Analisis Kredit: 5C, Rasio Kredit, PD/LGD/EAD, dan Credit Scoring dari Nol

Seorang analis kredit di Bank Daerah membuka berkas pengajuan KUR (Kredit Usaha Rakyat) Rp 500 juta dari pemilik usaha tahu tempe di Banyumas. Di meja sebelahnya, koleganya mengurai ringkasan kredit Rp 500 miliar untuk sebuah emiten property di Bursa Efek Indonesia. Nilainya berbeda seribu kali lipat, tetapi pertanyaan dasar yang harus dijawab keduanya identik: “Kalau saya pinjamkan uang ini, apakah akan kembali — beserta bunganya — tepat waktu?”

Pertanyaan inilah inti dari analisis kredit (credit analysis): disiplin menilai kemampuan dan kesediaan peminjam untuk memenuhi kewajiban. Di permukaan terlihat seperti akal sehat — “kalau penghasilannya cukup, layak”. Tetapi di dunia nyata, peminjam yang berpenghasilan cukup sering gagal bayar, dan peminjam yang penghasilannya tipis justru selalu tepat waktu. Selisihnya terletak pada kombinasi karakter, kapasitas, modal, jaminan, dan kondisi — yang oleh industri perbankan dirangkum menjadi satu kerangka berusia lebih dari satu abad: 5C.

Artikel ini membongkar analisis kredit dari nol, melewati empat lapisan secara berurutan. Pertama, kerangka 5C sebagai alat kualitatif paling fundamental. Kedua, rasio kredit kuantitatif (DSCR, Debt/EBITDA, Interest Coverage) yang mengubah laporan keuangan menjadi sinyal numerik. Ketiga, kerangka PD/LGD/EAD dari perspektif manajemen risiko — yang dipakai bank untuk memprovisi kerugian. Keempat, credit scoring model berbasis logistic regression: cara modern mengubah puluhan faktor menjadi satu angka probabilitas gagal bayar. Setiap lapisan dilengkapi contoh hitung untuk dua kasus berbeda — UMKM KUR dan korporasi BEI.

Intuisi: Tiga Pertanyaan Saja

Setiap keputusan kredit, sekecil apa pun, bermuara pada tiga pertanyaan bertingkat:

1. Apakah peminjam mampu membayar? (kemampuan, ability to pay)
2. Apakah peminjam bersedia membayar? (kesediaan, willingness to pay)
3. Kalau tidak, apa cadangan kami? (jaminan, recovery)

Lapis pertama — kemampuan — dijawab dengan laporan keuangan dan rasio. Lapis kedua — kesediaan — dijawab dengan riwayat kredit dan penilaian karakter. Lapis ketiga — cadangan — dijawab dengan agunan dan struktur pinjaman. Kerangka 5C adalah cara sistematis untuk memastikan ketiganya diperiksa, tidak ada yang terlewat.

Lapis 1: Kerangka 5C

Lima huruf C — Character, Capacity, Capital, Collateral, Conditions — adalah checklist yang dipakai banker sejak era keuangan modern awal (abad ke-20) dan masih menjadi tulang punggung pelatihan kredit di seluruh dunia, termasuk sertifikasi LPKB (Lembaga Programmer dan Kurikum Bankir) dan CDCB (Certified Debt and Credit Banker) di Indonesia.

[ilustrasi «5c-framework» belum tersedia]

Mari kita bedah satu per satu.

1. Character — Apakah Peminjam Akan Membayar?

Character menilai kesediaan membayar, bukan kemampuan. Pertanyaannya bukan “berapa penghasilannya” melainkan “kalau kesulitan, apakah ia akan berusaha membayar, atau kabur?” Ini adalah lapis paling sulit diukur secara kuantitatif, tetapi paling menentukan.

Indikator yang dipakai banker Indonesia:

• BI Checking / SLIK OJK. Riwayat kredit peminjam di seluruh lembaga keuangan Indonesia, tercatat di SLIK (Sistem Layanan Informasi Keuangan) OJK. Performansi 1 (lancar) sampai 5 (macet). Sekali performansi 4 atau 5, kesulitan mendapat kredit baru di bank manapun selama beberapa tahun.
• Usia bisnis. UMKM yang beroperasi lebih dari 3 tahun punya karakter teruji — bertahan masa sulit. UMKM kurang dari 1 tahun sangat berisiko.
• Reputasi komunitas. Di KUR, mantri lapangan sering menanyakan ke tetangga dan ketua RT: “apakah peminjam ini jujur, dan apakah bisnisnya benar-benar jalan?”
• Catatan hukum. Pernah perkarakan? Ada putusan pengadilan yang belum dijalankan?

