Aplikasi Klasifikasi Kolektibilitas Kredit Pemilikan Rumah (KPR) Menggunakan Decision Tree C5.0
1
BAB 1
PENDAHULUAN
1.1. Latar Belakang
Kredit macet merupakan salah satu masalah yang sering dialami oleh perbankan
hingga saat ini. Banyaknya calon debitur yang melakukan kredit membuat pihak bank
harus menentukan calon debitur yang layak untuk melakukan kredit. Dalam
menentukan calon debitur yang layak, pihak bank menerapkan prinsip kehati-hatian,
dengan pemikiran bahwa yang mempengaruhi proses kelayakan penerimaan kredit
adalah five C (Chandra, 2009) yaitu Character, Capacity, Capital, Condition,
Collateral.
Kredit adalah kegiatan seorang (debitur) meminjam sejumlah uang kepada
bank (kreditur) dengan pembayaran yang dilakukan secara bertahap/cicilan dalam
waktu tertentu sesuai dengan persyaratan yang telah disepakati bersama. Kolektibilitas
adalah keadaan pembayaran pokok atau angsuran pokok dan bunga kredit oleh
nasabah serta tingkat kemungkinan diterimanya kembali dana yang ditanamkan dalam
surat-surat berharga atau penanaman lainnya (Ketentuan Bank Indonesia).
Kolektibilitas (penggolongan) kredit dikelompokkan
terhadap 5 kelompok yaitu
kredit lancar, perhatian khusus (special mention), kredit kurang lancar, kredit
diragukan dan kredit macet (Ketentuan Bank Indonesia). Dalam penelitian ini, penulis
meneliti tiga kolektibilitas yaitu lancar, kurang lancar dan macet.
Debitur melakukan peminjaman kepada Bank dengan berbagai keperluan
seperti, mengelola usaha, kredit pemilikan rumah (KPR), modal kerja, investasi,
rekening koran dan lain-lain. Bank memberikan fasilitas kredit dengan tujuan agar
nasabah mudah meminjam uang dengan program kredit pinjaman yang memiliki
syarat dan ketentuan. Namun, terdapat sejumlah permasalahan yang muncul dari
program kredit pinjaman. Salah satunya adalah kredit macet, dimana debitur tidak
Universitas Sumatera Utara
2
mampu membayar angsuran. Pihak bank membutuhkan informasi dari keseluruhan
calon debitur yang kemungkinan mengalami kredit lancar, kredit kurang lancar atau
kredit macet. Informasi ini sangat penting untuk bank untuk membuat tindakantindakan agar mengurangi Non Perform Loan (NPL). Non Perform Loan (NPL)
adalah kredit bermasalah yang terdiri dari kredit yang berklasifikasi kurang lancar,
diragukan dan macet (Kamus Bank Indonesia). Artinya, NPL merupakan salah satu
kunci untuk menilai kualitas kinerja bank, apabila NPL dibiarkan secara terusmenerus akan memberikan dampak negative pada bank, salah satunya adalah
mengurangi jumlah modal yang dimiliki oleh bank.
Kondisi yang terjadi saat ini adalah untuk mengetahui kolektibilitas debitur
yang melakukan kredit macet, pihak bank melakukan pengecekan satu persatu data
debitur secara manual sehingga tidak efisien dan bisa terjadi kesilapan. Oleh karena
itu dibutuhkan aplikasi yang dapat memprediksi kolektibilitas debitur secara otomatis
yang akan mengklasifikasikan debitur dengan kolektibilitas lancar, kurang lancar dan
macet. Dengan perkembangan teknologi informasi dan komunikasi, telah muncul
aplikasi-aplikasi yang memberikan kemudahan bagi pihak bank. Hasil klasifikasi
nantinya akan dibagi menjadi tiga kolektibilitas yaitu kredit lancar, kredit kurang
lancar dan kredit macet.
