Klasifikasi dan kajian performa nasabah usaha ekonomi desa simpan pinjam (ued-sp) desa pisang berebus

KLASIFIKASI DAN KAJIAN PERFORMA NASABAH
USAHA EKONOMI DESA SIMPAN PINJAM (UED-SP)
DESA PISANG BEREBUS

ABRAR SETIAWAN

DEPARTEMEN STATISTIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2014

PERNYATAAN MENGENAI SKRIPSI DAN
SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA
Dengan ini saya menyatakan bahwa skripsi berjudul Klasifikasi dan Kajian
Performa Nasabah Usaha Ekonomi Desa Simpan Pinjam (UED-SP) Desa Pisang
Berebus adalah benar karya saya dengan arahan dari komisi pembimbing dan belum
diajukan dalam bentuk apa pun kepada perguruan tinggi mana pun. Sumber
informasi yang berasal atau dikutip dari karya yang diterbitkan maupun tidak
diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan dalam
Daftar Pustaka di bagian akhir karya tulis ini.

Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut
Pertanian Bogor.
Bogor, Juli 2014
Abrar Setiawan
NIM G14100097

ABSTRAK
ABRAR SETIAWAN. Kalsifikasi dan Kajian Performa Nasabah Usaha Ekonomi
Desa Simpan Pinjam (UED-SP) Desa Pisang Berebus. Dibimbing oleh ANANG
KURNIA dan AGUS M. SOLEH.
Usaha Ekonomi Desa Simpan Pinjam (UED-SP) merupakan suatu lembaga
yang bergerak di bidang simpan pinjam dan merupakan milik masyarakat desa.
UED-SP ini salah satunya berdiri di Desa Pisang Berebus. UED-SP memiliki resiko
kredit macet yang dapat menyebabkan kerugian. Resiko kredit macet pada UEDSP dapat dihindari dengan mengetahui kriteria nasabah yang akan mengalami kredit
macet dalam pembayaran dan kapan akan terjadinya kredit macet. Analisis regresi
logistik biner, pohon klasifikasi CART, dan analisis daya tahan dapat digunakan
untuk mengetahui kriteria nasabah yang mengalami kredit macet. Analisis daya
tahan juga dapat digunakan untuk mengetahui waktu terjadinya kemacetan. Hasil
penelitian menunjukkan bahwa riwayat peminjaman menjadi faktor yang paling
dominan yang mempengaruhi kredit macet. Model yang dihasilkan cukup baik

digunakan untuk melakukan pendugaan dengan persentase klasfikasi benar sebesar
66.6%. Persentase nasabah dengan status lancar yang telah menyelesaikan
pembayaran kredit sampai angsuran ke-18 sebesar 60%. Resiko terjadinya kredit
macet bagi nasabah dengan status macet relatif sama untuk setiap kali angsurannya.
Kata kunci: analisis daya tahan, kredit macet, CART, regresi logistik

ABSTRACT
ABRAR SETIAWAN. Classification and Study of The Performance of Customer
Economic Enterprises Village Savings and Loan (EEV-SL) at Pisang Berebus
Village . Supervised by ANANG KURNIA and AGUS M. SOLEH.
Economic Enterprises Village Savings and Loan (EEV-SL) is an institution
that is engaged in the savings and loan and belong to village communities. EEV-SL
is one of them standing in Pisang Berebus Village. EEV-SL has a non performing
loan risk that could cause loss. The risk of non performing loan in EEV-SL can be
avoided by knowing the criteria that customers will be non performing loan and
when it will be happen. Binary logistic regression analysis, CART, and survival
analysis can be used to determine criteria for customers who have non performing
loan. Survival analysis can used to find out when it will be happen. The result of
research show that history of loan became the most dominant factor affecting non
performing loan. The result of model is quite well used to estimate with correct

classification rate about 66.6%. Performance of customer payment with the perform
status completed payment on the 18th payment about 60%. Customers with a non
perform status has same risk for non performing loan on each payment.
Keywords: bad credit, CART, logistic regression, survival analysis

KLASIFIKASI DAN KAJIAN PERFORMA NASABAH
USAHA EKONOMI DESA SIMPAN PINJAM (UED-SP)
DESA PISANG BEREBUS

ABRAR SETIAWAN

Skripsi
sebagai salah satu syarat untuk memperoleh gelar
Sarjana Statistika
pada
Departemen Statistika

DEPARTEMEN STATISTIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR

BOGOR
2014

Judul Skripsi : Klasifikasi dan Kajian Performa Nasabah Usaha Ekonomi Desa
Simpan Pinjam (UED-SP) Desa Pisang Berebus
Nama
: Abrar Setiawan
NIM
: G14100097

Disetujui oleh

Dr Anang Kurnia, MSi
Pembimbing I

Agus M. Soleh, SSi, MT
Pembimbing II

Diketahui oleh

Dr Anang Kurnia, MSi
Ketua Departemen

Tanggal Lulus:

PRAKATA
Puji dan syukur penulis ucapkan kepada Allah subhanahu wa ta’ala atas segala
karunia-Nya sehingga karya ilmiah ini berhasil diselesaikan. Karya ilmiah ini
berjudul “Klasifikasi dan Kajian Performa Nasabah Usaha Ekonomi Desa Simpan
Pinjam (UED-SP) Desa Pisang Berebus”.
Banyak ilmu, inspirasi, pelajaran, dan pengalaman yang sangat berharga dalam
penyusunan karya ilmiah ini. Sehingga, dalam kesempatan ini penulis ingin
mengucapkan terimakasih kepada:
1. Bapak Dr. Anang Kurnia, M.Si dan Bapak Agus M. Soleh, S.Si, MT
yang telah membimbing penulis selama penyusunan karya ilmiah ini.
2. Keluarga besar Departemen Statistika, FMIPA IPB, dosen dan seluruh
staf, serta sahabat-sahabat statistika 47 tercinta, terimakasih atas segala
bentuk dukungan dan doanya.
3. Kedua orang tua yang sangat penulis cintai, terimakasih atas segala doa,
dukungan, dan kasih sayangnya.

