EVALUASI PEMOHON KREDIT MOBIL DI PT “X” DENGAN MENGGUNAKAN TEKNIK DATA MINING DECISION TREE
View/ Open
Date
2009-08-17Author
W, Yogi Yusuf
Pratikto, F. Rian
S, Vivianne A.
Metadata
Show full item recordAbstract
Kredit merupakan salah satu mekanisme pembayaran yang sangat umum di masyarakat. Fungsi
pokok kredit yaitu memenuhi pelayanan terhadap kebutuhan masyarakat dalam rangka memperlancar
perdagangan, produksi dan jasa-jasa bahkan konsumsi yang kesemuanya itu ditujukan untuk
meningkatkan kesejahteraan manusia. PT “X” merupakan distributor mobil di kota Bandung dan
telah memberikan kemudahan pembayaran kepada pelanggannya dengan menyediakan fasilitas
kredit. Ada risiko yang harus dihadapi oleh perusahaan yaitu tidak tepat waktunya pembayaran atau
bahkan kegagalan pembayaran dari kredit yang disalurkannya. Kredit macet ini sangat berpengaruh
terhadap aliran kas perusahaan. Usaha untuk mengurangi jumlah kredit yang macet harus selalu
dilakukan. Banyak faktor yang dapat menyebabkan kredit macet, salah satunya adalah kesalahan
dalam pengambilan keputusan penerimaan pemohon menjadi debitur perusahaan pada tahap
evaluasi kredit. Disamping kesalahan dengan menerima pemohon yang buruk, evaluasi kredit juga
memungkinkan membuat kesalahan dengan menolak pemohon yang baik. Oleh karena itu setiap
perusahaan yang memberikan kredit harus mampu mengevaluasi pemohon kredit dengan objektif,
akurat, dan konsisten. Tool yang dapat membantu dalam mengevaluasi kredit dengan objektif, akurat,
dan konsisten adalah credit scoring. Penelitian ini berfokus pada pembangunan model credit scoring
kredit mobil dengan teknik decision tree. Teknik decision tree dapat membangun model dengan
objektif, menghasilkan model yang mudah dipahami, dan tingkat akurasi yang tinggi. Model yang
dibangun melibatkan variabel target yaitu risiko kredit dan variabel prediktor yaitu penghasilan,
cicilan, uang muka, jumlah periode pinjaman, rekening tabungan, umur pemohon, tagihan telepon,
dan tagihan listrik. Dari hasil pengembangan model diperoleh bahwa variabel penghasilan
merupakan variabel yang paling penting dalam memprediksi risiko kredit dan tingkat akurasi model
sebesar 79.57 persen.