Decision Tree (pohon keputusan) merupakan proses mengubah data menjadi
pohon keputusan dan aturan-aturan keputusan(rules). Metode ini menggunakan
representasi struktur pohon yang merepresentasikan atribut, nilai dari atribut dan
kelas. Node awal atau node yang paling atas dari decision tree disebut sebagai root
yang untuk mendapatkannya digunakan rumus entropy.
Beberapa penelitian telah dilakukan, pengembangan perangkat lunak jaringan
syaraf tiruan untuk pengklasifikasian data aplikasi kredit perbankan menggunakan
metode propogasi balik (Romli, 2005) yang melakukan penelitian terkait dengan
analisis, perancangan dan pengimplementasian konfigurasi jaringan syaraf tiruan
untuk mengklasifikasikan data aplikasi kredit perbankan, kemudian perbandingan
performansi algoritma decision tree C5.0, CART dan CHAID : kasus prediksi status
resiko kredit di bank X (Yusuf, 2007), pelaksanaan penyelesaian kredit bermasalah
Universitas Sumatera Utara
3
(Rosmilia, 2009), system pendukung keputusan untuk menentukan calon debitur yang
layak untuk kredit sepeda motor menggunakan metode decision tree (Agustina, 2011),
analisis data pembayaran kredit nasabah bank menggunakan metode data mining
(Melissa, et al. 2013), model prediksi status kredit nasabah koperasi simpan pinjam
mitra usaha syariah (Septiana, et al. 2013), evaluasi kinerja motor servo menggunakan
algoritma decision tree C4.5 dengan mengklasifikasi ke dalam kategori perputaran
motor yang termasuk cepat, kurang cepat dan lambat (Aryansyah, 2014).
Adanya debitur yang melakukan kredit macet membuat pihak bank kesulitan
untuk memprediksi sejauh mana debitur melakukan pembayaran kreditnya.
Munculnya faktor-faktor debitur yang kreditnya macet memang telah membantu pihak
bank dalam memprediksi kredit macet, namun dari segi teknologi dibutuhkan aplikasi
pengembangan yang mampu memprediksi debitur yang melakukan kredit macet.
Oleh sebab itu diperlukan penelitian untuk mengembangkan aplikasi prediksi
kolektibilitas debitur KPR untuk mengklasifikasikan para debitur yang melakukan
kredit lancar, kredit kurang lancar dan kredit macet sehingga diperoleh hasil akhir
berupa klasifikasi
kolektibilitas. Pemanfaatan system
ini
nantinya
mampu
memprediksi debitur yang kreditnya bermasalah.
Pada penelitian ini, penulis akan mengklasifikasikan kolektibilitas data KPR
dengan aribut condition, capability, collateral, plafond, jenis kpr dan jumlah
tunggakan menggunakan Decision Tree C5.0. Hasil yang didapat nantinya berupa
klasifikasi kolektibilitas KPR sehingga dapat dijadikan acuan untuk memprediksi
kolektibilitas KPR dimasa yang akan datang.
1.2 Rumusan Masalah
Banyaknya kredit macet yang terjadi membuat pihak bank kesulitan untuk
memprediksi sejauh mana debitur melakukan pembayaran kredit serta menentukan
nasabah mana yang berpotensi mencapai kredit macet, oleh karena itu dibutuhkan
aplikasi pengembangan yang dapat mengklasifikasi kolektibilitas KPR nasabah untuk
dijadikan acuan memprediksi status kolektibilitas KPR di masa yang akan datang.
Universitas Sumatera Utara
4
1.3 Batasan Masalah
Untuk menghindari perluasan yang tidak diperlukan, maka penulis membuat batasan :
1. Tidak mengikutsertakan kolektibilitas kredit perhatian khusus dan kredit
diragukan.
2. Tidak mengklasifikasikan calon nasabah kredit KPR, melainkan nasabah yang
telah memiliki track record dalam kredit KPR.
