BAB I PENDAHULUAN 1.1. Latar Belakang Masalah

Transkripsi

1 BAB I PENDAHULUAN 1.1. Latar Belakang Masalah Dewasa ini kebutuhan masyarakat akan kredit merupakan hal yang tidak asing. Menyadari bahwa kegiatan kredit pada masyarakat umum semakin meningkat, maka perlu adanya pengelolaan kredit secara akurat dari pihak pemberi kredit atau yang biasa disebut kreditur. Analisis resiko kredit adalah pihak yang menganalisis permohonan kredit dari berbagai aspek yang terkait untuk menilai kelayakan usaha yang akan dibiayai dengan kredit. Analisis tersebut antara lain meliputi aspek hukum, lingkungan, keuangan, pemasaran, produksi, manajemen, ekonomi, dan tersedianya jaminan yang cukup. Peminjam yang gagal mengembalikan pinjaman, dapat mengakibatkan kerugian pada kreditur, yang memungkinkan timbulnya micro systematic risk, yaitu ambruknya industri lembaga keuangan (kreditur) secara keseluruhan. Untuk menghindari kondisi tersebut, maka pihak kreditur sendiri perlu mengantisipasi dengan menerapkan early warning system, untuk mengatasi risiko kredit. Kejadian debitur gagal membayar atau menunggak pembayaran diistilahkan default. Default merupakan kejadian yang sangat merugikan kreditur karena di satu sisi kreditur harus mengembalikan dana peminjam yang dititipkan kepada kreditur, namun di sisi lain dana peminjam yang notabene sudah diputar oleh kreditur untuk disalurkan kepada debitur ternyata tidak bisa kembali seutuhnya kepada kreditur karena ada kreditur yang default. Sehingga diperlukan unit manajemen risiko kredit mikro untuk meminimalisasi risiko kredit mikro yang dihadapi kreditur. Banyak cara yang dapat dilakukan untuk mencegah kredit macet. Salah satunya kita dapat mengelompokkan karakteristik debitur. Kita dapat mengetahui debitur yang mengajukan pinjaman dapat terbagi kedalam berapa kelompok dan karakteristik debitur yang mengajukan pinjaman pada setiap kelompok yang terbentuk dilihat dari beberapa variabel. Melalui data yang ada penulis ingin 1

2 mengetahui, apakah durasi peminjaman, besarnya pinjaman, tingkat angsuran, lama tinggal di hunian, usia, jumlah kredit di bank, dan jumlah tanggungan signifikan membedakan antar kelompok yang terbentuk, profil serta kecenderungan-kecenderungan dari masing-masing kelompok yang terbentuk dan posisi masing-masing objek terhadap objek lainnya dari segmen yang terbentuk menggunakan metode analisis cluster x-means Batasan Masalah Batasan masalah merupakan hal yang sangat penting dilakukan dalam suatu penulisan agar tidak terjadi penyimpangan dari tujuan yang ingin dicapai. Dalam skripsi ini difokuskan pada mengelompokkan karakteristik debitur menggunakan x-means cluster. Algoritma x-means cluster digunakan untuk menentukan jumlah cluster optimal menggunakan kriteria BIC dan menggunakan analisis regresi logistik untuk menghitung probabilitas default tiap cluster Tujuan Penelitian Penelitian ini bertujuan untuk: 1. Sebagai salah satu syarat untuk mendapatkan gelar S1 pada Program Studi Statistika, FMIPA UGM. 2. Menentukan jumlah cluster optimal karakteristik debitur melalui data kredit German untuk jumlah cluster lebih dari dua, dimana karakteristik debitur diukur melalui pinjaman, tingkat angsuran, lama tinggal di hunian, usia, jumlah kredit di bank, dan jumlah tanggungan. 3. Melihat profil serta kecenderungan-kecenderungan dari masing-masing cluster yang terbentuk Manfaat Penelitian Hasil penelitian ini diharapkan dapat berguna: 1. Mengaplikasikan ilmu statistika untuk clustering terutama k-means cluster. 2. Memperkenalkan metode pengembangan k-means cluster yaitu x-means. 3. Menambah ilmu pengetahuan. 2

