ANALISIS PENGUKURAN RISIKO PEMBAYARAN RENTAL KENDARAAN BERMOTOR SECARA KREDIT (STUDI KASUS PADA PT. SURYA DARMA PERKASA)

Transkripsi

1 ANALISIS PENGUKURAN RISIKO PEMBAYARAN RENTAL KENDARAAN BERMOTOR SECARA KREDIT (STUDI KASUS PADA PT. SURYA DARMA PERKASA) SUHERI PURNOMO Jl. Srengseng Raya No.45 RT 008/06 Kembangan Jakarta Barat Telp , ABSTRAKSI Dalam bidang penyewaan kendaraan bermotor memiliki tingkat risiko kegagalan suatu pembayaran yang sangat besar, maka diperlukan suatu metode yang baik untuk dapat menganalisa risiko kredit dengan mudah dan akurat.metode CreditRisk+ adalah metode pengukuran yang mudah dan akurat. Metode ini menggunakan data historis yang ada untuk menganalisa risiko kredit berdasarkan data historis eksposure at default. Berdasarkan data historis eksposure of default maka akan dapat diperoleh expected loss dan unexpected loss yang sangat diperlukan dalam proses pengambilan keputusan. Kata Kunci : Eksposure at Default, Default Rate, Unexpected Loss, Expected Loss, Economic Capital PENDAHULUAN Kegiatan penyewaan kendaraan bermotor mulai berkembang pada awal tahun 1990an, ini dibuktikan dengan semakin banyaknya perusahaan yang menyewa kendaraan bermotor guna memenuhi operasional perusahaan. Menyewa kendaraan bermotor lebih efisien dibandingkan perusahaan harus membeli unit baru. 1

2 2 Tingginya tingkat pertumbuhan usaha jasa penyewaan kendaraan bermotor menunjukan tingginya minat konsumen untuk menyewa kendaraan guna memenuhi kebutuhan transportasi konsumen (seperti mobil, sepeda motor, alat elektronik dan lainlain) dengan cara pembayaran sewa kendaraan mengangsur atau mencicil secara berkala oleh perusahaan-perusahaan yang membutuhkan jasa rental kendaraan dalam kegiatan bisnisnya. Dalam hal ini perusahaan / konsumen menggunakan jasa rental kendaraan karena banyaknya kebutuhan unit kendaraan dan bermacam-macamnya spesifikasi yang dapat menunjang kegiatan mereka tapi tidak bisa mereka penuhi sendiri. Hal ini yang menjadi pendorong tingginya pertumbuhan usaha jasa penyewaan kendaran bermotor. PT. Surya Darma Perkasa adalah perusahaan penyewaan kendaraan bermotor yang seluruh konsumennya merupakan perusahaan-perusahaan yang menyewa kendaraan dengan jangka waktu sewa antara 2-3 tahun sesuai dengan kontrak yang disepakati anatara ke2 belah pihak. Tingkat pertumbuhan portofolionya cenderung meningkat dari tahun ke tahun. Hal ini tentu menyebabkan risiko keterlambatan pembayaran sewa kendaraan dan risiko pembayaran piutang tak tertagih juga semakin besar. Oleh karena itu diperlukan metode yang dapat mengidentifikasi dan mengukur risiko pembayaran secara cepat dan akurat sehingga dapat meminimalisasi potensi kerugian akibat risiko macetnya pembayaran sewa kendaraan bermotor tersebut. Sehubungan dengan pengukuran risiko, penelitian ini akan menggunakan metode CreditRisk+ dari Credit Suisse Financial Product (CSFP). Adapun alasan pemilihan metode ini antara lain didasarkan pada literatur yang menyatakan bahwa metode CreditRisk+ sesuai untuk mengukur risiko pembayaran sewa kendaraan bermotor secara kredit serta cukup efektif dan praktis dalam penerapannya karena hanya memerlukan data intern berupa jumlah unit kendaraan, jumlah eksposure, kolektibilitas dan recovery rate. LANDASAN TEORI Manajemen Risiko suatu tindakan sistematis dalam mengidetifikasi dan menganalisa/ mengevaluasi. Untuk mengurangi kerugian yang timbul oleh suatu program/ produk dengan cara menghindari risiko, mengontrol risiko atau mentransfer risiko.

