Metode CART untuk Analisis Kolektibilitas Pembayaran Kredit PT. N.
METODE CART UNTUK ANALISIS KOLEKTIBILITAS
PEMBAYARAN KREDIT PT. N
KURNIA SHOLIHAT
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 Metode CART untuk
Analisis Kolektibilitas Pembayaran Kredit PT. N 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 skripsi ini.
Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut
Pertanian Bogor.
Bogor, Juli 2014
Kurnia Sholihat
NIM G14100096
ABSTRAK
KURNIA SHOLIHAT. Metode CART untuk Analisis Kolektibilitas Pembayaran
Kredit PT. N. Dibimbing oleh AAM ALAMUDI dan ITASIA DINA
SULVIANTI.
Kredit merupakan salah satu bentuk bantuan keuangan yang diberikan baik
oleh perbankan maupun non perbankan kepada perorangan atau badan usaha yang
harus dikembalikan dalam jangka waktu tertentu. PT. N merupakan perusahaan
atau badan usaha milik pemerintah daerah (pemda) Kabupaten Siak, Provinsi Riau
yang bergerak di bidang pemberian kredit, yaitu Kredit Pembiayaan Modal Kerja
(KPMK). PT. N sebagai pihak pemberi kredit memiliki resiko kredit. Resiko
kredit akan semakin besar seiring dengan semakin banyaknya kredit yang
disalurkan. Resiko kredit pada dasarnya dapat diperkecil dengan pemilihan
nasabah yang tepat. Permasalahan untuk memilih nasabah yang tepat ini dapat
diselesaikan dengan menggunakan teknik data mining. Salah satu metode
klasifikasi dalam data mining adalah CART (Classification and Regression Tree).
Peubah yang berpengaruh adalah lama angsuran, besar pinjaman, profesi, sektor
ekonomi, dan pekerjaan pasangan. Metode ini memiliki tingkat keakuratan
prediksi sebesar 71.5%.
Kata Kunci : CART, kolektibilitas, KPMK
ABSTRACT
KURNIA SHOLIHAT. CART Method for Credit Payment Collectibility Analysis
of PT. N. Supervised by AAM ALAMUDI and ITASIA DINA SULVIANTI.
Credit is a form of financial assistance given by both the banking and non
banking to individuals or entities that should be returned within a specified period.
PT . N is a company which is owned by local governments of Siak, Riau province
engaged in the provision of credit, namely Kredit Pembiayaan Modal Kerja
(KPMK). PT . N as the lender has credit risk. Credit risk will be greater as more
and more loans distributed. Credit risk can be minimized by basically selecting the
right customers. The problem to select the right customers can be solved using
data mining techniques. One method of classification in data mining is the CART
(Classification and Regression Tree). Variables that influence are the number of
installments, the loan amount, professions, economic sectors ,and partner’s
professions. This method has a prediction accuracy rate of 71.5 %.
Keywords : CART, collectibility, KPMK
METODE CART UNTUK ANALISIS KOLEKTIBILITAS
PEMBAYARAN KREDIT PT. N
KURNIA SHOLIHAT
Skripsi
sebagai salah satu syarat untuk memperoleh gelar
Sarjana Statistika pada
Departemen Stastistika
DEPARTEMEN STATISTIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2014
Judul Skripsi : Metode CART untuk Analisis Kolektibilitas Pembayaran Kredit
PT. N
Nama
: Kurnia Sholihat
NIM
: G14100096
Disetujui oleh
Ir Aam Alamudi, MSi
Pembimbing I
Dra Itasia Dina Sulvianti, MSi
Pembimbing II
Diketahui oleh
Dr Anang Kurnia, MSi
Ketua Departemen
Tanggal Lulus:
PRAKATA
Puji dan syukur penulis panjatkan kepada Allah subhanahu wa ta’ala atas
segala karunia-Nya sehingga karya ilmiah ini berhasil diselesaikan. Tema yang
dipilih dalam penelitian yang dilaksanakan sejak bulan Januari 2014 ini ialah
klasifikasi debitur, dengan judul Metode CART untuk Analisis Kolektibilitas
Pembayaran Kredit PT. N.
Terima kasih penulis ucapkan kepada Bapak Ir Aam Alamudi, MSi dan Ibu
Dra Itasia Dina Sulvianti, MSi selaku pembimbing skripsi, juga kepada Ibu Cici
Suhaeni, MSi selaku dosen Statistika atas kritik dan sarannya. Di samping itu,
penghargaan penulis sampaikan kepada staf PT. N Kabupaten Siak yang telah
memberikan data untuk penyelesaian karya ilmiah ini. Ungkapan terima kasih
juga disampaikan kepada ayah, ibu, serta seluruh keluarga, atas segala doa dan
kasih sayangnya.
Semoga karya ilmiah ini bermanfaat.
Bogor, Juli 2014
Kurnia Sholihat
DAFTAR ISI
DAFTAR TABEL
vi
DAFTAR GAMBAR
vi
DAFTAR LAMPIRAN
vi
PENDAHULUAN
1
Latar Belakang
1
Tujuan Penelitian
2
METODE
2
Data
2
Metode
2
HASIL DAN PEMBAHASAN
4
Gambaran Umum
4
Pohon Klasifikasi CART
5
Ketepatan prediksi CART
7
SIMPULAN DAN SARAN
9
Simpulan
9
Saran
9
DAFTAR PUSTAKA
9
LAMPIRAN
10
RIWAYAT HIDUP
13
DAFTAR TABEL
1 Ketepatan prediksi CART
7
DAFTAR GAMBAR
1 Pohon klasifikasi CART
6
DAFTAR LAMPIRAN
1 Keterangan peubah respon dan peubah penjelas
2 Penandaan label kelas pada simpul terminal
3 Pohon klasifikasi CART
10
11
12
PENDAHULUAN
Latar Belakang
Kredit merupakan salah satu bentuk bantuan keuangan yang diberikan baik
oleh perbankan maupun non perbankan kepada perorangan atau badan usaha yang
harus dikembalikan dalam jangka waktu tertentu. Peneilitian ini berfokus pada
suatu perusahaan atau badan usaha milik pemerintah daerah (pemda) Kabupaten
Siak, Provinsi Riau yang bergerak di bidang pemberian kredit, yaitu PT. N.
Perusahaan ini didirikan pada tahun 2007, memiliki 59 orang karyawan dan
pemasukan dana berasal dari pemda. Perusahaan ini menawarkan beberapa jenis
produk kredit, salah satunya adalah kredit modal usaha yang dinamakan Kredit
Pembiayaan Modal Kerja (KPMK). Kredit ini diberikan pada perorangan yang
memenuhi kriteria yaitu usaha yang dimiliki nyata, berlokasi di Kabupaten Siak,
pinjaman tidak lebih dari Rp 100,000,000 dan tidak sedang menerima kredit dari
pihak lain.
PT. N sebagai pihak pemberi kredit memiliki suatu resiko ketika nasabah
tidak mengembalikan kredit sesuai tenggat waktu yang diberikan. Resiko ini
dinamakan resiko kredit. Resiko kredit akan semakin besar seiring dengan
semakin banyaknya kredit yang disalurkan. Resiko kredit pada dasarnya dapat
diperkecil dengan pemilihan nasabah yang tepat. Pemilihan ini akan sangat sulit
dilakukan jika tidak menggunakan teknik tertentu.
Permasalahan untuk memilih nasabah yang tepat ini dapat diselesaikan
dengan menggunakan teknik data mining. Data mining merupakan serangkaian
proses untuk menggali suatu informasi terpendam dari suatu kumpulan data, yaitu
berupa pengetahuan yang selama ini tidak diketahui secara manual. Data mining
akan membentuk suatu pengetahuan dalam kelompok tertentu yang memiliki
karakteristik masing-masing (Han dan Kamber 2006). Salah satu teknik data
mining yang telah dikembangkan dan dikenal luas adalah klasifikasi. Salah satu
metode klasifikasi adalah CART (Classification and Regression Tree). CART
dapat digunakan untuk jenis data kategorik maupun numerik. CART memiliki
kemampuan untuk mendeteksi interaksi dan memilah peubah yang berpengaruh
pada suatu kumpulan data.
CART akan menghasilkan pohon keputusan berdasarkan peubah-peubah
berpengaruh yang dapat digunakan untuk mengklasifikasikan nasabah. Pohon
keputusan ini akan diklasifikasikan sesuai dengan status pembayaran kredit yang
dimiliki oleh PT. N, yaitu lancar, kurang lancar, diragukan, dan macet. Hasil
klasifikasi ini diharapkan dapat menjadi bahan evaluasi bagi PT. N dalam
memperlakukan nasabah sesuai dengan karakteristik yang memiliki kecendrungan
untuk menjadi nasabah bermasalah dan juga sebagai bahan pertimbangan dalam
pemilihan nasabah pengaju kredit berikutnya sehingga PT. N dapat memperkecil
resiko kredit.
2
Tujuan Penelitian
Tujuan dari penelitian ini adalah menerapkan metode CART untuk
menentukan peubah-peubah yang mempengaruhi status kolektibilitas pembayaran
kredit PT. N.