Jebakan utama Character: terlalu mengandalkan feeling. Bank modern memperketat ini dengan menambahkan skor kuantitatif berbasis riwayat (kapan terakhir telat bayar, berapa hari telat, berapa kali). Inilah cikal-bakal credit scoring model yang akan kita bangun di Lapis 4.

2. Capacity — Apakah Peminjam Mampu Membayar?

Capacity menilai kemampuan finansial membayar dari arus kas dan laba. Inilah lapis paling kuantitatif, dijawab dengan tiga rasio kredit utama (DSCR, Debt/EBITDA, Interest Coverage) yang akan kita hitung di Lapis 2.

Pertanyaan kunci Capacity:

• Berapa pendapatan dan laba tahunan?
• Berapa cicilan utang tahunan (pokok + bunga)?
• Berapa sisa setelah cicilan — untuk hidup peminjam (UMKM) atau capex (korporasi)?
• Apakah arus kas stabil, atau bergantung pada satu pelanggan besar / satu proyek?

Jebakan utama Capacity: memakai laba akuntansi, bukan kas. Sebuah UMKM bisa “lunas” Rp 50 juta setahun, tetapi kalau piutangnya belum tertagih, kas untuk bayar cicilan tidak ada. Inilah mengapa DSCR memakai CFADS (kas tersedia), bukan EBITDA mentah. Lihat kembali artikel DSCR Project Finance untuk bedah CFADS.

3. Capital — Berapa Kulit Peminjam di Dalam Game?

Capital menilai berapa besar uang peminjam sendiri yang ikut terlibat dalam bisnis atau pembelian. Bank tidak ingin 100% proyek didanai pinjaman — kalau rugi, peminjam tidak kehilangan apa-apa, dan insentif untuk berjuang menurun.

Untuk KPR rumah, ini adalah uang muka (down payment). Untuk KUR, ini adalah modal awal pemilik usaha. Untuk korporasi, ini adalah ekuitas di neraca.

Rasio yang sering dipakai:

• LTV (Loan-to-Value) untuk KPR/KKB: pinjaman ÷ nilai agunan. KPR DP 20% berarti LTV 80%. OJK mengatur batas maksimum LTV per jenis properti.
• D/E (Debt-to-Equity) untuk korporasi: total utang ÷ ekuitas. Bedah penuh di artikel Capital Structure.
• Modal sendiri minimum untuk KUR: Bank umumnya mensyaratkan minimal 10–25% modal sendiri dari total kebutuhan proyek.

Jebakan utama Capital: menghitung ekuitas dari nilai buku, bukan nilai pasar. Sebuah emiten property bisa punya ekuitas nilai buku Rp 5 triliun, tetapi kalau nilai wajar tanahnya sudah turun 40% sejak dibeli, ekuitas ekonomisnya jauh lebih tipis.

4. Collateral — Apa Cadangan Kalau Gagal?

Collateral (agunan) adalah aset yang diserahkan peminjam sebagai jaminan; bank bisa menjualnya kalau peminjam gagal bayar. Collateral bukan alasan untuk memberi kredit — karakter dan kapasitas masih yang utama — tetapi menentukan berapa besar kerugian bank jika terjadi gagal.

Jenis agunan di Indonesia:

• Tanah dan bangunan (SHM/SHGB). Paling lazim. Nilai taksasi bank biasanya 70–80% dari NJOP atau nilai pasar — itulah LTV collateral.
• BPKB kendaraan. Untuk KKB dan sebagian KUR. Taksasi 60–80% nilai pasar.
• Inventaris dan piutang (untuk korporasi). Lebih berisiko — nilai likuidasi rendah, biasanya diskonto 40–60%.
• Personal guarantee. Untuk UMKM sering ditambah jaminan pribadi pemilik — bukan agunan fisik, tetapi komitmen hukum.

Jebakan utama Collateral: mengira agunan = aman. Pertama, nilai likuidasi paksa bisa jauh di bawah nilai taksasi (lelang terpaksa diskon 20–40%). Kedua, waktu eksekusi agunan di Indonesia bisa bertahun-tahun melalui pengadilan negeri — kecuali dengan Pasal 56 UU HKI atau lelang eksekusi paripurna. Ketiga, agunan tidak menyelesaikan masalah karakter.

5. Conditions — Bagaimana Konteks Sekitarnya?

Conditions menilai faktor eksternal yang memengaruhi kemampuan bayar di masa depan — di luar kendali peminjam.

• Siklus industri. Peminjam UMKM kuliner di tengah pandemi = Conditions buruk. Emiten komoditas saat harga CPO naik = Conditions baik.
• Suku bunga makro. KUR bersubsidi (BI rate + 3% maksimum) lebih tahan terhadap kenaikan BI rate dibanding kredit komersial.
• Regulasi. Impor gula tiba-tiba dilarang — peminjam UMKM sirup terdampak. Atau sebaliknya, kebijakan hilirisasi tambang membuka pasar baru bagi emiten smelter.
• Tren makro. Inflasi makan daya beli konsumen UMKM ritel; pelemahan rupiah menekan emiten dengan utang USD.

