Program Studi Bisnis Digital • FEB UNDIP

Manajemen Risiko

Pertemuan 10 — Analisis Risiko Kredit

Rating, skoring, RAROC, dan term structure — bagaimana bank dan fintech lending memutuskan siapa yang layak dipinjami, dan berapa harga yang pantas untuk risikonya?

RPS MINGGU 11 • 2 × 50 MENIT

Selamat datang di Pertemuan 10, Analisis Risiko Kredit — topik yang sangat relevan bagi Anda sebagai mahasiswa Bisnis Digital karena setiap kali Anda membuka aplikasi seperti Kredivo, Akulaku, atau menggunakan fitur "beli sekarang bayar nanti" (BNPL) di Tokopedia, ada mesin credit scoring yang bekerja di baliknya. Hari ini kita akan membongkar mesin itu — mulai dari penilaian kualitatif dengan kerangka 5C, penilaian kuantitatif lewat rating dan skoring, sampai bagaimana bank menghitung apakah sebuah kredit menguntungkan lewat RAROC. Anda akan menghitung sendiri skor Altman Z-Score dan RAROC dari nol, sehingga bukan hanya paham konsep tapi juga bisa mengaplikasikannya. Siapkan kalkulator, karena pertemuan ini padat angka namun sangat aplikatif untuk karier Anda di perbankan, fintech, maupun sebagai calon pengusaha yang suatu saat akan mengajukan kredit usaha.

Tujuan Pembelajaran Hari Ini

Setelah pertemuan ini, Anda diharapkan mampu menganalisis risiko kredit secara kualitatif maupun kuantitatif. Secara rinci:

CAPAIAN 1 — KONSEP

Memahami konsep, sumber risiko kredit, dan melakukan penilaian kualitatif dengan kerangka 5C.

CAPAIAN 2 — RATING & SKORING

Z-SCORE

Menerapkan metode rating perusahaan dan credit scoring (model Altman & model linier) untuk menilai kelayakan debitur.

CAPAIAN 3 — RAROC

RAROC

Menghitung Risk-Adjusted Return on Capital (RAROC) untuk menilai profitabilitas kredit setelah memperhitungkan risiko.

CAPAIAN 4 — STRUKTUR & MATRIKS

MATRIX

Menjelaskan term structure spread kredit dan membaca credit migration matrix (matriks transisi rating).

Keempat capaian ini membentuk alur logis analisis risiko kredit yang sebenarnya dipakai di industri. Capaian pertama adalah fondasi kualitatif — sebelum angka bicara, analis kredit di bank BRI atau BCA harus mengenal karakter calon debitur lewat kerangka 5C. Capaian kedua dan ketiga adalah inti kuantitatif hari ini: Anda akan menghitung Altman Z-Score untuk menilai kesehatan perusahaan, dan RAROC untuk menilai apakah kredit tersebut menguntungkan secara risiko-disesuaikan. Capaian keempat membawa kita ke perspektif portofolio — bagaimana risiko kredit berubah sepanjang waktu (term structure) dan bagaimana rating debitur bisa naik atau turun (migration matrix). Empat kemampuan ini adalah dasar yang dipakai analis kredit, credit risk officer di fintech P2P lending, maupun investor obligasi korporasi di Bursa Efek Indonesia.

Ketika Kredit Macet, Siapa yang Menanggung?

KASUS 1 — NPL FINTECH P2P LENDING

Sejumlah platform peer-to-peer (P2P) lending di Indonesia pernah mencatat TWP90 (tingkat wanprestasi >90 hari, setara Non-Performing Loan/NPL) di atas 5% pasca-pandemi — jauh melampaui rasio aman perbankan (~2–3%). Ribuan peminjam UMKM gagal bayar karena omzet anjlok.

KASUS 2 — GAGAL BAYAR OBLIGASI KORPORASI

Beberapa emiten BEI pernah gagal membayar kupon/pokok obligasi jatuh tempo (default). Investor yang mengandalkan rating tinggi tanpa mengecek tren keuangan terkini menanggung kerugian karena rating bisa terlambat merefleksikan penurunan kualitas kredit.