METODE
Data
Data yang digunakan dalam penelitian ini adalah data primer yang
dikumpulkan oleh PT. N Kabupaten Siak. Data ini merupakan data Kredit
Pembiayaan Modal Kerja (KPMK) tahun 2013 sebanyak 3711 transaksi. Peubah
respon bersifat kategorik yaitu status kolektibilitas pembayaran kredit (1=lancar,
2=kurang lancar, 3=diragukan, 4=macet). Peubah penjelas yang digunakan adalah
sektor ekonomi, lama angsuran, besar pinjaman, pekerjaan pasangan, jenis
agunan, ikatan agunan, jenis kelamin, profesi, pendidikan, dan status marital.
Keterangan masing-masing peubah penjelas dapat dilihat pada Lampiran 1.
Metode
Adapun langkah-langkah metode penelitian yang dilakukan adalah sebagai
berikut :
1. Penetapan status kolektibilitas pembayaran kredit berdasarkan ketetapan Bank
Indonesia.
Menurut Undang-Undang No. 10 Tahun 1998 tentang perbankan,
disebutkan bahwa “kredit adalah penyediaan uang tagihan atau yang dapat
dipersamakan dengan itu, berdasarkan persetujuan atau kesepakatan
pinjaman antara Bank dengan pihak lain yang mewajibkan pihak peminjam
untuk melunasi utangnya setelah jangka waktu tertentu dengan jumlah bunga,
imbalan atau pembagian hasil keuntungan”.
Berdasarkan SE-09/PJ.42/1999, status kolektibilitas pembayaran kredit
disesuaikan dengan pengertian yang ditetapkan oleh Bank Indonesia.
A. Kredit digolongkan sebagai kredit "lancar", apabila memenuhi kriteria
sebagai berikut :
1. Pembayaran angsuran pokok dan/atau bunga tepat waktu
2. Memiliki mutasi rekening yang aktif
3. Bagian dari kredit yang dijamin dengan agunan tunai (cash collateral).
B. Kredit digolongkan sebagai kredit "kurang lancar", apabila memenuhi
kriteria sebagai berikut :
1. Terdapat tunggakan angsuran pokok dan/atau bunga yang telah
melampaui 90 (sembilan puluh) hari
2. Sering terjadi cerukan
3. Mutasi rekening relatif rendah
4. Terjadi pelanggaran terhadap kontrak yang diperjanjikan lebih dari 90
(sembilan puluh) hari
5. Terdapat likuidasi masalah keuangan yang dihadapi debitur
6. Dokumentasi pinjaman lemah.
3
C. Kredit digolongkan sebagai kredit "diragukan", apabila memenuhi kriteria
sebagai berikut :
1. Terdapat tunggakan angsuran pokok dan/atau bunga yang telah
melampaui 180 (seratus delapan puluh) hari
2. Terjadi cerukan yang bersifat permanen
3. Terjadi wanprestasi lebih dari 180 (seratus delapan puluh) hari
4. Terjadi kapitalisasi bunga
5. Dokumentasi hukum yang lemah baik untuk perjanjian kredit maupun
peningkatan jaminan.
D. Kredit digolongkan sebagai kredit "macet", apabila memenuhi kriteria
sebagai berikut :
1. Terdapat tunggakan angsuran pokok dan/atau bunga yang telah
melampaui 270 (dua ratus tujuh puluh) hari
2. Kerugian operasional ditutup dengan pinjaman baru
3. Dari segi hukum maupun pasar, jaminan tidak dapat dicairkan pada
nilai wajar.
2. Pembentukan pohon klasifikasi dengan algoritma CART.
CART pertama kali diperkenalkan oleh Breiman et al pada tahun 1984
(Breiman et al. 1993). CART merupakan salah satu metode analisis nonparametrik yang menghasilkan pohon keputusan biner. Metode analisis ini
dapat digunakan pada peubah respon yang bersifat kategorik maupun kontinu.
CART akan menghasilkan pohon regresi jika peubah respon bersifat kontinu
dan akan menghasilkan pohon klasifikasi jika peubah respon bersifat kategorik
(Berk 2008). Penelitian ini akan menghasilkan pohon keputusan berupa pohon
klasifikasi karena peubah respon yang digunakan bersifat kategorik.
Izenman (2008) menjelaskan beberapa tahapan metode CART dalam
pembuatan pohon keputusan, yaitu sebagai berikut :
A. Pemilihan penyekat
Kebaikan penyekat pada simpul dilihat dari penurunan nilai impuritas
(improvement) yang dihasilkan dari penyekatan simpul induk menjadi
simpul kiri (τL ) dan simpul kanan(τR ). Impuritas adalah tingkat keragaman,
keacakan atau kekotoran suatu simpul. Penurunan impuritas dirumuskan
dengan ∆i k,τ = i τ - pL i τL - pR i τR , dengan k=1,2,...,K dan τ=1,2,...S.
∆i k,τ adalah penurunan nilai impuritas kelas ke-k simpul ke-τ, pL adalah
peluang observasi pada simpul kiri, i τL adalah nilai impuritas simpul keτ kiri, pR adalah peluang observasi pada simpul kanan, dan i τR adalah
nilai impuritas simpul ke- τ kanan, K adalah banyaknya kelas pada pohon
klasifikasi, dan S adalah banyaknya simpul pada pohon klasifikasi.
Penyekat yang paling baik adalah penyekat yang memiliki nilai ∆i k,τ
paling besar di antara semua kemungkinan penyekat. Perhitungan nilai
impuritas pada penelitian ini akan menggunakan indeks Gini dengan
persamaan i τ =1- k {p(k|τ)}2 . i τ adalah nilai impuritas simpul ke τ dan
p(k|τ) adalah peluang observasi kelas ke-k simpul ke-τ.
B. Penentuan simpul terminal
Simpul terminal adalah simpul yang sudah tidak disekat lagi oleh
peubah penjelas. Tidak adanya penyekatan disebabkan oleh tidak adanya
4
penurunan nilai impuritas atau penurunan tersebut sangat kecil, maka
pemilahan dihentikan dan dijadikan simpul terminal lalu pembentukan
pohon dihentikan.
C. Penandaan label kelas
Penandaan label kelas ditentukan berdasarkan pluralitas rule atau
aturan jumlah terbanyak, yaitu suatu kelas (k0) memiliki nilai
N (τ)
p k0 τ =maxk k . p k0 τ adalah peluang kelas k0 simpul ke- τ. Nk (τ)
N(τ)
adalah banyak observasi pada kelas ke- k simpul ke- τ . N(τ) adalah
banyak observasi pada simpul ke- τ.
3. Penentuan pohon optimum dengan V-fold cross validation dan interpretasi
pohon klasifikasi optimum.
Metode validasi silang digunakan pada data yang berukuran kecil. Nilai V
yang digunakan adalah 10 (10-fold cross validation). Metode validasi ini
mengelompokkan data menjadi D1 , D2 , D3 , …, DV yang masing-masingnya
berukuran sama dan bersifat acak. D1 , D2 , D3 , …, DV ini disebut tests sets
yang digunakan untuk validasi. LV =D-DV dengan V=1,2,3,… . LV disebut
sebagai learning sets yaitu data yang digunakan untuk membangun pohon
keputusan. Pohon optimum yang digunakan adalah pohon dengan kesalahan
klasifikasi paling kecil.
HASIL DAN PEMBAHASAN
Gambaran Umum
KPMK memiliki 3711 transaksi, dengan 4 kategori kolektibilitas yaitu
lancar, kurang lancar, diragukan, dan macet. Data transaksi menunjukkan bahwa
terdapat 2613 (70%) transaksi yang berstatus lancar, 166 (5%) kurang lancar, 492
(13%) diragukan, dan 440 (12%) berstatus macet. Data KPMK juga menunjukkan
bahwa sebanyak 424 (14%) transaksi digunakan untuk modal usaha pertanian, 156
(5%) digunakan untuk perindustrian. Kredit untuk modal perdagangan memiliki
transaksi paling banyak yaitu 2086 (69%), dan sisanya sebanyak 367 (12%)
transaksi digunakan untuk usaha lainnya.
Sebagian besar transaksi dilakukan untuk kredit dengan lama angsuran 13
sampai 24 bulan yaitu sebanyak 1502 transaksi (41%) dan 25 sampai 36 bulan
sebanyak 1926 transaksi (52%), sedangkan sisanya 198 (5%) untuk kredit 1
sampai 12 bulan, 38 (1%) untuk 37 sampai 48 bulan, dan 47 (1%) transaksi untuk
kredit 49 sampai 60 bulan. Berdasarkan masing-masing kategori, lama angsuran
25 sampai 36 bulan memiliki frekuensi status kolektibilitas lancar yang paling
banyak, yaitu 1555 transaksi. Sedangkan lama angsuran 13 sampai 24 bulan
memiliki frekuensi status kurang lancar, diragukan, dan macet yang paling banyak
yaitu masing-masingnya 77, 274, dan 194 transaksi.
Data juga menunjukkan bahwa nasabah dengan profesi wiraswasta
melakukan peminjaman kredit paling banyak jika dibandingkan dengan profesi
lainnya yaitu sebanyak 1316 (44%) transaksi. Nasabah dengan profesi PNS
melakukan 105 (4%) transaksi, pegawai swasta sebanyak 256 (9%), petani
sebanyak 548 (18%), guru sebanyak 31(1%), dan 702 (24%) transaksi dilakukan
5
oleh nasabah dengan profesi lainnya. Jika ditinjau lebih lanjut, dari 1316 transaksi
oleh wiraswasta ini memiliki frekuensi status lancar sebanyak 918, sedangkan
sisanya yaitu 61 berstatus kurang lancar, 196 berstatus diragukan, dan 141
berstatus macet.
