Pemodelan Early Warning System sebagai Penilai Tingkat Kesehatan Finansial calon Nasabah dengan Metoda Binary Regresi Logistik Studi Kasus : Bank X Surabaya Branch Mochammad Taufan 1), Prof. Drs. Nur Iriawan, M.Ikom, Ph.D 2) 1) S2/Jurusan Manajemen Teknologi Informasi ITS Surabaya, email: motaufan@gmail.com 2) Professor Penelitian Bidang Statistik ITS Surabaya, email: nur_i@statistika.its.ac.id ABSTRAKSI Untuk dapat memproleh gambaran tentang perkembangan finansial suatu perusahaan, perlu mengadakan analisa atau interprestasi terhadap data finansial dari perusahaan bersangkutan, dimana data finansial itu tercermin didalam laporan keuangan, Oleh karena itu Bank X perlu menganalisa kondisi finansial calon nasabah. Yang mana hasil akhir dari penilaian kondisi finansial calon nasabah bank dapat menentukan perusahaan mana yang finansialnya sehat dan dapat menjadi nasabah di waktu yang akan datang. Salah satu caranya adalah dengan melakukan penilaian tingkat kesehatan calon nasabah bank berdasarkan analisis rasio keuangan menggunakan early warning system dan analisis model. Dalam tesis ini digunakan model analisis regresi binary logistik untuk menilai tingkat kesehatan finansial suatu perusahaan, khususnya kantor cabang Bank X Surabaya Branch. Analisis regresi logistik binary ini menggunakan rasio keuangan yang diperoleh dari laporan keuangan laba rugi tahun 2006 dan 2008. Kemudian dengan menggunakan metode Principal Component Analysis dan dilanjutkan dengan metode maximum likelihood dihasilkan koefisien regresi logistik binary berdasarkan data data peubah independen laporan keuangan. Hasil akhir yang didapatkan adalah model EWS yang dapat menilai tingkat kesehatan finansial nasabah dan calon nasabah. Kata kunci : Laporan Keuangan, Kesehatan Ekonomi Perusahaan, Early Warning System ABSTRACT To be able to fare a picture of a company's financial developments, need to conduct an analysis or interpretation of financial data from the companies concerned, in which financial data is reflected in the financial statements, therefore the Bank X should analyze the financial condition of prospective customers. Which outcome of the assessment of prospective financial condition of a bank customer can determine which companies are financially healthy and could be a customer in the future. One way is by assessing the health of the prospective customers of the bank on the basis of financial ratio analysis using an early warning system and analysis of the model. In this thesis used a binary logistic regression analysis model to assess the financial
soundness of a company, particularly the branch office of Bank X Surabaya Branch. This binary logistic regression analysis using financial ratios derived from financial statements of income in 2006 and 2008. Then by using the method of Principal Component Analysis and followed by the method of maximum likelihood logistic regression coefficients generated binary data based on the financial statements of independent variable data. The final result obtained is the EWS model that can assess the financial soundness of customers and prospects. Key words: Financial Report, Health Economics Company, Early Warning System PENDAHULUAN Kegiatan usaha nasabah bank terus mengalami perubahan dan peningkatan sejalan dengan perkembangan teknologi informasi, globalisasi, dan integrasi pasar keuangan, sehingga kompleksitas kegiatan usaha nasabah bank semakin tinggi. Kompleksitas kegiatan usaha nasabah bank yang semakin meningkat tersebut mengakibatkan tantangan dan risiko yang dihadapi juga semakin besar. Dengan melihat perkembangan tantangan dan risiko usaha nasabah bank yang semakin besar, maka diperlukan berbagai macam upaya untuk memilih calon nasabah bank yang berpotensial ekonomi keuangannya meningkat. Salah satu caranya adalah dengan melakukan penilaian tingkat kesehatan calon nasabah bank berdasarkan analisis rasio keuangan menggunakan early warning system dan analisis regresi binary logistik. Pertumbuhan di pasar keuangan internasional dan makin beragamnya instrumen keuangan memungkinkan bank memiliki akses yang lebih luas terhadap sumber