PENERAPAN METODE CREDITRISK+ DALAM PENGUKURAN

RISIKO KREDIT KENDARAAN BERMOTOR

(KASUS PADA PT ”X”)

Any Meilani (any@mail.ut.ac.id)

Fakultas Ekonomi, Universitas Terbuka

ABSTRACT

Identify and measure credit risk by using a method in accordance with the characteristics of
finance companies is one of a prudent first step in minimizing potential losses. Potential
losses can be seen from the Non Performing Loan (NPL) and recovery rate of the company.
Credit risk measurement remains important as preventive and anticipatory measures for a
finance company in managing the potential consumer default in fulfilling their obligations. By
using 36 months of credit risk in motor vehicles (2006-2008) which includes the number of
units of motor vehicles, the amount of exposure, collectability and recovery rate can be
calculated expected Loss, unexpected loss and economic capital. Results showed that both
the expected Loss and unexpected loss from year to year increase. Also with the economic
capital increases annually. However, if the economic value associated with authorized capital
owned by PT "X" each year, it can be concluded that the capital is still sufficient to cover
possible losses caused by credit default unexpected losses. Testing the model using back
testing and Likelihood Ratio, indicates that during the observation period the number of
adverse events "X" with the level of losses that exceed the value of the vehicle financing credit
VaR is still below the threshold amount of loss that can be tolerated. In other words the risk
measurement method using a motor vehicle financing CreditRisk+ is acceptable and accurate
enough to measure the risk of motor vehicle financing PT "X".

Keywords: creditRisk, motor vehicles

Keputusan Presiden Nomor 61 tahun 1988 tentang Lembaga Keuangan merupakan awal
pengenalan kegiatan pembiayaan konsumen (cosumer finance) yang kemudian diikuti dengan
munculnya industri multi finance. Sejak saat itu, usaha jasa pembiayaan konsumen menunjukkan
perkembangan sangat baik. Meningkatnya pertumbuhan usaha jasa pembiayaan konsumen ini,
menunjukkan tingginya minat konsumen untuk membeli barang kebutuhan konsumen, seperti mobil,
sepeda motor, alat-alat rumah tangga, barang elektronik, dan lain lain dengan cara mengangsur atau
mencicil secara berkala seiring meningkatnya taraf hidup masyarakat lapisan menengah ke bawah.
Hal ini pula yang menjadi pendorong tingginya pertumbuhan usaha jasa pembiayaan. Terlepas dari
banyaknya perusahaan pembiayaan yang aktif beroperasi, semakin tingginya tingkat pertumbuhan
portofolio kendaraan bermotor menyebabkan risiko kredit pada portofolio kendaraan bermotor
cenderung meningkat. Hal ini mengakibatkan lembaga pembiayaan perlu mempunyai metode yang
dapat diandalkan untuk mengidentifikasi dan mengukur risiko kredit sehingga dapat meminimalkan
potensi kerugian yang dapat ditimbulkan jika debitur gagal menyelesaikan kewajiban pada waktunya.
Jurnal Organisasi dan Manajemen, Volume 6, Nomor 2, September 2010, 101-118

Mengidentifikasi dan melakukan pengukuran risiko kredit dengan menggunakan sebuah

metode yang sesuai dengan karakteristik perusahaan pembiayaan merupakan salah satu langkah
awal yang bijaksana dalam meminimalkan potensi kerugian. Potensi kerugian ini dapat dilihat dari
Non Performing Loan (NPL) dan recovery rate perusahaan. Pengukuran risiko kredit tetaplah penting
sebagai langkah preventif dan antisipatif bagi perusahaan pembiayaan dalam mengatur potensi
kegagalan (default) konsumen dalam memenuhi kewajibannya. Dari berbagai metode pengukuran
kredit yang dapat digunakan perusahaan pembiayaan, metode CreditRisk+ dipilih untuk menghitung
risiko kredit kendaraan bermotor dengan didasarkan pada literatur yang menyatakan bahwa metode
CreditRisk+ sesuai untuk mengukur risiko kredit kendaraan bermotor serta cukup efektif dan praktis
dalam penerapannya karena hanya memerlukan data intern berupa jumlah unit kendaraan, jumlah
exposure, kolektibilitas dan recovery rate (Olof, 2006).
Kegiatan suatu lembaga pembiayaan menyebabkan lembaga pembiayaan tersebut terbuka
atau berpotensi terhadap suatu risiko, khususnya risiko kredit. Pembiayaan kredit kendaraan
bermotor banyak diminati oleh hampir semua masyarakat yang ingin memiliki kendaraan dengan
cara kredit. Lembaga pembiayaan memiliki keunggulan dalam hal kemudahan prosedur dan
persyaratan pengajuan kredit dibandingkan dengan perbankan.
PT. ”X” merupakan salah satu lembaga pembiayaan, khususnya pembiayaan kredit
kendaraan bermotor. Sebagai lembaga pembiayaan, PT. ”X” belum memiliki metode pengukuran
risiko kredit yang baku sehingga diperlukan metode pengukuran yang cocok dengan karakteristik PT.
”X” sebagai perusahaan pembiayaan kredit kendaraan bermotor. Salah satu caranya adalah dengan
mengelola risiko kredit dan sekaligus memaksimalkan profitnya.
Berdasarkan itu, maka sangat diperlukan suatu penelitian melalui simulasi pengukuran risiko
kredit pembiayaan kendaraan bermotor untuk meminimalkan risiko kredit yang mungkin terjadi.
Dengan adanya penelitian metode CreditRisk+ ini diharapkan mampu melakukan perhitungan yang
akurat terhadap risiko kredit pada PT. ”X”. Berdasarkan uraian tersebut, penelitian ini dilakukan untuk
menjawab masalah-masalah berikut.
1. Berapa besar kerugian yang dapat dan tidak dapat diperkirakan (expected loss dan unexpected
loss) dari pembiayaan kredit kendaraan bermotor PT. ”X” ?
2. Berapa besar kecukupan modal (economic capital) yang harus disediakan oleh PT. ”X” untuk
menutupi kerugian tersebut?
3. Apakah model CreditRisk+ dapat diaplikasikan secara akurat untuk mengukur risiko pembiayaan
kredit kendaraan bermotor di PT. ”X” dengan baik?
Sesuai dengan masalah penelitian tersebut, maka tujuan penelitian ini adalah:
1. Menghitung kerugian yang dapat dan tidak dapat diperkirakan (expected loss dan unexpected
loss) dari pembiayaan kredit kendaraan bermotor PT. ”X”.
2. Menghitung kecukupan modal yang harus disediakan oleh PT. ”X” untuk menutupi kerugian yang
terjadi, sehingga PT. “X” dapat menyusun strategi pembiayaan dengan lebih baik lagi.
3. Merekomendasikan model yang dapat mengukur risiko pembiayaan kredit kendaraan bermotor,
sehingga model tersebut dapat diterapkan untuk jenis pembiayaan kredit lain yang mempunyai
karakteristik yang hampir sama dengan pembiayaan kredit kendaraan bermotor di PT. ”X”.

