FEB UNDIP · Analisis Kredit dan Pembiayaan

Analisis Kredit dan Pembiayaan

Pertemuan 11 · Perbandingan Jenis Kredit & Evaluasi Sistem Penilaian

Mengapa tiga jenis kredit dianalisis dengan cara berbeda, dan bagaimana menilai apakah sistem penilaian — dari 5C manual sampai credit scoring statistik — benar-benar efektif.

RPS Minggu 12 · Sub-CPMK 1.6 & 3.4 · 2 × 50 menit

Selamat datang di Pertemuan 11. Sampai sekarang, Anda sudah mengenal apa itu kredit, prinsip 5C, jenis-jenis kredit, dan bagaimana risiko kredit dikelola. Hari ini kita mendalami dua hal sekaligus yang sangat menentukan keberhasilan seorang analis. Pertama, kita pertajam pemahaman bahwa kredit konsumsi, modal kerja, dan investasi bukan sekadar tiga nama berbeda — ketiganya menuntut cara analisis, tenor, dan sumber pelunasan yang berbeda, dan seorang analis yang menyamakannya akan sering salah menilai. Kedua, kita naik satu tingkat dari sekadar "menilai" menjadi "mengevaluasi alat penilaian itu sendiri": apakah sistem yang dipakai bank sudah akurat, objektif, efisien, dan mampu memprediksi gagal bayar. Siapkan kalkulator Anda, karena hari ini Anda akan menghitung skor kredit seorang pemohon dengan kartu skor sungguhan, lalu melihat sendiri apa yang terjadi ketika garis batas setuju-tolak digeser.

Tujuan Pembelajaran Hari Ini

Setelah pertemuan ini, Anda diharapkan mampu menganalisis perbedaan tiga jenis kredit dan mengevaluasi efektivitas sistem penilaian kredit (Sub-CPMK 1.6 & 3.4). Secara rinci:

Capaian 1 & 2 — Jenis Kredit

Tiga Jenis Kredit

Membandingkan kredit konsumsi, modal kerja, dan investasi lewat tujuan, tenor, sumber pelunasan, fokus 5C, dan profil risiko. Lalu mengklasifikasikan kasus pengajuan ke jenis yang tepat dengan justifikasi.

Capaian 3 — Hitung Skor

∑

Scorecard Berbobot

Menghitung skor kredit satu pemohon dengan scorecard berbobot dan membandingkannya terhadap cut-off — tanpa kesalahan aritmetika.

Capaian 4 — Evaluasi Sistem

Kriteria Efektivitas

Mengevaluasi sistem penilaian berdasarkan akurasi, objektivitas, efisiensi, dan kemampuan prediksi, serta menganalisis trade-off Type I / Type II error saat cut-off digeser.

Daftar Periksa Anda

✓

Sub-CPMK 1.6 & 3.4

Di akhir kelas, cek sendiri: bisa jelaskan empat poin ini dengan kalimat sendiri? Kalau ya, Anda menguasai pertemuan ini.

Tiga Pemohon, Tiga Dunia yang Berbeda

Tiga orang masuk ke bank yang sama hari ini. Apakah analis menilai mereka dengan kacamata yang sama? Tidak.

Pemohon A — Karyawan

KPR

Rp 600 juta (ilustratif)

Beli rumah. Yang ditanya analis: gaji tetap? cicilan lain? skor SLIK?

Kata kunci: bayar dari gaji.

Pemohon B — Pedagang

KMK

Rp 200 juta (ilustratif)

Tambah stok dagangan jelang Lebaran. Yang ditanya: perputaran barang? siklus kas?

Kata kunci: bayar dari penjualan.

Pemohon C — Pabrik

Rp 5 miliar (ilustratif)

Beli mesin baru. Yang ditanya: proyeknya untung? arus kas 5 tahun ke depan?

Kata kunci: bayar dari arus kas proyek.

Tiga pemohon, tiga jenis kredit (konsumsi, modal kerja, investasi), dan tiga fokus analisis yang sama sekali berbeda. Menyamakan ketiganya = resep salah menilai.

Saya ingin membuka pertemuan ini dengan satu gambaran yang akan menempel di kepala Anda. Bayangkan tiga orang masuk ke kantor cabang bank yang sama pada hari yang sama: seorang karyawan ingin KPR, seorang pedagang ingin tambahan modal jelang Lebaran, dan seorang pemilik pabrik ingin membeli mesin baru. Pertanyaan kunci hari ini: apakah analis kredit menilai ketiganya dengan kacamata yang sama? Jawabannya tegas tidak — untuk si karyawan, fokusnya pada stabilitas gaji dan riwayat SLIK; untuk si pedagang, fokusnya pada seberapa cepat barangnya berputar menjadi kas; untuk si pemilik pabrik, fokusnya pada apakah proyek mesin itu menghasilkan arus kas selama bertahun-tahun ke depan. Inilah inti pendalaman kita di Blok 1: tiga jenis kredit menuntut tiga fokus analisis yang berbeda, dan kesalahan paling fatal seorang analis pemula adalah memperlakukan semua kredit dengan satu daftar periksa yang seragam.

Bagian 1 dari 4

Tiga Jenis Kredit —
Bukan Sekadar Nama Berbeda

Kredit konsumsi, modal kerja, dan investasi dibedakan oleh tujuan, sumber pelunasan, tenor, fokus 5C, dan profil risiko. Lalu kita uji dengan lima kasus nyata.

Konsumsi Modal Kerja Investasi

Kredit Konsumsi — Membeli, Bukan Memutar

Kredit untuk membeli barang/jasa konsumtif yang tidak langsung menghasilkan pendapatan. Pelunasan berasal dari penghasilan tetap peminjam, bukan dari objek yang dibeli.

Ciri Utama

Gaji

Sumber pelunasan

Tujuan = konsumsi (rumah, mobil, gadget, pendidikan)
Sumber pelunasan = gaji/penghasilan rutin
Tenor: pendek–panjang (KPR ≤ 15–20 tahun)
Dana tidak memutar usaha

Fokus Analisis 5C

C + C

Character & Capacity

Character: riwayat SLIK bersih, rekam jejak bayar
Capacity: rasio angsuran/penghasilan (DBR) sehat
Agunan sering = objek yang dibeli (rumah/mobil)
Yang dinilai: kemampuan bayar dari gaji

Contoh produk: KPR, KKB (Kredit Kendaraan Bermotor), kartu kredit, kredit multiguna. Kunci: bank tidak ingin menyita rumah Anda — bank ingin Anda membayar dari gaji.

