model credit scoring untuk proses analisa kelayakan fasilitas kredit...

MODEL CREDIT SCORING UNTUK PROSES ANALISA

KELAYAKAN FASILITAS KREDIT MOTOR

MENGGUNAKAN METODE CLASSIFICATION AND

REGRESSION TREE (CART)

(Studi Kasus PT. X Finance Cabang Mauk Desember 2010)

Dendy Saputro

PROGRAM STUDI MATEMATIKA

FAKULTAS SAINS DAN TEKNOLOGI

UNIVERSITAS ISLAM NEGERI

SYARIF HIDAYATULLAH

JAKARTA

2011/1432 H

ii

PENGESAHAN UJIAN

Skripsi berjudul “ MODEL CREDIT SCORING UNTUK PROSES

ANALISA KELAYAKAN FASILITAS KREDIT MOTOR

MENGGUNAKAN METODE CLASSIFICATION AND REGRESSION

TREE (CART) ” dengan studi kasus di PT X Finance cabang Mauk pada

Desember 2010 yang ditulis oleh Dendy Saputro, NIM 107094002797 telah di

uji dan dinyatakankan lulus dalam sidang Munaqosyah Fakultas Sains dan

Teknologi Universitas Islam Negeri Syarif Hidayatullah Jakarta pada tanggal 07

Juni 2011. Skripsi ini telah diterima sebagai salah satu syarat untuk memperoleh

gelar sarjana strata satu (S1) Program Matematika.

Menyetujui :

Penguji 1, Penguji 2,

Gustina Elfiyanti, M.Si. Suma’inna, M.Si.

NIP. 19820820 200901 2 006 NIP. 150 408 699

Pembimbing 1, Pembimbing 2,

Hermawan Setiawan, M.Kom Bambang Ruswandi, M.Stat

NIP. 19740623 199312 2 001 NIDN. 0305108301

Mengetahui :

Dekan Fakultas Sains dan Teknologi, Ketua Program Studi Matematika,

DR. Syopiansyah Jaya Putra, M. Sis Yanne Irene, M. Si

NIP. 19680112 00112 1 001 NIP. 19741231 200501 2 018

iii

PERNYATAAN

DENGAN INI SAYA MENYATAKAN BAHWA SKRIPSI INI BENAR-

BENAR HASIL KARYA SENDIRI YANG BELUM PERNAH DIAJUKAN

SEBAGAI SKRIPSI PADA PERGURUAN TINGGI ATAU LEMBAGA

MANAPUN.

Jakarta, Juni 2011

Dendy Saputro

107094002797

v

ABSTRAK

Pesatnya kemajuan teknologi transportasi merespon produsen dan

distributor kendaraan bermotor bersaing secara ekstra. Pembelian secara kredit

merupakan salah satu solusi yang positif dalam memenuhi permintaan kendaraan

konsumen saat ini. Hal ini pula yang membuat pihak lembaga pembiayaan untuk

melakukan serangkaian analisa kredit terhadap aplikasi permohonan kredit calon

konsumen guna mensiasati besarnya resiko kredit yang akan terjadi.

Model Credit Scoring dengan metode Classification and Regression Tree

(CART) merupakan salah satu mediasi dalam menganalisa kelayakan fasilitas

kredit calon konsumen. Pada penelitian ini, terdapat tujuh variabel uji yang

digunakan dalam penelitian yaitu, variabel approval, uang muka, harga OTR,

bunga pinjaman, tenor pembayaran, kondisi kendaraan, dan jenis kelamin. Hasil

dari penelitian yang telah dilakukan ternyata hanya terdapat empat variabel yang

berpengaruh terhadap keputusan persetujuan pemberian kelayakan fasilitas kredit

yakni variabel uang muka, harga OTR, bunga pinjaman, dan tenor pembayaran

dengan nilai kontribusi masing-masing variabel berturut-turut 100, 24.04, 21.5,

6.69.

Kata Kunci: Analisa Kredit, Credit Scoring, CART, Approval.

vi

ABSTRACT

The advancement of transportation technology responds the vehicle’s

producer and distributor to compete maximally. The purchase of motorcycle on

credit is one positive solution to fulfill the consumer request nowadays. This also

makes the financial institution to conduct a series of credit analysis on the

prospective buyers’loan application to reduce credit risk

Credit scoring model using the Classification and Regression Tree

(CART) method is one of the mediation in analyzing the prospective buyers’

credit facility properness. In this research, there are seven variables used in the

making of credit scoring model: approval variable, down payment, OTR price,

loan interest, tenor payment, vehicle condition, and gender. The research result,

however, only shows four variables that influence on the credit approval decision:

down payment variable, OTR price, loan interest, and tenor payment with the

contribution score of each variable in succession 100, 24.04, 21.5, 6.69.

Key words: Credit Analysis, Credit Scoring, CART, Approval.

vii

KATA PENGANTAR

Segala puji bagi Allah SWT, atas segala nikmat dan rahmat-Nya kepadaku.

Shalawat teriring salam semoga selalu tercurah kepada junjungan kita, Baginda

Nabi Besar Muhammad SAW. Dengan mengucap syukur Alhamdulillah berkat

rahmat dan izin-Nya, akhirnya penulis dapat menyelesaikan skripsi penelitian

yang berjudul “ MODEL CREDIT SCORING UNTUK PROSES ANALISA

KELAYAKAN FASILITAS KREDIT MOTOR MENGGUNAKAN METODE

CLASSIFICATION AND REGRESSION TREE (CART) ” dengan studi kasus di

PT X Finance cabang Mauk pada Desember 2010.

Pada penulisan skripsi ini, penulis mendapat bimbingan dan bantuan dari

berbagai pihak, sehingga dalam kesempatan yang berbahagia ini penulis

menghaturkan ucapan Terima Kasih kepada :

1. Dr. Syopiansyah Jaya Putra, M.Sis, Dekan Fakultas Sains dan Teknologi.

2. Yanne Irene, M.Si. Ketua Program Studi Matematika dan Suma’inna, M.Si,

Sekretaris Program Studi Matematika.

3. Hermawan Setiawan, M.Ti, selaku Pembimbing I.

4. Bambang Ruswandi, M.Stat, selaku Pembimbing II.

5. Seluruh Dosen Program Studi Matematika, terima kasih atas pengajaran dan

ilmu yang telah diberikan kepada penulis.

viii

6. Kedua orang tua, Bapak dan Ibu, mas Wawan, mbak Uthi, Opi, dan tentunya

Keisha, terima kasih atas kasih sayang, dukungan dan semangat tiada henti

yang membuat penulis bertahan hingga sejauh ini.

7. Keluarga besar H. Daniel Asril, terima kasih atas doa dan semua bantuan

yang tidak pernah terputus sampai saaat ini.

8. Cyka, Binu, Cumie, Inoy, Nita, Abang, dan terkhusus Alm. Eja, dan semua

sahabat-sahabat tersayang terima kasih untuk semua dukungan dan sekian

tahun kebersamaan terkhusus keluarga besar Bapak Suherman, Bapak, Mama,

Kaka, dan Bedhot.

9. Atunku Yufriska Citradini terima kasih atas semangat serta kesediaannya

mendengarkan curhatan selama ini dan semua teman-teman Mandiri TSC

Jakarta.

10. Sahabat-sahabat terbaik, Ade, Icha, Widy, Dhila, Febri, Laung, Ubay, Gerdy,

Rahmat, Afif, Angge, Asep, Opank, Cheper, terima kasih untuk dukungannya

selama ini, serta teman-teman Matematika 2007.

11. Kak Dennis, Kak Mahmudi, Selly, Tami dan seluruh keluarga besar

HIMATIKA UIN Jakarta.

Dengan terselesaikannya skripsi ini, penulis berharap dapat memberikan

sedikit kontribusi yang berarti, baik untuk pembaca dan khususnya untuk penulis.

Berkaitan dengan belum sempurnanya penyusunan skripsi ini, maka dari itu kritik

dan saran yang bersifat konstruktif sangat penulis harapkan.

Jakarta, 1 Mei 2011

Penulis

ix

DAFTAR ISI

HALAMAN JUDUL ……………………………………………………... .. i

PENGESAHAN UJIAN ......................................................................... ...... ii

PERNYATAAN ..................................................................................... ....... iii

PERSEMBAHAN DAN MOTTO ................................................................ iv

ABSTRAK ............................................................................................ ........ v

ABSTRACT ............................................................................................. .... . vi

KATA PENGANTAR ........................................................................... ....... vii

DAFTAR ISI ............................................................................................. .. . ix

DAFTAR TABEL ………………………………………… ......................... xii

DAFTAR GAMBAR ......................................................................... ........... xiii

BAB I PENDAHULUAN ........................................................................... 1

1.1. Latar Belakang .......................................................................... 1

1.2. Permasalahan ............................................................................. 3

1.3. Pembatasan Masalah ................................................................. 3

1.4. Tujuan Penelitian ...................................................................... 3

1.5. Manfaat Penelitian .................................................................... 4

BAB II LANDASAN TEORI ...................................................................... 5

2.1. Kredit ......................................................................................... 5

2.2. Analisis Cross Tabulation ......................................................... 6

2.2.1 Uji Chi-Square ( ) ........................................................... 7

2.3. Credit Scoring ........................................................................... 8

x

2.4. Decisoin Tree ............................................................................ 10

2.5. Classification and Regression Tree (CART) ............................ 13

2.5.1 Classification Tree ............................................................. 15

2.5.2 Maksimum Tree ................................................................. 19

2.5.3 Optimum Tree .................................................................... 21

BAB III METODOLOGI PENELITIAN

3.1 Waktu dan Tempat Penelitian ................................................ 23

3.2. Metode Pengumpulan Data ...................................................... 23

3.3. Metode Pengolahan Data .......................................................... 24

3.3.1 Analisis Cross Tabulation .................................................. 24

3.3.2 Pengolahan Data dengan CART ........................................ 26

3.4. Alur Penelitian .......................................................................... 28

BAB IV HASIL DAN PEMBAHASAN

4.1. Analisis Pendahuluan ................................................................. 29

4.1.1 Statistika Deskriptif ............................................................ 29

4.1.2 Analisis Cross Tabulasi ....................................................... 31

4.2 Analisis Hasil CART ................................................................... 35

4.2.1 Maksimum Tree ................................................................... 35

4.2.2 Optimal Tree ........................................................................ 41

BAB V KESIMPULAN DAN SARAN ....................................................... 48

5.1. Kesimpulan ............................................................................. 48

5.2. Saran ....................................................................................... 50

DAFTAR PUSTAKA ………………………………………… ................... 51

xi

LAMPIRAN ......................................................................... ......................... 53

RIWAYAT PENULIS ......................................................................... ......... 54

xii

DAFTAR TABEL

Tabel 4.1 : Statistik Deskriptif untuk Data Kuantitatif ................................. 29

