RPS minggu 6 · 2x50 menit

Pemeringkatan Kredit Internal (Internal Credit Rating)

Manajemen Risiko Kredit — Magister Manajemen FEB UNDIP

Peta Pembelajaran Hari Ini

Sub-CPMK 6: menjelaskan mekanisme sistem pemeringkatan kredit internal bank.

Jam ke-1 (50 menit)

Tujuan & arsitektur sistem rating internal
Master scale: pemetaan skor numerik ke kelas rating
Tiga pendekatan rating: expert, statistical, hybrid

Jam ke-2 (50 menit)

Kalibrasi rating ke PD historis (migration matrix)
Siklus rating: assignment → monitoring → migration
Aplikasi manajerial: rating → pricing, limit, decision

Posisi dalam alur: P5 (PD/LGD/EAD) → rating internal → P7 (portofolio) → P12 (Basel IRB). Rating adalah operasionalisasi PD per debitur.

Mengapa Bank Invest di Rating Internal

Rating internal adalah infrastruktur kritikal bank — bukan overhead, melainkan mesin penggerak pricing, limit, dan keputusan.

Tanpa Rating

Keputusan ad hoc, tidak konsisten, sulit diaudit regulator

Dengan Rating

Konsistensi, pricing-to-risk, capital relief via Basel IRB

Bank IRB Advanced dapat capital relief signifikan (RWA lebih rendah) jika rating divalidasi regulator — ROI investasi sistem rating.

Pertanyaan mengapa bank invest besar di rating internal jawabannya ada di tiga kata: konsistensi, pricing, dan capital. Tanpa rating, keputusan kredit menjadi ad hoc dan bergantung intuisi individu credit officer yang berbeda-beda — tidak konsisten dan sulit diaudit regulator. Dengan rating, bank mendapat konsistensi lintas analis dan lintas waktu, pricing-to-risk yang membebankan biaya risiko secara adil per debitur, dan yang paling penting secara finansial: capital relief via Basel IRB. Bank yang mendapat persetujuan IRB Advanced dapat menghitung RWA atau Risk-Weighted Assets berdasarkan rating internal sendiri, yang biasanya menghasilkan RWA lebih rendah daripada pendekatan standar — artinya modal yang dialokasikan lebih sedikit untuk eksposur yang sama. ROI investasi sistem rating yang mencapai jutaan dolar dapat balik dalam beberapa tahun melalui capital relief ini.

Bagian 1 · 1/4

Tujuan & Komponen

Diskusi kelas: jika bank Anda harus memilih antara 7 kelas rating vs 20 kelas rating, apa trade-off yang harus dipertimbangkan?

Tujuan Rating Internal

Empat fungsi utama yang membuat rating internal menjadi infrastruktur kritikal bank modern.

Fungsi 1 & 2

Pricing-to-risk — spread bunga sesuai PD per rating
Limit setting — plafon maksimum berbasis rating

Fungsi 3 & 4

Capital allocation (RWA) — bobot risiko Basel IRB
Portfolio monitoring — migrasi rating sebagai early warning

Rating tunggal menggerakkan empat keputusan berbeda — efisiensi operasional yang tidak dapat digantikan model ad hoc.

Empat fungsi utama ini menjelaskan mengapa rating internal menjadi infrastruktur kritikal. Pertama, pricing-to-risk memungkinkan spread bunga disesuaikan dengan PD per rating — debitur rating A dengan PD 0,5 persen dikenai spread rendah, debitur rating BB dengan PD 5 persen dikenai spread tinggi. Kedua, limit setting menentukan plafon maksimum berbasis rating — debitur rating tinggi dapat plafon lebih besar. Ketiga, capital allocation menghitung RWA atau Risk-Weighted Assets berdasarkan rating — debitur rating A bobot risiko 20 persen, rating BB bobot 150 persen. Keempat, portfolio monitoring memakai migrasi rating sebagai early warning sistem — jika banyak debitur turun rating dari AAA ke AA dalam satu kuartal, itu sinyal deteriorasi kualitas portofolio. Yang penting Anda pahami: satu rating tunggal menggerakkan empat keputusan berbeda secara konsisten — efisiensi operasional yang tidak dapat digantikan keputusan ad hoc.