4. Keluarga IMAKUSI Bogor dan ASKING Bogor yang selalu setia
menyemangati dan mengingatkan.
5. Serta seluruh pihak yang telah membantu, terimakasih atas segala
bantuannya.
Semoga semua bantuan dan doa yang telah diberikan mendapatkan balasan dari
Allah SWT. Semoga karya ilmiah ini bermanfaat.

Bogor, Juli 2014
Abrar Setiawan

DAFTAR ISI
DAFTAR TABEL

viii

DAFTAR GAMBAR

viii

DAFTAR LAMPIRAN

viii

PENDAHULUAN

1

Latar Belakang

1

Tujuan Penelitian

1

METODE

1

Bahan

1

Prosedur Analisis Data

3

HASIL DAN PEMBAHASAN

5

Eksplorasi Data Nasabah UED-SP

5

Analisis Regresi Logistik

8

Pohon Klasifikasi CART

10

Analisis Daya Tahan

11

SIMPULAN

12

DAFTAR PUSTAKA

13

LAMPIRAN

14

RIWAYAT HIDUP

21

DAFTAR TABEL
1
2
3
4
5

Rincian peubah yang digunakan
Hasil analisis regresi logistik dengan peubah yang signifikan
Tabel ketepatan klasifikasi model regresi logistik dan validasi
Tabel ketepatan klasifikasi pohon klasifikasi CART dan validasi
Hasil analisis daya tahan dengan Model Cox Proportional Hazard
menggunakan peubah yang signifkan

2
9
9

10
12

DAFTAR GAMBAR
1
2
3
4
5
6
7
8

Persentase nasabah berdasarkan status kredit
Persentase nasabah berdasarkan pekerjaan
Persentase nasabah berdasarkan jenis kelamin
Persentase nasabah berdasarkan jenis usaha
Persentase nasabah berdasarkan pendidikan terakhir
Persentase nasabah berdasarkan riwayat peminjaman
Persentase nasabah berdasarkan agunan
Diagram kotak garis penghasilan rumah tangga berdasarkan status
kredit
9 Fungsi kurva daya tahan nasabah berdasarkan status kredit
10 Fungsi kurva daya tahan nasabah yang masih dalam
periode pelunasan

5
5
6
6
7
7
8
8
11
11

DAFTAR LAMPIRAN
1
2
3
4
5
6
7

Penghasilan nasabah berdasarkan status kreditnya
Hasil analisis regresi logistik dengan semua peubah
Eksplorasi data setiap peubah berdasarkan status kreditnya
Kruva ROC
Pohon Klasifikasi CART
Koefisien asosiasi antarpeubah
Hasil analisis daya tahan dengan Model Cox Proportional Hazard
menggunkan semua peubah

14
15
16
17
18
19
20

PENDAHULUAN

Latar Belakang
Jumlah penduduk Indonesia yang bertempat tinggal di desa dan di kota pada
tahun 2010 tidak jauh berbeda, yakni 119.3 juta jiwa di daerah pedesaan dan 118.3
juta jiwa di daerah perkotaan (BPS 2010). Namun demikian, berdasarkan tingkat
kesejahteraan penduduk yang bertempat tinggal di desa jauh lebih rendah
dibandingkan penduduk yang tinggal di kota. Oleh karena itu, untuk meningkatkan
kesejahteraan penduduk yang berada di desa maka Menteri Dalam Negeri Republik
Indonesia memutuskan untuk membentuk suatu lembaga simpan pinjam yaitu
Usaha Ekonomi Desa Simpan Pinjam (UED-SP).
Peraturan Menteri Dalam Negeri Nomor 6 Tahun 1998 tentang Usaha
Ekonomi Desa Simpan Pinjam (UED-SP) mendefinisikan UED-SP adalah suatu
lembaga yang bergerak di bidang simpan pinjam dan merupakan milik masyarakat
desa. UED-SP didirikan di berbagai desa yang layak menerimanya, salah satunya
desa Pisang Berebus. Setiap lembaga simpan pinjam memiliki resiko adanya kredit
macet yang akan menyebabkan kerugian. Resiko ini juga dialami oleh UED-SP
Desa Pisang Berebus.
Untuk mencegah dampak kerugian yang cukup besar bagi UED-SP bisa
dilakukan dengan mengklasifikasikan nasabah dan mengetahui performa
pembayaran kredit nasabah. Pengklasifikasian nasabah bisa dilakukan dengan
mengetahui kriteria nasabah yang akan mengalami kemacetan dalam pembayaran
kredit. Metode yang bisa digunakan yaitu regresi logistik, CART, dan analisis daya
tahan. Performa pembayaran kredit nasabah dapat diukur melalui ketepatan
pembayarannya dan kapan terjadinya kemacetan pembayarannya. Metode yang
digunakan untuk mengetahui performa pembayaran kredit nasabah yaitu analisis
daya tahan.

Tujuan Penelitian
Tujuan penelitian ini adalah:
1. Mengidentifikasi faktor-faktor yang mempengaruhi kredit macet pada nasabah
UED-SP dalam pembayaran kredit serta mengklasifikasikan nasabah UED-SP
dengan tepat.
2. Mengkaji performa pembayaran kredit nasabah UED-SP.