3. Sumber data diperoleh dari PT. Bank Sumut Kantor Pusat debitur KPR.
4. Tidak membandingkan metode ini dengan metode lain.
1.4 Tujuan Penelitian
Tujuan dari penelitian ini adalah untuk mengklasifikasi kolektibilitas KPR yang
kemudian dijadikan acuan untuk memprediksi kolektibilitas KPR nasabah dimasa
yang akan datang.
1.5 Manfaat Penelitian
Manfaat dari penelitian ini adalah :
1. Menambah pengetahuan pembaca mengenai aplikasi teknik pengembangan data
pada area perbankan
2. Menambah variasi aplikasi kolektibilitas kredit perbankan.
3. Menambah referensi pembaca mengenai kredit macet pada bank untuk penelitian
selanjutnya.
4. Membantu perbankan untuk memprediksi nasabah/debitur yang pembayaran
kreditnya lancar, kurang lancar atau macet.
Universitas Sumatera Utara
5
1.6 Metodologi
Dalam melakukan penelitian ini terdapat beberapa tahapan untuk menghasilkan
system yang sesuai dengan yang diharapkan
1. Studi Literatur
Studi literatur dilakukan dengan mengumpulkan data, informasi dan referensi
mengenai kredit macet dan KPR melalui buku, jurnal, skripsi, tesis, kamus dan
internet sebagai informasi dan sumber data berkaitan dengan data mining. Pada
tahap ini penulis juga memperdalam pengetahuan mengenai metode Decision
Tree C5.0 dan data kolektibilitas KPR.
2. Analisis Data
Tahap ini dilakukan untuk menganalisis data yang telah diperoleh sebelumnya
untuk mendapatkan pemahaman mengenai pola klasifikasi kolektibilitas kredit
menggunakan Decision Tree C5.0 terhadap aplikasi prediksi kolektibilitas KPR.
3. Perancangan
Pada tahap ini dilakukan perancangan system yang akan dibangun, seperti
merancang proses pembangunan sistem dan antarmuka.
4. Implementasi
Tahap ini merupakan tahap penerapan rancangan system yang telah dibangun
untuk pembangunan program sesuai dengan kode perangkat lunak yang akan
digunakan.
5. Pengujian
Tahap ini merupakan tahap pengujian perangkat lunak yang telah dibangun untuk
mengetahui keakuratan system dan layak atau tidak layaknya system untuk
digunakan oleh user.
6. Dokumentasi dan Pelaporan
Pada tahap ini dilakukan dokumentasi dan penyusunan laporan hasil system yang
telah dibangun.
Universitas Sumatera Utara
6
1.7 Sistematika Penulisan
Sistematika penulisan dari skripsi ini terdiri dari beberapa bagian utama yaitu sebagai
berikut :
BAB 1 : PENDAHULUAN
Bab ini menjelaskan latar belakang pemilihan judul skripsi, rumusan masalah, batasan
masalah, tujuan penelitian, manfaat penelitian, metodologi penelitian dan sistematika
penulisan.
BAB 2 : LANDASAN TEORI
Bab ini merupakan kumpulan referensi yang berkaitan dengan penelitian, baik dari
buku-buku yang memuat pemecahan masalah dari penelitian maupun informasi yang
diperoleh melalui internet.
BAB 3 : ANALISIS DAN PERANCANGAN SISTEM
Pada bab ini dilakukan analisis dan perancangan system serta penerapan metode
decision tree dengan algoritma C5.0 untuk prediksi kolektibilitas KPR. Kemudian
menerapkan hasil analisis dan perancangan ke dalam system.
BAB 4 : IMPLEMENTASI DAN PENGUJIAN SISTEM
Bab ini merupakan implementasi dari analisis dan perancangan yang telah disusun
pada Bab 3 dan pengujian untuk mengetahui apakah hasil yang didapatkan sesuai
dengan yang diharapkan.
BAB 5 : KESIMPULAN DAN SARAN
Bab ini terdiri dari kesimpulan yang merupakan uraian dari bab-bab sebelumnya dan
saran sebagai pengembangan pada penelitian berikutnya.