Tabel 4.2 : Statistik Deskriptif untuk Data Kualitatif ................................... 30

Tabel 4.3 : CrossTabulasion untuk Data Kuantitatif .................................... 31

Tabel 4.4 : CrossTabulasion untuk Data Kualitatif ...................................... 32

Tabel 4.5 : Chi Square Test ........................................................................... 33

Tabel 4.6 : Misclassification untuk Test Sample pada Maksimum Tree....... 36

Tabel 4.7 : Misclassification untuk Test Sample pada Optimal Tree ............ 41

Tabel 4.8 : GAINS CHART ........................................................................... 45

Tabel 4.9 : Prediction Success ...................................................................... 46

Tabel 4.10 : Variabel Terpenting .................................................................. 47

xiii

DAFTAR GAMBAR

Gambar 2.1 : Contoh Bagan Klasifikasi DecisionTtree .............................. 14

Gambar 2.2 : Diagram Algoritma Pemisah CART ..................................... 16

Gambar 2.3 : Grafik Pemisahan Twoing Splitting Rule ......................... 18

Gambar 3.1 : Diagram Alur Penelitian ....................................................... 28

Gambar 4.1 : Diagram Salah Satu Cabang Maksimum Tree ....................... 37

Gambar 4.2 : Splitter Optimal Tree Menggunakan Twoing Splitting Rule .. 42

Gambar 4.3 : Gains CART Optimal Tree .................................................... 45

Gambar 5.1 : Optimal Tree .......................................................................... 49

iv

PERSEMBAHAN

Sebuah persembahan kecil, teruntuk kedua orang tuaku, kedua kakakku, adik perempuanku,

serta bidadari kecil yang selalu memberi senyuman baru dirumah “Keisha”, keluarga besarku,

keluarga besar Bapak H. Daniel Asril, dan sahabat-sahabat terbaik yang selalu ada dan

berjuang bersama dalam sebuah semangat kekeluargaan.

MOTTO

“Barang siapa yang menghendaki dunia maka hendaknya dia berilmu. Dan

barang siapa yang menghendaki akhirat maka hendaknya dia berilmu. Dan

barang siapa yang menghendaki dunia dan akhirat maka hendaknya dia

berilmu.”

[Sa’id bin Sholih al-Ghomidi]

Barang siapa berjalan untuk menuntut ilmu maka Allah akan memudahkan

baginya jalan ke syorga

.[HR. Muslim].

1

BAB I

PENDAHULUAN

1.1 Latar Belakang

Kemajuan dan perkembangan dunia di segala bidang saat ini mendorong

seluruh lapisan masyarakat melakukan semua aktivitas secara cepat.

Masyarakat membutuhkan sarana-sarana untuk menunjang semua aktifitas

tersebut, salah satunya adalah kendaraan bermotor yang saat ini memang dirasa

sangat diperlukan. Masyarakat dapat memiliki kendaraan bermotor selain

membelinya dengan cara tunai juga dapat membelinya dengan cara kredit yang

akhir-akhir ini banyak penawaran-penawaran khusus yang dilakukan oleh

beberapa perusahaan jasa pengkreditan dengan uang muka yang terjangkau,

salah satunya adalah PT. X Finance.

Walaupun masyarakat dipermudah dengan adanya penawaran khusus

dengan uang muka yang terjangkau, pihak perusahaan juga melakukan

serangkaian proses analisis kredit pada setiap konsumen yang mengajukan

permohonan kredit sebelum menyetujuinya. Serangkaian proses tersebut

diawali dari proses vertel yaitu adanya dokumen permohonan konsumen ke

dealer yang dilanjutkan dengan mendatangkan surveyor ke rumah masing-

masing konsumen untuk meminta persyaratan dokumen konsumen. Kemudian

akan dilanjutkan dengan analisis kredit yang dilakukan oleh pihak perusahaan.

Proses analisis kredit tersebut dalam pengerjaannya membutuhkan waktu yang

tidak sebentar. Fenomena yang terjadi saat ini adalah banyaknya permohonan

2

kredit yang dilakukan konsumen akan tetapi pihak perusahaan hanya bisa

menganalisa beberapa konsumen saja dalam sehari.

Persaingan bisnis pengkreditan kendaraan bermotor dan keterbatasan

untuk menganalisa dokumen kredit konsumen perhari mendorong pihak

perusahaan dan penulis untuk melakukan inovasi dan perbaikan proses analisa

kredit yang sudah ada. Inovasi dan perbaikan proses yang dimaksud adalah

dengan mencoba membuat model credit scoring yang belum dimiliki oleh

pihak perusahan, selanjutnya model tersebut akan digunakan untuk membantu

memberikan hasil analisa kelayakan kredit secara tepat terhadap permohonan

kredit konsumen perhari.

Dari penelitian Dwi Andhayani, dkk tahun 2008 telah dibuat model

credit scoring analisa kelayakan kredit konsumen KPR salah satu Bank pada

suatu daerah yang menghasilkan model credit scoring berupa model regresi

logistik. Selanjutnya dalam penelitian ini penulis bertujuan membuat model

credit scoring dengan menggunakan metode Classification and Regression

Tree (CART) untuk memperoleh model credit scoring konsumen kredit

kendaraan bermotor yang diinginkan. Oleh karena itu, judul penelitian ini

adalah “ MODEL CREDIT SCORING UNTUK PROSES ANALISA

KELAYAKAN FASILITAS KREDIT MOTOR MENGGUNAKAN

METODE CLASSIFICATION AND REGRESSION TREE (CART) ” dengan

studi kasus di PT X Finance cabang Mauk pada Desember 2010.

3

1.2 Permasalahan

Berdasarkan latar belakang di atas maka dapat dirumuskan permasalahan

sebagai berikut :

1. Parameter apakah yang menjadi faktor penting dalam model credit scoring

penilaian kelayakan Kredit Kendaraan Bermotor di PT. X Finance ?

2. Bagaimana pola klasifikasi Permohonan Kredit yang disetujui oleh PT. X

Finance?

3. Bagaimana model tree optimum credit scoring dengan menggunakan

metode CART ?

1.3 Pembatasan Masalah

Data yang digunakan dalam penelitian ini adalah data pribadi konsumen

pemohon kredit, seperti data jenis kelamin, uang muka, tenor pembayaran,

kondisi kendaraan, besar OTR dan bunga pinjaman yang penulis peroleh dari

divisi Risk Management PT. X Finance yang selanjutnya akan dibuat model

credit scoring dengan metode Classification and Regression Tree (CART).

1.4 Tujuan Penelitian

Adapun tujuan yang hendak dicapai dalam penelitian kali ini adalah :

1. Menentukan parameter yang menjadi faktor penting dalam model credit

scoring penilaian kelayakan Kredit Kendaraan Bermotor di PT. X

Finance.

4

2. Mengetahui pola klasifikasi Permohonan Kredit yang disetujui oleh PT. X

Finance.

3. Mengetahui model optimum tree credit scoring dengan menggunakan

metode CART.

1.5 Manfaat Penelitian

Hal-hal yang dapat diperoleh dari penelitian kali ini adalah :

1. Model credit scoring yang diperoleh akan bermanfaat untuk pihak

perusahaan dalam menentukan kelayakan pemberian kredit kepada calon

konsumen dengan lebih tepat dan cepat.

2. Bagi penulis menambah wawasan mengenai credit scoring khususnya

metode Classification and Regression Tree (CART).

5

BAB II

LANDASAN TEORI

2.1 Kredit

Pengertian kredit menurut undang-undang No. 7 Tahun 1992 tentang

Perbankan adalah : “ Penyediaan uang atau tagihan yang dapat dipersamakan

dengan itu, berdasarkan persetujuan kesepakatan pinjam-meminjam antara

bank dengan pihak lain yang mewajibkan pihak meminjam untuk melunasi

hutangnya setelah jangka waktu tertentu dengan jumlah bunga, imbalan atau

pembagian hasil keuntungan ”. Jika dilihat dari fungsinya, fasilitas kredit

dikatakan sangat bermanfaat bagi berbagai pihak [10], di antaranya :

a. Bagi dunia usaha (termasuk usaha kecil) atau debitur:

Sebagai sumber permodalan untuk menjaga kelangsungan atau

meningkatkan usahanya.

Pengembalian kredit wajib dilakukan tepat waktu, diharapkan dapat

diperoleh dari keuntungan usahanya

Memberi keuntungan usaha dengan adanya tambahan modal dan

berkembangnya usaha

b. Bagi lembaga keuangan (termasuk bank) :

Menyalurkan dana masyarakat (deposito, tabungan, giro) dalam

bentuk kredit kepada dunia usaha.

Memberi keuntungan dari selisih bunga pemberian kredit atau jasa

lainnya

6

Adapun jenis-jenis kredit disesuaikan dengan kebutuhan debitur. Jenis

kredit yang akan dibahas dalam penelitian ini adalah jenis kredit kendaraan

bermotor. Untuk mengkredit sebuah kendaraan bermotor calon konsumen

ataupun calon debitur harus mengikuti serangkaian prosedur yang sudah

ditetapkan oleh pihak perusahaan jasa pengkreditan. Prosedur yang dimaksud

dimulai dari pengisian formulir pengajuan kredit sampai pengecekan langsung

ke tiap-tiap rumah calon konsumen oleh surveyor sampai tahap analisa kredit

yang dilakukan oleh pihak perusahaan untuk selanjutnya pemberian keputusan

apakah permohonan kredit tersebut diterima atau ditolak berdasarkan ketentuan

analisa kredit yang sudah ada.

Keputusan perusahaan untuk menerima atau menolak sebuah

permohonan kredit konsumen didasarkan pada analisa kredit berdasarkan

formulir dokumen yang telah diisi oleh calon konsumen. Formulir tersebut

berisi mengenai seluruh keterangan terperinci tentang pribadi calon konsumen,

mulai dari nama, status perkawinan, besar pemasukan perbulan, sampai dengan

biaya pengeluaran yang wajib dikeluarkan calon konsumen tiap bulannya.

2.2 Analisis Cross Tabulation

Cross tabulation atau tabulasi silang merupakan prosedur yang

digunakan untuk menyajikan deskriptif suatu data dalam bentuk baris dan

kolom [9]. Data yang digunakan dalam analisa ini adalah data yang berskala

ordinal dan nominal. Pada dasarnya sebuah analisa crosstab dalam proses

7

pengerjaannya sama dengan menu TABLES pada MS. Excel biasa,

perbedaannya terletak pada adanya metode statistik yang dipakai untuk

mengukur tingkat asosiasi (hubungan) antara dua variabel yang tersedia pada

crosstab, sedangkan dalam menu TABLES tidak menyediakan metode

perhitungan statistik tersebut.

Dalam prakteknya, alat statistik yang sering digunakan untuk mengukur

tingkat asosiasi (hubungan) antar variabel yang tersedia dalam crosstab adalah

chi-square. Alat ini, dapat diterapkan untuk menguji ada atau tidaknya

hubungan antara baris dan kolom dari sebuah crosstab.