METODE
Bahan
Data yang digunakan pada penelitian ini adalah data primer dan data sekunder.
Data primer diperoleh dengan wawancara langsung kepada seluruh nasabah UEDSP Desa Pisang Berebus tahun 2010-2013 dan data sekunder didapatkan dari

2
database nasabah UED-SP Desa Pisang Berebus tahun 2010-2013. Peubah yang
digunakan pada penelitian ini disajikan pada Tabel 1. Peubah yang diperoleh dari
database nasabah UED-SP adalah X1, X2, X3, dan X10. Peubah yang diperoleh dari
wawancara langsung adalah X4, X5, X6, X7, X8, X9, dan X11. Peubah respon yang
digunakan pada penelitian ini ada dua, yaitu status kredit nasabah dan kapan
terjadinya kemacetan. Peubah penjelas yang digunakan adalah sebanyak 11 dengan
6 peubah berskala kategorik dan 5 peubah berskala numerik.

T
Y
X1
X2

X3
X4
X5
X6

X7
X8
X9

X10
X11

Tabel 1 Rincian peubah yang digunakan
Peubah
Kategori
Keterangan
Waktu Macet
Numerik
Status Kredit
0
Lancar
1
Macet
Jenis Kelamin
0
Laki-laki
1
Perempuan
Jenis Usaha
0
Dagang
1
Industri Kecil
2
Jasa
3
Perikanan
4
Pertanian
5
Peternakan
6
Perkebunan
Jumlah Angsuran
Numerik (Rp)
Usia
Numerik (Tahun)
Jumlah Tanggungan
Numerik (Orang)
Pekerjaan
0
PNS
1
Wiraswasta
2
Pegawai Swasta
3
Lainnya
Penghasilan Rumah Tangga
Numerik (Rp)
Lama Usaha
Numerik (Bulan)
Pendidikan Terakhir
0
≤ Tidak Tamat SD
1
Tamat SD
2
Tidak Tamat SMP
3
Tamat SMP
4
Tidak Tamat SMA
5
Tamat SMA
6
Diploma
7
≥ S1
Riwayat Peminjaman
0
Bermasalah
1
Tidak Bermasalah
Agunan
0
Surat Tanah
1
BPKB Motor
2
Lainnya

3
Prosedur Analisis Data
Tahapan-tahapan yang dilakukan dalam penelitian ini adalah sebagai berikut:
1. Melakukan eksplorasi data dengan menggunakan analisis deskriptif untuk
mengetahui informasi-informasi umum yang terdapat pada beberapa peubah.
2. Melakukan analisis regresi logistik biner untuk mengetahui semua peubah
penjelas yang signifikan terhadap peubah respon. Kemudian model dibentuk
dari 70% data dengan menggunakan peubah yang signifikan dan sisanya
sebesar 30% data digunakan untuk validasi model. Adapun tahapannya adalah
sebagai berikut:
a. Membuat model yang terbentuk berdasarkan analisis regresi logistik biner.
Menurut Hosmer dan Lameshow (2000) model regresi logistik dinotasikan
dengan π(x) = P(Y=1|x) dengan modelnya yaitu:
eg(x)
π x =
1+eg(x)
Fungsi hubung logit digunakan pada π(x) sehingga diperoleh fungsi logit
yaitu:
π x
g x = ln [
]
1-π x
= β0 +β1 x1 +β2 x2 +…+βp xp
b. Melakukan uji hipotesis dari tiap peubah penjelas terhadap peubah respon
menggunakan uji-G dan uji Wald. Uji-G digunakan untuk pengujian secara
simultan dengan hipotesis:
H0 : β1 = β2 = … = βp = 0
H1 : minimal ada satu βj ≠ 0; j = 1,2,…,p
Statistik uji-G dirumuskan sebagai:
L0
G = -2ln [ ]
Lp
dengan L0 adalah fungsi kemungkinan tanpa peubah penjelas dan Lp adalah
fungsi kemungkinan dengan p peubah penjelas. Keputusan menolak H0 jika
G > χ2p(α).
Uji Wald digunakan untuk pengujian secara parsial dengan hipotesis:
H0 : βi = 0
H1 : βi ≠ 0; i=1,2,…,p
Uji Wald dinotasikan sebagi W dengan rumus:
β̂ i
Wβ̂ =
̂ (β̂ )
SE
i
̂ (β̂ ) adalah penduga galat baku β̂ .
dengan β̂ i adalah penduga βi dan SE
i
i
Keputusan menolak H0 jika |W| > Zα/2.
c. Melakukan interpretasi koefisien pada regresi logistik biner dengan
menggunakan rasio oddsnya. Pada analisis model logit rasio odds untuk
peubah tertentu dapat dirumuskan dengan:
Ψ = exp(β̂ i ) = exp(β̂ (∆xi ))
d. Melakukan validasi model yang dihasilkan dengan menggunakan tabel
klasifikasi dan kurva ROC. Kurva ROC adalah plot antara peluang salah
positif (1-spesifisitas) dengan benar positif (sensitivitas).

4
3. Membentuk pohon klasifikasi dengan metode CART dengan 70% untuk pohon
klasifikasi CART dan 30% untuk validasi. CART adalah salah satu metode
analisis non-parametrik yang menghasilkan pohon keputusan biner. Tahapan
metode CART dalam pembentukan pohon klasifikasi menurut Izenman (2008)
sebagai berikut:
a. Melakukan pemilihan penyekat pada setiap simpul yang bertujuan untuk
memperoleh penyekat yang mampu menghasilkan simpul dengan tingkat
kehomogenan yang tinggi. Keheterogenan suatu simpul diukur dengan nilai
impuritas. Nilai impuritas dihitung dengan menggunakan indeks gini dengan
persamaan:
i τ = 1- ∑ {p k|τ }
k