Arsitektur Sistem Rating

Sistem rating bukan satu model — ekosistem terstruktur dengan komponen yang saling melengkapi.

Diagram arsitektur ini menunjukkan alur dari data input hingga keputusan manajerial. Data input berupa laporan keuangan, SLIK, dan behavioral data masuk ke scoring model yang menghasilkan skor numerik di skala 0 sampai 100. Skor ini dipetakan ke master scale berupa kelas ordinal AAA hingga D — di sinilah diskretisasi terjadi. Master scale kemudian dikalibrasi ke PD historis melalui migration matrix atau teknik statistik Platt scaling. Output akhirnya satu rating tunggal yang menggerakkan empat keputusan: pricing spread, limit maksimum, bobot RWA untuk modal Basel, dan sinyal early warning jika rating bermigrasi turun. Yang penting Anda pahami: arsitektur ini modular — setiap komponen dapat di-update tanpa membongkar seluruh sistem. Misalnya, kalibrasi PD dapat di-refresh tahunan tanpa mengubah master scale atau scoring model.

Hitung dari Nol: Pemetaan Skor Numerik ke Master Scale

Skenario: Bank XYZ memiliki model scoring dengan rentang 0–100. Master scale: AAA (90–100), AA (80–89), A (70–79), BBB (60–69), BB (50–59), B (40–49), CCC (30–39), D (<30). Debitur PT GHI memiliki skor 72.

Langkah	Perhitungan/Klasifikasi	Nilai
1. Identifikasi rentang	Skor 72 jatuh di rentang	70–79
2. Kelas rating	Yang sesuai dengan rentang	A
3. PD terkalibrasi	Dari data historis bank untuk kelas A	0,50% per tahun
4. Implikasi pricing	Spread = base + risk premium A	Spread rendah
5. Implikasi limit	Limit standar kelas A	Mis. maks Rp 50 M

Kesimpulan

Skor 72 → Rating A

PD 0,50% → spread rendah; limit tinggi; RWA bobot ringan

Hitungan ini sederhana tetapi menunjukkan mekanisme operasional sistem rating. Skor numerik 72 jatuh di rentang 70 hingga 79 yang diklasifikasikan sebagai rating A di master scale bank. Rating A diasosiasikan dengan PD 0,50 persen per tahun berdasarkan data historis bank — artinya dari 100 debitur rating A, rata-rata 0,5 akan default dalam 1 tahun. PD ini menjadi input untuk perhitungan EL dan dasar pricing — debitur rating A akan dikenai spread lebih rendah dari rating BB. Limit standar untuk rating A juga ditentukan — debitur dengan rating ini dapat plafon hingga Rp 50 miliar sebagai ilustrasi. Yang penting Anda pahami: rentang dan PD per kelas bank-spesifik; tidak ada standar universal. Bank A mungkin mengklasifikasikan skor 72 sebagai AA; bank B sebagai A — inilah mengapa perbandingan rating antar bank memerlukan benchmarking eksternal.

Bagian 2 · 2/4

Pendekatan Rating

Diskusi kelas: untuk segmen korporasi besar dengan sedikit debitur (mis. < 200), pendekatan rating mana yang paling realistis?

Pendekatan Expert-based

Credit officer memberi rating berdasarkan penilaian kualitatif terstruktur — paling cocok untuk segmen dengan data tipis.

Kelebihan

Menangkap nuansa kualitatif yang model lewatkan
Tidak butuh data historis besar
Fleksibel untuk kasus non-standar

Kelemahan

Subjektif — tidak konsisten lintas analis
Sulit divalidasi statistik
Rawan bias kognitif (confirmation, anchoring)

Praktik: expert-based untuk korporasi besar; dipadukan scoring card terstruktur untuk konsistensi minimum.

