Hasil Pencarian  ::  Simpan CSV :: Kembali

"Tesis ini membahas penerapan model credit risk scoring yang digunakan untuk penilaian kelayakan kredit mikro dan dalam penerapan credit scoring tersebut maka dilakukan penetapan parameter scoring yang memenuhi kaidah statistika menggunakan metode regresi logistik, disamping itu juga dilakukan penetapan bobot skor setiap parameter menggunakan metode dimaksud. Hasil penelitian menyarankan untuk digunakan metode scoring yang dilengkapi dengan proses backtesiing secara berkala dan juga stress testing untuk menguji ketahanan hasil model terhadap kondisi makro maupun worstcase condition."

"ABSTRAKKarya akhir ini dilaksanakan dengan tujuan utama untuk mcngetahui bcsarnya risiko krcdit khususnya pada bisnis Mikro sektor usaha di Bank BRI. Perhitungan ini teramat sangat ,penting dilakukan mcngingat bahwa, pertama, Usaha Mikro adalah merupakan usaha yang paling banyak di Indonesia, namun para pengusaha mikro tidak mampu berhubungan denganbank Kedua, adanya anggapan bahwa sektor usaha mikro berisiko tinggi karena pengusaha mikro tidak bankable dan tidak mampu menyediakan agunan, Ketiga, Bank BRI adalah bankumum yang paling banyak menyalurkan pembiayaan di sektor mikro dan komposisi kreditmikro adalah 30 % dari sduruh kredit Bank BRL Keempat, Adanya ketentuan Basel tcntangkeharusan menghitung risiko kredit sebagai salah satu unsur dalam pcrhitungan CARBank BRI telah memberikan pelilyanan Krcdit Mikro tanpa subsidi pemerintilh adalahsejak tahun 1984, Kredit Mikro Scktor Usaha Bank BRT diberikan kcpada nasabah pcrorangan yang merupakan pengusaha mikro, dengan maksimum Rp, 50,000.000,-. Rata-rata pinjaman untuk setiap debitur sampai akhir tahun 2003 adalah Rp. 4,36 juta. Sampai saat ini Bank BRI telah memberikan pinjaman kepada 32.728.335 debitur. Jumlah debitur yang masih memiliki pinjaman adalah sebesar 3 juta nasabah dengan total outstanding kredit mencapai Rp. 13.273 miliar.Berdasarkan ketentuan pada Basel II, dalam perhitungan risiko kredit dapat menggunakan beberapa pendekatan, antara lain dengan standardized dan internal model. Pada penelitian ini, akan dilakukan pcrhitungan dengan menggunakan internal model dengan pendekatan Credit Risk. Credit Risk* adalah model yang tepat untuk mengukur risiko kredit dengan jumlah pinjaman yang kecil dan nasabah yang sangat banyak. Model Credit Risk* adalah merupakan model unconditional sehingga tidak memerlukan tambahan data makro dan merupakan default model. Risiko Kredit yang dihitung adalah berupa potensi kerugian yangdialami dari suatu portfolio kredit mikro sektor usaha. Credit Risk+ mengabaikan penyebabdari terjadinya default.Penerapan Credit Risk dilakukan untuk menghitung risiko kredit mikro Bank BRI dengan batasan sebagai berikut. Pertama, Kredit Mikro yang diteliti adalah hanya pada sector usaha dengan data selama 3 tahun, yaitu dari Januari 2001 sampai dengan Desember 2003. Kedua, Kriteria Default diasumsikan sama dengan kolektibilitas macet sesuai ketentuan Bank Indonesia, karena Bank BRI belum mempunyai credit scoring. Ketiga, Bank BRI tidak mempunyai data agunan, karena agunan pada kredit mikro hanya sebagai aspek psikologis.Dalam Model Credit Risk * digunakan dua tahapan, yaitu pertama mencari Frecuency of Default dan Severity of Losses. Kedua Distribution ofDefault Losses. Setelah mendapatkan Loss Distribution, akan dapat diketahui besarnya potensi kerugian berupa expected losses dan unexpected losses serta besamya economic capital untuk menutup kerugian yang terjadi.Hasil simulasi perhitungan kredit mikro sektor usaha dengan menggunakan Credit Risk + dengan asumsi tingkat keyakinan 95 % dan probability of default dihitung dengan Poisson Model menunjukkan sebagai berikut.Pertama, Perhitungan Probability of Default menunjukkan bahwa kredit mikro sector usaha yang memiliki kemungkinan untuk te1jadinya no default lebih besar dari kemungkinan terjadinya default pada tahun 2001 adalah kredit diatas Rp. 3 juta, pada tahun 2002 kredit diatas Rp. 5 juta dan pada tahun 2003 kredit diatas Rp. I 0 juta. Sedangkan untuk kredit diatasRp. 10 juta sampai dengan Rp. 20 juta, walaupun memiliki kemungkinan tetjadinya no default lebih besar dibandingkan dengan kemungkinan default, namun kemungkinan default tersebut adalah lebih besar dibandingkan kemungkinan default kredit dibawah Rp. 2 jutaKedua, Besarnya potensi kerugian kredit mikro sektor usaha yang diperoleh dari perkalian probability of default dengan loss given default adalah sebesar Rp. 57.247.955.748, padatahun 2001, sebesar Rp. 158.886.611.142,- pada tahun 2002 dan menjadi sebesar Rp. 550.014.556.136,- pada tahun 2003. Potensi kerugian tersebut bila dibandingkan dengan outstanding kredit mikro sektor usaha adalah sebesar 1 ,08°/c, pad a tahun 2001, sebesar 2,86% pada tahun 2002 dan sebesar 7,69% pada tahun 2003.Ketiga, Expected Loss sesuai perhitungan denganmodel Credit Risk dapat ditutup oleh cadangan yang dibentuk oleh bank, yaitu pada tahun 2001 sebesar Rp.l9.823.793.748,- jauhlebih kecil dari pembentukan PPAP sebesar Rp. 134.613.934.416,-, tahun 2002 expected losssebesar Rp.52.793.866.260,- lebih kecil dari PPAP sebesar Rp. 187.314.166.50 I,-, tahun 2003 expected loss sebesar Rp 293.321.124.509,- sedikit lebih kecil dari PPAP sebesar Rp.300.371.973.033,-.Keempat, Untuk menutup unexpected loss diambilkan dari modal. Dan besarnya economic capital yang harus disediakan meningkat setiap tahunnya, yaitu dari Rp. 37.424.162.038,- pada tahun 2001, menjadi Rp. 106.092.744.882,- pada tahun 2002 dan Rp. 256.693.431.672,- pada tahun 2003. Dengan mengetahui jumlah dan peningkatan Economic Capital dapat digunakan untuk melakukan analisa strategi untuk melakukan alokasi asset yang tepat dan paling menguntungkan.Hasil backtesting pada tingkat keyakinan 95% tahun 2001 adalah kondisi aktual credit at risk atau jumlah kredit default pada kredit mikro sesuai dcngan prcdiksi. Namun pada tahun 2002, posisi aktual kredit sampai dengan Rp. 2 juta berada sedikit diatas prediksi, dan pada tahun 2003 posisi aktual yang melewati prediksi meningkat menjadi kredit sampai dengan Rp. 5 juta. Hal ini dapat terjadi karena antara lain, pertama adanya komposisi pertanian semakin besar hampir menyamai kredit untuk perdagangan. Sektor pertanian adalah sektor yang faktor kegagalannya sulit diprediksi karena faktor ekstern seperti kondisi alam dan Iingkungan sangat mempengaruhi. Kedua, adanya perubahan ketentuan kolektibilitas terhadap kreditmikro menyebabkan jumlah default menjadi meningkat. Ketiga, Underestimated pada estimasi dibandingkan dengan kondisi aktual dapat tetjadi karena adanya volatility defaultrates. Mean dapat berubah tergantung pada siklus bisnis. Namun mengingat sempitnya waktudan data yang ada maka dampak pengaruh siklus bisnis tidak diteliti.Penerapan Credit Risk* pada perhitungan risiko kredit mikro sektor usaha Bank BRI menunjukkan bahwa kerugian yang dialami relatif rendah dan masih dapat ditutup oleh cadangan yang dibentuk dan economic capital. Penyediaan modal minimum yang digunakanjuga lebih rendah dibandingkan ketentuan Basel sebesar 8 %. Hal ini menunjukkan bahwakredit mikro sektor usaha adalah merupakan sektor yang sangat potensial untuk dikembangkan karena risiko kredit rendah dan pasar masih terbuka luas."