2.2.1 Uji Chi Square ( )

Maksud dan tujuan dari pengujian menggunakan metode uji Chi-Square

(Khi-kuadrat) adalah membandingkan antara fakta yang diperoleh berdasarkan

hasil observasi dan fakta yang didasarkan secara teoritis (yang diharapkan) [7].

Hal ini sejalan dengan konsep kenyataan yang sering terjadi, bahwa hasil

observasi biasanya selalu tidak tepat dengan yang diharapkan atau tidak sesuai

dengan yang direncanakan berdasarkan konsep dari teorinya (sesuai dengan

aturan-aturan teori kemungkinan atau teori probabilitinya).

∑( )

( )

di mana :

= banyak kasus yang diamati dalam kategori ke-i

= banyak kasus yang diharapkan dalam kategori ke-i

8

= banyaknya peristiwa atau kejadian

∑ = penjumlahan semua kategori (k)

Uji Chi Square dalam kaitannya dengan analisis cross tabulasi

berfungsi untuk mengamati ada atau tidaknya hubungan atau korelasi ( )

antara baris dan kolom sebuah crosstab adapun dasar pengambilan

keputusannya adalah sebagai berikut :

H0 : : Tidak ada hubungan antara baris dan kolom

H1 : : Ada hubungan antara baris dan kolom

dengan kriteria uji :

Jika >

maka H0 ditolak.

Jika <

maka H0 diterima.

2.3 Credit Scoring

Credit scoring adalah metode yang digunakan untuk mengevaluasi resiko

kredit dalam hal permohonan pinjaman dari konsumen [1]. Metode ini

digunakan untuk mengklasifikasikan konsumen yang mengajukan kredit

termasuk ke dalam kelompok baik atau buruk. Credit scoring mencoba untuk

mengelompokkan keragaman dari karakteristik konsumen yang mengajukan

permintaan kredit berdasarkan kesalahan dan kelalaian atas kewajiban. Metode

ini menghasilkan suatu perhitungan yang dapat digunakan oleh pihak

perusahaan jasa pengkreditan untuk menggolongkan syarat-syarat konsumen

yang mengajukan kredit dalam kaitannya dengan resiko kredit.

9

Untuk membuat suatu model scoring “scorecard” dalam menentukan

karakteristik si peminjam, pengembangan analisis data dilakukan dengan

melihat data historis konsumen kredit yang telah disetujui kreditnya atau tidak

oleh pihak perusahaan. Hasil scoring ini akan berguna untuk memprediksi

apakah calon konsumen dapat melaksakan pinjaman dengan baik atau buruk.

Informasi mengenai keterangan pribadi calon konsumen atau calon

peminjam didapat dari formulir aplikasi yang diajukan oleh pihak perusahaan.

Data-data seperti jenis kelamin, status perkawinan, pendapatan bulanan, sisa

pinjaman yang belum dibayar, jumlah tabungan, jenis pekerjaan, lama bekerja

pada suatu perusahaan, apakah calon konsumen pernah melakukan pelanggaran

pada peminjaman sebelumnya, status kepemilikan rumah apakah milik sendiri

atau menyewa, jenis rekening bank yang dimiliki, dan semua faktor potensial

yang berhubungan dengan disetujuinya permohonan pinjaman sampai dapat

digunakannya “scorecard”.

Dalam banyak kasus sistem scoring, dengan nilai scoring yang tinggi

akan memperkecil nilai resiko, dan pihak perusahaan pengkreditan yang

memberikan jasa kredit dapat menetukan batasan perhitungan untuk menerima

atau menolak permohonan kredit konsumen berdasarkan nilai resiko yang

dimiliki. Dengan mengacu kepada model credit scoring yang sudah terbentuk,

pihak perusahaan akan menyetujui permohonan kredit jika aplikasi yang

diajukan memiliki score di atas batas minimal dan menolak permohonan jika

aplikasi yang diajukan memiliki score di bawah batas minimal. Walaupun

model credit scoring untuk selanjutnya dapat menjadi penentu kebijakan

10

perusahaan untuk menerima ataupun menolak permohonan kredit dari

konsumen, akan tetapi kesalahan prediksi terhadap nilai tiap-tiap calon

konsumen untuk diberikan fasilitas kredit akan mungkin terjadi. Oleh karena

itu, untuk membangun suatu model credit scoring yang baik, diperlukan data

historis yang cukup.

Model credit scoring dibentuk melalui serangkaian proses statistika yang

dapat digunakan untuk melakukan ramalan terhadap data yang baru. Proses

pengaplikasian model yang sudah terbentuk berbeda dengan proses dalam

pembentukan atau pembuatan model. Secara khusus, suatu model credit

scoring yang terbentuk dapat digunakan pada waktu yang lama untuk

menghitung atau meramalkan data-data baru [1].

Selama proses pembentukan model credit scoring, informasi-informasi

dari konsumen yang berbentuk data selanjutnya diolah dengan bantuan

software statistika. Pada akhirnya akan dihasilkan suatu model yang memiliki

output berupa keputusan untuk konsumen.

Ada beberapa metode yang dapat dipakai untuk menghasilkan model

credit scoring, di antaranya analisis diskriminan, regresi linier, regresi logistik,

analisis probit, decision tree, dan sebagainya. Dalam penelitian kali ini, metode

yang akan dibahas untuk memecahkan persoalan credit scoring adalah metode

decision tree.

2.4 Decision Tree

Berbeda dengan metode regresi linier dan logistik yang menghasilkan

skor untuk kemudian mengklasifikasikan pengamatan dengan aturan

11

Diskriminan, decision tree memulai proses analisis dengan mengklasifikasikan

pengamatan ke dalam kelompok dan kemudian memperoleh skor untuk setiap

kelompok yang diamati [4].

Sebelum membahas lebih jauh mengenai decision tree, berikut akan

dijelaskan terlebih dahulu istilah-istilah yang digunakan dalam tree, sebagai

berikut :

Learning Sample :himpunan data awal yang digunakan untuk

pembentukan model.

Tree/ Pohon : suatu skema yang menunjukkan pola pengelompokan

berdasarkan variabel-variabel pemisah.

Sub-Tree : cabang-cabang kecil dari pohon yang dipisahkan oleh

variabel pemisah.

Node : titik yang terdapat pada masing-masing cabang dari

tree

Terminal node : cabang akhir dari suatu tree

Parent node : cabang dari suatu tree, namun dapat dipecah kembali

berdasarkan nilai dari variabel pemisah

Child node : simpul yang berhubungan langsung dengan parent

node yang merupakan hasil pemecahan dari Parent

node.

Decision tree dipisahkan menjadi dua buah teknik pengerjaan pertama

jika variabel terikat atau variabel terikatnya bersifat kontinu maka teknik

pengerjaan yang dilakukan adalah Regression tree, kedua apabila variabel

12

terikatnya bersifat diskrit atau kualitatif (kategori) maka teknik pengerjaannya

disebut dengan Classification tree.

Decision tree dapat didefinisikan sebagai prosedur rekursif, di mana satu

set data statistik n secara progresif dibagi menjadi kelompok-kelompok

berdasarkan aturan pembagian yang bertujuan untuk memaksimalkan ukuran

homogenitas atau kemurnian variabel respon pada masing-masing kelompok.

Pada setiap langkah prosedur pembentukan model tree aturan pembagian

ditentukan oleh pilihan variabel penjelas (interikat) untuk membagi dan

memisahkan variabel tersebut, yang menetapkan bagaimana partisi atau

pemisahan terhadap pengamatan dilakukan [4].

Hasil yang akan didapat dari sebuah pemodelan tree adalah partisi akhir

dari sebuah pengamatan. Untuk mencapai hal itu perlu dilakukan penentuan

kriteria pemberhentian yang tepat pada proses pembagian pada setiap

pengamatan. Anggap partisi akhir sudah tercapai, yang terdiri dari kelompok g

di mana g < n. Maka untuk sembarang nilai observasi pada variabel terikat

( ), sebuah regression tree menghasilkan nilai prediksi yang nilainya sama

dengan nilai mean dari untuk setiap i dalam grup tersebut. Misalkan m

adalah jumlah kelompok, maka akan didapatkan persamaan :

∑

( )

Sementara untuk classification tree, nilai yang tepat diberikan dari

gabungan probabilitas yang cocok menjadi satu buah kelompok. Jika hanya ada

13

dua kelas yang mungkin (klasifikasi biner), maka probabilitas yang cocok

adalah :

∑

( )

Pengamatan bernilai 0 atau 1, oleh karena itu, probabilitas

koresponden dicocokkan ke perbandingan pengamatan yang sukses dalam

grup. Perhatikan bahwa dan konstan untuk setiap observasi atau

pengamatan dalam grup.

Ada beberapa macam model dalam decision tree, di antaranya IDS,

CART, CHAID, C4.5, dan ID3. Adapun metode yang dipakai dalam penelitian

ini adalah model CART metode Classification tree.

2.5 Classification and Regression Tree (CART)

Breiman, Friedman, Olshen, dan Stone pada tahun 1984

memperkenalkan salah satu metode dalam statistika nonparametrik yakni

metode classification and regression tree (CART) yang dikenal sebagai partisi

binary rekursif. Dikatakan partisi binary karena pada proses pembentukan

model melibatkan sekumpulan data yang akan menghasilkan dua buah node

[6]. Disebut rekursif karena proses pembagian data menjadi dua node

dilakukan secara bertingkat dan berulang pada setiap node yang dihasilkan, di

mana parent node menghasilkan dua child node dan masing-masing child

node memiliki dua grand child node dan seterusnya sampai mencapai terminal

14

node. Tujuan mendasar dari metode tree adalah membangun sebuah model

pohon keputusan yang selanjutnya akan digunakan untuk memberikan score

atau nilai tertentu pada suatu data baru.

Gambar 2.1 Contoh Bagan Klasifikasi Decision tree

Keterangan gambar :

1 : Parent node

2 : Child node

3 : Grandchild node

4 : Terminal node (simpul akhir)

CART merupakan alat dari metode decision tree yang dapat dikatakan

paling baik untuk memecahkan masalah data mining, pemodelan prediksi, dan

pengolahan data. Pada proses pengerjaannya, CART secara otomatis mencari

pola-pola dan hubungan yang penting yaitu membuka struktur yang

tersembunyi meskipun data yang digunakan memiliki tingkat kompleksitas

15

yang tinggi. Dalam CART ada dua buah karakteristik penting yang harus

diperhatikan untuk mendapatkan hasil tree dengan tampilan yang optimal [3].

Pertama pemecahan obyek secara berulang. Dalam langkah ini pemilihan

kriteria alat pemisah (impurity function) yang sesuai dengan jenis data, dalam

CART terdapat tujuh buah kriteria pemisah di antaranya yaitu Gini, Symgini,

Twoing, Ordered Twoing, Entropy dan Class Probability untuk classification

tree, serta Least Square dan Least Absolute Deviatio untuk regression tree.