Kita mulai dari jenis yang paling dekat dengan kehidupan Anda sebagai mahasiswa: kredit konsumsi. Inti kredit konsumsi adalah dana dipakai untuk membeli sesuatu yang dikonsumsi — rumah untuk ditinggali, mobil untuk dipakai, atau biaya pendidikan — bukan untuk diputar menjadi usaha. Karena objek yang dibeli tidak menghasilkan uang, sumber pelunasannya bukan dari objek itu, melainkan dari penghasilan rutin peminjam, biasanya gaji. Maka fokus analisis bergeser tegas ke dua C: Character, yaitu rekam jejak pembayaran yang sekarang sangat mudah dicek lewat SLIK OJK, dan Capacity, yaitu apakah penghasilan cukup untuk menanggung cicilan, yang diukur dengan rasio beban utang atau DBR. Ingat baik-baik: pada kredit konsumsi, agunan seperti rumah memang ada, tetapi bank tidak ingin menyita rumah Anda — bank ingin Anda membayar dari gaji, sehingga kemampuan bayar dari penghasilanlah yang paling utama dinilai.

Kredit Modal Kerja — Memutar Roda Operasi

Kredit untuk membiayai kebutuhan operasional jangka pendek: membeli bahan baku, stok dagangan, menalangi piutang. Pelunasan berasal dari perputaran usaha itu sendiri.

Ciri Utama

Perputaran

Sumber pelunasan

Tujuan = membiayai siklus kas: beli stok → jual → tertagih → bayar kredit
Sumber pelunasan = hasil penjualan/perputaran
Tenor: pendek (umumnya ≤ 1 tahun, sering revolving)

Fokus Analisis 5C

C + C

Capacity & Condition

Kecepatan perputaran persediaan & piutang
Margin usaha dan kondisi pasar/musiman
Apakah siklus kas cukup cepat menutup kredit?
Dana ikut berputar dalam usaha — bukan dari gaji

Contoh produk: KMK, kredit rekening koran, anjak piutang, pembiayaan persediaan. Kunci: siklus kas berputar = sumber bayarnya.

Jenis kedua adalah kredit modal kerja, dan di sinilah dunia analisisnya berbeda total dari kredit konsumsi. Modal kerja membiayai roda operasi sehari-hari: seorang pedagang meminjam untuk membeli stok, lalu stok itu dijual menjadi piutang, piutang tertagih menjadi kas, dan kas itulah yang melunasi kredit. Perhatikan bahwa di sini dana ikut berputar di dalam usaha, sehingga sumber pelunasannya bukan gaji tetap, melainkan hasil perputaran usaha itu sendiri. Karena itu, fokus analisis bergeser ke seberapa cepat siklus kas berputar — apakah persediaan cepat terjual, apakah piutang cepat tertagih — dan apakah kondisi pasar mendukung, misalnya momentum penjualan jelang Lebaran. Tenornya pun khas: pendek, biasanya setahun atau kurang, dan sering bersifat berulang atau revolving karena kebutuhan modal kerja muncul terus-menerus selama usaha berjalan; menilai kredit modal kerja dengan kacamata KPR akan membuat Anda salah total.

Kredit Investasi — Membangun Masa Depan

Kredit untuk membeli/membangun aset tetap produktif: mesin, pabrik, gedung, perluasan kapasitas. Pelunasan berasal dari arus kas yang dihasilkan proyek dalam jangka panjang.

Ciri Utama

Arus Kas

Sumber pelunasan

Tujuan = pembelian aset tetap & ekspansi
Sumber pelunasan = arus kas proyek yang baru terbentuk setelah investasi jalan
Tenor: panjang (3–10+ tahun), sering ada grace period

Fokus Analisis 5C

C + C

Capacity (proyeksi) & Capital

Kelayakan proyek & proyeksi arus kas jangka panjang
Kontribusi modal sendiri pemohon (bantalan risiko)
Ketahanan terhadap perubahan asumsi
Risiko & ketidakpastian paling tinggi

Contoh produk: KI (Kredit Investasi), pembiayaan proyek. Kunci: yang dinilai adalah masa depan — apakah proyek menghasilkan arus kas cukup bertahun-tahun ke depan.

Jenis ketiga adalah kredit investasi, dan inilah yang paling menantang untuk dianalisis. Kredit investasi membiayai pembelian aset tetap produktif — mesin, pabrik, atau perluasan kapasitas — yang baru akan menghasilkan uang setelah dibangun dan dioperasikan. Konsekuensinya, sumber pelunasan bukan gaji dan bukan pula perputaran usaha yang sudah ada, melainkan arus kas baru yang dihasilkan proyek itu di masa depan, sehingga analis harus menilai sesuatu yang belum terjadi: proyeksi. Karena itu fokusnya pada studi kelayakan proyek, proyeksi arus kas jangka panjang, dan kontribusi modal sendiri pemohon sebagai bukti keseriusan dan bantalan risiko. Tenornya panjang — bisa lima sampai sepuluh tahun atau lebih — dan sering disertai masa tenggang di awal karena proyek belum berproduksi; inilah jenis kredit dengan ketidakpastian tertinggi.

Matriks Pembanding Tiga Jenis Kredit

Kerangka pembanding yang wajib Anda kuasai — sering keluar di ujian dan jadi alat klasifikasi di slide berikutnya.

Aspek	Konsumsi	Modal Kerja	Investasi
Tujuan	Beli barang/jasa konsumtif	Biayai operasi harian	Beli aset tetap/ekspansi
Tenor tipikal	Pendek–panjang (KPR ≤ 15–20 thn)	Pendek (≤ 1 thn, revolving)	Panjang (3–10+ thn)
Sumber pelunasan	Gaji/penghasilan rutin	Perputaran usaha (kas operasi)	Arus kas proyek (masa depan)
Fokus 5C utama	Character & Capacity	Capacity & Condition	Capacity (proyeksi) & Capital
Profil risiko	Rendah–sedang (gaji stabil)	Sedang (peka musiman/pasar)	Tinggi (asumsi jangka panjang)
Contoh produk	KPR, KKB, kartu kredit	KMK, rekening koran, factoring	KI, pembiayaan proyek

Aturan praktis klasifikasi: tanyakan "dananya untuk apa, dan dari mana bayarnya?" — jawaban itu langsung menunjuk jenis kreditnya.

