Analisis Cross Tabulation Analisis Pendahuluan

32  Terdapat 109 konsumen dengan UM20 yang ditolak permohonan kreditnya.  Terdapat 145 konsumen dengan 20=UM50 yang diterima permohonan kreditnya.  Terdapat 26 konsumen dengan 20=UM50 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 terikatterikat dengan variabel bebasnya. Dalam proses penentuan tersebut dilakukan uji Chi Square dengan menggunakan hipotesis sebagai berikut : H : Tidak ada hubungan antara variabel terikat dan variabel bebas. H 1 : 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 H 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 H 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.