Risiko kredit merupakan potensi kerugian pada pemberi pinjaman yang disebabkan
kegagalan peminjam (counterparty) dalam menyelesaikan kewajibannya dengan baik sesuai syarat-
syarat yang telah disepakati.

102
 Any Meilani, Penerapan Metode Creditrisk+ Dalam Pengukuran Risiko Kredit Kendaraan Bermotor

Pemodelan Risiko Kredit

Saunders (2001) menyebutkan bahwa banyak dimensi yang menggambarkan perbedaan
antar credit risk modeling. Ada sekitar sepuluh kunci dimensi dari lima tipe model. Kelima credit risk
modeling tersebut adalah:
1. Option Pricing Model, contohnya KMV dan Moody”s
2. Reduced Form Models, diwakili oleh KPMG dan Kamakura Corporation
3. VaR Model, contohnya Credit Metrics
4. Time Varying Models, contohnya Credit Portfolio View
5. Mortality Models, contohnya CreditRisk+
Dalam proses permodelan, ada tiga tipe ketidakpastian yaitu process risk, parameter
uncertainty dan model error. Process risk timbul akibat kejadian aktual dimana model
menggambarkan proses kerugian dan parameter yang digunakan adalah tepat. Parameter
uncertainty timbul dari adanya kesulitan dalam mengestimasi parameter yang digunakan model.
Sedangkan model error timbul karena model tidak tepat dalam merefleksikan proses aktual.
Alternatif model dapat menimbulkan hasil yang berbeda.
Tabel 1. Perbandingan Beberapa Model Pengukuran Risiko Kredit
Credit Metrics Credit Portfolio View CreditRisk+ Merton OPM
KMV/Moody’s
Definition of Risk MTM MTM or DM DM MTM or DM

Risk Drivers Asset Value Macroeconomic Factors Expected Default Rates Asset values
Data Requirement Historical Transition Historical Transtion Default Rates and Equity Prices,
Matrix Matrix Creidit Spreads
Credit spreads and Macroeconomic Volatility,Macro Factors, Correlations,
Yields Curve Variables Exposure
LGD Correlation, Credit Spread, LGD, LGD, Exposure
Exposures Exposures
Characterization Credit Migration Migration Conditional ActuarialRandom Distance to default:
On Structural and empirical

Credit Events Macroeconomic Factors Default Rates

Volatility of Credit Constant or Variable Variable Variable Variable

Events
Correlation of Multivariate normal Macroeconomic Factors Independence Multivariate
Credit Events Assets Loadings assumption or random asset
Return correlation with returns
Expected Default Rates

Recovery Rates Random (beta Random Contants within band Constant or random
distribution)
Numerical Simulation or analities Simulation Analityc Analytic and economic
Approach
Interest Rate Constant Constant Constant Constant
Risk Classification Rating Rating Expusores band Empirical EDF
Sumber: Saunders, Anthony & Linda Allen. Credit Risk Measurement, New Approaches to Value at Risk and Other
Paradigma, second edition, hal 136, 2002.

Semua tipe ketidakpastian pada permodelan tersebut adalah penting untuk mengembangkan
model risiko kredit. Dalam melakukan manajemen risiko kredit, terdapat beberapa ukuran risiko

103
Jurnal Organisasi dan Manajemen, Volume 6, Nomor 2, September 2010, 101-118

diantaranya adalah distribution of loss dan identifying extreme outcomes. Distribution of loss timbul
dari current portfolio yaitu selisih nilai portofolio saat ini dengan nilai portofolio di masa mendatang
sesuai jangka waktu yang telah ditentukan. Untuk mengetahui distribution of loss, terlebih dahulu
harus diketahui seberapa besar kerugian dengan significant level tertentu.
Masing-masing credit risk modeling memiliki spesifikasi yang berbeda-beda. Secara umum
perbedaan masing-masing credit risk modeling didasari pada proses conditional dan proses
unconditional. Pada proses conditional model, proses informasi meliputi kondisi debitur, perjanjian
kredit, ditambah dengan struktur macroeconomic, sedangkan pada unconditional model, proses
informasi terbatas hanya pada debitur dan perjanjian kredit. Untuk lebih jelas perbedaan antar
permodelan risiko kredit yang satu dengan lainnya, dapat dilihat pada Tabel 1.

Pemodelan CreditRisk+
Model ini pertama kali diperkenalkan oleh Credit Suisse Group pada Desember 1996. Ide
dasar dari CreditRisk+ berawal dari kasus asuransi kebakaran, dimana besarnya kerugian yang
diderita oleh perusahaan asuransi kebakaran ditentukan oleh dua faktor, yaitu probabilitas kejadian
rumah terbakar (frecuency of event) dan nilai kerugian dari rumah yang terbakar (severity of loss).
Kemudian ide ini diterapkan untuk menghitung risiko kredit, dimana distribusi kerugian dari portofolio
kredit dicerminkan oleh frekuensi dari default (frecuency of event) dan nilai dari kredit yang gagal
(severity of loss).
Ada beberapa tahapan yang harus dilakukan dalam proses CreditRisk+ (Crouhy, et al,
2001) seperti pada Gambar 1.

Input Exposure
Default Rates
Default Rate Volatility
Recovery Rates

Stage 1 What is the What is the

FREQUENCY SEVERITY
of defaults of the losses

Stage 2 Distribution of
default losses

Sumber : Crouhy, Michel,et al (2001)

Gambar 1. CreditRisk+ Measurement Framework

Data input berasal dari data historis yaitu data exposure debitur dan data exposure at default
dari debitur dan frequency of default event yang terjadi akibat adanya default kredit dari serangkaian
peristiwa. Berdasarkan CSFB (1997) data input terdiri dari:
Exposure
Exposure adalah posisi outstanding yang timbul dari transaksi debitur secara menyeluruh.
Exposure dalam model CreditRisk+ dapat mengatasi semua jenis instrumen yang terkait dengan

104
 Any Meilani, Penerapan Metode Creditrisk+ Dalam Pengukuran Risiko Kredit Kendaraan Bermotor

credit exposure, termasuk bonds, loans, commitments, financial letter of credit dan derivative
exposure.
Default Rates
Default rates adalah peristiwa terjadinya gagal bayar kewajiban dari setiap debitur. Jadi default
rates merupakan angka yang mewakili kemungkinan terjadinya peristiwa default yang
diperuntukan pada setiap debitur.
Default Rates Volatilities
Jumlah variasi default rates dari rata-rata dapat digambarkan dengan volatilities (standar deviasi)
dari default rates. Standar deviasi dari default rates ini signifikan untuk dibandingkan dengan
actual default rates, sebagai refleksi dari fluktuasi selama siklus ekonomi.
Recovery Rates
Pada peristiwa default, perusahaan akan mendapatkan kerugian sebesar jumlah yang
dipinjamkan kepada debitur dikurangi dengan jumlah recovery. Recovery rate adalah persentase
rata-rata tagihan tertunggak yang dapat dilunasi debitur.

