PENDAHULUAN

Perkembangan ekonomi yang semakin pesat tidak hanya membawa peluang bagi bisnis perbankan, tapi juga risiko yang semakin besar. Risiko usaha bank didefinisikan sebagai tingkat ketidakpastian mengenai pendapatan yang diperkirakan akan diterima. Risiko usaha yang dapat dihadapi bank antara lain risiko kredit, risiko investasi, risiko likuiditas, dan lain-lain. Risiko kredit ternyata merupakan perkara besar bagi dunia perbankan. Oleh karena itu risiko kredit perlu mendapat perhatian khusus dan serius, karena setiap dollar yang tidak tertagih menjadi macet dan akan berdampak negatif terhadap kondisi perbankan. Oleh karena itu dilakukan analisis untuk mengetahui faktor-faktor apa saja yang berpengaruh terhadap resiko kredit. Diharapkan dengan adanya analisis ini dapat membantu perbankan dalam menentukan kreditur banknya.

METODOLOGI PENELITIAN

Data yang digunakan dalam analis ini yaitu “German Credit Risk” yang diambil dari kaggle. Data ini terdiri dari 9 variabel dengan 6 variabel kategorik dan sisanya numerik. Variabel tersebut yaitu sebagai berikut.

  1. Credit Amount (variabel respon)
  2. Age
  3. Duration
  4. Job : 4 kategorik (0,1,2,3)
  5. Sex : 2 kategorik (Male, Female)
  6. Housing : 3 kategorik (Own, Free, Rent)
  7. Saving Accounts : 3 kategorik (moderate, rich, quite rich)
  8. Checking Accounts : 2 kategork (moderate, rich)
  9. Purpose : 7 kategorik

DATA

data <- read.csv("germancredit1.csv", sep=";")
head(data)
##   Age Credit.amount Duration Job    Sex Housing Saving.accounts
## 1  22          5951       48   2 female     own          little
## 2  45          7882       42   2   male    free          little
## 3  53          4870       24   2   male    free          little
## 4  35          6948       36   3   male    rent          little
## 5  28          5234       30   3   male     own          little
## 6  25          1295       12   2 female    rent          little
##   Checking.account             Purpose
## 1         moderate            radio/TV
## 2           little furniture/equipment
## 3           little                 car
## 4         moderate                 car
## 5         moderate                 car
## 6         moderate                 car

ANALISIS

library(plotly)
## Loading required package: ggplot2
## 
## Attaching package: 'plotly'
## The following object is masked from 'package:ggplot2':
## 
##     last_plot
## The following object is masked from 'package:stats':
## 
##     filter
## The following object is masked from 'package:graphics':
## 
##     layout
library(datasets)
library(ggplot2)
library(tidyr)
library(dplyr)
## 
## Attaching package: 'dplyr'
## The following objects are masked from 'package:stats':
## 
##     filter, lag
## The following objects are masked from 'package:base':
## 
##     intersect, setdiff, setequal, union
library(ggplot2)

1. EKSPLORASI DATA

>> Age
    ggplot(data, aes(Age)) + geom_histogram(binwidth=4, colour="black", fill="green") +
      labs(x= "Age",y= "Frequency" , title = "Plot of Age")

Berdasarkan histogram Age diatas menunjukkan bahwa mayoritas orang yang memiliki resiko kredit di Jerman yaitu orang yang berusia 20-40 tahun.

>> Sex
ggplot(data, aes(Sex) ) + geom_bar(aes(fill = as.factor(data$Sex))) + 
  scale_fill_discrete(name="Sex",
                      labels=c( "Female","Male")) + 
  theme(axis.text.x=element_blank(),
        axis.ticks.x=element_blank()) +
  labs(x= "Sex",y= "Frequency" , title = "Plot of Sex")

Dari plot jenis kelamin menunjukkan bahwa wanita (female) lebih banyak melakukan kredit daripada laki-laki. Jumlah kreditur wanita di Jerman hampir sebanyak 2 kali kreditur laki-laki.

>> Purpose
ggplot(data, aes(Purpose) ) + geom_bar(aes(fill = as.factor(data$Purpose))) + 
  scale_fill_discrete(name="Purpose of Loan",
                      labels=c( "Business","Car", "Domestic Appliances","Education","Furniture/Equipment","Radio/TV","Repairs","Vacation/Others")) + 
  theme(axis.text.x=element_blank(),
        axis.ticks.x=element_blank()) +
  labs(x= "Purpose of Loan",y= "Frequency" , title = "Plot of Loan Purpose")

Grafik diatas menunjukkan tujuan kreditur melakukan peminjaman uang. Alasan melakukan peminjaman uang terbanyak secara berturut-turut yaitu untuk keperluan repairs, furnituer, pendidikan, bisnis, dan lain-lain. Repairs atau perbaikan rumah merupakan tujuan terbanyak kreditur Jerman melakukan peminjaman uang.

>> Saving Accounts
ggplot(data, aes_string(x=data$Saving.accounts, y =data$Credit.amount, fill=data$Saving.accounts)) + geom_boxplot()

>> Housing
ggplot(data, aes(x="", y=data$Housing,fill=data$Housing))+
  geom_bar(width = 1,stat="identity")+
  theme_void()+
  theme(axis.line = element_blank(), 
        plot.title = element_text(hjust=0.5))+
  coord_polar("y", start=0)

2. Statistika Deskriptif

    sdata=data[,1:3]
    summary(sdata)
##       Age        Credit.amount      Duration    
##  Min.   :19.00   Min.   :  276   Min.   : 6.00  
##  1st Qu.:26.00   1st Qu.: 1298   1st Qu.:12.00  
##  Median :31.50   Median : 2326   Median :18.00  
##  Mean   :34.89   Mean   : 3279   Mean   :21.34  
##  3rd Qu.:41.00   3rd Qu.: 3971   3rd Qu.:26.75  
##  Max.   :75.00   Max.   :18424   Max.   :72.00

Berdasarkan output statistika deskriptif diatas menunjukkan bahwa rata-rata orang yang melakukan kredit di Jerman yaitu orang yang berumur 31 tahun dengan kreditur paling muda berumur 19 tahun dan yang paling tua berumur 75 tahun. Jumlah kredit yang dilakukan penduduk Jerman paling sedikit sebesar 276 dan paling banyak sebesar 18424 dengan durasi pengembalian paling lama 72 bulan atau 6 tahun.