Jebakan utama Conditions: mengabaikannya karena “di luar kendali peminjam”. Justru karena di luar kendali, Conditions bisa menggagalkan Character dan Capacity yang baik sekalipun. Analis yang baik selalu menambahkan uji tekanan (stress test): “kalau pendapatan turun 20%, apakah DSCR masih di atas 1,0?”

Tabel Ringkas 5C

Lapis 2: Tiga Rasio Kredit Kuantitatif

5C adalah kerangka kualitatif. Untuk mengubahnya menjadi keputusan, banker memakai tiga rasio numerik yang membaca laporan keuangan dari sudut pemberi pinjaman. Berbeda dari rasio profitabilitas (margin laba, ROE), rasio kredit fokus pada kemampuan membayar utang, bukan mencetak laba.

Rasio 1: DSCR — Debt Service Coverage Ratio

$$\text{DSCR} = \frac{\text{CFADS}}{\text{Pokok} + \text{Bunga}}$$

DSCR adalah rasio paling fundamental untuk kredit jangka panjang: berapa kali arus kas yang tersedia menutupi cicilan tahunan. Pembahasan penuh — termasuk CFADS, ambang covenant, LLCR — ada di artikel DSCR Project Finance. Di sini kita ringkas ambang lazim untuk konteks kredit:

DSCR di bawah 1,0 berarti kas tidak menutup cicilan = default teknis. Bank biasanya menolak, atau meminta restrukturisasi (perpanjang tenor, tambah ekuitas).

Rasio 2: Debt/EBITDA — Berapa Kali Laba Operasi Total Utangnya?

$$\text{Debt/EBITDA} = \frac{\text{Total Utang Berbunga}}{\text{EBITDA}}$$

Debt/EBITDA menjawab pertanyaan berbeda dari DSCR: kalau laba operasi tahunan dipakai seluruhnya untuk melunasi utang, berapa tahun yang dibutuhkan? Ini ukuran beban utang total (stock), bukan layanan utang tahunan (flow).

Penjelasan tiap lambang:

• Total Utang Berbunga = utang bank + obligasi + utang jangka panjang lain berbunga. Tidak termasuk utang usaha (trade payable) — itu bagian modal kerja operasional, bukan pendanaan.
• EBITDA = pendapatan − biaya operasi tunai (sebelum bunga, pajak, depresiasi). EBITDA dipakai sebagai proksi arus kas operasi mentah.

Ambang Debt/EBITDA lazim untuk korporasi BEI:

Untuk UMKM, perhitungannya sering disederhanakan: total utang ÷ laba bersih sebelum pajak. Bank mensyaratkan umumnya di bawah 4x untuk KUR dan di bawah 3x untuk kredit investasi.

Rasio 3: Interest Coverage Ratio — Berapa Kali Bunga Tertutup?

$$\text{Interest Coverage} = \frac{\text{EBIT}}{\text{Beban Bunga}}$$

Interest Coverage Ratio (ICR) menjawab: berapa kali laba operasi menutupi bunga tahunan? Beda dari DSCR: ICR tidak memasukkan pokok, dan memakai EBIT (setelah depresiasi), bukan CFADS. Fokusnya murni pada beban bunga — apakah operasi menghasilkan cukup untuk membayar bunga saja, sebelum membahas pokok.

Kenapa ICR penting? Karena bunga adalah beban wajib yang harus dibayar tiap periode, sedangkan pokok sering bisa direstrukturisasi (perpanjang tenor). Kalau ICR di bawah 1,0, perusahaan secara harfiah tidak mampu membayar bunga — dan harus berutang baru atau jual aset hanya untuk membayar bunga lama. Ini spiral ke arah bangkrut.

Ambang lazim:

Contoh Hitung: Korporasi BEI (PT Nusantara Property)

Mari terapkan tiga rasio pada satu emiten property fiktif (angka Rp miliar, ringkasan kredit FY2025):

Langkah 1 — EBITDA dan EBIT.

$$\text{EBITDA} = 1.500 - 950 = 550$$

$$\text{EBIT} = 550 - 100 = 450$$

Langkah 2 — DSCR (asumsi $\Delta WC = 0$, tanpa capex pemeliharaan signifikan). CFADS ≈ EBITDA − Pajak tunai − CapEx pemeliharaan. Untuk property, anggap capex pemeliharaan Rp 30 miliar.

$$\text{CFADS} = 550 - 79{,}2 - 30 = 440{,}8$$

$$\text{DSCR} = \frac{440{,}8}{60 + 90} = \frac{440{,}8}{150} = 2{,}94\text{x}$$

DSCR 2,94x sangat sehat untuk property — jauh di atas ambang 1,30x.