Pendekatan expert-based adalah pilihan default untuk segmen korporasi besar di mana setiap debitur unik dan jumlahnya kecil sehingga tidak cukup data untuk model statistik. Kelebihannya adalah menangkap nuansa kualitatif seperti kualitas manajemen, strategi bisnis, dan konteks industri yang sulit dimodelkan secara kuantitatif. Kelemahannya adalah subjektivitas — dua analis dapat memberi rating berbeda untuk debitur yang sama, sehingga sulit divalidasi statistik dan rawan bias kognitif seperti confirmation bias dan anchoring. Praktik terbaik bank modern adalah memadukan expert judgment dengan scoring card terstruktur — sebuah form penilaian kualitatif dengan bobot eksplisit yang memberikan konsistensi minimum tanpa mengorbankan fleksibilitas expert. Scoring card juga membuat rating auditable karena setiap komponen dapat ditelusuri ke justifikasi tertulis.

Pendekatan Statistical-based

Model kuantitatif menghasilkan skor otomatis — paling cocok untuk segmen massal dengan data melimpah.

Kelebihan

Konsisten — tidak ada variasi analis
Validatable secara statistik (AUC, Kappa)
Scalable untuk jutaan debitur

Kelemahan

Butuh data historis besar (> 10.000 obs)
Tidak menangkap kasus non-standar
Dapat merosot saat populasi bergeser (PSI)

Praktik: ritel, KTA, KUR, kartu kredit — di mana bank punya jutaan data historis default.

Pendekatan statistical-based adalah pilihan default untuk segmen massal di mana bank memiliki jutaan data historis — ritel, KTA, KUR, dan kartu kredit. Model kuantitatif seperti logit regression atau gradient boosting menghasilkan skor otomatis tanpa intervensi manusia, dengan kelebihan konsistensi total dan validasi statistik yang robust melalui metrik seperti AUC dan Kappa. Kelemahannya adalah kebutuhan data historis besar — setidaknya 10.000 observasi dengan cukup event default untuk training yang stabil. Model statistical juga tidak menangkap kasus non-standar yang tidak ada di data training, dan dapat merosot saat populasi bergeser — yang dipantau melalui Population Stability Index atau PSI. Praktik terbaik adalah membangun model statistical dengan monitoring PSI berkala dan retrain ketika populasi bergeser signifikan — siklus hidup model yang sudah kita bahas di P4.

Pendekatan Hybrid (Expert + Model)

Kombinasi model statistik sebagai baseline dengan override analyst terdokumentasi — pendekatan IRB Advanced Basel.

Persyarat IRB Advanced: dokumentasi override & tracking akurasi — bukan model murni atau expert murni.

Pendekatan hybrid adalah standar yang dipersyaratkan Basel IRB Advanced — model statistik sebagai baseline dengan override analyst yang terdokumentasi. Diagram menunjukkan alurnya: model menghasilkan baseline score otomatis, analyst dapat meng-override dengan justifikasi tertulis, menghasilkan final rating yang digunakan untuk pricing dan limit. Yang kritis Anda pahami: override tanpa dokumentasi menghapus keunggulan konsistensi model, sehingga bank yang serius selalu melacak override rate — persentase kasus di mana analyst mengubah rating model — dan akurasi override, yaitu apakah analyst benar dalam override secara historis. Jika override rate terlalu tinggi, model tidak dipercaya analyst dan harus di-refresh. Jika override akurasinya rendah, analyst butuh training. Hybrid yang sehat adalah keseimbangan antara percaya model dan percaya judgment manusia, dengan audit trail lengkap untuk regulator.

Hitung dari Nol: Kalibrasi Rating ke PD Historis

Skenario: Bank XYZ memiliki 5 kelas rating (A, B, C, D, E) dengan data historis default 10-tahun. Total observasi: A=500, B=1.000, C=800, D=400, E=200. Default observasi: A=1, B=5, C=20, D=30, E=40.