"Penelitian ini bertujuan untuk merumuskan model credit scoring untuk kredit mikro dengan menggunakan metode Multivariate Adaptive Regression Splines (MARS). Metode MARS merupakan pendekatan regresi nonparametrik yang memiliki kemampuan untuk memodelkan hubungan yang kompleks antar variabel tanpa asumsi model yang kuat dan menghasilkan model dengan akurasi tinggi yang melebihi model credit scoring lainnya dan mampu mengolah data berdimensi tinggi. Dalam beberapa tahun terakhir, MARS telah banyak diterapkan untuk memodelkan berbagai data, namun belum ditemukan penggunaanya untuk credit scoring kredit mikro. Secara umum metode credit scoring yang umum digunakan adalah analisis diskriminan dan regresi logistik. Namun kedua metode tersebut memiliki keterbatasan yaitu perlunya asumsi parametrik antara variabel respon dan prediktor. Penelitian menggunakan studi kasus data kredit mikro PT. Bank ABC yang merupakan market leader kredit UMKM di Indonesia. Hasil penelitian ini menunjukkan bahwa model penilaian kredit mikro dengan menggunakan MARS memiliki akurasi prediksi yang lebih tinggi dengan tingkat kesalahan terkecil, kesalahan tipe I dan II dibandingkan dengan Metode Regresi Logistik. Sehingga hasil penelitian ini dapat digunakan sebagai bahan pertimbangan bagi bank dalam menerapkan metode MARS dalam credit scoring dalam rangka pengendalian Risiko Non Performing Loan Kredit Mikro.