Langkah 3 — Debt/EBITDA.

$$\text{Debt/EBITDA} = \frac{900}{550} = 1{,}64\text{x}$$

Berada di kisaran investment-grade A–BBB.

Langkah 4 — Interest Coverage.

$$\text{ICR} = \frac{450}{90} = 5{,}0\text{x}$$

Lolos ambang investment-grade (≥ 4,0x). Tiga rasio berturut-turut menunjukkan struktur utang yang sehat. Tapi — selalu ada tapi — analis yang baik akan menanyakan: apakah EBITDA 550 berasal dari satu proyek presale yang akan selesai tahun depan? Kalau iya, run-rate EBITDA可持续 mungkin hanya 350, dan Debt/EBITDA melonjak ke 2,6x. Inilah mengapa Conditions (5C) selalu jadi modulator terakhir.

Contoh Hitung: UMKM KUR (Warung Kopi Sederhana)

Untuk UMKM, laporan keuangan sering lebih sederhana. Hitung dari catatan kasar pemilik warung kopi yang mengajukan KUR Rp 100 juta, tenor 5 tahun, bunga efektif 6% (KUR subsidi):

Langkah 1 — EBITDA dan EBIT.

$$\text{EBITDA} = 480 - 380 = 100$$

$$\text{EBIT} = 100 - 12 = 88$$

Langkah 2 — DSCR disesuaikan. Untuk UMKM, kas yang tersedia untuk bayar cicilan = EBITDA − penghasilan pemilik (karena pemilik butuh uang hidup, beda dari korporasi yang tidak “menggaji pemegang saham” dari CFADS).

$$\text{CFADS}_{\text{UMKM}} = 100 - 40 = 60$$

$$\text{DSCR} = \frac{60}{17{,}8 + 5{,}5} = \frac{60}{23{,}3} = 2{,}58\text{x}$$

Sehat untuk standar KUR (≥ 1,25x). Pemilik punya bantalan Rp 36,7 juta setelah cicilan.

Langkah 3 — Debt/EBITDA (sederhana).

$$\text{Debt/EBITDA} = \frac{110}{100} = 1{,}1\text{x}$$

Sangat rendah — UMKM ini tidak kelebihan utang.

Langkah 4 — ICR.

$$\text{ICR} = \frac{88}{5{,}5} = 16\text{x}$$

Bunga tidak menjadi beban — tipikal untuk KUR bersubsidi.

Tiga rasio menunjukkan UMKM ini layak. Tetapi analis KUR akan menanyakan: apakah omzet 480 konsisten (bukan musiman Lebaran saja)? Apakah pemilik punya BI Checking bersih (Character)? Inilah 5C bertemu rasio.

Lapis 3: PD, LGD, EAD, dan Expected Loss

Tiga rasio di Lapis 2 menjawab apakah layak diberi kredit. Sekarang kita pindah sudut pandang: sebagai bank yang sudah memberi ribuan pinjaman, beberapa pasti akan gagal. Berapa kerugian yang diharapkan? Inilah kerangka PD/LGD/EAD dari manajemen risiko kredit modern (didorong Basel II/III).

Empat lambang utama:

• PD (Probability of Default) = probabilitas peminjam gagal bayar dalam horizon waktu tertentu (biasanya 1 tahun). Antara 0 dan 1. Misal PD = 2% berarti dari 100 peminjam dengan profil serupa, diperkirakan 2 akan gagal dalam setahun ke depan.
• LGD (Loss Given Default) = proporsi paparan yang hilang saat gagal bayar, setelah dikurangi pemulihan dari agunan. Antara 0 dan 1. LGD = 40% berarti rata-rata bank kehilangan 40% dari saldo saat default, dan memulihkan 60% (mis. dari lelang agunan).
• EAD (Exposure at Default) = saldo pinjaman pada saat default terjadi, dalam Rupiah. Termasuk pokok terutang, bunga belum dibayar, dan bila ada, komitmen yang belum ditarik.
• EL (Expected Loss) = kerugian yang diharapkan dalam Rupiah, gabungan ketiganya.

Rumus induk:

$$\boxed{\text{EL} = \text{PD} \times \text{LGD} \times \text{EAD}}$$

Mengapa dikalikan, bukan dijumlahkan? Karena kita menghitung nilai harapan kerugian. PD adalah probabilitas event (default terjadi), LGD dan EAD adalah magnitudo kerugian jika event itu terjadi. Hasil kali ketiganya memberi rupiah kerugian rata-rata per fasilitas.