Dalam melakukan pengukuran risiko kredit yang berupa portofolio digunakan CreditRisk
Portofolio+ yang merupakan pengembangan dari CreditRisk+. Pada CreditRisk Portofolio+ harus
dilakukan pembagian portofolio ke dalam beberapa kelompok atau band. Tahapan dalam
pengukuran risiko kredit pada portofolio seperti yang dikemukan oleh Crouhy, et al (2001) sebagai
berikut.
1. Probability Generating Function for Each Band
Setiap band merupakan bagian dari suatu portofolio, sehingga probability of default menjadi
( )= ∑ ( . )
Jumlah default yang terjadi dengan berdasarkan Poisson Model adalah:
.
( ) = ∑~
!

2. Probability Generating Function for Entire Portofolio

Berdasarkan pertimbangan bahwa setiap band merupakan portofolio exposure yang bersifat
bebas dengan band lain, maka Probability Generating Function for Entire Portofolio adalah:
( )= ∏

= ∑ adalah expected number of default dari portofolio

3. Loss distribution for the Entire Portofolio

Dari Probability Generating Function tersebut, maka dapat diperoleh distribusi kerugian dari
turunan pertama probability of default, yaitu:
( )
Prob (loss of nL) = !.

Untuk n = 1,2, ...

105
Jurnal Organisasi dan Manajemen, Volume 6, Nomor 2, September 2010, 101-118

Frequency of default events terjadi akibat adanya default kredit dari serangkaian peristiwa
yang tidak dapat diprediksi kepastian bilamana terjadinya suatu default ataupun kepastian jumlah
default. CreditRisk+ tidak mengasumsikan penyebab terjadinya default. Untuk kondisi dimana
terdapat sejumlah besar exposure default losses (berasal dari sejumlah debitur yang banyak) dengan
probability of default relatif kecil, maka model yang tepat untuk menentukannya adalah dengan
menggunakan distribusi Poisson dengan rumus sebagai berikut.
.λ
Prob (n. defaults) = !

Pada umumnya actual default rate berfluktuasi di sekitar nilai rata-ratanya, variasi dari actual
default rates terhadap rata-ratanya digambarkan dengan volatility (standar deviasi) dari default rates.
Standar deviasi dari default rate jika dibandingkan dengan actual default rate mencerminkan fluktuasi
default selama siklus ekonomi. Dengan mengasumsikan bahwa default rates volatility konstan, maka
default rate sama dengan nilai rata-ratanya (Saunders & Allen, 2002).
Severity of losses atau loss given default (LGD) adalah besarnya tingkat kerugian yang
diakibatkan dari peristiwa default yang dihitung dengan cara exposure at default dikurangi dengan
nilai recovery. Rumus LGD menurut CSFB (1997) adalah:
LGD = exposure at default (1 – recovery rate)
Expected loss merupakan kerugian yang dapat diperkirakan terjadinya, yang didasarkan
pada data historis munculnya credit events tersebut. Unexpected loss diukur dengan mengambil nilai
kerugian maksimum pada tingkat keyakinan yang dipilih. Semakin tinggi confidence level yang dipilih
maka semakin kecil tingkat kesalahan (error) yang dapat ditolerir. Tingkat keyakinan sebesar 99%
berarti hanya ada 1% kemungkinan bahwa kerugian akan melebihi nilai unexpected loss dan nilai
unexpected loss ini dianggap sebagai ukuran VaR (Saunders & Allen, 2002). Apabila perusahaan
sudah mencapai unexpected loss maka perusahaan harus segera menutup unexpected loss tersebut
dengan modal perusahaan, oleh karena itu monitoring terhadap unexpected loss harus mendapat
perhatian khusus.
Pada CreditRisk+, default dimodelkan sebagai continous variable dengan probability losses.
Probability tersebut dapat dianalogikan dengan konsep event probability pada asuransi. Di mana
dalam hal ini loan individual memiliki probability of default yang kecil dan masing-masing loans
probability of default adalah saling tidak tergantung satu dengan lainnya. Dengan asumsi tersebut
maka distribusi probability of default dipersamakan dengan distribusi Poisson.
Ketidakpastian default rate merupakan salah satu ketidakpastian yang turut diperhitungkan
pada model CreditRisk+. Faktor ketidakpastian lain yang juga dipertimbangkan adalah masalah
seberapa besar jumlah loss severity. Untuk besarnya loss severity pada individu loan by loan basis,
loss severitas atau loan exposures dikelompokkan dengan membuat band.
Penjumlahan atau akumulasi dari losses tersebut bila dikalikan dengan exposure bands akan
menghasilkan distribution of losses untuk portofolio of loans. Setelah loss function selesai dihitung,
selanjutnya individual default rates didistribusikan dengan distribusi Poisson dan losses
dikelompokkan melalui band, maka akan didapat distribution of losses.

Perhitungan Economic Capital

Economic capital digunakan untuk meng-cover risiko akibat unexpected credit default losses.
Unexpected loss dapat terjadi dalam kondisi normal dan tidak normal. Dalam kondisi normal adalah

106
 Any Meilani, Penerapan Metode Creditrisk+ Dalam Pengukuran Risiko Kredit Kendaraan Bermotor

pada keadaan dimana kerugian yang terjadi di atas rata-rata kerugian yang telah dicadangkan oleh
perusahaan. Sedangkan dalam kondisi tidak normal, jumlah kerugian yang terjadi lebih besar dari
maksimum kerugian yang telah diperkirakan pada kondisi normal. Dalam hal kerugian mencapai level
unexpected loss maka kerugian tersebut harus bisa di-cover dari modal perusahaan. Dengan kata
lain kecukupan modal harus mempertimbangkan besarnya unexpected loss. Besarnya modal yang
diperlukan untuk dapat menutup kerugian tersebut dikenal sebagai economic capital yang
diperhitungkan pada level percentile 99 ℎ dari kerugian. Secara diagram konsep expected loss dan
unexpected loss serta economic capital dapat digambarkan dalam Gambar 2 berikut ini.

Probability
Expected loss unexpected loss

ℎ
Economic capital 99 percentile loss level

O µ Loss

Gambar 2. Economic Capital for CreditRisk

Sumber : Technical Document CreditRisk+, A Credit Risk+ Mangement Framework, CSFB (1997)

Menurut CSFB (1997), economic capital memiliki beberapa keistimewaan, yaitu:

a. lebih tepat dalam mengukur risiko ekonomi dibandingkan yang ditetapkan oleh regulator.
b. dapat mengukur risiko ekonomi pada portofolio dan keuntungan dari diversifikasi.
c. dapat mengukur secara obyektif perbedaan antara masing-masing portofolio atas dasar kualitas
kredit dan besarnya exposure.
d. Sebagai alat pengukuran dinamis yang dapat menggambarkan perubahan risiko portofolio dan
digunakan sebagi alat optimalisasi portofolio.