dana. Dengan adanya perkembangan produk-produk perbankan, maka telah meningkatkan kebutuhan dan memperumit fungsi pengukuran risiko, manajemen risiko, dan pendekatan terpadu terhadap pengendalian internal. Salah satu cara untuk mendeteksi risiko tersebut adalah dengan menggunakan early warning system. Sistem ini merupakan suatu mekanisme untuk mendeteksi gejala atau tanda-tanda awal yang diperkirakan dapat mempengaruhi perkembangan kemajuan suatu perusahaan. Rasio merupakan suatu ekspresi matematis dari satu jumlah yang bersifat relatif terhadap yang lain. Menurut Van Horne ( 2005 : 234) : Rasio keuangan adalah alat yang digunakan untuk menganalisis kondisi keuangan dan kinerja perusahaan. Kita menghitung berbagai rasio karena dengan cara ini kita bisa mendapat perbandingan yang mungkin akan berguna daripada berbagai angka mentahnya sendiri. Sedangkan pengertian analisis rasio keuangan merupakan teknik yang digunakan untuk menganalisis perbandingan dan relativitas data keuangan suatu perusahaan (Gibson,2000). Merupakan Ratio yang digunakan untuk mengukur kemampuan perusahaan dalam memenuhi kewajian finansial jangka pendek yang berupa hutang hutang jangka pendek (short time debt) Menurut Van Horne : Sistem Pembelanjaan yang baik Current ratio harus berada pada batas 200% dan Quick Ratio berada pada 100%. Adapun yang tergabung dalam rasio ini adalah : a. Current Ratio ( Rasio Lancar) b. Quick Ratio ( Rasio Cepat )
c. Cash Ratio ( Rasio Lambat) Rasio ini disebut juga Ratio leverage yaitu mengukur perbandingan dana yang disediakan oleh pemiliknya dengan dana yang dipinjam dari kreditur perusahaan tersebut. Rasio ini dimaksudkan untuk mengukur sampai seberapa jauh aktiva perusahaan dibiayai oleh hutang rasio ini menunjukkan indikasi tingkat keamanan dari para pemberi pinjaman (Bank). Adapun Rasio yang tergabung dalam Rasio Leverage adalah : a. Total Debt to Equity Ratio (Rasio Hutang terhadap Ekuitas) b. Total Debt to Total Asset Ratio ( Rasio Hutang terhadap Total Aktiva ) Rasio ini disebut juga sebagai Ratio Profitabilitas yaitu rasio yang digunakan untuk mengukur kemampuan perusahaan dalam memperoleh laba atau keuntungan, profitabilitas suatu perusahaan mewujudkan perbandingan antara laba dengan aktiva atau modal yang menghasilkan laba tersebut. Yang termasuk dalam ratio ini adalah : a. Gross Profit Margin ( Margin Laba Kotor) b. Net Profit Margin (Margin Laba Bersih) c. Earning Power of Total investment d. Return on Equity (Pengembalian atas Ekuitas) Decision Support System (DSS) atau disebut juga sistem pendukung keputusan adalah suatu bagian dari sistem informasi berbasis komputer yang dipakai untuk mendukung pengambilan keputusan dalam suatu organisasi atau perusahaan. Analisa regresi merupakan analisa yang digunakan untuk mencari bagaimana variabel-variabel independen dan variabel dependen berhubungan pada hubungan fungsional atau sebab akibat. Model regresi memiliki variabel independen (x) dan variabel dependen (y). (1) Regresi logistik biner telah banyak digunakan secara luas sebagai salah satu alat analisis pemodelan ketika variabel dependennya (Y) bersifat biner. I stilah biner merujuk pada penggunaan dua buah bilangan 0 dan 1 untuk menggantikan dua kategori pada variabel dependen. Contoh variabel dependen yang di maksud adalah kesuksesan ( sukses gagal ), Kesetujuan ( setuju tidak sertuju ), keinginan membeli ( ya tidak ), dan masih banyak lagi. Pendugaan koefisien model regresi logistik tidak dapat di lakukan dengan metode kuadrat terkecil ( ordinary least squares ) seperti halnya regresi linear karena pelanggaran asumsi kehogenan ragam. Metode kemungkinan maksimum ( Maximum likelihood ) menjadi salah satu alternatif yang dapat digunakan. Jika p i menyatakan peluang suatu invidu ke-i memiliki Y = 1, maka model regresi logistik dengan k buah variabel independen dapat dituliskan sebagai Dengan kata lain, model regresi logistik biner dapat dituliskan sebagai: (2) (3)