Contoh hitung untuk pinjaman KUR Rp 100 juta:

$$\text{EL} = 0{,}04 \times 0{,}35 \times 85\text{ juta} = \text{Rp 1{,}19 juta}$$

EL Rp 1,19 juta per fasilitas Rp 100 juta = 1,19% dari nilai awal pinjaman. Inilah biaya risiko yang harus diprovisi oleh bank sebagai CKPN (Cadangan Kerugian Penurunan Nilai) dan ditambahkan ke suku bunga yang ditagihkan ke peminjam. Logikanya: kalau bank meminjamkan 1.000 fasilitas KUR serupa, total EL = Rp 1,19 miliar, dan bunga yang ditagih harus menutupi ini plus biaya dana plus margin.

Untuk korporasi BEI dengan PD 1,5%, LGD 25%, EAD Rp 800 miliar:

$$\text{EL} = 0{,}015 \times 0{,}25 \times 800 = \text{Rp 3 miliar}$$

Persentase EL = 0,375% dari paparan. Jauh lebih rendah dari KUR — mengapa? Karena PD dan LGD sama-sama lebih rendah. Inilah mengapa kredit korporasi ber rating baik dapat bunga lebih rendah: beban EL mereka kecil.

PD, LGD, atau EAD — Mana yang Penting?

Ketiganya penting, tetapi kontribusinya pada EL berbeda tergantung profil peminjam:

• Untuk UMKM, PD dominan (4–8%) — LGD juga tinggi (40–60%) karena agunan lemah. EL bisa mencapai 2–4% paparan.
• Untuk korporasi investment-grade, PD rendah (0,3–1,5%) dan LGD rendah (20–35%). EL sangat tipis (< 0,5%).
• Untuk konsumen (Kartu Kredit), PD moderat (3–6%) dan LGD sangat tinggi (70–90%) — tidak ada agunan sama sekali. EL tinggi, sehingga bunga KKB 24–36% per tahun.

Inilah mengapa bunga kredit di Indonesia sangat bervariasi: tidak semata-mata bank “rakus” — EL yang berbeda menuntut harga risiko yang berbeda.

Lapis 4: Credit Scoring Model — Logistic Regression dari Nol

Sampai di sini kita membahas penilaian kualitatif (5C) dan rasio individual (DSCR, Debt/EBITDA, ICR). Tapi bank modern memproses ribuan pengajuan per bulan — manual tidak mungkin. Solusinya: credit scoring model yang mengubah puluhan faktor menjadi satu angka probabilitas gagal bayar (PD).

Pendekatan paling umum: logistic regression. Mari kita bangun dari nol dengan intuisi.

Intuisi: Dari Skor Mentah ke Probabilitas

Ide dasar credit scoring:

1. Identifikasi faktor-faktor prediktif (rasio keuangan, riwayat kredit, profil peminjam).
2. Beri setiap faktor bobot (weight) — seberapa kuat faktor itu memprediksi default.
3. Hitung skor mentah = jumlah tertimbang faktor-faktor.
4. Ubah skor mentah menjadi log-odds, lalu menjadi probabilitas gagal bayar (PD) lewat fungsi logistik.

Lewat langkah keempat inilah logistic regression mendapatkan namanya. Mari kita turunkan rumusnya.

Dari Log-Odds ke Probabilitas

Odds gagal bayar didefinisikan sebagai $\frac{p}{1-p}$, di mana $p$ = probabilitas default. Misal $p = 0{,}25$, maka odds $= 0{,}25/0{,}75 = 1/3$ — “1 banding 3 kemungkinan gagal”.

Log-odds (atau logit) adalah logaritma natural dari odds:

$$\text{logit}(p) = \ln\left(\frac{p}{1-p}\right)$$

Asumsi logistic regression: log-odds adalah fungsi linear dari faktor-faktor:

$$\ln\left(\frac{p}{1-p}\right) = \beta_0 + \beta_1 x_1 + \beta_2 x_2 + \dots + \beta_k x_k$$

di mana $x_i$ = nilai faktor ke-$i$, $\beta_i$ = bobot (koefisien) yang dipelajari dari data historis, dan $\beta_0$ = intersep (bias).

Membalik persamaan untuk mendapatkan $p$ (ini inversi logit):

$$\boxed{p = \frac{1}{1 + e^{-(\beta_0 + \beta_1 x_1 + \dots + \beta_k x_k)}}}$$

Inilah fungsi logistik (sigmoid). Output selalu di antara 0 dan 1, cocok untuk probabilitas.

Model Sederhana: 6 Faktor untuk UMKM

Mari bangun model dengan 6 faktor prediktif untuk pengajuan KUR UMKM. Koefisien ($\beta$) berikut adalah angka ilustratif — di praktik nyata di- fit dari data historis bank dengan ribuan pengamatan (default vs non-default).