Backtesting dan Validasi Model

Backtesting merupakan kerangka kerja statistik formal yang dapat digunakan untuk
membandingkan nilai risiko yang telah diprediksi dengan nilai risiko aktualnya berdasarkan tingkat
kepercayaan (confidence level) tertentu (Jorion, 2001). Berdasarkan evaluasi tersebut dapat dilihat
keakuratan model yang dibuat dengan kenyataan yang terjadi, yang disesuaikan dengan nilai
ekpektasi yang boleh menyimpang yang ditentukan berdasarkan confidence level yang telah
ditetapkan.
Dalam studi ini backtesting dilakukan dengan cara membandingkan hasil proyeksi
perhitungan VaR untuk setiap bulan dengan kerugian aktual yang dialami oleh PT. “X” setiap
bulannya selama periode pengamatan. Sedangkan nilai actual loss yang digunakan sebagai
pembanding nilai VaR adalah nilai exposure portofolio kredit kendaraan bermotor yang dikategorikan

107
Jurnal Organisasi dan Manajemen, Volume 6, Nomor 2, September 2010, 101-118

sebagai Non Performing Loan (NPL) atau default setiap bulan selama periode pengamatan. Jika nilai
actual loss < nilai VaR artinya nilai VaR dapat mengcover actual loss.
Validasi model adalah suatu proses pemeriksaan untuk meyakinkan apakah model masih
layak atau sesuai untuk digunakan. Validasi model dapat dilakukan dengan Likelihood Ratio (LR)
Test. Yaitu dengan menghitung banyaknya jumlah real loss yang melebihi nilai VaR setiap bulan
selama periode pengamatan, kemudian dibandingkan dengan jumlah kesalahan yang dapat ditolerir
selama periode pengamatan.
Untuk menentukan aktual model dimaksud, dapat dilakukan uji statistik likelihood ratio (Cruz,
2003) dengan persamaan sebagai berikut.
V T V V V
LR = - 2 ln [(1 -  )T V  V ] + 2 ln [(1 - ) ( ) ]
T T
Di mana:
LR : Loglikelihood Ratio
 : confidence level
T : jumlah data yang diobservasi
V : jumlah data yang error

Jika jumlah kesalahan proyeksi masih di bawah dari ambang batas jumlah kesalahan yang
dapat ditolerir berarti model ini valid dan dapat diterima.
Nilai LR dibandingkan dengan nilai kritis chi squared dengan derajat bebas 1 pada tingkat
signifikansi yang diharapkan. Jika nilai LR lebih besar dibandingkan dengan nilai kritis chi squared,
maka model perhitungan risiko kredit tersebut tidak akurat dan sebaliknya apabila nilai LR lebih kecil
dari nilai kritis chi squared, maka model perhitungan risiko kredit tersebut akurat.
Data yang dibutuhkan dalam penelitian ini berupa data bulanan risiko kredit kendaraan
bermotor yang meliputi jumlah unit kendaraan bermotor, jumlah exposure, kolektibilitas dan recovery
rate kendaraan bermotor di PT. “X”.
Dalam penelitian ini terdapat faktor pembatas yang tidak dapat dihindari, yaitu: 1) agunan
tidak semuanya legible sehingga tidak dapat dijadikan second way out dan 2) default diasumsikan
sebagai kolektibilitas macet sesuai ketentuan PT. ”X”
Penggunaan metode CreditRisk+ dalam penelitian ini berdasarkan beberapa pertimbangan
yaitu:
1. CreditRisk+ adalah model credit default risk yang tidak mengasumsikan penyebab terjadinya
default.
2. Jumlah debitur yang sangat banyak, sehingga setiap pinjaman dapat dianggap mempunyai
probability of default yang relatif kecil dan bersifat random serta independen antara satu debitur
dengan debitur lainnya.
3. CreditRisk+ memfokuskan kepada dua macam pengukuran, yaitu : default dan non default serta
expected loss dan unexpected loss.
Ada beberapa tahap yang dilakukan untuk mengukur risiko kredit dengan metode
CreditRisk+ , yaitu:
Tahap 1 : Pengumpulan data
Data yang dikumpulkan dalam penelitian ini adalah data bulanan kredit kendaraan
bermotor dari tahun 2006 sampai 2008 yang meliputi jumlah unit kendaraan, jumlah
exposure, kolektibilitas dan recovery rate.

108
 Any Meilani, Penerapan Metode Creditrisk+ Dalam Pengukuran Risiko Kredit Kendaraan Bermotor

Tahap 2 : Penyusunan Band

Penyusunan band atau banding adalah untuk memudahkan proses pengukuran risiko
kredit yaitu dengan cara memperkecil jumlah data dengan mengelompokkan total
exposure menjadi beberapa kelompok atas dasar besarnya exposure kredit.
Dalam penelitian ini terdapat 2 (dua) kelompok band yang digunakan, yaitu:
Rp1.000.000 (satu juta) dan Rp10.000.000 (sepuluh juta).
Tahap 3 : Menghitung exposure at default
Exposure at default adalah besarnya kewajiban debitur pada saat fasilitas kreditnya
terjadi default. Exposure diperoleh dari rata-rata outstanding tagihan kredit kendaraan
bermotor yang mengalami default per bulan.
Tahap 4 : Menentukan Recovery Rates
Recovery Rates adalah persentase rata-rata tagihan tertunggak yang dapat dilunasi
debitur. Nilai recovery rates akan menurunkan tingkat kerugian dalam hal terjadi default
dimana besarnya kerugian akibat adanya kredit yang default akan ditutup sebagian
dengan adanya recovery.
Tahap 5 : Menghitung Default Rate
Besarnya default rate didapat dengan cara menghitung perkiraan jumlah kejadian default
per bulan untuk masing-masing band. Untuk menghitung number of default events, maka
nilai exposure pada masing-masing kelompok band dibagi dengan common
exposurenya dan didapatkan nilai lamda (λ).
Tahap 6 : Menghitung probability of default dan cumulative probability of default
Probability of default diperoleh dengan menggunakan Poisson Model. Fungsi distribusi
probabilitasnya sebagai berikut.

.λ
Prob (n. defaults) = !

Dimana : e : bilangan eksponensial = 2,71828

Lamda (λ) : mean = angka rata-rata
Default : ∑ Pa
N : jumlah debitur

Untuk mendapatkan jumlah debitur pada tingkat keyakinan 95% dilakukan dengan
memasukkan nilai n = 1,2,3 .... n, dan besarnya probability of default
Untuk setiap n kejadian dapat diketahui. Selanjutnya dengan menjumlahkan angka
probabilitas tersebut maka dapat diperoleh angka cumulative probability of default nya
hingga mencapai 95% (tingkat keyakinan yang digunakan dalam penelitian ini).
Tahap 7 : Mengukur Expected Loss dan Unexpected Loss
expected loss (EL) didapat sebagai hasil kali nilai n = lamda (λ) dengan nilai common
exposure pada masing-masing kelompok band. Nilai unexpected default number terjadi
pada saat cumulative probability of default didapat dengan menjumlahkan masing-
masing nilai probabilitas pada n = 0, 1,2,3, ...n, sehingga secara kumulatif nilainya
mencapai setinggi-tingginya 100%. Dengan mengalikan nilai n dengan common
exposure pada setiap kelompok band, didapatkan nilai unexpected loss (UL) atau Value