Slide ini adalah inti pendalaman Blok 1, dan saya minta Anda menyalinnya rapi karena tabel inilah yang paling sering keluar di ujian sekaligus menjadi alat kerja Anda nanti. Perhatikan bahwa pembeda ketiga jenis kredit terbentang di enam baris, tetapi dua baris yang paling menentukan adalah sumber pelunasan dan fokus 5C. Pada kredit konsumsi, bayarnya dari gaji sehingga yang ditekankan Character dan Capacity; pada modal kerja, bayarnya dari perputaran usaha sehingga ditekankan Capacity dan Condition; pada investasi, bayarnya dari arus kas proyek masa depan sehingga ditekankan proyeksi Capacity dan Capital. Saya beri Anda satu aturan praktis yang akan menyelamatkan Anda saat ragu mengklasifikasikan: cukup tanyakan dua hal — dananya untuk apa, dan dari mana sumber bayarnya — dan jawaban itu hampir selalu langsung menunjuk jenis kreditnya.

Latihan 1 — Klasifikasikan Lima Pengajuan

Pakai aturan "untuk apa & bayar dari mana". Klasifikasikan tiap kasus + beri justifikasi singkat.

#	Pengajuan	Jenis	Justifikasi kunci
1	Guru PNS minta Rp 300 jt beli rumah, bayar dari gaji bulanan	Konsumsi	Objek konsumtif; pelunasan dari gaji
2	Toko bangunan minta Rp 250 jt tambah stok semen jelang musim bangun	Modal Kerja	Biayai siklus stok→jual→kas; tenor pendek
3	Pabrik tahu beli mesin penggiling Rp 800 jt, untung dari produksi naik	Investasi	Aset tetap; bayar dari arus kas proyek
4	Kontraktor minta Rp 1 M talangi gaji & material proyek yang piutangnya belum cair	Modal Kerja	Menalangi operasi/piutang; jangka pendek
5	Dokter minta Rp 500 jt beli mobil pribadi, bayar dari praktik	Konsumsi	Mobil pribadi = konsumtif; pelunasan penghasilan

Jebakan #4: "proyek" belum tentu kredit investasi! Talangan gaji & material = operasi jangka pendek = modal kerja. Yang membuat investasi adalah aset tetap berumur panjang.

Sekarang kita uji pemahaman Anda dengan lima kasus, dan saya sarankan Anda mencoba menjawab sendiri sebelum melihat kuncinya. Kasus satu jelas konsumsi: guru PNS membeli rumah dan membayar dari gaji. Kasus dua dan empat sama-sama modal kerja, tetapi kasus empat sengaja saya pasang sebagai jebakan — banyak mahasiswa melihat kata "proyek" lalu langsung menebak kredit investasi, padahal yang dibiayai adalah talangan gaji dan material jangka pendek sambil menunggu piutang cair, sehingga itu murni modal kerja. Kasus tiga adalah satu-satunya investasi sejati, karena yang dibeli adalah mesin — aset tetap berumur panjang — dan pelunasannya dari arus kas hasil produksi yang meningkat. Kasus lima menarik karena dokter punya penghasilan dari praktik, tetapi mobilnya untuk pribadi, sehingga tetap konsumsi; seandainya mobil itu untuk armada antar-jemput pasien yang menghasilkan pendapatan, klasifikasinya bisa bergeser — dan justru di situlah letak ketajaman seorang analis.

Bagian 2 dari 4

Dua Mazhab Penilaian Kredit

Penilaian judgmental berbasis keahlian manusia (5C / expert system) versus credit scoring berbasis model statistik. Mana yang lebih baik — dan kapan?

Judgmental (5C) Statistik (Scoring)

Pendekatan Judgmental — Expert System Berbasis 5C

Analis berpengalaman menimbang 5C secara holistik lalu memutuskan. Tidak ada rumus tunggal — keputusan lahir dari pertimbangan menyeluruh.

Cara Kerja

Character · Capacity · Capital · Collateral · Condition

Analis kumpulkan data → nilai kelima C → bobotnya tergantung konteks & pengalaman → keputusan + catatan kualitatif. Tidak ada formula baku — pertimbangan menyeluruh.

Kekuatan Utama

Fleksibel

& Kontekstual

Bisa menangkap hal yang tak ada di data — reputasi, niat baik, situasi khusus
Ideal untuk kredit besar/kompleks (korporasi, proyek)
Analis bisa minta klarifikasi & kunjungan lapangan

Kelemahan inti: subjektif & tidak konsisten — dua analis bisa beda keputusan untuk pemohon yang sama; lambat; dan bisa terselip bias pribadi (suka/tidak suka). Inilah yang mendorong lahirnya credit scoring.

Mari kita pahami pendekatan judgmental dengan jujur, termasuk kekuatannya. Pada pendekatan ini, seorang analis berpengalaman mengumpulkan informasi tentang pemohon, lalu menimbang kelima prinsip 5C secara menyeluruh — bukan menjumlahkan angka, melainkan mempertimbangkan keseluruhan gambaran. Kekuatan terbesarnya adalah fleksibilitas dan kemampuan menangkap hal-hal yang tidak pernah muncul di data, misalnya reputasi seorang pedagang di pasar yang sudah dikenal jujur puluhan tahun, atau situasi khusus yang membutuhkan kebijaksanaan; itulah mengapa kredit korporasi besar dan pembiayaan proyek yang kompleks masih sangat mengandalkan penilaian manusia. Tetapi kelemahannya juga nyata dan harus Anda akui: penilaian manusia bersifat subjektif, sehingga dua analis bisa mengambil keputusan berbeda untuk pemohon yang sama; prosesnya lambat; dan selalu ada risiko bias pribadi. Justru kelemahan inilah yang melahirkan dorongan untuk membuat penilaian yang lebih objektif dan cepat, yaitu credit scoring.

Pendekatan Statistik — Credit Scoring

Mesin menghitung skor angka dari atribut pemohon, berdasarkan pola data ribuan nasabah masa lalu. Skor → di atas/di bawah cut-off → setuju/tolak.

