Model Skoring Kredit.docx

Model Skoring Kredit Model skoring kredit pada dasarnya ingin melihat risiko kredit (potensi kegagalan bayar) berdasarkan skor tertentu yang dihasilkan melalui model tertentu. a.

Model Diskriminan

Analisis diskriminan pada dasarnya ingin melihat apakah suatu perusahaan sebaiknya dimasukkan ke dalam kategori tertentu. Sebagai contoh, misalkan kita mempunyai dua kategori yaitu perusahaan yang mengalami kegagalan bayar dan yang tidak mengalami kegagalan bayar. Kemudian kita mengumpulkan informasi misal informasi laporan keuangan seperti rasio lancar, rasio profitabilitas, yang akan digunakan untuk memprediksi apakah suatu perusahaan layak dimasukkan ke dalam kategori ggal bayar atau tidak. Yang pertama kali perlu dilakukan adalah mengestimasi persamaan diskriminan, yaitu dengan menggunakan variabel dependen (tidak bebas) yang bersifat kategori yaitu gagal bayar dan tidak gagal bayar dan menggunakan rasio – rasio keuangan sebagai variabel tidak bebas. Sebagai contoh, berikut ini fungsi diskriminan yang diestimasi oleh penelitian Altman (1968) : Z = 1,2X1 + 1,4X2 + 3,3X3 + 0,6X4 + 1,0X5 Dimana X1

= Rasio modal kerja / Total Aset

X2

=Rasio laba ditahan / Total Aset

X3

= Rasio laba sebelum bunga dan pajak / Total Aset

X4

= Rasio nilai pasar saham / Nilai buku saham

X5

= Rasio penjualan / Total Aset

Cut off atau batas untuk pengambilan kesimpulan kedua model tersebut bisa dilihat dalam tabel berikut :

Batas tidak bangkrut Batas bangkrut Wilayah abu-abu

Model Pasar 2,99 1,81 1,81 – 2,99

Model nilai buku 2,90 1,20 1,20 – 2,90

Misalkan ada 2 perusahaan (PT Telkom Indonesia dengan PT Intikeramik)

Total Aset Rasio laba yang ditahan/total aset Rasio laba sebelum bunga dan pajak/total aset

PT Telkom Indonesia 0,24 0,42

PT Intikeramik 0,03 -2,18

0,20

-0,23

Rasio nilai pasar saham/nilai buku saham Rasio penjualan/total aset

2

1,2

0,64

0,05

Perhitungan nilai Z bisa dilihat sebagai berikut ini : Ztelkom

= 1,2 (0,24) + 1,4 (0,42) + 3,3 (0,20) + 0,6 (2) + 1,0 (2) = 4,736

Zintikeramik

= 1,2 (0,03) + 1,4 (-2,18) + 3,3 (-0,23) + 0,6 (1,2) + 1,0 (0,05) = -3,005

Karena nilai Z untuk Telkom di atas batas bangkrut (4,736 > 2,99) maka Atman mempredisksi bahwa perusahaan Telkom tidak bangkrut. Sebaliknya karena nilai Z untuk perusahaan Intikeramik dibawah batas bawah (-3,005 < 1,81) maka Atman mempredksi bahwa perusahaan intikeramik akan megalami kebangkrutan. b.

Model Probabilitas Linear

Dalam beberapa situasi, dua kategori (gagal bayar dan tidak gagal bayar) tidak cukup. Kita barangkali menginginkan angka yang mencerminkan seberapa besar kemungkinan terjadinya kegagalan bayar (risiko kredit) suatu perusahaan. Model probabilitas bisa dipakai untuk mengakomodasi keinginan tersebut. Langkahnya : 1. Mengestimasi persamaan untuk model perobabilitas. Variabel gagal bayar menjadi variabel tidak beas. Perusahaan yang gagal baar diberi kode 0, yang tidak gagal bayar diberi kode 1. 2.

Mengumpulkan data untuk variabel bebas (misal rasio keuangan)

3.

Estimasi bisa dilakukan dengan teknik regersi linear.

Sebagai contoh, misalkan estimasi dengan model probabilitas linear menghasilkan persamaan : Z

= 0,2 + 1,3X1 + 0,5X2

Dimana X1 = Rasio modal kerja/total aset X2= Rasio laba sebelum bunga dan pajak/total aset Misalkan kita akan meganalisis potensi gagal bayar untuk 2 perusahaan dengan informasi sebagai berikut.

