah dijaminkan kepada bank.

Jaminan berupa tanah dan bangunan merupakan bentuk yang paling banyak diterima karena merupakan jaminan yang solid. Bentuk kepemilikan dari tanah adalah sertifikat tanah yang dapat berupa Sertifikat Hak Milik (SHM), Sertifikat Hak Guna Bangunan (HGB). Selain tanah dan bangunan, kendaraan bermotor juga banyak dijaminkan.

(19)

Page | 65

Berdasarkan hasil pengumpulan data, dapat dilihat bahwa 65% debitur mengagunkan sertifikat hak milik sebagai bukti kepemilikan atas tanah terdapat bangunan atau tanah tanpa bangunan. Sedangkan hanya 25% debitur yang mengagunkan BPKB sebagai bukti kepemilikan kendaraan bermotor.

Gambar 3.17 Pie Chart perbandingan jenis bukti kepemilikan debitur • LTV (Loan Total Value)

LTV atau loan total value didapat dari nilai pasar agunan dibagi plafond kredit. LTV ini menunjukkan apakah agunan yang dimiliki oleh debitur (misalnya: tanah, kendaraan bermotor, inventaris/barang/perabot) dapat menutupi pinjaman yang dilakukan. Nilai LTV baik jika nilainya diatas 100%. Hal itu berarti, agunan yang dimiliki oleh debitur 100% dapat mengcover pinjaman yang dilakukan. Berdasarkan hasil pengumpulan data, dapat dilihat bahwa hanya 1,59% debitur yang nilai LTV nya dibawah 100%. Sedangkan sisanya, berada di atas 100%

(20)

Page | 66

Condition of Economy

Condition of economy yaitu situasi dan kondisi politik, sosial, ekonomi,

budaya yang mempengaruhi keadaan perekonomian pada suatu saat yang kemungkinan akan mempengaruhi kelancaran usaha mikro calon debitur. Kondisi makro yang dapat mempengaruhi usaha debitur, antara lain adalah kebijakan pemerintah, perubahan nilai tukar rupiah dan inflasi.

3.2.3 Hasil perhitungan

Untuk menganalisa variabel mana yang akan berpengaruh pada keputusan kredit, maka dilakukan pengujian statistik non parametik chi-square dan analisis korelasi peringkat spearman.

3.2.3.1 Analisis statistik chi-square

Prosedur pengujian menggunakan statistic non parametric chi-square digunakan untuk menguji keselarasan yang dilakukan untuk memeriksa ketergantungan dan homogenitas. Uji chi-square ini digunakan untuk menguji apakah frekuensi data yang diamati dari suatu variabel kategorik (categorical

variable) sesuai (fit) dengan frekuensi harapan (expected frequencies).

Hipotesis untuk uji chi-square selalu berbentuk uji hipotesis dua sisi (two sided atau two tailed) dengan hipotesis :

Ho : Tidak terdapat hubungan antara risiko default dan variabel ke-n H1 : Terdapat hubungan antara risiko default dan variabel ke-n

dimana : n = 1, 2, 3,…., 17

Berdasarkan hasil perhitungan uji chi-square, maka didapat hasil sebagai berikut :

(21)

Page | 67

Tabel 3.3 Hasil uji chi-square

chi-square test hasil

No Variabel

nilai asymp.sig hipotesis

1 Usia 74,659 0 tolak Ho

2 Jenis kelamin 0,253 0,615 terima Ho 3 Debitur lama/baru 11,114 0,001 tolak Ho 4 Lama usaha (tahun) 14,056 0,015 tolak Ho 5 Status perkawinan 6,143 0,046 tolak Ho 6 Pendidikan terakhir 21,706 0 tolak Ho 7 Mempunyai usaha sampingan 48,633 0 tolak Ho 8 Jenis bidang Usaha 103,984 0 tolak Ho 9 Jangka waktu (bulan) 418,641 0 tolak Ho 10 Tujuan penggunaan kredit 211,166 0 tolak Ho 11 Rasio penerimaan bersih/angsuran 7,854 0,048 tolak Ho 12 Mempunyai pelanggan tetap 64,142 0 tolak Ho 13 Penjualan dipengaruhi Musim 2,564 0,109 terima Ho 14 Terjamin kontinuitas bahan baku 2,943 0,086 terima Ho 15 Bahan baku dipengaruhi musim 1,571 0,21 terima Ho 16 Jenis bukti kepemilikan 81,291 0 tolak Ho 17 LTV (Loan Total Value)

nilai pasar agunan/plafond kredit 45,839 0 tolak Ho

Dari tabel diatas, dapat dilihat bahwa kolom asymp.sig (two sided) menunjukkan nilai probabilitas. Jika probabilitasnya > 0,05, maka Ho diterima. Namun jika probabilitasnya < 0,05 maka H1 ditolak. Berdasarkan hasil

perhitungan tersebut, dapat dilihat bahwa variabel jenis kelamin, variabel penjualan dipengaruhi musim, variabel kontinuitas bahan baku, variabel bahan baku dipengaruhi musim mempunyai nilai probabilitas > 0,05. Oleh karena itu hipotesis Ho diterima. Hal ini berarti tidak terdapat hubungan antara risiko default dengan variabel jenis kelamin, variabel penjualan dipengaruhi musim, variabel kontinuitas bahan baku, variabel bahan baku dipengaruhi musim.

Sedangkan variabel lainnya yaitu variabel usia, variabel debitur lama/baru, variabel lama usaha, variabel status perkawinan, variabel pendidikan terakhir, variabel mempunyai usaha sampingan, variabel jenis bidang usaha, variabel jangka waktu, variabel tujuan penggunaan kredit, variabel rasio penerimaan bersih/angsuran, variabel mempunyai pelanggan tetap, variabel jenis bukti kepemilikan dan variabel LTV mempunyai nilai probabilitas < 0,05. Oleh

(22)

Page | 68

karena itu hipotesis Ho ditolak. Hal ini berarti terdapat hubungan antara risiko default dengan variabel usia, variabel debitur lama/baru, variabel lama usaha, variabel status perkawinan, variabel pendidikan terakhir, variabel mempunyai usaha sampingan, variabel jenis bidang usaha, variabel jangka waktu, variabel tujuan penggunaan kredit, variabel rasio penerimaan bersih/angsuran, variabel mempunyai pelanggan tetap, variabel jenis bukti kepemilikan dan variabel LTV.