2

dengan i(τ) adalah nilai impuritas pada simpul ke-τ dan p(k|τ) adalah peluang
observasi pada kelas ke-k simpul ke-τ. Penyekat yang paling baik adalah
penyekat yang menghasilkan penurunan nilai impuritas yang paling tinggi.
Penurunan nilai impuritas dirumuskan dengan:
∆i s,τ = i τ -pL i τL -pR i(τR )
dengan ∆i s,τ adalah penurunan nilai impuritas, pL adalah peluang
observasi simpul kiri, i τL adalah nilai impuritas pada simpul ke-� kiri, pR
adalah peluang observasi simpul kanan, dan i(τR ) adalah nilai impuritas pada
simpul ke-τ kanan.
b. Melakukan penentuan simpul terminal. Simpul τ tidak dipilah lagi ketika
tidak terjadi penurunan nilai impuritas yang berarti sehingga dijadikan simpul
terminal dan pembentukan pohon dihentikan.
c. Menentukan penandaan label kelas. Label kelas pada simpul terminal ke-τ
ditentukan melalui aturan jumlah banyak dengan rumus:
Nk (τ)
p k0 |τ = maxk p k|τ = maxk
N(τ)
dengan p k|τ adalah proporsi kelas ke-k pada simpul ke-� , Nk (τ) adalah
jumlah pengamatan kelas ke-k pada simpul ke-�, dan N(τ) adalah jumlah
pengamatan simpul ke-�.
4. Melakukan analisis daya tahan dengan menggunakan kurva daya tahan untuk
melihat performa pembayaran kredit nasabah berdasarkan status macet, lancar,
dan masih dalam periode pelunasan serta melakukan analisis daya tahan dengan
model Cox proportional hazard. Fungsi daya tahan dilambangkan oleh S(t).
Menurut Lee (1980) fungsi ini didefinisikan sebagai peluang dari suatu individu
yang mampu bertahan lebih dari t:
S(t) = P (suatu individu mampu bertahan lebih dari t) = P (T>t)
Collet (2003) memformulakan Cox proportional hazard sebagai berikut:
β x +β x +…+βp xpi
hi t =h0 (t)e 1 1i 2 2i

5

HASIL DAN PEMBAHASAN
Eksplorasi Data Nasabah UED-SP
Persentase nasabah UED-SP yang macet dari tahun 2010-2013 adalah sebesar
68.7% sedangkan persentase nasabah yang lancar adalah sebesar 31.3% (Gambar
1). Berdasarkan pekerjaan nasabah yang dapat dilihat pada Gambar 2 bahwa
mayoritas pekerjaan nasabah UED-SP tahun 2010-2013 adalah wiraswasta dengan
persentase sebesar 79.1%, PNS dengan persentase sebesar 8.3%, pegawai swasta
dengan persentase sebesar 5.7%, dan lainnya sebesar 6.9%.
80.0%
68.7%

70.0%
60.0%
50.0%
40.0%

31.3%
30.0%
20.0%
10.0%
0.0%

Macet

Lancar

Gambar 1 Persentase nasabah berdasarkan status kredit
90.0%
79.1%
80.0%
70.0%
60.0%
50.0%
40.0%
30.0%
20.0%
8.3%

10.0%

5.7%

6.9%

Pegawai Swasta

Lainnya

0.0%
Wiraswasta

PNS

Gambar 2 Persentase nasabah berdasarkan pekerjaan
Eksplorasi nasabah berdasarkan jenis kelamin menunjukkan bahwa sebagian
besar nasabah UED-SP berjenis kelamin laki-laki. Persentase jenis kelamin lakilaki sebesar 80% dan perempuan 20% (Gambar 3). Berdasarkan jenis usaha,
nasabah UED-SP dikelompokkan menjadi 7 kategori. Kategori-kategori tersebut

6
adalah perdagangan, industri kecil, jasa, perikanan, pertanian, peternakan, dan
perkebunan. Perkebunan menjadi jenis usaha dengan persentase tertinggi, yaitu
55.2%. Kemudian diikuti perdagangan (28.3%), perikanan (8,7%), peternakan
(3.5%), pertanian (2.2%), jasa (1.7%), dan terakhir industri kecil (0.4%) (Gambar
4).
90.0%
80.0%

80.0%
70.0%
60.0%
50.0%
40.0%
30.0%
20.0%
20.0%
10.0%
0.0%

Laki-laki

Perempuan

Gambar 3 Persentase nasabah berdasarkan jenis kelamin
60.0%

55.2%

50.0%

40.0%

30.0%

28.3%

20.0%

10.0%

8.7%
3.5%

2.2%

1.7%

0.4%

0.0%

Gambar 4 Persentase nasabah berdasarkan jenis usaha
Berdasarkan pendidikan terakhir, nasabah UED-SP dikelompokkan menjadi
8 kategori. Kedelapan kategori tersebut adalah tidak tamat SD, tamat SD, tidak
tamat SMP, tamat SMP, tidak tamat SMA, tamat SMA, diploma, dan S1.
Pendidikan terakhir tamat SMA merupakan tingkat pendidikan dengan persentase
tertinggi, yaitu 36.1%. Lau diikuti pendidikan terakhir tamat SD dengan persentase
sebesar 21.3%, pendidikan terakhir tidak tamat SD dengan persentase sebesar

7
12.2%, pendidikan terakhir tamat SMP dengan persentase sebesar 9.1%, pendidikan
terakhir S1 dengan persentase sebesar 6.9%, pendidikan terakhir tidak tamat SMP
dengan persentase sebesar 6.5%, pendidikan terakhir diploma dengan persentase
sebesar 5.7%, dan tidak tamat SMA yang menjadi terendah dengan persentase 2.2%
(Gambar 5).
40.0%
36.1%
35.0%
30.0%