---

This paper aim to formulate the credit scoring model for micro loan using the Multivariate Adaptive Regression Splines (MARS) method. The MARS method is a nonparametric regression approach that has the ability to model complex relationships between variables without strong model assumptions and produce a model with high accuracy that exceeds other credit scoring models and is able to process high-dimensional data. In recent years, MARS has been widely applied to model various data, but its use for micro loan credit scoring has not yet been found. Generally, the credit scoring methods commonly used are discriminant analysis and logistic regression. However, there are limitations to both methods, namely the need for parametric assumptions between the response variables and predictors. This study use a case study of micro loan data from PT. Bank ABC, which is the market leader for MSME loans in Indonesia.The results of this study indicate that the microcredit credit scoring model using MARS has a higher predictive accuracy with the smallest error rate, type I and II errors compared to the Logistics Regression Method. So the results of this study can be used as considerations for banks in applying the MARS method in credit scoring in order to control the Non-Performing Loan Risk of Micro Loan."

"ABSTRAKTingkat atau bobot risiko kredit debitur sangat penting diketahui pihak perbankan, agar dalam menyalurkan fasilitas kreditnya kepada debitur dapat dilakukan secara aman dan memenuhi prinsip kehati-hatian (prudential banking). Untuk itu, tingkat risiko debitur harus terukur. Terdapat 7 buah faktor risiko debitur yang dapat dijadikan variable terukur, yakni kondisi keuangan, legal status, hubungan eksternal debitur dengan bank, posisi pasar, manajemen, viabilitas dan prospek usaha. Dengan menggunakan metoda Credit Risk Scoring, yaitu pembobotan atas faktor risiko debitur maka bobot risiko debitur menjadi lebih terukur. Pembobotan dapat dilaksanakan terhadap seluruh debitur dan berbagai sektor usaha, namun tidak berarti bahwa debitur yang bergerak dalam sektor usaha yang sama akan mempunyai tingkat risiko yang sama pula. Beberapa jenis usaha mempunyai jenis faktor risiko yang spesifik dan dominan, faktor ini dapat dijadikan pegangan dalam penentuan bobot risiko. Namun beberapa sektor usaha lainnya sama sekali tidak memilikinya sehingga harus dievaluasii secara individual. Pada dasarnya seluruh faktor risiko perperan dalam pengukuran tingkat risiko, namun terdapat beberapa yang menjadi penentu dalam mengukur tingkat risiko debitur yakni kondisi keuangan dan status legal. Tingkat risiko sangat situasional karena banyak faktor internal eksternal yang mempengaruhi sehingga tingkat risiko suatu perusahaan perlu direvaluasi secara berkala. 6 dari 7 faktor risiko nampak dominan pada beberapa sektor usaha debitur, yakni kondisi keuangan, status legal, posisi pasar, manajemen, viabilitas dan prospek usaha. Karena mempunyai tingkat homogenitas tinggi (sd <1), sehingga kecenderungan tersebut dapat dijadikan sebagai patokan dalam menghitung tingkat risiko suatu debitur. Bagi debitur pada sektor usaha yang tidak mememiliki faktor dominan tetap harus dihitung secara individual. Kisaran bobot yang relatif sama dimiliki oleh 5 dari 19 sektor usaha, yakni sektor Automotif, industri bahan Kayu, Industri Logam/Baja, Industri Kertas dan Tekstil. Hasil penelitian mengindikasikan bahwa pada proses analisis risiko kredit debitur korporasi harus diperhatikan : Mengutamakan pengukuran bobot risiko secara individual, berdasarkan penilaian 7 faktor risiko (seven risk factors) Faktor risiko yang spesifik dan dominan pada beberapa sektor usaha hendaknya hanya dijadikan pedoman saja karena sifat debitur yang sangat individualistik. Nilai Faktor risiko akan berubah setiap ada perubahan kondisi makro.

---

"

"Penelitian ini menganalisis secara komprehensif mengenai penerapan pengendalian internal pada pemberian kredit mikro Bank Bukopin. Jenis kredit mikro yang diteliti pada penelitian ini adalah kredit Swamitra. Penelitian ini adalah penelitian kualitatif dengan desain deskriptif yang bertujuan untuk menjelaskan bagaimana sistem pengendalian internal pada pemberian kredit Swamitra dan bagaimana penanganan terhadap kredit macet (non performing loan) disaat pertumbuhan portofolio terus meningkat. Hasil dari penelitian ini adalah Bank Bukopin telah melakukan sistem pengendalian kredit dengan cukup baik pada sebelum ataupun sesudah pemberian kredit. Akan tetapi Bank Bukopin perlu meningkatkan kontrol pada sistem pengendalian pada kredit Swamitra karena nilai non performing loan yang masih cukup tinggi dibandingkan dengan nilai non performing loan kredit industri mikro dapat menyebabkan ancaman bagi Bank Bukopin pada masa yang akan datang.

---

This study comprehensively analyzes the implementation of internal control in Bukopin micro credit. The type of micro credit examined in this study is Swamitra credit. This is a descriptive research with qualitative design. The purpose of this study is to explain how the system of internal controls in the provision of Swamitra credit and how they handle non-performing loans.