3.2.3.2Analisis korelasi peringkat Spearman

Koefisien korelasi peringkat Spearman (Spearman’s rank correlation) digunakan untuk mengukur hubungan antara dua variabel dimana kedua variabel berbentuk peringkat (rank) atau kedua variabel berskala ordinal. Bentuk hipotesisnya adalah sebagai berikut :

Ho : Tidak terdapat hubungan antara peringkat risiko default dan variabel ke-n

H1 : Terdapat hubungan antara peringkat risiko default dan variabel ke-n

dimana : n = 1, 2, 3,…., 17

Berdasarkan hasil perhitungan uji korelasi Spearman, maka didapat hasil sebagai berikut :

(23)

Page | 69

Tabel 3.4 Hasil uji korelasi Spearman

spearman correlation hasil

No Variabel

nilai sig (2-tailed) hipotesis

1 Usia -0,103 0 tolak Ho

2 Jenis kelamin 0,007 0,615 terima Ho

3 Debitur lama/baru -0,043 0,001 tolak Ho

4 Lama usaha (tahun) -0,048 0 tolak Ho

5 Status perkawinan -0,031 0,01 tolak Ho

6 Pendidikan terakhir -0,057 0 tolak Ho

7 Mempunyai usaha sampingan 0,091 0 tolak Ho

8 Jenis bidang Usaha -0,074 0 tolak Ho

9 Jangka waktu (bulan) -0,26 0 tolak Ho 10 Tujuan penggunaan kredit -0,178 0 tolak Ho 11 Rasio penerimaan bersih/angsuran -0,009 0,006 tolak Ho 12 Mempunyai pelanggan tetap 0,104 0 tolak Ho 13 Penjualan dipengaruhi Musim -0,021 0,109 terima Ho 14 Terjamin kontinuitas bahan baku 0,016 0,21 terima Ho 15 Bahan baku dipengaruhi musim -0,022 0,086 terima Ho 16 Jenis bukti kepemilikan -0,069 0 tolak Ho 17 LTV (Loan Total Value)

nilai pasar agunan/plafond kredit -0,082 0 tolak Ho

Dari tabel diatas, dapat dilihat bahwa kolom sig (2-tailed) menunjukkan nilai probabilitas. Jika probabilitasnya > 0,01, maka Ho diterima. Namun jika probabilitasnya < 0,01 maka H1 ditolak. Berdasarkan hasil perhitungan

tersebut, dapat dilihat bahwa variabel jenis kelamin, variabel penjualan dipengaruhi musim, variabel kontinuitas bahan baku, variabel bahan baku dipengaruhi musim mempunyai nilai probabilitas > 0,01. Oleh karena itu hipotesis Ho diterima. Hal ini berarti tidak terdapat hubungan antara peringkat risiko default dengan variabel jenis kelamin, variabel penjualan dipengaruhi musim, variabel kontinuitas bahan baku, variabel bahan baku dipengaruhi musim.

Sedangkan variabel lainnya yaitu variabel usia, variabel debitur lama/baru, variabel lama usaha, variabel status perkawinan, variabel pendidikan terakhir, variabel mempunyai usaha sampingan, variabel jenis bidang usaha, variabel jangka waktu, variabel tujuan penggunaan kredit, variabel rasio penerimaan bersih/angsuran, variabel mempunyai pelanggan tetap, variabel jenis bukti

(24)

Page | 70

kepemilikan dan variabel LTV mempunyai nilai probabilitas < 0,01. Oleh karena itu hipotesis Ho ditolak. Hal ini berarti terdapat hubungan antara peringkat risiko default dengan variabel usia, variabel debitur lama/baru, variabel lama usaha, variabel status perkawinan, variabel pendidikan terakhir, variabel mempunyai usaha sampingan, variabel jenis bidang usaha, variabel jangka waktu, variabel tujuan penggunaan kredit, variabel rasio penerimaan bersih/angsuran, variabel mempunyai pelanggan tetap, variabel jenis bukti kepemilikan dan variabel LTV.

Berdasarkan hasil uji statistik diatas, dapat diambil kesimpulan bahwa variabel yang akan berpengaruh dalam penentuan keputusan pemberian kredit adalah variabel usia, variabel debitur lama/baru, variabel lama usaha, variabel status perkawinan, variabel pendidikan terakhir, variabel mempunyai usaha sampingan, variabel jenis bidang usaha, variabel jangka waktu, variabel tujuan penggunaan kredit, variabel rasio penerimaan bersih/angsuran, variabel mempunyai pelanggan tetap, variabel jenis bukti kepemilikan dan variabel LTV.

3.2.4 Analisis kredit bermasalah

Berikut ini akan dianalisis masing-masing variabel yang akan menentukan kredit macet atau lancar. Masing-masing variabel akan dibuat crosstabulation yang akan menunjukkan persentase kredit lancar dan kredit macet untuk masing-masing atribut dari setiap variabel. Hasil persentase dari crosstabulation ini tidak dapat digunakan untuk membandingkan kemungkinan kredit macet dari tiap atribut karena masing-masing atribut mempunyai jumlah total kredit Yang berbeda. Oleh karena itu berdasarkan hasil crosstabulation, akan dilakukan uji proporsi dengan jumlah sample yang berbeda pada setiap variabel untuk melihat apakah terdapat perbedaan proporsi antara atribut-atribut tersebut.

Usia

Berdasarkan hasil crosstabulation dapat dilihat bahwa, untuk usia dibawah 21 tahun, dari 7 orang debitur maka persentase kredit lancar lebih besar daripada persentase kredit macet yaitu sebesar 71,43%. Sedangkan untuk usia antara 21-30 tahun, dari 429 orang debitur maka persentase kredit macet lebih besar daripada

(25)

Page | 71

kredit lancar yaitu sebesar 58,04%. Sedangkan untuk usia diatas 50 tahun, persentase kredit lancar lebih besar daripada kredit macet yaitu sebesar 58,36%. Untuk lebih jelasnya dapat dilihat pada tabel di bawah ini :

Tabel 3.5 Crosstab variabel usia

Usia

< 21 >= 21 dan < 30 >= 30 dan < 40 >=40 dan < 50 >=50 kredit

jml persentase jml persentase jml persentase jml persentase jml persentase Total lancar 5 71,43% 180 41,96% 769 45,94% 998 47,98% 998 58,36% 2950 macet 2 28,57% 249 58,04% 905 54,06% 1082 52,02% 712 41,64% 2950 total 7 100% 429 100% 1674 100% 2080 100% 1710 100% 5900

Berdasarkan hasil crosstabulation, akan dilakukan uji proporsi untuk melihat apakah terdapat perbedaan antara proporsi masing-masing rentang usia. Berikut ini adalah hasil perhitungan uji proporsi :

Tabel 3.6 Uji proporsi variabel usia

No Variabel rating Hipotesis atribut Jumlah _macet _kreditTotal _hitungZ kesimpulan hasil

0 Ho : p1=p2 p1 < 21 2 7 1 H1 : p1>p2 p2 >= 21 dan < 30 249 429 -1,565 terima Ho p1=p2 0 Ho : p1=p2 p1 < 21 2 7 2 H1 : p1>p2 p2 >= 30 dan < 40 905 1674 -1,350 terima Ho p1=p2 0 Ho : p1=p2 p1 < 21 2 7 3 H1 : p1>p2 p2 >=40 dan < 50 1082 2080 1,980 tolak Ho p1>p2 0 Ho : p1=p2 p1 < 21 2 7 4 H1 : p1>p2 p2 >=50 712 1710 2,196 tolak Ho p1>p2 1 Ho : p1=p2 p1 >= 21 dan < 30 249 429 2 H1 : p1>p2 p2 >= 30 dan < 40 905 1674 1,478 terima Ho p1=p2 1 Ho : p1=p2 p1 >= 21 dan < 30 249 429 3 H1 : p1>p2 p2 >=40 dan < 50 1082 2080 2,276 tolak Ho p1>p2 1 Ho : p1=p2 p1 >= 21 dan < 30 249 429 4 H1 : p1>p2 p2 >=50 712 1710 6,107 tolak Ho p1>p2 1 USIA 2 Ho p1=p2 p1 >= 30 dan < 40 905 1674 2,246 tolak Ho p1=p2