Kedua kasus ini punya akar yang sama: penilaian risiko kredit yang tidak memadai di awal, atau tidak diperbarui seiring waktu. Hari ini kita belajar alat-alat yang mencegah kesalahan itu — dari penilaian kualitatif sampai model kuantitatif.

Dua kasus ini menunjukkan bahwa risiko kredit bukan hanya urusan bank besar — ia menyentuh fintech, UMKM, investor ritel, bahkan mahasiswa yang menggunakan BNPL. Pada kasus pertama, platform P2P lending yang terlalu longgar dalam skoring kredit awal, atau tidak memantau kondisi debitur secara berkala, akhirnya menanggung tingkat gagal bayar yang tinggi — dan ujungnya investor/pemberi dana di platform itu yang rugi. Pada kasus kedua, investor obligasi yang hanya mengandalkan rating "AAA" dari lembaga pemeringkat tanpa memahami bahwa rating bisa tertinggal dari kondisi riil perusahaan, akhirnya terkejut saat terjadi gagal bayar. Sepanjang pertemuan ini, Anda akan belajar alat ukur konkret — 5C, Z-Score, RAROC — yang dipakai analis kredit profesional untuk mendeteksi tanda bahaya ini lebih awal, sebelum kerugian terjadi.

Bagian 1 dari 3

Konsep Dasar & Sumber Risiko Kredit

Apa itu risiko kredit, dari mana asalnya, dan bagaimana menilainya secara kualitatif sebelum masuk ke angka?

Apa itu Risiko Kredit?

Risiko kredit (credit risk) adalah potensi kerugian akibat debitur/mitra transaksi gagal memenuhi kewajiban sesuai perjanjian — baik pokok maupun bunga.

DEFAULT RISK

Risiko debitur gagal bayar total (wanprestasi) — bentuk risiko kredit paling ekstrem.

DOWNGRADE RISK

Risiko peringkat kredit turun meski belum default — nilai obligasi ikut turun.

CREDIT SPREAD RISK

Risiko spread (selisih imbal hasil vs SUN/obligasi bebas risiko) melebar akibat persepsi risiko naik.

Ketiga bentuk ini berbeda tapi saling terkait: penurunan rating (downgrade) biasanya memicu pelebaran spread sebelum default benar-benar terjadi — itulah mengapa analis kredit memantau tren, bukan hanya status saat ini.

Penting bagi Anda untuk membedakan tiga bentuk risiko kredit ini karena masing-masing punya implikasi berbeda bagi pemberi pinjaman. Default risk adalah skenario terburuk — misalnya sebuah UMKM peminjam di platform Amartha benar-benar berhenti membayar cicilan. Downgrade risk lebih halus: sebuah obligasi korporasi BEI yang tadinya idAA diturunkan menjadi idA oleh Pefindo karena kinerja keuangan memburuk, meski perusahaan belum gagal bayar — investor yang memegang obligasi ini tetap rugi karena harga obligasi turun mengikuti rating. Credit spread risk berkaitan dengan sentimen pasar secara umum — misalnya saat krisis, investor menuntut premi risiko lebih tinggi untuk semua obligasi korporasi, bukan hanya yang bermasalah. Memahami ketiga dimensi ini membuat Anda bisa membaca sinyal peringatan dini, bukan hanya bereaksi setelah kerugian terjadi.

Dari Mana Risiko Kredit Berasal?

ADVERSE SELECTION

Pemberi pinjaman punya informasi lebih sedikit daripada peminjam tentang risiko sebenarnya — peminjam berisiko tinggi justru paling agresif mencari kredit (karena tahu kemungkinan sulit membayar).

MORAL HAZARD

Setelah kredit cair, debitur bisa mengambil keputusan lebih berisiko karena tidak sepenuhnya menanggung akibat kegagalan — misalnya dana modal kerja dipakai untuk hal di luar rencana bisnis.

KONSENTRASI

Terlalu banyak kredit ke satu sektor/debitur — risiko menumpuk saat sektor itu goyah (mis. properti, tambang).

COUNTERPARTY

Risiko mitra transaksi derivatif/repo gagal bayar sebelum transaksi selesai.

MAKROEKONOMI

Kenaikan BI Rate, pelemahan rupiah, atau resesi menaikkan risiko gagal bayar di seluruh portofolio sekaligus.