Regresi logistik ekuivalen dengan diskriminan analis dua grup dan memerlukan variabel dependen berupa binary dengan nilai 0 dan 1. Dimana nilai е adalah 2.71828. Odds ratio berhubungan dengan transformasi logit, dimana fungsi logistik harus ditransformasi menjadi bentuk linier. Hal ini berkaitan dengan fungsi logistik yang merupakan fungsi non linier, sehingga diperlukan adanya suatu transformasi. Odds ratio merupakan rasio (perbandingan) antara peluang kejadian untuk y=1 dengan peluang kejadian untuk y=0. Persamaan odds ratio dapat diilustrasikan pada persamaan (4). (4) Pendugaan koefisien model regresi logistik tidak dapat dilakukan dengan menggunakan metode kuadrat terkecil (ordinary least square). Hal ini dikarenakan metode kuadrat terkecil mengasumsikan nilai variance error bersifat konstan, sementara pada regresi logistik, nilai variance merupakan fungsi dari p dimana nilai p ini bervariasi tergantung pada variabel penjelas x. Variasi nilai p menyebabkan nilai variance juga bervariasi sehingga variance bersifat heterogen. METODE Studi pendahuluan yang dilakukan pada penelitian ini terdiri dari studi literatur yang meliputi pengkajian literatur yang berhubungan dengan modelling data, early warning system, regresi logistik dan penerapannya pada data keuangan suatu bank. Pengkajian literatur penelitian terdahulu, yang relevan dengan topik penelitian juga dilakukan. Selain itu, informasi lapangan mengenai sistem dan permasalahan analisis tingkat kesehatan dan efisiensi bank juga perlu dilakukan baik untuk pengembangan model maupun keperluan implementasinya. Hasil kajian ini kemudian dijadikan state of the art penelitian yang dilakukan. Berdasarkan hasil dari studi pendahuluan diketahui bahwa pada saat ini analisis penilaian tingkat kesehatan finansial calon nasabah dilakukan secara sentralisasi di kantor pusat Bank X di Jakarta. Sentralisasi laporan keuangan ini mengakibatkan karyawan pimpinan, khususnya branch manager, tidak dapat melakukan tindakan secara dini mengenai tingkat kesehatan finansial calon nasabah. Dari kelemahan tersebut, maka dibutuhkan adanya suatu early warning system agar team sales dapat secara dini mengetahui tingkat kesehatan finansial calon nasabah yang akan buka rekening di Bank X cabang Surabaya. Jenis penelitian yang dilakukan analisis adalah pengujian hipotesis, dengan melakukan pengujian terhadap semua variabel yang diteliti. Horizon waktu riset bersifat cross sectional sehingga model yang digunakan adalah dengan regresi logistik. Dengan regresi logistik ini dapat dilihat hubungan antara variabel dependen berupa variabel independen yang bersifat kualitatif dan variabel-variabel independen berupa variabel kualitatif (nominal atau ordinal) maupun variabel kuantitatif (interval atau rasio). Sedangkan populasi dalam penelitian ini adalah beberapa calon nasabah Bank X cabang Surabaya pada tahun 2008 dan 2006. Besar populasi sejumlah 30 Perusahaan
go public di Indonesia. Data yang digunakan merupakan data dari laporan keuangan tahunan dengan alasan ketersediaan data untuk variabel dependen. Dalam penelitian ini, variabel yang diteliti diklasifikasikan ke dalam variabel independen dan variabel dependen. Dimana variabel dependen yang digunakan adalah Laporan rugi laba, yang dalam hal ini tingkat kesehatan yang memiliki hubungan fungsional dengan rasio keuangan. Suatu perusahaan tingkat kesehatan finansialnya untuk mempertahankan kelangsungan operasional yang tercermin dalam data atau informasi laporan keuangan tahunan. Formulasi yang digunakan adalah variabel dummy, dimana angka 0 menunjukkan perusahaan mengalami kebangkrutan dengan kriteria kurang sehat dan tidak sehat. Angka 1 menunjukkan perusahaan dalam kriteria sehat dan cukup sehat. Variabel independen yang digunakan dalam penelitian ini adalah sebagai berikut : a. Rasio Lancar b. Rasio Cepat c. Cash Rasio Lambat d. Rasio Hutang Terhadap Ekuitas e. Rasio Hutang Terhadap Total f. Margin Laba Kotor g. Margin Laba Bersih h. Earning Power of Total Investment i. Pengembalian atas Ekuitas Pengujian ini dilakukan untuk mengukur tingkat keeratan hubungan linear antara 2 variabel. Nilai korelasi berkisar antara 1 sampai -1. Nilai korelasi negatif berarti hubungan antara 2 variabel adalah negatif (apabila salah satu variabel menurun, maka variabel lainnya akan