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.