Nasabah dengan pendidikan akhir SLTA melakukan 1136 (39%) transaksi
kredit, nasabah dengan pendidikan akhir SD melakukan 889 (30%) transaksi,
SLTP 685 (23%) transaksi, Diploma/S1/S2 melakukan 212 (7%) transaksi dan
pendidikan akhir lainnya melakukan 21 (1%) transaksi. Dari 1136 transaksi oleh
nasabah berpendidikan akhir SLTA, terdapat 45 transaksi berstatus kurang lancar,
147 diragukan, dan 137 macet. Sebanyak 2322 (77%) transaksi dilakukan oleh
nasabah dengan jenis kelamin laki-laki, sedangkan nasabah wanita melakukan 708
(23%) transaksi.
Pohon Klasifikasi CART
Metode CART menghasilkan pohon klasifikasi seperti pada Gambar 1
(untuk gambar yang lebih jelas dapat dilihat pada Lampiran 3). Pohon yang
terbentuk memiliki 19 simpul yang terdiri dari 1 simpul induk, 8 simpul anak, dan
10 simpul terminal. Penyekat masing-masing simpul diperoleh dari pemilihan
peubah penjelas dengan penurunan nilai impuritas yang paling besar. Peubah yang
menjadi penyekat simpul induk adalah peubah lama angsuran dengan penurunan
impuritas sebesar 0.013. Peubah penjelas yang menjadi penyekat simpul lainnya
adalah besar pinjaman, sektor ekonomi, profesi, dan pekerjaan pasangan.
Simpul induk yang dihasilkan disekat oleh peubah lama angsuran menjadi
simpul 1 dengan lama angsuran kurang dari atau sama dengan 36 bulan sebanyak
3626 (97.7%) transaksi dan simpul terminal atau simpul 2 dengan lama angsuran
di atas 36 bulan dengan 85 (2.3%) transaksi. Simpul 2 dengan 85 transaksi ini 50
diantaranya berstatus macet sehingga simpul 2 ini merupakan kelas dengan label
macet, yaitu nasabah dengan lama angsuran lebih dari 36 bulan pada pembayaran
kreditnya akan cenderung macet. Simpul 1 dengan lama angsuran kurang dari atau
sama dengan 36 bulan disekat lagi oleh peubah besar pinjaman menjadi simpul 3
dengan besar pinjaman kurang dari atau sama dengan Rp 19,500,000 yang terdiri
dari 1222 transaksi dan simpul 4 dengan besar pinjaman lebih dari Rp 19,500,000
dengan 2404 transaksi. Status pembayaran diragukan cenderung lebih banyak
terdapat pada besar pinjaman kurang dari atau sama dengan Rp 19,500,000. Status
pembayaran lancar, kurang lancar, dan macet cenderung lebih banyak terdapat
pada besar pinjaman lebih dari Rp 19,500,000.
Simpul 3 dengan besar pinjaman kurang dari sama dengan Rp 19,500,000
disekat lagi oleh peubah sektor ekonomi menjadi simpul 5 dengan sektor
perindustrian dan simpul 6 dengan sektor pertanian, perdagangan, dan lainnya.
Status diragukan mendominasi simpul 5, yaitu sebanyak 25 dari 67 transaksi
sehingga simpul 5 menjadi kelas dengan label diragukan. Kelas diragukan ini
memiliki arti bahwa nasabah dengan karakteristik berupa lama angsuran kurang
dari atau sama dengan 36 bulan, besar pinjaman kurang dari atau sama dengan Rp
19,500,000, dan digunakan untuk sektor perindustrian pada pembayaran kreditnya
akan cenderung berstatus diragukan.
Simpul 6 (sektor pertanian, perdagangan, dan lainnya) disekat lagi oleh
peubah profesi menjadi simpul 9 dengan profesi PNS, pegawai swasta, petani, dan
6
lainnya serta simpul 10 dengan profesi wiraswasta dan guru. Status diragukan
juga dapat dikatakan berkumpul pada simpul 9. Hal ini dapat dinyatakan bahwa
nasabah dengan karakteristik berupa lama angsuran kurang dari atau sama dengan
36 bulan, besar pinjaman kurang dari atau sama dengan Rp 19,500,000, kredit
digunakan pada sektor pertanian, perdagangan, lainnya, dan memiliki profesi
sebagai PNS, pegawai swasta, petani, dan lainnya pembayaran kreditnya akan
cenderung diragukan.
Gambar 1 Pohon Klasifikasi CART
Simpul 4 (besar pinjaman lebih dari Rp 19,500,000) disekat lagi oleh
peubah lama angsuran menjadi simpul 7 dengan lama angsuran kurang dari atau
sama dengan 24 bulan dan simpul 8 lama angsuran 25 hingga 36 bulan. Status
pembayaran macet pada simpul 7 lebih banyak daripada simpul 8 yaitu 119
transaksi, sedangkan status pembayaran lancar, kurang lancar, dan diragukan lebih
banyak terdapat pada simpul 8. Simpul 7 disekat lagi oleh peubah sektor ekonomi
7
menjadi simpul 11 dengan sektor perindustrian dan lainnya, serta simpul 12
dengan sektor pertanian, dan perdagangan. Status macet pada simpul 7 yaitu
sebanyak 119 transaksi lebih banyak masuk pada simpul 12 yaitu sebanyak 94
dibandingkan simpul 11 yang hanya 25 transaksi. Nasabah dengan karakteristik
berupa lama angsuran kurang dari atau sama dengan 24 bulan besar pinjaman
lebih dari Rp 19,500,000, dan digunakan pada sektor pertanian dan perdagangan
pada pembayaran kreditnya akan cenderung macet.
Simpul 8 (lama angsuran 25 sampai 36 bulan) disekat lagi oleh besar
pinjaman menjadi simpul 13 dengan besar pinjaman lebih dari Rp 19,500,000 dan
kurang dari atau sama dengan Rp 41,000,000, dan simpul 14 dengan besar
pinjaman lebih dari Rp 41,000,000. Simpul 13 disekat kembali oleh peubah
profesi menjadi simpul 15 dengan profesi pegawai swasta, wiraswasta, dan simpul
16 dengan profesi PNS, petani, guru, dan lainnya. Status kurang lancar paling
banyak tergolong pada simpul 15. Nasabah yang cenderung berstatus kurang
lancar ini memiliki karakteristik berupa lama angsuran 25 hingga 36 bulan, besar
pinjaman lebih dari Rp 19,500,000 namun kurang dari Rp 41,000,000, dan
memiliki profesi sebagai pegawai swasta dan wiraswasta. Jika dilihat secara
umum maka dapat dikatakan bahwa status lancar paling banyak tergolong pada
simpul 16 dengan karakteristik lengkap berupa lama angsuran 25 hingga 36 bulan,
besar pinjaman lebih dari Rp 19,500,000 namun kurang dari Rp 41,000,000, dan
memiliki profesi sebagai PNS, petani, guru dan lainnya.
Simpul 14 (besar pinjaman lebih dari Rp 41,000,000) disekat lagi oleh
peubah pekerjaan pasangan menjadi simpul 17 dengan pekerjaan pasangan
sebagai pegawai swasta, lainnya, dan tidak bekerja, serta simpul 18 dengan
pekerjaan pasangan sebagai PNS, wiraswasta, dan petani.
Langkah ketiga dari metode CART adalah penandaan atau penamaan label
kelas yang didasarkan pada jumlah terbanyak. Lebih mudahnya penandaan ini
dilakukan dengan melihat observasi (n) paling banyak dari masing-masing
kategori kolektibilitas di setiap simpul terminal. Aturan jumlah terbanyak ini
menghasilkan 10 kelas dengan kelas macet sebanyak 1 kelas, kelas diragukan
sebanyak 1 kelas, dan kelas lancar sebanyak 8 kelas. Karakteristik masing-masing
kelas dapat dilihat pada Lampiran 3.
Ketepatan Prediksi CART
Pohon klasifikasi ini memiliki tingkat ketepatan prediksi total sebesar
71.5%, yaitu status kolektibilitas yang dapat diprediksi sesuai dengan status
sebenarnya ada sebanyak 2654 dari 3711 transaksi. Tingkat ketepatan prediksi ini
ditunjukkan pada tabel 1.
Prediksi
Lancar
Kurang Lancar
Diragukan
Macet
Total
% Kebenaran
Tabel 1 Ketepatan prediksi CART
Teramati
Lancar Kurang Lancar Diragukan
2579
147
453
0
0
0
24
8
25
10
11
14
2613
166
492
98.7%
0%
5.1%
Macet
380
0
10
50
440
11.4%
% Total
3711
71.5%
8
Kolektibilitas dengan status lancar memiliki tingkat ketepatan prediksi
sebesar 98.7%, ketepatan prediksi status diragukan adalah sebesar 5.1%, macet
11.4%, dan 0% untuk status kurang lancar. Besarnya tingkat ketepatan prediksi
untuk status lancar menunjukkan bahwa peubah-peubah penjelas dan pohon
klasifikasi ini lebih baik dalam menduga nasabah berstatus kolektibilitas lancar
apabila dibandingkan untuk menduga status macet, diragukan, dan kurang lancar.
