Kajian Keberlangsungan Penyalur Kredit Usaha Rakyat

Pendugaan parameter dalam regresi logistik menggunakan metode kemungkinan maksimum maximum likehood estimation. Jika antara amatan yang satu dengan yang lain diasumsikan bebas maka fungsi kemungkinan yang diperoleh adalah: ℓβ = ∑x 1 ∑x 2 … ∑x n = ∏ ∑ Prinsip prosedur MLE adalah menentukan dugaan yang nilainya akan memaksimumkan persamaan peluang bersama n pengamatan, untuk mempermudahkan perhitungan, dilakukan transformasi dengan logaritma natural, sehingga mendapatkan fungsi log likehood berikut; ℓβ = In ℓβ = ∑ { [ ] [ ] Untuk menentukan dugaan β yang memaksimumkan ℓβ kita diferensialkan persamaan diatas terhadap masing masing parameter α dan β, lalu disamakan dengan 0. Pengujian terhadap parameter parameter model dilakukan baik secara simultan maupun secara parsial. Menurut Juanda 2009 selanjutnya menguji apakah model logit tersebut secara simultan atau keseluruhan dapat menjelaskan keputusan pilihan kualitatif Y yaitu dengan menggunakan uji likehood ratio , dengan hipotesis: H : β 1 = …= β k = 0 H 1 : minimal ada β j ≠0, untuk j = 2, 3,…k Statistik uji G menyebar menurut sebaran Khi-kuadrat dengan derajat bebas k-1 dirumuskan sebagai berikut; G = -2In[ ] = 2In[ ] ≈ = 2[In likehood_Model UR – In likehood_Model R ] Dengan mengasumsikan H benar, statistic uji G akan mengikuti sebaran Khi kuadrat dengan derajat bebas k-1. Keputusan tolak H jika G . Pengujian parameter secara parsial menggunakan uji Wald. Hipotesis yang akan diuji adalah: H : βj = 0 untuk I = 2,3,…k pengubah xj tidak berpengaruh nyata H 1 : βj ≠0; I = 1,2…..k pengubah xj berpengaruh nyata Statistik uji yang digunakan adalah: W = ̂ 39 Dengan ̂ sebagai penduga β j dan SE ̂ sebagai penduga galat baku β j. Statistik W akan mengikuti sebaran normal baku jika H benar, keputusan tolak H diambil jika |W|Z α2 Interprestasi koefisien untuk model regresi logistik biner dapat dilakukan dengan menggunakan nilai rasio oddsnya. Odd rasio bisa didefinisikan sebagai berapa kali kemungkinan pilihan-1 diantara individu dengan x=1 dibandingkan diantara individu dengan x=0 Juanda, 2009. Menurut Hosmer dan Lemeshow 2000 mengartikan odd sebagai rasio peluang kejadian sukses dengan kejadian tidak sukses dari peubah respon. Rasio odds mengindikasikan seberapa lebih mungkin munculnya kejadian sukses pada suatu kelompok dibandingkan dengan kelompok lainnya. Rasio odds adalah sebagai berikut: Ψ = Interprestasi dari rasio odds ini adalah kecenderungan untuk Y = 1 pada X – 1 sebesar Ψ kali dibandingkan pada X = 0 3.2.5 Variabel-Variabel untuk Akses KUR Penelitian akses kredit dengan pendekatan regresi logistik juga dilakukan peneliti-peneliti lain, seperti; Dufhues Buchenrieder 2005; Li et al. 2011; Chauke Anim 2013; Ololade Olagunju 2013. Beberapa peneliti menggunakan pendekatan lain seperti probit Mohamed et al. 2009; Behr and Sonnekalb 2012; Vitor and Abankwah 2012. Peubah bebas dan terikatnya yang merujuk pada Li et al, 2011 terangkum dalam tabel 3.2. Tabel 3.2 Deskripsi variabel-variabel akses KUR Nama Variabel Tipe Keterangan gx i Biner RT usaha Mikro 1= akses KUR, 0=tidak akses KUR Demografi X; Usia Kontinyu Usia pemilik usaha, th Jenis Kelamin Biner Jenis kelamin pemilik 1 = pria, 0 = wanita Pendidikan Tingkat pendidikan pemilik Pendidikan_1 Biner 1=SD, 0 lainnya Pendidikan_2 Biner 2=SMP, 0 lainnya Pendidikan_3 Biner 3=SMA, 0 lainnya Sosial-economi; Jarak Kontinyu Jarak lokasi usaha ke bank Km Lama usaha Kontinyu Lama usaha th Hambatan usaha Biner Hambatan usaha mikro 1= modal, 0 lainnya Nama Variabel Tipe Keterangan Modal kerja Kontinyu Modal kerja per minggu Rp juta Rekening bank sebelumnya Biner Kepemilikan rekening 1 = ya, 0 lainnya Pekerjaan sampingan Biner Pemilik usaha memiliki usaha sampingan 1=ya,0 lainnya Pasangan bekerja Biner Pasangan bekerja 1=ya, 0 lainnya Pinjaman Lain Biner Ada sumber kredit lain 1=ya, 0 lainnya