Kemudian yang kedua teknik pruning (pemangkasan) yang tepat.

Metode CART memiliki tiga bagian yaitu : pertama model tree dibentuk

menggunakan learning sample di mana dalam pembentukan tree tersebut tidak

terjadi pruning tree (pemangkasan pada tree) sehingga model yang terbentuk

memiliki jumlah terminal node paling banyak atau disebut juga dengan

maksimum tree [8]. Karena maksimum tree yang dibentuk tidak memiliki

keoptimalan antara misclassification error dengan kompleksitas tree sehingga

diperlukan bagian kedua yaitu pengoptimalan tree. Misclassification error

adalah nilai resiko ketepatan prediksi yang dihasilkan oleh model tree yang

terbentuk. Kemudian setelah dilakukannya pengoptimalan terhadap tree

tersebut maka lakukan bagian yang ketiga yaitu pengklasifikasian data baru.

2.5.1 Classification Tree

Classification tree adalah suatu metode klasifikasi atau pengelompokan

yang berbentuk tree dari sekumpulan data ke dalam beberapa kelompok

dengan menggunakan pemisahan tree [6]. Classification tree digunakan untuk

16

memprediksi objek atau kasus dalam kelas-kelas dengan satu variabel

dependent (terikat) yang kategorik dari satu atau lebih variabel bebas.

Classification tree dibangun berdasarkan splitting rule yang dipilih.

Splitting rule adalah aturan pemisahan pada tree yakni aturan yang

melaksanakan pemisahan data percobaan (learning sample) menjadi bagian

yang lebih kecil dengan mencari kemungkinan didapatkan kehomogenitasan

yang maksimum. Homogenitas maksimum adalah sebuah kondisi di mana

pemisahan node berdasarkan kehomogenan kelas data sehingga pada terminal

node akan didapatkan data yang lebih murni (pure). Kemurnian data yang

didapat itulah yang dapat menentukan keakuratan sebuah prediksi. Semakin

murni sebuah hasil yang didapat maka akan semakin akurat prediksinya, dan

sebaliknya semakin tidak murni (impure) hasil yang didapat maka akan

semakin tidak tepat prediksinya [6].

Aturan pemisah tree pada metode CART digambarkan dalam diagram di

bawah ini [8] :

Gambar 2.2 Diagram Algoritma Pemisah CART

17

Dengan adalah parent node dan berturut-turut adalah node kiri

dan node kanan dari parent node tersebut. Sedangkan adalah variabel j dan

adalah nilai pemisah yang terbaik dari variabel .

Homogenitas maksimum child node didefinisikan sebagai impurity

function i(t). Impurity function adalah suatu fungsi yang digunakan untuk

mengukur keakuratan model dengan memberikan indikasi kehomogenan kelas-

kelas pada data, sehingga pada simpul akhir (terminal node) akan didapatkan

data yang lebih murni. Jika kemurnian dari parent node konstan untuk setiap

kemungkinan pemisah , j = 1,2, … , p, maka homogenitas maksimum

dari child node kiri dan kanan akan ekivalen ke maksimisasi perubahan

impurity function ( ) :

( ) ( ) [ ( )] ( )

dengan :

( ) : Impurity function untuk parent simpul

: child node kiri dan kanan dari parent node

( ) : impurity function untuk

[ ( )] : ekspektasi dari ( )

Diasumsikan bahwa P1 dan P2 adalah proporsi sample ke node kiri dan

kanan, maka didapatkan :

( ) ( ) ( ) ( ) ( )

Atau

18

( ) ( ) [ ] ( ) [ ] ( ) ( )

CART akan mencari semua nilai yang mungkin dari semua variabel

dalam matriks X untuk mencari pemisah yang terbaik yang akan

memaksimumkan perubahan impurity function ( ). Impurity function yang

akan dipakai dalam penelitian ini adalah Twoing Splitting Rule.

Twoing Splitting Rule

Metode twoing berusaha untuk mencari persentase kelas yang paling

besar dan kelas paling kecil dalam data untuk kemudian memisahkan kedua

kelas tersebut ke dalam node terpisah. Sebagai contoh terdapat 4 buah kelas

yaitu kelas A, B, C, D yang masing-masing memiliki data sebesar 40, 30, 20,

dan 10 persen dari data. Kemudian aturan twoing akan berusaha menempatkan

kelas A sebagai kelas yang memiliki persen terbesar dari data dan kelas D yang

memiliki persen kelas paling kecil dalam satu node. Diagram di bawah ini

menunjukkan proses pemisahan yang mungkin dilakukan oleh Twoing untuk

data seperti yang telah disebutkan sebelumnya.

Gambar 2.3 Grafik Pemisahan Twoing Splitting Rule

Kelas A = 40 Kelas B = 30

Kelas C = 20 Kelas D = 10

Kelas A = 40

Kelas D = 10

Kelas B = 30

Kelas C= 20

19

Dapat disimpulkan bahwa metode twoing berusaha memisahkan kelas

dengan memfokuskannya pada dua buah kelas pada waktu yang bersamaan.

Twoing akan selalu mengerjakan kelas yang memiliki data yang paling besar

dan kelas yang memilki data paling kecil. Berdasarkan [8] dan [2] Twoing

splitting rule menggunakan impurity function sebagai berikut :

( ) (∑ ( ) ( )

)

( )

dengan :

= probabilitas node kiri

= probabilitas node kanan

( ) = probabilitas kondisional kelas ke-k yang disajikan

dalam node

( ) = probabilitas kondisional kelas ke-k yang disajikan

dalam node

2.5.2 Maksimum Tree

Proses pengklasifikasian data pada CART dibagi menjadi dua tahapan.

Pertama proses pembentukan model, di mana pada proses ini akan dijelaskan

dan diuraikan himpunan kelas yang ditentukan. Kemudian tahap kedua yaitu

proses pemakaian model yang dilakukan setelah model tree terbentuk. Pada

proses ini akan diklasifikasi data-data baru yang belum diketahui

pengklasifikasiannya berdasarkan model yang terbentuk.

20

Pada proses klasifikasi dengan tahapan proses pembentukan model pada

CART diperlukan learning sample (data percobaan) yang merupakan

sekumpulan data yang digunakan untuk membentuk sebuah model tree dan

biasanya learning sample berukuran besar agar dapat membentuk

pengklasifikasian yang baik. Ketika model tree sudah terbentuk maka model

itu dapat digunakan untuk mengklasifikasian data yang belum diketahui.

Tujuan klasifikasi ini adalah menentukan aturan pada variabel yang lain yang

memprediksi variabel kelas. Untuk menguji keakuratan model yang dibuat

dapat digunakan test sample (data uji) di mana test sample tersebut biasanya

berukuran lebih kecil dibandingkan dengan data percobaan yang sebenarnya.

Pada pembentukan model, data percobaan yang digunakan akan dipisah

menjadi dua buah node secara rekursif atau bertingkat hingga mencapai

terminal node dengan menggunakan algoritma tertentu. Seperti yang telah

dibahas dalam subbab sebelumnya, ada beberapa jenis algoritma yang dapat

digunakan sebagai alat pemisah dalam pembentukan model. Seperti yang sudah

dijelaskan sebelumnya, pada penelitian kali ini, akan digunakan algoritma

pemisah yaitu Twoing Splitting Rule.

Pertumbuhan tree dari data percobaan akan menghasilkan level dari suatu

node yang paling besar dibandingkan dengan model tree lainnya, serta

memiliki jumlah terminal node (simpul akhir) yang paling banyak. Tree yang

paling besar seperti ini disebut dengan maksimum tree.

21

2.5.3 Optimum Tree

Dalam pembentukan model tree perlu dipertimbangkan keakuratan dari

model tree tersebut [6]. Tingkat keakuratan sebuah model tree menunjukkan

seberapa baik model tersebut dalam memprediksi atau mengklasifikasi data.

Sedangkan ketidakakuratan model tersebut dalam memprediksi atau

mengklasifikasi data disebut dengan resiko. Seperti yang sudah dibahas

sebelumnya bahwa nilai resiko dari sebuah model tree dapat dilihat dari

misclassification error yang dihasilkan oleh model tersebut. Jika

misclassification yang dihasilkan tinggi maka resiko yang akan timbul dari

model tree tersebut juga akan tinggi dan sebaliknya jika nilai misclassification

rendah maka resiko dari tree tersebut juga rendah dalam memprediksi atau

mengklasifikasi sebuah data.

Dengan meningkatnya ukuran pada model tree, misclassification yang

dihasilkan akan menurun dan jika ukuran tree tersebut maksimum maka

misclassification error akan bernilai nol [6]. Akan tetapi maksimum tree dapat

menghasilkan kompleksitas yang sangat tinggi dan berakibat akan melemahkan

prediksi atau pengklasifikasian model tree terhadap suatu data. Di sisi lain tree

yang memiliki ukuran yang lebih kecil dari maksimum tree memiliki

kompleksitas yang rendah, namun akan memiliki nilai misclassification error

yang lebih tinggi dibandingkan dengan maksimum tree. Oleh karena itu, perlu

dilakukannya optimasi dari sebuah model tree sebelum model tersebut

digunakan untuk memprediksi atau mengklasifikasikan sebuah data baru.

Pengoptimasian tree mengimplikasikan pemilihan ukuran tree yang benar yaitu

22

memangkas node dan subtree yang tidak memberikan kontribusi yang cukup

besar terhadap akurasi dari pengelompokan namun menambah kompleksitas

dari tree tersebut.

23

BAB III

METODOLOGI PENELITIAN

3.1 Waktu dan Tempat Penelitian

Penelitian ini dilaksanakan pada bulan Desember 2010 sampai Mei 2011

di PT. X Finance cabang Mauk - Tangerang.

3.2 Metode Pengumpulan Data

Pada penelitian ini data yang dipakai adalah data sekunder, yaitu data

yang diperoleh berdasarkan arsip perusahaan. Data diperoleh dari divisi Risk

Management yang berupa data pribadi konsumen PT. X Finance. Data tersebut

terdiri dari 784 konsumen dengan 7 variabel (6 variabel berupa variabel bebas

dan 1 buah variabel terikat). Variabel-variabel tersebut adalah sebagai berikut :

1. Jenis Kelamin

a. Nilai 1 : Jenis kelamin konsumen laki-laki

b. Nilai 2 : Jenis kelamin konsumen perempuan

2. Uang Muka adalah besarnya uang muka atau yang lebih dikenal dengan

sebutan DP (down payment) yang merupakan persetujuan dari pihak

konsumen dengan Surveior di awal pengajuan kredit

3. Tenor Pembayaran adalah jumlah bulan cicilan yang akan dibayarkan oleh

konsumen.