Catat: bobot negatif berarti faktor tersebut menurunkan probabilitas default (baik), bobot positif menaikkan (buruk).

Contoh Hitung: Warung Kopi dari Lapis 2

Kita hitung ulang faktor untuk warung kopi KUR (DSCR 2,58, Debt/EBITDA 1,1, usia 4 tahun, performansi SLIK 1, CR 1,8, CV omzet 0,15):

Langkah 1 — Skor mentah (log-odds).

$$\begin{aligned} z = & -2{,}50 + (-0{,}80)(2{,}58) + (0{,}30)(1{,}1) + (-0{,}45)\ln(4) \\ & + (0{,}55)(1) + (-0{,}25)(1{,}8) + (0{,}90)(0{,}15) \\ = & -2{,}50 - 2{,}06 + 0{,}33 - 0{,}62 + 0{,}55 - 0{,}45 + 0{,}14 \\ = & -4{,}61 \end{aligned}$$

Langkah 2 — Probabilitas default (PD).

$$p = \frac{1}{1 + e^{-(-4{,}61)}} = \frac{1}{1 + e^{4{,}61}} = \frac{1}{1 + 100{,}5} = 0{,}00985 \approx 0{,}99\%$$

PD 0,99% — sangat rendah. Warung kopi ini berada di kategori risiko sangat baik.

Langkah 3 — Mapped ke grade kredit. Bank biasanya memetakan PD ke grade dan keputusan:

Warung kopi dengan PD 0,99% jatuh di grade A → approve dengan suku bunga terbaik.

Mengapa Logistic Regression, Bukan Linear Regression?

Pertanyaan wajar: mengapa tidak memakai linear regression biasa $p = \beta_0 + \sum \beta_i x_i$? Tiga alasan:

1. Linear regression bisa menghasilkan $p < 0$ atau $p > 1$. Tidak ada makna probabilitas negatif atau di atas 100%. Logistic regression menjamin output di [0, 1].
2. Hubungan faktor-default biasanya nonlinear. DSCR 1,0 → 1,5 mengurangi PD jauh lebih besar daripada DSCR 5,0 → 5,5. Logistic menangkap efek saturasi ini.
3. Linear regression mengasumsikan residual normal, yang salah untuk variabel biner (default atau tidak). Logistic secara eksplisit memodelkan Bernoulli.

Dalam praktiknya, koefisien $\beta$ di-fit memakai maximum likelihood estimation dari data historis — bank mengumpulkan data ribuan peminjam beserta label default/tidak default selama 3–5 tahun, lalu menjalankan regresi. Hasilnya model seperti di atas, dengan koefisien yang berbeda per segmen (KUR mikro berbeda dari korporasi).

Skor Mentah Alternatif: Sistem Poin (Scorecard)

Bank sering menyajikan model sebagai scorecard — sistem poin yang lebih mudah dimengerti analis lapangan. Logikanya: bagi rentang setiap faktor menjadi kategori, beri poin berdasarkan log-odds. Skor total lalu dipetakan ke grade.

Contoh scorecard sederhana untuk KUR UMKM (skala poin 0–100, lebih tinggi = lebih baik):

Untuk warung kopi: DSCR 2,58 (poin 22) + Debt/EBITDA 1,1 (poin 18) + usia 4 tahun (poin 16) + SLIK 1 (poin 25) + CR 1,8 (poin 15) = poin 96. Skor 96 berada di grade A — keputusan approve, sesuai dengan output model logistic.

Scorecard seperti ini lebih transparan dan mudah dijelaskan ke calon peminjam. Logistic regression memberikan dasar kuantitatif untuk menghitung poin — poin dan bobot $\beta$ berhubungan secara monotop lewat transformasi linear.

Bereksperimen Sendiri

Workbook Excel pendamping artikel ini menghitung semua angka di atas dengan rumus hidup — ubah satu input, semua sel menghitung ulang. Lembar-lembarnya:

• 1_PETUNJUK — ringkasan rumus, legenda warna, dan alur penggunaan.
• 2_INPUT_UMKM — data warung kopi KUR: omzet, biaya, bunga, pokok, usia bisnis, performansi SLIK. Sel biru bisa diubah.
• 3_INPUT_KORPORASI — data emiten property BEI: EBITDA, bunga, pokok, total utang. Sel biru bisa diubah.
• 4_RASIO_KREDIT — hitung otomatis DSCR, Debt/EBITDA, ICR untuk kedua kasus, plus verdict berwarna (sehat / waspada / bahaya).
• 5_DSCR_CALCULATOR — kalkulator DSCR tahunan multi-tahun: masukkan CFADS dan layanan utang 5 tahun, dapatkan DSCR minimum, rata-rata, dan verdict covenant.
• 6_CREDIT_SCORING — model logistic regression 6-faktor. Skor mentah (log-odds) → PD otomatis via fungsi sigmoid =1/(1+EXP(-z)). Pemetaan grade A–E dan keputusan approve/reject otomatis.
• 7_SCORECARD — versi poin 0–100 yang lebih mudah dipakai analis lapangan, plus grade.
• 8_EL_CALCULATOR — kalkulator Expected Loss: masukkan PD, LGD, EAD, dapatkan EL dalam Rupiah dan persentase paparan.