meningkat). Sebaliknya, nilai korelasi positif berarti hubungan antara kedua variabel adalah positif (apabila salah satu variabel meningkat, maka variabel lainnya meningkat pula. Suatu hubungan antara 2 variabel dikatakan berkorelasi kuat apabila makin mendekati 1 atau -1. Sebaliknya, suatu hubungan antara 2 variabel dikatakan lemah apabila semakin mendekati 0 (nol). Hipotesis untuk uji korelasi adalah : H 0 : ρ = 0 H 1 : ρ 0 Dengan ρ adalah korelasi antara 2 variabel. Daerah penolakan P-value < α, Dimana nilai α yang digunakan adalah 5% Pengujian data ini dengan menggunakan MatLab 7. Metode ini digunakan untuk melakukan reduksi variabel yang saling berkorelasi sehingga masing-masing menjadi variabel independen. Selain itu, problem dalam principal component analysis adalah menemukan eigenvalue dan eigenvector. Dalam principal component, apabila sebagian besar total variasi populasi (sekitar 80-90%) untuk jumlah variabel yang besar dapat diterangkan oleh 2 atau 3 komponen utama (principal component), maka kedua atau ketiga komponen dapat menggantikan
variabel semula tanpa menghilangkan banyak informasi. Pengolahan data ini menggunakan Minitab 14. Penaksiran dengan menggunakan metode ini akan dapat memberikan penyelesaian yang lebih efisien baik secara komputasi maupun bila ditinjau dari kecepatan proses kalkulasinya. Dengan menjaga dan mendesain matriks x yang tidak saling berkorelasi secara signifikan, maka proses yang bersesuaian dengan metode estimasi regresi linear akan dipastikan memberikan hasil estimasi parameter model, β, secara lebih efisien. Dari hasil analisis dan interpretasi dihasilkan jenis informasi yang dapat dihasilkan dari model dan dapat digunakan sebagai alat bantu pengambilan keputusan. Jenis informasi ini akan mendasari modifikasi graphical user interface (GUI) yang akan dilakukan terhadap model regresi logistik yang dihasilkan. HASIL DAN PEMBAHASAN Pada kesempatan ini akan dibahas desain dan implementasi dari penelitian yang telah dilakukan. Untuk dapat memodelkan regresi logistik, syarat yang harus dipenuhi salah satunya adalah variabel independen harus tidak memiliki sifat interdependensi yang menyebabkan adanya multikolinearitas. Multikolinearitas terjadi ketika sebagian besar variabel yang digunakan saling terkait dalam suatu model regresi. Masalah multikolinearitas menjadi serius apabila digunakan untuk mengkaji hubungan antara variabel independen (x) dengan variabel dependen (y) karena simpangan baku koefisien regresi tidak signifikan, sehingga sulit memisahkan pengaruh dari masing-masing variabel independen. Dengan melihat pada matriks korelasi (korelasi antar variabel independen), yaitu jika p-value korelasi antar variabel kurang dari 0,05 atau 5%, diduga terdapat gejala multikolinearitas. Untuk mendeteksi adanya multikolinearitas antar variabel independen (prediktor) dapat dilakukan dengan pengujian korelasi terhadap data rasio keuangan tahunan 2008 dengan menggunakan Minitab14. Dari pengujian kolerasi dapat diketahui bahwa terdapat korelasi antara variable variable di atas. Hal ini ditunjukkan dari nilai p-value berada di daerah penolakan, dimana nilai α kurang dari 5%. Sehingga kesimpulannya adalah menolak hipotesis awal yang berarti bahwa terdapat variable variable yang memiliki korelasi cukup erat. Dari analisa korelasi variabel-variabel independen dari tabel tabel diatas, terdapat faktor multikolinearitas. Dimana masing-masing variabel independen terdapat hubungan linier atau korelasi yang tinggi. Dengan adanya faktor multikolinearitas antar variabel independen, maka akan digunakan uji kolersi dengan menggunakan analisis komponen pokok atau disebut principal component analysis (PCA). Analisis ini digunakan untuk mengkonversi sebagian besar variabel asli yang saling berkorelasi satu dengan yang lainnya menjadi satu set variabel baru yang lebih kecil dan saling bebas (tidak berkorelasi). Variabel-variabel rasio keuangan yang saling berkorelasi satu dengan yang yang lainnya, yang digunakan dalam rasio keuangan perlu direduksi dan dikonversi menjadi beberapa variable yang tidak memiliki saling keterkaitan (interdependensi).