The result of this study is Bank Bukopin have done credit control system well enough before and after the provision of credit. However Bank Bukopin needs to improve controls on Swamitra credit control system because the ratio of non performing loan for Swamitra credit is still high enough compared to the ratio of non performing loan for micro industry credit will cause a threat to Bank Bukopin in the future."

"Implementasi manajernen risiko dalam dunia perbankan di Indonesia pada saat ini sudah mcrupakan suatu kewajiban yang tidak dapat ditawar-tawar lagi, karena Bank Indonesia sudah mengeluarkan peraturan yaitu Peraturan Bank Indonesia (PBI) nomor 5/8/PBI 2003 mengenai Penerapan Manajemen Risiko Bagi Bank Umum dan Surat Edaran BI Nomor 5/21/DPNP tanggal 29 September 2003 mengenai Penerapan Manajemen Risiko Bagi Bank Umum yang mulai efektif pada tanggal 29 September 2003. Perbankan sangat rentan terhadap risiko kredit yang timbul akibal dari bisnis yang digelutinya atau yang dijalaninya, oleh karena itu perbankan perlu mengembangkan suatu sistem yang dapat memonitor atau mengendalikan risiko kredit tersebut. Risiko kredit adalah risiko gagal bayar atau terjadinya default dimana suatu counterpary/borrower tidak dapat mengembalikan kewajibannya termasuk biaya over head-nya. Credit scoring adalah suatu model yang digunakan perbankan untuk mengetahui layak atau tidaknya suatu debitur untuk diberikan pinjaman. Dari berbagai macam definisi maka dapat disimpulkan bahwa Credit Scoring Model adalah suatu penilaian terhadap debitur untuk menentukan Probability of Default berdasarkan faktor-faktor/variabel-variabel tertentu yang dapat dikuantifikasikan ke dalam bentuk skor, dimana skor tersebut adalah suatu alat untuk mengetahui dan mengklasifikasikan debitur ke dalam dua kategori yaitu good debitur dan bad debitur. Dalam credit scoring ini terdapat empat macam jenis pendekatan yaitu pendekatan linear probability model, logic model, probit model, dan discriminant analysis model. Dalam penulisan karya ilmiah ini pendekatan yang digunakan adalah pendekatan model probit dan model logit dimana untuk pendekatan model logit menggunakan logistic distribution function dan untuk pendekatan model probit menggunakan normal distribution function. Untuk kedua model tersebut menggunakan variabel yang memiliki nilai 0 atau 1 (dummy variable). Berdasarkan pengolahan data dalam penelitian ini ternyata kedua model memiliki hasil yang tidak berbeda dalam menentukan nilai probability of default. Untuk kedua metode tersebut ternyata variabel yang memiliki tingkat signifikansi a= 5% berjumlah 13 variabel yang artinya hanya 13 variabel itu saja yang sangat berpengaruh terhadap probability of default. Ketiga belas variabel tersebut adalah CS1, CS3, ED4, IC2, ID14, ID17, ID20, MB, MR, TN2, TN3, TN4 dan TN5. Cut-off point yang digunakan penulis dalam karya akhir ini adalah 0.4. Correct estimates yang didapat dari model logit 87.93% sementara untuk model probit 87.95%. Error Type I model logit adalah 0.28% dan untuk model probit sebesar 0.19%. Error Type I untuk melihat berapa observasi yang ditolak (reject) padahal seharusnya diterima. Sementara Error Type II model logit adalah 11.79% dan untuk model probit 11.86 %. Error Type II untuk melihat berapa observasi yang disetujui padahal seharusnya ditolak.

---

Risk Management Implementation is a must in Banking Area in Indonesia caused Bank of Indonesia has been issued regulation, name is Bank of Indonesia Regulation (PBI) number 5/8/PBI 2003 contents of Risk Management Implementation for Common Bank and Letter Issued Bank of Indonesia number 5/21/DPNP date of September 29, 2003 contents of Risk Management Implementation for Common Bank which come into effective as per September 29, 2003.

Banking is a risky area for credit risk which comes from business that had been running itself, therefore banking needs to develop a system which can be monitored and handled credit risk itself, Credit risk is a default happened where a borrower or counterparty are not able to pay back their responsibility including over head cost.

Credit scoring is a model which used in banking to know whether a borrower or counterparty acceptable or not to get a loan. From all of kind of definition in summary credit scoring model is a value for customer or borrower to define probability of default based on limited variables which could be quantified into a score, where the score is a tool to find and classified borrower into two categories those are good borrower and bad borrower. In credit scoring there are four models: linear probability model, Logic model, probit model, and discriminant analysis model.

In this thesis models which used are probit model and logit model where as for logit model using logistic distribution function and For probit model using normal distribution function. Both models are using variable which have 0 values and 1 value (dummy variable). Based on processing data in this observation unfortunately both kind of models have results which not too different significantly to determine probability of default.

In fact for both methods total variables which have significancy level for a = 5% are 13 variables means that only 13 variables have most influenced for probability of default. The thirteen of variables are CS 1, CS3, ED4, 1C2, 1014, ID 17, ID20, MB, MR, TN2, TN3, TN4 and TN5.

