Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
ABSTRAK
Dalam penelitian ini sebuah model prediksi untuk mendeteksi secara dini potensi pembiayaan bermasalah yang dapat disehatkan dan yang berakhir dengan penyelesaian secara litigasi maupun non litigasi untuk penanganan pembiayaan bermasalah telah dibuat dengan pendekatan teknik statistik yakni Nested Logit. Hasil penelitian menemukan bahwa faktor-faktor yang berpengaruh signifikan secara statistik terhadap resolusi tindakan penyehatan adalah limit pembiayaan, status kepemilikan usaha, dan prospek usaha. Adapun faktor-faktor yang berpengaruh signifikan secara statistik terhadap resolusi penyelesaian dengan non litigasi, yaitu akad pembiayaan, sikap nasabah, dan prospek usaha, sedangkan terhadap penyelesaian litigasi, yaitu status kepemilikan usaha, sektor usaha, dan prospek usaha. Hasil ketepatan prediksi yang ditunjukkan oleh model Nested Logit secara keseluruhan rata-rata sebesar 87% akurat dari aktual, dengan proporsi akurasi pada masing-masing resolusi: yaitu 71% pada penyehatan, 92% pada penyelesaian non litigasi dan 98% pada penyelesaian litigasi. Akurasi model yang didapat sudah sangat cukup baik dimana keakuratan hasil prediksi validasi terhadap model secara keseluruhan sebesar 89%. Untuk itu, model ini dapat digunakan sebagai pendeteksi dini potensi pembiayaan bermasalah

---

ABSTRACT
In this study a prediction model for early warning sign detection of potential non performing financing problems that can be recovered and resolved either non litigation or litigation in handling financing problems have been developed by the approach of the statistical techniques called Nested Logit Regression. The results found that the factors statistically and significantly have a relationship on the resolution of recovering measures are the limit of financing, business ownership status and business prospects. The factors that influence statistically and significantly against non-litigation, namely the financing agreement, the attitude of customers and business prospects, while on the resolving by litigation, namely the ownership status of the business, the business sector, and business prospects. The results shown by the prediction accuracy of Nested Logit models with overall average was about 87% of the actual accurate, with the proportion of accuracy on each resolution: 71% on recovering, 92% in non-litigation settlement and 98% on completion of litigation. The accuracy of the model obtained is very reasonably well, where the accuracy of the predicted results validate the overall model by 89%. Therefore, this model can be used as an early detection of potential non performing financing problems.

Abstrak :
Model multinomial logit adalah model yang biasa digunakan untuk memodelkan pilihan. Model tersebut dapat diturunkan dari fungsi utilitas, dengan asumsi error antar alternatif berdistribusi gumbel, dan saling bebas, serta error antar observasi saling bebas. Jika asumsi error antar alternatif saling bebas tidak terpenuhi, maka dibutuhkan alternatif model lain untuk memodelkan pilihan. Model nested logit adalah salah satu model yang dapat digunakan untuk mengatasi permasalahan tersebut. Alternatif pilihan yang saling berpengaruh dikelompokkan ke dalam satu sarang. Penaksiran parameter pada Model nested logit dapat dilakukan dengan Full Information Maximum Likelihood (FIML) dimana parameter untuk sarang dan alternatif pilihan ditaksir secara simultan. Tetapi turunan fungsi log likelihoodnya tidak linier sehingga dibutuhkan metode NewtonRaphson. ......The multinomial logit model is a model commonly used to model choices. This model can be derived from the utility function, with the assumption that the interalternative error has a Gumbel distribution, are mutually independent, and the error between observations are also mutually independent. If the assumption of mutual independence of the interalternative error is not satisfied, then another model is needed to model the alternatives. Nested logit model is one of the models that can be used to overcome this kind of problem. Alternative choices that affect each other are grouped into a single nest. Estimation of parameters of the nested logit model can be done by the Full Information Maximum Likelihood (FIML). But the derivative of log likelihood functions are not linear so the NewtonRaphson methods are needed in the process.