109
Jurnal Organisasi dan Manajemen, Volume 6, Nomor 2, September 2010, 101-118

at Risk (VaR) yaitu maksimum kerugian yang bisa terjadi pada tingkat keyakinan tertentu
95% (tingkat keyakinan yang digunakan dalam penelitian ini).
Tahap 8 : Pengukuran Economic Capital
Economic capital merupakan modal yang harus dimiliki perusahaan untuk mengcover
maksimum kerugian disebabkan default pada portofolio kreditnya. Economic capital
didapat dengan cara mengurangi unexpected loss dengan expected loss.
Tahap 9 : Melakukan Pengujian Backtesting
Backtesting dilakukan dengan cara membandingkan hasil proyeksi pengukuran VaR
untuk setiap bulan dengan kerugian aktual yang dialami oleh PT. ”X” setiap bulannya
selama periode pengamatan.
Tahap 10 : Validasi Model (LR test)
Validasi model dilakukan dengan melakukan Likelihood Ratio (LR) Test yaitu dengan
menghitung banyaknya jumlah real loss yang melebihi nilai VaR setiap bulan selama
periode pengamatan, kemudian dibandingkan dengan jumlah kesalahan yang dapat
diterima selama periode pengamatan. Nilai LR dibandingkan dengan nilai kritis chi
squared dengan derajat bebas 1 pada tingkat signifikansi yang diharapkan.

HASIL DAN PEMBAHASAN

Recovery Rate dan Actual Loss
PT. ”X” menentukan angka recovery rate yaitu tingkat pengembalian pinjaman macet yang
telah dihapusbukukan setiap tahunnya berbeda. Perbedaan angka recovery rate sangat tergantung
kepada tingkat usaha penagihan (collection) kepada debitur. Recovery rate ini digunakan sebagai
unsur pengurang kerugian yang dialami oleh perusahaan akibat terjadinya suatu gagal bayar dari
debitur. Recovery rate yang digunakan PT.”X” selama tiga tahun selalu berbeda, seperti terlihat pada
Tabel 2.
Tabel 2. Angka Recovery rate Pembiayaan Kendaraan Bermotor PT ”X”, 2006 - 2008
Tahun
Uraian
2006 2007 2008
Recovery rate 73% 72,5% 71,5%
Sumber : PT. ”X”

Actual loss (kerugian yang sebenarnya) dalam pengukuran risiko kredit dengan metode
CreditRisk+ digunakan sebagai ukuran kerugian yang benar-benar tejadi untuk masing-masing
kejadian default. Nilai actual loss dihitung dengan cara mengurangkan nilai eksposur pada saat
default dengan nilai recovery rate-nya.
Dari Tabel 3 tersebut terlihat bahwa actual loss secara keseluruhan tidak beraturan, kadang
mengalami kenaikan dan ada kalanya mengalami penurunan. Salah satu faktor yang sangat
berpengaruh pada besar kecilnya actual loss adalah recovery rate. Semakin besar recovery rate
maka akan semakin kecil actual lossnya, sebaliknya semakin kecil recovery ratenya maka akan
semakin besar actual lossnya.

110
 Any Meilani, Penerapan Metode Creditrisk+ Dalam Pengukuran Risiko Kredit Kendaraan Bermotor

Tabel 3. Actual Loss Pembiayaan Kendaraan Bermotor PT ”X” Periode 2006 – 2008
Tahun/Bulan Actua Loss Tahun/Bulan Actual Loss Tahun/Bulan Actual Loss
2006 2007 2008
Januari 100.500.000 Januari 113.750.000 Januari 109.800.000
Februari 99.500.000 Februari 99.500.000 Februari 121.350.000
Maret 120.850.000 Maret 99.800.000 Maret 122.800.000
April 112.750.000 April 111.350.000 April 109.500.000
Mei 97.500.000 Mei 123.800.000 Mei 110.098.000
Juni 93.000.000 Juni 104.000.000 Juni 120.500.000
Juli 101.350.000 Juli 109.098.000 Juli 118.700.000
Agustus 113.800.000 Agustus 110.500.000 Agustus 110.050.000
September 124.000.000 September 115.700.000 September 117.500.000
Oktober 108.798.000 Oktober 117.850.000 Oktober 143.895.000
November 100.850.000 November 118.200.000 November 103.750.000
Desember 102.750.000 Desember 97.895.000 Desember 109.500.000
Sumber : PT.”X”

Perusahaan biasa membuat kebijakan mengenai target recovery minimal yang harus
dicapai. Hal ini dilakukan perusahaan dalam rangka untuk memperbesar recovery rate, sehingga
diperlukan usaha yang intensif dari perusahaan pembiayaan untuk menagih kembali kredit yang telah
macet, di samping peran staf collectoin sangat berpengaruh dalam memperbaiki recovery rate.

Number of Default
Number of Default merupakan jumlah peristiwa/kejadian terjadinya gagal bayar dari debitur
pada periode tertentu. Nilai rata-rata dari frekuensi kejadian default dihitung dari pengukuran
exposure at default dibagi dengan unit of exposure dalam setiap kelompok band, seperti terlihat pada
Gambar 3, Gambar 4 dan Gambar 5.

60 Band 1 juta kel.1

50 Band 1 juta kel.2
40 Band 1 juta kel.3
30
20 Band 1 juta kel.4
10 Band 1 juta kel.5
- Band 1 juta kel.6
April

Juli

Agust

Okt
Febr

Mei

Juni

Sept
Maret

Nov

Des

Band 1 juta kel.7

Januari

Band 1 juta kel.8

Band 1 juta kel.9
Band 1 juta kel.10

60
50
40 Band 10 juta kel.1
30 Band 10 juta kel.2
20 Band 10 juta kel.3
10 Band 10 juta kel.4
-
Juni

Sept
Maret

Agust

Okt

Nov

Des
Febr

April

Mei

Juli
Januari

Gambar 3. Number of Default Movement Tahun 2006

111
Jurnal Organisasi dan Manajemen, Volume 6, Nomor 2, September 2010, 101-118

60 Band 1 juta kel.1

50 Band 1 juta kel.2
Band 1 juta kel.3
40
Band 1 juta kel.4
30 Band 1 juta kel.5
20 Band 1 juta kel.6
10 Band 1 juta kel.7
- Band 1 juta kel.8
Band 1 juta kel.9

Sept
Maret

Agust

Okt

Nov

Des
Febr

April

Mei

Juni

Juli
Januari

Band 1 juta kel.10

60
50
40
Band 10 juta kel.1
30
20 Band 10 juta kel.2
10 Band 10 juta kel.3
-
Band 10 juta kel.4
Agust

Okt
April

Mei

Juli

Sept
Maret

Nov

Des
Febr

Juni
Januari

Gambar 4. Number of Default Movement Tahun 2007

60 Band 1 juta kel.1

50 Band 1 juta kel.2
40 Band 1 juta kel.3
Band 1 juta kel.4
30
Band 1 juta kel.5
20 Band 1 juta kel.6
10 Band 1 juta kel.7
- Band 1 juta kel.8
Band 1 juta kel.9
Maret