Cut-off point which used in this thesis is 0.4. Correct estimate from logic model is 87.93 % meanwhile for probit model is 87.95 %. Error type 1 for logit model is 0.28 % and for probit model is 0.19 %. Function of error type 1 is to find/know how many observation have to be rejected otherwise have to be accepted, vice versa meanwhile function of error type II is to find/know how many observation have to he accepted otherwise/unfortunately have to be rejected."

"Kredit mikro adalah kredit yang terbukti reliable dalam kondisi perekonomian apapun. Namun demikian, pemberian kredit tersebut tidak luput dari risiko kredit. Bank yang mengelola portofolio kredit mikro membutuhkan sistem manajemen risiko dan penggunaan model yang tepat untuk mengukur risiko kredit dari portofolio tersebut. Karena dengan begitu, bank, dapat secara terukur menyediakan kebutuhan modal minimum yang diperlukan untuk mencover risiko kredit yang dihadapinya. Dan berdasarkan karakteristiknya, risiko kredit mikro sangat cocok diukur dengan menggunakan metode Credit Risk+, dimana metode tersebut sangat cocok dengan karakteristik portofolio kredit yang besar dengan skala kredit yang kecil.

---

Micro credit was a credit that proven reliable at any economic conditions. However, this credit will not miss the credit risk. Banks that manage micro credit portfolio needs risk management system and utilize the appropriate model to measure the credit risk. Because then, the bank can provide the minimum capital requirements needed to cover credit risk it faces. And based on the characteristics, micro credit risk was suitable to be measured by Credit Risk+ method, where the method was suitable with the characteristics of a large credit portfolio with smallscale credit."