Kelima sumber risiko kredit ini sering muncul bersamaan dalam praktik. Adverse selection adalah masalah klasik ekonomi informasi — bayangkan sebuah platform pinjaman online yang menawarkan bunga rendah tanpa verifikasi ketat; yang paling tertarik mendaftar justru peminjam yang sudah kesulitan mendapat kredit dari bank karena riwayat kreditnya buruk. Moral hazard terjadi setelah pencairan — misalnya kredit modal kerja UMKM ternyata dipakai untuk konsumsi pribadi, bukan untuk memutar usaha seperti yang dijanjikan dalam proposal. Risiko konsentrasi adalah pelajaran dari krisis properti di berbagai negara — bank yang terlalu banyak menyalurkan kredit ke satu sektor akan babak belur bersama-sama saat sektor itu jatuh. Memahami sumber-sumber ini membantu Anda merancang mitigasi yang tepat sasaran, bukan solusi generik untuk semua jenis risiko kredit.

Penilaian Kualitatif: Kerangka 5C

Sebelum masuk ke angka, analis kredit menilai debitur secara kualitatif dengan lima aspek klasik (5C):

Kelima C ini saling melengkapi — debitur dengan character baik tapi capacity lemah tetap berisiko tinggi. Analis kredit menilai keseluruhan, bukan satu aspek saja.

Kerangka 5C ini sudah dipakai analis kredit selama puluhan tahun dan masih relevan di era digital. Character dinilai lewat riwayat SLIK OJK (Sistem Layanan Informasi Keuangan, dulu BI Checking) — apakah calon debitur pernah menunggak. Capacity adalah yang paling teknis, dilihat dari arus kas dan rasio seperti Debt Service Coverage Ratio (DSCR) — mampukah pendapatan operasional menutup cicilan. Capital menunjukkan seberapa besar "kulit di permainan" milik debitur sendiri — bank lebih percaya pada pengusaha yang menanam modal sendiri, bukan hanya mengandalkan utang. Collateral adalah agunan sebagai jaring pengaman jika terjadi gagal bayar, dan Condition menilai konteks makro — misalnya kredit ke sektor tekstil dinilai lebih berisiko saat terjadi gelombang PHK di industri tersebut. Di fintech lending modern, kelima C ini sering diterjemahkan menjadi variabel dalam algoritma credit scoring otomatis yang akan kita bahas berikutnya.

Bagian 2 dari 3

Rating & Skoring Kredit

Dari penilaian kualitatif ke angka: bagaimana lembaga pemeringkat dan model statistik mengkuantifikasi risiko kredit?

Credit Rating: Opini Lembaga Pemeringkat

Credit rating adalah opini independen lembaga pemeringkat tentang kemampuan & kemauan entitas membayar kewajiban tepat waktu. Di Indonesia: Pefindo (idAAA–idD); global: Moody's, S&P, Fitch.

Skala Pefindo	Skala S&P/Fitch (global)	Kategori	Arti
idAAA – idAA	AAA – AA	Investment grade	Risiko gagal bayar sangat rendah
idA – idBBB	A – BBB	Investment grade	Kapasitas bayar memadai, sensitif kondisi ekonomi
idBB – idB	BB – B	Speculative grade	Ada unsur spekulatif, risiko meningkat
idCCC – idD	CCC – D	Speculative grade	Risiko tinggi hingga sudah gagal bayar (D = default)

Rating bersifat relatif & berkala (di-review tiap tahun atau saat ada peristiwa material) — bukan jaminan mutlak. Investor obligasi korporasi BEI wajib memeriksa tanggal rating terakhir, bukan hanya labelnya.

Rating kredit ini penting Anda pahami karena menentukan berapa bunga yang harus dibayar sebuah perusahaan saat menerbitkan obligasi — semakin rendah rating, semakin tinggi bunga yang dituntut investor sebagai kompensasi risiko, konsep yang akan kita perdalam di term structure nanti. Perhatikan bahwa skala Pefindo diberi awalan "id" untuk membedakan dari skala global — sebuah perusahaan bisa idAAA secara nasional namun hanya BBB jika dibandingkan dengan standar internasional, karena skala nasional dikalibrasi relatif terhadap risiko negara Indonesia sendiri. Investment grade artinya dianggap layak investasi oleh regulator dan banyak dana pensiun hanya boleh membeli obligasi investment grade. Speculative grade, kadang disebut "junk bond" (obligasi berimbal hasil tinggi tapi berisiko tinggi), menawarkan kupon lebih tinggi tapi risiko gagal bayar jauh lebih besar — pilihan investasi yang harus dipahami betul sebelum membeli.