BAB 2
Universitas Sumatera Utara
BAB 1
PENDAHULUAN
1.1. Latar Belakang
Kredit macet merupakan salah satu masalah yang sering dialami oleh perbankan
hingga saat ini. Banyaknya calon debitur yang melakukan kredit membuat pihak bank
harus menentukan calon debitur yang layak untuk melakukan kredit. Dalam
menentukan calon debitur yang layak, pihak bank menerapkan prinsip kehati-hatian,
dengan pemikiran bahwa yang mempengaruhi proses kelayakan penerimaan kredit
adalah five C (Chandra, 2009) yaitu Character, Capacity, Capital, Condition,
Collateral.
Kredit adalah kegiatan seorang (debitur) meminjam sejumlah uang kepada
bank (kreditur) dengan pembayaran yang dilakukan secara bertahap/cicilan dalam
waktu tertentu sesuai dengan persyaratan yang telah disepakati bersama. Kolektibilitas
adalah keadaan pembayaran pokok atau angsuran pokok dan bunga kredit oleh
nasabah serta tingkat kemungkinan diterimanya kembali dana yang ditanamkan dalam
surat-surat berharga atau penanaman lainnya (Ketentuan Bank Indonesia).
Kolektibilitas (penggolongan) kredit dikelompokkan
terhadap 5 kelompok yaitu
kredit lancar, perhatian khusus (special mention), kredit kurang lancar, kredit
diragukan dan kredit macet (Ketentuan Bank Indonesia). Dalam penelitian ini, penulis
meneliti tiga kolektibilitas yaitu lancar, kurang lancar dan macet.
Debitur melakukan peminjaman kepada Bank dengan berbagai keperluan
seperti, mengelola usaha, kredit pemilikan rumah (KPR), modal kerja, investasi,
rekening koran dan lain-lain. Bank memberikan fasilitas kredit dengan tujuan agar
nasabah mudah meminjam uang dengan program kredit pinjaman yang memiliki
syarat dan ketentuan. Namun, terdapat sejumlah permasalahan yang muncul dari
program kredit pinjaman. Salah satunya adalah kredit macet, dimana debitur tidak
Universitas Sumatera Utara
2
mampu membayar angsuran. Pihak bank membutuhkan informasi dari keseluruhan
calon debitur yang kemungkinan mengalami kredit lancar, kredit kurang lancar atau
kredit macet. Informasi ini sangat penting untuk bank untuk membuat tindakantindakan agar mengurangi Non Perform Loan (NPL). Non Perform Loan (NPL)
adalah kredit bermasalah yang terdiri dari kredit yang berklasifikasi kurang lancar,
diragukan dan macet (Kamus Bank Indonesia). Artinya, NPL merupakan salah satu
kunci untuk menilai kualitas kinerja bank, apabila NPL dibiarkan secara terusmenerus akan memberikan dampak negative pada bank, salah satunya adalah
mengurangi jumlah modal yang dimiliki oleh bank.
Kondisi yang terjadi saat ini adalah untuk mengetahui kolektibilitas debitur
yang melakukan kredit macet, pihak bank melakukan pengecekan satu persatu data
debitur secara manual sehingga tidak efisien dan bisa terjadi kesilapan. Oleh karena
itu dibutuhkan aplikasi yang dapat memprediksi kolektibilitas debitur secara otomatis
yang akan mengklasifikasikan debitur dengan kolektibilitas lancar, kurang lancar dan
macet. Dengan perkembangan teknologi informasi dan komunikasi, telah muncul
aplikasi-aplikasi yang memberikan kemudahan bagi pihak bank. Hasil klasifikasi
nantinya akan dibagi menjadi tiga kolektibilitas yaitu kredit lancar, kredit kurang
lancar dan kredit macet.