Variabel tersebut diperoleh dari variabel rasio keuangan yang asli. Banyaknya komponen pokok yang tidak memiliki sifat interdependensi dihitung dari banyaknya eigen value dengan nilai lebih dari 1, dengan menggunakan MINITAB14 dapat dilihat dari hasil analisis eigen value pada Gambar 1, bahwa ada 2 variabel yang memenuhi standar eigen value lebih dari 1 yaitu 13.037 dan 4.064. Gambar 1 Analisa PCA Validasi dengan Minitab14 Data Rasio Laporan Keuangan 2008 Sedangkan untuk komponen pokok tahun 2006 yang tidak memiliki sifat interdependensi dihitung dari banyaknya eigen value dengan nilai lebih dari 1 pada Gambar 2. yaitu ada 2 variabel yang memenuhi standar eigen value lebih dari 1 yaitu dan. Gambar 2 Analisa PCA Validasi dengan Minitab14 Data Rasio Laporan Keuangan 2006 Dari analisisa PCA terhadap data rasio keuangan pada Gambar 1, Sehingga komponen pokok yang harus dihitung sebanyak 2 komponen pokok pada tahun 2008. Seperti yang terlihat pada Tabel 1, sebagai berikut. Tabel 1 Koefisien Komponen Pokok Data Rasio Keuangan tahun 2008 Variabel PC1 PC2 RL1 0.1269-0.6365 RL2 0.0951-0.5873 RL3 0.0682-0.3185 RS1-0.9730-0.1075 RS2-0.0137 0.0743 RR1-0.0240-0.0323 RR2-0.0005-0.0084 RR3 0.0064-0.0306 RR4-0.1506-0.3597 Dari analisisa PCA terhadap data rasio keuangan pada Gambar 2. Sehingga komponen pokok yang harus dihitung sebanyak 2 komponen pokok pada tahun 2006. Seperti yang terlihat pada Tabel 2, sebagai berikut.