Credit Scoring: Model Altman & Model Linier

Credit scoring mengubah data keuangan debitur menjadi satu angka (skor) yang memprediksi probabilitas gagal bayar/kebangkrutan — lebih objektif & cepat dibanding penilaian manual.

MODEL ALTMAN Z-SCORE (MODEL LINIER)

Dikembangkan Edward Altman (1968) — sering disebut juga pendekatan "Zaltman" dalam sejumlah rujukan RPS. Menggabungkan 5 rasio keuangan lewat fungsi diskriminan linier menjadi satu skor Z.

Z = 1,2X₁ + 1,4X₂ + 3,3X₃ + 0,6X₄ + 1,0X₅

5 VARIABEL RASIO

X₁ = Modal Kerja / Total Aset
X₂ = Laba Ditahan / Total Aset
X₃ = EBIT / Total Aset
X₄ = Nilai Pasar Ekuitas / Total Liabilitas
X₅ = Penjualan / Total Aset

Model linier di sini berarti Z adalah kombinasi linier terbobot dari rasio-rasio keuangan — bobot (1,2; 1,4; 3,3; 0,6; 1,0) diestimasi dari data historis perusahaan bangkrut vs sehat.

Model Altman ini adalah salah satu model credit scoring paling terkenal dan diajarkan di hampir semua sekolah bisnis dunia karena kesederhanaan dan akurasinya yang tetap relevan meski dikembangkan lebih dari lima dekade lalu. Perhatikan bahwa masing-masing variabel X mewakili dimensi berbeda dari kesehatan perusahaan — X1 mengukur likuiditas jangka pendek, X2 mengukur akumulasi profitabilitas historis, X3 mengukur profitabilitas operasional saat ini, X4 mengukur bantalan modal terhadap utang menggunakan nilai pasar (bukan nilai buku, karena pasar mencerminkan ekspektasi investor), dan X5 mengukur efisiensi penggunaan aset. Bobot-bobot seperti 3,3 pada X3 menunjukkan variabel itu paling berpengaruh secara statistik terhadap prediksi kebangkrutan dalam data historis Altman. Model linier semacam ini adalah dasar dari banyak algoritma credit scoring modern di fintech Indonesia, meski versi terbaru sering menggunakan machine learning yang lebih kompleks.

Hitung dari Nol (1): Z-Score PT Maju Sejahtera Tbk

Kasus: Perusahaan manufaktur (ilustrasi), Total Aset Rp 500 miliar, Total Liabilitas Rp 250 miliar. Modal Kerja Rp 100 M, Laba Ditahan Rp 150 M, EBIT Rp 60 M, Nilai Pasar Ekuitas Rp 400 M, Penjualan Rp 550 M.

Langkah	Perhitungan	Nilai
1. X₁ (Modal Kerja/Aset)	100 / 500	0,20
2. X₂ (Laba Ditahan/Aset)	150 / 500	0,30
3. X₃ (EBIT/Aset)	60 / 500	0,12
4. X₄ (Nilai Pasar Ekuitas/Liabilitas)	400 / 250	1,60
5. X₅ (Penjualan/Aset)	550 / 500	1,10
6. Z-Score	1,2(0,20)+1,4(0,30)+3,3(0,12)+0,6(1,60)+1,0(1,10)	3,116

Z-SCORE PT MAJU SEJAHTERA

3,116

Z > 2,99 → Zona Aman

Coba Sendiri: Ubah Rasio Keuangan dan Lihat Z-Score Bergeser

Ubah angka modal kerja, laba ditahan, EBIT, nilai pasar ekuitas, dan penjualan, lalu amati bagaimana Z-Score dan zona risikonya berubah.

