BAB I PENDAHULUAN 1.1 Latar Belakang Salah satu pelayanan dalam dunia perbankan adalah pemberian pinjaman kredit kepada nasabah yang memenuhi syarat perbankan. kredit merupakan sumber utama penghasilan bagi sebuah bank dan juga sekaligus sumber resiko operasi bisnis terbesar, karena sebagian besar dana operasional bank diputar dalam bentuk kredit. Proses analisa data nasabah, data jaminan hingga proses pengambilan keputusan memiliki peranan penting dalam menekan atau meminimalisasi resiko bagi pihak kreditur, termasuk dalam hal ini adalah bank syariah mandiri cabang luwuk yang menjadi obyek penelitian. Syarat-syarat perbankan menjadi indikator pemberian pinjaman kepada nasabah agar layanan yang diberikan dapat tepat guna dari sisi nasabah dan tidak memberikan efek buruk bagi kestabilan manajemen bank, misalnya terjadi kredit macet. Namun perkembangan dunia perbankan yang sangat pesat, mendorong terbentuknya suatu timbunan data-data yang berukuran sangat besar. Data-data tersebut pada umumnya berasal dari data entry dan customer service, kemudian oleh komputer data tersebut disimpan ke dalam server. Di dalam server data diubah menjadi informasi yang disimpan dalam bentuk tabel-tabel. Informasi yang didapat dari data dalam bentuk tabel-tabel tersebut sangat sedikit yang dapat dimanfaatkan oleh pihak manajemen perbankan dalam menganalisis untuk pemberian kredit nasabah, oleh karena itu perlu adanya aktivitas penggalian (ekstraksi) data yang masih tersembunyi untuk selanjutnya diolah menjadi pengetahuan yang bermanfaat dalam pengambilan keputusan. Proses ekstraksi informasi dari kumpulan data-data yang tersimpan di server disebut dengan data mining (Chung, 2004). 1
2 Data mining merupakan sebuah proses dari knowledge discovery (penemuan pengetahuan) dari data yang sangat besar (Han dan Kamber, 2006). Sementara itu Tan dkk. (2006) berpendapat bahwa data mining adalah proses secara otomatis untuk menemukan informasi yang berharga dari repositori data yang sangat besar. Dengan demikian, dari tumpukan data tersebut akan didapat beragam informasi yang berharga dan penting yang sebelumnya tidak diketahui. Pada dasarnya data mining bertujuan untuk mengekstraksi pengetahuan yang masih tersembunyi dari data yang sangat besar yang hasilnya tidak hanya akurat tetapi harus dapat dipahami oleh pengguna, dalam hal ini pihak manajemen bank. Dalam penelitian ini menggunakan data mining dengan teknik klasifikasi untuk mengklasifikasikan data nasabah berupa gaji, angsuran, margin pembiayaan, nilai jaminan dan alasan pengajuan kredit, dan beberapa atribut identitas diri dari nasabah yang mengajukan kredit. Data ini digunakan untuk membangun sebuah model untuk menganalisis pemberian kredit kepada nasabah agar kredit yang diberikan tepat pada sasaran dan tidak terjadi kredit macet (Studi Kasus : Bank Syariah Mandiri Cabang Luwuk ). Ada banyak teknik yang bisa dilakukan untuk melakukan klasifikasi data diantaranya decision tree, bayesian classifier, bayesian belief network dan rule based classifiers (Han dan kamber, 2006). Namun dalam penelitian ini akan dikembangkan sistem dengan menggunakan teknik klasifikasi naive bayes classifiers. Pendekatan ini merupakan pendekatan yang mengacu pada teorema bayes, dimana teorema ini merupakan prinsip peluang statistika untuk mengkombinasikan pengetahuan sebelumnya dengan pengetahuan baru. Prinsip ini kemudian digunakan untuk memecahkan masalah klasifikasi (Tan dkk, 2006). Penggunaan teknik ini didasari oleh keperluan dari sistem untuk mengetahui nilai probabilitas dari data hasil klasifikasi yang dihasilkan. Selain itu, data perbankan akan diolah berdasarkan data-data variabel yang terdapat dalam dokumen calon debitur yang mengajukan kredit yang jumlahnya ratusan bahkan ribuan record.