Rating	Default Observasi	Total Observasi	PD (Default/Obs)
A	1	500	0,20%
B	5	1.000	0,50%
C	20	800	2,50%
D	30	400	7,50%
E	40	200	20,00%

Verifikasi

PD monoton naik saat rating turun (A < B < C < D < E) — properti master scale wajib

Hitungan ini menunjukkan mekanisme sederhana kalibrasi rating ke PD. Untuk setiap kelas rating, PD dihitung sebagai rasio default observasi terhadap total observasi dalam periode historis 10 tahun. Hasilnya monoton: A 0,2 persen, B 0,5 persen, C 2,5 persen, D 7,5 persen, E 20 persen — PD naik konsisten saat rating turun. Properti monoton ini wajib dipenuhi master scale; kalau tidak, misalnya rating C PD lebih rendah dari B, ada masalah dengan klasifikasi atau data yang harus diinvestigasi. Dalam praktik, kalibrasi tidak sesederhana rasio karena data default per rating dapat tipis — rating E dengan 40 default cukup stabil, tetapi rating A dengan hanya 1 default adalah estimasi yang sangat tidak stabil. Bank harus menggunakan teknik seperti Platt scaling atau isotonic regression untuk smoothing PD, dan menggunakan data multi-tahun plus benchmarking eksternal untuk kalibrasi yang robust dan dapat divalidasi regulator.

Bagian 3 · 3/4

Siklus Rating

Diskusi kelas: di bank Anda, berapa sering rating debitur korporasi di-review — tahunan, kuartalan, atau event-driven?

Siklus: Assignment → Monitoring → Migration

Rating bukan keputusan satu kali — siklus sepanjang hidup kredit yang menentukan early warning capability bank.

1. Assignment

Saat origination / annual review
Scoring model + analyst override
Output: rating awal → pricing & limit

2. Monitoring

Kunjungan debitur, review LK kuartalan
SLIK monitoring, news tracking
Trigger event-driven review

3. Migration

Rating naik/turun berdasarkan review
Migrasi turun = early warning
Migrasi matriks = analisis portofolio

Bank dengan monitoring lemah terlambat menangkap deteriorasi — opsi mitigasi (restrukturisasi dini, tambah agunan) tertutup.

Tiga tahap siklus rating ini adalah operasionalisasi manajemen risiko kredit sepanjang hidup kredit. Assignment adalah penilaian awal saat origination atau annual review, menghasilkan rating yang menentukan pricing dan limit. Monitoring adalah aktivitas berkelanjutan — kunjungan debitur, review laporan keuangan kuartalan, monitoring SLIK, dan news tracking untuk menangkap berita negatif yang dapat memicu event-driven review. Migration adalah perpindahan rating naik atau turun berdasarkan hasil review; migrasi turun adalah early warning yang harus memicu tindakan mitigasi seperti restrukturisasi dini atau tambah agunan. Yang penting Anda pahami: bank dengan monitoring lemah sering terlambat menangkap deteriorasi, sehingga opsi mitigasi sudah tertutup ketika masalah akhirnya terdeteksi. Inilah mengapa investasi di sistem monitoring dan early warning adalah investasi recovery yang paling ROI-tinggi.

Override & Governance

Governance rating menentukan kredibilitas sistem — tanpa disiplin, rating menjadi formalitas.