Coba ubah DSCR warung kopi di sheet 2_INPUT_UMKM dari 2,58 menjadi 1,15 (omzet merosot). Lihat di sheet 6_CREDIT_SCORING bagaimana PD melonjak dari 0,99% menjadi ~12% — grade turun dari A ke D, keputusan berubah dari approve menjadi review manual komite. Atau di sheet 8_EL_CALCULATOR, ubah LGD dari 35% menjadi 80% (tidak ada agunan) — lihat EL melonjak 2,3 kali. Ini cara terbaik membangun intuisi tentang seberapa peka keputusan kredit terhadap setiap faktor.

Dipakai di Dunia Nyata

• SLIK OJK dan BI Checking. Setiap fasilitas kredit di lembaga keuangan Indonesia dilaporkan ke SLIK OJK. Calon peminjam dapat mengecek riwayatnya sendiri gratis melalui IDCek. Performansi SLIK adalah faktor paling berbobot di hampir semua model scoring konsumer dan UMKM.
• KUR (Kredit Usaha Rakyat). Program pemerintah dengan suku bunga subsidi (efektif 6% per tahun), plafon hingga Rp 500 juta per debitur, diteruskan melalui BUMN penyalur (BRI, Mandiri, BNI, BTN) dengan penjaminan Jamkrindo/Askrindo. Karena ada penjamin, LGD efektif untuk bank rendah — sehingga KUR bisa diberikan ke UMKM yang sebelumnya tidak bankable.
• Penilaian kredit korporasi BEI. Emiten publik diberi peringkat oleh lembaga pemeringkat (PEFINDO, ICRA Indonesia). Peringkat didasarkan pada analisis 5C plus rasio kuantitatif. Investor memakai peringkat untuk menilai risiko obligasi.
• CKPN dan Basel III. Bank di Indonesia memprovisi CKPN berdasarkan kerangka Expected Loss PD/LGD/EAD, mengikuti POJK 17/2023 (implementasi Basel III). Bank dengan pendekatan internal rating (IRB) menggunakan model logistic regression mereka sendiri untuk menghitung PD per segmen.
• Fintech P2P lending. Platform pinjaman online memakai model credit scoring berbasis machine learning (logistic regression, gradient boosting, neural network) dengan faktor alternatif: perilaku di app, riwayat pembayaran pulsa, GPS, dll. PD per kategori dipublikasikan di laporan OJK bulanan.

Kesalahan Umum

Mengandalkan satu rasio saja. Debt/EBITDA saja, atau DSCR saja, tidak cukup. Setiap rasio membaca sudut berbeda: Debt/EBITDA = beban utang total, DSCR = layanan utang tahunan, ICR = kemampuan bayar bunga. Selalu periksa ketiganya bersamaan.

Mencampur laba dan kas. DSCR memakai CFADS (kas), bukan EBITDA (laba operasi). EBITDA belum mengurangi pajak tunai, capex pemeliharaan, dan perubahan modal kerja — memakainya langsung sebagai pembilang DSCR menghasilkan angka terlalu optimis. Lihat kembali artikel DSCR Project Finance.

Mengabaikan Conditions dalam scoring. Model logistic memakai data historis — kalau tren makro bergeser (mis. resesi baru), PD yang diprediksi dari data lama bisa gagal. Stress test wajib: model ulang dengan asumsi EBITDA turun 20%, bunga naik 200 bps.

Menganggap agunan = tanpa risiko. LGD ≠ 0 walau agunan SHM sekalipun. Nilai likuidasi paksa, biaya lelang, waktu eksekusi, dan risiko hukum selalu menyisakan kerugian. LGD realistis untuk agunan baik pun jarang di bawah 20%.

Menyamakan PD individu dengan EL portofolio. PD satu peminjam adalah probabilitas default. EL = PD × LGD × EAD memberi rupiah kerugian yang diharapkan. Tetapi EL portofolio tidak menjumlahkan EL individu begitu saja — diversifikasi dan korelasi antar peminjam harus diperhitungkan (inilah yang diatur oleh model Basel lebih lanjut, lewat Unexpected Loss dan VaR kredit).