Okt

Nov

Des
Juni
April

Juli

Sept
Agust
Febr

Mei
Januari

Band 1 juta kel.10

60
50
40
Band 10 juta kel.1
30
Band 10 juta kel.2
20
10 Band 10 juta kel.3
- Band 10 juta kel.4
Agust

Okt
Febr

Juni
April

Mei

Juli

Sept
Maret

Nov

Des
Januari

Gambar 5. Number of Default Movement Tahun 2008

112
 Any Meilani, Penerapan Metode Creditrisk+ Dalam Pengukuran Risiko Kredit Kendaraan Bermotor

Probability of default dan Cumulative probability of default

Pengukuran cumulative probability of default dilakukan dengan cara menghitung rata-rata
default per hari untuk masing-masing band pada masing-masing periode yang menggunakan model
distribusi Poisson. Probability of default dan cumulative probability of default yang digunakan sebagai
contoh perhitungan adalah pada band dengan unit of exposure Rp1.000.000 (satu juta rupiah) dan
Rp10.000.000 (sepuluh juta rupiah) pada Desember 2008 seperti terlihat pada Tabel 4 berikut ini.
Tabel 4. Probability of default dan cumulative probability of default Periode Desember 2008
Band Kelompok Lamda N Cum. prob. of
default
1.000.000 1 - - -
2 - - -
3 1,7633 4 0,966185
4 1,6275 4 0,974770
5 1,0286 3 0,979208
6 1,0128 3 0,980215
7 1,9971 5 0,983539
8 2,0063 5 0,983210
9 2,0011 5 0,983396
10 0,9600 3 0,983367

10.000.000 1 2,3915 7 0,964837

2 3,4632 7 0,974656
3 4,3233 8 0,967375
4 0,9003 3 0,986529
Sumber : PT ”X”, data diolah

Pada band Rp. 1 juta kelompok 1 dan 2 merupakan kelompok pembiayaan yang lancar sehingga
kelompok tersebut tidak termasuk dalam kelompok default. Kelompok 3 dengan unit of exposure Rp.
1 juta dan lamda sebesar 1,7633 kemudian dengan menggunakan distribusi Poisson mencari nilai N
pada saat probabilitas tertinggi dengan Cumulative probability. of default 95% dan tercapai N = 4,
dan seterusnya.
Expected Loss dan Unexpected Loss
Berdasarkan Probability of default dan Cumulative probability of default tersebut, kemudian
dihitung besarnya Expected Loss dan Unexpected Loss. Nilai Expected Loss diperoleh dari nilai
probability of default tertinggi sedangkan Unexpected Loss diperoleh dari cumulative probability of
default yang dalam penelitian ini menggunakan tingkat kepercayaan 95%.
Expected loss merupakan kerugian atau risiko kredit yang mungkin terjadi pada periode
tertentu dan tingkat kepercayaan tertentu. Hasil perhitungan potensi kerugian (expected loss)
sepanjang tahun 2006 berkisar dari yang terendah bulan Februari yaitu sebesar Rp83.931.336,00
sampai dengan yang tertinggi di bulan September yaitu sebesar Rp94.309.056,00. Dengan kata lain,
potensi terjadinya risiko kredit yang diperkirakan oleh PT.”X” pada tahun 2006 berkisar antara
Rp83.931.336,00-Rp94.309.056,00. Hasil perhitungan potensi kerugian (expected loss) sepanjang
tahun 2007 berkisar dari yang terendah bulan Februari yaitu sebesar Rp85.485.620,00 sampai
dengan yang tertinggi di bulan September yaitu sebesar Rp96.055.520,00. Artinya potensi
terjadinya risiko kredit yang diperkirakan PT.”X” pada tahun 2007 berkisar antara Rp85.485.620,00-

113
Jurnal Organisasi dan Manajemen, Volume 6, Nomor 2, September 2010, 101-118

Rp96.055.520,00. Sedangkan hasil perhitungan potensi kerugian (expected loss) sepanjang tahun
2008 berkisar dari yang terendah bulan Desember yaitu sebesar Rp88.594.188,00 sampai dengan
yang tertinggi di bulan Oktober yaitu sebesar Rp99.548.448,00. Dengan kata lain, potensi terjadinya
risiko kredit yang diperkirakan pada tahun 2008 berkisar antara Rp88.594.188,00-Rp99.548.448,00.
Dari periode expected loss terbesar selama tiga tahun terjadi di bulan September dan Oktober, hal ini
dapat dimaklumi karena pada bulan tersebut merupakan hari raya.
Unexpected loss merupakan nilai kerugiaan atau risiko kredit maksimal yang ditanggung
perusahaan pada tingkat kepercayaan tertentu. Nilai unexpected loss berada di atas nilai expected
loss. Dengan kata lain unexpected loss merupakan prediksi risiko kredit maksimal kendaraan
bermotor. Nilai unexpected loss pada tahun 2006 dari yang terendah bulan Juni dan tertinggi
bulan Desember berkisar antara Rp112.391.280,00-Rp119.192.040,00. Dengan kata lain, potensi
risiko kredit maksimum kendaraan bermotor yang dapat ditolerir oleh PT.”X” pada tingkat
kepercayaan 95% berkisar antara Rp112.391.280,00-Rp119.192.040,00. Hasil perhitungan potensi
kerugian (unexpected loss) sepanjang tahun 2007 berkisar dari yang terendah bulan Juni yaitu
sebesar Rp114.472.600,00 sampai dengan yang tertinggi di bulan Desember yaitu sebesar
Rp121.399.300,00. Artinya potensi risiko kredit maksimum kendaraan bermotor yang dapat
ditolerir oleh PT.”X” pada tingkat kepercayaan 95% berkisar antara Rp114.472.600,00-
Rp121.399.300,00. Sedangkan hasil perhitungan potensi kerugian (unexpected loss) sepanjang
tahun 2008 berkisar dari yang terendah bulan Mei yaitu sebesar Rp188.635.240,00 sampai dengan
yang tertinggi di bulan November yaitu sebesar Rp125.813.820,00. Dengan kata lain, potensi risiko
kredit maksimum kendaraan bermotor yang dapat ditolerir oleh PT.”X” pada tingkat kepercayaan
95% berkisar antara Rp188.635.240,00-Rp125.813.820,00.
Berdasarkan nilai expected loss dan unexpected loss tersebut, PT.”X” dapat menyusun
strategi pembiayaan kredit kendaraan bermotor, terutama yang berkaitan dengan pricing (rate) dan
provisi yang kompetitif yang akan dibebankan kepada debitur, pencadangan atas exposure portofolio
tersebut, mengantisipasi bertambahnya pembiayaan yang bermasalah serta menentukan kecukupan
modal yang diperlukan untuk menutupi adanya potensi rikiso kredit maksimal yang mungkin terjadi.