Decision Tree (pohon keputusan) merupakan proses mengubah data menjadi
pohon keputusan dan aturan-aturan keputusan(rules). Metode ini menggunakan
representasi struktur pohon yang merepresentasikan atribut, nilai dari atribut dan
kelas. Node awal atau node yang paling atas dari decision tree disebut sebagai root
yang untuk mendapatkannya digunakan rumus entropy.
Beberapa penelitian telah dilakukan, pengembangan perangkat lunak jaringan
syaraf tiruan untuk pengklasifikasian data aplikasi kredit perbankan menggunakan
metode propogasi balik (Romli, 2005) yang melakukan penelitian terkait dengan
analisis, perancangan dan pengimplementasian konfigurasi jaringan syaraf tiruan
untuk mengklasifikasikan data aplikasi kredit perbankan, kemudian perbandingan
performansi algoritma decision tree C5.0, CART dan CHAID : kasus prediksi status
resiko kredit di bank X (Yusuf, 2007), pelaksanaan penyelesaian kredit bermasalah
Universitas Sumatera Utara
3
(Rosmilia, 2009), system pendukung keputusan untuk menentukan calon debitur yang
layak untuk kredit sepeda motor menggunakan metode decision tree (Agustina, 2011),
analisis data pembayaran kredit nasabah bank menggunakan metode data mining
(Melissa, et al. 2013), model prediksi status kredit nasabah koperasi simpan pinjam
mitra usaha syariah (Septiana, et al. 2013), evaluasi kinerja motor servo menggunakan
algoritma decision tree C4.5 dengan mengklasifikasi ke dalam kategori perputaran
motor yang termasuk cepat, kurang cepat dan lambat (Aryansyah, 2014).
Adanya debitur yang melakukan kredit macet membuat pihak bank kesulitan
untuk memprediksi sejauh mana debitur melakukan pembayaran kreditnya.
Munculnya faktor-faktor debitur yang kreditnya macet memang telah membantu pihak
bank dalam memprediksi kredit macet, namun dari segi teknologi dibutuhkan aplikasi
pengembangan yang mampu memprediksi debitur yang melakukan kredit macet.
Oleh sebab itu diperlukan penelitian untuk mengembangkan aplikasi prediksi
kolektibilitas debitur KPR untuk mengklasifikasikan para debitur yang melakukan
kredit lancar, kredit kurang lancar dan kredit macet sehingga diperoleh hasil akhir
berupa klasifikasi
kolektibilitas. Pemanfaatan system
ini
nantinya
mampu
memprediksi debitur yang kreditnya bermasalah.
Pada penelitian ini, penulis akan mengklasifikasikan kolektibilitas data KPR
dengan aribut condition, capability, collateral, plafond, jenis kpr dan jumlah
tunggakan menggunakan Decision Tree C5.0. Hasil yang didapat nantinya berupa
klasifikasi kolektibilitas KPR sehingga dapat dijadikan acuan untuk memprediksi
kolektibilitas KPR dimasa yang akan datang.
1.2 Rumusan Masalah
Banyaknya kredit macet yang terjadi membuat pihak bank kesulitan untuk
memprediksi sejauh mana debitur melakukan pembayaran kredit serta menentukan
nasabah mana yang berpotensi mencapai kredit macet, oleh karena itu dibutuhkan
aplikasi pengembangan yang dapat mengklasifikasi kolektibilitas KPR nasabah untuk
dijadikan acuan memprediksi status kolektibilitas KPR di masa yang akan datang.
Universitas Sumatera Utara
4
1.3 Batasan Masalah
Untuk menghindari perluasan yang tidak diperlukan, maka penulis membuat batasan :
1. Tidak mengikutsertakan kolektibilitas kredit perhatian khusus dan kredit
diragukan.
2. Tidak mengklasifikasikan calon nasabah kredit KPR, melainkan nasabah yang
telah memiliki track record dalam kredit KPR.