Cara Kerja

Data → Skor

Otomatis & Konsisten

Ambil data pemohon (usia kredit, penghasilan, DBR, riwayat SLIK) → masukkan ke model (scorecard/regresi/analisis diskriminan) → keluar skor → bandingkan dengan cut-off. Proses: detik.

Akar Ilmiah

Altman

1968 · Journal of Finance

Berakar pada analisis diskriminan (Altman, 1968, Z-Score prediksi kebangkrutan)
Logika: cari kombinasi variabel yang paling membedakan nasabah baik vs gagal bayar
Fondasi kredit massal & bank digital

Kekuatan: objektif, konsisten, sangat cepat (bisa otomatis dalam detik). Kelemahan: lemah pada kasus tak lazim dan rentan bias data historis — dibahas di slide berikutnya.

Sekarang lawan tandingnya: credit scoring, pendekatan statistik. Idenya sederhana namun kuat: alih-alih mengandalkan intuisi seorang analis, kita pelajari pola dari data ribuan nasabah di masa lalu — mana ciri-ciri yang dimiliki nasabah yang akhirnya lancar, dan mana yang dimiliki nasabah yang akhirnya gagal bayar — lalu kita rumuskan menjadi sebuah skor angka. Akar ilmiahnya bisa ditelusuri ke karya klasik Edward Altman tahun 1968 yang memakai analisis diskriminan untuk memprediksi kebangkrutan perusahaan; logikanya adalah mencari kombinasi variabel yang paling tajam membedakan kelompok baik dari kelompok gagal bayar. Kekuatan terbesar pendekatan ini adalah objektivitas dan kecepatan: skor dihitung dengan rumus yang sama untuk semua orang sehingga konsisten, dan bisa dihitung otomatis dalam hitungan detik. Inilah alasan credit scoring menjadi fondasi kredit massal dan bank digital yang harus menilai ratusan ribu pemohon — mustahil dilakukan satu per satu oleh analis manusia.

Menimbang Dua Pendekatan secara Jujur

Tidak ada pemenang mutlak. Masing-masing unggul di medan yang berbeda.

Aspek	Judgmental (5C)	Credit Scoring
Objektivitas	Rendah (subjektif)	Tinggi (rumus sama untuk semua)
Konsistensi	Rendah (antar-analis beda)	Tinggi (hasil dapat direplikasi)
Kecepatan	Lambat	Sangat cepat (otomatis)
Biaya per keputusan	Mahal (butuh analis)	Murah (skala besar)
Kasus kompleks/tak lazim	Unggul (fleksibel)	Lemah (di luar pola data)
Risiko bias	Bias pribadi analis	Bias data historis (bisa diskriminatif)
Cocok untuk	Kredit besar/korporasi/proyek	Kredit massal/ritel/digital

Pesan kunci: scoring bukan otomatis lebih baik. Ia memindahkan masalah — dari bias manusia ke bias data. Sistem terbaik sering hybrid: scoring menyaring, analis meninjau yang batas.

Ini slide evaluasi pertama kita, dan saya ingin Anda menahan godaan untuk langsung menyimpulkan bahwa mesin lebih hebat daripada manusia. Lihat tabelnya secara jujur: credit scoring memang unggul telak dalam objektivitas, konsistensi, kecepatan, dan biaya, sehingga ideal untuk kredit massal seperti kartu kredit, pinjaman online, dan bank digital. Tetapi pada kasus kompleks dan tak lazim — kredit korporasi besar, pembiayaan proyek dengan struktur unik — penilaian manusia justru lebih unggul karena bisa menimbang hal-hal yang tidak ada di data. Yang paling penting Anda sadari adalah baris tentang bias: orang sering mengira scoring menghilangkan bias, padahal ia hanya memindahkannya — dari bias pribadi analis menjadi bias data historis, dan bila data masa lalu mengandung ketidakadilan, skornya pun bisa diskriminatif tanpa disadari. Maka kesimpulan dewasa dari evaluasi ini bukan memilih salah satu, melainkan memahami bahwa sistem terbaik biasanya menggabungkan keduanya: mesin menyaring cepat ribuan pengajuan, lalu manusia meninjau kasus-kasus yang berada di garis batas.

Bagian 3 dari 4

Membongkar Mesin
Credit Scoring

Dari dalam: scorecard berbobot, cut-off score, dua jenis kesalahan (Type I & II), dan trade-off yang muncul saat garis batas digeser.

Skor Total = Σ (poin tiap atribut)

Kita masuk Blok 3, bagian paling teknis sekaligus paling menarik hari ini, karena kita akan membuka kap mesin credit scoring dan melihat isinya. Banyak orang menggunakan kata "credit scoring" tanpa benar-benar tahu cara kerjanya, dan saya tidak ingin Anda termasuk golongan itu. Di sini Anda akan melihat bahwa di balik istilah yang terdengar canggih, ada sebuah tabel sederhana bernama scorecard yang menjumlahkan poin dari berbagai atribut pemohon menjadi satu skor total. Lalu kita kenalkan konsep cut-off, yaitu garis batas yang memisahkan disetujui dari ditolak, dan dua jenis kesalahan yang tak terhindarkan ketika kita menarik garis itu. Setelah blok ini, Anda tidak hanya akan paham credit scoring secara konsep, tetapi benar-benar bisa menghitungnya dan mengevaluasi konsekuensi setiap keputusan cut-off.

Anatomi Scorecard — Atribut → Bobot → Poin

Scorecard memecah kelayakan menjadi beberapa atribut, masing-masing diberi bobot poin maksimum. Total semua bobot = 100.

Atribut	Poin maks	Logika penilaian
Riwayat SLIK (kolektibilitas)	30	Rekam jejak bayar = prediktor terkuat gagal bayar
Rasio angsuran/penghasilan (DBR)	25	Kemampuan menanggung cicilan secara finansial
Penghasilan bulanan	20	Kapasitas dasar peminjam membayar
Lama bekerja / stabilitas	15	Keberlanjutan penghasilan di masa depan
Kelompok usia	10	Korelasi statistik dengan profil risiko historis
TOTAL	100	Skor maksimum yang bisa diraih pemohon

Bobot mencerminkan kekuatan prediksi tiap atribut. SLIK diberi bobot terbesar (30) karena riwayat bayar masa lalu = prediktor gagal bayar paling kuat. Scorecard ini ilustratif pengajaran — bukan kartu skor resmi bank tertentu.