Economic Capital
Kecukupan modal atau istilah economic capital merupakan modal yang diperlukan dalam
perhitungan risiko kredit dengan CreditRisk+ adalah modal yang harus dimiliki perusahaan untuk
menutupi nilai kerugian yang disebabkan oleh adanya unexpected loss. Besarnya economic capital
ini dihitung dari pengurangan antara unexpected loss dengan nilai expected loss.
Tabel 5 menunjukkan bahwa kecukupan modal yang dibutuhkan atas portofolio pembiayaan
kendaraan bermotor yang dilakukan oleh PT.”X” kepada konsumennya sepanjang tiga tahun terakhir
terus mengalami kenaikan. Pada tahun 2006 nilai economic capital berada pada range
Rp22.251.888,00-Rp32.477.328,00, dan terus meningkat pada tahun 2007 berada pada range
Rp22.663.960-Rp33.078.760,00 dan meningkat kembali pada tahun 2008 berada pada range
Rp23.488.104,00-Rp34.281.624,00.
Apabila modal perusahaan pembiayaan kendaraan bermotor PT.”X” dibandingkan dengan
nilai economic capital selama tiga tahun terakhir, dapat disimpulkan bahwa PT.”X” masih cukup
mampu untuk menanggung adanya risiko kredit yang diakibatkan oleh unexpected credit default
losses. Dengan melihat kebutuhan economic capital yang relatif kecil, sekitar 1,55%-3,24% dari
jumlah modal atas portofolio pembiayaan kendaraan bermotor sepanjang tahun 2006-2008.

114
 Any Meilani, Penerapan Metode Creditrisk+ Dalam Pengukuran Risiko Kredit Kendaraan Bermotor

Tabel 5. Expected Loss, Unexpected Loss dan Economic Capital Pembiayaan Kendaraan Bermotor
PT.”X”. Periode 2006 – 2008
Tahun 2006
Bulan Expected Loss Unexpected Loss Economic Capital
Januari 92.464.956 118.405.044 25.940.088
Februari 83.931.336 116.408.664 32.477.328
Maret 92.489.256 118.380.744 25.891.488
April 92.489.256 118.380.744 25.891.488
Mei 92.379.096 118.490.904 26.111.808
Juni 84.978.720 112.391.280 27.412.560
Juli 92.460.906 118.409.094 25.948.188
Agustus 92.345.346 118.524.654 26.179.308
September 94.309.056 116.560.944 22.251.888
Oktober 91.692.756 119.177.244 27.484.488
November 92.271.420 118.598.580 26.327.160
Desember 91.677.960 119.192.040 27.514.080
Tahun 2007
Januari 94.177.270 120.597.730 26.420.460
Februari 85.485.620 118.564.380 33.078.760
Maret 94.202.020 120.572.980 26.370.960
April 93.968.270 120.806.730 26.838.460
Mei 94.089.820 120.685.180 26.595.360
Juni 86.552.400 114.472.600 27.920.200
Juli 94.173.145 120.601.855 26.428.710
Agustus 94.055.445 120.719.555 26.664.110
September 96.055.520 118.719.480 22.663.960
Oktober 93.390.770 121.384.230 27.993.460
November 93.980.150 120.794.850 26.814.700
Desember 93.375.700 121.399.300 28.023.600
Tahun 2008
Januari 97.601.898 124.983.102 27.381.204
Februari 97.627.548 124.957.452 27.329.904
Maret 97.627.548 124.957.452 27.329.904
April 97.511.268 125.073.732 27.562.464
Mei 89.699.760 118.635.240 28.935.480
Juni 97.597.623 124.987.377 27.389.754
Juli 96.786.798 125.798.202 29.011.404
Agustus 97.475.643 125.109.357 27.633.714
September 97.397.610 125.187.390 27.789.780
Oktober 99.548.448 123.036.552 23.488.104
November 96.771.180 125.813.820 29.042.640
Desember 88.594.188 122.875.812 34.281.624
Sumber : PT ”X”, data diolah

Tabel 6. Persentase Economic Capital Terhadap Modal PT.”X”

Periode Economic Capital (Rp) Modal PT "X" Prosentase (%)
2006 319.429.872 9.850.000.000 3,24
2007 325.812.740 5.500.000.000 2,10
2008 337.175.976 21.750.000.000 1,55
Sumber : PT ”X”

115
Jurnal Organisasi dan Manajemen, Volume 6, Nomor 2, September 2010, 101-118

Pengujian Model CreditRisk+

Pengujian model diperlukan untuk mengetahui apakah hasil perhitungan nilai VaR atau nilai
unecpected loss dengan menggunakan CreditRisk+ tersebut valid untuk memperkirakan besarnya
VaR dari suatu periode ke periode berikutnya.
Untuk menjawab pertanyaan penelitian ketiga, yaitu apakah model akurat untuk mengukur
risiko pembiayaan kendaraan bermotor PT.“X” dengan metode CreditRisk+, menggunakan back
testing dan Likelihood Ratio (LR).
Hipotesis yang diajukan dalam penelitian ini adalah:
H 0 : Model CreditRisk+ cocok digunakan untuk mengukur risiko pembiayaan kendaraan
bermotor di PT “X”
H 1 : Model CreditRisk+ tidak cocok digunakan untuk mengukur risiko pembiayaan kendaraan
bermotor di PT “X”

Ada beberapa langkah yang dilakukan dalam menguji model dengan back testing, yaitu
menentukan jumlah sampel waktu pengamatan atau total observasi (T), dalam penelitian ini
sebanyak 36; menghitung nilai V (total failure atau total exception) selama kurun waktu observasi;
kemudian menentukan nilai  atau tingkat kepercayaan, dalam penelitian ini menggunakan  = 5%
atau confidence level (tingkat kepercayaan) 95 persen; dan yang terakhir menghitung nilai
Loglikelihood Ratio (LR). Formula Loglikelihood Ratio (LR) (Cruz, 2003), sebagai berikut.
V T V V V
LR = - 2 ln [(1 -  )T V  V ] + 2 ln [(1 - ) ( ) ]
T T
Di mana:
LR : Loglikelihood Ratio
 : confidence level
T : jumlah data yang diobservasi
V : jumlah data yang error

Dari 36 periode pengamatan, terdapat 4 kali terjadi failure yaitu nilai actual loss risiko
pembiayaan kendaraan bermotor lebih besar dari unexpected loss risiko pembiayaan kendaraan
bermotor pada tingkat kepercayaan 5%. Sebanyak 2 kali terjadi pada tahun 2006, yaitu pada bulan
Maret dimana nilai actual loss sebesar Rp120.850.000,00 lebih besar daripada unexpected loss
sebesar Rp 118.380.744,00 dan bulan September dimana nilai actual loss Rp124.000.000,00 lebih
besar daripada unexpected loss sebesar Rp116.560.944,00. Selanjutnya satu kali pada tahun 2007,
yaitu pada bulan Mei, dimana nilai actual loss risiko pembiayaan kendaraan bermotor sebesar
Rp123.800.000,00 lebih besar dari nilai unexpected loss sebesar Rp120.685.180,00 dan yang
terakhir pada tahun 2008 yaitu pada bulan Oktober dimana nilai actual loss risiko pembiayaan
kendaraan bermotor sebesar Rp143.895.000,00 lebih besar dari nilai unexpected loss sebesar
Rp123.036.552,00.
Berdasarkan hasil perhitungan dengan menggunakan rumus LR, didapatkan bahwa pada
tingkat kepercayaan 95% (  = 5%) nilai LR lebih kecil dari nilai Critical Value, sehingga hipotesis
diterima atau H 0 diterima. Dengan kata lain, perhitungan pengukuran unexpected loss risiko
pembiayaan kendaraan bermotor PT.”X” valid digunakan, sehingga model mencerminkan secara
tepat pola risiko pembiayaan kendaraan bermotor yang terjadi dalam suatu periode tertentu dan pada