3 3 Identifikasi risiko Analisa/evaluasi risiko Pengawasan risiko Antisipasi risiko Gambar 2.1. Proses Management Risiko Sumber : Asiyanto, MBA, IPM. (2009) Perjanjian kredit adalah persetujuan pinjam meminjam secara tertulis antar kreditur dengan pihak lain (sebagai debitur atau nasabah) dimana pihak kreditur menyatakan kesanggupannya menyediakan sejumlah uang atau tagihan yang dapat ditarik oleh debitur / nasabah dengan syarat-syarat yang ditentukan oleh pihak debitur / nasabah. Menurut Garder, Mills, dan Cooperman (2000), proses kredit yang komprehensif harus memiliki komponen-komponen sebagai berikut : 1. Bank written loan policy 2. Compliance policies 3. Credit execution policies 4. Loan request procedures. 5. Lender compensation policies Tahapan proses CreditRisk+ adalah seperti berikut ini: Input Posisi outstanding Tingkat kesalahan Tingkat kesalahan standar deviasi Tingkat penggantian kembali Tahap 1 G Tahap 2 Berapa frekuensi kemungkinan kegagalan Berapa tingkat kegagalan Tingkat kegagalan distribusi Gambar 2.2. CreditRisk+ Diagram langkah-langkah kerja (Measurement Framework) Data inputan berasal dari historis yaitu data Eksposure debitur dan data Eksposure at default dari debitur dan frequency of default event terjadi akibat default kredit dari serangkaian peristiwa. Data input terdiri dari (CSFB, 1997)

4 4 1. Posisi piutang yang belum dibayarkan (Eksposure) 2. Tingkat Kegagalan (Default Rates) 3. Tingkat Kesalahan Standar Deviasi (Default Rates Volatilities) 4. Tingkat penggantian kembali (Recovery Rates) 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 pada suatu portofolio adalah sebagai berikut : a. Probability Generating Function for Each Band Setiap band adalah merupakan bagian dari suatu portofolio, sehingga probability of default menjadi Gj (z) = Prob(n defaults)z nlj Jumlah default yang terjadi dengan berdasarkan Poisson Model adalah Gj (z) = z nlj e -m λ n / n! b. Probability Generating Function for the Entire Portofolio Berdasarkan pertimbangan bahwa setiap band adalah merupakan portofolio Eksposure, bersifat independent dengan band yang lain. c. Loss Distribution for the Entire Portfolio Dari probability generating function tersebut diatas, maka dapat diperoleh distribusi kerugian dari turunan pertama probability of defaults, yaitu Prob (loss of nl) = (1 / n!) (d n G(z) / dz n ) Untuk n = 1,2,... Kemudian dari data input tersebut dilakukan proses CreditRisk+, yaitu : Tingkat kegagalan (Frequency of Default Events) Frequency of default events terjadi akibat adanya default kredit dari serangkaian peristiwa yang mana tidak dapat diprediksi kepastiannya bilamana terjadi suatu default ataupun kepastian jumlah default. CreditRisk+ tidak mengasumsikan penyebab terjadinya default. Untuk kondisi dimana terdapat sejumlah besar Eksposure default loss (berasal dari sejumlah debitur yang banyak) dengan probability of default relatif kecil, maka model yang