Tabel 2 Koefisien Komponen Pokok Data Rasio Keuangan tahun 2006 Variabel PC1 PC2 RL1-0.0488-0.7255 RL2-0.0340-0.5795 RL3 0.0072-0.3020 RS1-0.9824 0.0886 RS2-0.0420-0.0266 RR1-0.0401-0.0466 RR2-0.0039-0.0135 RR3-0.0010-0.0336 RR4-0.1670-0.1861 Dari nilai koefisien yang telah diketahui pada tabel 1 kemudian digunakan untuk menghitung nilai komponen pokok yang selanjutnya akan digunakan dalam pemodelan regresi menggantikan variabel rasio keuangan. Nilai principal component diperoleh dengan mengalikan koefisien komponen pokok dengan masing-masing variabel rasio keuangan. Score komponen-komponen pokok beserta variabel dependen yang akan diproses lebih lanjut dapat dilihat pada Tabel 3, dari tahun 2008. Dimana score komponen pokok yang dihasilkan akan digunakan sebagai prediktor yang dapat diolah menggunakan metode regresi. Tabel 3 Variabel Dependen dan Score Komponen Pokok Untuk Pemodelan Regresi Logistik Tahun 2008 ID P Respon PC1 PC2 ID P Respon PC1 PC2 PT01 0-2.1320-2.1073 PT16 1 0.2826-3.4338 PT02 0-0.2156-1.7410 PT17 1-0.4898-2.7439 PT03 1-7.7253-3.2717 PT18 0-3.2568-0.5752 PT04 1-1.8237-1.4720 PT19 1-0.7163-1.8771 PT05 1-0.1708-2.8225 PT20 0-1.8326-1.5841 PT06 1-2.8759-1.3067 PT21 1 0.4500-4.4228 PT07 1-0.9653-11.3616 PT22 1 0.0434-4.1623 PT08 1-1.4806-2.4252 PT23 1-1.8740-3.3216 PT09 1-1.6955-1.4758 PT24 1-0.7755-2.2777 PT10 1-7.3184-2.1996 PT25 1 0.3600-3.7075 PT11 0-2.0386-1.4920 PT26 1-1.1655-3.2556 PT12 1 0.3639-5.2241 PT27 1-0.9498-1.7366 PT13 0-1.0623 0.0997 PT28 1-1.2160-1.9729 PT14 1-0.6051-0.9639 PT29 0-0.1228-1.9623 PT15 1-0.1437-2.3497 PT30 1-18.2001-3.7840 Dari nilai koefisien yang telah diketahui pada tabel 2 kemudian digunakan untuk menghitung nilai komponen pokok yang selanjutnya akan digunakan dalam pemodelan regresi menggantikan variabel rasio keuangan. Nilai principal component diperoleh dengan mengalikan koefisien komponen pokok dengan masing-masing
variabel rasio keuangan. Score komponen-komponen pokok beserta variabel dependen yang akan diproses lebih lanjut dapat dilihat pada Tabel 4 dari tahun 2006. Dimana score komponen pokok yang dihasilkan akan digunakan sebagai prediktor yang dapat diolah menggunakan metode regresi. Tabel 4 Variabel Dependen dan Score Komponen Pokok Untuk Pemodelan Regresi Logistik Tahun 2006 ID P Respon PC1 PC2 ID P Respon PC1 PC2 PT01 0 2.4621 1.5443 PT16 1-0.4176-3.4176 PT02 0 0.4745 1.6317 PT17 1-0.9382-2.3962 PT03 1-8.1057-1.3214 PT18 0-3.1825 0.2716 PT04 1-2.0351-1.0534 PT19 1-0.9990-1.5703 PT05 1-0.6763-2.6230 PT20 0-2.0352-1.0669 PT06 1-2.9761-0.5443 PT21 1-0.4344-4.3368 PT07 1-3.2182-10.5173 PT22 1-0.8186-4.0804 PT08 1-1.8909-2.0087 PT23 1-2.4955-2.8186 PT09 1-1.8480-0.9359 PT24 1-1.1377-1.9240 PT10 1-7.5939-0.6046 PT25 1-0.3754-3.6342 PT11 0 2.3166 1.0884 PT26 1-1.7661-2.8586 PT12 1-0.7104-5.1184 PT27 1-1.1952-1.3721 PT13 0 1.0569 2.0937 PT28 1-1.5652-1.6845 PT14 1-0.6934-0.7049 PT29 0 0.5526 1.9399 PT15 1-0.5698-2.2142 PT30 1-18.4406 0.5127 Pada Tabel 3 dan Tabel 4 terlihat score komponen pokok tahun 2006 dan tahun 2008, dan data yang dihasilkan dari pengolahan dengan principal component analysis adalah variabel independen awal yang terdiri dari 9 rasio keuangan dikonversi menjadi 2 Principal Component (PC) untuk data rasio keuangan tahun 2008 maupun tahun 2006. Proses pre-modelling yang telah dilakukan diatas, menghasilkan model regresi logistik dari pemrosesan data pada Tabel 3 dan Tabel 4. Data yang dihasilkan telah memenuhi persyaratan pemodelan regresi logistik sehingga koefisien dan intercept dari proses pemodelan akan menjadi model regresi logistik. Gambar 3 Pemodelan Regresi Logistik Data Rasio Tahun 2008