Interpretasi Zona Z-Score & Latihan Kelas

Zona	Rentang Z	Interpretasi
Zona Aman	Z > 2,99	Risiko kebangkrutan rendah
*Zona Abu-Abu (Grey Zone)*	1,81 ≤ Z ≤ 2,99	Perlu kajian lanjutan — ketidakpastian
*Zona Bahaya (Distress)*	Z < 1,81	Risiko kebangkrutan tinggi

PT Maju Sejahtera Tbk (Z = 3,116) berada di Zona Aman — layak dipertimbangkan untuk kredit/investasi, namun tetap perlu dipantau berkala.

LATIHAN KELAS — 5 MENIT

Sebuah UMKM digital pengguna platform pinjaman fintech memiliki: Modal Kerja/Aset = 0,05; Laba Ditahan/Aset = 0,10; EBIT/Aset = 0,08; Nilai Pasar Ekuitas/Liabilitas = 0,40; Penjualan/Aset = 1,50. Hitung Z-Score-nya dan tentukan zonanya bersama teman sebangku.

Tabel zona ini adalah kunci interpretasi yang membuat Z-Score bermanfaat secara praktis — angka 3,116 sendiri tidak berarti apa-apa tanpa dibandingkan dengan ambang batas ini. Untuk latihan kelas, dorong mahasiswa Anda menghitung: Z = 1,2(0,05) + 1,4(0,10) + 3,3(0,08) + 0,6(0,40) + 1,0(1,50) = 0,06 + 0,14 + 0,264 + 0,24 + 1,50 = 2,204 — hasilnya masuk Zona Abu-Abu, sebuah kasus realistis untuk UMKM digital tahap awal yang punya penjualan bagus tapi modal kerja tipis. Ini adalah kasus yang sangat relevan karena banyak platform fintech lending di Indonesia melayani segmen UMKM semacam ini yang sering berada di zona abu-abu, sehingga membutuhkan penilaian tambahan di luar skor otomatis. Ingatkan mahasiswa bahwa model Altman awalnya dirancang untuk perusahaan manufaktur publik — untuk UMKM atau perusahaan non-publik, banyak fintech memodifikasi variabelnya (misalnya mengganti nilai pasar ekuitas dengan nilai buku).

Bagian 3 dari 3

RAROC, Term Structure & Credit Matrix

Setelah tahu risikonya, bagaimana bank memutuskan apakah kredit itu menguntungkan — dan bagaimana risiko berubah sepanjang waktu?

RAROC: Menilai Untung-Rugi Kredit Setelah Risiko

RAROC (Risk-Adjusted Return on Capital) mengukur imbal hasil kredit setelah dikurangi kerugian yang diharapkan (Expected Loss), dibagi modal risiko (Economic Capital) yang harus dicadangkan bank.

RAROC = (Pendapatan − Biaya − Expected Loss) / Economic Capital

KOMPONEN EXPECTED LOSS (EL)

PD (Probability of Default) — probabilitas gagal bayar
LGD (Loss Given Default) — persentase kerugian jika gagal bayar (setelah agunan)
EAD (Exposure at Default) — total eksposur saat gagal bayar

EL = PD × LGD × EAD

ECONOMIC CAPITAL

Modal yang dicadangkan bank untuk menyerap kerugian tak terduga (di luar EL), biasanya dihitung sebagai persentase dari EAD berdasarkan model risiko internal bank — makin berisiko debitur, makin besar modal yang harus disisihkan.

RAROC ini adalah alat yang membedakan analisis risiko kredit level mahasiswa dengan level praktisi perbankan — bukan hanya "apakah debitur ini aman", tapi "apakah kredit ini sepadan dengan modal yang harus dicadangkan bank untuknya". Tiga komponen expected loss ini wajib Anda hafal karena selalu muncul bersama: PD adalah probabilitas gagal bayar yang biasanya diestimasi dari data historis atau model scoring seperti Z-Score yang baru kita pelajari, LGD mengukur seberapa besar kerugian riil setelah bank mencairkan agunan (jika ada agunan bagus, LGD rendah), dan EAD adalah total nilai eksposur saat gagal bayar terjadi, yang bisa berbeda dari plafon awal jika kredit berupa fasilitas bergulir seperti kartu kredit. Economic capital berbeda dari expected loss — expected loss dianggap sebagai biaya normal bisnis yang sudah dianggarkan lewat bunga, sementara economic capital adalah bantalan untuk skenario ekstrem yang tidak terduga, mirip konsep Value at Risk yang sudah Anda pelajari di pertemuan sebelumnya.