Disiplin Override

Setiap override terdokumentasi dengan justifikasi
Tracking override rate per analis
Tracking akurasi override historis
Approval threshold: override > 2 notch perlu RMC

Governance Struktur

Risk Management Committee (RMC) tingkat direksi
Model validation function independen
Audit internal tahunan sistem rating
Regulator review (OJK) berkala

Governance rating menentukan apakah sistem dipercaya atau menjadi formalitas. Disiplin override adalah pilar pertama: setiap override analyst terhadap rating model harus terdokumentasi dengan justifikasi tertulis, dan bank melacak override rate per analis serta akurasi override historis — apakah analyst benar dalam override secara historis. Approval threshold juga penting: override lebih dari 2 notch biasanya memerlukan persetujuan Risk Management Committee atau RMC tingkat direksi. Pilar kedua adalah struktur governance: RMC setingkat direksi yang mengawasi sistem rating, model validation function independen yang menguji model secara berkala, audit internal tahunan, dan regulator review oleh OJK secara berkala. Bank yang serius membangun sistem rating tidak hanya invest di teknologi, tetapi juga di SDM dan governance yang menjamin disiplin operasional.

Rating Migration Matrix

Migration matrix adalah tabel probabilitas perpindahan rating dari satu periode ke periode berikutnya — alat analisis portofolio paling kuat.

Dari \ Ke	AAA	AA	A	BBB	BB	Default
AAA	92%	6%	1%	0,5%	0,3%	0,2%
AA	3%	89%	6%	1%	0,5%	0,5%
A	0,5%	4%	88%	6%	1%	0,5%
BBB	0,2%	1%	5%	84%	8%	1,8%
BB	0,1%	0,5%	2%	7%	78%	12,4%

Diagonal utama = stabilitas rating; off-diagonal = migrasi. Probabilitas default di kolom terakhir adalah PD 1-tahun per rating awal.

Migration matrix adalah output paling powerful dari sistem rating. Tabel ini menunjukkan probabilitas perpindahan rating dari awal periode baris ke akhir periode kolom. Diagonal utama menunjukkan stabilitas rating — misalnya AAA bertahan sebagai AAA dengan probabilitas 92 persen, menunjukkan rating yang sangat stabil. Off-diagonal menunjukkan migrasi: AA naik ke AAA 3 persen, turun ke A 6 persen, dan seterusnya. Kolom terakhir adalah probabilitas default 1-tahun per rating awal — AAA default 0,2 persen, BB default 12,4 persen. Migration matrix memberikan tiga insight manajerial: pertama, stabilitas rating per kelas; kedua, probabilitas deteriorasi yang harus dipantau sebagai early warning; ketiga, dasar kalibrasi PD melalui kolom default. Bank besar memelihara migration matrix yang di-update tahunan dan dipakai untuk analisis portofolio serta stress testing Basel.

Bagian 4 · 4/4

Aplikasi Manajerial

Diskusi kelas: bagaimana rating memengaruhi negosiasi kredit dengan debitur korporasi besar yang merasa rating-nya "terlalu rendah"?

Rating → Pricing, Limit, Decision

Rating tunggal menggerakkan tiga keputusan manajerial yang berbeda — efisiensi operasional sistem rating.

Rating	Spread (di atas base)	Limit Maks (ilustrasi)	RWA Bobot (Basel)
AAA	+0,5%	Rp 200 M	20%
AA	+0,8%	Rp 150 M	30%
A	+1,2%	Rp 100 M	50%
BBB	+2,0%	Rp 50 M	100%
BB	+3,5%	Rp 25 M	150%
B & below	Decline	—	—

Rating tinggi → spread rendah, limit tinggi, modal ringan. Rating rendah → spread tinggi atau decline — pricing-to-risk operasional.

Tabel ini menunjukkan bagaimana rating tunggal menggerakkan tiga keputusan manajerial secara konsisten. Spread di atas base rate naik tajam saat rating turun — dari 0,5 persen untuk AAA ke 3,5 persen untuk BB. Limit maksimum menurun — dari Rp 200 miliar untuk AAA ke Rp 25 miliar untuk BB. Bobot RWA Basel meningkat — dari 20 persen untuk AAA ke 150 persen untuk BB, yang menentukan modal yang dialokasikan per eksposur. Debitur dengan rating B atau below biasanya decline otomatis. Tabel ini adalah operasionalisasi pricing-to-risk yang menjadi nilai jual sistem rating. Bank yang menjalankan ini dengan disiplin dapat menjawab debitur yang menegosiasikan spread: spread ditentukan rating, rating ditentukan data finansial dan kualitatif yang dapat di-improve — memberikan jalur improvement yang jelas, bukan negosiasi ad hoc.