Sehubungan dengan hasil pada Tabel 1, perlu diperhatikan bahwa klasifikasi
untuk nasabah berstatus lancar ini memiliki resiko kesalahan prediksi, yaitu pohon
klasifikasi memprediksikan nasabah lancar namun pada kenyataannya macet ada
sebanyak 380 transaksi atau sebesar 10.68% dari total prediksi lancar (3559),
begitu juga untuk nasabah diragukan sebanyak 453 (12.73%), dan nasabah kurang
lancar sebanyak 147 (4.13%). Sebelum memilah, mengevaluasi, dan memberikan
perhatian khusus pada nasabah berdasarkan klasifikasi ini, PT. N harus
mempertimbangkan adanya resiko kesalahan prediksi karena kesalahan ini dapat
merugikan PT. N pada keadaan yaitu nasabah diprediksi berstatus lancar padahal
nasabah pada kenyataannya berstatus macet, diragukan atau kurang lancar.
Kesalahan prediksi ini menjadi hal yang perlu dicermati dengan kembali
mengevaluasi situasi dan kondisi kemajuan serta keuangan dari usaha yang
dijalankan oleh nasabah yang memiliki karakteristik status kolektibilitas lancar
agar resiko kredit yang harus ditanggung PT. N dapat diperkecil.
Kesalahan prediksi juga terjadi pada nasabah dengan status macet dan
diragukan namun persentase kesalahan lebih kecil jika dibandingkan dengan
prediksi pada status lancar. Status kurang lancar tidak dapat diprediksi karena
proses pengklasifikasian ini bergantung pada label kelas yang dihasilkan, karena
tidak adanya kelas dengan label kurang lancar, maka status ini tidak dapat
diprediksi. Nasabah yang diprediksikan macet namun kenyataannya lancar ada
sebanyak 10 transaksi atau sebesar 11.76% dari total prediksi macet (85).
Kesalahan memprediksi nasabah berstatus diragukan namun kenyataannya lancar
sebanyak 24 transaksi atau sebesar 35.82% dari total prediksi diragukan (67),
walaupun klasifikasi menunjukkan bahwa nasabah yang sebenarnya lancar tapi
diprediksikan diragukan besar, namun harus diperhatikan bahwa ada resiko
nasabah tersebut akan tepat diprediksikan diragukan yaitu sebesar 5.1%. Adanya
resiko kesalahan prediksi seharusnya meningkatkan kehati-hatian PT. N dengan
memberikan perhatian dan pelayanan khusus terhadap nasabah.
Kesalahan prediksi pada nasabah berstatus lancar, kurang lancar, diragukan,
dan macet dapat terjadi karena kurangnya peubah penjelas yang digunakan untuk
membangun pohon klasifikasi. Penggunaan peubah penjelas tambahan yang
belum digunakan oleh PT. N dapat menjadi salah satu cara untuk meningkatkan
ketepatan prediksi sehingga mengurangi resiko bagi PT. N. Peubah penjelas
tambahan ini dapat berupa peubah yang nilainya menunjukkan situasi dan kondisi
ekonomi nasabah, misalnya besar gaji atau pendapatan nasabah, jumlah
tanggungan dalam keluarga, serta kepemilikan tempat tinggal.
9
SIMPULAN DAN SARAN
Simpulan
Analisis terhadap kolektibilitas pembayaran kredit PT. N menggunakan
metode klasifikasi CART menunjukkan bahwa peubah yang mempengaruhi
pengklasifikasian adalah lama angsuran, besar pinjaman, sektor ekonomi, profesi,
dan pekerjaan pasangan. Tingkat ketepatan prediksi total adalah sebesar 71.5%
(yaitu status kolektibilitas yang dapat diprediksi sesuai dengan status sebenarnya
ada sebanyak 2654 dari 3711 transaksi). Klasifikasi ini baik untuk memprediksi
nasabah berstatus lancar dengan ketepatan prediksi sebesar 98.7%. Tingkat
ketepatan prediksi untuk status kurang lancar, diragukan, dan macet masingmasingnya adalah sebesar 0%, 5.1%, dan 11.4%.
Saran
Penelitian ini menyarankan perlunya memasukkan peubah penjelas lain
yang menunjukkan situasi ekonomi nasabah, misalnya besar pendapatan, jumlah
tanggungan, dan kepemilikan rumah.
DAFTAR PUSTAKA
Berk RA. 2008. Statistical Learning from a Regression Perspective. New York
(US) : Springer.
Breiman L, Friedman JH, Olshen RA, Stone CJ .1993. Classification and Regression
Tree. New York (US): Chapman And Hall.
Han J, Kamber M. 2006. Data Mining: Concepts and Techniques. San Francisco
(US) : Morgan Kaufmann Publishers.
Izenman AJ. 2008. Modern Multivariate Statistical Techniques. New York (US) :
Springer.
Yohannes Y, Webb P. 1999. Classification and Regression Trees, CART TM : A
User Manual for Identifying Indicators of Vulnerability to Famine and Chronic
Food Insecurity. Washington, D.C (US) : International Food Policy Research
Institute.
10
Lampiran 1 Keterangan peubah respon dan peubah penjelas
Peubah
Y
Keterangan
Kolektibilitas
(Ordinal)
X1
Sektor Ekonomi
(Nominal)
X2
X3
Besar Pinjaman
Lama Angsuran
(Ordinal)
X4
Pekerjaan Pasangan
(Nominal)
X5
Jenis Agunan
(Nominal)
X6
Ikatan Agunan
(Nominal)
X7
Jenis Kelamin
(Nominal)
Profesi
(Nominal)
X8
X9
Pendidikan
(Nominal)
X10
Status Marital
(Nominal)
Kategori
1= Lancar
2= Kurang lancar
3= Diragukan
4= Macet
1= Pertanian
2= Perindustrian
3= Perdagangan
4= Lainnya
Numerik
1= 1-12 bulan
2= 13-24 bulan
3= 25-36 bulan
4= 37-48 bulan
5= 49-60 bulan
1=PNS
2=Pegawai swasta
3=Wiraswasta
4=Petani
5=Lainnya
6=Tidak Bekerja
1=SBI, tabungan,deposito
2=Kendaraan motor
3=Tanah dan Bangunan
4=Persediaan Barang
5=Tanpa agunan
1=Fiduciare
2=Anotarial BPTB
3=APHT
4=NJOP/SHM
5=NJOP Letter C
6=Anotarial Letter C
1= Laki-laki
2= Perempuan
1= PNS
2= Pegawai swasta
3= Wiraswasta
1=SD
2=SLTP
3=SLTA
4=Diploma/S1/S2
5=Lainnya
1=Menikah
2=Tidak Menikah
11
Lampiran 2 Penandaan label kelas pada simpul terminal
Kelas
Macet
n
85
Karakteristik
Memiliki lama angsuran lebih dari 36 bulan
Diragukan
67
Memiliki lama angsuran ≤ 36 bulan, besar pinjaman ≤
Rp 19,500,000, dan kredit digunakan pada sektor
perindustrian
Lancar
474
Memiliki lama angsuran di antara 25 sampai 36 bulan,
besar pinjaman lebih dari Rp 19,500,000 namun kurang
dari atau sama dengan Rp 41,000,000, berprofesi
sebagai PNS, petani, guru, dan lainnya
Memiliki lama angsuran ≤ 36 bulan, besar pinjaman ≤
Rp 19,500,000, kredit digunakan pada sektor pertanian,
perdagangan, dan lainnya, berprofesi sebagai PNS,
pegawai swasta, petani, dan lainnya.
Memiliki lama angsuran kurang dari 36 bulan, besar
pinjaman ≤ Rp 19,500,000, kredit digunakan pada
sektor perindustrian dan lainnya, dan berprofesi sebagai
wiraswasta dan guru
Memiliki besar pinjaman > Rp 19,500,000,lama
angsuran ≤ 24 bulan, kredit digunakan pada sektor
perindustrian dan lainnya
Memiliki besar pinjaman > Rp 19,500,000,lama
angsuran ≤ 24 bulan, kredit digunakan pada sektor
ekonomi pertanian dan perdagangan
Memiliki lama angsuran di antara 24 sampai 36 bulan,
besar pinjaman lebih dari Rp 19,500,000 namun kurang
dari atau sama dengan Rp 41,000,000, berprofesi
sebagai pegawai swasta dan wiraswasta
Memiliki lama angsuran di antara 25 sampai 36 bulan,
besar pinjaman > Rp 41,000,000, pekerjaan pasangan
adalah pegawai swasta,lainnya, dan tidak bekerja
Memiliki lama angsuran di antara 25 sampai 36 bulan,
besar pinjaman > Rp 41,000,000, pekerjaan pasangan
adalah PNS, wiraswasta, dan petani
768
387
106
734
454
503
133
12
Lampiran 3 Pohon klasifikasi CART
13
RIWAYAT HIDUP
Penulis dilahirkan di Pekanbaru pada tanggal 30 September 1992 dari
pasangan Bapak Marzuki Karnadi dan Ibu Nurawan. Penulis merupakan anak
keenam dari enam bersaudara. Penulis menempuh pendidikan menengah pertama
di pondok pesantren Darel Hikmah Pekanbaru pada tahun 2004. Jenjang
selanjutnya adalah sekolah menengah atas yang ditempuh di MAN 2 Model
Pekanbaru pada tahun 2007. Tahun 2010 penulis diterima di Departemen
Statistika, Institut Pertanian Bogor melalui jalur Seleksi Nasional Masuk
Perguruan Tinggi Negeri (SNMPTN). Selama masa perkuliahan, penulis aktif di
organisasi Himpunan Profesi Gamma Sigma Beta (GSB).
