Model Pendeteksian Kebangkrutan pada Bank Perkreditan Rakyat Provinsi Jawa Timur Menggunakan Big Data Analytics

Abstract

Peristiwa kebangkrutan BPR tidak menunjukkan tren penurunan sejak tahun 1900. Hal ini menghambat tujuan awal pembentukan BPR yang berkaitan erat dengan Usaha Mikro, Kecil, dan Menengah. Dari ke tiga provinsi dengan UMKM terbesar, Jawa Timur merupakan provinsi dengan jumlah produksi tahunan terbesar dan Loan to Deposit Ratio yang paling tinggi di antara tiga provinsi dengan jumlah UMKM terbesar. Model pendeteksian financial distress dilakukan dengan mengembangkan model Altman Z Score menggunakan rasio keuangan yang ditetapkan OJK untuk menilai kesehatan BPR dengan mengaplikasikan big data analytics. Proses pengembangan dilakukan melalui tahap pre-processing, statistical analysis, lalu proses modeling dengan melakukan looping lag variable menggunakan logistic regression dengan parameter lasso. Hasil penelitian menunjukkan terdapat tiga kategori model yang dinilai berdasarkan recall dan specificity-nya yaitu kategori high, moderate, dan low. Kategori high mayoritas memiliki lag variable ROA-1 atau ROA-0.5, BOPO-1, KPMM-0.5, NIM-0.5, MIAPB-0.5. Kategori moderate mayoritas memiliki lag variable ROA-1, BOPO-2, KPMM-0.5, NIM-1, MIAPB-0.5. Kategori low mayoritas memiliki lag variable ROA-2, BOPO-0.5, KPMM-1, NIM-0.5, dan MIAPB-2,sedangkan, jika dilihat berdasarkan variabelnya, Pada kategori high, variabel yang paling berpengaruh adalah BOPO, kemudian ROA, KPMM, MIAPB, dan NIM. Adapun, pada kategori moderate, variabel yang paling berpengaruh adalah BOPO, kemudian MIAPB, NIM, KPMM, dan ROA, sedangkan untuk kategori low, variabel yang paling berpengaruh adalah BOPO, kemudian MIAPB, KPMM, NIM, dan ROA. BOPO merupakan variabel yang paling berpengaruh secara konsisten di ketiga kategori model, sedangkan ROA hanya memiliki pengaruh yang tinggi pada kategori high. Model dengan BOPO sebagai variabel paling berpengaruh, jumlahnya meningkat seiring dengan menurunnya kategori menuju low. Hal ini juga diikuti dengan penurunan persentase jumlah model dengan ROA sebagai variabel paling berpengaruh seiring dengan peningkatan jumlah pengaruh pada MIAPB, KPMM, dan NIM. Akurasi sangat dipengaruhi oleh perubahan koefisien variabel MIAPB karena MIAPB merupakan node pertama dan cabang pertama, dilanjutkan oleh BOPO.