4. Kondisi Kendaraan

a. Nilai 1 : Untuk jenis kendaraan baru.

24

b. Nilai 2 : Untuk jenis kendaraan bekas (second hand)

5. Harga OTR adalah harga kendaraan jika pembelian secara tunai.

6. Bunga Pinjaman adalah besarnya biaya yang harus ditanggung oleh pihak

konsumen yang mengajukan kredit, adapun besarnya bunga ditentukan

oleh pihak perusahaan.

7. Variabel terikat (permohonan kredit diterima atau ditolak) didefinisikan

sebagai variabel approval. Variabel approval merupakan variabel

kategorik dengan skala pengukuran adalah nominal. Kode nilai 1

menyatakan bahwa permohonan kredit konsumen diterima dan kode nilai

2 menyatakan bahwa permohonan kredit konsumen ditolak.

Selain itu, studi pustaka juga penulis lakukan melalui buku-buku atau

sumber lain yang menunjang seperti jurnal, hasil penelitian, yang digunakan

untuk memperoleh informasi-informasi tambahan yang berguna dalam

penelitian kali ini.

3.3 Metode Pengolahan Data

Setelah data sekunder didapat tahap selanjutnya data diolah dengan

bantuan dua buah software statistika untuk proses statistika deskriptif dan

analisis crosstab, dan untuk mendapatkan model credit scoring (dengan

metode CART) yang diinginkan.

3.3.1 Analisis Cross Tabulation

Sebelum melanjutkan proses pengolahan data, terlebih dahulu penulis

melakukan analisis statistik deskriptif dan analisis crosstab terhadap variabel-

25

variabel yang dipakai dalam penelitian. Adapun tujuannya adalah untuk

mengetahui hubungan keterkaitan antara variabel-variabel tersebut. Langkah

awal dilakukan dalam tahap ini adalah menentukan variabel apa yang menjadi

variabel terikat dan variabel apa yang merupakan variabel bebas untuk

selanjutnya dilakukan analisis deskriptif terhadap data yang diperoleh. Dalam

penelitian ini yang menjadi variabel terikat adalah permohonan kredit.

Kemudian variabel bebas yang mempengaruhi variabel terikat adalah variabel

jenis kelamin, uang muka, tenor pembayaran, kondisi kendaraan, besar OTR

dan bunga pinjaman.

Pada tahap analisis deskriptif beberapa variabel yang menjadi variabel

bebas dikelompokkan menjadi beberapa kelompok. Variabel yang

dikelompokkan itu diantaranya :

a. Variabel Uang Muka

Pengelompokan variabel uang muka didasarkan pada wawancara yang

telah dilakukan penulis dengan pihak perusahaan, adapun pengelompokan

tersebut adalah :

Kelompok 1 : besar uang muka ≤ 20%

Kelompok 2 : 20% < uang muka < 50%

Kelompok 3 : uang muka ≥ 50%

Adapun variabel uang muka diubah ke dalam bentuk persentase dimana

persen uang muka tersebut didasarkan pada biaya OTR

b. Variabel Bunga Pinjaman

Kelompok 1 : besar bunga pinjaman ≤ 30%

26

Kelompok 2 : 30% < bunga pinjaman < 45%

Kelompok 3 : bunga pinjaman ≥ 45%

c. Variabel Tenor Pembayaran

Kelompok 1 : tenor pembayaran ≤ 12 bulan

Kelompok 2 : 12 bulan < tenor pembayaran < 24 bulan

Kelompok 3 : tenor pembayaran ≥ 24 bulan

d. Variabel Harga OTR

Kelompok 1 : harga OTR ≤ 12.500.000

Kelompok 2 : 12.500.000 < harga OTR < 15.000.000

Kelompok 3 : harga OTR ≥ 15.000.000

Langkah selanjutnya yang dilakukan yaitu analisis Cross Tabulation,dan

Uji Khi Kuadrat terhadap data yang sudah didapat.

3.3.2 Pengolahan Data Dengan CART

Berikut adalah tahapan-tahapan pembentukan model tree dengan metode

CART :

1. Penentuan variabel terikat dan variabel bebas yang digunakan

Variabel terikat yang dipakai dalam penelitian ini adalah variabel

approval. Sedangkan variabel bebasnya adalah variabel jenis kelamin,

uang muka, tenor pembayaran, kondisi kendaraan besar OTR, dan bunga

pinjaman. Dalam pengerjaan selanjutnya variabel bebas dibagi menjadi

dua yaitu variabel bebas yang bersifat kategorik (variabel jenis kelamin

27

dan jenis kendaraan) dan variabel bebas yang bersifat numerik (variabel

uang muka, tenor pembayaran, besar OTR, dan bunga pinjaman).

2. Penenentuan variabel kelas yang menjadi fokus penelitian

Variabel terikat dipisahkan menjadi dua, yaitu permohonan kredit

yang diterima oleh pihak perusahaan dan permohonan kredit yang ditolak.

Dalam penelitian ini yang menjadi fokus penelitian adalah permohonan

kredit yang diterima, pemilihan ini didasarkan karena penulis ingin

mengetahui pola dari konsumen yang permohonan kreditnya telah diterima

oleh pihak perusahaan.

3. Model Tree yang dipilih

Model tree yang dipilih adalah classification tree karena variabel

terikatnya merupakan variabel kategorik.

4. Pemilihan model splitting rule

Metode splitting rule yang digunakan adalah Twoing Splitting Rule.

5. Data yang diperlukan untuk pembentukan model tree

Data konsumen yang akan digunakan sebanyak 784 data dengan 5

variabel, yang terdiri dari satu variabel terikat dan empat lainnya merupakan

variabel bebas.

28

3.4 Alur Penelitian

Gambar 3.1 Diagram Alur Penelitian

Identifikasi Parameter Credit Scoring

Kategori Parameter Credit Scoring

Model Tree Optimal CART CrediScoring

Parameter Signifikan Credit Scoring

Model Credit Scoring Untuk Proses Analisa Kelayakan

Pemberian Kredit Kendaraan Bermotor

Analisis Cross Tab &

Uji Chi square

Analisis Classification and

Regression Tree (CART)

Analisis Deskripsi

29

BAB IV

HASIL DAN PEMBAHASAN

4.1 Analisis Pendahuluan

Analisis hasil yang akan dilakukan bertujuan untuk mendapatkan model

tree berdasarkan data awal yakni data konsumen yang mengajukan kredit

kendaraan motor di PT X Finance yang terdiri atas 6 variabel bebas dan 1 buah

variabel terikat. Analisis pendahuluan yang dilakukan adalah analisis deskriptif

dari 7 buah variabel pengukuran, yang meliputi 4 buah variabel pengukuran

kuantitatif dan 3 buah variabel pengukuran kualitatif. Analisis pendahuluan

selanjutnya adalah analisis crosstab untuk mengetahui hubungan antara

variabel terikat dengan variabel bebasnya.

4.1.1 Statistika Deskriptif

Statistika deskriptif untuk keseluruhan data dibagi menjadi dua bagian

sesuai dengan variabel pengukurannya yakni variabel pengukuran kuantitatif

dan kualitatif. Untuk data kuantitatif, statistik deskriptifnya dapat dilihat pada

Tabel 4.1 berikut ini :

Tabel 4.1 Statistika Deskriptif untuk Data Kuantitatif

Jenis Variabel N Minimum Maksimum Rata-rata Std. Deviasi

Uang Muka 784 0 14.500.000 2.468.300 1.438.830

Tenor Pembayaran 784 11 36 30,17 6,94

Bunga Pinjaman 784 798.000 9.897.000 4.980.000 1.490.165

Harga OTR 784 7.000.000 32.200.000 12.400.000 1.812.277

30

Pada Tabel 4.1, dapat dijelaskan bahwa rata-rata uang muka yang

dikeluarkan konsumen PT X Finance dalam pengajuan kredit kendaraan motor

adalah Rp. 2.468.300,00. Seperti kasus yang sering terjadi belakangan ini

berkaitan dengan kredit kendaraan bermotor terdapat beberapa konsumen yang

tidak mengeluarkan uang muka sama sekali pada saat mengajukan permohonan

kredit. Sementara itu, besar uang muka maksimum adalah Rp. 14.500.000,00.

Rata-rata tenor pembayaran yang dipilih konsumen diawal perjanjian

pengajuan permohonan kredit adalah 30 bulan. Sedangkan untuk data kualitatif

dapat dilihat pada Tabel 4.2, sebagai berikut :

Tabel 4.2 Statistika Deskriptif untuk Data Kualitatif

Variabel Frekuensi Persen Jumlah

Persen

Jenis Kelamin Laki-laki 564

220

71.8

28.1

71.8

100.0 Perempuan

Kondisi

Kendaraan

Baru 756

28

96.4

3.6

96.4

100.0 Bekas

Approval Diterima 647

137

82.5

17.5

82.5

100.0 Ditolak

Pada Tabel 4.2 dapat dijelaskan bahwa pada data tersebut dari total 764

konsumen, 564 diantaranya berjenis kelamin laki-laki dengan 71.8% proporsi

laki-laki dan 28.1% proporsi perempuan. Sementara itu, untuk kondisi

kendaraan yang banyak diambil oleh konsumen adalah jenis kendaraan baru

dengan proporsi sebesar 96.4% dengan sisanya sebesar 3.6% konsumen

mengambil kendaraan bekas (secondhand). Sedangkan untuk variabel

terikatnya sendiri, yakni approval dari total keseluruhan 784 data dapat dilihat

jumlah permohonan kredit yang diterima oleh pihak perusahaan adalah 647

31

konsumen atau sebesar 82.5%, sementara untuk permohonan kredit yang

ditolak oleh pihak perusahaan adalah sebesar 17.5%.

4.1.2 Analisis Cross Tabulation

Tahap awal dalam analisis crosstab akan dijelaskan mengenai hubungan

antara variabel terikat dan variabel bebas yang dibagi menjadi dua kolom

berdasarkan jenis datanya, dapat dilihat pada Tabel 4.3 dan 4.4 sebagai berikut:

Tabel 4.3 Crosstabulation untuk Data Kuantitatif

Variabel Uang Muka

1(UM≤20%) 2(20%<UM<50%) 3(UM≥50%)

Approval Diterima 492 145 10

Ditolak 109 26 2

Variabel Bunga Pinjaman

1(BP≤30%) 2(30%<BP<45%) 3(BP≥45%)


Ditolak 43 75 19

Variabel Harga OTR

1(OTR≤12.5jt) 2(12.5jt<OTR<15jt) 3(OTR≥15jt)


Ditolak 47 63 27

Variabel Tenor Pembayaran

1(Tenor≤12bln) 2(12bln<Tenor<24bln) 3(Tenor≥24bln)


Ditolak 10 28 99

Seperti yang sudah dijelaskan pada Bab III bahwa variabel kualitatif

dikelompokkan ke dalam 3 buah kelompok. Dari Tabel 4.3 dapat dilihat

beberapa hal seperti berikut :

Terdapat 492 konsumen dengan UM<20% yang diterima permohonan

kreditnya.