Studi Kasus: Internal Rating Bank Korporasi Indonesia

Konteks (ilustrasi): Bank korporasi XYZ menerapkan sistem rating hybrid 10-kelas dengan migration matrix 8-tahun. Tantangan: konsistensi override antar cabang dan validasi PD ke data historis.

Tahap Implementasi	Keputusan Kunci	Output
1. Desain master scale	10 kelas AAA-D dengan rentang skor	Master scale formal
2. Scoring model korporasi	Hybrid: logit + expert card 5C	Skor numerik 0-100
3. Kalibrasi PD historis	Migration matrix 8 tahun; smoothing Platt	PD 0,1% – 25% per rating
4. Governance override	Threshold > 2 notch perlu RMC	Override rate ~12% (sehat)
5. Validasi independen	Model validation function; AUC 0,80	Sertifikasi IRB Advanced
6. Aplikasi pricing-to-risk	Spread rating-based; limit per kelas	Margin portofolio +50 bps

Pelajaran

Sistem rating adalah investasi multi-tahun — ROI datang dari capital relief IRB & pricing-to-risk yang konsisten

Studi kasus bank korporasi Indonesia ini menggabungkan semua konsep hari ini menjadi implementasi nyata. Enam tahap menunjukkan lifecycle penuh: desain master scale 10 kelas, scoring model hybrid dengan logit plus expert card 5C, kalibrasi PD historis melalui migration matrix 8 tahun dengan smoothing Platt, governance override dengan threshold 2 notch ke RMC, validasi independen dengan AUC 0,80 untuk sertifikasi IRB Advanced, dan aplikasi pricing-to-risk dengan spread rating-based dan limit per kelas. Hasil akhirnya adalah margin portofolio naik 50 basis poin karena spread lebih akurat mencerminkan risiko. Pelajaran kunci: sistem rating adalah investasi multi-tahun dengan ROI yang datang dari dua sumber — capital relief IRB Advanced yang mengurangi modal yang dialokasikan, dan pricing-to-risk yang lebih akurat sehingga margin lebih sehat. Bank yang berkomitmen jangka panjang dapat menikmati keunggulan kompetitif signifikan.

Ringkasan Kunci Pertemuan 6

Master Scale

Skor numerik → kelas ordinal; PD monoton naik saat rating turun

Hybrid IRB

Model + override terdokumentasi; persyaratan validasi regulator

Rating → 4 Keputusan

Pricing, limit, RWA, early warning digerakkan rating tunggal

Bawa kerangka rating internal sebagai jembatan operasional PD ke keputusan harian — fondasi P7 (portofolio) & P12 (Basel IRB).

Persiapan P7: baca Saunders & Allen bab 7 (portofolio); refresh konsep HHIs, default correlation, concentration risk.

Sebagai penutup, saya ingin menegaskan tiga pesan kunci hari ini. Pertama, master scale adalah jembatan antara skor numerik dan kelas ordinal yang dapat dipakai credit committee, dengan properti monoton wajib bahwa PD naik konsisten saat rating turun. Kedua, pendekatan hybrid IRB dengan model statistical plus override analyst terdokumentasi adalah standar Basel yang menyeimbangkan konsistensi model dan judgment manusia. Ketiga, rating tunggal menggerakkan empat keputusan manajerial — pricing, limit, RWA, dan early warning — yang membuat sistem rating menjadi infrastruktur kritikal dengan ROI signifikan melalui capital relief IRB dan pricing-to-risk yang akurat. Sampai jumpa di pertemuan 7 di mana kita akan naik dari rating per debitur ke analisis portofolio yang menyangkut konsentrasi, diversifikasi, dan korelasi default.