(26)

Page | 72 : 3 H1 : p1>p2 p2 >=40 dan < 50 1082 2080 2 Ho : p1=p2 p1 >= 30 dan < 40 905 1674 4 H1 : p1>p2 p2 >=50 712 1710 7,234 tolak Ho p1>p2 3 Ho : p1=p2 p1 >=40 dan < 50 1082 2080 4 H1 : p1>p2 p2 >=50 712 1710 6,370 tolak Ho p1>p2

Uji proporsi ini menggunakan tingkat kepercayaan sebesar 95%, sehingga nilai α adalah 0,05. Berdasarkan tabel Z, maka didapat bahwa bila Z hitung < 1,65 maka hipotesis Ho diterima. Untuk lebih jelasnya lagi dapat dilihat contoh perhitungan untuk proporsi debitur berusia < 21 tahun dan proporsi debitur berusia ≥ 21 -30 tahun, dibawah ini :

Hipotesis :

Ho : p1 = p2

H1 : p1 > p2

Dimana :

p1 = proporsi sample debitur usia < 21 tahun

p2 = proporsi sample debitur usia ≥ 21-30 tahun

Diketahui :

x1 = jumlah kredit macet di sample debitur usia < 21 tahun = 2

x2 = jumlah kredit macet di sample debitur usia ≥ 21-30 tahun = 249

n1 = jumlah sample debitur usia < 21 tahun = 7

n2 = jumlah sample debitur usia ≥ 21-30 tahun = 429

tingkat kepercayaan = 95% α = 0,05

(27)

Page | 73

(

)

(

)

(

)

(

)

1,565 429 0,576 1 0,576 7 0,576 1 0,576 0,58 0,286 n p 1 p n p 1 p p p hitung z 0,576 429 7 249 2 n n x x p 0,58 429 249 n x p 0,286 7 2 n x p 2 c c 1 c c 2 1 2 1 2 1 c 2 2 2 1 1 1 − = − + − − = − + − − = = + + = + + = = = = = = =

Berdasarkan tabel Z, didapat bahwa bila Z hitung > Z0,05 maka tolak Ho.

Sedangkan Z0,05 = 1,65. Maka karena Z hitung < 1,65 maka terima Ho. Hal ini

menunjukkan bahwa tidak ada perbedaan proporsi antara debitur yang berusia < 21 tahun dan proporsi debitur berusia ≥ 21 -30 tahun.

Setelah kesimpulan diperoleh, maka selanjutnya akan dibuat peringkat atau rangking yang menunjukkan proporsi atribut mana yang akan mengalami kemungkinan macet lebih besar. Berdasarkan tabel di bawah ini, dapat dilihat bahwa proporsi debitur yang berusia <21 tahun, ≥21-30 tahun dan ≥30-40 tahun mempunyai kemungkinan yang sama untuk mengalami kredit macet.

Tabel 3.7 Peringkat variabel usia

No Variabel Peringkat Atribut

1 Usia 1 ₂₁< >= 21 dan < 30 >= 30 dan < 40 2 >=40 dan < 50

3 >=50

Debitur lama/baru

Berdasarkan hasil crosstabulation dapat dilihat bahwa, dari 1563 debitur baru, kemungkinan mengalami kredit macet adalah sebesar 53,16%. Sedangkan dari 4337 debitur lama, kemungkinan mengalami kredit macet adalah sebesar 48,7%. Untuk lebih jelasnya dapat dilihat pada tabel di bawah ini :

(28)

Page | 74

Tabel 3.8 Crosstab variabel debitur lama/baru

Debitur lama/baru baru lama kredit jml persentase jml persentase Total lancar 725 46,39% 2225 51,30% 2950 macet 838 53,61% 2112 48,70% 2950 total 1563 100% 4337 100% 5900

Berdasarkan hasil crosstabulation, akan dilakukan uji proporsi untuk melihat apakah terdapat perbedaan antara proporsi debitur baru dan proporsi debitur lama. Berikut ini adalah hasil perhitungan uji proporsi :

Tabel 3.9 Uji proporsi variabel debitur lama/baru

Debitur 0 Ho _: p1=p2 p1 baru 838 1563

2

lama/baru 1 H1 _: p1>p2 p2 lama 2112 4337

3,334 tolak Ho p1>p2

Setelah kesimpulan diperoleh, maka selanjutnya akan dibuat peringkat atau rangking yang menunjukkan proporsi atribut mana yang akan mengalami kemungkinan macet lebih besar. Berdasarkan tabel di bawah ini, dapat dilihat bahwa proporsi debitur baru mempunyai kemungkinan yang besar untuk mengalami kredit macet bila dibandingkan debitur lama.

Tabel 3.10 Peringkat variabel debitur lama/baru

No Variabel Peringkat Atribut

2 _lama/baruDebitur _{1 debitur}_baru

₂ _{debitur lama}

(29)

Page | 75

Berdasarkan hasil crosstabulation dapat dilihat bahwa, dari 456 debitur yang lama usahanya dibawah 3 tahun, kemungkinan mengalami kredit macet adalah sebesar 54,16%. Sedangkan dari 972 debitur yang lama usahanya antara 9-12 tahun, kemungkinan mengalami kredit macet sebesar 48,56%. Untuk lebih jelasnya dapat dilihat pada tabel di bawah ini :

Tabel 3.11 Crosstab variabel lama usaha

lama usaha (tahun)

< 3 >= 3 dan < 6 >= 6 dan < 9 >=9 dan < 12 >=12 dan < 16 >=16 kredit

jml persentase jml persentase jml persentase jml persentase jml persentase jml persentase lancar 207 45,39% 890 48,19% 598 49,42% 500 51,44% 208 52,00% 547 53,89% macet 249 54,61% 957 51,81% 612 50,58% 472 48,56% 192 48,00% 468 46,11%

total 456 100% 1847 100% 1210 100% 972 100% 400 100% 1015 100%

Berdasarkan hasil crosstabulation, akan dilakukan uji proporsi untuk melihat apakah terdapat perbedaan antara proporsi masing-masing rentang lama usaha. Berikut ini adalah hasil perhitungan uji proporsi :

Tabel 3.12 Uji proporsi variabel lama usaha

No Variabel rating Hipotesis atribut Jumlah _macet _kreditTotal _hitungZ kesimpulan hasil