"Karya akhir ini bertujuan untuk mengukur besarnya risiko kredit khususnya untuk scgmen karlu kredit Bank X di tahun 2005 dengan mempergunakan metode CreditRisk+. Alasan pcinilihan topik ini adalah :a. Produk Karlu Kredit merupakan jenis kredit yang memiliki resiko tinggi, mengingat sejak keputusan pemberian kredit oleh bank cenderung hanya didasarkan kepada verifikasi dokumen pendukung seperti slip gaji, surat keterangan, lembar penagihan kartu kredit bank lain, hasil rating sesama anggota Asosiasi Kartu Kredit Indonesia (AKKI), hasil verifikasi melalui telepon, serta lambahan dokumen pendukung lainnya, dan hanya sebagian calon pemegang karlu kredit yang prosesnya didahului oleh survey atau pengecekan lapangan mengingat kemampuan bank umumnya tidak memungkinkan unluk melakukan pengecekan lapangan semua calon pemegang kartu kredit, juga karena proses keputusan kredit hams sudah diberikan paling lambat lima hari sejak aplikasi kartu kredit diterima bank, selain itu kredit yang diberikan adalah unluk tujuan konsumsi dan tidak memiliki jaminan atas pemberian kredit tersebut.b. Bank X adalah penerbit kartu kredit terbesar not-nor dua di Indonesia di tahun 2005 setelah Citibank dengan jumlah pcmegang kartu kredil lebih dari 800.000 Cardholder dengan total outstanding balanced sebesar lebih dari Rp. 1,5 trilyun sehingga terdapat potensi risiko kredit yang cukup besar khususnya dalam hal terjadinya Default bagi Bank X, apabila pengeiolaan risiko kredit nya tidak dilakukan secara baik.c. Bank X belum mencrapkan metode Internal Raring Base (IRB) approach khususnya metode CrcclitRiski- untuk menghitung risiko kredit portofolio kartu krcdit nya.d. Adanya ketentuan Basel 11 tcntang kcharusan menghitung risiko krcdit scbagai salah satu unsur dalam menghitung CAR.Berdasarkan ketentuan Basel II, perhitungan risiko krcdit dapat mempergunakan beberapa pendekatan, antara lain dengan Standardized Model dan Internal Model, dimana dalam penelitian ini akan dilakukan perhitungan dengan menggunakan Internal Model dengan pendekatan CreditRisk+.CreditRisk+ dianggap sebagai Internal Model yang tepat untuk menghitung risiko krcdit pada suatu portofolio, hal ini karena metode ini dapat dipergunakan untuk menghitung risiko krcdit suatu portofolio krcdit dalam jumlah yang banyak namun dengan besaran outstanding masing-masing krcdit kecil, juga karena metode ini tidak memerlukan tambahan data makro sehingga dalam penerapannya lebih efisien namun tetap efektif. Selain itu metode ini dikenal scbagai Default Model yang hanya mcmbedakan portofolio krcdit menjadi dua golongan yaitu bagian portofolio krcdit yang An Del iult dan Default saja scrta mcngabaikan penycbab tcrjadinya Default tersebut.Penerapan CreditRisk+ dilakukan dengan menghitung risiko kartu kredit di Bank X dengan batasan-batasan scbagai berikut :a. Data portofolio kartu kredit yang dipergunakan adalah data selama 12 bulan di tahun 2005.b. Nilai exposure berkisar antara Rp 500 ribu hingga Rp 250 juta, mengingat hampir 90% oposure yang ada di dalam portofolio Bank X berada pada kisaran nilai tersebut, tanpa memperhatikan jenis kartu kredit Classic, Gold atau Platinum.Secara garis besar, tahapan penghitungan risiko kredit mempergunakan metade CreditRisk+ dilakukan dcngan mcnghitung Frequency of Default dan Severity cof Losses, kemudian rnenghitung Distribution of Default Losses. Selanjutnya dari perhitungan terschut, akan diperaleh besamya potensi kerugian berupa Expected Loss. Unexpected Loss dan bcsarnya Economic Capital untuk menutup kerugian yang terjadi.Perhitungan portofolio kartu kredit dengan mempergunakan metade CreditRisk+ dengan asunisi tingkat keyakinan 95% dan Probability of Default dihitung dcngan Poisson Model, menunjukkan basil sebagai berikut:a. Nilai Expected Loss yang menunjukkan besamya kerugian yang diperkirakan tcrjadi setiap bulan dapat dihitung nilainya mempergunakan metode CreditRisk+, sebagai contoh nilai Expected Lost di bulan November 2005 bcsarnya adalah Rp.74,823 Milyar. Nilai Expected Loss setiap bulan tersebut diharapkan dapat ditutup olch nilai PPAP yang dibcntuk oleh Bank X dan dcngan mernpergunakan Likelihood Ratio Test dikctahui bahwa hampir scluruh Expected Loss yang ada di tahun 2005 masih dapat ditutup oleh nilai Pencadangan Penghapusan Aktiva Produktif(PPAP) yang dibcntuk olch Bank X.b. Dengan pencrapan metade CreditRisk+ dal= penelitian ini, besamya nilai VaR sctiap bulan juga dapat dihitung nilainya, dengan tingkat kepercayaan 95 % maka nilai VaR suatu bulan menunjukkan proyeksi besamya nilai kerugian terbesar (Unexpected Loss) bulan berikutnya, sebagai contoh nilai VaR bulan November 2005 sebesar Rp.82,875 Milyar yang menunjukkan proyeksi nilai kerugian maksimum bulan Desember 2005 dengan tingkat kepercayaan 95 %, dimana nilai kcrugian aktual pada bulan Desembcr adalah sebesar Rp.80,303 Milyar.c. Hasil pengujian dcngan metode Likelihood Ratio pada tingkat kepercayaan 95%, mcnunjukkan bahwa sclama periodc pengamatan besarnya nilai VaR yang mcrupakan proycksi jumlah kerugian terbcsar bulan bcrikutnya cukup akurat untuk dipcrgunakan dalam mcnghitung risiko krcdit, karena selama periodc pengamatan seluruh nilai kcrugian aktual yang terjadi masih dibawah =bang batas jumlah kcrugian yang dapat ditolelir atau tidak terdapat nilai kerugian aktual yang nilainya lcbih bcsar atau sama dcngan nilai- VaR yang dihitung dcngan mctodc CredirRisk+.d. Dengan mempcrbunakan mctodc CredizRi.sk+, Bank X mempcrolch insentif berupa penurunan kewajiban pemenuhan modal, scbagai contoh di bulan November 2005 kewajiban pemenuhan modal mempcrbunakan metode CrecliiRisk+ adalah 0.39 % dad total exposure nya, angka ini jauh lcbih rendah dibandingkan dengan mempcrbunakan Standardized Approach yang mcnghasilkan kewajiban pemenuhan modal sebesar 6,29 % dari total exposure, schingga Bank X mempcrolch insentif nilai modal sebesar 5,90% (6,29% - 0,39%) yang dapat dialokasikan oleh Bank X untuk kcpcntingan lainnya yang lcbih produktif.e. Bank X memperolch manfaat lain dad pcncrapan metode CredirRisk+, selain dapat menghitung risiko kredit nya secara Icbih akurat. pcncrapan metode ini dapat mcmbantu manajcmen Bank X dalam mcnyusun strategi yang lebih cfcktif dan pengalokasian SDM yang Iebih akurat dalam mclakukan penagihan kreditnya yang Default.