32

Terdapat 109 konsumen dengan UM<20% yang ditolak permohonan

kreditnya.

Terdapat 145 konsumen dengan 20%<=UM<50% yang diterima

permohonan kreditnya.

Terdapat 26 konsumen dengan 20%<=UM<50% yang ditolak permohonan

kreditnya.

Terdapat 10 konsumen dengan UM>=50% yang diterima permohonan

kreditnya.

Terdapat 2 konsumen dengan UM>=50% yang ditolak permohonan

kreditnya.

Tabel 4.4 CrossTabulasion untuk Data Kualitatif

Variabel Jenis Kelamin

Laki-laki Perempuan

Approval Diterima 465 182

Ditolak 99 38

Kondisi Kendaraan

Baru Bekas

Approval Diterima 622 25

Ditolak 134 3

Dari Tabel 4.4 didapatkan beberapa informasi sebagai berikut :

Terdapat 465 konsumen laki-laki yang diterima permohonan kreditnya,

sedangkan yang ditolak berjumlah 99 orang.

Terdapat 182 konsumen perempuan yang diterima permohonan kreditnya,

sedangkan sebanyak 38 konsumen perempuan ditolak permohonan

kreditnya.

33

Terdapat 622 konsumen yang memilih kredit motor dengan kondisi baru

diterima permohonan kreditnya, sedangkan 134 konsumen yang juga

memilih kondisi motor baru ditolak permohonan kreditnya.

Terdapat 25 konsumen memilih kredit motor dengan kondisi bekas yang

diterima permohonannya, sedangkan 3 orang ditolak.

Tahap analisis crosstab selanjutnya akan menjelaskan mengenai

penentuan ada atau tidaknya hubungan antara variabel terikat(terikat) dengan

variabel bebasnya. Dalam proses penentuan tersebut dilakukan uji Chi Square

dengan menggunakan hipotesis sebagai berikut :

H0 : Tidak ada hubungan antara variabel terikat dan variabel bebas.

H1 : Ada hubungan antara variabel terikat dengan variabel bebas.

Dengan ketentuan pengambilan keputusannya adalah sebagai berikut :

Jika probabilitas > 0.05 maka H0 diterima.

Jika probabilitas < 0.05 maka H0 ditolak.

Tabel 4.5 Chi Square Test

Variabel Terikat Variabel Bebas P-Value

Aprroval Uang Muka 0.000

Aprroval Harga OTR 0.001

Aprroval Bunga Pinjaman 0.020

Aprroval Tenor Pembayaran 0.017

Aprroval Jenis Kelamin 0.926

Aprroval Kondisi Kendaraan 0.337

34

Keputusan yang dapat diambil dari Tabel 4.5 adalah sebagai berikut :

Kolom P-value menunjukkan nilai probabilitas, dimana untuk variabel uang

muka, tenor pembayaran, bunga pinjaman, dan harga OTR berturut-turut

0.000, 0.017, 0.020, dan 0.001 yang berarti lebih kecil dari 0.05, maka H0

ditolak. Hal ini berarti ada hubungan antara variabel terikat (approval)

dengan kedua variabel bebas tersebut yakni variabel uang muka, variabel

tenor pembayaran, bunga pinjaman, dan variabel besar OTR.

Untuk variabel jenis kelamin dan kondisi kendaraan mempunyai nilai

probabilitas berturut-turut sebesar 0.926 dan 0.337 yang berarti lebih besar

dari 0.05, sehingga H0 diterima. Maka dapat disimpulkan bahwa tidak ada

hubungan antara variabel terikat (approval) dengan kedua variabel bebas

tersebut.

Dari kedua kesimpulan diatas, dilihat dari hubungannya dengan variabel

terikat seharusnya variabel bebas yang dapat dimasukkan kedalam analisis

lanjutan hanyalah variabel yang memiliki hubungan yaitu variabel uang muka,

tenor pembayaran, bunga pinjaman, dan harga OTR. Akan tetapi, dalam

pelaksanaannya di lapangan variabel jenis kelamin dan variabel kondisi

kendaraan juga mempengaruhi keputusan perusahaan untuk menerima ataupun

menolak permohonan kredit dari calon konsumen. Maka dari itu, dalam

analisis lanjutan, kedua variabel ini tetap penulis masukkan untuk membuat

model tree credit scoring.

35

4.2 Analisis Hasil CART

Proses pembentukan model tree dengan menggunakan metode CART

akan menghasilkan sebuah model tree yang memiliki terminal node yang

paling banyak dan juga memiliki nilai resiko yang besar, untuk itu seperti yang

telah dijelaskan pada pembahasan sebelumnya bahwa diperlukan adanya

pengoptimalan model tree yang merupakan suatu model yang memiliki nilai

resiko yang paling kecil. Di dalam model optimal tree tersebut terdapat aturan-

aturan klasifikasi yang dapat menjelaskan mengenai aturan pemberian

keputusan perusahaan terhadap permohonan kredit yang ada, apakah

permohonan kredit yang diajukan konsumen diterima atau ditolak. Aturan

klasifikasi yang sudah didapat tersebut dapat digunakan untuk memprediksi

calon konsumen apakah akan diterima atau ditolak pengajuan permohonan

kreditnya.

4.2.1 Maksimum Tree

Secara keseluruhan data yang digunakan adalah sebesar 784 data.

Variabel terikat yang digunakan adalah variabel approval yang merupakan

variabel kategorik. Sementara itu, variabel bebas yang digunakan adalah

variabel uang muka, tenor pembayaran, bunga pinjaman, dan harga OTR yang

merupakan variabel numerik, serta variabel jenis kelamin dan variabel kondisi

kendaraan yang merupakan variabel kategorik. Karena variabel terikat yang

digunakan dalam penelitian kali ini adalah variabel kategorik maka CART

36

akan menghasilkan model tree berupa classification tree dengan aturan

pemisahan yang dipakai adalah Twoing splitting rule.

Dalam penelitian ini maksimum tree yang dihasilkan adalah model tree

yang memiliki terminal node paling banyak yaitu sebanyak 83 terminal node.

Relative cost dari maksimum tree didapatkan dari hasil pengujian model

dengan menggunakan test sample yang diperlihatkan pada Tabel 4.6 dibawah

ini :

Tabel 4.6 Misclassification untuk Test Sample pada Maksimum Tree

Kelas Jumlah

Kelas

Jumlah

Kesalahan Kelas

Persentase

Kesalahan

Nilai

Diterima 647 201 31.07 0.31

Ditolak 137 68 49.64 0.50

Total 784 269 40.35 0.405

Dari Tabel 4.6 di atas dapat dijelaskan bahwa untuk kelas approval

yang diterima permohonan kreditnya dengan jumlah kasus sebanyak 647 dan

jumlah kesalahan pengkelasan sebanyak 201 dan presentase kesalahan sebesar

31.07%, sehingga menghasilkan resiko sebesar 0.31. Sementara untuk kelas

approval yang permohonan kreditnya ditolak dengan jumlah kasus sebanyak

137 dan jumlah kesalahan pengkelasan sebanyak 68 kasus dan persentase

kesalahan sebesar 49.64% menghasilkan resiko sebesar 0.50. Dengan demikian

maksimum tree yang dihasilkan memiliki nilai resiko paling besar yaitu

( )

= 0.405. Adapun model maksimum tree yang dihasilkan dapat dilihat

pada Lampiran I.

37

Untuk menjelaskan aturan pengklasifikasian berdasarkan model

maksimum tree yang dihasilkan perlu dilakukannya pengoptimalan model tree

yang didapat, berikut akan ditampilkan salah satu contoh cabang pada model

maksimum tree.

Gambar 4.1 Diagram Salah Satu Cabang Maksimum Tree

Dengan mengikuti alur dari gambar di atas yang merupakan salah satu

cabang model tree dapat dijelaskan mengenai aturan klasifikasi dari terminal

node 68 sampai dengan terminal node 78, adalah sebagai berikut :

1. Aturan klasifikasi untuk terminal node 68

Jika bunga pinjaman ≤ 6.631.300, harga OTR > 15.440.000, harga OTR ≤

15.550.000, uang muka > 1.275.000, dan uang muka ≤ 2.550.000, maka

probabilitas calon konsumen tersebut diterima permohonan kreditnya

adalah sebesar 1. Adapun jumlah kasus yang terdapat pada terminal node

68 adalah sebanyak 8 data, dengan persentase data sebesar 1% resiko

sebesar 0.

38


Jika harga OTR > 15.440.000, harga OTR ≤ 15.550.000, uang muka >

2.550.000, dan uang muka ≤ 4.475.000, bunga pinjaman ≤ 3.917.750,

maka probabilitas calon konsumen tersebut ditolak permohonan kreditnya

adalah sebesar 0.56. Adapun jumlah kasus yang terdapat pada terminal

node 69 adalah sebanyak 9 data, dengan persentase data sebesar 1.1%

resiko sebesar 0.45.


Jika harga OTR > 15.440.000, harga OTR ≤ 15.550.000, bunga pinjaman

> 3.917.750, bunga pinjaman ≤ 6.631.300, uang muka > 2.550.000, dan

uang muka ≤ 2.675.000 maka probabilitas calon konsumen tersebut ditolak

permohonan kreditnya adalah sebesar 0.5. Adapun jumlah kasus yang

terdapat pada terminal node 70 adalah sebanyak 10 data, dengan

persentase data sebesar 1.3% resiko sebesar 0.5.



2.675.000, dan uang muka ≤ 4.475.000, bunga pinjaman > 3.917.750,

bunga pinjaman ≤ 6.214.600, maka probabilitas calon konsumen tersebut

diterima permohonan kreditnya adalah sebesar 1. Adapun jumlah kasus

yang terdapat pada terminal node 71 adalah sebanyak 7 data, dengan

persentase data sebesar 0.9% resiko sebesar 0.

39



2.675.000, dan uang muka ≤ 4.475.000, bunga pinjaman > 6.214.600,

bunga pinjaman ≤ 6.631.300, maka probabilitas calon konsumen tersebut

ditolak permohonan kreditnya adalah sebesar 0.25. Adapun jumlah kasus

yang terdapat pada terminal node 72 adalah sebanyak 4 data, dengan

persentase data sebesar 0.5% resiko sebesar 0.75.


Jika uang muka > 1.275.000, uang muka ≤ 4.475.000, harga OTR >

15.550.000, dan bunga pinjaman ≤ 4.148.530, maka probabilitas calon

konsumen tersebut ditolak permohonan kreditnya adalah 0.429. adapun

jumlah kasus yang terdapat pada terminal node 73 adalah sebanyak 7 data,

dengan persentase data sebesar 0.9%, resiko sebesar 0.5714.


