24 III. METODE PENELITIN 3.1 Keragka Pemikira BMT l-fath IKMI melakuka fugsi meyalurka daa dega melakuka pembiayaa kepada UMKM. Produk pembiayaa yag dimiliki BMT l-fath IKMI adalah Murabahah da Iarah. Sebelum meyalurka pembiayaa kepada para debitur, BMT l-fah IKMI melakuka aalisis 5C kepada calo debitur da usahaya. Debitur yag diberika pembiayaa dikelompokka berdasarka kolektabilitasya. Iformasi 5C debitur yag telah diketahui tigkat kolektabilitasya dapat diguaka sebagai iput aalisis diskrimia. alisis ii dilakuka utuk megetahui faktor-faktor yag dapat diguaka utuk memprediksi tigkat kolektabilitas calo debitur. Hasil dari aalisis diskrimia dapat diguaka utuk baha pertimbaga BMT l-fath IKMI dalam megambil keputusa tidaka mitigasi risiko yag cocok.. Proses pegukura risiko dilakuka dega megukur seberapa besar kerugia yag dialami BMT l-fath IKMI akibat risiko pembiayaa. Pegukura risiko pembiayaa megguaka Creditrisk+. Hasil dari metode Creditrisk+ adalah potesi kerugia akibat gagal bayar debitur. Tidaka mitigasi risiko yag bisa diambil meliputi peghidara risiko, peguraga risiko, pemidaha risiko, da peahaa risiko. Tidaka mitigasi berdasarka hasil aalisis diguaka utuk memperbaiki kolektabilitas debitur. Tidaka mitigasi risiko dapat berbeda utuk setiap debitur disesuaika dega karakterisitik debitur da usahaya. Keragka pemikira peelitia dapat dilihat pada gambar 3.
25 BMT l-fath IKMI alisis 5C Pembiayaa : Murabahah Iarah Nasabah & Usaha Kolektabilitas Creditrisk+ alisis Diskrimia Potesi Kerugia Faktor-faktor utuk memprediksi tigkat kolektabilitas Mitigasi Risiko Gambar 3. Keragka pemikira peelitia 3.2 Lokasi da Waktu Peelitia Peelitia dilaksaaka di BMT L-FTH IKMI yag berlokasi di Jala ria Putra No. 7 Ciputat Tagerag Selata. Peelitia dilakuka seak Maret higga pril 2012. 3.3 Metode Pegumpula Data Data yag dikumpulka pada Peelitia ii meliputi data primer da sekuder.
26 a. Data primer Data primer diperoleh melalui pegamata, pecatata, pegumpula data da wawacara lagsug dega Kepala Bagia Pembiayaa da ccout Officer yag terkait dega bidag peelitia. b. Data Sekuder Data sekuder didapatka dari data historis BMT L-FTH, lapora peelita da publikasi elektroik. Jeis data sekuder adalah data yag telah melalui pegolaha lebih laut da telah dipublikasika serta dari berbagai literatur. 3.4 Metode Pearika Sample Peulis megguaka tekik pegambila sample No Probability Samplig yaitu Purposive Samplig. Purposive Samplig merupaka metode peetapa sampel dega berdasarka pada kriteria-kriteria tertetu da kriteria yag diguaka adalah debitur murabahah da Iarah baik bulaa maupu pekaa yag bekera di sektor UMKM saa yag dapat diadika respode. Total debitur yag meerima pembiayaa murabahah da Iarah sebayak 1053 debitur dega proporsi 756 orag peggua murbahah da 297 orag peggua Iarah. Peggua murabahah da Iarah terbagi meadi pegusaha UMKM sebayak 950 da karyawa 103 orag. Jumlah sample yag diguaka ditetapka berdasarka rumus Slovi dega Populasi 950 orag da tigkat kepercayaa 90% (α = 10%), maka didapat 91 respode yag aka diadika respode. N (2) 2 1 N( ) = sample N = populasi α = tigkat kesalaha (10%) Jumlah sample masig-masig produk ditetuka berdasarka quota samplig. Persetase populasi debitur murabahah sebesar 74% sehigga umlah sample debitur murabahah adalah 67 debitur. Persetase populasi debitur Iarah sebesar 26% sehigga umlah sample debitur Iarah adalah 24 debitur.
27 3.5 Metode Pegolaha da alisis Data 3.5.1 alisis Diskrimia Variabel prediktor pada peelitia ii meliputi faktor-faktor aalisis pembiayaa yag tercatum pada Formulir Permohoa Pembiayaa BMT l-fath IKMI. Formulir tersebut diisi oleh pemoho pembiayaa sehigga formulir tersebut memuat iformasi megeai debitur. Iformasi yag diberika debitur tersebut diadika variabel prediktor yag secara garis besar meggambarka Character, Capital, Capacity, Collateral, Coditio dari debitur. 3.5.2 Creditrisk+ Data yag dibutuhka utuk melakuka perhituga potesi kerugia dega metode creditrisk+ adalah data debitur yag melakuka pembiayaa dega skim murabahah da Iarah yag teragkum dalam bula Jauari 2012. Lagkah pegukura risiko dega metode creditrisk+ meurut Crouhy et al (2000) adalah 1. Data yag dibutuhka adalah exposure, probability default, default rate volatilities, recovery rate. 2. Membagi exposure atau loss give default (LGD) ke dalam beberapa kelas da beberapa bad. Pembagia kelas dapat disesuaika berdasarka exposure teredah da tertiggi. Pembagia exposure ke dalam bad dilakuka dega cara membagi exposure dega ilai kelas. Pembulata bad dilekuka berdasarka ketetua umum, ika lebih dari sama dega 0.5 maka dibulatka ke atas, sedagka kurag dari 0.5 dibulatka ke bawah. Data dibagi ke dalam empat kelas da sepuluh bad. 3. Meghitug Expected Loss dilakuka dega cara megkalika LGD setiap debitur di setiap bad dega Probability Default. Proses ii dapat diotasika sebagai berikut EL LGD PD 4. Meghitug expected umber of default dilakuka dega cara mecari ilai. Nilai dicari dega membagi expected loss total setiap bad dega bad. Proses tersebut diotasika sebagai berikut
28 EL. Expected Loss total ( EL ) didapatka dari L EL EL. : L L 5. Meetuka umlah debitur default dega megguaka sebara Poisso. Rumus sebara Poisso adalah Prob( default)= ket: e Prob( default): tigkat kepercayaa lebih dari sama dega 95% : expected umber of default e : agka atural (2.718281828) : umlah debitur default Sebara Poisso uga dapat dicari dega megguaka Miitab14 sehigga dapat lagsug ditemuka umlah debitur default pada tigkat kepercayaa lebih dari sama dega 95%. 6. Meghitug potesi kerugia dapat dicari dega megguaka rumus Potetial Loss= kelas k ) 3.5.3 alisis Deskriptif 10 k 4 1 k 1 ( L ( 5%) Real loss ilai alisis deskriptif adalah aalisis yag berfugsi utuk meelaska secara rici atau memberi gambara terhadap obek yag diteliti melalui data sebagaimaa adaya, tapa melakuka pegolaha data secara kuatitatif da membuat kesimpula yag sesuai yag berlaku umum.!