3 1.5. Metode Penelitian Metode penulisan yang digunakan penulis adalah studi literatur yang diperoleh dari perpustakaan, jurnal-jurnal ilmiah dan sumber-sumber lain yang diperoleh dari internet. Penulis dalam menyelesaikan penelitian ini menggunakan bantuan software R 3.0.1, SPSS 15.0, dan Microsoft Excel Data yang diambil merupakan data sekunder dari internet yang dapat dipertanggungjawabkan Tinjauan Pustaka K-means clustr adalah salah satu metode clustering yang sering digunakan untuk mengelompokkan sekumpulan objek kedalam beberapa cluster sehingga kemiripan objek dalam kelompok lain akan bernilai minimal dengan jumlah cluster yang telah ditentukan sebanyak k. Menurut Pelleg dan Moore (2000) k- means cluster memiliki beberapa kekurangan yaitu menggunakan komputasi yang sangat sederhana dan nilai k harus diinputkan oleh user. Karena algoritma ini sederhana, sehingga untuk suatu waktu t, k-means cluster mempunyai kompleksitas O kn untuk k cluster yang ditentukan dan N jumlah record. Untuk menyelesaikan permasalahan tersebut, Pelleg dan Moore memperkenalkan metode clustering yang merupakan pengembangan dari k-means cluster yaitu x- means cluster. X-means cluster diperkenalkan pertama kali oleh Pelleg dan Moore (2000) dalam jurnal yang berjudul X-means: Extending K-means with Efficient Estimation of the Number of Clusters. Algoritma geometrik blacklisting digunakan sebagai algoritma pencarian pusat cluster, dimana algoritma ini hanya melakukan perhitungan pada pusat yang memang dipertimbangkan sebagai pusat cluster untuk daerah tertentu. X-means membentuk jumlah cluster awal menggunakan k-means cluster. Kemudian setiap cluster yang terbentuk dibagi menggunakan k-means cluster. Pemilihan model yang digunakan berdasarkan kriteria BIC, jika BIC model yang terbagi menjadi k cluster maka lebih baik 3

4 cluster akan terbagi. Proses ini berulang hingga tidak ada lagi cluster yang dapat dibagi. Ishioka, Tsunenori (2000) membahas x-means cluster menggunakan metode pembagian k-means cluster dengan k sebesar 2 dan pemilihan model menggunakan BIC lebih baik daripada AIC. Kemudian dalam penelitian selanjutnya Ishioka, Tsunenori (2005) menjelaskan bahwa x-means cluster yang menggabungkan cluster yang tidak harus terbagi lebih baik dari pada yang tidak dan kompleksitas algoritma x-means cluster lebih kecil dari pada k-means cluster yaitu sebesar O N log k. Lafore, Robert (1999) menyebutkan bahwa algoritma dengan komplektisitas O log N lebih baik daripada O N. Sehingga dapat disimpulkan bahwa algoritma x-means cluster lebih baik daripada k-means cluster. Penelitian dalam credit scoring terus menerus mengalami perkembangan. Data yang digunakan adalah data kredit: German Credit. Penulis mengklasifikasikan karakteristik debitur berdasarkan informasi durasi peminjaman, jumlah kredit, tingkat angsuran, lama tinggal di hunian saat ini, usia, jumlah kredit yang ada di bank saat ini dan jumlah orang yang menjadi tanggung jawab debitur menggunakan x-means cluster dengan pembagian k-means cluster, k sebesar 2 dan jumlah cluster awal sebanyak 2. Penelitian dalam clustering terus menerus mengalami perkembangan, beberapa penelitian mengembangkan clustering dengan menggabungkan beberapa metode yang diharapkan akan memaksimalkan hasil dan menutupi kekurangan masing-masing metode. Berikut adalah penjelasan singkat penelitian-penelitian sebelumnya tentang clustering. Ayuningtyas (2009) membahas credit scoring untuk kredit konsumtif bank menggunakan regresi logistik ganda dan analisis diskriminan. Data yang digunakan adalah data dari BPR di Yogyakarta. Hasil akhir dari penelitian ini menunjukkan bahwa regresi logistik ganda relatif lebih baik daripada analisis diskriminan linier. 4