0 Ho : p1=p2 p1 < 3 249 456 1 H1 : p1>p2 p2 >=3 dan < 6 957 1847 1,069 terima Ho p1=p2 0 Ho : p1=p2 p1 < 3 249 456 2 H1 : p1>p2 p2 >=6 dan < 9 612 1210 1,466 terima Ho p1=p2 0 Ho : p1=p2 p1 < 3 249 456 3 H1 : p1>p2 p2 >=9 dan < 12 472 972 2,130 tolak Ho p1>p2 0 Ho : p1=p2 p1 < 3 249 456 4 H1 : p1>p2 p2 >= 12 dan < 16 192 400 1,929 tolak Ho p1>p2 0 Ho : p1=p2 p1 < 3 249 456 5 H1 : p1>p2 p2 >= 16 468 1015 3,015 tolak Ho p1>p2 3 _usahalama (tahun) 1 Ho : p1=p2 p1 >=3 dan < 6 957 1847 0,668 terima Ho p1=p2

(30)

Page | 76 2 H1 : p1>p2 p2 >=6 dan < 9 612 1210 1 Ho : p1=p2 p1 >=3 dan < 6 957 1847 3 H1 : p1>p2 p2 >=9 dan < 12 472 972 1,643 terima Ho p1=p2 1 Ho : p1=p2 p1 >=3 dan < 6 957 1847 4 H1 : p1>p2 p2 >= 12 dan < 16 192 400 1,383 terima Ho p1=p2 1 Ho : p1=p2 p1 >=3 dan < 6 957 1847 5 H1 : p1>p2 p2 >= 16 468 1015 2,920 tolak Ho p1>p2 2 Ho : p1=p2 p1 >=6 dan < 9 612 1210 3 H1 : p1>p2 p2 >=9 dan < 12 472 972 0,937 terima Ho p1=p2 2 Ho : p1=p2 p1 >=6 dan < 9 612 1210 4 H1 : p1>p2 p2 >= 12 dan < 16 192 400 0,894 terima Ho p1=p2 2 Ho : p1=p2 p1 >=6 dan < 9 612 1210 5 H1 : p1>p2 p2 >= 16 468 1015 2,101 tolak Ho p1>p2 3 Ho : p1=p2 p1 >=9 dan < 12 472 972 4 H1 : p1>p2 p2 >= 12 dan < 16 192 400 0,189 terima Ho p1=p2 3 Ho : p1=p2 p1 >=9 dan < 12 472 972 5 H1 : p1>p2 p2 >= 16 468 1015 1,094 terima Ho p1=p2 4 Ho : p1=p2 p1 >= 12 dan < 16 192 400 5 H1 : p1>p2 p2 >= 16 468 1015 0,642 terima Ho p1=p2

Setelah kesimpulan diperoleh, maka selanjutnya akan dibuat peringkat atau rangking yang menunjukkan proporsi atribut mana yang akan mengalami kemungkinan macet lebih besar. Berdasarkan tabel di bawah ini, dapat dilihat bahwa proporsi debitur yang lama usahanya dibawah 3 tahun, antara 3-5 tahun, dan antara 6-8 tahun mempunyai kemungkinan yang besar untuk mengalami kredit macet bila dibandingkan debitur yang lain.

Tabel 3.13 Peringkat variabel lama usaha

3 Lama usaha 1 < 3 >=3 dan < 6 >=6 dan < ₉ (tahun) 2 >=9 dan < ₁₂ >= 12 dan < ₁₆ >= 16

(31)

Page | 77

Status perkawinan

Berdasarkan hasil crosstabulation dapat dilihat bahwa, dari 139 orang debitur yang berstatus duda/janda kemungkinan mengalami kredit macet adalah sebesar 53,24%. Sedangkan dari 280 orang debitur yang belum menikah, kemungkinan mengalami kredit macet adalah sebesar 56,79%. Sedangkan dari 5481 orang debitur yang telah menikah kemungkinan mengalami kredit macet adalah sebesar 49,57%. Untuk lebih jelasnya dapat dilihat pada tabel di bawah ini :

Tabel 3.14 Crosstab variabel status perkawinan

status perkawinan

duda/janda belum menikah menikah kredit

jml persentase jml persentase jml persentase Total lancar 65 46,76% 121 43,21% 2764 50,43% 2950 macet 74 53,24% 159 56,79% 2717 49,57% 2950 total 139 100% 280 100% 5481 100% 5900

Berdasarkan hasil crosstabulation, akan dilakukan uji proporsi untuk melihat apakah terdapat perbedaan antara proporsi debitur berdasarkan status perkawinannya. Berikut ini adalah hasil perhitungan uji proporsi :

Tabel 3.15 Uji proporsi variabel status perkawinan

0 Ho : p1=p2 p1 Duda/Janda 74 139 1 H1 : p1>p2 p2 Belum menikah 159 280 -0,688 terima Ho p1=p2 0 Ho : p1=p2 p1 Duda/Janda 74 139 2 H1 : p1>p2 p2 Menikah 2717 5481 0,854 terima Ho p1=p2 1 Ho : p1=p2 p1 Belum menikah 159 280 4 _perkawinanstatus 2 H1 : p1>p2 p2 Menikah 2717 5481 2,355 tolak Ho p1>p2

(32)

Page | 78

Setelah kesimpulan diperoleh, maka selanjutnya akan dibuat peringkat atau rangking yang menunjukkan proporsi atribut mana yang akan mengalami kemungkinan macet lebih besar. Berdasarkan tabel di bawah ini, dapat dilihat bahwa proporsi debitur yang berstatus duda/janda dan proporsi debitur yang belum menikah mempunyai kemungkinan yang sama untuk mengalami kredit macet.

Tabel 3.16 Peringkat variabel status perkawinan

4 Status perkawinan 1 Duda/janda belum menikah

2 Menikah

Pendidikan terakhir

Berdasarkan hasil crosstabulation dapat dilihat bahwa, dari 3200 debitur lulusan SMP kemungkinan akan mengalami kredit macet sebesar 52,44%. Sedangkan dari 203 debitur yang lulusan S1 kemungkinan akan mengalami kredit macet sebesar 42,86%. Untuk lebih jelasnya dapat dilihat pada tabel di bawah ini :

Tabel 3.17 Crosstab variabel pendidikan terakhir

pendidikan terakhir

<=SMP SMA D3 >=S1

kredit

jml persentas_e jml persentas_e jm_l persentas_e jml persentas_e Tota l lancar 152₂ 47,56% 125₆ 52,18% 56 62,22% 11₆ 57,14% 295₀ mace t 1678 52,44% 1151 47,82% 34 37,78% 87 42,86% 2950 total 320₀ 100% 240₇ 100% 90 100% 20₃ 100% 590₀

Berdasarkan hasil crosstabulation, akan dilakukan uji proporsi untuk melihat apakah terdapat perbedaan antara proporsi debitur berdasarkan pendidikan terakhirnya. Berikut ini adalah hasil perhitungan uji proporsi :

(33)

Page | 79

No Variabel rating Hipotesis atribut Jumlah _macet _kreditTotal _{hitung kesimpulan}Z hasil