Total Aset Modal Kerja Laba sebelum bunga dan pajak X1

PT Telkom Indonesia (jutaan rupiah) 198.484.000 47.561.000 29.932.000

PT XL Axiata (jutaan rupiah) 56.321.441 7.180.742 1.760.519

0,24

0,12

X2

0,15

0,03

Probabilitas tidak gagal bayar bisa dihitung sebagai berikut : Ztelkom

= 0,2 + 1,3 (0,24) + 0,5(0,24) = 0,527

ZXL

=0,2+ 1,3(0,12) + 0,5(0,03) = 0,371

Perusahaan Telkom mempunyai risiko kredit yang lebih rendah dibandingkan dengan perusahaan XL Axiata. Namun, kelemahan dari model probabilitas linier adalah ada kemungkinan proabilitas yang dihitung di luar wilayah 0 dan 1, lebih kecil dari nol atau lebih besar dari 1. c.

Model Probabilitas Logit

Model persamaan logit menggunakan ‘link’ logit (bukan linear seperti dalam persamaan regresi biasa). Misalkan Y adalah probabilitas ‘sukses’, regresi logit bisa ditulskan berikut ini : Logit (Y)

= log [(Y/(1 – Y))] = α+β1X1 +β2X2

Alternatif penulisan lain adalah berikut ini : Y

= [exp(α+ β1X1 +β2X2)]/[1+exp(α+ β1X1 +β2X2)]

Misalkan, hasil estimasi menunjukkan persamaan sebagai berikut ini (sama dengan persamaan probabilitas linear di atas) Y

= 0,2 + 1,3 X1 + 0,5X2

Dimana X1

= rasio modal kerja/total aset

X2

= rasio laba sebelum bunga dan pajak/total ase

Mana dengan menggunakan data pada probabilias linear diatas, maka hasil estimasi sebagai berikut : Ytelkom

= exp [0,2 + 1,3 (0,24) + 0,5(0,24)] / [ 1 + exp [0,2 + 1,3 (0,24) + 0,5(0,24)]] = = 3,36 / 2,36 = 0,77

YXL

= exp[0,2+ 1,3(0,12) + 0,5(0,03)] / [1+exp[,2+ 1,3(0,12) + 0,5(0,03)]] = 2,34 / 3,34 = 0,70

Hasil diatas menunjukkan bahwa perusahaan Telkom mempunyai probabilitas tidak gagal bayar lebih tinggi daripada XL Axiata sebesar 0,746.

RAROC (Risk Adjusted Return On Capital) Ide dari RAROC adalah membandingkan tingkat keuntungan dengan modal yang berisiko (Modal yang akan terkena dampak jika debitur megalami gagal bayar). Formula untuk RAROC bisa dituliskan berikut ini : RAROC = Pendapatan dari Pinjaman per Tahun / Modal yang berisiko (Capital at Risk) Contoh perhitungan : Misalkan suatu bank sedang mengevaluasi portfolio kredit dengan nilai nominal sebesar $1 miliar. Kupon bunga adalah 9%. (Bank akan mendapat bunga $90 juta per tahunnya) Modal untuk menyalurkan kredt tersebut diperkirakan sebesar $75 juta (7,5% dari nominal pinjaman). Misalkan dana untuk pinjaman tersebut diperoleh dengan menerbitkan deposito dengan tingkat bunga 6%. Setelah mendapat modal $75 juta, modal tersebut ditambahkan sebagai modal yang diinvestasikan di surat berharga pemerintah dengan tingkat bunga 6,5% per tahun (Bank akan memperoleh bunga sekitar $4,9 juta) Bank tersebut mempunyai biaya operasional sebesar $15juta per tahun dan kerugian yang diharapkan dari menerbitkan portofolio kredit adalah 1% per tahun (yaitu $10 juta) Maka RAROC

= (90+4,9-60-15-10) / 75 = 13,2%

Angka tersebut kemudian dibandingkan dengan tingkat keuntungan minimal yang diisyaratkan oleh bank Salah satu kesulitan dalam perhitungan RAROC adalah penentual Capital at Risk. Capital at Risk pada dasarnya adalah modal yang terekspos terhadap risiko kredit. Alternatif untuk mengukur Capital at Risk adalah dengan menggunakan model yang digunakan untuk melihat risiko perubahan tingkat bunga, seperti berikut ini ∆L/L = -Dl {∆R/(1+R)} Dimana ∆L

= eksposur risiko modal

L

= nilai loan

Dl

= Durasi pinjaman

∆R

= Perubahan premi kredit

PT Telkom mengeluarkan obligasi pada tahun 2015 dengan nilai pinjaman obligasi seri A sebesar 2.200 Milyar dengan jangka waktu 7 tahun. Pada tanggal 31 Desember 2017, peringkat obligasi Perusahaan yang diberikan oleh PT Pemeringkat Efek Indonesia (Pefindo) adalah idAAA (stable

outlook) Kemudian misalkan tingkat bunga positif naik 1,3% maka kita bisa mendapatkan nilai capital at risk :

∆L

= -7 x Rp 2.200 Milyar x [0,013/1,1] = -Rp 182 Milyar

Jadi, ketika ada perubahan tingkat bunga positif naik 1,3% maka Modal berisiko PT Telkom atas menerbitkan obligasi tersebut adalah –Rp 182 M