Hitung dari Nol (2): RAROC Kredit Korporasi Bank X

Kasus: Bank X memberi kredit modal kerja Rp 10 miliar ke perusahaan distribusi digital. Bunga 12%/tahun, biaya dana 6%, biaya operasional 1%. PD = 2%, LGD = 45%, EAD = Rp 10 miliar. Economic Capital = 8% × EAD.

Langkah	Perhitungan	Nilai
1. Pendapatan bunga	12% × Rp 10 M	Rp 1.200 jt
2. Net interest income	1.200 jt − (6% × 10 M = 600 jt)	Rp 600 jt
3. Laba sebelum EL	600 jt − (1% × 10 M = 100 jt)	Rp 500 jt
4. Expected Loss (EL)	PD×LGD×EAD = 0,02×0,45×10.000 jt	Rp 90 jt
5. Laba disesuaikan risiko	500 jt − 90 jt	Rp 410 jt
6. Economic Capital	8% × Rp 10.000 jt	Rp 800 jt
7. RAROC	410 jt / 800 jt	51,25%

Perhatikan alur perhitungan ini dari atas ke bawah — kita mulai dari pendapatan kotor, lalu berturut-turut mengurangi biaya dana dan biaya operasional untuk mendapat laba sebelum memperhitungkan risiko kredit. Langkah 4 adalah penerapan langsung rumus Expected Loss yang baru kita pelajari: kalikan probabilitas gagal bayar 2%, dengan tingkat kerugian jika gagal bayar 45%, dengan total eksposur Rp 10 miliar — hasilnya Rp 90 juta, yaitu kerugian rata-rata yang "diharapkan" terjadi meski belum tentu tahun ini. Langkah 6 mengasumsikan Bank X menetapkan economic capital sebesar 8% dari eksposur berdasarkan model risiko internalnya — semakin berisiko profil debitur, semakin tinggi persentase ini akan ditetapkan bank. Langkah terakhir membagi laba yang sudah disesuaikan risiko dengan modal risiko yang harus dicadangkan, menghasilkan RAROC 51,25% — angka yang akan kita interpretasikan di slide berikutnya.

Coba Sendiri: Ubah PD, LGD, EAD dan Lihat RAROC Berubah

Ubah probability of default, loss given default, dan exposure at default, lalu amati bagaimana expected loss dan RAROC berubah mengikuti.

Interpretasi RAROC: Layak atau Tidak?

RAROC KREDIT BANK X

51,25%

vs hurdle rate ~15% (biaya modal bank)

Kondisi	Keputusan
RAROC > Hurdle Rate (biaya modal)	Value-creating — kredit layak disalurkan, menciptakan nilai bagi bank
RAROC ≈ Hurdle Rate	Marjinal — perlu negosiasi ulang suku bunga/kolateral
RAROC < Hurdle Rate	Value-destroying — kredit merugikan meski bunga terlihat tinggi

RAROC 51,25% jauh melampaui hurdle rate ~15% — kredit ini menciptakan nilai bagi Bank X. RAROC memungkinkan bank membandingkan kredit dengan tingkat risiko & bunga berbeda-beda secara setara.

Interpretasi ini adalah alasan mengapa RAROC begitu berharga bagi manajemen bank — dengan satu angka, RAROC memungkinkan perbandingan yang adil antara kredit ke debitur berisiko rendah dengan bunga rendah, dan kredit ke debitur berisiko tinggi dengan bunga tinggi. Hurdle rate biasanya ditetapkan setara dengan biaya modal ekuitas bank (cost of equity), yang mencerminkan ekspektasi minimum return yang diinginkan pemegang saham bank tersebut. Ketika RAROC jauh di atas hurdle rate seperti kasus kita, itu sinyal bahwa kredit ini sangat menguntungkan secara risiko-disesuaikan, sehingga bank bisa mempertimbangkan menambah plafon atau memperluas segmen serupa. Sebaliknya, jika sebuah divisi kredit konsumer BCA atau BRI menunjukkan RAROC di bawah hurdle rate secara konsisten, itu tanda bahwa segmen tersebut perlu direvisi strateginya — entah menaikkan bunga, memperketat skoring, atau bahkan dihentikan.