0 Ho : p1=p2 p1 <=SMP 1678 3200 1 H1 : p1>p2 p2 SMA 1151 2407 3,424 tolak Ho p1>p2 0 Ho : p1=p2 p1 <=SMP 1678 3200 2 H1 : p1>p2 p2 D3 34 90 2,745 tolak Ho p1>p2 0 Ho : p1=p2 p1 <=SMP 1678 3200 3 H1 : p1>p2 p2 >=S1 87 203 2,649 tolak Ho p1>p2 1 Ho : p1=p2 p1 SMA 1151 2407 2 H1 : p1>p2 p2 D3 34 90 1,873 tolak Ho p1>p2 1 Ho : p1=p2 p1 SMA 1151 2407 3 H1 : p1>p2 p2 >=S1 87 203 1,360 terima Ho p1=p2 2 Ho : p1=p2 p1 D3 34 90 5 pendidikan _terakhir 3 H1 : p1>p2 p2 >=S1 87 203 -0,815 terima Ho p1=p2

Setelah kesimpulan diperoleh, maka selanjutnya akan dibuat peringkat atau rangking yang menunjukkan proporsi atribut mana yang akan mengalami kemungkinan macet lebih besar. Berdasarkan tabel di bawah ini, dapat dilihat bahwa peringkat pertama debitur yang akan mengalami kredit macet adalah debitur lulusan SMP atau dibawahnya, dilanjutkan oleh debitur lulusan SMA. Sedangkan debitur lulusan D3 dan S1 yang memiliki proporsi yang sama, berada di peringkat terakhir untuk kemungkinan mengalami kredit macet.

Tabel 3.19 Peringkat variabel pendidikan terakhir

5 pendidikan terakhir 1 <=SMP

2 SMA

3 D3 >=S1

Mempunyai usaha sampingan

Berdasarkan hasil crosstabulation dapat dilihat bahwa, dari 1686 orang debitur yang mempunyai usaha sampingan kemungkinan mengalami macet adalah sebesar 42,82%. Sedangkan dari 4214 orang debitur kemungkinan mengalami

(34)

Page | 80

macet adalah sebesar 52,87%. Untuk lebih jelasnya dapat dilihat pada tabel di bawah ini :

Tabel 3.20 Crosstab variabel usaha sampingan

punya usaha sampingan

ya tidak kredit jml persentase jml persentase Total lancar 964 57,18% 1986 47,13% 2950 macet 722 42,82% 2228 52,87% 2950 total 1686 100% 4214 100% 5900

Berdasarkan hasil crosstabulation, akan dilakukan uji proporsi untuk melihat apakah terdapat perbedaan antara proporsi debitur yang mempunyai usaha sampingan dan proporsi debitur yang tidak mempunyai usaha sampingan. Berikut ini adalah hasil perhitungan uji proporsi :

Tabel 3.21 Uji proporsi variabel usaha sampingan

0 Ho _: p1=p2 p1 Ya 722 1686

6 punya usaha

sampingan 1 H1 _: p1>p2 p2 Tidak 2228 4214

-6,974 terima Ho p1=p2

Setelah kesimpulan diperoleh, maka selanjutnya akan dibuat peringkat atau rangking yang menunjukkan proporsi atribut mana yang akan mengalami kemungkinan macet lebih besar. Berdasarkan tabel di bawah ini, dapat dilihat bahwa tidak terdapat perbedaan antara proporsi debitur yang mempunyai usaha sampingan dan proporsi debitur yang tidak mempunyai usaha sampingan. Hal ini menunjukkan bahwa debitur yang tidak/mempunyai usaha sampingan mempunyai kemungkinan yang sama untuk mengalami kredit macet.

(35)

Page | 81

Tabel 3.22 Peringkat variabel usaha sampingan

6 punya usaha 1 punya tidak punya

sampingan

Jenis bidang usaha

Berdasarkan hasil crosstabulation dapat dilihat bahwa, dari 971 orang debitur yang mempunyai usaha jasa kemungkinan akan mengalami kredit macet sebesar 48,40%. Sedangkan dari 384 orang debitur yang mempunyai usaha perdagangan kemungkinan mengalami macet sebesar 36,57%. Untuk lebih jelasnya dapat dilihat pada tabel di bawah ini :

Tabel 3.23 Crosstab variabel jenis bidang usaha

jenis bidang usaha

jasa _pengolahanindustri pertanian perdagangan lain-lain kredit

jml persentase jml persentase jml persentase jml persentase jml persentase Total

lancar 501 51,60% 113 42,97% 1637 46,07% 666 63,43% 33 52,38% 2950 macet 470 48,40% 150 57,03% 1916 53,93% 384 36,57% 30 47,62% 2950 total 971 100% 263 100% 3553 100% 1050 100% 63 100% 5900

Berdasarkan hasil crosstabulation, akan dilakukan uji proporsi untuk melihat apakah terdapat perbedaan antara proporsi debitur berdasarkan jenis bidang usahanya. Berikut ini adalah hasil perhitungan uji proporsi :

(36)

Page | 82

No Variabel rating Hipotesis atribut Jumlah _macet _kreditTotal _{hitung kesimpulan}Z hasil

0 Ho _{: p1=p2}_p1 jasa 470 971 1 H1 _{: p1>p2}_p2_pengolahanIndustri 150 263 -2,483 terima Ho p1=p2 0 Ho _: _{p1=p2 p1} jasa 470 971 2 H1 _: _{p1>p2 p2} Pertanian 1916 3553 -3,055 terima Ho p1=p2 0 Ho _{: p1=p2}_p1 jasa 470 971 3 H1 _{: p1>p2}_p2Perdagangan 384 1050 5,380 tolak Ho p1>p2 0 Ho _: _{p1=p2 p1} jasa 470 971 4 H1 _: _{p1>p2 p2} Lain-lain 30 63 0,121 terima Ho p1=p2 1 Ho _{: p1=p2}_p1_pengolahanIndustri 150 263 2 H1 _: _{p1>p2 p2} Pertanian 1916 3553 0,976 terima Ho p1=p2 1 Ho _: _{p1=p2 p1} _pengolahanIndustri 150 263 3 H1 _: _{p1>p2 p2} Perdagangan 384 1050 6,041 tolak Ho p1>p2 1 Ho _{: p1=p2}_p1_pengolahanIndustri 150 263 4 H1 _: _{p1>p2 p2} Lain-lain 30 63 1,350 terima Ho p1=p2 2 Ho _: _{p1=p2 p1} Pertanian 1916 3553 3 H1 _: _{p1>p2 p2} Perdagangan 384 1050 9,881 tolak Ho p1>p2 2 Ho _{: p1=p2}_p1 Pertanian 1916 3553 4 H1 _{: p1>p2}_p2 Lain-lain 30 63 0,995 terima Ho p1=p2 3 Ho _: _{p1=p2 p1} Perdagangan 384 1050 7 bidang jenis usaha 4 H1 _: _{p1>p2 p2} Lain-lain 30 63 -1,762 terima Ho p1=p2

Setelah kesimpulan diperoleh, maka selanjutnya akan dibuat peringkat atau rangking yang menunjukkan proporsi atribut mana yang akan mengalami kemungkinan macet lebih besar. Berdasarkan tabel di bawah ini, dapat dilihat bahwa peringkat pertama debitur yang akan mengalami kredit macet adalah debitur yang bergerak dalam usaha jasa, usaha industri pengolahan, usaha pertanian, usaha lain-lain. Sedangkan debitur yang mempunyai usaha perdagangan berada di peringkat dua kemungkinan kredit macet.

