Analisis penyebab kredit macet UMKM pada bank BUMN di DKI Jakarta pada masa pandemi Covid-19
P ada masa pandemi Covid-19 di Indonesia banyak dari bank-bank BUMN yang ada di DKI Jakarta mengalami kenaikan pada angka NPL yakni kegagalan pembayaran kredit . Hal inilah yang melatarbelakangi penelitian saya terkait dengan bagaimana factor factor yang mempengaruhi kredit macet UMKM pada Bank BUMN Di DKI JakartaTeknik analisis data dalam penelitian ini menggunakan Partial Least Square (PLS). PLS merupakan model persamaan Structural Equation Modeling (SEM) dengan pendekatan berdasarkan variance atau component-based structural equation modeling. Penelitian ini memiliki model yang kompleks serta jumlah sampel yang terbatas, sehingga dalam analisis data menggunakan software SmartPLS. SmartPLS menggunakan metode bootstrapping atau penggandaan secara acak. Oleh karenanya asumsi normalitas tidak akan menjadi masalah. Selain itu, dengan dilakukannya bootstrapping maka SmartPLS tidak mensyaratkan jumlah minimum sampel, sehingga dapat diterapkan untuk penelitian dengan jumlah sampel kecil. Model ini juga mengambil data pada UMKM yang berada di DKI Jakarta , karena ada keterbatasan saya tidak menyertakan pulau seribu dalam penelitian ini , UMKM yang saya ambil survey ada 400 UMKM yang pernah meminjam 1x atau lebih di bank BUMN. Berdasarkan hasil dari penilitian ini diketahui bahwa watak, capital, collateral dan kondisi ekonomi mempengaruhi tingkat pengembalian kredit UMKM pada bank BUMN DKI Jakarta.
D uring the Covid-19 pandemic in Indonesia, many of the state-owned banks in DKI Jakarta experienced an increase in NPL numbers, namely credit payment failures. This is the background of my research related to how the factors that affect bad credit MSMEs at state-owned banks in DKI Jakarta. The data analysis technique in this study used Partial Least Square (PLS). PLS is a Structural Equation Modeling (SEM) equation model with an approach based on variance or component-based structural equation modeling. This study has a complex model and a limited number of samples, so the data analysis uses SmartPLS software. SmartPLS uses bootstrapping method or random multiplication. Therefore the assumption of normality will not be a problem. In addition, with bootstrapping, SmartPLS does not require a minimum number of samples, so it can be applied to research with a small sample size. This model also takes data on MSMEs in DKI Jakarta, because there are limitations, I did not include the thousand islands in this study. The MSMEs I surveyed were 400 MSMEs who had borrowed 1 time or more from state-owned banks. Based on the results of this study, it is known that character, capital, collateral and economic conditions affect the rate of return on MSME loans at state-owned banks in DKI Jakarta