25.0%
21.3%
20.0%
15.0%

12.2%
9.1%

10.0%

5.7%

6.5%
5.0%

6.9%

2.2%

0.0%
Tidak
Tamat
SD

Tamat
SD

Tidak
Tamat
SMP

Tamat
SMP

Tidak
Tamat
SMA

Tamat Diploma
SMA

S1

Gambar 5 Persentase nasabah berdasarkan pendidikan terakhir
Berdasarkan riwayat peminjaman, sebagian besar nasabah UED-SP memiliki
riwayat peminjaman tidak bermasalah dengan persentase sebesar 67% dan yang
bermasalah sebesar 33% (Gambar 6). Berdasarkan agunan yang digunakan nasabah
dikelompokkan menjadi 3, yaitu surat tanah, BPKB motor, dan lainnya. Surat tanah
menjadi agunan yang paling sering digunakan dengan persentase sebesar 86.1%.
Kemudian diikuti BPKB Motor dengan persentase 12.6% dan agunan lainnya
dengan persentase sebesar 1.3% (Gambar 7).
80.0%
70.0%

67.0%

60.0%
50.0%
40.0%

33.0%

30.0%
20.0%
10.0%
0.0%
Bermasalah

Tidak Bermasalah

Gambar 6 Persentase nasabah berdasarkan riwayat peminjaman

8
100.0%
90.0%

86.1%

80.0%
70.0%
60.0%
50.0%
40.0%
30.0%
20.0%

12.6%

10.0%

1.3%

0.0%
Surat Tanah

BPKB Motor

Lainnya

Gambar 7 Persentase nasabah berdasarkan agunan
Gambar 8 menunjukkan bahwa karakteristik nasabah berdasarkan
penghasilan yang berstatus macet dan lancar berbeda. Hal ini terlihat dari bentuk
diagram kotak garis dan statistika deskriptifnya yang berbeda (Lampiran 1).
Penghasilan rata-rata nasabah dengan status macet sebesar Rp 3610253 dengan
median Rp 2500000. Penghasilan rata-rata nasabah dengan status lancar sebesar Rp
4639049 dengan median Rp 3000000.

Gambar 8 Diagram kotak garis penghasilan rumah tangga
berdasarkan status kredit

Analisis Regresi Logistik
Pendugaan model yang dibentuk dari sebelas peubah penjelas menghasilkan
nilai statistik-G sebesar 40.809. Model ini menghasilkan nilai-p sebesar 0.024
sehingga bisa diambil keputusan bahwa minimal ada satu peubah penjelas yang
signifikan pada taraf nyata 10%. Berdasarkan uji Wald dengan taraf nyata 10%
didapatkan hasil bahwa peubah-peubah penjelas yang signifikan adalah jenis
kelamin (X1) dengan nilai-p sebesar 0.086 dan riwayat peminjaman (X10) dengan
nilai-p sebesar 0.000 (Lampiran 2). Model yang dibentuk dengan menggunakan
peubah jenis kelamin dan riwayat peminjaman memakai 70% data menghasilkan
nilai statistik-G yang dihasilkan sebesar17.925 dan nilai-p sebesar 0.000, yang

9
berarti minimal ada satu peubah penjelas yang signifikan pada taraf nyata 10%. Uji
secara parsialnya menghasilkan jenis kelamin dan riwayat peminjaman signifikan
pada taraf nyata 10% (Tabel 2).
Tabel 2 Hasil analisis regresi logistik
dengan peubah yang signifikan
Statistik-G = 17.925
Nilai-p = 0.000
Peubah
Koefisien
Nilai-p
Rasio
Uji-Wald
Odds
X1
0.911
0.027
2.487
X10
1.409
0.001
4.090
Nilai rasio odds untuk peubah jenis kelamin (X1) adalah 2.487 yang
diinterpretasikan bahwa nasabah berjenis kelamin laki-laki memiliki resiko macet
2.487 kali lebih besar dibandingkan nasabah yang berjenis kelamin perempuan
sehingga nasabah berjenis kelamin laki-laki memiliki peluang lebih besar untuk
mengalami kemacetan daripada perempuan. Hal ini diperkuat dengan eksplorasi
data yang ada (Lampiran 3). Rasio odds pada peubah riwayat peminjaman (X10)
bernilai 4.09 yang berarti bahwa nasabah dengan riwayat peminjaman yang
bermasalah memeliki resiko macet 4.09 kali lebih besar daripada nasabah dengan
riwayat peminjaman tidak bermasalah. Hal ini sesuai dengan eksplorasi data yang
telah dilakukan (Lampiran 3).
Mengasumsikan ketepatan pengklasifikasian macet dan lancar sama
pentingnya maka ditetapkan titik potong optimal yaitu 0.5. Jika pendugaan yang
diperoleh menggunakan model yang telah terbentuk lebih besar dari 0.5 maka
nasabah tersebut diklasifikasikan ke kelompok macet. Berdasarkan titik potong
tersebut dihasilkan model dengan persentase ketepatan memprediksi lancar dan
aktualnya lancar juga adalah sebesar 9.3%. Persentase ketepatan memprediksi
macet namun aktualnya lancar sebesar 6.2%. Persentase ketepatan memprediksi
lancar namun aktualnya macet sebesar 22.4%. Persentase ketepatan memprediksi
macet dan aktualnya macet juga sebesar 62.1%. Persentase klasifikasi benar yang
dihasilkan adalah sebesar 71.4% (Tabel 3). Persentase memprediksi lancar namun
aktualnya lancar lebih rendah dibandingkan dengan persentase memprediksi macet
namun aktualnya lancar. Hal ini dapat disebabkan oleh persentase nasabah dengan
status macet yang lebih besar daripada nasabah dengan status lancar yakni 68.7%
berbanding 31.3% (Gambar 1).
Tabel 3 Ketepatan klasifikasi model regresi logistik dan validasi
Prediksi
Aktual
Lancar (%)
Macet (%)
Lancar
9.3
22.4
Macet
6.2
62.1
71.4
Presentase Klasifikasi Benar (Model)
Lancar
4.3
26.1
Macet
7.3
62.3
66.6
Presentase Klasifikasi Benar (Validasi)