Jika uang muka > 1.275.000, uang muka ≤ 4.475.000, harga OTR >

15.550.000, bunga pinjaman > 4.148.530, dan bunga pinjaman ≤6.631.300

maka probabilitas calon konsumen tersebut ditolak permohonan kreditnya

adalah 0.833. Adapun jumlah kasus yang terdapat pada terminal node 74

adalah sebanyak 6 data, dengan persentase data sebesar 0.8%, resiko

sebesar 0.1667.

40


Jika bunga pinjaman ≤ 6.631.300, uang muka > 4.475.000, harga OTR >

15.440.000, dan harga OTR ≤ 18.973.000, maka probabilitas calon

konsumen tersebut diterima permohonan kreditnya adalah 1. Adapun

jumlah kasus yang terdapat pada terminal node 75 sebanyak 8 data,

dengan persentase data sebesar 1%, dan resiko sebesar 0.



18.973.000 dan tenor pembayaran ≤ 22, maka probabilitas calon

konsumen tersebut ditolak permohonan kreditnya adalah 0.332. Adapun


dengan persentase data sebesar 1.1%, dan resiko sebesar 0.667.



18.973.000, tenor pembayaran > 22, dan tenor pembayaran ≤ 28, maka

probabilitas calon konsumen tersebut diterima permohonan kreditnya

adalah 1. Adapun jumlah kasus yang terdapat pada terminal node 77

sebanyak 6 data, dengan persentase data sebesar 0.8%, dan resiko sebesar

0.



18.973.000, dan tenor pembayaran > 28, maka probabilitas calon

41

konsumen tersebut ditolak permohonan kreditnya adalah 1. Adapun


dengan persentase data sebesar 0.3%, dan resiko sebesar 0.

4.2.2 Optimal tree

Untuk memperoleh relative cost yang paling kecil dan terminal node

terbaik pada maksimum tree yang telah didapat pada pembahasan sebelumnya

perlu dilakukan pengoptimalan tree dengan menggunakan prosedur cross

validation. Optimal tree yang dihasilkan dalam penelitian kali ini merupakan

model tree yang memiliki terminal node sebanyak 6 buah dan memilki tinggi

tree 4 level. Relative cost yang didapat dalam model optimal tree didasarkan

pada hasil pengujian model dengan menggunakan test sample yang

diperlihatkan pada Tabel 4.7 berikut ini.

Tabel 4.7 Misclassification untuk Test Sample pada Optimal Tree

Kelas Jumlah

Kelas

Jumlah

Kesalahan Kelas

Persentase

Kesalahan

Nilai

Diterima 647 301 46.52 0.47

Ditolak 137 46 33.58 0.34

Total 784 357 40.05 0.405

Dari Tabel 4.7 di atas dapat dijelaskan bahwa untuk kelas approval yang

diterima permohonan kreditnya dengan jumlah kasus sebanyak 647 dan jumlah

kesalahan pengkelasan sebanyak 301 dan presentase kesalahan sebesar

46.52%, sehingga menghasilkan resiko sebesar 0.47. Sementara untuk kelas

approval yang permohonan kreditnya ditolak dengan jumlah kasus sebanyak

42

137 dan jumlah kesalahan pengkelasan sebanyak 46 kasus dan persentase

kesalahan sebesar 33.58% menghasilkan resiko sebesar 0.34. Dengan demikian

optimum tree yang dihasilkan memiliki nilai resiko paling besar yaitu

( )

= 0.405.

Adapun model optimal tree yang terbentuk dapat dilihat paga gambar 4.2

berikut ini.

Gambar 4.2 Splitter Optimal Tree Menggunakan Twoing Splitting Rule

Dengan mengikuti alur pada Gambar 4.2 diatas yang merupakan model

optimal tree maka aturan klasifikasi dapat dihasilkan. Aturan klasifikasi beserta

kemungkin diterima atau ditokalnya suatu permohonan kredit dari konsumen

akan dibahas dari klasifikasi berdasarkan terminal node 1 sampai terminal

node 6.

UANG_MUKA <= 1275000.00

TerminalNode 1

Class = 1Class Cases %

1 62 96.92 2 3.1

W = 64.00N = 64

UANG_MUKA <= 1575000.00

TerminalNode 2


1 102 86.42 16 13.6

W = 118.00N = 118

UANG_MUKA > 1575000.00

TerminalNode 3


1 75 70.12 32 29.9

W = 107.00N = 107

UANG_MUKA <= 1950000.00

Node 4Class = 2

UANG_MUKA <= 1575000.00Class Cases %

1 177 78.72 48 21.3

W = 225.00N = 225

UANG_MUKA > 1950000.00

TerminalNode 4


1 243 88.02 33 12.0

W = 276.00N = 276

HARGA_OTR <= 13915000.00

Node 3Class = 1


1 420 83.82 81 16.2

W = 501.00N = 501

BUNGA_PINJAMAN <= 6631300.00

TerminalNode 5


1 128 72.32 49 27.7

W = 177.00N = 177

BUNGA_PINJAMAN > 6631300.00

TerminalNode 6


1 37 88.12 5 11.9

W = 42.00N = 42

HARGA_OTR > 13915000.00

Node 5Class = 2

BUNGA_PINJAMAN <= 6631300.00Class Cases %

1 165 75.32 54 24.7

W = 219.00N = 219

UANG_MUKA > 1275000.00

Node 2Class = 2

HARGA_OTR <= 13915000.00Class Cases %

1 585 81.32 135 18.8

W = 720.00N = 720

Node 1Class = 1


1 647 82.52 137 17.5

W = 784.00N = 784

43


Jika uang muka ≤ 1.275.000, maka probabilitas calon konsumen tersebut

dierima permohonan kreditnya adalah sebesar 0.968. Adapun jumlah kasus

yang terdapat pada terminal node 1 sebesar 64 data, dengan persebtase

data sebesar 8.2% dengan resiko 0.03.


Jika harga OTR ≤ 13.915.000, uang muka > 1.275.000, dan uang muka

≤1.575.000, maka probabilitas calon konsumen tersebut diterima


terdapat pada terminal node 2 adalah sebesar 118 data, dengan persentase

sebesar 15.1%, dan resiko kesalahan sebesar 0.1356.


Jika harga OTR ≤ 13.915.000, uang muka > 1.575.000, dan uang muka ≤

1.950.000 maka probabilitas calon konsumen tersebut ditolak permohonan

kreditnya adalah sebesar 0.3. Adapun jumlah kasus yang terdapat pada

terminal node 3 adalah sebesar 107 data, dengan persentase sebesar

13.6%, dan resiko kesalahan sebesar 0.7.


Jika harga OTR ≤ 13.915.000 dan uang muka > 1.950.000, maka

probabilitas calo konsumen tersebut diterima permohonan kreditnya

adalah sebesar 0.881. Adapun jumlah kasus yang terdapat pada terminal

node 4 adalah sebesar 276 data, dengan persentase data sebesar 35.2%,

dan resiko kesalahan sebesar 0.119.

44


Jika uang muka > 1.275.000, harga OTR > 13.915.000, dan bunga

pinjaman ≤ 6.631.300, maka probabilitas calon konsumen tersebut ditolak


terdapat pada terminal node 5 adalah sebesar 177 data, dengan persentase

data sebesar 22.6%, dan resiko kesalahan sebesar 0.72.


Jika uang muka > 1.275.000, harga OTR > 13.915.000, dan bunga

pinjaman > 6.631.300, maka probabilitas calon konsumen tersebut

diterima permohonan kreditnya adalah sebesar 0.881. Adapun jumlah

kasus yang terdapat pada terminal node 6 adalah sebesar 42 data, dengan

persentase data sebesar 5.4%, dan resiko kesalahan sebesar 0.119.

Akan tetapi, dalam model optimum pengklasifikasian permohonan kredit

konsumen yang sudah didapat diatas terdapat hal menarik yang dapat dijadikan

sedikit evaluasi untuk pihak perusahaan, yaitu belum jelasnya standar penilaian

diterima atau ditolaknya sebuah permohonan kredit konsumen. Hal ini dapat

dilihat pada hasil akhir yang terdapat pada terminal node 1 dan terminal node

lainnya. Pada terminal node 1 variabel yang menjadi tolak ukur klasifikasi

permohonan kredit yang diterima hanya variabel uang muka yang besarnya ≤

Rp. 1.250.000,00. Namun, pada terminal node lain, jelas terlihat bahwa selain

uang muka terdapat variabel lain yang menjadi tolak ukur pengklasifikasian

permohonan kredit konsumen yakni variabel harga OTR dan variabel bunga

pinjaman.

45

Laporan kesimpulan dari model optimal tree yang diperoleh dapat dilihat

pada gains cart dibawah ini :

Tabel 4.8 GAINS CHART

Node

Persentase Komulatif

Kelas Terikat

Persentase

Komulatif Populasi

3 23.36 13.65

5 59.12 36.22

2 70.80 51.28

4 94.89 86.48

6 98.54 91.84

1 100.00 100.00

Menurut [5] suatu model optimal tree dikatakan suatu model yang dapat

mempresentasikan data awal yang digunakan jika hasil akhir persentase

komulatif kelas terikat (Cum% Tgt. Class) lebih besar daripada persentasi

komulatif dari populasinya (Cum% Pop). Seperti yang terlihat pada Tabel 4.8

dapat dilihat bahwa nilai Cum% Tgt. Class yang didapat lebih besar daripada

nilai Cum% Pop –nya kesimpulkan tersebut juga dikuatkan dengan grafik pada

Gambar 4.3 di bawah. Hal ini menunjukkan bahwa model optimal tree yang

terbentuk dapat dikatakan suatu model yang dapat mempresentasikan data awal

yang dipakai dalam penelitian.

Gambar 4.3 Gains CART Optimal Tree

0

50

100

150

1 2 3 4 5 6

Cum % Tgt.Class

Cum % Pop

46

Setelah mengetahui bahwa model tersebut sudah dikatakan dapat

mempresentasikan data awal, selanjutnya dapat diketahui persentase

keberhasilan pengelompokan berdasarkan Tabel 4.9 berikut ini :

Tabel 4.9 Prediction Success

Variabel

kelas

Jumlah

Kasus

Persentase

Sukses

Prediksi Kelas

1 (Diterima) 2(Ditolak)

1(Diterima) 647 68.62 444 203

2(Ditolak) 137 59.12 56 81

Total 784 63.87

Pada Tabel 4.9, persentase berhasilnya pengelompokan pada data

percobaan diperlihatkan untuk masing-masing kelompok. Pada kelompok

permohonan kredit yang diterima terdapat 647 konsumen, setelah dilakukan

kembali pengelompokan tersebut terdapat 444 konsumen dengan tepat

dikelompokkan ke dalam kelompok konsumen yang diterima permohonan

kreditnya, sehingga persentase kesuksesan pengelompokan untuk kelompok

permohonan kredit yang diterima adalah 68.62%. Begitu pula, pada kelompok

permohonan kredit yang ditolak terdapat 137 konsumen, setelah dilakukan

kembali pengelompokan tersebut kesuksesan pengelompokan sebanyak 81

konsumen, sehingga persentasenya adalah 59.12%. Secara keseluruhan,

kesuksesan pengelompokan yang telah dilakukan dapat dilihat pada tabel 4.10

yaitu total kesuksesan pengelompkkan yang dilakukan sebanyak 525 konsumen

dari total 784 konsumen, sehingga persentase total kesuksesan pengelompokan

sebesar 63.87%.