3 Dengan demikian, dalam pengolahan data akan menghasilkan dimensi yang sangat besar. Oleh sebab itu, diperlukan algoritma yang sederhana agar proses pengolahan dapat efektif dan efisien. Penggunaan algoritma ini dinilai sesuai karena naive bayes classifier merupakan salah satu algoritma klasifikasi yang sederhana namun memiliki kemampuan dan akurasi tinggi (Rish, 2006). Dengan teknik klasifikasi menggunakan algoritma naive bayes classification (NBC) dalam pengolahan data tersebut, maka penulis tertarik untuk menerapkannya sebagai data training, maka diharapkan dapat dibangun sebuah model yang mana model tersebut dapat digunakan untuk menganalisis pemberian kredit kepada calon debitur. Hal ini diharapakan dapat digunakan untuk meningkatkan pelayanan kepada nasabah, sekaligus peringatan dini bagi industri perbankan dalam hal ini Bank Syariah Mandiri Cabang Luwuk terhadap pemberian kredit kepada calon debitur. 1.2 Rumusan Masalah Dari latar belakang yang dijelaskan di atas, maka rumusan masalah dalam penelitian ini adalah sebagai berikut : 1. Bagaimana melakukan proses klasifikasi terhadap data Nota Analisis Pembiayaan (NAP) nasabah untuk menghasilkan sebuah model, kemudian menggunakan model tersebut untuk menganalisis pemberian kredit (pembiayaan) pada calon debitur. 2. Bagaimana membangun aplikasi sederhana sebagai implementasi metode klasifikasi sehingga dapat digunakan untuk memvisualisasikan suatu model dari data training dan mengujinya dengan data testing untuk menganalisis keputusan pemberian kredit (pembiayaan) calon debitur berikutnya. 1.3 Batasan Masalah
4 Proses data Mining untuk analisis data perbankan pada penelitian ini, di lakukan di Bagian Pembiayaan Bank Syariah Mandiri Cabang Luwuk, dengan batasan masalah sebagai berikut : 1. Data yang digunakan adalah data debitur yang mengajukan pembiayaan jenis murabahah (Konsumtif) di bank syari ah mandiri cabang luwuk selama kurun waktu 2005-2006, dengan jumlah data yang digunakan sejumlah 463 record. 2. Menganalisis pemberian kredit (pembiayaan) kepada nasabah yang diterima proposal pengajuan pembiayaannya melalui nota analisis pembiayaan (NAP). 3. Penelitian ini hanya meneliti tentang aman atau tidaknya seorang calon debitur diberikan pinjaman. 4. Dalam penelitian ini menggunakan metode klasifikasi dengan algoritma naive bayesian untuk mengklasifikasikan data nasabah. 5. Analisis yang digunakan untuk proses ekstraksi data debitur adalah 5 C + 1 S yaitu : Character, Capacity, Capital, Collateral, Condition, dan Syariah. 1.4 Tujuan dan Manfaat Penelitian Tujuan Penelitian Pada penelitian ini mempunyai tujuan sebagai berikut : 1. Menerapkan teknik klasifikasi naive bayesian untuk mengklasifikasi calon debitur ke dalam kelompok-kelompok debitur sesuai status kreditnya. Sehingga pihak manajemen bank dapat mengetahui profil nasabah Bank Syariah Mandiri Cabang Luwuk yang mengajukan kredit/pembiayaan sehingga dapat dijadikan sebagai salah satu dasar pengambilan keputusan dalam pemberian kredit/pembaiayaan. 2. Menghasilkan sebuah aplikasi data mining sederhana dengan menggunakan teknik klasifikasi yang dapat digunakan untuk membangun sebuah model dari data nasabah (debitur) lama dan kemudian menggunakan model tersebut untuk pengambilan keputusan dalam pemberian kredit/pembiayaan berikutnya (forecasting).