5 5 tepat untuk menentukan adalah menggunakan distribusi poisson. Duffe (2003) menyatakan bahwa Poisson model didasarkan pada : 1. Kemungkinan tingkat bertahan dalam 1 tahun yaitu p(t)=e -λ t, berarti untuk waktu kegagalan distribusi (Probability of survival for t years is p(t)=e -λ t, meaning that the time to default is exponentially distributed). 2. Waktu kegagalan adalah 1/λ (The expected time to default is 1/λ). 3. Tingkat kegagalan yang paling tinggi dalam 1 periode dilambangkan, periode awal dilambangkan dengan λ, untuk lebih keceilnya adalah (The probability of default over a time periode of length, given survival to the beginning of this period, is approximately λ, for small ) Dengan rumusan sebagai berikut : Prob.(n defaults) = e -m λ n / n! Dimana : e = bilangan eksponensial = λ = mean = angka rata rata default = P A n = jumlah debitur Pada umumnya actual default rate berfluktuasi disekitar nilai rata ratanya, variasi dari actual default rates terhadap rata ratanya digambarkan dengan volatility (standar deviasi) dari default rates. Standar deviasi dari default rates jika dibandingkan dengan actual default rates mencerminkan fluktuasi default selama siklus ekonomi. Dengan mengasumsikan default rates volatility konstan, maka default rate sama dengan nilai rata ratanya. Severity of the losses atau loss given default adalah besarnya tingkat kerugian yang diakibatkan dari peristiwa default yang dihitung dengan cara Eksposure at default dikurangi dengan nilai recovery. Adapun rumusnya adalah sebagai berikut : LGD = Eksposure at default ( 1 recovery rate ) selanjutnya dari probabilitas terjadi credit events, dibedakan kedalam dua jenis kerugian yaitu, expected loss dan unexpected loss. Expected loss adalah kerugian yang dapat diperkirakan terjadinya. Adapun perkiraan terjadinya didasarkan pada data histori munculnya credit events tersebut. Untuk mengatasi kejadian expected loss, maka dilakukan pencadangan modal yang

6 6 diperoleh dari pengenaan provisi dan administrasi kepada debitur. Besarnya expected loss diperkirakan dengan nilai mean dari distribusi probabilitas. Unexpected loss diukur dengan mengambil nilai kerugian maksimum pada tingkat keyakinan yang dipilih yakni 99% dengan mempertimbangkan, semakin tinggi confidence level yang dipilih maka semakin kecil tingkat kesalahan (error) yang dapat ditolerir. Tingkatan keyakinan sebesar 99% berarti bahwa hanya 1% kemungkinan bahwa kerugian akan melebihi nilai expected loss dan nilai unexpected loss ini dianggap sebagai ukuran VAR (Saundres, 2002). Pertimbangan lainnya adalah tingkat keyakinan sebesar 99% adalah yang tingkat keyakinan tertinggi dalam memprediksi expected loss yang dapat di cover oleh economic capital dan atau provisi. Untuk keyakinan diatas 99% perlu diquantifisir menggunakan scenario analysis dan dikontrol oleh concentration limits. METODOLOGI PENELITIAN Adapun dalam melakukan pengukuran risiko pembiayaan untuk kendaraan bermotor di PT. Surya Darma Perkasa ditetapkan beberapa batasan sebagai berikut : 1. Data yang digunakan adalah data bulanan perkreditan selama 1 tahun. 2. Eksposure berkisar antara Rp hingga Rp Fasilitas kredit digolongkan sebagai performing loan (PL) atau non default apabila tunggakan kewajibannya kepada perusahaan kurang dari atau sama dengan 180 hari.. Eksposure kredit adalah besarnya tagihan PT. Surya Darma Perkasa kepada penyewa.. Tahap yang dilakukan dalam melakukan proses pengukuran risiko kredit dengan metode CreditRisk+ secara garis besar dapat dijelaskan dalam alur pada Gambar 3.1. Tahap tahap metode CreditRisk+

7 7 Gambar 3.1. Tahap tahap metode CreditRisk+ Sumber : Rachmat, Budi (2004)