10
Validasi model dengan menggunakan 30% data menghasilkan persentase
klasifikasi benar sebesar 66.6%. Hal ini berarti persentase klasifikasi benar model
dengan persentase klasifikasi benar validasi model tidak terlalu berbeda sehingga
model cukup konsisten dalam menduga (Tabel 3).
Kelayakan model dapat dilihat dari luas daerah di bawah kurva ROC dengan
nilai c = 0.687 (Lampiran 4). Dengan nilai statistik c tersebut menunjukkan bahwa
model pengklasifikasian nasabah berdasarkan status macet atau lancarnya masih
lemah. Oleh karena itu perlu digunakan metode pengklasifikasian lain. Dalam
penelitian ini metode lain yang digunakan adalah pohon klasifikasi CART.

Pohon Klasifikasi CART
Pohon klasifikasi CART menghasilkan tiga simpul akhir dengan riwayat
peminjaman sebagai peubah yang sangat berpengaruh. Banyaknya simpul akhir
menunjukan banyaknya kelompok data dengan masing-masing peubah penciri yang
berbeda. Pada kelompok pertama simpul pertama, jika nasabah memiliki riwayat
peminjaman bermasalah maka diduga nasabah cenderung macet sebesar 85.7%.
Untuk kelompok kedua simpul ketiga, jika nasabah memiliki riwayat peminjaman
tidak bermasalah dan lama usaha kurang dari 220.5 bulan maka diduga nasabah
cenderung lancar sebesar 54.2%. Pada kelompok ketiga simpul keempat, jika
nasabah memiliki riwayat peminjaman tidak bermasalah dan lama usaha besar dari
220.5 bulan maka diduga nasabah cenderung macet sebesar 70.2% (Lampiran 5).
Tabel ketepatan klasifikasi pohon klasifikasi CART menunjukkan persentase
klasifikasi benar sebesar 70.8%. Sedangkan tabel ketepatan klasifikasi validasi
pohon klasifikasi CART menunjukkan persentase klasifikasi benar sebesar 60.9%
(Tabel 4). Persentase klasifikasi benar antara pembentukan pohon klasifikasi CART
dan validasinya cukup berbeda sehingga pohon klasifikasi CART ini tidak cukup
baik dalam menduga.
Tabel 4 Ketepatan klasifikasi pohon klasifikasi CART dan validasi
Prediksi
Aktual
Lancar (%)
Macet (%)
Lancar
16.1
15.5
Macet
13.7
54.7
70.8
Presentase Klasifikasi Benar (Pohon Klasifikasi)
Lancar
17.4
13
Macet
26.1
43.5
60.9
Presentase Klasifikasi Benar (Validasi)
Berdasarkan analisis regresi logistik dan pohon klasifikasi CART yang
digunakan menghasilkan kesimpulan yang berbeda. Persentase klasifikasi benar
untuk kedua metode tersebut juga berbeda. Persentase klasifikasi benar regresi
logistik lebih tinggi daripada pohon klasifikasi CART. Hal ini disebabkan oleh
peubah lama usaha dan peubah riwayat peminjaman yang terdapat pada pohon
klasifikasi CART berasosiasi pada taraf nyata 10% (Lampiran 6) sehingga
pengaruh dari peubah lama usaha terhadap status kredit sudah terwakili oleh

11
riwayat peminjaman. Berbeda dengan peubah jenis kelamin yang tidak berasosiasi
dengan riwayat peminjaman pada model regresi logistik. Jadi metode regresi
logistik lebih baik daripada CART untuk melakukan pendugaan.

Analisis Daya Tahan
Gambar 9a menunjukkan performa pembayaran kredit nasabah yang telah
berakhir periode pelunasannya dengan status lancar dan macet. Nasabah dengan
status lancar telah ada yang selesai pembayaran kreditnya pada angsuran ke-7. Pada
angsuran ke-17 terjadi peningkatan yang cukup signifikan untuk nasabah dengan
status lancar yang pembayaran kreditnya selesai. Sebanyak 60% nasabah dengan
status lancar pembayaran kreditnya selesai pada angsuran ke-18 dan sisanya sudah
selesai antara angsuran ke-7 sampai ke-17.
Untuk nasabah dengan status macet terlihat bahwa peluang terjadinya
kemacetan untuk setiap kali angsuran relatif sama. Hal ini terlihat dari kurva daya
tahan yang hampir berbentuk linier. Hanya pada angsuran ke-2 terjadi sedikit
peningkatan jumlah nasabah yang mengalami kemacetan.