PEMBAYARAN KREDIT PT. N
KURNIA SHOLIHAT
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 Metode CART untuk
Analisis Kolektibilitas Pembayaran Kredit PT. N 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 skripsi ini.
Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut
Pertanian Bogor.
Bogor, Juli 2014
Kurnia Sholihat
NIM G14100096
ABSTRAK
KURNIA SHOLIHAT. Metode CART untuk Analisis Kolektibilitas Pembayaran
Kredit PT. N. Dibimbing oleh AAM ALAMUDI dan ITASIA DINA
SULVIANTI.
Kredit merupakan salah satu bentuk bantuan keuangan yang diberikan baik
oleh perbankan maupun non perbankan kepada perorangan atau badan usaha yang
harus dikembalikan dalam jangka waktu tertentu. PT. N merupakan perusahaan
atau badan usaha milik pemerintah daerah (pemda) Kabupaten Siak, Provinsi Riau
yang bergerak di bidang pemberian kredit, yaitu Kredit Pembiayaan Modal Kerja
(KPMK). PT. N sebagai pihak pemberi kredit memiliki resiko kredit. Resiko
kredit akan semakin besar seiring dengan semakin banyaknya kredit yang
disalurkan. Resiko kredit pada dasarnya dapat diperkecil dengan pemilihan
nasabah yang tepat. Permasalahan untuk memilih nasabah yang tepat ini dapat
diselesaikan dengan menggunakan teknik data mining. Salah satu metode
klasifikasi dalam data mining adalah CART (Classification and Regression Tree).
Peubah yang berpengaruh adalah lama angsuran, besar pinjaman, profesi, sektor
ekonomi, dan pekerjaan pasangan. Metode ini memiliki tingkat keakuratan
prediksi sebesar 71.5%.
Kata Kunci : CART, kolektibilitas, KPMK
ABSTRACT
KURNIA SHOLIHAT. CART Method for Credit Payment Collectibility Analysis
of PT. N. Supervised by AAM ALAMUDI and ITASIA DINA SULVIANTI.
Credit is a form of financial assistance given by both the banking and non
banking to individuals or entities that should be returned within a specified period.
PT . N is a company which is owned by local governments of Siak, Riau province
engaged in the provision of credit, namely Kredit Pembiayaan Modal Kerja
(KPMK). PT . N as the lender has credit risk. Credit risk will be greater as more
and more loans distributed. Credit risk can be minimized by basically selecting the
right customers. The problem to select the right customers can be solved using
data mining techniques. One method of classification in data mining is the CART
(Classification and Regression Tree). Variables that influence are the number of
installments, the loan amount, professions, economic sectors ,and partner’s
professions. This method has a prediction accuracy rate of 71.5 %.
Keywords : CART, collectibility, KPMK
METODE CART UNTUK ANALISIS KOLEKTIBILITAS
PEMBAYARAN KREDIT PT. N
KURNIA SHOLIHAT
Skripsi
sebagai salah satu syarat untuk memperoleh gelar
Sarjana Statistika pada
Departemen Stastistika
DEPARTEMEN STATISTIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2014
Judul Skripsi : Metode CART untuk Analisis Kolektibilitas Pembayaran Kredit
PT. N
Nama
: Kurnia Sholihat
NIM
: G14100096
Disetujui oleh
Ir Aam Alamudi, MSi
Pembimbing I
Dra Itasia Dina Sulvianti, MSi
Pembimbing II
Diketahui oleh
Dr Anang Kurnia, MSi
Ketua Departemen
Tanggal Lulus:
PRAKATA
Puji dan syukur penulis panjatkan kepada Allah subhanahu wa ta’ala atas
segala karunia-Nya sehingga karya ilmiah ini berhasil diselesaikan. Tema yang
dipilih dalam penelitian yang dilaksanakan sejak bulan Januari 2014 ini ialah
klasifikasi debitur, dengan judul Metode CART untuk Analisis Kolektibilitas
Pembayaran Kredit PT. N.
Terima kasih penulis ucapkan kepada Bapak Ir Aam Alamudi, MSi dan Ibu
Dra Itasia Dina Sulvianti, MSi selaku pembimbing skripsi, juga kepada Ibu Cici
Suhaeni, MSi selaku dosen Statistika atas kritik dan sarannya. Di samping itu,
penghargaan penulis sampaikan kepada staf PT. N Kabupaten Siak yang telah
memberikan data untuk penyelesaian karya ilmiah ini. Ungkapan terima kasih
juga disampaikan kepada ayah, ibu, serta seluruh keluarga, atas segala doa dan
kasih sayangnya.
Semoga karya ilmiah ini bermanfaat.
Bogor, Juli 2014
Kurnia Sholihat
DAFTAR ISI
DAFTAR TABEL
vi
DAFTAR GAMBAR
vi
DAFTAR LAMPIRAN
vi
PENDAHULUAN
1
Latar Belakang
1
Tujuan Penelitian
2
METODE
2
Data
2
Metode
2
HASIL DAN PEMBAHASAN
4
Gambaran Umum
4
Pohon Klasifikasi CART
5
Ketepatan prediksi CART
7
SIMPULAN DAN SARAN
9
Simpulan
9
Saran
9
DAFTAR PUSTAKA
9
LAMPIRAN
10
RIWAYAT HIDUP
13
DAFTAR TABEL
1 Ketepatan prediksi CART
7
DAFTAR GAMBAR
1 Pohon klasifikasi CART
6
DAFTAR LAMPIRAN
1 Keterangan peubah respon dan peubah penjelas
2 Penandaan label kelas pada simpul terminal
3 Pohon klasifikasi CART
10
11
12
PENDAHULUAN
Latar Belakang
Kredit merupakan salah satu bentuk bantuan keuangan yang diberikan baik
oleh perbankan maupun non perbankan kepada perorangan atau badan usaha yang
harus dikembalikan dalam jangka waktu tertentu. Peneilitian ini berfokus pada
suatu perusahaan atau badan usaha milik pemerintah daerah (pemda) Kabupaten
Siak, Provinsi Riau yang bergerak di bidang pemberian kredit, yaitu PT. N.
Perusahaan ini didirikan pada tahun 2007, memiliki 59 orang karyawan dan
pemasukan dana berasal dari pemda. Perusahaan ini menawarkan beberapa jenis
produk kredit, salah satunya adalah kredit modal usaha yang dinamakan Kredit
Pembiayaan Modal Kerja (KPMK). Kredit ini diberikan pada perorangan yang
memenuhi kriteria yaitu usaha yang dimiliki nyata, berlokasi di Kabupaten Siak,
pinjaman tidak lebih dari Rp 100,000,000 dan tidak sedang menerima kredit dari
pihak lain.
PT. N sebagai pihak pemberi kredit memiliki suatu resiko ketika nasabah
tidak mengembalikan kredit sesuai tenggat waktu yang diberikan. Resiko ini
dinamakan resiko kredit. Resiko kredit akan semakin besar seiring dengan
semakin banyaknya kredit yang disalurkan. Resiko kredit pada dasarnya dapat
diperkecil dengan pemilihan nasabah yang tepat. Pemilihan ini akan sangat sulit
dilakukan jika tidak menggunakan teknik tertentu.
Permasalahan untuk memilih nasabah yang tepat ini dapat diselesaikan
dengan menggunakan teknik data mining. Data mining merupakan serangkaian
proses untuk menggali suatu informasi terpendam dari suatu kumpulan data, yaitu
berupa pengetahuan yang selama ini tidak diketahui secara manual. Data mining
akan membentuk suatu pengetahuan dalam kelompok tertentu yang memiliki
karakteristik masing-masing (Han dan Kamber 2006). Salah satu teknik data
mining yang telah dikembangkan dan dikenal luas adalah klasifikasi. Salah satu
metode klasifikasi adalah CART (Classification and Regression Tree). CART
dapat digunakan untuk jenis data kategorik maupun numerik. CART memiliki
kemampuan untuk mendeteksi interaksi dan memilah peubah yang berpengaruh
pada suatu kumpulan data.
CART akan menghasilkan pohon keputusan berdasarkan peubah-peubah
berpengaruh yang dapat digunakan untuk mengklasifikasikan nasabah. Pohon
keputusan ini akan diklasifikasikan sesuai dengan status pembayaran kredit yang
dimiliki oleh PT. N, yaitu lancar, kurang lancar, diragukan, dan macet. Hasil
klasifikasi ini diharapkan dapat menjadi bahan evaluasi bagi PT. N dalam
memperlakukan nasabah sesuai dengan karakteristik yang memiliki kecendrungan
untuk menjadi nasabah bermasalah dan juga sebagai bahan pertimbangan dalam
pemilihan nasabah pengaju kredit berikutnya sehingga PT. N dapat memperkecil
resiko kredit.
2
Tujuan Penelitian
Tujuan dari penelitian ini adalah menerapkan metode CART untuk
menentukan peubah-peubah yang mempengaruhi status kolektibilitas pembayaran
kredit PT. N.
METODE
Data
Data yang digunakan dalam penelitian ini adalah data primer yang
dikumpulkan oleh PT. N Kabupaten Siak. Data ini merupakan data Kredit
Pembiayaan Modal Kerja (KPMK) tahun 2013 sebanyak 3711 transaksi. Peubah
respon bersifat kategorik yaitu status kolektibilitas pembayaran kredit (1=lancar,
2=kurang lancar, 3=diragukan, 4=macet). Peubah penjelas yang digunakan adalah
sektor ekonomi, lama angsuran, besar pinjaman, pekerjaan pasangan, jenis
agunan, ikatan agunan, jenis kelamin, profesi, pendidikan, dan status marital.