5 Chalisa (2009) membahas permodelan credit scoring untuk kredit konsumtif ban menggunakan algoritma CHAID (Chi-Square Automatic Intereaction Detection) dan CART (Classification and Regression Trees). Data yang digunakan adalah data dari BPR di Yogyakarta. Berdasarkan nilai estimasi, standar error, tabel klasifikasi, dan aturan klasifikasi yang terbentuk menunjukkan bahwa algoritma CHAID relatif lebih baik daripada CART dalam memodelkan credit scoring. Putri (2010) membahas analisis credit coring menggunakan metode k- Nearest Neighbors. Studi kasus dalam penelitian ini menggunakan data BPR Tasikmalaya. Metode ini merupakan metode klasifikasi dengan mengukur kedekatan suatu kasus baru dengan kasus lama yang tersimpan dalam database. Hasil akhir analisis menunjukkan probabilitas kesalahan untuk aturan k-nearest Neighbors masih dianggap rendah dan ketepatan prediksi masih dianggap tinggi. Ramadhan (2010) membahas credit scoring menggunakan metode decision tree dengan algoritma QUEST (Quick, Unbiased, Efficient Statistical Tree). Penelitian ini menggunakan data salah satu BPR di Tasikmalaya sebagai studi kasusnya. Metode pada penelitian ini merupakan perpaduan antara statistika, machine learning, database, dan visualisasi. Penelitian ini juga membahas perbandingan decision tree antara algoritma QUEST dan CART. Kesimpulan akhir yang didapat adalah metode QUEST dan CART memiliki tingkat kesalahan pembentukan model yang berbeda. Dibandingkan dengan QUEST, model classification rule yang dibentuk oleh CART memiliki lebih banyak risiko kesalahan data mengkualifikasi objek baru. Pada penelitian ini penulis membahas credit scoring menggunakan penggabungan x-means cluster dan regresi logistik. Data yang digunakan adalah data kredit yang diambil di internet dan dapat dipertanggungjawabkan yaitu German Credit. Pada x-means cluster akan dibentuk kelompok-kelompok berdasarkan kemiripannya dan regresi logistik yang akan menentukan profil atau probabilitas default kelompok-kelompok yang terbentuk dari x-means cluster. 5

6 1.7. Sistematika Penulisan Sistematika penulisan yang digunakan dalam penelitian ini adalah sebagai berikut: BAB I PENDAHULUAN Bab ini berisi tentang latar belakang masalah, tujuan penelitian, manfaat penelitian, batasan masalah, metode penelitian, sistematika penulisan laporan, dan tinjauan pustaka. BAB II LANDASAN TEORI Bab ini membahas tentang landasan teori yang relevan dengan penelitian ini yaitu aljabar matriks, matriks multivariat, distribusi normal multivariat, fungsi likelihood, dan BIC. BAB III SEGMENTASI KARAKTERISTIK DEBITUR MENGGUNAKAN ALGORITMA X-MEANS Bab ini membahas tentang landasan teori yang relevan dengan penelitian ini yaitu distribusi normal multivariat yang terdiri dari fungsi likelihood, rata-rata dan kovariansi sampel, estimasi parameter dan moment generating function, clustering, k-means cluster yang terdiri dari pengertian k-means cluster dan algoritma k-means cluster, dan x-means cluster yang terdiri dari pengertian x- means cluster dan algoritma x-means cluster. BAB IV STUDI KASUS DAN PEMBAHASAN HASIL Bab ini berisi analisis cluster menggunakan x-means dimana probabilitas default tiap cluster dihitung menggunakan regresi logistik serta pembahasan hasil yang didapat. BAB V PENUTUP Bab ini berisi kesimpulan dari hasil analisis dan saran-saran untuk penelitian selanjutnya. 6