3.2.6 Variabel-Variabel untuk Pembayaran Kembali KUR

Jumlah sampel dalam penelitian ini ada 155 responden rumah tangga usaha mikro yang mendapat KUR. Dalam penelitian ini menggunakan regresi logistik untuk menentukan faktor-faktor determinan yang mempengaruhi usaha mikro membayar KUR. Penelitian lain menggunakan logit juga dilakukan oleh Tundui dan Tundui 2013; Mokhtar et al. 2012. Metode lain seperti dengan probit Godquin 2004; Vitor 2012; Setargie 2013; Wongnaa dan Vitor 2013, dan tobit Gebeyehu et al. 2013. Dalam penelitian ini menggunakan karakteristik peminjam, karakteristik usaha dan karakteristik pinjaman seperti yang ada di tabel 4.3 yang merujuk pada penelitian Roslan and Karim 2009. Nawai dan Shariff 2013 menambahkah karakteristik lembaga keuangan. Tabel 3.3 Deskripsi variabel-variabel pembayaran kembali kredit usaha rakyat Nama Variabel Tipe Variabel Penjelasan px i Biner Pembayaran KUR 1= lancar, 0= terlambat, lancar = terlambat tidak lebih dari 2 kali Karakteristik peminjam; Jenis kelamin Biner Jenis kelamin pemilik usaha mikro 1 = laki- laki, 0 = perempuan Usia Kontinu Usia pemilik usaha mikro Tingkat pendidikan Pendidikan_1 Biner 1 = SD, 0 lainnya Pendidikan_2 Biner 2 = SMP, 0 lainnya Pendidikan_3 Biner 3 = SMA, 0 lainnya Pengeluaran makanan Kontinu Jumlah pengeluaran RT untuk makananbulan Pekerjaan sampingan Biner 1 = memiliki pekerjaan sampingan, 0 tidak Pasangan bekerja Biner 1 = Suamiistri bekerja, 0 tidak Jumlah tanggungan Kontinu Jumlah anak yang masih ditanggung Karakteristik usaha; Jarak Kontinu Lokasi usaha ke bank km Jenis usaha Jenis usaha_1 Biner 1 = dagang dan ritel, 0 lainnya Jenis usaha_2 Biner 2 = jasa, 0 lainnya Jenis usaha_3 Biner 3 = pengolahan, 0 lainnya Lama usaha Kontinu Berapa lama usaha berdiri tahun Hambatan usaha Biner Hambatan yang dihadapi oleh usaha mikro 1= modal, 0 marketing Besarnya Pinjaman Biner 1 = = Rp 10 juta, 0 = kurang dari Rp 10 juta 41 Nama Variabel Tipe Variabel Penjelasan Penjualan Kontinu Penjualan per minggu Rp Modal kerja Kontinu Modal kerja per minggu Rp Pengalihan pinjaman Biner Pengalihan penggunaan kredit, 1 = ya, 0 tidak Sumber pinjaman lain Biner Sumber pinjaman lain, 1 = ya, 0 hanya KUR Karakteristik pinjaman; Jaminan Jaminan_1 Biner 1 = tidak ada jaminan, 0 lainnya Jaminan_2 Biner 2 = BPKB motor, 0 lainnya Pembatasan kredit Biner Apakah pinjaman disetujui sesuai dengan yang diminta credit constrained, 1= disetujui semua, 0 lainnya Periode angsuran Kontinu Lamanya angsuran bulan

3.2.7 Propensity Score Matching atau Pencocokan Nilai-Kedekatan

Metode propensity score matching PSM Pencocokan nilai- kedekatan yaitu memadankan antara subyekanggota terpajan treatment Variable atau dalam kelompok partisipan dengan kondisi tidak terpajan control variable atau non partisipan dengan menggunakan nilai propensity scorenya atau probabilitas dari terpajan atau yang mendapat perlakuan atau keduanya dengan menggunakan karakteristik yang dapat diamati agar dapat melakukan analisis yang lebih baik terhadap hasil pencapaian. Metode PSM ini pertama kali dikenalkan oleh Rosenbaum dan Rubin 1983 dan dikembangkan oleh Heckman 1997. Alasan evaluasi dampak dengan menggunakan propensity score ini untuk mengurangi bias karena dalam penelitian observasi selalu memiliki masalah dalam penarikan kesimpulan karena adanya potensial confounding, sehingga kurang tepat jika dua kondisi tersebut dibandingkan meskipun sudah dilakukan adjustment melalui regresi karena masih ada potensi bias. Teknik analisis yang menggunakan propensity score dalam studi observasi dapat melakukan adjustment pada covariat pada dua kelompok dan dapat mengurangi bias lebih baik dibandingkan dengan teknik modeling pada analisis multivariate yang konvensional. Teknik analisis ini melakukan matching melalui nilai propensity dari subjek yang terpajan dan subjek tidak terpajan. Nilai propensity merupakan nilai probabilitas subyek jika tidak terpajan, yang ada kenyataan subyek adalah dalam keadaan terpajan kontra fakta. Prosedur atau langkah dalam PSM adalah pertama terkait dengan model yang akan digunakan untuk mengestimasi, dan variabel yang akan dimasukkan dalam model. Model yang digunakan untuk proses pencocokan skor PSM dengan regresi probit dengan variabel-variabel seperti terangkum dalam tabel 3.4 dibawah. Menurut Caliendo dan Kopeinig 2005 hasil dari regresi logistik dengan model probit hampir mirip. Dalam penelitian ini, model probit digunakan untuk memgestimasi probabilitas akses KUR. Model probit nya sebagai berikut; P Y i = 1 │X i = ᶲ β + β 1 X i1 + ...+ β p X ip = ∫ ฀ 4 Selanjutnya, memilih algoritma pemadanan matching. Dalam proses pencocokan antar covariat, beberapa teknik bisa dilakukan dalam tahapan ini