8 8 HASIL DAN PEMBAHASAN Perhitungan risiko kredit yang dilakukan dengan 2 tahapan, yaitu : 1. Menghitung besarnya frekuensi terjadinya default (frequency of default) dan menghitung besarnya tingkatan kerugian (severity of the losses) 2. Menghitung distribusi kerugian akibat default (distribusi of default losses) Semakin besar recovery rate maka akan semakin kecil real lossnya, dan sebaliknya semakin kecil recovery ratenya maka akan besar real lossnya. Dalam usaha untuk memperbesar recovery rate diperlukan usaha intensif dari perusahaan pembiayaan dalam rangka menagih kembali kredit yang telah macet, peran staf collection sangat berpengaruh dalam memperbaiki recovery rate. Sebaiknya perusahaan pembiayaan membuat policy mengenai target recovery minimal yang harus dicapai. Number of default merupakan jumlah peristiwa dibagi kejadian terjadinya suatu gagal bayar dari debitur pada suatu periode. Nilai rata-rata (mean) dari frekuensi kejadian default didapatkan dari pengukuran eksposure at default dibagi dengan unit eksposure setiap kelompok band. Probability of default dan cumulative probability of default yang digunakan sebagai contoh perhitungan adalah band dengan unit of eksposure Rp 100 juta pada desember 2008 (lihat lampiran 4 Perbandingan λ dan n di bulan Desember 2008). Dari Lampiran 4 Perbandingan λ dan n di bulan Desember 2008 untuk kelompok 1 dengan unit of eksposure Rp 20 juta, λ = number of default = sehingga nilai n pada saat probabilitas tertinggi = dan cumulative probabilty of default 99 % tercapai pada n = 8, sedangkan pada kelompok 2 dengan unit of eksposure Rp 500 juta, λ = number of default = , maka probability tertinggi tercapai pada n= dan cumulative probability of default 99% tercapai pada n = 3 (perhitungan dapat dilihat di lampiran).

9 5 14, , , , , , , , , , , Perbandingan tingkat kegagalan (number of default) dan kemungkinan tingkat kegagalan (cumulative probability of default) Desember Number of default Cumulative probability of default (n) Gambar 4.1. Perbandingan λ dan n di bulan Desember 2008 Tahap selanjutnya adalah menghitung besarnya expected loss, yaitu didapat dengan mengalikan nilai n yang memiliki probability of default tertinggi dengan nilai common eksposure dari masing masing band. Sedangkan nilai unexpected loss didapat dengan mengalikan nilai n yang memiliki cumulative probability of default yang mendekati 99% dengan nilai common eksposure dari masing masing band. Sebagai contoh, dengan menggunakan data pada Gambar 4.1. Perbandingan λ dan n di bulan Desember 2008, pada periode Desember 2008 untuk band Rp. 20 juta untuk kelompok satu, maka besar expected loss dan unexpected loss adalah seperti yang disajikan tabel 4.1. Expected Loss dan Tabel 4.2. Unexpected Loss Tabel 4.1. Kerugian yang dapat diperkirakan PT. Surya Darma Perkasa bulan Desember 2008 (Expected Loss) Nilai yang mewakili Kerugian yang dapat Tingkat Kegagalan band (Common diperkirakan (Expected (λ) Eksposure) Loss) Rp 20,000,

10 10 Tabel 4.2. Kerugian yang tidak dapat diperkirakan PT. Surya Darma Perkasa bulan Desember 2008 (Unexpected Loss) Kemungkinan Nilai yang mewakili Kerugian yang tidak dapat tingkat kegagalan band (Common diperkirakan (Unexpected (N) Eksposure) Loss) 8 Rp 20,000, Hasil perkirakan potensi kerugian (expected loss) sepanjang tahun 2008 berkisar dari yang terendah di bulan Januari 2008, yaitu sebesar Rp 635,442,750 sampai yang tertinggi di bulan September 2008, yaitu sebesar Rp 4,372,376,934. Detail periode observasi diketahui bahwa expected loss terbesar terjadi di bulan Agustus dan September. Kerugian berupa expected loss akan dicover oleh besarnya provisi dan administrasi yang telah dicadangkan oleh perusahaan setiap tahunnya, sedangkan kerugian berupa unexpected loss harus ditutup dari modal perusahaan. Dengan mengetahui besarnya potensi kerugian berupa expected loss maka manajemen PT. Surya Darma Perkasa dapat lebih baik mengelola portofolio penyewaan kendaraan bermotor kepada konsumen, khususnya terkait dengan pricing rate dan provisi yang kompetitif yang dibebankan kepada debitur serta pencadangan atas eksposure tersebut. Sedangkan risiko kredit yang dicerminkan oleh VaR memperlihatkan kecenderungan yang semakin meningkat pula selama periode observasi, yaitu sebesar Rp 635,442,750 di periode Januari 2008 hingga mencapai Rp 4,372,376,934 diperiode September Dengan mengetahui credit VaR yang semakin meningkat, maka dapat diperkirakan adanya kecenderungan peningkatan kerugian berupa unexpected loss yang mungkin terjadi, sehingga diharapkan pengelolaan atas portofolio penyewaan kendaraan bermotor kepada konsumen tersebut harus lebih efektif, terutama dalam mengantisipasi bertambahnya penyewaan yang bermasalah. Economic Capital atau besarnya kecukupan modal yang dibutuhkan dalam perhitungan risiko kredit dengan CreditRisk+ adalah modal yang harus dimiliki untuk menutup besarnya nilai kerugian yang disebabkan adanya unexpected loss. Besarnya Economic Capital adalah selisih dari nilai Unexpected Loss dengan Expected Loss.