47

Setelah mengetahui akurasi pengelompokan dengan model CART

metode classification tree, selanjutnya dapat diketahui urutan variabel pemisah.

Berdasarkan kontribusi yang terbesar terhadap proses pemisahan berarti

memiliki peranan yang paling penting dalam pengelompokan dan sebaliknya

semakin kecil kontribusinya terhadap proses pemisahan maka memilki peranan

yang kurang penting dalam proses pemisahan, dapat dilihat pada Tabel 4.10

berikut :

Tabel 4.10 Variabel Terpenting

Variabel Nilai

Uang Muka 100.00 |||||||||||||||||||||||||||||||||||||||||||||||||

Harga OTR 24.04 ||||||||||

Bunga Pinjaman 21.50 ||||||||

Tenor Pembayaran 6.69 ||

Kondisi Kendaraan 5.01 |

Jenis Kelamin 0.55

Pada Tabel 4.10, diperlihatkan bahwa variabel pemisah yang terpenting

dalam proses pembentukan model tree adalah variabel uang muka dengan nilai

kontribusi 100. Setelah itu variabel harga OTR dan variabel bunga pinjaman

yang mempunyai nilai kontribusi rata-rata sebesar 22.77. Sementara untuk

variabel tenor pembayaran dan kondisi kendaraan memiliki nilai kontribusi

yang kurang dari 10%. Sedangkan untuk variabel jenis kelamin mempunyai

nilai kontribusi yang kurang dari 1% yakni sebesar 0.55, berarti tidak memiliki

peranan dalam pemisahan kelompok.

48

BAB V

KESIMPULAN DAN SARAN

5.1 Kesimpulan

Data konsumen diolah menggunakan metode CART yang menghasilkan

suatu model tree yang dapat ditarik suatu kesimpulan berdasarkan tujuan dari

penulisan skripsi ini. Pertama, variabel yang menjadi faktor terpenting dalam

menentukan pola klasifikasi persetujuan permohonan kredit adalah variabel

uang muka. Kemudian setelah variabel uang muka, variabel yang memilki

peran cukup penting adalah variabel harga OTR dan variabel bunga pinjaman.

Sementara untuk variabel tenor pembayaran dan kondisi kendaraan hanya

mempunyai sedikit peran dalam pembentukan model, sementara untuk variabel

jenis kelamin tidak memiliki peran penting dalam proses pembentukan model

tree.

Kedua, pola klasifikasi calon konsumen akan diterima permohonan

kreditnya adalah sebagai berikut :

1. Jika harga OTR ≤ 13.915.000 dan uang muka berkisar antara 1.275.000

– 1.575.000, maka prbabilitas konsumen tersebut diterima permohonan

kreditnya adalah 0.865 yang berarti kemungkinan permohonan

kreditnya akan diterima lebih besar.

2. Jika harga OTR ≤ 13.915.000 dan uang muka > 1.950.000, maka

probabilitas konsumen tersebut diterima permohonan kreditnya adalah

49

sebesar 0.881, yang berarti kemungkinan permohonan kreditnya

diterima lebih besar.

3. Jika uang muka > 1.275.000, harga OTR > 13.915.000, dan bunga

pinjaman > 6.631.300, maka probabilitas konsumen tersebut akan

diterima permohonan kreditnya adalah 0.881, yang berarti

kemungkinan permohonan kreditnya diterima lebih besar.

Ketiga model tree permohonan kredit diterima yang optimal

digambarkan sebagai berikut :

Gambar 5.1 Optimal Tree

Model optimal tree di atas memilki resiko atau relative cost paling kecil

yaitu sebesar 0.405 sehingga model tree inilah yang dikatakan dapat dipakai

oleh pihak perusahaan untuk memprediksi calon konsumen baru.

UANG_MUKA <= 1275000.00

TerminalNode 1


1 62 96.92 2 3.1

W = 64.00N = 64

UANG_MUKA <= 1575000.00

TerminalNode 2


1 102 86.42 16 13.6

W = 118.00N = 118

UANG_MUKA > 1575000.00

TerminalNode 3


1 75 70.12 32 29.9

W = 107.00N = 107

UANG_MUKA <= 1950000.00

Node 4Class = 2


1 177 78.72 48 21.3

W = 225.00N = 225

UANG_MUKA > 1950000.00

TerminalNode 4


1 243 88.02 33 12.0

W = 276.00N = 276

HARGA_OTR <= 13915000.00

Node 3Class = 1


1 420 83.82 81 16.2

W = 501.00N = 501


TerminalNode 5


1 128 72.32 49 27.7

W = 177.00N = 177


TerminalNode 6


1 37 88.12 5 11.9

W = 42.00N = 42

HARGA_OTR > 13915000.00

Node 5Class = 2


1 165 75.32 54 24.7

W = 219.00N = 219

UANG_MUKA > 1275000.00

Node 2Class = 2


1 585 81.32 135 18.8

W = 720.00N = 720

Node 1Class = 1


1 647 82.52 137 17.5

W = 784.00N = 784

50

5.2 Saran

Akurasi dari model tree yang didapat dirasa kurang optimal. Ada

kemungkinan penyebab utamanya karena jumlah pengamatan yang tidak

seimbang dalam masing-masing kelompok jenis permohonan kredit baik yang

diterima maupun ditolak, yaitu sebesar 82.5% untuk data permohonan kredit

yang diterima dan 17.5% untuk data permohonan kredit yang ditolak.

Selain dari itu, sedikitnya jenis variabel yang didapat oleh penulis dalam

skripsi ini juga dapat melemahkan tingkat akurasi model. Oleh karena itu,

penulis mengharapkan dalam penelitian selanjutnya akan lebih baik dengan

menambahkan jenis variabel yang dimasukkan dalam model dan membuat

perbandingan yang sama terhadap data permohonan kredit antara permohonan

kredit yang diterima atapun ditolak.

54

Biodata Penulis

Nama Lengkap : Dendy Saputro

Nama Panggilan : Dendy

NIM : 107094002797

Tempat, Tanggal Lahir : Jakarta, 21 Mei 1989

Jenis Kelamin : Laki-laki

Alamat Rumah : Jl. Musyawarah Rt. 04/001 No.86

Desa Sawah Kecamatan Ciputat

Kota Tangerang Selatan 15413

No. HP : 085697557289

Email : [email protected]

Kewarganegaraan : Indonesia

Tinggi/Berat Badan : 172 cm/ 89 kg

Program Studi : MIPA Matematika

IPK : 3.41

1. Universitas Islam Negeri Syarif Hidayatullah Jakarta, Fakultas Sains dan

Teknologi (FST), Jurusan MIPA (Matematika), Program Studi Matematika

Statistika, lulus bulan Juni 2011.

2. SMU Negeri 2 Ciputat, lulus tahun 2007, berijazah.

3. SMP Negeri 2 Ciputat, lulus tahun 2004, berijazah.

4. SD Negeri 02 Kampung Sawah, lulus tahun 2001, berijazah.

5. RA Nurul Huda Pondok Karya lulus tahun 1995, berijazah.

Ciputat, 10 Juni 2011

Penulis

DAFTAR RIWAYAT HIDUP

DATA PRIBADI

RIWAYAT PENDIDIKAN

51

DAFTAR PUSTAKA

[1] Amarnath, K.N. Statistical Methods in Consumer Credit Scoring. Cranes

Software Internasiaonal Ltd . Product Analyst .2004

[2] Andriyashin, Anton. Financial Applications of Classification And

Regression Tree (CART). Master Thesis. CASE – Center of Applied

Statistics and Aconomics. Humboldt University. 2006.

[3] Angarini, Dini. Klasifikasi Kondisi Kesehatan Jantung Menggunakan

Metode Multiple Discriminant Analysis (MDA) Dan Classification and

Regression Tree (CART). Jakarta : Universitas Islam Negeri. 2007.

[4] Giudici, Paolo . Applied Data Mining, Satistical Methods for Business

and Industry. Italy : Faculty of Economics University of Pavia. 2003.

[5] Manual CART. An Implementation of the Original CART Methodology

by Salford System. California : Salford System San Diago. 2002

[6] Nur Rahman, Andi. Klasifikasi Penyakit Diabetes Positif Menggunakan

Classification and Regreesion Tree. Jakarta : Universitas Islam Negeri.

2006.

[7] Siegel, Sidney. STATISTIK NONPARAMETRIK. Jakarta : PT Gramedia,

Anggota IKAPI. 1985.

[8] Timfee, Roman. Classification And Regression Tree (CART) Theory and

Application. Master Thesis. CASE – Center of Applied Statistics and

Aconomics. Humboldt University. 2003.

[9] Trihendradi, C.Step by Step SPSS 16 Analisis Data Statistik. Yogyakarta

: Penerbit ANDI. 2009.

52

[10] http : // Edward Tanjung, Doddy. Apa Itu Kredit (1)-Prosedur Memperoleh

Kredit. usaha-umkm.blogspot.com, tanggal 17 Mei 2010, pukul 17.36

WIB.

LAMPIRAN I

UANG_MUKA <= 1275000.00

TerminalNode 1


1 62 96.92 2 3.1

W = 64.00N = 64

UANG_MUKA <= 1575000.00

TerminalNode 2


1 102 86.42 16 13.6

W = 118.00N = 118

UANG_MUKA > 1575000.00

TerminalNode 3


1 75 70.12 32 29.9

W = 107.00N = 107

UANG_MUKA <= 1950000.00

Node 4Class = 2


1 177 78.72 48 21.3

W = 225.00N = 225

UANG_MUKA > 1950000.00

TerminalNode 4


1 243 88.02 33 12.0

W = 276.00N = 276

HARGA_OTR <= 13915000.00

Node 3Class = 1


1 420 83.82 81 16.2

W = 501.00N = 501


TerminalNode 5


1 128 72.32 49 27.7

W = 177.00N = 177


TerminalNode 6


1 37 88.12 5 11.9

W = 42.00N = 42

HARGA_OTR > 13915000.00

Node 5Class = 2


1 165 75.32 54 24.7

W = 219.00N = 219

UANG_MUKA > 1275000.00

Node 2Class = 2


1 585 81.32 135 18.8

W = 720.00N = 720

Node 1Class = 1


1 647 82.52 137 17.5

W = 784.00N = 784

model credit scoring untuk proses analisa kelayakan fasilitas kredit...

Documents