BAB I PENDAHULUAN 1.1 Latar Belakang

Transkripsi

1 1 BAB I PENDAHULUAN 1.1 Latar Belakang Beredarnya iklan penawaran kepemilikan kendaraan sepeda motor yang cukup menarik dengan menawarkan berbagai syarat kemudahan pembayaran membuat bagi sebagian orang menjadi tertarik untuk mewujudkan impian memiliki kendaraan sebagai salah satu kebutuhan alat transportasi untuk berbagai kepentingan, melalui pengajuan permohonan pembiayaan kredit pembelian kendaraan bermotor pada perusahaan pembiayaan (leasing company). Seiring dengan terus bertambahnya jumlah data calon debitur baru yang mengajukan permohonan pembiayaan, maka pihak managemen perusahaan membutuhkan sebuah alat bantu pengambilan keputusan (decision support tool) yang dapat memperkirakan dengan cepat manakah calon debitur baru yang mampu melunasi kredit. Perusahaan juga berusaha meminimalisir kesalahan dalam proses pemilihan calon debitur yang berpotensi terjadinya kredit macet sehingga merugikan perusahaan dan tentunnya berpengaruh pada kondisi finansial perusahaan. Istilah debitur menurut undang-undang no.10 tahun 1998 tentang perubahan atas undang-undang nomor 7 tahun 1992 tentang perbankan adalah nasabah yang memperoleh fasilitas kredit atau pembiayaan berdasarkan prinsip syariah atau yang dipersamakan dengan itu berdasarkan perjanjian bank dengan nasabah yang bersangkutan. Definisi kredit menurut kamus besar Bahasa Indonesia adalah pinjaman uang dengan pembayaran pengembalian secara mengangsur. Laporan penelitian akan membahas proses generate decision tree menggunakan algoritma C4.5 dan memanfaatkan sekelompok Training data debitur pembiayaan kendaraan sepeda motor. Pohon keputusan tersebut kemudian diinterpretasikan kedalam bentuk aturan-aturan keputusan (rules) yang dapat digunakan sebagai acuan dalam dalam menentukan kelayakan calon debitur baru (test dataset).

2 2 Nilai pelunasan mengacu pada nilai parameter tujuan (target variable) yakni status kredit. Bila nilai status kredit adalah lunas berarti diperkirakan calon debitur mampu melunasi kredit, akan tetapi jika parameter status kredit bernilai tidak lunas berarti diperkirakan calon debitur tidak mampu melunasi kredit. Menurut Berry dan Linoff (2004) pohon keputusan (decision tree) dapat membagi kumpulan data yang besar (Training data) menjadi himpunanhimpunan record yang lebih kecil dengan menerapkan serangkaian aturan keputusan (rules), sehingga anggota himpunan hasil menjadi mirip satu dengan lainnya dengan memperhatikan pada variabel tujuannya (target variable). Decision tree merupakan salah satu metoda klasifikasi data mining yang popular digunakan karena mudah diinterprestasikan oleh manusia dengan konsep dasar mengubah data menjadi pohon keputusan dan aturan-aturan keputusan, mudah mengintegrasikan dengan sistem basis data dan memiliki tingkat ketelitian (akurasi) yang baik diatas 90% (Jaber et.al, 2012). Peranan pohon keputusan sebagai alat bantu pengambilan keputusan (decision support tool) telah dikembangkan oleh manusia untuk membantu mencari dan membuat keputusan masalah dengan memperhitungkan berbagai macam faktor yang ada di dalam lingkup masalah tersebut. Kemampuan algoritma C4.5 untuk menghasilkan pohon keputusan, lalu diinterpretasikan menjadi aturan-aturan keputusan penilaian kelayakan calon debitur baru menjadi alasan penggunaan metoda decision tee C4.5. Beberapa penelitian yang sudah pernah dilakukan dan berkaitan dengan metoda klasifikasi data mining yang digunakan dalam penelitian. Strategi pencarian menggunakan kombinasi dua buah algoritma GATS (Genetic Algorithm-Tabu Search) dan C4.5 dengan data percobaan dataset www, mail, p2p sehingga meningkatkan komputasi kinerja tanpa dampak negatif pada akurasi klasifikasi (Chen et.al, 2008). Penelitian lainnya dilakukan Liu dan Jiang (2009) menggunakan algoritma C4.5 untuk peramalan resiko keuangan pada informasi real dari akuntansi pada perusahaan keuangan pada tahun 2005 dan 2006, melibatkan indeks finansial dan non-finansial sebagai objek penelitian, dan hasilnya kemampuan peramalan pada penelitian lebih baik daripada hanya