11 11 Perhitungan Economic Capital untuk tahun 2008 disajikan pada table 4.3 Economic Capital Tahun 2008 Tabel.4.3 Economic Capital PT. Surya Darma Perkasa Tahun 2008 Periode UEL EL EC Januari 2008 Februari 2008 Maret 2008 April 2008 Mei 2008 Juni 2008 Juli 2008 Agustus 2008 September 2008 Oktober 2008 November 2008 Desember ,910,000, ,442,750 7,274,557,250 15,590,000,000 1,338,225,850 14,251,774,150 14,790,000,000 1,393,271,750 13,396,728,250 20,920,000,000 2,064,281,250 18,855,718,750 4,600,000,000 2,251,350,609 2,348,649,391 7,300,000,000 2,806,603,534 4,493,396,466 7,130,000,000 3,264,020,832 3,865,979,168 9,450,000,000 3,831,777,534 5,618,222,466 12,280,000,000 4,372,376,934 7,907,623,066 28,790,000,000 1,740,710,232 27,049,289,768 41,600,000,000 2,984,996,068 38,615,003,932 5,160,000,000 2,343,915,600 2,816,084,400 UEL = Nilai kerugian maksimum pada tingkat keyakinan 99% EL = Jumlah Piutang yang belum terbayar pada bulan yang bersangkutan EC = UEL - EL Dari perhitungan economic capital terlihat bahwa kecukupan modal yang dibutuhkan atas portofolio pembiayaan kendaraan bermotor yang dilakukan oleh PT. Surya Darma Perkasa sepanjang tahun 2008 berada pada range Rp 2,348,649,391 Rp 38,615,003,932.

12 Januari Februari Maret April Mei Juni Juli Agustus September Oktober November Desember 12 Tabel 4.4. Perbandingan Economic Capital dengan Modal Periode Economic Capital (Rp) Modal PT. Surya Darma Perkasa Presentase Desember ,816,084, ,935,153, % Dari tabel diatas dapat disimpulkan bahwa modal PT. Surya Darma Perkasa masih cukup untuk menanggung adanya risiko kredit yang diakibatkan oleh unexpected credit default losses. Dengan melihat kebutuhan economic capital yang relatif kecil, sekitar 0.57 % dari jumlah modal atas portofolio pembiayaan kendaraan bermotor sepanjang tahun 2008, maka dapat disarankan untuk meningkatkan atau mengoptimasikan portofolionya. Untuk mengetahui hasil perhitungan nila VaR atau nilai Unexpected Loss dengan menggunakan metode CreditRisk+ diatas valid untuk meperkirakan besarnya VaR dari suatu periode ke periode berikutnya, maka dilakukan pengujian dengan menggunakan backtesting dan juga Likelihood Ratio (LR) Untuk mengetahui apakah hasil pengukuran risko kredit dengan menggunakan metode CreditRisk+ diatas dapat digunakan untuk memperkirakan besarnya risiko kredit dari suatu periode ker periode berikutnya, maka perlu dilakukan pengujian model dengan membandingkan prediksi risiko kredit berdasarkan data historisnya, yaitu nilai VaR dengan kerugian actual seperti pada Gambar 4.2. Perbandingan UEL dan EL Tahun 2008 Perbandingan UEL dan EL ,000,000,000 45,000,000,000 40,000,000,000 35,000,000,000 30,000,000,000 25,000,000,000 20,000,000,000 UEL EL 15,000,000,000 10,000,000,000 5,000,000,000 - Gambar 4.2. Perbandingan UEL dan EL Tahun 2008