---

The purpose of this thesis is to measure credit risk especially for the credit card segment of Bank X in 2005 by utilizing the CreditRisk+ method.The reasons of selecting this topic are:a. Credit Card is a type of credit that has a high risk, because since the decision of credit offer by the bank tends to be only based on supporting document verification for instance salary slip, recommendation letter, other bank's billing statement, rating result from other members of Asosiasi Kartu Kredit Indonesia (AKKI), phone verification result, as well as (he addition of the other supporting document, and only some of the process of the cardholder's applicant is proceeded by survey or external verification (on the spot), concerning that the bank's capacity generally does not possible to do field verification for all applicants, also because of the decision must been given at least in five days since the credit card application is accepted by the bank, moreover credit that is given aims for consumption and does not have the collateral.b. The Bank X is on 2''d rank of credit card's issuer in Indonesia in 2005 after Citibank, with the numbers of cardholders are more than 800.000 and the total outstanding balanced is more than Rp.1,5 trillion. On that condition, The Bank X has a potential high risk on its credit especially in the matter of the default occurrence, if the risk management of its credit is not well developed.c. The Bank X has not applied the method of Internal Rating Base (IRB) approach yet especially the CreditRisk+ method to calculate the credit risk of its credit card's portfolio.d. There is the regulation of Basel II about obligation to calculate the credit risk as one of the elements in calculating Capital Adequacy Ratio (CAR).Based on the Based in regulation, the calculation of the credit risk can be utilized in several approaches, such as by Standardized Model or Internal Model, that in this research it will be done credit risk calculation by using Internal Model with the CreditRisk+ approach.CreditRisk+ was reputed as the precise Internal Model to calculate the risk of credit in a portfolio, because this method can be utilized to calculate the risk of credit in a large portfolio of each small credit, also because of this method do not need the addition of the macro's economic data, so in its implementation is more efficient but still effective. Moreover this method is known as the Default Model that differentiates the credit portfolio only into two groups, the first is a Not Default credit portfolio and the other one is a Default credit portfolio, also this model ignores the cause of the Default occurrence.The implementation of CreditRisk+ is done by calculating the risk of the credit card in the Bank X with limitations as follows:a. The credit card portfolio data is the data for 12 months in 2005.b. The exposure revolves between Rp. 500 thousand up to Rp. 250 million; considering that almost 90% exposure available in the Bank X's portfolio is in that value range, without considering the type of Classic, Gold or Platinum card.In general, the stage of calculating credit risk with the CreditRisk+ method will be done by calculating Frequency of Default and Severity of Losses, afterwards calculating Distribution of Default Losses. From the result, will gel the potential loss such as Expected Loss, Unexpected Loss and the Economic Capital to cover the loss.The calculation of credit card portfolio by utilizing the CreditRisk+ method with the assumption of the 95%conviction level and probability of default is calculated by Poisson's model, shows results as follows:a. The Expected Loss that shows the estimated loss occurs every month can be calculated with CreditRisk+ method, for example is the Expected Lost value in November 2005 is Rp.74, 823 Billion. That value is expected to be covered by the PPAP that is formed by Bank X and by utilizing Likelihood ratio test it is known that almost all Expected Loss in 2005 still can be covered by the value of PPAP (Pencadangan Penghapusan Aktiva Produktif) that is formed by Bank X.b. With implementation of the CrediiRisk+ method in this research, the size of VaR every month also can be calculated, using the 95 % level of reliability so value of VaR (Unexpected Loss) in a month shows the projection of the biggest losses in the following month, for example is the size of VaR in November 2005 is Rp.82, 875 Billion, it shows the projection of the maximum loss in December 2005 with the 95 %level of reliability, the actual loss in December is Rp.80, 303 Billion.c. The result of the Likelihood Ratio method on 95% level of reliability shows that during the period of observation the size of VaR that shows the projection of the biggest loss in the following month. It is quite accurate to be utilized in calculating the risk of credit, because during the period of observation all of the actual value of loss that is happened is still under the limitation of tolerant total of loss or do not have the actual loss bigger than or same as the VaR value that is calculated with the CreditRisk+ method.d. By utilizing the Credit Risk+ method, Bank X receives incentive of the capital's fulfillment obligation reduction, for example in November 2005 the fulfillment obligation of capital utilized by the CreditRisk+ method is 0,39 % from the total exposure, this number is much more lower compared with Standardized Approach that produces the fulfillment obligation of capital for 6,29 % from the total exposure, therefore Bank X receives 5,90% (6,29% - 0,39%) capital incentive that can be allocated in more other productive area by Bank X.e. Bank X receives another benefit from the implementation of CreditRisk+ method, besides it can calculate the credit risk more accurately, this method implementation can help the management of Bank X to develop more effective strategy and more accurate human resources allocation in dunning its Default credit."