Term Structure of Credit Risk

Term structure risiko kredit menunjukkan bagaimana credit spread (premi risiko di atas SUN/obligasi bebas risiko) berubah seiring jangka waktu (tenor) dan kategori rating.

Pola umum (ilustratif, ~): (1) makin rendah rating → spread makin lebar di semua tenor; (2) makin panjang tenor → spread makin melebar, dan pelebarannya lebih tajam untuk rating rendah — ketidakpastian jangka panjang lebih besar bagi debitur berisiko.

Kurva term structure ini menjawab pertanyaan penting bagi investor obligasi korporasi: mengapa obligasi tenor 10 tahun dari perusahaan rating BB menawarkan kupon jauh lebih tinggi dibanding obligasi tenor 1 tahun dari perusahaan yang sama? Jawabannya terletak pada bentuk kurva — untuk rating tinggi seperti idAAA, spread relatif datar karena pasar percaya perusahaan itu tetap sehat dalam jangka panjang. Namun untuk rating rendah seperti idBB, spread melebar tajam seiring tenor karena ketidakpastian tentang kondisi bisnis 10 tahun ke depan jauh lebih besar dibanding 1 tahun ke depan — banyak hal bisa terjadi pada perusahaan berisiko tinggi dalam rentang waktu selama itu. Perhatikan bahwa angka-angka di grafik ini bersifat ilustratif untuk membangun intuisi bentuk kurva, bukan data pasar riil terkini — dalam praktik, spread ini bergerak setiap hari mengikuti kondisi pasar obligasi. Konsep ini juga menjelaskan mengapa suku bunga KUR (Kredit Usaha Rakyat) untuk tenor panjang biasanya sedikit lebih tinggi dibanding tenor pendek pada segmen debitur yang sama.

Credit Migration Matrix: Rating Bisa Berubah

Credit migration matrix (matriks transisi rating) menunjukkan probabilitas rating debitur berpindah ke rating lain dalam periode tertentu (biasanya 1 tahun) — berbasis data historis lembaga pemeringkat.

Rating Awal ↓ / Akhir →	AAA	AA	A	BBB	Default
AAA	90,8%	8,3%	0,7%	0,1%	0,0%
AA	1,0%	90,1%	7,8%	0,9%	0,0%
A	0,1%	2,3%	91,4%	5,3%	0,1%
BBB	0,0%	0,3%	5,8%	87,9%	0,3%

Baca baris AAA: dalam 1 tahun, ~90,8% tetap AAA, namun ada probabilitas kecil turun ke AA/A/BBB — bahkan rating tertinggi tidak pernah 100% stabil. Semakin rendah rating awal, semakin besar probabilitas downgrade atau default.

Matriks transisi ini digunakan bank dan investor institusi untuk memodelkan risiko portofolio ke depan, bukan hanya risiko satu debitur pada satu titik waktu. Cara membacanya adalah per baris — misalnya baris "A" menunjukkan bahwa debitur yang saat ini rating A punya probabilitas 91,4% tetap di rating A dalam setahun, tapi ada 5,3% kemungkinan turun ke BBB dan 0,1% kemungkinan langsung default. Perhatikan pola umum di semua baris: probabilitas terbesar selalu berada di sel diagonal (rating tetap sama), dan matriks ini biasanya tidak simetris — probabilitas upgrade umumnya lebih kecil dibanding probabilitas downgrade, karena secara alami lebih sulit membangun kualitas kredit dibanding merusaknya. Bank menggunakan matriks semacam ini untuk menghitung Expected Loss portofolio secara keseluruhan dan untuk stress testing — jika terjadi resesi, bank bisa mensimulasikan skenario di mana probabilitas downgrade meningkat drastis di seluruh matriks.