13 13 Likelihood Ratio (LR) test dilakukan untuk melihat tingkat akurasi model dalam memperkirakan unexpected loss atau VaR Kredit. LR Test dilakukan dengan menghitung banyaknya jumlah expected loss yang melebihi nilai VaR setiap bulan selama masa observasi dan selanjutnya dibandingkan data expected loss atau actual loss dengan maksimum kejadian kesalahan proyeksi yang dapat ditolerir selama masa observasi. Dalam karya akhir ini jumlah periode pengamatan yang digunakan sebagai input LR Test adalah 12 bulan. Sesuai dengan standar hasil LR Test, dengan tingkat keyakinan 95% dan observasi sebanyak 12 titik pengamatan, jumlah maksimum kesalahan proyeksi (actual loss melebihi nilai proyeksi VaR) agar model dapat diterima dan diyakini validitasnya dalam menghitung VaR adalah sebanyak 1 titik sebagaimana disajikan pada Tabel 4.5. Perbandingan hasil proyeksi Var dengan kerugian aktual yang dialami (Backtesting) Tabel 4.5. Backtesting T (total observation) 12 N (the numbaer of estimation failure) 1 p (the propotion of failure estimates) p * (the propotion of failure estimates) 0.05 LR (Likelihood Ratio) 0.44 Chi-square critical value with 1% confidence level Hypothesis is rejected if LR > and accepted if LR <3.841 Accepted Karena Jumlah kejadian kerugian aktual (actual loss) yang melebihi VaR selama masa observasi adalah nol atau tidak melebihi nilai VaR, artinya nlai LR yang diperoleh akan lebih kecil dari nilai kritis dengan tingkat keyakinan 95% atau LR < Dengan demikian bisa dikatakan bahwa metode pengukuran risiko dengan creditrisk+ dapat diterima dan cukup akurat dalam mengukur VaR portofolio kendaraan bermotor kepada konsumen. KESIMPULAN DAN SARAN Kesimpulan Berdasarkan pembahasan pada bab-bab sebelumnya dapat diambil beberapa kesimpulan sebagai berikut :

14 14 1. Pengukuran risiko kredit dengan memakai pendekatan CreditRisk+ model yang dikeluarkan oleh Credit Suisse First Boston dapat digunakan untuk mengukur risiko kredit dari portofolio penyewaan kendaraan bermotor PT. SURYA DARMA PERKASA kepada konsumennya, hal ini karena pengukuran kredit dengan menggunakan metode ini sangat sederhana karena lebih memfokuskan kepada keadaan default atau non default dan tidak mempersoalkan faktor-faktor penyebab terjadinya default. Selain itu model ini tidak mempertimbangkan terjadinya migrasi kualitas kredit. 2. Hasil pengukuran risiko kredit dengan menggunakan model CreditRisk+ untuk portofolio penyewaan kendaraan bermotor PT. SURYA DARMA PERKASA sepanjang masa observasi tahun 2008 menunjukan potensi kerugian yang diperkirakan (expected loss) dan risiko kredit (ditunjukan oleh VaR atau unexpected loss) mempunyai kecenderungan yang menurun. Credit VaR dibulan Januari 2008 sebesar Rp 7,910,000,000 dan menurun sebesar Rp 5,160,000,000 dibulan Desember Dengan adanya kecenderungan penurunan risiko ini diharapkan pengelolaan atas portofolio penyewaan kendaraan bermotor PT. SURYA DARMA PERKASA kepada konsumennya dapat lebih baik dan efektif, terutama dalam mengantisipasi bertambahnya piutang yang bermasalah. 3. Dari perhitungan economic capital terlihat bahwa kecukupan modal yang dibutuhkan atas portofolio penyewaan yang dilakukan oleh PT. SURYA DARMA PERKASA kepada konsumen sepanjang tahun 2008 berada pada range Rp 2,348,649,391 Rp 38,615,003,932. Apabila setiap nilai ini dibandingkan dengan modal PT. SURYA DARMA PERKASA masih cukup menanggung adanya risiko kredit yang diakibatkan oleh kerugian kredit yang tidak dapat diperkirakan (unexpected credit default losses). Dengan melihat kebutuhan economic capital yang relatif kecil, sekitar 0.57 % dari jumlah modal atas portofolio pembiayaan kendaraan bermotor sepanjang tahun 2008, maka dapat disarankan untuk meningkatkan atau mengoptimasikan portofolionya. 4. Pengujian dengan metode Likelihood Ratio pada tingkat kepercayaan 95% menunjukan bahwa selama pengamatan, jumlah kejadian yang merugikan PT. SURYA DARMA PERKASA dengan tingkat kerugian yang melebihi nilai VaR kredit masih dibawah ambang batas jumlah kerugian yang dapat ditolerir, yang