Gambar 3 menunjukkan hasil pemodelan data rasio keuangan tahun 2008 dengan 9 komponen pokok sebagai independent. Nilai koefisien model regresi logistik yang dihasilkan adalah -2.67901, -0.154909, dan -1.83213. Namun karena nilai P-value dari PC1 yang melibihi nilai toleransi 10% dari α maka PC1 tidak layak untuk di modelkan pada pemodelan regresi logistik. Gambar 4 Pemodelan Regresi Logistik Data Rasio Tahun 2006 Gambar 4 menunjukkan hasil pemodelan data rasio keuangan tahun 2006 dengan 9 komponen pokok sebagai independent. Nilai koefisien model regresi logistik yang dihasilkan adalah -1.88583, -0.403216, dan -3.07014. Namun karena nilai P-value dari PC1 yang melibihi nilai toleransi 10% dari α maka PC1 tidak layak untuk di modelkan pada pemodelan regresi logistik. Hasil dari pemodelan regresi logistik dari tahun 2006 sampai dengan 2008 menghasilkan koefisien yang signifikan, dimana p-value lebih kecil dari nilai α = 5%. Dari pemodelan regresi logistik diatas, dapat digunakan untuk menghasilkan persamaan regresi logistik dalam bentuk logit P(X) sebagai berikut. Persamaan untuk laporan keuangan tahun 2008 adalah : Logit P(i) = β 0 + (-1.83213) PC2 (5) dengan β 0 = -2.67901 Persamaan untuk laporan keuangan tahun 2006 adalah Logit P(i) = β 0 + (-3.07014) PC2 (6) dengan β 0 = -1.88583 Pada bagian ini akan di implementasikan hasil model pada subbab sebelumnya dengan mengambil sample data calon nasabah dan data nasabah yang laporan keuangannya kurang sehat, sehingga dapat di tarik kesimpulan model ini dapat di gunakan pada calon nasabah dan nasabah kedepannya. Model yang dihasilkan oleh persamaan regresi logistik tidak dapat secara langsung digunakan untuk memprediksi kondisi kesehatan suatu perusahaan pada periode waktu yang berbeda. Dari model regresi dihasilkan respon berupa tingkat kesehatan Keuangan dari nasabah Bank X dengan skala Sehat atau diterima = 1, dan tidak Sehat atau ditolak =0. Dengan pengujian validitas dapat dibuktikan bahwa model regresi logistik yang terbentuk dapat digunakan untuk periode waktu yang berbeda. Pengujian validitas dilakukan dengan membandingkan apakah terjadi perbedaan pada jumlah variabel yang dihasilkan pada model regresi logistik yang terbentuk pada tahun yang berbeda. Perbandingan model regresi logistik dilakukan dengan menggunakan data rasio laporan keuangan tahun 2006 dan 2008 dari Gambar 3 dan Gambar 4. Variabel-
variabel komponen pokok yang dihasilkan sebagai variabel independent terhadap tingkat kesehatan suatu perusahaan dimana tidak terlalu berbeda secara signifikan. Sehingga hal ini menunjukkan bahwa model data rasio keuangan tahun 2006 dapat digunakan untuk tahun 2008, akan tetapi diperlukan pengujian kembali untuk tahuntahun berikutnya. Dengan model di atas dapat di buat model untuk nasabah baru yang mana nasabah baru hanya mempunyai nilai Rasio keuangan, jadi terlebih dahulu membuat model untuk Principal Component. Dengan bantuan tabel score PCA pada tabel 3. Di dapat model berikut: Persamaan PCA untuk laporan keuangan adalah : PC2 = (-0.6365) RL1 + (-0.5873) RL2 + (-0.3185) RL3 + (-0.1075) RS1 + 0.0743 RS2 + (-0.0323) RR1 + (-0.0084) RR2 + (-0.0306) RR3 + (-0.3597) RR4 (7) Data rasio laporan keuangan nasabah baru di tunjukkan dalam tabel 4.4a sebagai berikut: Tabel 5 Laporan Rasio Keuangan Nasabah Dari data pada Tabel 5 kemudian dimasukkan ke persamaan (7) menghasilkan nilai dari PC2 adalah -3.8. Kemudian dimasukkan ke persamaan (5) hasilnya sebagai berikut: Logit P(i) = β 0 + (-1.83213) PC2 = -2.67901 + (-1.83213) (-3.8) = -2.67901 + 6.962094 = 4.283084 Didapat hasil logit P(i)= 4.283084, yang mana hasil tersebut di masukkan kedalam persamaan (3) yang merupakan standar rumus dari regresi binary logistik peluang nilai Y=1 adalah 0,98. Yang berarti melebihi standart dari bank X yaitu 0,70. Dari hal ini dapat di simpulkan nasabah dengan kode PN01 DITERIMA menjadi Nasabah Bank X. Dengan tools ini diharapkan bisa membantu memudahkan manajemen dari bank X Surabaya branch dalam mengambil keputusan kedepannya. KESIMPULAN DAN SARAN Dalam penulisan makalah ini terdapat beberapa kesimpulan dan saran sebagai penyempurna agar topik bahasan dapat terimplementasi di lapangan. Kesimpulan berkaitan dengan tujuan dan manfaat dari penulisan ini, sedangkan saran lebih bersifat rekomendasi bagi pembaca tesis ini apabila akan mengimplementasikan topic bahasan atau melakukan studi lebih lanjut terkait dengan topik bahasan. Kesimpulan-kesimpulan yang dapat diambil dari penelitian mengenai pemodelan regresi logistik yang digunakan untuk alat bantu pengambilan keputusan di Bank X, antara lain :
Metode regresi binary logistik dapat memodelkan data laporan keuangan tahunan calon nasabah pada kantor cabang Bank X Surabaya dan model regresi logistik yang terbentuk dapat digunakan sebagai Early Warning System Pengujian validitas model Early Warning System yang terbentuk untuk prediksi pada tahun-tahun berikutnya Terbentuk analisis dan interpretasi hasil pemodelan Early Warning System dan memanfaatkan model tersebut dalam pengambilan keputusan di Bank X Dan saran penulis kedepannya dikarenakan penampilan arsitektur aplikasi yang di buat hanya memuat 9 variabel dari 3 rasio utama laporan keuangan, bisa ditambahkan dengan rasio keuangan yang lain maka informasi kebutuhan laporan keuangan yang lebih akurat dapat lebih mudah digunakan untuk membuat suatu keputusan. DAFTAR PUSTAKA Dolores M. Etter and David C. Kuncicky, Introduction to MATLAB 7, with Holly Moore, Pearson/Prentice Hall, Upper Saddle River, NJ. Fractal (2003), Comparative Analysis of Classification Techniques, A Fractal White Paper. Gibson, C.H. (2000), Financial Reporting & Analysis: Using Financial Accounting Information, 8 th Edition, South Western, Boston. Hair, J.F, Black, W.C., Babin, B.J., Anderson, R.E., dan Tatham, R.L (2006) : Multivariate Data Analyst, 6 th Edition, Person Education, New Jersey, US Hosmer, D.W., dan Lemeshow, S. (2000), Applied Logistic Regression, 2 nd Edition, John Wiley and Sons, Inc., New York. Iriawan, N. (2005a), Laporan Hasil Pembentukan Early Warning System (EWS) Obligasi Korporasi, ITS, Surabaya. Jolliffe, I.T. (2002), Principal Component Analysis, 2 nd Edition, Springerverlag, Inc., New York. Kleinbaum, D.G., dan Klein, M. (2002), Logistic Regression A Self-Learning Text, 2 nd Edition, Springerverlag, Inc., New York. Kim, T.Y., Kyong, J.O., Insuk,S.,and Hwang, C. (2004), Usefulness of Artificial Neural Network For Early Warning System of Economic Crisis, Elsevier Muljono, T.P.(1988), Aplikasi Akuntansi Manajemen dalam Praktek Perbankan, Edisi Pertama, Cetakan Pertama, BPFE, Yogyakarta. Van Nostrand Reinhould Co, New York. Kown (2004), Financial Report, Van Horne ( 2005 ), Financial Rasio Vercellis, C. (2009), Business Intelligence : Data Mining and Optimization For Decision Making, Chichester : John Wiley & Sons