Sebelum menghitung, Anda harus paham bahan bakunya, yaitu scorecard atau kartu skor. Bayangkan kelayakan kredit dipecah menjadi beberapa atribut, dan tiap atribut diberi jatah poin maksimum yang disebut bobot, lalu seluruh bobot dijumlahkan menjadi seratus. Perhatikan bahwa besarnya bobot bukan asal-asalan: ia mencerminkan seberapa kuat atribut itu memprediksi gagal bayar, berdasarkan analisis data nasabah masa lalu. Dalam contoh kita, riwayat SLIK diberi bobot terbesar yaitu tiga puluh poin, karena rekam jejak pembayaran seseorang di masa lalu adalah petunjuk paling kuat tentang perilakunya di masa depan. Saya tegaskan bahwa scorecard ini saya rancang untuk pengajaran agar mudah dihitung, dan bukan kartu skor resmi bank tertentu; di dunia nyata, bobot dan atributnya dikalibrasi dengan model statistik dari data masing-masing bank.

Hitung dari Nol — HDN-1: Skor Kredit Pak Andi

Andi, 32 tahun, penghasilan Rp 8 juta/bulan, DBR 35%, lama kerja 4 tahun, SLIK Kol-1 (Lancar). Berapa skornya, dan disetujui dengan cut-off 65?

Atribut	Kondisi Andi	Poin maks	Poin diraih
Riwayat SLIK	Kol-1 Lancar, tanpa tunggakan	30	30
Rasio angsuran (DBR)	35% (band 30–40%)	25	15
Penghasilan bulanan	Rp 8 jt (band 5–10 jt)	20	14
Lama bekerja	4 tahun (band 3–5 thn)	15	12
Kelompok usia	32 tahun (band 26–35)	10	10
TOTAL SKOR	30 + 15 + 14 + 12 + 10	100	81

Skor Andi = 81. Cut-off = 65 → 81 ≥ 65 → DISETUJUI, dengan margin nyaman 16 poin di atas batas. SLIK bersih menyumbang poin penuh dan menyelamatkan skornya meski DBR-nya sedang.

Sekarang kita kerjakan dari nol sampai jadi, supaya Anda tidak hanya membaca konsep credit scoring tetapi benar-benar merasakannya. Kenalkan Pak Andi: usia tiga puluh dua tahun, penghasilan delapan juta per bulan, rasio beban utang tiga puluh lima persen, sudah bekerja empat tahun, dan riwayat SLIK-nya lancar tanpa tunggakan. Langkah kerjanya sederhana: untuk tiap atribut, kita lihat Andi masuk band yang mana, lalu kita catat poin yang ia raih — SLIK lancar memberinya tiga puluh poin penuh, DBR tiga puluh lima persen memberinya lima belas dari maksimal dua puluh lima, penghasilan empat belas, lama kerja dua belas, dan usia sepuluh. Jumlahkan semuanya dan kita dapat skor delapan puluh satu dari seratus; karena cut-off-nya enam puluh lima, Andi disetujui dengan margin nyaman enam belas poin. Riwayat SLIK yang bersih menyumbang poin terbesar dan menyelamatkan skor Andi meskipun DBR-nya hanya sedang — inilah bukti konkret mengapa menjaga catatan kredit di SLIK sangat berharga sejak muda.

Cut-off Score — Garis Pemisah Setuju / Tolak

Setelah skor dihitung, bank menarik satu garis batas (cut-off). Skor ≥ cut-off → disetujui; di bawahnya → ditolak. Tapi di mana garisnya ditarik?

Masalahnya: kedua kelompok tumpang tindih. Di mana pun cut-off ditarik, selalu ada nasabah baik yang skornya rendah (ikut tertolak) dan nasabah gagal bayar yang skornya tinggi (ikut lolos). Tidak ada garis sempurna.

Setelah skor dihitung, langkah berikutnya tampak sepele tetapi sebenarnya penuh konsekuensi: bank harus menarik satu garis batas yang disebut cut-off, di mana skor di atasnya disetujui dan di bawahnya ditolak. Pertanyaan besarnya, di mana garis itu sebaiknya ditarik? Perhatikan grafik ini baik-baik, karena ia menyimpan inti masalahnya: kelompok nasabah baik dan kelompok nasabah gagal bayar tidak terpisah rapi — keduanya tumpang tindih di tengah. Akibatnya, di mana pun Anda menarik garis cut-off, Anda pasti membuat dua kesalahan sekaligus: ada nasabah baik yang kebetulan skornya rendah lalu ikut tertolak, dan ada nasabah yang sebenarnya akan gagal bayar tetapi skornya tinggi lalu ikut lolos. Tidak ada cut-off yang sempurna; yang ada hanyalah pilihan tentang kesalahan mana yang lebih bisa Anda terima, dan itulah yang akan kita bedah di dua slide berikutnya.

Dua Jenis Kesalahan: Type I & Type II

Setiap keputusan kredit bisa salah dengan dua cara berbeda, dengan akibat berbeda pula.

	Realita: BAIK (akan lancar)	Realita: BURUK (akan gagal bayar)
Keputusan: SETUJU	✓ Benar — untung bunga & fee	✗ Type II Error Bad lolos → NPL / rugi pokok
Keputusan: TOLAK	✗ Type I Error Good ditolak → kehilangan laba	✓ Benar — terhindar rugi

Type I (Good Ditolak): biaya = laba yang hilang (opportunity cost) — sakit tapi tak terlihat di laporan. Bank tidak pernah tahu nasabah itu sebenarnya akan lancar.

Type II (Bad Lolos): biaya = rugi pokok & NPL — terlihat jelas & sangat mahal. Bank cenderung lebih takut ini, tapi terlalu takut → Type I meledak.