15 15 berarti bahwa metode pengukuran risiko dengan CreditRisk+ dapat diterima dan cukup akurat untuk mengukur risiko portofolio penyewaan PT. SURYA DARMA PERKASA kepada konsumen Saran 1. Mengingat PT. SURYA DARMA PERKASA belum mempunyai metode pengukuran risiko kredit dan berdasarkan hasil pengukuran risiko kredit dengan model CreditRisk+ yang menggunakan pendekatan distribution possion, dengan hasil pengujian model memakai LR test yang menunjukan model yang cukup akurat, maka model CreditRisk+ ini dapat dipertimbangkan untuk digunakan untuk pengukuran risiko kredit di penyewaan kendaraan bermotor PT. SURYA DARMA PERKASA kepada konsumen 2. Selain itu, model ini dapat disarankan pula untuk digunakan untuk mengukur risiko kredit segmen lain yang mempunyai karakterisktik yang hampir sama dengan portofolio penyewaan kendaraan bermotor seperti pembiayaan kepada koperasi simpan pinjam, kartu kredit, kredit karyawan, dan KPR. 3. Melihat adanya kecenderungan risiko kredit yang menurun diakhir tahun 2008, maka untuk menjaga kualitas portofolio dengan lebih baik, PT. SURYA DARMA PERKASA harus melakukan langkah preventive untuk menurunkan potensi default yaitu dengan cara lebih selektif dalam memilih calon konsumen dan melakukan reactive untuk memperbaiki non performing loannya, dengan meningkatkan monitoring portofolio dan upaya penyelesaian kredit bermasalah yang lebih maksimal. 4. Tingkat akurasi model CreditRisk+ sangat tergantung pada kehandalan database yang dimiliki, terutama dengan data inputan, yaitu nilai exposure, kolektibilitas dan tingkat kegagalan (default rates). Oleh karena itu PT. SURYA DARMA PERKASA harus meningkatkan kualitas database perkreditannya, sehingga pengukuran risiko kredit akan lebih akurat. Disamping itu validitas model juga harus diperhatikan dengan melakukan pengujian secara berkala menggunakan LR test.

16 16 DAFTAR PUSTAKA Credit Suisse First Boston CreditRisk+. A Credit Risk Management Framework Crouhly, Michael, et. al Risk Management. New York : McGraw-Hill. Dowd, Kevin Beyond Value at Risk. The New Sience of Risk Management. New York : John Wiley & Sons, Inc. Duffe, Darel N. et. al Credit Risk Pricing, Measurement and Management Priceton University Press. Gardner, Mona Managing Financial Institutions. Fourth edition, Harcourt College. Jorion, Phillipe Value at Risk. New York :McGraw-Hill. Pindyek, Robert Economic Models and Economic Forecast. Fourth edition, Irwin McGraw-Hill Rachmat, Budi Multi Finance HandBook Indonesia Perspective. Jakarta : Pradnya Paramita. Saunders, Antony Financial Institutions Management, A Risk Management Approach. Fourth edition, New York:McGraw-Hill