Tugas Sebelum Pertemuan Berikutnya

TUGAS INDIVIDU

Pilih 1 perusahaan terbuka di BEI dari sektor pilihan Anda
Ambil laporan keuangan terbaru (idx.co.id), hitung Z-Score-nya
Tentukan zonanya & bandingkan dengan rating Pefindo terkini jika tersedia

PERSIAPAN RISK REGISTER (P13–14)

Catat hasil analisis risiko kredit hari ini sebagai satu baris di risk register kelompok
Isi kolom: sumber risiko, indikator (5C/Z-Score/RAROC), tingkat risiko, usulan mitigasi
Bawa draf ke Pertemuan 13 untuk diintegrasikan dengan risiko lain

Tugas individu dikumpulkan sebelum Pertemuan 11 (format PDF, maksimal 2 halaman). Risk register kelompok mulai disusun bertahap — jangan menunggu sampai Pertemuan 13.

Tugas ini dirancang agar Anda benar-benar mempraktikkan alat yang baru dipelajari pada data riil, bukan sekadar mengerjakan soal ilustratif di kelas. Pilih perusahaan yang laporan keuangannya lengkap dan mudah diakses, misalnya emiten consumer goods seperti Unilever Indonesia atau perusahaan sektor consumer digital seperti Bukalapak, agar perhitungan modal kerja, laba ditahan, EBIT, nilai pasar ekuitas, dan penjualan bisa Anda ambil langsung dari laporan tahunan. Bagian kedua tugas ini menghubungkan pertemuan hari ini dengan proyek risk register yang akan Anda kerjakan di Pertemuan 13 dan 14 — dengan mencicil sejak sekarang, beban kerja di akhir semester akan jauh lebih ringan. Ingat bahwa risk register yang baik bukan hanya daftar risiko, tapi juga mencantumkan bagaimana risiko itu diukur — sehingga kolom "indikator" yang meminta Anda menyebutkan 5C, Z-Score, atau RAROC ini akan membuat risk register kelompok Anda jauh lebih kuat secara analitis dibanding sekadar daftar kualitatif.

Peta Besar Analisis Risiko Kredit

Alat	Fungsi	Output
5C	Penilaian kualitatif awal	Profil karakter & kapasitas debitur
Credit Rating	Opini independen lembaga pemeringkat	Skala idAAA–idD
Credit Scoring (Z-Score)	Model kuantitatif prediksi kebangkrutan	Skor Z & zona (aman/abu-abu/bahaya)
RAROC	Uji profitabilitas kredit setelah risiko	% return vs hurdle rate
Term Structure & Migration Matrix	Perspektif waktu & portofolio	Spread per tenor; probabilitas transisi rating

Kelima alat ini tidak berdiri sendiri — analis kredit profesional menggabungkan semuanya: 5C untuk skrining awal, rating/scoring untuk kuantifikasi, RAROC untuk keputusan bisnis, dan term structure/matrix untuk memantau portofolio dari waktu ke waktu.

Pertemuan berikutnya (P11): Analisis Risiko Lingkungan — regulasi, polusi, dan sustainability.

Sampai di sini, Anda sudah menguasai lima alat inti analisis risiko kredit yang saling melengkapi dalam sebuah alur kerja nyata di industri keuangan. Perhatikan bagaimana alur logisnya: seorang analis kredit di bank atau fintech lending akan mulai dari penilaian kualitatif 5C untuk skrining cepat, kemudian menggunakan credit scoring seperti Z-Score atau credit rating dari Pefindo untuk mendapat angka yang objektif dan dapat dibandingkan, lalu menghitung RAROC untuk memastikan kredit itu menguntungkan bagi institusi setelah memperhitungkan biaya risiko, dan terakhir memantau posisi tersebut dari waktu ke waktu menggunakan term structure dan migration matrix pada level portofolio. Ingat bahwa Anda sudah menghitung dua hal dari nol hari ini — Z-Score dan RAROC — dua keterampilan kuantitatif yang langsung bisa Anda gunakan di dunia kerja perbankan maupun fintech. Pada pertemuan berikutnya, kita akan beralih ke risiko lingkungan yang semakin penting seiring meningkatnya tuntutan sustainability dan regulasi ESG bagi perusahaan Indonesia — sampai jumpa di Pertemuan 11.