Keterangan masing-masing peubah penjelas dapat dilihat pada Lampiran 1.
Metode
Adapun langkah-langkah metode penelitian yang dilakukan adalah sebagai
berikut :
1. Penetapan status kolektibilitas pembayaran kredit berdasarkan ketetapan Bank
Indonesia.
Menurut Undang-Undang No. 10 Tahun 1998 tentang perbankan,
disebutkan bahwa “kredit adalah penyediaan uang tagihan atau yang dapat
dipersamakan dengan itu, berdasarkan persetujuan atau kesepakatan
pinjaman antara Bank dengan pihak lain yang mewajibkan pihak peminjam
untuk melunasi utangnya setelah jangka waktu tertentu dengan jumlah bunga,
imbalan atau pembagian hasil keuntungan”.
Berdasarkan SE-09/PJ.42/1999, status kolektibilitas pembayaran kredit
disesuaikan dengan pengertian yang ditetapkan oleh Bank Indonesia.
A. Kredit digolongkan sebagai kredit "lancar", apabila memenuhi kriteria
sebagai berikut :
1. Pembayaran angsuran pokok dan/atau bunga tepat waktu
2. Memiliki mutasi rekening yang aktif
3. Bagian dari kredit yang dijamin dengan agunan tunai (cash collateral).
B. Kredit digolongkan sebagai kredit "kurang lancar", apabila memenuhi
kriteria sebagai berikut :
1. Terdapat tunggakan angsuran pokok dan/atau bunga yang telah
melampaui 90 (sembilan puluh) hari
2. Sering terjadi cerukan
3. Mutasi rekening relatif rendah
4. Terjadi pelanggaran terhadap kontrak yang diperjanjikan lebih dari 90
(sembilan puluh) hari
5. Terdapat likuidasi masalah keuangan yang dihadapi debitur
6. Dokumentasi pinjaman lemah.
3
C. Kredit digolongkan sebagai kredit "diragukan", apabila memenuhi kriteria
sebagai berikut :
1. Terdapat tunggakan angsuran pokok dan/atau bunga yang telah
melampaui 180 (seratus delapan puluh) hari
2. Terjadi cerukan yang bersifat permanen
3. Terjadi wanprestasi lebih dari 180 (seratus delapan puluh) hari
4. Terjadi kapitalisasi bunga
5. Dokumentasi hukum yang lemah baik untuk perjanjian kredit maupun
peningkatan jaminan.
D. Kredit digolongkan sebagai kredit "macet", apabila memenuhi kriteria
sebagai berikut :
1. Terdapat tunggakan angsuran pokok dan/atau bunga yang telah
melampaui 270 (dua ratus tujuh puluh) hari
2. Kerugian operasional ditutup dengan pinjaman baru
3. Dari segi hukum maupun pasar, jaminan tidak dapat dicairkan pada
nilai wajar.
2. Pembentukan pohon klasifikasi dengan algoritma CART.
CART pertama kali diperkenalkan oleh Breiman et al pada tahun 1984
(Breiman et al. 1993). CART merupakan salah satu metode analisis nonparametrik yang menghasilkan pohon keputusan biner. Metode analisis ini
dapat digunakan pada peubah respon yang bersifat kategorik maupun kontinu.
CART akan menghasilkan pohon regresi jika peubah respon bersifat kontinu
dan akan menghasilkan pohon klasifikasi jika peubah respon bersifat kategorik
(Berk 2008). Penelitian ini akan menghasilkan pohon keputusan berupa pohon
klasifikasi karena peubah respon yang digunakan bersifat kategorik.
Izenman (2008) menjelaskan beberapa tahapan metode CART dalam
pembuatan pohon keputusan, yaitu sebagai berikut :
A. Pemilihan penyekat
Kebaikan penyekat pada simpul dilihat dari penurunan nilai impuritas
(improvement) yang dihasilkan dari penyekatan simpul induk menjadi
simpul kiri (τL ) dan simpul kanan(τR ). Impuritas adalah tingkat keragaman,
keacakan atau kekotoran suatu simpul. Penurunan impuritas dirumuskan
dengan ∆i k,τ = i τ - pL i τL - pR i τR , dengan k=1,2,...,K dan τ=1,2,...S.
∆i k,τ adalah penurunan nilai impuritas kelas ke-k simpul ke-τ, pL adalah
peluang observasi pada simpul kiri, i τL adalah nilai impuritas simpul keτ kiri, pR adalah peluang observasi pada simpul kanan, dan i τR adalah
nilai impuritas simpul ke- τ kanan, K adalah banyaknya kelas pada pohon
klasifikasi, dan S adalah banyaknya simpul pada pohon klasifikasi.
Penyekat yang paling baik adalah penyekat yang memiliki nilai ∆i k,τ
paling besar di antara semua kemungkinan penyekat. Perhitungan nilai
impuritas pada penelitian ini akan menggunakan indeks Gini dengan
persamaan i τ =1- k {p(k|τ)}2 . i τ adalah nilai impuritas simpul ke τ dan
p(k|τ) adalah peluang observasi kelas ke-k simpul ke-τ.
B. Penentuan simpul terminal
Simpul terminal adalah simpul yang sudah tidak disekat lagi oleh
peubah penjelas. Tidak adanya penyekatan disebabkan oleh tidak adanya
4
penurunan nilai impuritas atau penurunan tersebut sangat kecil, maka
pemilahan dihentikan dan dijadikan simpul terminal lalu pembentukan
pohon dihentikan.
C. Penandaan label kelas
Penandaan label kelas ditentukan berdasarkan pluralitas rule atau
aturan jumlah terbanyak, yaitu suatu kelas (k0) memiliki nilai
N (τ)
p k0 τ =maxk k . p k0 τ adalah peluang kelas k0 simpul ke- τ. Nk (τ)
N(τ)
adalah banyak observasi pada kelas ke- k simpul ke- τ . N(τ) adalah
banyak observasi pada simpul ke- τ.
3. Penentuan pohon optimum dengan V-fold cross validation dan interpretasi
pohon klasifikasi optimum.
Metode validasi silang digunakan pada data yang berukuran kecil. Nilai V
yang digunakan adalah 10 (10-fold cross validation). Metode validasi ini
mengelompokkan data menjadi D1 , D2 , D3 , …, DV yang masing-masingnya
berukuran sama dan bersifat acak. D1 , D2 , D3 , …, DV ini disebut tests sets
yang digunakan untuk validasi. LV =D-DV dengan V=1,2,3,… . LV disebut
sebagai learning sets yaitu data yang digunakan untuk membangun pohon
keputusan. Pohon optimum yang digunakan adalah pohon dengan kesalahan
klasifikasi paling kecil.
HASIL DAN PEMBAHASAN
Gambaran Umum
KPMK memiliki 3711 transaksi, dengan 4 kategori kolektibilitas yaitu
lancar, kurang lancar, diragukan, dan macet. Data transaksi menunjukkan bahwa
terdapat 2613 (70%) transaksi yang berstatus lancar, 166 (5%) kurang lancar, 492
(13%) diragukan, dan 440 (12%) berstatus macet. Data KPMK juga menunjukkan
bahwa sebanyak 424 (14%) transaksi digunakan untuk modal usaha pertanian, 156
(5%) digunakan untuk perindustrian. Kredit untuk modal perdagangan memiliki
transaksi paling banyak yaitu 2086 (69%), dan sisanya sebanyak 367 (12%)
transaksi digunakan untuk usaha lainnya.
Sebagian besar transaksi dilakukan untuk kredit dengan lama angsuran 13
sampai 24 bulan yaitu sebanyak 1502 transaksi (41%) dan 25 sampai 36 bulan
sebanyak 1926 transaksi (52%), sedangkan sisanya 198 (5%) untuk kredit 1
sampai 12 bulan, 38 (1%) untuk 37 sampai 48 bulan, dan 47 (1%) transaksi untuk
kredit 49 sampai 60 bulan. Berdasarkan masing-masing kategori, lama angsuran
25 sampai 36 bulan memiliki frekuensi status kolektibilitas lancar yang paling
banyak, yaitu 1555 transaksi. Sedangkan lama angsuran 13 sampai 24 bulan
memiliki frekuensi status kurang lancar, diragukan, dan macet yang paling banyak
yaitu masing-masingnya 77, 274, dan 194 transaksi.
Data juga menunjukkan bahwa nasabah dengan profesi wiraswasta
melakukan peminjaman kredit paling banyak jika dibandingkan dengan profesi
lainnya yaitu sebanyak 1316 (44%) transaksi. Nasabah dengan profesi PNS
melakukan 105 (4%) transaksi, pegawai swasta sebanyak 256 (9%), petani
sebanyak 548 (18%), guru sebanyak 31(1%), dan 702 (24%) transaksi dilakukan
5
oleh nasabah dengan profesi lainnya. Jika ditinjau lebih lanjut, dari 1316 transaksi
oleh wiraswasta ini memiliki frekuensi status lancar sebanyak 918, sedangkan
sisanya yaitu 61 berstatus kurang lancar, 196 berstatus diragukan, dan 141
berstatus macet.