3. Korelasi

    kore <- data[,c(1:3)]
    cor(kore)
##                       Age Credit.amount    Duration
## Age           1.000000000    0.08201393 0.001548979
## Credit.amount 0.082013934    1.00000000 0.613297863
## Duration      0.001548979    0.61329786 1.000000000

Dari output korelasi diatas credit amout dan duration memiliki korelasi yang cukup tinggi yaitu sebesar 0.613. Hal ini menunjukkan adanya hubungan antara jumlah kredit yang dilakukan oleh kreditur terhadap lama waktu pengembaliannya.

4. Regresi

    data$Sex=factor(data$Sex,
                    levels = c("male","female"),
                    labels = c(1,2))
    data$Job=factor(data$Job,
                    levels = c("0","1","2","3"),
                    labels = c(0,1,2,3))
    data$Housing=factor(data$Housing,
                        levels = c("free","own","rent"),
                        labels = c(1,2,3))
    data$Saving.accounts=factor(data$Saving.accounts,
                                levels = c("little","moderate","rich","quite rich"),
                                labels = c(1,2,3,4))
    data$Checking.account=factor(data$Checking.account,
                                 levels = c("little","moderate","rich"),
                                 labels = c(1,2,3))
    data$Purpose=factor(data$Purpose,
                        levels = c("business","domestic appliances","education","furniture/equipment", "radio/TV", "vacation/other", "repairs", "car"),
                        labels = c(1,2,3,4,5,6,7,8))
    linreg= lm(formula = Credit.amount ~ ., data = data)
    summary(linreg)
## 
## Call:
## lm(formula = Credit.amount ~ ., data = data)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -5414.2 -1122.9  -298.1   725.5 11758.5 
## 
## Coefficients:
##                    Estimate Std. Error t value Pr(>|t|)    
## (Intercept)        -524.476    835.727  -0.628   0.5306    
## Age                   7.809      8.328   0.938   0.3489    
## Duration            125.032      7.809  16.012  < 2e-16 ***
## Job1                759.763    591.399   1.285   0.1995    
## Job2                945.791    573.777   1.648   0.0999 .  
## Job3               2421.604    612.002   3.957 8.71e-05 ***
## Sex2               -148.738    199.593  -0.745   0.4565    
## Housing2           -251.456    312.389  -0.805   0.4212    
## Housing3             19.779    356.848   0.055   0.9558    
## Saving.accounts2   -450.505    289.415  -1.557   0.1202    
## Saving.accounts3   -343.874    440.686  -0.780   0.4356    
## Saving.accounts4    -77.124    441.861  -0.175   0.8615    
## Checking.account2   492.624    201.594   2.444   0.0149 *  
## Checking.account3  -166.081    314.048  -0.529   0.5972    
## Purpose2          -1221.220    881.364  -1.386   0.1665    
## Purpose3           -260.913    484.524  -0.538   0.5905    
## Purpose4           -146.750    356.947  -0.411   0.6812    
## Purpose5           -877.915    339.864  -2.583   0.0101 *  
## Purpose7             15.080    618.889   0.024   0.9806    
## Purpose8            210.675    331.197   0.636   0.5250    
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 2017 on 493 degrees of freedom
##   (9 observations deleted due to missingness)
## Multiple R-squared:  0.4691, Adjusted R-squared:  0.4487 
## F-statistic: 22.93 on 19 and 493 DF,  p-value: < 2.2e-16

UJI SERENTAK

Berdasarkan pengujian serentak didapatkan nilai P-value sebesar 2.2e-16. Nilai tersebut kurang dari taraf signifikansi sebesar 5%. Jadi dapat simpulkan bahwa variabel dalam penelitian ini berpengaruh signifikan terhadap jumlah kredit (credit amount)

UJI PARSIAL

Dari pengujian parsial didapatkan variabel yang signifikan yaitu variabel Duration, Job 3, Checking Accounts2, Purpose 5 karena memiliki nilai P-value kurang dari tarafsignifikansi 5%.

MODEL REGRESI

credit amount = -524.476 + 125.032 Duration + 2421.604 Job3 + 492.624 checking account2 - 877.915 purpose5

Saran

Berdasarkan analisis faktor faktor yang mempengaruhi resiko kredit di jerman, saran yang dapat diberikan yaitu sebagai berikut.

  1. Sebaiknya debitur mengetahui riwayat hidup kreditur sebelum melakukan transaksi peminjaman

  2. Semakin banyak jumlah kredit yang diberikan, maka semakin lama pula durasi waktu pengembaliannya. Hal ini ditunjukkan dari nilai korelasi yang tinggi serta hasil pengujian parsial yang menunjukkan bahwa durasi pengembalian berpengaruh signifikan terhadap jumlah kredit

  3. Hasil penelitian resiko kredit di Jerman sebaiknya diperhatikan pula oleh kreditur di Indonesia sebagai bahan pertimbangan melakukan proses kredit untuk menghindari kredit macet.