(a)
(b)
Gambar 9 Fungsi kurva daya tahan nasabah berdasarkan (a)status kredit
(b)masih dalam periode pelunasan
Gambar 9b menunjukkan performa pembayaran kredit nasabah yang masih
dalam periode pelunasan. Dari Gambar 9b terlihat bahwa sudah ada nasabah yang
telah selesai pembayaran kreditnya pada angsuran ke-5, ke-10, ke-14, dan ke-16.
Kredit macet pada nasabah yang masih pada periode pelunasan mulai terjadi pada
angsuran ke-1 dan berakhir pada angsuran ke-17.
Berdasarkan analisis regresi logistik dan pohon klasifikasi CART yang
digunakan menghasilkan hasil yang berbeda. Namun, kedua metode tersebut tidak
memasukkan unsur waktu terjadinya kemacetan dalam pemilihan peubah yang
mempengaruhi status kredit. Oleh karena itu, digunakan analisis daya tahan dengan
model Cox Proportional Hazard. Statistik uji yang digunanakan pada model Cox
sama dengan analisis regresi logistik. Statistik uji-G yang dihasilkan dengan
menggunakan semua peubah penjelas sebesar 1507.379 dengan nilai-p 0.002
sehingga dapat dinyatakan minimal ada satu peubah penjelas yang signifikan

12
terhadap peubah respon. Berdasarkan uji parsial dengan alpha 10% diketahui
peubah penjelas yang signifikan hanya pendidikan terakhir tidak tamat SMP (X9(2))
dan riwayat peminjaman (X10) (Lampiran 7).
Tabel 5 Hasil analisis daya tahan dengan Model Cox Proportional Hazard
menggunakan peubah yang signifkan
Statistik-G = 1519.173
Nilai-p = 0.000
Peubah
Koefisien
Nilai-p
Rasio
Uji-Wald Hazard
X9(2)
-0.924
0.033
0.397
X10
1.022
0.000
2.779
Model Cox akhir dibentuk dengan menggunakan peubah-peubah yang
signifikan. Statistik-G yang dihasilkan adalah 1519.173 dengan nilai-p 0.000
sehingga disimpulkan bahwa minimal ada satu peubah penjelas yang signifikan.
Berdasarkan uji waldnya peubah penjelas yang signifikan adalah pendidikan
terakhir tidak tamat SMP (X9(2)) dan riwayat peminjaman (X10). Nilai rasio hazard
pendidikan terakhir tidak tamat SMP adalah sebesar 0.397 yang berarti peluang
macet nasabah pendidikan terakhir tidak tamat SMP 0.397 kali lebih cepat
dibandingkan nasabah yang pendidikan terakhirnya minimal S1. Nilai rasio hazard
riwayat peminjaman adalah sebesar 2.779 yang diinterpretasikan bahwa peluang
macet nasabah dengan riwayat peminjaman bermasalah 2.779 kali lebih cepat
dibandingkan nasabah dengan nasabah dengan riwayat peminjaman tidak
bermasalah (Tabel 5).

SIMPULAN
Riwayat peminjaman merupakan faktor yang harus menjadi pertimbangan
utama dalam proses pemberian pinjaman terhadap nasabah karena merupakan
peubah yang paling dominan dalam mempengaruhi kredit macet. Nasabah dengan
riwayat peminjaman bermasalah memiliki resiko macet 4 kali lebih besar
dibandingkan dengan nasabah yang riwayat peminjamannya tidak bermasalah.
Peubah lain yang juga dapat dijadikan acuan adalah jenis kelamin. Ketepatan
pengklasifikasian yang dihasilkan cukup baik yaitu sebesar 66.6%.
Performa pembayaran nasabah dengan status lancar telah ada yang selesai
pembayaran kreditnya pada angsuran ke-7. Sebanyak 40% dari seluruh nasabah
sudah dapat melunasi kreditnya pada akhir periode peminjaman. Untuk setiap kali
pembayaran angsuran, nasabah dengan status macet memiliki peluang resiko macet
yang relatif sama.

13

DAFTAR PUSTAKA
[BPS] Badan Pusat Statistik. 2010. Jumlah dan Distribusi Penduduk. Jakarta:
Badan Pusat Statistik.
Collet D. 2003. Modelling Survival Data in Medical Research. Ed ke-2. Boca
Raton-London-New York-Washington DC: Chapman & Hall/CRC.
Hosmer DW, Lameshow S. 2000. Applied Logistic Regression. Ed ke-2. New York:
John Wiley & Sons.
Izenman AJ. 2008. Modern Multivariate Statistical Techniques. New York:
Springer.
Lee ET. 1980. Statistical Methods for Survival Data Analysis. California: Lifetime
Learning Publications.
[MENDAGRI] Menteri Dalam Negeri. 1998. Peraturan Menteri Dalam Negeri
Nomor 6 Tahun 1998 tentang Usaha Ekonomi Desa Simpan Pinjam (UEDSP). Jakarta: MENDAGRI.

14
Lampiran 1 Penghasilan nasabah berdasarkan status kreditnya
Status
Kredit
Macet
Lancar

RataStd Dev Max
Min
Median Q1
Q3
rata
3610253 4322868 25000000 300000 2500000 1500000 3932310
4639049 6701999 40000000 300000 3000000 1500000 4875000

15

Lampiran 2 Hasil analisis regresi logistik dengan semua peubah

Peubah

Statistik-G = 40.809
Nilai-p = 0.024
Koefisien

X1
X2(0)
X2(1)
X2(2)
X2(3)
X2(4)
X2(5)
X3
X4
X5
X6(0)
X6(1)
X6(2)
X7
X8
X9(0)
X9(1)
X9(2)
X9(3)
X9(4)
X9(5)
X9(6)
X10
X11(0)
X11(1)

0.725
0.587
-14.487
0.234
-0.410
-1.292
1.020
1.99E-7
0.023
-0.043
0.082
0.192
0.352
-2.9E-8
0.0009
0.999
0.461
0.030
0.891
1.617
0.895
1.173
1.663
1.221
1.805

Nilai-p
Uji-Wald
0.086
0.941
0.957
0.951
0.969
0.995
0.929
0.710
0.323
0.775
0.907
0.943
0.755
0.393
0.580
0.661
0.517
0.253
0.816
0.435
0.718
0.344
0.000
0.694
0.661