(37)

Page | 83

Tabel 3.25 Peringkat variabel jenis bidang usaha

7 Jenis bidang _usaha 1 jasa Industri pengolahan Pertanian Lain-lain

2 perdagangan

Jangka waktu pinjaman (bulan)

Berdasarkan hasil crosstabulation dapat dilihat bahwa, dari 519 orang debitur yang mempunyai jangka waktu pinjaman dibawah 1 tahun kemungkinan akan mengalami kredit macet sebesar 82,27%. Sedangkan dari 599 orang debitur yang mempunyai jangka waktu pinjaman diatas 3 tahun kemungkinan mengalami kredit macet sebesar 28,21%. Untuk lebih jelasnya dapat dilihat pada tabel di bawah ini :

Tabel 3.26 Crosstab variabel jangka waktu pinjaman

jangka waktu pinjaman (bulan)

<=12 18 24 >=36

kredit

jml persentas_e jml persentas_e jml persentas_e jml persentas_e Tota l lancar 92 17,73% 28₅ 35,67% 214₃ 53,80% 43₀ 71,79% ₂₉₅₀ mace t 427 82,27% 514 64,33% 1840 46,20% 169 28,21% 2950 total 51₉ 100% 79₉ 100% 398₃ 100% 59₉ 100% 5900

Berdasarkan hasil crosstabulation, akan dilakukan uji proporsi untuk melihat apakah terdapat perbedaan antara proporsi debitur berdasarkan jangka waktu pinjaman. Berikut ini adalah hasil perhitungan uji proporsi :

Tabel 3.27 Uji proporsi variabel jangka waktu pinjaman

No Variabel rating Hipotesis atribut Jumlah _macet _kreditTotal _hitungZ kesimpulan hasil

0 Ho : p1=p2 p1 <= 12 427 519 1 H1 : p1>p2 p2 18 514 799 7,043 tolak Ho p1>p2 0 Ho : p1=p2 p1 <= 12 427 519 2 H1 : p1>p2 p2 24 1840 3983 15,462 tolak Ho p1>p2 0 Ho : p1=p2 p1 <= 12 427 519 3 H1 : p1>p2 p2 >=36 169 599 18,069 tolak Ho p1>p2 8 Jangka _wkt pinjaman (bulan) 1 Ho : p1=p2 p1 18 514 799 9,357 tolak Ho p1>p2

(38)

Page | 84 2 H1 : p1>p2 p2 24 1840 3983 1 Ho : p1=p2 p1 18 514 799 3 H1 : p1>p2 p2 >=36 169 599 13,369 tolak Ho p1>p2 2 Ho : p1=p2 p1 24 1840 3983 3 H1 : p1>p2 p2 >=36 169 599 8,270 tolak Ho p1>p2

Setelah kesimpulan diperoleh, maka selanjutnya akan dibuat peringkat atau rangking yang menunjukkan proporsi atribut mana yang akan mengalami kemungkinan macet lebih besar. Berdasarkan tabel di bawah ini, dapat dilihat bahwa peringkat pertama debitur yang akan mengalami kredit macet adalah debitur yang mempunyai jangka waktu pinjaman dibawah 12 bulan, dikuti oleh debitur yang mempunyai jangka waktu pinjaman 18 dan 24 bulan. Sedangkan peringkat terakhir kemungkinan terjadinya kredit macet adalah debitur yang mempunyai jangka waktu pinjaman diatas 3 tahun.

Tabel 3.28 Peringkat variabel jangka waktu

8 Jangka waktu 1 <= 12

(bulan) 2 18

3 24

4 >=36

Tujuan penggunaan kredit

Berdasarkan hasil crosstabulation dapat dilihat bahwa, dari 4385 orang debitur yang menggunakan kreditnya untuk berinvestasi kemungkinan mengalami kredit macet sebesar 55,55%. Sedangkan dari 1371 orang debitur yang menggunakan kreditnya untuk modal kerja kemungkinan mengalami kredit macet sebesar 33,63%. Untuk lebih jelasnya dapat dilihat pada tabel di bawah ini :

Tabel 3.29 Crosstab variabel tujuan penggunaan kredit

tujuan penggunaan kredit

investasi modal kerja _{modal kerja}pengganti kredit

jml persentase jml persentase jml persentase Total

(39)

Page | 85 lancar 1949 44,45% 910 66,37% 91 63,19% 2950

macet 2436 55,55% 461 33,63% 53 36,81% 2950 total 4385 100% 1371 100% 144 100% 5900

Berdasarkan hasil crosstabulation, akan dilakukan uji proporsi untuk melihat apakah terdapat perbedaan antara proporsi debitur berdasarkan tujuan penggunaan kredit. Berikut ini adalah hasil perhitungan uji proporsi :

Tabel 3.30 Uji proporsi variabel tujuan penggunaan kredit

0 Ho _: p1=p2 p1 Modal kerja 2436 4385 1 H1 _: p1>p2 p2 Investasi 461 1371

0 Ho _: p1=p2 p1 Modal kerja 2436 4385 2 H1 _: p1>p2 p2 _{modal kerja}Pengganti 53 144

1 Ho _: p1=p2 p1 Investasi 461 1371

9 penggunaan tujuan kredit

2 H1 _: p1>p2 p2 _{modal kerja}Pengganti 53 144

-0,767 terima Ho p1=p2

Setelah kesimpulan diperoleh, maka selanjutnya akan dibuat peringkat atau rangking yang menunjukkan proporsi atribut mana yang akan mengalami kemungkinan macet lebih besar. Berdasarkan tabel di bawah ini, dapat dilihat bahwa peringkat pertama debitur yang akan mengalami kredit macet adalah debitur yang menggunakan kreditnya untuk modal kerja. Sedangkan peringkat keduanya adalah debitur yang menggunakan kreditnya untuk investasi dan pengganti modal kerja.