Ini konsep evaluasi paling penting hari ini, jadi tolong kuasai matriks dua-kali-dua ini. Setiap keputusan kredit dibandingkan dengan realita yang baru ketahuan belakangan, dan ada dua jenis kesalahan. Type I error terjadi ketika Anda menolak pemohon yang sebenarnya baik — biayanya adalah laba yang hilang, sebuah kerugian yang menyakitkan tetapi tidak pernah muncul di laporan keuangan karena Anda tidak akan pernah tahu nasabah itu sebenarnya akan lancar. Type II error terjadi ketika Anda menyetujui pemohon yang ternyata gagal bayar — biayanya adalah rugi pokok dan NPL yang terlihat jelas dan terasa mahal. Karena Type II terlihat dan Type I tersembunyi, bank secara naluri lebih takut pada Type II, sehingga cenderung memperketat cut-off; tetapi hati-hati, kalau terlalu takut Type II, Type I akan meledak dan bank kehilangan banyak nasabah baik sekaligus peluang tumbuh — dan keseimbangan inilah yang akan kita hitung di slide berikutnya.

Hitung dari Nol — HDN-2: Konsekuensi Menggeser Cut-off

Portofolio 1.000 pemohon, total 126 akan gagal bayar (tersebar). Lihat apa yang terjadi pada approval rate, NPL, Type I & II saat cut-off digeser.

Cut-off	Disetujui	Approval rate	NPL portofolio	Type II (bad lolos)	Type I (good ditolak)
70 (ketat)	450	45,0%	3,1%	14	438 ↑
65 (acuan)	600	60,0%	4,3%	26	300
55 (longgar)	800	80,0%	7,0% ↑	56 ↑	130

Trade-off jelas: perketat (70) → NPL turun ke 3,1% tetapi tolak 438 nasabah baik. Longgarkan (55) → approval 80% tetapi NPL 7,0% melewati ambang 5% OJK & Type II naik. Cut-off optimal = keseimbangan, bukan ekstrem mana pun.

Sekarang kita buktikan trade-off itu dengan angka, dan inilah inti capaian evaluasi minggu ini. Bayangkan ada seribu pemohon, dan andai kita bisa melihat masa depan, seratus dua puluh enam di antaranya sebenarnya akan gagal bayar, tersebar di berbagai tingkat skor. Lihat tabelnya baris per baris: kalau bank memasang cut-off ketat di tujuh puluh, hanya empat ratus lima puluh yang disetujui, NPL-nya rendah hanya tiga koma satu persen — terdengar aman — tetapi ada empat ratus tiga puluh delapan nasabah baik yang ikut ditolak, sebuah Type I error besar yang berarti peluang dan laba menguap. Sebaliknya, kalau cut-off dilonggarkan ke lima puluh lima, delapan ratus pemohon disetujui sehingga bisnis tumbuh, tetapi NPL melonjak ke tujuh persen, melewati ambang sehat lima persen OJK, dan Type II error naik. Pelajaran terbesarnya: tidak ada cut-off yang gratis — setiap pergeseran menukar satu kesalahan dengan kesalahan lain, dan tugas seorang analis serta manajer risiko adalah memilih titik keseimbangan yang sesuai dengan selera risiko bank.

Coba Sendiri: Geser Cut-off, Amati Type I vs Type II

Geser garis cut-off score dan lihat approval rate, NPL portofolio, serta jumlah error Type I dan Type II berubah seketika.

Credit Scoring di Bank Digital & Fintech Indonesia

Di sinilah teori hari ini hidup. Tanpa scoring otomatis, mustahil menilai ratusan ribu pemohon ritel dalam hitungan menit.

Bank Digital & Fintech

Otomatis

Cepat, Massal, Tanpa Tatap Muka

Bank Jago, Allo Bank, SeaBank — bank digital berbasis aplikasi
Penyelenggara P2P lending anggota AFPI
Menilai kelayakan lewat scoring otomatis
Proses dari menit hingga detik tanpa tatap muka

Input Scoring

SLIK +

SLIK OJK & Alternative Data

SLIK OJK = riwayat kredit formal (input utama)
Sebagian memakai alternative data: pola transaksi, perilaku digital
Skor → cut-off → keputusan otomatis dalam menit

Kontras: bank umum konvensional tetap menilai kredit korporasi besar secara judgmental (5C mendalam, kunjungan lapangan). Scoring untuk massal/ritel, judgmental untuk besar/kompleks — keduanya hidup berdampingan.

Sekarang kita lihat bagaimana semua teori hari ini benar-benar hidup di Indonesia, dan ini sangat relevan dengan masa depan karier Anda. Bank-bank digital seperti Bank Jago, Allo Bank, dan SeaBank, serta para penyelenggara P2P lending yang tergabung dalam AFPI, menilai kelayakan kredit hampir sepenuhnya lewat credit scoring otomatis — sebab mereka harus memproses ratusan ribu pengajuan ritel tanpa pernah bertemu pemohon secara langsung. Input utamanya adalah SLIK OJK yang berisi riwayat kredit formal seseorang, dan sebagian pemain juga memakai alternative data seperti pola transaksi atau jejak digital untuk menilai mereka yang belum punya riwayat kredit. Tetapi perhatikan kontrasnya: bank umum konvensional tetap menilai kredit korporasi besar secara judgmental dengan analisis 5C mendalam dan kunjungan lapangan, karena kasus besar dan kompleks butuh pertimbangan manusia. Jadi kesimpulan praktisnya, scoring dan judgmental tidak saling menggantikan, melainkan hidup berdampingan, dan Anda perlu menguasai keduanya.

Bagian 4 dari 4

Mengevaluasi Sistem
& Merangkum

Empat kriteria sistem penilaian yang efektif, janji dan bahaya alternative data, lalu peta konsep & latihan penutup.

Akurasi Objektivitas Efisiensi Kemampuan Prediksi

Empat Kriteria Sistem Penilaian Kredit yang Efektif

Apa pun pendekatannya (judgmental atau scoring), inilah tolok ukur untuk mengevaluasi apakah sistemnya layak dipakai:

Kriteria 1

Akurasi

Seberapa tepat memisahkan?

Seberapa tepat sistem memisahkan calon lancar dari calon gagal bayar. Diukur dari tingkat Type I & II yang rendah pada data uji.

Kriteria 2

Objektif

Konsisten & bebas bias pribadi

Pemohon sama → keputusan sama, siapa pun penilainya. Tidak ada variasi antar-analis berdasarkan preferensi personal.

Kriteria 3

Efisien

Cepat & murah per keputusan

Seberapa cepat & murah biaya per keputusan. Penting untuk kredit massal; tidak boleh memperlambat layanan nasabah.