116
 Any Meilani, Penerapan Metode Creditrisk+ Dalam Pengukuran Risiko Kredit Kendaraan Bermotor

tingkat kepercayaan tertentu pula. Dengan kata lain, model tersebut dapat memprediksi besarnya
economic capital untuk menutupi risiko pembiayaan kendaraan bermotor di masa mendatang. Untuk
lebih jelasnya hasil perhitungan pengujian model dapat dilihat pada Tabel 7 berikut ini.
Tabel 7. Hasil Perhitungan Pengujian Model
Uraian 2006 - 2008
Confidence Level  = 5%
N 36
V 4
df 1
Critical Value 3,841
Nilai LR 2,133
2,133 < 3,841
Kesimpulan
H 0 diterima
Sumber : PT ”X”, data diolah

PENUTUP
Setelah dilakukan analisis dengan menggunakan metode CreditRisk+, maka diperoleh hasil
peneltian sebagai berikut.
1) Nilai expected loss dari tahun ketahun cenderung mengalami kenaikan, mulai dari
Rp1.093.490.064,00 tahun 2006, Rp1.113.506.130,00 pada tahun 2007 dan sebesar
Rp1.154.239.512,00 pada tahun 2008. Begitun juga dengan nilai unexpected loss cenderung
mengalami kenaikan, mulai dari Rp1.412.919.936,00 pada tahun 2006, sebesar
Rp1.439.318.870,00 pada tahun 2007 dan sebesar Rp1.491.415.488,00 pada tahun 2008.
2) Dari perhitungan economic capital terlihat bahwa kecukupan modal yang dibutuhkan atas
portofolio penyaluran pembiayaan kendaraan bermotor yang dilakukan oleh PT.”X” sepanjang
tahun 2006 berkisar antara Rp22.251.888,00-Rp32.477.328,00 pada tahun 2006, dan terus
meningkat pada tahun 2007 berada pada range Rp22.663.960-Rp33.078.760,00 dan meningkat
kembali pada tahun 2008 berada pada range Rp23.488.104,00-Rp34.281.624,00. Apabila setiap
nilai economic capital dihubungkan dengan modal yang dimiliki PT.”X” setiap tahunnya, maka
dapat disimpulkan bahwa modal tersebut masih cukup untuk menutupi kerugian yang mungkin
diakibatkan oleh unexpected credit default losses.
3) Pengujian model dengan menggunakan back testing dan Likelihood Ratio, menunjukkan bahwa
selama periode pengamatan jumlah kejadian yang merugikan PT.”X” dengan tingkat kerugian
yang melebihi nilai VaR kredit pembiayaan kendaraan bermotor masih dibawah ambang batas
jumlah kerugian yang dapat ditolerir. Dengan kata lain metode pengukuran risiko pembiayaan
kendaraan bermotor dengan menggunakan CreditRisk+ dapat diterima dan cukup akurat untuk
mengukur risiko pembiayaan kendaraan bermotor PT.”X”.

Berdasarkan hasil kesimpulan penelitian ini, maka ada beberapa saran yang ditujukan
kepada PT.”X” , yaitu:
1) Mengingat PT.”X” belum memiliki metode pengukuran risiko kredit dan berdasarkan hasil
perhitungan risiko kredit dengan model CreditRisk+ menunjukkan model cukup akurat, maka
motode ini dapat dipertimbangkan untuk digunakan sebagai sebagai salah satu alternatif untuk
mengukur risiko pembiayaan kredit kendaraan bermotor di PT.”X”

117
Jurnal Organisasi dan Manajemen, Volume 6, Nomor 2, September 2010, 101-118

2) Berdasarkan data selama tiga tahun terakhir terlihat risiko kredit pembiayaan kendaraan
bermotor cenderung meningkat, maka untuk menjaga kualitas portofolio dengan lebih baik, PT.
”X” harus melakukan langkah-langkah preventif untuk menurunkan potensi default yaitu dengan
cara lebih selektif dalam memilih debitur disamping memperbaiki non performing loannya dengan
cara meningkatkan monitoring portofolio dan upaya menyelesaikan kredit bermasalah lebih
maksimal.
3) Tingkat akurasi model CreditRisk+ sangat tergantung pada kehandalan data base yang dimiliki
perusahaan, oleh karena itu apabila metode ini akan digunakan sebaiknya PT.”X” lebih
meningkatkan kualitas data base perkreditannya sehingga pengukuran risiko pembiayaan akan
lebih akurat, selain harus melakukan pengujian secara berkala dengan menggunakan LR test.

REFERENSI
Bessis, J. (2002). Risk management in banking (2nd ed). Chichester: John Wiley & Sons Ltd.
Crouhy M, Galai D, & Mark R. (2001). Risk management, New York: McGraw – Hill
Cruz, M. (2003). Modeling, measuring and hedging operational risk. New York: John Wilwy & Sons.
Credit Suisse First Boston (CSFB). (1997). CreditRisk+ a Credit Risk Management Framework.
Jorion, P. (2001). Value at risk. New York: McGraw-Hill.
Olof, R. (2006). Penerapan metode creditrisk+ dalam pengukuran risiko kredit pada pembiayaan
kendaraan bermotor (studi kasus PT “XYZ”). Penelitian yang tidak dipublikasikan. Jakarta.
Universitas Indonesia.
Saunders, A & Linda A. (2002). Credit risk measurement: New approaches to creditrisk
measurement. New approach to value at risk and other paradigms (2nd ed). New york: John
Wiley & Sons, Inc.
Saunders, A. (2001). Financial institutions management, a risk management approach. New York:
Mc. Graw Hill.
Sunaryo, T. (2007). Manajemen risiko finansial. Jakarta: Salemba Empat
Siagian, S. (2004). Analisis perhitungan risiko kredit dengan pendekatan creditrisk+ portofolio: Studi
kasus pembiayaan murabahah bai’Bithaman ajil pada BMT at taqwa.
Suzanna, CZ. (2006). Penerapan metode creditrisk+ dalam pengukuran risiko kredit penyaluran
pembiayaan kepada BPR/S di PT PNM Persero. Penelitian yang tidak dipublikasikan.
Jakarta: Universitas Indonesia.
Tjahjowidjojo, D. (2005). Aplikasi metode creditrisk+ dalam penilaian risiko kredit untuk segmen kartu
kredit pada bank “X”. Penelitian yang tidak dipublikasikan. Jakarta: Universitas Indonesia.
Tedy F. (2006). Refleksi dan strategi: Penerapan manajemen risiko perbankan Indonesia. Jakarta:
PT Alex Media Komputindo-Kelompok Gramedia.

118