Pengembangan model Credit Scoring di Perusahaan X

Abstract

Perusahaan X merupakan perusahaan yang bergerak pada bidang perbankan. Salah satu jasa yang diberikan oleh perusahaan X adalah pemberian kredit kepada pengguna jasa perusahaan X. Pemberian kredit melalui kartu kredit merupakan salah satu sumber utama dari pendapatan perusahaan. Pada data yang diberikan oleh perusahaan X terdapat kredit yang macet sebesar 22 miliar rupiah atau setara dengan 16% dari total tagihan kredit yang diberikan kepada 17707 pengguna kartu kredit. Kredit dikatakan macet ketika pengguna jasa tidak dapat melakukan pembayaran dengan lunas sesuai dengan ketentuan waktu yang telah ditetapkan. Kredit dikatakan lancar ketika pengguna jasa dapat melunasi tagihan sesuai pada waktu yang telah ditetapkan. Berdasarkan penelitian yang telah dilakukan dalam pengambilan keputusan apakah kredit akan macet atau tidak terdapat beberapa variabel yang perlu diperhatikan, variabel-variabel tersebut antara lain kode cabang, jumlah kartu, total pemakaian tunai, total pemakaian, outstanding, rasio pembayaran, persentase overlimit, rasio pembayaran tiga bulan, pemakaian enam bulan per limit, rasio pembayaran enam bulan, sisa tagihan per jumlah kartu, sisa tagihan per limit, total pemakaian per limit dan jumlah tahun sejak pembukaan kredit. Dengan menggunakan variabel-variabel tersebut sebagai input dibuat model decision tree dan neural network. Decision tree yang akan dirancang menggunakan algoritma C5.0 dan CHAID, kedua algoritma tersebut akan menghasilkan jumlah cabang yang berbeda karena menggunakan cara kerja yang berbeda. Neural network akan menggunakan tipe MLP, dimana MLP merupakan tipe neural network yang sering digunakan untuk klasifikasi prediksi. Berdasarkan ketiga model yang terbentuk perusahaan sebaiknya menerapkan metode decision tree C5.0 karena metode decision tree merupakan metode paling mudah diimplementasi. Algoritma yang dipilih adalah C5.0 karena memiliki tingkat keakurasian yang lebih tinggi dibandingkan dengan algoritma CHAID. Walau neural network memiliki tingkat keakurasian yang cukup tinggi metode tersebut sulit diimplementasi.