Kriteria 4 — paling sering dilupakan

Prediksi

Ramal masa depan, bukan deskripsi masa lalu

Skor harus benar-benar memprediksi gagal bayar di masa depan, diuji pada data nasabah baru yang belum dipakai membangun model.

Jangan tanya "judgmental atau scoring?" — tanya "akurat, objektif, efisien, dan benar-benar memprediksi?" Sistem otomatis yang buruk tetaplah buruk.

Inilah kerangka evaluasi yang harus Anda bawa pulang, karena di dunia kerja Anda akan sering diminta menilai apakah suatu sistem penilaian kredit layak dipakai atau perlu diperbaiki. Ada empat kriteria. Pertama akurasi: seberapa tepat sistem memisahkan calon lancar dari calon gagal bayar, yang tercermin dari rendahnya kedua jenis kesalahan tadi pada data pengujian. Kedua objektivitas: apakah hasilnya konsisten dan bebas bias, sehingga pemohon yang sama menerima keputusan yang sama siapa pun yang menilainya. Ketiga efisiensi: seberapa cepat dan murah biaya per keputusan, yang krusial untuk kredit massal. Keempat, dan ini sering dilupakan, kemampuan prediksi: skor harus benar-benar meramal perilaku masa depan, bukan sekadar mendeskripsikan masa lalu, dan ini hanya bisa dibuktikan dengan mengujinya pada nasabah baru yang datanya belum pernah dipakai membangun model. Pesan evaluatif: berhentilah bertanya "manual atau otomatis", dan mulailah bertanya "akurat, objektif, efisien, dan memprediksi atau tidak".

Pendalaman — Alternative Data: Janji & Bahayanya

Banyak orang Indonesia unbanked/underbanked — tak punya riwayat SLIK. Alternative data menjanjikan akses kredit untuk mereka, tapi membawa risiko baru.

Janji (Upside)

Inklusi

Keuangan untuk semua

Menilai pemohon tanpa riwayat kredit formal
Lewat pola transaksi, tagihan, jejak digital
Membuka akses bagi yang dulu otomatis ditolak
Mendukung inklusi keuangan nasional

Bahaya (Downside)

Risiko

Bias, Privasi, Proxy

Risiko bias & diskriminasi (data bisa tidak adil)
Privasi: data pribadi dipakai tanpa pemahaman penuh
Proxy menyesatkan: korelasi ≠ kausalitas
Harus tunduk pada regulasi OJK

Prinsip analis kritis: korelasi bukan kausalitas. Sebuah pola mungkin berkorelasi dengan gagal bayar tanpa benar-benar menyebabkannya — model bisa salah & tidak adil. Evaluasi alternative data dengan empat kriteria slide 22, plus etika & kepatuhan OJK.

Sebagai pendalaman, mari kita bahas satu isu yang sedang sangat hangat di industri keuangan Indonesia, yaitu alternative data. Latar belakangnya nyata: banyak orang Indonesia belum tersentuh perbankan formal sehingga tidak punya riwayat di SLIK, dan dengan scoring konvensional mereka otomatis ditolak hanya karena ketiadaan data — bukan karena mereka buruk. Alternative data menjanjikan jalan keluar: menilai mereka lewat pola transaksi, riwayat tagihan, atau jejak digital, sehingga membuka inklusi keuangan bagi yang dulu tak terlayani. Tetapi sebagai analis kritis, Anda harus melihat sisi bahayanya juga: data ini bisa mengandung bias yang menghasilkan keputusan diskriminatif, menimbulkan masalah privasi karena data pribadi dipakai, dan yang paling halus, jebakan proxy di mana sebuah pola berkorelasi dengan gagal bayar tanpa benar-benar menyebabkannya. Tanamkan prinsip ini seumur hidup sebagai analis: korelasi bukan kausalitas, dan sebuah model yang tampak akurat di atas kertas bisa jadi tidak adil atau menyesatkan.

Peta Konsep — Jenis Kredit & Sistem Penilaian

Benang merah: kenali jenis kredit (untuk apa & bayar dari mana) → pilih/evaluasi sistem penilaian → sadari setiap cut-off membawa trade-off. Tidak ada penilaian sempurna; ada penilaian yang sadar konsekuensi.

Mari kita rangkai semuanya menjadi satu gambar utuh sebelum menutup. Pertemuan hari ini sebenarnya bercabang dua dari satu akar bernama analisis kredit. Cabang pertama adalah jenis kredit: konsumsi yang dibayar dari gaji, modal kerja yang dibayar dari perputaran usaha, dan investasi yang dibayar dari arus kas proyek masa depan — ketiganya dibedakan oleh tujuan, tenor, sumber pelunasan, fokus 5C, dan profil risiko. Cabang kedua adalah sistem penilaian: dua mazhab judgmental dan scoring, di mana scoring bekerja lewat scorecard yang menghasilkan skor, lalu dibandingkan dengan cut-off, yang pasti memunculkan dua jenis kesalahan, dan akhirnya dievaluasi dengan empat kriteria. Benang merah yang saya ingin Anda bawa pulang sederhana saja: kenali dulu jenis kreditnya dengan bertanya untuk apa dan bayar dari mana, lalu pilih atau evaluasi sistem penilaiannya, dan selalu sadari bahwa setiap garis cut-off membawa trade-off — karena di dunia kredit, tidak ada penilaian yang sempurna, yang ada hanyalah penilaian yang sadar akan konsekuensinya.

Cheat-Sheet — Konsep Inti Pertemuan 11

Konsep	Inti / Cara ingat
Kredit Konsumsi	Dana beli barang konsumtif; bayar dari gaji; fokus 5C: Character & Capacity
Kredit Modal Kerja	Dana putar operasi; bayar dari perputaran usaha; fokus: Capacity & Condition; tenor ≤ 1 tahun
Kredit Investasi	Dana beli aset tetap; bayar dari arus kas proyek; fokus: Capacity (proyeksi) & Capital; tenor 3–10+ tahun
Judgmental	5C secara holistik oleh analis; fleksibel tapi subjektif; unggul di kredit korporasi/proyek kompleks
Credit Scoring	Skor = Σ poin scorecard; objektif & cepat tapi rentan bias data; unggul di ritel/massal/bank digital
Cut-off Score	Garis batas setuju/tolak; tidak ada yang sempurna karena distribusi tumpang tindih
Type I Error	Good ditolak → opportunity cost (laba hilang, tak terlihat di laporan keuangan)
Type II Error	Bad lolos → NPL & rugi pokok (terlihat jelas, sangat mahal)
4 Kriteria Sistem Efektif	Akurasi · Objektivitas · Efisiensi · Kemampuan Prediksi

