Credit Scoring LANDASAN TEORI

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