Nasabah dengan pendidikan akhir SLTA melakukan 1136 (39%) transaksi
kredit, nasabah dengan pendidikan akhir SD melakukan 889 (30%) transaksi,
SLTP 685 (23%) transaksi, Diploma/S1/S2 melakukan 212 (7%) transaksi dan
pendidikan akhir lainnya melakukan 21 (1%) transaksi. Dari 1136 transaksi oleh
nasabah berpendidikan akhir SLTA, terdapat 45 transaksi berstatus kurang lancar,
147 diragukan, dan 137 macet. Sebanyak 2322 (77%) transaksi dilakukan oleh
nasabah dengan jenis kelamin laki-laki, sedangkan nasabah wanita melakukan 708
(23%) transaksi.
Pohon Klasifikasi CART
Metode CART menghasilkan pohon klasifikasi seperti pada Gambar 1
(untuk gambar yang lebih jelas dapat dilihat pada Lampiran 3). Pohon yang
terbentuk memiliki 19 simpul yang terdiri dari 1 simpul induk, 8 simpul anak, dan
10 simpul terminal. Penyekat masing-masing simpul diperoleh dari pemilihan
peubah penjelas dengan penurunan nilai impuritas yang paling besar. Peubah yang
menjadi penyekat simpul induk adalah peubah lama angsuran dengan penurunan
impuritas sebesar 0.013. Peubah penjelas yang menjadi penyekat simpul lainnya
adalah besar pinjaman, sektor ekonomi, profesi, dan pekerjaan pasangan.
Simpul induk yang dihasilkan disekat oleh peubah lama angsuran menjadi
simpul 1 dengan lama angsuran kurang dari atau sama dengan 36 bulan sebanyak
3626 (97.7%) transaksi dan simpul terminal atau simpul 2 dengan lama angsuran
di atas 36 bulan dengan 85 (2.3%) transaksi. Simpul 2 dengan 85 transaksi ini 50
diantaranya berstatus macet sehingga simpul 2 ini merupakan kelas dengan label
macet, yaitu nasabah dengan lama angsuran lebih dari 36 bulan pada pembayaran
kreditnya akan cenderung macet. Simpul 1 dengan lama angsuran kurang dari atau
sama dengan 36 bulan disekat lagi oleh peubah besar pinjaman menjadi simpul 3
dengan besar pinjaman kurang dari atau sama dengan Rp 19,500,000 yang terdiri
dari 1222 transaksi dan simpul 4 dengan besar pinjaman lebih dari Rp 19,500,000
dengan 2404 transaksi. Status pembayaran diragukan cenderung lebih banyak
terdapat pada besar pinjaman kurang dari atau sama dengan Rp 19,500,000. Status
pembayaran lancar, kurang lancar, dan macet cenderung lebih banyak terdapat
pada besar pinjaman lebih dari Rp 19,500,000.
Simpul 3 dengan besar pinjaman kurang dari sama dengan Rp 19,500,000
disekat lagi oleh peubah sektor ekonomi menjadi simpul 5 dengan sektor
perindustrian dan simpul 6 dengan sektor pertanian, perdagangan, dan lainnya.
Status diragukan mendominasi simpul 5, yaitu sebanyak 25 dari 67 transaksi
sehingga simpul 5 menjadi kelas dengan label diragukan. Kelas diragukan ini
memiliki arti bahwa nasabah dengan karakteristik berupa lama angsuran kurang
dari atau sama dengan 36 bulan, besar pinjaman kurang dari atau sama dengan Rp
19,500,000, dan digunakan untuk sektor perindustrian pada pembayaran kreditnya
akan cenderung berstatus diragukan.
Simpul 6 (sektor pertanian, perdagangan, dan lainnya) disekat lagi oleh
peubah profesi menjadi simpul 9 dengan profesi PNS, pegawai swasta, petani, dan
6
lainnya serta simpul 10 dengan profesi wiraswasta dan guru. Status diragukan
juga dapat dikatakan berkumpul pada simpul 9. Hal ini dapat dinyatakan bahwa
nasabah dengan karakteristik berupa lama angsuran kurang dari atau sama dengan
36 bulan, besar pinjaman kurang dari atau sama dengan Rp 19,500,000, kredit
digunakan pada sektor pertanian, perdagangan, lainnya, dan memiliki profesi
sebagai PNS, pegawai swasta, petani, dan lainnya pembayaran kreditnya akan
cenderung diragukan.
Gambar 1 Pohon Klasifikasi CART
Simpul 4 (besar pinjaman lebih dari Rp 19,500,000) disekat lagi oleh
peubah lama angsuran menjadi simpul 7 dengan lama angsuran kurang dari atau
sama dengan 24 bulan dan simpul 8 lama angsuran 25 hingga 36 bulan. Status
pembayaran macet pada simpul 7 lebih banyak daripada simpul 8 yaitu 119
transaksi, sedangkan status pembayaran lancar, kurang lancar, dan diragukan lebih
banyak terdapat pada simpul 8. Simpul 7 disekat lagi oleh peubah sektor ekonomi
7
menjadi simpul 11 dengan sektor perindustrian dan lainnya, serta simpul 12
dengan sektor pertanian, dan perdagangan. Status macet pada simpul 7 yaitu
sebanyak 119 transaksi lebih banyak masuk pada simpul 12 yaitu sebanyak 94
dibandingkan simpul 11 yang hanya 25 transaksi. Nasabah dengan karakteristik
berupa lama angsuran kurang dari atau sama dengan 24 bulan besar pinjaman
lebih dari Rp 19,500,000, dan digunakan pada sektor pertanian dan perdagangan
pada pembayaran kreditnya akan cenderung macet.
Simpul 8 (lama angsuran 25 sampai 36 bulan) disekat lagi oleh besar
pinjaman menjadi simpul 13 dengan besar pinjaman lebih dari Rp 19,500,000 dan
kurang dari atau sama dengan Rp 41,000,000, dan simpul 14 dengan besar
pinjaman lebih dari Rp 41,000,000. Simpul 13 disekat kembali oleh peubah
profesi menjadi simpul 15 dengan profesi pegawai swasta, wiraswasta, dan simpul
16 dengan profesi PNS, petani, guru, dan lainnya. Status kurang lancar paling
banyak tergolong pada simpul 15. Nasabah yang cenderung berstatus kurang
lancar ini memiliki karakteristik berupa lama angsuran 25 hingga 36 bulan, besar
pinjaman lebih dari Rp 19,500,000 namun kurang dari Rp 41,000,000, dan
memiliki profesi sebagai pegawai swasta dan wiraswasta. Jika dilihat secara
umum maka dapat dikatakan bahwa status lancar paling banyak tergolong pada
simpul 16 dengan karakteristik lengkap berupa lama angsuran 25 hingga 36 bulan,
besar pinjaman lebih dari Rp 19,500,000 namun kurang dari Rp 41,000,000, dan
memiliki profesi sebagai PNS, petani, guru dan lainnya.
Simpul 14 (besar pinjaman lebih dari Rp 41,000,000) disekat lagi oleh
peubah pekerjaan pasangan menjadi simpul 17 dengan pekerjaan pasangan
sebagai pegawai swasta, lainnya, dan tidak bekerja, serta simpul 18 dengan
pekerjaan pasangan sebagai PNS, wiraswasta, dan petani.
Langkah ketiga dari metode CART adalah penandaan atau penamaan label
kelas yang didasarkan pada jumlah terbanyak. Lebih mudahnya penandaan ini
dilakukan dengan melihat observasi (n) paling banyak dari masing-masing
kategori kolektibilitas di setiap simpul terminal. Aturan jumlah terbanyak ini
menghasilkan 10 kelas dengan kelas macet sebanyak 1 kelas, kelas diragukan
sebanyak 1 kelas, dan kelas lancar sebanyak 8 kelas. Karakteristik masing-masing
kelas dapat dilihat pada Lampiran 3.
Ketepatan Prediksi CART
Pohon klasifikasi ini memiliki tingkat ketepatan prediksi total sebesar
71.5%, yaitu status kolektibilitas yang dapat diprediksi sesuai dengan status
sebenarnya ada sebanyak 2654 dari 3711 transaksi. Tingkat ketepatan prediksi ini
ditunjukkan pada tabel 1.
Prediksi
Lancar
Kurang Lancar
Diragukan
Macet
Total
% Kebenaran
Tabel 1 Ketepatan prediksi CART
Teramati
Lancar Kurang Lancar Diragukan
2579
147
453
0
0
0
24
8
25
10
11
14
2613
166
492
98.7%
0%
5.1%
Macet
380
0
10
50
440
11.4%
% Total
3711
71.5%
8
Kolektibilitas dengan status lancar memiliki tingkat ketepatan prediksi
sebesar 98.7%, ketepatan prediksi status diragukan adalah sebesar 5.1%, macet
11.4%, dan 0% untuk status kurang lancar. Besarnya tingkat ketepatan prediksi
untuk status lancar menunjukkan bahwa peubah-peubah penjelas dan pohon
klasifikasi ini lebih baik dalam menduga nasabah berstatus kolektibilitas lancar
apabila dibandingkan untuk menduga status macet, diragukan, dan kurang lancar.