"Kredit Konsumsi nasional sejak krisis moneter sampai dengan bulan Juni 2005 mencatat pertumbuhan tertinggi dibandingkan dengan kredit modal kerja dan kredit investasi. Jumlah penduduk yang besar, keinginan konsumen untuk scialu memenuhi kebutuhan primer, sekunder bahkan tersier, perilaku masyarakat yang cenderung konsumtif, membaiknya daya beli konsumen setelah krisis moneter, meningkatnya pertumbuhan proyek property, terutama di perkotaan, meningkatnya jaringan pemasaran retail, supermarket bahkan hyper market, intensifnya pembukaan jaringan perbankan maupun lembaga keuangan sampai ke pelosok-pelosok kecamatan bahkan desa, khususnya untuk menyediakan pembiayaan kendaraan bermotor, adalah faktor-faktor yang antara lain menyebabkan pertumbuhan kredit konsumsi.Bank X sebagai bank hasil merger beroperasi pada tahun 1999, melakukan pemasaran intensif berbagai produk kredit konsumsi sejak tahun 2002. Sejalan dengan perkembangan perbankan nasional, maka pertumbuhan kredit konsumsi di Bank X mencatat pertumbuhan tertinggi dibandingkan pertumbuhan di segmen corporate, commercial maupun segmen small business dan micro banking. Portofolio kredit konsumsi yang semula hanya sebesar +/- Rp 1,5 trilyun pada tahun 2002, meningkat menjadi sebesar Rp 9,6 trilyun pada bulan Juni 2005. Produk kredit konsumsi, yailu KPR dan Kredit Multiguna mendominasi 81% total portofolio kredit konsumsi di Bank X, sedangkan sisanya tersebar melalui produk Kredit Mitrakarya, Kredit Bebas Agunan (KBA), Kredit Kendara dan Kredit Agunan Deposito (KAD). Peningkatan yang signifikan tersebut dari sisi volume maupun pertumbuhan tersebut, memerlukan langkah antisipasi terhadap aspek risiko kreditnya.Pada tahun 2003 Bank X mengimplementasikan credit scoring untuk menggantikan pengambilan keputusan kredit secara expert systems yang mengandalkan kemampuan justifikasi petugas kredit dan pemegang kewenangan. Penggunaan credit scoring secara otomatisasi menghasilkan keputusan kredit yang lebih cepat dengan justifikasi keputusan yang homogen/seragam. Kemampuan credit scoring dalam memprediksikan potensi default sangat bergantung kepada parameterlvariabel utama yang diukur dan bobot risiko yang ditetapkan dalam model. Namun demikian dalam prakteknya, relevansi masingmasing parameter/variabel dan bobot risiko yang digunakan sensitif terhadap perubahan indikator-indikator ekonomi utama, seperti perubahan inflasi, perubahan nilai tukar rupiah/dollar dan perubahan suku bunga. Kombinasi perubahan indikator ekonomi, memberikan dampak secara langsung atau tidak langsung, terutama bagi mayoritas debitur kredit konsumsi yang berpenghasilan tetap (fixed income). Dampak yang terasa dengan adanya perubahan indicator ekonomi tersebut di atas adalah cenderung memberikan tekanan kepada pendapatan, biaya hidup dan kemampuan membayar kewajiban (angsuran). Dengan demikian tuntutan terhadap review secara berkala terhadap model credit scoring yang digunakan menjadi mutlak, agar model credit scoring tetap relevan dan tetap akurat dalam prediksinya.Berdasarkan kajian terhadap kondisi makro ekonomi dapat disimpulkan bahwa tuntutan review terhadap model credit scoring mutlak segera dilakukan. Kondisi ini terlihat dari perubahan indikator ekonomi utama pada tahun 2005 yang sudah sangat berubah dibandingkan pada saat tahun awal (2003) credit scoring diimplementasikan, seperti kenaikan 2 kali harga BBM selama tahun 2005 yang mendorong inflasi yang mendekati angka 15%, nilai tukar rupiah terhadap dollar yang melebihi angka Rp 10.000 dan peningkatan BI rate yang mencapai 12,25%.Apabila dilihat profil risiko masing-masing produk terlihat perkembangan tingkat NPL kredit konsumsi cenderung merambat naik, walaupun masih dalam angka yang dapat ditoleransi (dibawah 3%). Selanjutnya hasil vintage analysis terhadap beberapa produk kredit konsumsi cenderung memburuk, khususnya pada kredit-kredit yang diberikan pada periode akhir tahun 2004 sampai bulan Juni 2005. Sedangkan analisis yang dilakukan terhadap nilai Kolmogorov-Smimov (KS) model credit scoring, menunjukkan berada pada angka rata-rata 4%, jauh di bawah angka yang direkomendasikan (20%-75%). Kondisi-kondisi ini memberikan pertanyaan apakah model credit scoring yang diimplementasikan sejak bulan Juni tahun 2003 masih relevan untuk menangkap dinamika risiko, atau masih akurat dalam memprediksikan potensi default ke depannya.Berdasarkan penelitian yang dilakukan terhadap model credit scoring yang digunakan oleh Bank X, maka menunjukkan terdapat 13 variabel/parameter yang digunakan dalam memprediksikan potensi default calon debitur, dengan didukung oleh 53 karakteristik yang tersebar dalam berbagai bobot risiko. Adanya jumlah database yang mendukung dalam melakukan simulasi perubahan model adalah faktor penting dalam melakukan perbaikan terhadap model credit scoring yang digunakan. Namun demikian kegiatan memvalidasi model credit scoring secara berkala mutlak dilakukan agar agar model tetap relevan, untuk menekan tingkat risiko kredit yang terjadi. Di masa mendatang, walaupun adanya keterbatasan biaya, namun diharapkan adanya model credit scoring yang berbeda untuk tiap wilayah maupun berbeda untuk setiap produk kredit konsumsi, dapat lebih realistis mendukung target ekspansi kredit konsumsi yang ditetapkan oleh Bank X.Mencermati permasa[ahan yang ada, ke depannya Bank X perlu melakukan beberapa langkah yang diharapkan cukup efektif untuk menekan tingkat risiko kredit konsumsi, antara lain fokus kepada pemasaran KPR dan Kredit Multiguna, lebih intensif melakukan pemasaran kepada segmenikelompok talon debitur profesi karyawan, melakukan validasi model secara berkala, melakukan penyesuaian terhadap angka debt service ratio dan angka loan to value dikaitkan perubahan kondisi makro, mendorong tumbuhnya cross-selling khususnya sesama produk Bank X, menetapkan suku bunga kredit atas dasar risiko individu dan melakukan perbaikan secara berkesinambungan pada kualitas tenaga pemasar (Direct Sales Agency)."