16

Lampiran 3 Eksplorasi data setiap peubah berdasarkan status kreditnya
PEUBAH

KATEGORI

Jenis Kelamin

L
P
Dagang
Industri Kecil
Jasa
Perikanan
Pertanian
Peternakan
Perkebunan
PNS
Wiraswasta
Pegawai Swasta
Lainnya
≤ Tidak Tamat SD
Tamat SD
Tidak Tamat SMP
Tamat SMP
Tidak
Tamat
SMA
Tamat SMA
Diploma
≥ S1
Bermasalah
Tidak Bermasalah
Surat Tanah
Bpkb Motor
Lainnya

Jenis Usaha

Pekerjaan

Pendidikan
Terakhir

Riwayat
Peminjaman
Agunan

JUMLAH
(%)
80
20
28.3
0.4
1.7
8.7
2.2
3.5
55.2
8.3
79.1
5.7
6.9
12.2
21.3
6.5
9.1
2.2

MACET
(%)
71.7
56.5
73.8
0
75
60
40
75
68.5
63.2
70.9
69.2
50
67.9
71.4
66.7
71.4
80

LANCAR
(%)
28.3
43.5
26.2
100
25
40
60
25
31.5
36.8
29.1
30.8
50
32.1
28.6
33.3
28.6
20

36.1
5.7
6.9
33
67
86.1
12.6
1.3

68.7
46.2
75
88.2
59.1
68.7
72.4
33.3

31.3
53.8
25
11.8
40.9
31.3
27.6
66.7

17

Lampiran 4 Kurva ROC

18
Lampiran 5 Pohon klasifikasi CART

19
Lampiran 6 Koefisien asosiasi antar peubah
X1
X1
X2
X3
X4
X5
X6
X7
X8
X9
X10
X11

Nilai-p
Nilai-p
Nilai-p
Nilai-p
Nilai-p
Nilai-p
Nilai-p
Nilai-p
Nilai-p
Nilai-p
Nilai-p

0.48
0.31
0.37
0.00
0.00
0.00
0.18
0.07
0.44
0.06

X2
X3
0.48 0.31
0.00
0.00
0.73 0.00
0.00 0.02
0.25 0.06
0.00 1.00
0.57 0.69
0.00 0.94
0.79 0.47
0.47 0.00

X4
X5
X6
X7
0.37 0.00 0.00 0.00
0.73 0.00 0.25 0.00
0.00 0.02 0.06 1.00
0.00 0.36 0.93
0.00
0.00 0.00
0.36 0.00
0.00
0.93 0.00 0.00
0.00 0.00 0.91 0.00
0.16 0.00 0.00 0.00
0.37 0.35 0.62 0.23
0.81 0.38 0.00 0.00

X8
0.18
0.57
0.69
0.00
0.00
0.91
0.00

X9
0.07
0.00
0.94
0.16
0.00
0.00
0.00
0.00

X10
0.44
0.79
0.47
0.37
0.35
0.62
0.23
0.10
0.74

0.00
0.10 0.74
0.32 0.06 0.45

X11
0.06
0.47
0.00
0.81
0.38
0.00
0.00
0.32
0.06
0.45

20

Lampiran 7 Hasil analisis daya tahan dengan Model Cox Proportional Hazard
menggunakan semua peubah
Statistik-G = 1507.379
Nilai-p = 0.001
Peubah
Koefisien
Nilai-p
Uji-Wald
X1
0.075
0.761
X2(0)
-0.251
0.578
X2(1)
-0.303
0.518
X2(2)
-11.152
0.963
X2(3)
-0.906
0.251
X2(4)
-0.895
0.114
X2(5)
-1.018
0.239
X3
0.000
0.867
X4
0.005
0.635
X5
-0.055
0.475
X6(0)
0.227
0.712
X6(1)
0.198
0.647
X6(2)
-0.153
0.809
X7
0.000
0.881
X8
0.000
0.763
X9(0)
-0.728
0.206
X9(1)
-0.746
0.172
X9(2)
-1.341
0.029
X9(3)
-0.281
0.622
X9(4)
0.276
0.726
X9(5)
-0.463
0.349
X9(6)
-0.696
0.188
X10
1.027
0.000
X11(0)
0.421
0.694
X11(1)
0.313
0.775

21

RIWAYAT HIDUP
Penulis dilahirkan di Benai, Provinsi Riau pada tanggal 25 September 1992
sebagai anak keempat dari 4 bersaudara, putra dari pasangan Bapak Abasri. J dan
Ibu Hartini.
Pendidikan formal sejak SD hingga SMA penulis selesaikan di Provinsi Riau.
Pada tahun 2004 penulis menyelesaikan pendidikan di SDN 006 Pisang Berebus,
kemudian melanjutkan pendidikan di SMP Negeri 1 Gunung Toar sampai tahun
2007. Setelah lulus dari SMA Negeri Plus Provinsi Riau, Pekanbaru pada tahun
2010, penulis masuk IPB melalui jalur ujian tertulis Seleksi Nasional Masuk
Perguruan Tinggi Negeri (SNMPTN).
Setahun kemudian penulis diterima sebagai mahasiswa Departemen
Statistika, Fakultas Matematika dan Ilmu Pengetahuan Alam IPB. Penulis
mengikuti program minor Matematika Keuangan dan Aktuaria, Departemen
Matematika, FMIPA IPB. Selama mengikuti perkuliahan, penulis menjadi asisten
mata kuliah Metode Statistika pada tahun ajaran 2013/2014. Selain itu, penulis
aktif dalam himpunan keprofesian Gamma Sigma Beta sebagai Ketua Departemen
Survey and Research periode 2012/2013. Selama praktik lapang, penulis
ditempatkan di Citra Komunikasi (CIKOM) LSI Network yang merupakan anak
perusahaan dari PT. Lingkaran Survei Indonesia (LSI) dari bulan Juli 2013 sampai
September 2014.