3. Sumber data diperoleh dari PT. Bank Sumut Kantor Pusat debitur KPR.
4. Tidak membandingkan metode ini dengan metode lain.
1.4 Tujuan Penelitian
Tujuan dari penelitian ini adalah untuk mengklasifikasi kolektibilitas KPR yang
kemudian dijadikan acuan untuk memprediksi kolektibilitas KPR nasabah dimasa
yang akan datang.
1.5 Manfaat Penelitian
Manfaat dari penelitian ini adalah :
1. Menambah pengetahuan pembaca mengenai aplikasi teknik pengembangan data
pada area perbankan
2. Menambah variasi aplikasi kolektibilitas kredit perbankan.
3. Menambah referensi pembaca mengenai kredit macet pada bank untuk penelitian
selanjutnya.
4. Membantu perbankan untuk memprediksi nasabah/debitur yang pembayaran
kreditnya lancar, kurang lancar atau macet.
Universitas Sumatera Utara
5
1.6 Metodologi
Dalam melakukan penelitian ini terdapat beberapa tahapan untuk menghasilkan
system yang sesuai dengan yang diharapkan
1. Studi Literatur
Studi literatur dilakukan dengan mengumpulkan data, informasi dan referensi
mengenai kredit macet dan KPR melalui buku, jurnal, skripsi, tesis, kamus dan
internet sebagai informasi dan sumber data berkaitan dengan data mining. Pada
tahap ini penulis juga memperdalam pengetahuan mengenai metode Decision
Tree C5.0 dan data kolektibilitas KPR.
2. Analisis Data
Tahap ini dilakukan untuk menganalisis data yang telah diperoleh sebelumnya
untuk mendapatkan pemahaman mengenai pola klasifikasi kolektibilitas kredit
menggunakan Decision Tree C5.0 terhadap aplikasi prediksi kolektibilitas KPR.
3. Perancangan
Pada tahap ini dilakukan perancangan system yang akan dibangun, seperti
merancang proses pembangunan sistem dan antarmuka.
4. Implementasi
Tahap ini merupakan tahap penerapan rancangan system yang telah dibangun
untuk pembangunan program sesuai dengan kode perangkat lunak yang akan
digunakan.
5. Pengujian
Tahap ini merupakan tahap pengujian perangkat lunak yang telah dibangun untuk
mengetahui keakuratan system dan layak atau tidak layaknya system untuk
digunakan oleh user.
6. Dokumentasi dan Pelaporan
Pada tahap ini dilakukan dokumentasi dan penyusunan laporan hasil system yang
telah dibangun.
Universitas Sumatera Utara
6
1.7 Sistematika Penulisan
Sistematika penulisan dari skripsi ini terdiri dari beberapa bagian utama yaitu sebagai
berikut :
BAB 1 : PENDAHULUAN
Bab ini menjelaskan latar belakang pemilihan judul skripsi, rumusan masalah, batasan
masalah, tujuan penelitian, manfaat penelitian, metodologi penelitian dan sistematika
penulisan.
BAB 2 : LANDASAN TEORI
Bab ini merupakan kumpulan referensi yang berkaitan dengan penelitian, baik dari
buku-buku yang memuat pemecahan masalah dari penelitian maupun informasi yang
diperoleh melalui internet.
BAB 3 : ANALISIS DAN PERANCANGAN SISTEM
Pada bab ini dilakukan analisis dan perancangan system serta penerapan metode
decision tree dengan algoritma C5.0 untuk prediksi kolektibilitas KPR. Kemudian
menerapkan hasil analisis dan perancangan ke dalam system.
BAB 4 : IMPLEMENTASI DAN PENGUJIAN SISTEM
Bab ini merupakan implementasi dari analisis dan perancangan yang telah disusun
pada Bab 3 dan pengujian untuk mengetahui apakah hasil yang didapatkan sesuai
dengan yang diharapkan.
BAB 5 : KESIMPULAN DAN SARAN
Bab ini terdiri dari kesimpulan yang merupakan uraian dari bab-bab sebelumnya dan
saran sebagai pengembangan pada penelitian berikutnya.
BAB 2
Universitas Sumatera Utara