3 3 melibatkan indeks finansial saja. Penelitian selanjutnya menggabungkan algoritma C4.5 dan teori himpunan kasar (rough set theory) dan hasilnya berupa optimasi algoritma C4.5 sehingga memiliki akurasi yang lebih tinggi dibandingkan hanya menggunakan algoritma C4.5 (Zhuoyuan dan Lie, 2012). Dengan penerapan prototipe aplikasi prediksi pelunasan kredit calon debitur bermanfaat bagi manajemen perusahaan pembiayaan kendaraan sebagai alat bantu pengambilan keputusan penilaian salah satu syarat kelayakan calon debitur. 1.2 Rumusan Masalah Dari latar belakang di atas, maka rumusan masalah yang menjadi fokus dalam penelitian adalah memperkirakan calon debitur baru yang mampu melunasi kredit pembiayaan kendaraan menggunakan decision tree C Batasan Masalah Untuk mendapatkan hasil penelitian seperti yang diharapkan serta penelitian yang terarah, maka permasalahan dalam penelitian akan dibatasi sebagai berikut: 1. Training data pembiayaan kredit sepeda motor berjumlah sekitar record bersumber dari data centre perusahaan PT. Para Finance yang berlokasi di Graha Para Finance, Jalan Wijaya I nomor 19 kebayoran baru Jakarta Selatan dan bergerak dibidang bisnis pembiayaan kepemilikan kendaraan bermotor. 2. Variabel predictor yang digunakan dalam proses klasifikasi hanya terdiri dari 4 variabel yaitu jenis pekerjaan, penghasilan, nilai angsuran dan masa kredit (tenor). Sedangkan sebagai variable tujuan (target variable) adalah status kredit. 3. Dalam proses klasifikasi nilai kelayakan calon debitur baru yang diperkirakan mampu melunasi kredit tidak melibatkan time data series yakni data histori pembayaran cicilan sejak awal hingga pelunasan, dikarenakan keterbatasan perolehan data dari perusahaan, sehingga sistem yang dibangun tidak digunakan untuk memprediksi potensi resiko kredit seorang debitur semasa proses kredit sedang berlangsung.

4 4 4. Fokus penilaian kelayakan adalah disaat awal proses pengajuan kredit oleh calon debitur baru, artinya status nasabah belum sebagai debitur melainkan calon debitur baru, hanya dengan 4 buah variabel predictor sebagai faktorfaktor yang akan diperhitungkan. 5. Proses pembentukan pohon keputusan tidak memanfaatkan algoritma pemangkasan pohon (tree pruning) melainkan hanya menggunakan algoritma C4.5 saja (no pruning). Pohon keputusan akan didesain sedemikian rupa sehingga simpul yang memiliki cabang, jumlah cabangnya maksimal 3 node. 1.4 Tujuan dan Manfaat Penelitian Tujuan dan manfaat yang akan dicapai dalam penelitian adalah : 1. Membangun software yang mampu menghasilkan pohon keputusan dengan algoritma C4.5 untuk memudahkan dalam memprediksi potensi pelunasan kredit sebagai salah satu kriteria kelayakan calon debitur baru. 2. Menghasilkan sebuah prototipe aplikasi komputer yang bermanfaat bagi seorang manajer perusahaan pembiayaan kendaraan bermotor sebagai pendukung keputusan penilaian salah satu kriteria kelayakan calon debitur baru. 1.5 Kontribusi Penelitian memberikan kontribusi tentang cara menghasilkan (generate) pohon keputusan menggunakan algoritma C4.5 dan sekelompok data latih (Training data) debitur pembiayaan kendaraan sepeda motor, kemudian diinterpretasikan kedalam bentuk aturan-aturan keputusan (rules) yang akan digunakan sebagai acuan dalam mengolah data-data calon debitur baru untuk memperkirakan kemungkinan debitur mampu melunasi kredit kendaraan. 1.6 Metodologi Penelitian Metode pengembangan software yang digunakan dalam penelitian adalah systems development life cycle, yaitu suatu metode yang digunakan untuk