Tidak memvalidasi model. Model scoring harus di- backtest secara berkala: bandingkan PD yang diprediksi dengan default aktual. Kalau model memprediksi PD 4% untuk segmen tertentu, tetapi default aktual 8%, model perlu di-fit ulang. POJK mewajibkan validasi tahunan.

Cek Pemahaman

1. Sebuah pengajuan KUR memiliki CFADS Rp 60 juta/tahun, layanan utang Rp 40 juta/tahun, total utang berbunga Rp 110 juta, EBITDA Rp 100 juta, EBIT Rp 88 juta, beban bunga Rp 5,5 juta. Hitung DSCR, Debt/EBITDA, dan ICR. Apakah tiga rasio memberi sinyal yang konsisten?

Lihat jawaban

• DSCR = 60 / 40 = 1,50x (sehat untuk KUR)
• Debt/EBITDA = 110 / 100 = 1,10x (sangat rendah, leverage aman)
• ICR = 88 / 5,5 = 16,0x (sangat kuat)

Tiga rasio konsisten: leverage rendah, layanan utang tertutup dengan bantalan, bunga bukan beban. Sinyal approve kuat — kecuali ada masalah Character (riwayat SLIK buruk) atau Conditions (industri terdampak regulasi), yang harus diperiksa secara terpisah.

2. Bank meminjamkan Rp 200 juta ke UMKM dengan PD 5%, LGD 50%, EAD Rp 180 juta saat default. Berapa EL dalam Rupiah dan persentase nilai awal pinjaman? Berapa CKPN yang harus diprovisi bank untuk satu fasilitas ini?

Lihat jawaban

$$\text{EL} = 0{,}05 \times 0{,}50 \times 180 = \text{Rp 4{,}5 juta}$$

Persentase terhadap nilai awal pinjaman Rp 200 juta = 4,5 / 200 = 2,25%. Bank harus memprovisi minimal Rp 4,5 juta sebagai CKPN untuk fasilitas ini. Kalau bank meminjamkan 1.000 fasilitas serupa, total EL = Rp 4,5 miliar — harus ditutupi oleh margin bunga di atas biaya dana.

3. (Transfer.) Sebuah model credit scoring logistic regression memprediksi PD 1,5% untuk sebuah peminjam korporasi. Setelah satu tahun, ternyata peminjam default. Apakah ini berarti model salah? Jelaskan.

Lihat jawaban

Belum tentu. PD 1,5% berarti dari 100 peminjam dengan profil serupa, diperkirakan 1–2 akan default dalam setahun. Default satu peminjam bisa saja konsisten dengan prediksi — ia bisa jadi peminjam yang “apes” dari 1,5%. Yang harus dievaluasi bukan default individu, tetapi default rate aktual agregat untuk segmen PD 1,5%: kalau dari 1.000 peminjam segmen ini, aktualnya 50 default (5%), model under-predict dan perlu di-fit ulang. Kalau aktual 12–18 default (1,2–1,8%), model konsisten. Ini perbedaan kunci antara memvalidasi probabilitas individu vs distribusi portofolio.

4. Mengapa logistic regression dipilih untuk credit scoring, bukan linear regression? Sebutkan tiga alasan konkret.

Lihat jawaban

1. Linear regression bisa menghasilkan PD < 0 atau > 1 — tidak masuk akal sebagai probabilitas. Logistic menjamin output di [0, 1] lewat fungsi sigmoid.
2. Hubungan faktor-default biasanya nonlinear dan saturating (mis. DSCR 5 ke 10 hampir tidak mengurangi PD lebih lanjut, sementara 1,0 ke 1,5 mengurangi drastis). Logistic menangkap efek saturasi.
3. Linear regression mengasumsikan residual berdistribusi normal — asumsi yang salah untuk variabel biner (default/tidak default). Logistic secara eksplisit memodelkan distribusi Bernoulli.

Lanjutan

• DSCR Project Finance — bedah lengkap CFADS, ambang covenant, LLCR/PLCR untuk kredit proyek infrastruktur.
• Capital Structure — bagaimana analisis kredit berhubungan dengan keputusan struktur modal korporat (trade-off theory, pecking order, tax shield).
• Working Capital — modal kerja sebagai indikator Capacity untuk kredit jangka pendek: CCC yang memburuk sering jadi alasan penolakan kredit.
• Sensitivity & Scenario Analysis — stress test DSCR yang diminta banker sebagai bagian dari penilaian Conditions.

Setelah menguasai analisis kredit, Anda siap masuk ke topik lanjutan: struktur perjanjian kredit (covenants, syndication, security), model pemeringkat kredit korporat, dan manajemen portofolio kredit berbasis Basel III.