Gunakan slide ini sebagai daftar periksa belajar Anda sebelum ujian. Setiap baris mewakili satu konsep kunci dari pertemuan hari ini, dan saya sengaja merangkumnya dalam satu kalimat pendek agar mudah diingat. Perhatikan kolom kanan: setiap definisi mengandung kata kunci pembeda yang membedakannya dari konsep lain. Kredit konsumsi bayar dari gaji, modal kerja dari perputaran usaha, investasi dari arus kas proyek — tiga frasa singkat ini sudah cukup untuk mengklasifikasikan sembilan puluh persen kasus pengajuan yang akan Anda temui. Untuk Type I dan Type II, ingat bahwa Type I menyakitkan tapi tersembunyi, sedangkan Type II terlihat dan mahal — dan keseimbangannya selalu ditentukan oleh di mana bank menetapkan cut-off. Kuasai sembilan baris ini dan Anda akan sangat siap menghadapi ujian pertemuan ini.

Diskusi & Latihan Kelas

Latihan — Hitung Skor Ibu Sari

Cut-off 65?

Hitung dari nol, lalu putuskan

Profil Ibu Sari (isi tabel, jumlahkan):

SLIK pernah Kol-2/DPK → ? dari 30
DBR 45% (band 40–50%) → ? dari 25
Penghasilan Rp 4 jt (band 3–5 jt) → ? dari 20
Lama kerja 2 thn (band 1–3 thn) → ? dari 15
Usia 28 (band 26–35) → ? dari 10
Total = ? → SETUJU / TOLAK?

Diskusi

2 Pertanyaan

Hubungkan ke teori hari ini

1Nasabah lama jujur, skor 62 (cut-off 65). Sebagai analis hybrid, apa yang Anda lakukan? Apa risikonya?

2Mengapa bank tidak menetapkan cut-off setinggi mungkin agar NPL nol? Jelaskan dengan Type I/II & trade-off.

Kerjakan latihan 5 menit lalu bahas bersama. Untuk diskusi: hubungkan ke Type I/II, judgmental vs scoring, dan trade-off cut-off yang sudah kita pelajari.

Sekarang giliran Anda bekerja. Untuk latihan hitung, kenalkan Ibu Sari yang profilnya lebih menantang daripada Pak Andi tadi: penghasilannya lebih kecil, DBR-nya lebih tinggi, dan yang paling memengaruhi, riwayat SLIK-nya pernah menyentuh kolektibilitas dua atau Dalam Perhatian Khusus, sehingga ia tidak mendapat poin SLIK penuh. Hitung skornya langkah demi langkah seperti yang kita lakukan pada Andi, lalu putuskan dengan cut-off enam puluh lima. Kunci: total skor Sari adalah 18 + 8 + 10 + 8 + 10 = 54, di bawah cut-off 65, sehingga ditolak sistem scoring — kekurangan 11 poin. Penyebab utama: riwayat SLIK Kol-2 menghapus 12 poin dan DBR tinggi menekan poin lebih jauh. Untuk diskusi, pertanyaan pertama menguji pemahaman Anda tentang sistem hybrid: ketika seorang nasabah lama yang Anda yakini jujur ternyata skornya sedikit di bawah cut-off, Anda boleh override dengan justifikasi terdokumentasi dan otorisasi berjenjang — tetapi sadari risikonya: override sembarangan mengembalikan subjektivitas dan bias yang ingin dihindari scoring. Pertanyaan kedua: cut-off setinggi langit berarti Type I error meledak, hampir semua pemohon ditolak, bank kehilangan pendapatan bunga dan pertumbuhan — NPL nol tetapi laba pun nol, dan itu juga bukan tujuan bank.

Rangkuman & Persiapan Pertemuan Berikut

Yang Sudah Anda Kuasai Hari Ini

4 ✓

Sub-CPMK 1.6 & 3.4 tercapai

Membedakan 3 jenis kredit lewat 5 pembeda & mengklasifikasikan kasus nyata
Membandingkan judgmental vs scoring secara jujur — kekuatan & kelemahan
Menghitung skor dari scorecard berbobot & memutuskan dengan cut-off
Mengevaluasi sistem dengan 4 kriteria & trade-off Type I/II

Persiapan Pertemuan Berikut

Baca & Tinjau

Sebelum kelas selanjutnya

Tinjau ulang HDN-1 & HDN-2 sampai lancar dihitung
Baca Rose & Hudgins (bab Credit Scoring)
Baca Saunders & Cornett (bab Credit Risk: Individual Loan)
Cek topik pertemuan berikutnya pada RPS resmi mata kuliah

Pesan penutup: seorang analis hebat bukan yang punya sistem paling canggih, melainkan yang paham keterbatasan sistemnya — tahu kapan percaya pada skor, dan kapan percaya pada pertimbangan manusia.

Kita tutup pertemuan ini dengan merangkum apa yang sudah Anda kuasai. Pertama, Anda kini bisa membedakan tiga jenis kredit bukan dari namanya saja, melainkan dari lima pembeda nyata, dan membuktikannya dengan mengklasifikasikan kasus. Kedua, Anda paham dua mazhab penilaian beserta kekuatan dan kelemahan jujurnya. Ketiga, Anda sudah benar-benar menghitung skor kredit dan memutuskan dengan cut-off, dan keempat, yang terpenting, Anda bisa mengevaluasi sistem penilaian serta menjelaskan trade-off antara dua jenis kesalahan. Untuk persiapan, saya minta Anda meninjau ulang kedua perhitungan hari ini sampai lancar, membaca bab credit scoring di Rose-Hudgins dan Saunders-Cornett, dan memeriksa topik pertemuan berikutnya pada RPS resmi. Saya tutup dengan pesan yang ingin Anda ingat seumur hidup sebagai analis: keunggulan sejati bukan pada memiliki sistem paling canggih, melainkan pada memahami keterbatasan sistem itu — tahu persis kapan harus percaya pada angka skor, dan kapan harus percaya pada pertimbangan manusia.

📖 Baca juga: Dcf Valuation — penjelasan mendalam dan contoh numerik.