5 5 merancang aplikasi perangkat lunak. Berikut tahapan-tahapan yang akan ditempuh dalam penelitian: 1. Studi literatur dan pengumpulan data Studi literatur dilakukan untuk mempelajari informasi dari literatur-literatur dari berbagai sumber yang berkaitan dengan tema penelitian yang dilakukan dan penerapan metode yang dipakai. Literatur diperoleh dari laporan hasil penelitian ilmiah dan buku. Penelitian akan memanfaatkan histori data debitur pembiayaan kendaraan sepeda motor pada perusahaan pembiayaan PT. Para Finance berjumlah record. 2. Analisis kebutuhan perangkat lunak Mengetahui kebutuhan perangkat lunak meliputi domain informasi, tingkah laku, unjuk kerja dan antar muka (interface) yang diperlukan. 3. Desain perangkat lunak Proses desain menterjemahkan syarat atau kebutuhan ke dalam sebuah representasi perangkat lunak yang dapat diperkirakan demi kualitas sebelum dimulai pemunculan kode, meliputi struktur data, arsitektur perangkat lunak, representasi interface, dan algoritma. Tools yang digunakan untuk desain system yakni ER-Assistant dan Relationship tools MS.Access 4. Implementasi sistem Proses menterjemahkan desain perangkat lunak ke dalam bentuk mesin (aplikasi) yang mudah difahami dan siap digunakan user. Interbase dan bahasa pemrograman Borland Delphi. 5. Pengujian Sistem Pengujian dilakukan untuk mengetahui nilai akurasi data uji yang dibagi dalam beberapa kategori uji dengan memanfaatkan sejumlah data latih dan data uji yang tersedia 1.7 Sistematika Penulisan Penulisan tesis dibagi menjadi 7 (tujuh) bab. Pembagian tersebut dapat dijelaskan dengan struktur sebagai berikut:

6 6 BAB I. PENDAHULUAN Menguraikan topik penelitian dan mengidentifikasi beberapa faktor/aspek yang terkait permasalahan penelitian. BAB II. TINJAUAN PUSTAKA Mengkaji tentang beberapa penelitian sejenis yang dilakukan sebelumnya dan menerangkan titik perbedaan penelitian yang dilakukan dengan beberapa penelitian sebelumnya. BAB III. LANDASAN TEORI Menguraikan core teori yang tepat dengan masalah penelitian dan dielaborasi secara lengkap sebagai dasar dalam pemecahan masalah. BAB IV. ANALISIS DAN RANCANGAN SISTEM Mendeskripsikan fungsioanal sistem yang dibuat, menggambarkan arsitektur sistem, menjelaskan metoda yang digunakan dan melakukan perhitungan manual. BAB V. IMPLEMENTASI Menjelaskan implementasi modul-modul berdasarkan rancangan sistem. BAB VI. HASIL PENELITIAN DAN PEMBAHASAN Menjelaskan proses pengujian sistem dengan beberapa kategori pengujian memanfaatkan kombinasi data latih dan data uji. BAB VII. KESIMPULAN DAN SARAN Mengungkapkan kemampuan dan kekurangan sistem didasarkan dari hasil penelitian yang telah dibahas, serta saran untuk penelitian lanjut dari penelitian untuk perbaikan kekurangan system.