Sehubungan dengan hasil pada Tabel 1, perlu diperhatikan bahwa klasifikasi
untuk nasabah berstatus lancar ini memiliki resiko kesalahan prediksi, yaitu pohon
klasifikasi memprediksikan nasabah lancar namun pada kenyataannya macet ada
sebanyak 380 transaksi atau sebesar 10.68% dari total prediksi lancar (3559),
begitu juga untuk nasabah diragukan sebanyak 453 (12.73%), dan nasabah kurang
lancar sebanyak 147 (4.13%). Sebelum memilah, mengevaluasi, dan memberikan
perhatian khusus pada nasabah berdasarkan klasifikasi ini, PT. N harus
mempertimbangkan adanya resiko kesalahan prediksi karena kesalahan ini dapat
merugikan PT. N pada keadaan yaitu nasabah diprediksi berstatus lancar padahal
nasabah pada kenyataannya berstatus macet, diragukan atau kurang lancar.
Kesalahan prediksi ini menjadi hal yang perlu dicermati dengan kembali
mengevaluasi situasi dan kondisi kemajuan serta keuangan dari usaha yang
dijalankan oleh nasabah yang memiliki karakteristik status kolektibilitas lancar
agar resiko kredit yang harus ditanggung PT. N dapat diperkecil.
Kesalahan prediksi juga terjadi pada nasabah dengan status macet dan
diragukan namun persentase kesalahan lebih kecil jika dibandingkan dengan
prediksi pada status lancar. Status kurang lancar tidak dapat diprediksi karena
proses pengklasifikasian ini bergantung pada label kelas yang dihasilkan, karena
tidak adanya kelas dengan label kurang lancar, maka status ini tidak dapat
diprediksi. Nasabah yang diprediksikan macet namun kenyataannya lancar ada
sebanyak 10 transaksi atau sebesar 11.76% dari total prediksi macet (85).
Kesalahan memprediksi nasabah berstatus diragukan namun kenyataannya lancar
sebanyak 24 transaksi atau sebesar 35.82% dari total prediksi diragukan (67),
walaupun klasifikasi menunjukkan bahwa nasabah yang sebenarnya lancar tapi
diprediksikan diragukan besar, namun harus diperhatikan bahwa ada resiko
nasabah tersebut akan tepat diprediksikan diragukan yaitu sebesar 5.1%. Adanya
resiko kesalahan prediksi seharusnya meningkatkan kehati-hatian PT. N dengan
memberikan perhatian dan pelayanan khusus terhadap nasabah.
Kesalahan prediksi pada nasabah berstatus lancar, kurang lancar, diragukan,
dan macet dapat terjadi karena kurangnya peubah penjelas yang digunakan untuk
membangun pohon klasifikasi. Penggunaan peubah penjelas tambahan yang
belum digunakan oleh PT. N dapat menjadi salah satu cara untuk meningkatkan
ketepatan prediksi sehingga mengurangi resiko bagi PT. N. Peubah penjelas
tambahan ini dapat berupa peubah yang nilainya menunjukkan situasi dan kondisi
ekonomi nasabah, misalnya besar gaji atau pendapatan nasabah, jumlah
tanggungan dalam keluarga, serta kepemilikan tempat tinggal.
9
SIMPULAN DAN SARAN
Simpulan
Analisis terhadap kolektibilitas pembayaran kredit PT. N menggunakan
metode klasifikasi CART menunjukkan bahwa peubah yang mempengaruhi
pengklasifikasian adalah lama angsuran, besar pinjaman, sektor ekonomi, profesi,
dan pekerjaan pasangan. Tingkat ketepatan prediksi total adalah sebesar 71.5%
(yaitu status kolektibilitas yang dapat diprediksi sesuai dengan status sebenarnya
ada sebanyak 2654 dari 3711 transaksi). Klasifikasi ini baik untuk memprediksi
nasabah berstatus lancar dengan ketepatan prediksi sebesar 98.7%. Tingkat
ketepatan prediksi untuk status kurang lancar, diragukan, dan macet masingmasingnya adalah sebesar 0%, 5.1%, dan 11.4%.
Saran
Penelitian ini menyarankan perlunya memasukkan peubah penjelas lain
yang menunjukkan situasi ekonomi nasabah, misalnya besar pendapatan, jumlah
tanggungan, dan kepemilikan rumah.
DAFTAR PUSTAKA
Berk RA. 2008. Statistical Learning from a Regression Perspective. New York
(US) : Springer.
Breiman L, Friedman JH, Olshen RA, Stone CJ .1993. Classification and Regression
Tree. New York (US): Chapman And Hall.
Han J, Kamber M. 2006. Data Mining: Concepts and Techniques. San Francisco
(US) : Morgan Kaufmann Publishers.
Izenman AJ. 2008. Modern Multivariate Statistical Techniques. New York (US) :
Springer.
Yohannes Y, Webb P. 1999. Classification and Regression Trees, CART TM : A
User Manual for Identifying Indicators of Vulnerability to Famine and Chronic
Food Insecurity. Washington, D.C (US) : International Food Policy Research
Institute.
10
Lampiran 1 Keterangan peubah respon dan peubah penjelas
Peubah
Y
Keterangan
Kolektibilitas
(Ordinal)
X1
Sektor Ekonomi
(Nominal)
X2
X3
Besar Pinjaman
Lama Angsuran
(Ordinal)
X4
Pekerjaan Pasangan
(Nominal)
X5
Jenis Agunan
(Nominal)
X6
Ikatan Agunan
(Nominal)
X7
Jenis Kelamin
(Nominal)
Profesi
(Nominal)
X8
X9
Pendidikan
(Nominal)
X10
Status Marital
(Nominal)
Kategori
1= Lancar
2= Kurang lancar
3= Diragukan
4= Macet
1= Pertanian
2= Perindustrian
3= Perdagangan
4= Lainnya
Numerik
1= 1-12 bulan
2= 13-24 bulan
3= 25-36 bulan
4= 37-48 bulan
5= 49-60 bulan
1=PNS
2=Pegawai swasta
3=Wiraswasta
4=Petani
5=Lainnya
6=Tidak Bekerja
1=SBI, tabungan,deposito
2=Kendaraan motor
3=Tanah dan Bangunan
4=Persediaan Barang
5=Tanpa agunan
1=Fiduciare
2=Anotarial BPTB
3=APHT
4=NJOP/SHM
5=NJOP Letter C
6=Anotarial Letter C
1= Laki-laki
2= Perempuan
1= PNS
2= Pegawai swasta
3= Wiraswasta
1=SD
2=SLTP
3=SLTA
4=Diploma/S1/S2
5=Lainnya
1=Menikah
2=Tidak Menikah
11
Lampiran 2 Penandaan label kelas pada simpul terminal
Kelas
Macet
n
85
Karakteristik
Memiliki lama angsuran lebih dari 36 bulan
Diragukan
67
Memiliki lama angsuran ≤ 36 bulan, besar pinjaman ≤
Rp 19,500,000, dan kredit digunakan pada sektor
perindustrian
Lancar
474
Memiliki lama angsuran di antara 25 sampai 36 bulan,
besar pinjaman lebih dari Rp 19,500,000 namun kurang
dari atau sama dengan Rp 41,000,000, berprofesi
sebagai PNS, petani, guru, dan lainnya
Memiliki lama angsuran ≤ 36 bulan, besar pinjaman ≤
Rp 19,500,000, kredit digunakan pada sektor pertanian,
perdagangan, dan lainnya, berprofesi sebagai PNS,
pegawai swasta, petani, dan lainnya.
Memiliki lama angsuran kurang dari 36 bulan, besar
pinjaman ≤ Rp 19,500,000, kredit digunakan pada
sektor perindustrian dan lainnya, dan berprofesi sebagai
wiraswasta dan guru
Memiliki besar pinjaman > Rp 19,500,000,lama
angsuran ≤ 24 bulan, kredit digunakan pada sektor
perindustrian dan lainnya
Memiliki besar pinjaman > Rp 19,500,000,lama
angsuran ≤ 24 bulan, kredit digunakan pada sektor
ekonomi pertanian dan perdagangan
Memiliki lama angsuran di antara 24 sampai 36 bulan,
besar pinjaman lebih dari Rp 19,500,000 namun kurang
dari atau sama dengan Rp 41,000,000, berprofesi
sebagai pegawai swasta dan wiraswasta
Memiliki lama angsuran di antara 25 sampai 36 bulan,
besar pinjaman > Rp 41,000,000, pekerjaan pasangan
adalah pegawai swasta,lainnya, dan tidak bekerja
Memiliki lama angsuran di antara 25 sampai 36 bulan,
besar pinjaman > Rp 41,000,000, pekerjaan pasangan
adalah PNS, wiraswasta, dan petani
768
387
106
734
454
503
133
12
Lampiran 3 Pohon klasifikasi CART
13
RIWAYAT HIDUP
Penulis dilahirkan di Pekanbaru pada tanggal 30 September 1992 dari
pasangan Bapak Marzuki Karnadi dan Ibu Nurawan. Penulis merupakan anak
keenam dari enam bersaudara. Penulis menempuh pendidikan menengah pertama
di pondok pesantren Darel Hikmah Pekanbaru pada tahun 2004. Jenjang
selanjutnya adalah sekolah menengah atas yang ditempuh di MAN 2 Model
Pekanbaru pada tahun 2007. Tahun 2010 penulis diterima di Departemen
Statistika, Institut Pertanian Bogor melalui jalur Seleksi Nasional Masuk
Perguruan Tinggi Negeri (SNMPTN). Selama masa perkuliahan, penulis aktif di
organisasi Himpunan Profesi Gamma Sigma Beta (GSB).