Tabel 3.31 Peringkat variabel tujuan penggunaan kredit

9 Tujuan penggunaan 1 Modal kerja

(40)

Page | 86

Rasio penerimaan bersih/angsuran

Berdasarkan hasil crosstabulation dapat dilihat bahwa, dari 236 orang debitur yang nilai rasio penerimaan bersih/angsurannya dibawah 1,33 kemungkinan mengalami macet adalah sebesar 48,73%. Sedangkan dari 4188 orang debitur yang nilai rasio penerimaan bersih/angsurannya antara 1,33-2 kemungkinan mengalami macet adalah sebesar 50,41%. Untuk lebih jelasnya dapat dilihat pada tabel di bawah ini :

Tabel 3.32 Crosstab variabel rasio penerimaan bersih/angsuran

rasio penerimaan bersih/angsuran

<1,33 >=1,33-2 >2-3 >3 kredit

jml persentas_e jml persentas_e jml persentas_e jml persentas_e Tota l lancar 12₁ 51,27% 207₇ 49,59% 510 50,40% 24₂ 52,16% 295₀ mace t 115 48,73% 2111 50,41% 502 49,60% 222 47,84% 2950 total 23₆ 100% 418₈ 100% 101₂ 100% 46₄ 100% 590₀

Berdasarkan hasil crosstabulation, akan dilakukan uji proporsi untuk melihat apakah terdapat perbedaan antara proporsi debitur berdasarkan tujuan penggunaan kredit. Berikut ini adalah hasil perhitungan uji proporsi :

Tabel 3.33 Uji proporsi variabel rasio penerimaan bersih/angsuran

0 Ho : p1=p2 p1 <1,33 115 236 1 H1 : p1>p2 p2 >= 1,33 - 2 2111 4188 -0,501 terima Ho p1=p2 0 Ho : p1=p2 p1 <1,33 115 236 2 H1 : p1>p2 p2 > 2- 3 502 1012 -0,242 terima Ho p1=p2 0 Ho : p1=p2 p1 <1,33 115 236 3 H1 : p1>p2 p2 >3 222 464 0,221 terima Ho p1=p2 1 Ho : p1=p2 p1 >= 1,33 - 2 2111 4188 10 _penerimaanRasio bersih/angsuran 2 H1 : p1>p2 p2 > 2- 3 502 1012 0,457 terima Ho p1=p2

(41)

Page | 87 1 Ho : p1=p2 p1 >= 1,33 - 2 2111 4188 3 H1 : p1>p2 p2 >3 222 464 1,740 tolak Ho p1>p2 2 Ho : p1=p2 p1 > 2- 3 502 1012 3 H1 : p1>p2 p2 >3 222 464 1,690 tolak Ho p1>p2

Setelah kesimpulan diperoleh, maka selanjutnya akan dibuat peringkat atau rangking yang menunjukkan proporsi atribut mana yang akan mengalami kemungkinan macet lebih besar. Berdasarkan tabel di bawah ini, dapat dilihat bahwa peringkat pertama debitur yang akan mengalami kredit macet adalah debitur yang nilai rasio penerimaan bersih/angsurannya dibawah 1,33, antara 1,33-2 dan antara 2-3. Sedangkan peringkat keduanya adalah debitur yang nilai rasio penerimaan bersih/angsurannya lebih dari 3.

Tabel 3.34 Peringkat variabel rasio penerimaan bersih/angsuran

No _Variabel _Peringkat _Atribut

10 _{Rasio penerimaan} ₁ _<1,33 _{>= 1,33 - 2} _{> 2- 3}

_{bersih per angsuran}

₂ _>3

Mempunyai pelanggan tetap

Berdasarkan hasil crosstabulation dapat dilihat bahwa, dari 5183 orang debitur yang mempunyai pelanggan tetap kemungkinan mengalami kredit macet sebesar 48,06%. Sedangkan dari 717 orang debitur yang tidak mempunyai pelanggan tetap, kemungkinan mengalami kredit macet sebesar 64,02%. Untuk lebih jelasnya dapat dilihat pada tabel di bawah ini :

Tabel 3.35 Crosstab variabel pelanggan tetap

punya pelanggan tetap

ya tidak kredit jml persentase jml persentase Total lancar 2692 51,94% 258 35,98% 2950 macet 2491 48,06% 459 64,02% 2950 total 5183 100% 717 100% 5900

(42)

Page | 88

Berdasarkan hasil crosstabulation, akan dilakukan uji proporsi untuk melihat apakah terdapat perbedaan antara proporsi debitur yang mempunyai pelanggan tetap dan proporsi debitur yang tidak pelanggan tetap. Berikut ini adalah hasil perhitungan uji proporsi :

Tabel 3.36 Uji proporsi variabel pelanggan tetap

0 Ho : p1=p2 p1 Ya 2491 5183

11 pelanggan punya

tetap 1 H1 _: p1>p2 p2 Tidak 459 717 -8,009 terima Ho p1=p2

Setelah kesimpulan diperoleh, maka selanjutnya akan dibuat peringkat atau rangking yang menunjukkan proporsi atribut mana yang akan mengalami kemungkinan macet lebih besar. Berdasarkan tabel di bawah ini, dapat dilihat bahwa tidak terdapat perbedaan antara proporsi debitur yang mempunyai pelanggan tetap dan proporsi debitur yang tidak pelanggan tetap. Hal ini menunjukkan bahwa debitur yang tidak/mempunyai usaha sampingan mempunyai kemungkinan yang sama untuk mengalami kredit macet.

Tabel 3.37 Peringkat variabel pelanggan tetap

Jenis bukti kepemilikan

Berdasarkan hasil crosstabulation dapat dilihat bahwa, dari 395 orang debitur yang mempunyai jenis bukti kepemilikan kwitansi kemungkinan mengalami kredit macet sebesar 45,82%. Sedangkan dari 168 orang debitur yang mempunyai jenis bukti kepemilikan letter C kemungkinan mengalami macet sebesar 78,57%. Untuk lebih jelasnya dapat dilihat pada tabel di bawah ini :

Tabel 3.38 Crosstab variabel jenis bukti kepemilikan

11 punya pelanggan 1 punya tidak punya

(43)

Page | 89 jenis bukti kepemilikan

kwitansi letter C BPKP sertifikat kredit

jml persentas_e jml persentas_e jml persentas_e jml persentas_e Tota l lancar 21₄ 54,18% 36 21,43% 667 45,28% 203₃ 52,61% 295₀ mace t 181 45,82% 132 78,57% 806 54,72% 1831 47,39% 2950 total 39₅ 100% 16₈ 100% 147₃ 100% 386₄ 100% 590₀

Berdasarkan hasil crosstabulation, akan dilakukan uji proporsi untuk melihat apakah terdapat perbedaan antara proporsi debitur berdasarkan jenis bukti kepemilikan. Berikut ini adalah hasil perhitungan uji proporsi :

Tabel 3.39 Uji proporsi variabel jenis bukti kepemilikan

0 Ho : p1=p2 p1 Kwitansi 181 395 1 H1 _: p1>p2 p2 Letter C 132 168 -7,156 terima Ho p1=p2 0 Ho : p1=p2 p1 Kwitansi 181 395 2 H1 _: p1>p2 p2 BPKP 806 1473 -3,145 terima Ho p1=p2 0 Ho : p1=p2 p1 Kwitansi 181 395 3 H1 _: p1>p2 p2 Sertifikat 1831 3864 -0,593 terima Ho p1=p2 1 Ho : p1=p2 p1 Letter C 132 168 2 H1 _: p1>p2 p2 BPKP 806 1473 5,919 tolak Ho p1>p2 1 Ho : p1=p2 p1 Letter C 132 168 3 H1 _: p1>p2 p2 Sertifikat 1831 3864 7,917 tolak Ho p1>p2 2 Ho : p1=p2 p1 BPKP 806 1473

12 _kepemilikanJenis bukti

(44)

Page | 90

Setelah kesimpulan diperoleh, maka selanjutnya akan dibuat peringkat atau rangking yang menunjukkan proporsi atribut mana yang akan mengalami kemungkinan macet lebih besar. Berdasarkan tabel di bawah ini, dapat dilihat bahwa peringkat pertama debitur yang akan mengalami kredit macet adalah debitur yang mempunyai jenis bukti kepemilikan kwitansi dan letter C. Sedangkan peringkat keduanya adalah debitur yang mempunyai jenis bukti kepemilikan BPKB. Sedangkan peringkat terakhir adalah debitur yang mempunyai jenis bukti kepemilikan sertifikat.

Tabel 3.40 Peringkat variabel jenis bukti kepemilikan

12 Jenis bukti 1 kwitansi Letter C

kepemilikan 2 BPKB

3 sertifikat

LTV (loan total value)

Berdasarkan hasil crosstabulation dapat dilihat bahwa, dari 94 orang yang mempunyai nilai LTV dibawah 100% kemungkinan mengalami kredit macet sebesar 69,15%. Sedangkan dari 4176 orang debitur yang mempunyai nilai LTV diatas 250% kemungkinan mengalami kredit macet sebeasr 47,51%. Untuk lebih jelasnya dapat dilihat pada tabel di bawah ini :

Tabel 3.41 Crosstab variabel LTV

LTV (nilai pasar agunan/plafond kredit)

<= 100% > 100% dan <= _150% > 150% dan <= _200% >200% dan <= _250% >250% kredit

jml persentase jml persentase jml persentase jml persentase jml persentase Total lancar 29 30,85% 48 37,50% 250 44,01% 431 46,15% 2192 52,49% 2950 macet 65 69,15% 80 62,50% 318 55,99% 503 53,85% 1984 47,51% 2950 total 94 100% 128 100% 568 100% 934 100% 4176 100% 5900

Berdasarkan hasil crosstabulation, akan dilakukan uji proporsi untuk melihat apakah terdapat perbedaan antara proporsi debitur berdasarkan rentang nilai LTV. Berikut ini adalah hasil perhitungan uji proporsi :

Tabel 3.42 Uji proporsi variabel LTV N

o Variabel rating Hipotesis atribut Jumlah macet

Total kredi t Z hitun g kesimpul an hasil

(45)

Page | 91 0 Ho : p1=p2 p1 <= 100% 65 94 1 H1 _: p1>p2 p2 > 100% dan <= _150% 80 128 1,028 terima Ho p1=p2 0 Ho : p1=p2 p1 <= 100% 65 94 2 H1 _: p1>p2 p2 > 150% dan <= _200% 318 568 2,394 tolak Ho p1>p2 0 Ho : p1=p2 p1 <= 100% 65 94 3 H1 _: p1>p2 p2 >200% dan <= _250% 503 934 2,843 tolak Ho p1>p2 0 Ho : p1=p2 p1 <= 100% 65 94 4 H1 _: p1>p2 p2 >250% 1984 4176 4,153 tolak Ho p1>p2 1 Ho : p1=p2 p1 > 100% dan <= _150% 80 128 2 H1 _: p1>p2 p2 > 150% dan <= _200% 318 568 1,346 terima Ho p1=p2 1 Ho : p1=p2 p1 > 100% dan <= _150% 80 128 3 H1 _: p1>p2 p2 >200% dan <= _250% 503 934 1,843 tolak Ho p1>p2 1 Ho : p1=p2 p1 > 100% dan <= _150% 80 128 4 H1 _: p1>p2 p2 >250% 1984 4176 3,344 tolak Ho p1>p2 2 Ho : p1=p2 p1 > 150% dan <= _200% 318 568 3 H1 _: p1>p2 p2 >200% dan <= _250% 503 934 0,805 terima Ho p1=p2 2 Ho : p1=p2 p1 > 150% dan <= _200% 318 568 4 H1 _: p1>p2 p2 >250% 1984 4176 3,792 tolak Ho p1>p2 3 Ho : p1=p2 p1 >200% dan <= _250% 503 934 13 LTV (loan total value) 4 H1 _: p1>p2 p2 >250% 1984 4176 3,507 tolak Ho p1>p2

Setelah kesimpulan diperoleh, maka selanjutnya akan dibuat peringkat atau rangking yang menunjukkan proporsi atribut mana yang akan mengalami kemungkinan macet lebih besar. Berdasarkan tabel di bawah ini, dapat dilihat bahwa peringkat pertama debitur yang akan mengalami kredit macet adalah debitur yang mempunyai nilai LTV dibawah 100% dan 100%-150%. Sedangkan peringkat keduanya adalah debitur yang mempunyai nilai LTV 50%-200% dan 200%-250%. Sedangkan peringkat terakhir adalah debitur yang mempunyai nilai LTV diatas 250%.

(46)

Page | 92

Tabel 3.43 Peringkat variabel LTV

13 LTV 1 <= 100% > 100% dan <= 150% (loan total value) 2 > 150% dan <= 200% >200% dan <= 250%

3 >250%

3.3 Profil debitur kredit macet

Berdasarkan hasil analisis diatas, dapat dibuat suatu profil debitur yang kemungkinan mengalami kredit macet. Tabel peringkat yang telah dibuat sebelumnya, kemudian akan diberi pembobotan untuk setiap peringkat. Untuk lebih jelasnya lagi, dapat dilihat pada tabel dibawah ini :

Tabel 3.44 Pembobotan berdasarkan peringkat

Peringkat Bobot Peringkat

No Variabel

(47)

Page | 93

Bobot :3 Bobot : 2 Bobot : 1

< 21 3 >= 21 dan < 30 1 >= 30 dan < 40 2 2 >=40 dan < 50 1 Usia 3 1 >=50 Bobot : 2 Bobot : 1 1 2 debitur baru 2 _lama/baruDebitur 2 1 debitur lama Bobot : 2 Bobot : 1 < 3 2 >=3 dan < 6 1 >=6 dan < 9 >=9 dan < 12 1 >= 12 dan < 16

3 Lama usaha _(tahun)

2 >= 16 Bobot : 2 Bobot : 1 Duda/Janda 1 2 Belum menikah 4 _perkawinanStatus 2 1 Menikah

Bobot :3 Bobot : 2 Bobot : 1

1 3 <=SMP 2 2 SMA D3 5 pendidikan _terakhir 3 1 >=S1

Peringkat Bobot Peringkat

No Variabel 1 2 3 4 Bobot : 2 Bobot : 1 jasa Industri pengolahan Pertanian 1 2 Lain-lain

6 Jenis bidang _usaha

2 1 Perdagangan

Bobot :4 Bobot : 3 Bobot : 2 Bobot 1

1 4 <= 12

7 Jangka waktu _pinjaman (bulan)