5 Manfaat Penelitian Hasil penelitian ini bagi Bank Syariah Mandiri Cabang Luwuk dapat dijadikan sebagai salah satu dasar pengambilan keputusan dalam pemberian kredit/pembiayaan kepada debitur demi meningkatkan pelayanan kepada nasabah sekaligus sistem peringatan dini kepada pihak manajemen dalam pemberian kredit/pembiayaan. 1.5 Keaslian Penelitian Saat ini belum pernah dilakukan penelitian mengenai analisis data Nota Analisis Pembiayaan (NAP) di suatu bank syariah yang digunakan untuk mengetahui aman atau tidaknya seorang nasabah diberikan pinjaman. Namun dalam hal kesamaan metode yang digunakan ada beberapa penelitian tentang klasifikasi untuk memprediksi menggunakan metode naive bayesian classification. Pada penelitian tersebut lebih cenderung pada klasifikasi perusahaan yang akan mengalami kebangkrutan (Oktafia, 2008) dan prediksi penerimaan siswa SMA pada sebuah universitas (Sibaroni, 2008). Penelitianpenelitian tersebut dijelaskan pada bagian berikutnya. 1.6 Metode Penelitian Penelitian ini dilakukan dengan tahap-tahap sebagai berikut : 1. Analisis Sistem 2. Pengumpulan Data. 3. Pengembangan Sistem. 4. Pengujian Sistem. 5. Penulisan Laporan. 1.6.1 Analisis Sistem Pada tahap ini dilakukan analisis sistem, yang pada bagian ini dilakukan analisa data apa saja yang dibutuhkan dan kebutuhan-kebutuhan perangkat lunak dari sistem yang akan dikembangkan. Setelah tahap analisis dikerjakan dan
6 menghasilkan spesifikasi kebutuhan data dan perangkat lunak kemudian dilakukan pemodelan sistem. Kebutuhan data menggunakan analisis 5C+1S, Pemodelan sistem dilakukan dengan menggunakan tool ERD untuk pemodelan database, DFD untuk pemodelan proses dan rancangan antar muka pengguna. 1.6.2 Pengumpulan Data Proses pengumpulan data meliputi 2 kategori yaitu pengumpulan bahan atau materi berupa buku referensi dan jurnal ilmiah dan Melakukan pengumpulan data nasabah yang mengajukan kredit/pembiayaan, data nasabah yang dikumpulkan berdasarkan analisis 5C+1S diantaranya : 1. No Rekening. 2. Nama. 3. Pendidikan. 4. Pekerjaan. 5. Gaji. 6. Angsuran. 7. Nilai Jaminan. 8. Tempo Pinjam. 9. Jumlah Pinjam. 10. Tujuan Pinjam. 11. Margin Pembiayaan. 12. Kelas. 1.6.3 Pengembangan Sistem Berdasarkan hasil analisis sistem, maka sistem tersebut akan dikembangkan. Adapun proses pengembangan sistem ini merupakan proses klasifikasi yang dilakukan dengan langkah-langkah sebagai berikut : 1. Setelah data terkumpul, kemudian dilakukan ekstraksi data pada Nota Analisis Pembiayaan (NAP) yaitu mengambil beberapa variabel data berdasarkan analisis 5C+1S, lalu data tersebut diimpor ke database. Kemudian data tersebut mengalami proses preprocessing data yang meliputi data cleaning, data integration, data transformation, dan data reduction sehingga data menjadi lebih mudah untuk dilakukan proses selanjutnya. 2. Kelas dalam klasifikasi ini adalah kelas aman untuk calon debitur yang mengandung informasi dapat mengembalikan dana pinjaman lancar sesuai
7 waktunya dan kelas tidak aman untuk calon debitur yang mengandung informasi tidak dapat mengembalikan dana pinjaman secara lancar sesuai waktunya. 3. Memisahkan data untuk digunakan sebagai data training dan data testing. Data training kemudian diklasifikasikan secara manual yang akan digunakan pada proses training. Data testing akan diklasifikasikan menggunakan sistem 4. Dilakukan implementasi algoritma Naive Bayes pada sistem sehingga komputer dapat melakukan klasifikasi dengan menggunakan data training. Proses klasifikasi dengan data training ini dilakukan untuk membentuk model klasifikasi data calon debitur. 5. Dilakukan visulisasi dari hasil klasifikasi yang sudah dilakukan oleh sistem ke dalam aplikasi antar muka berbasis desktop. Data yang ditampilkan dalam aplikasi antar muka adalah informasi tingkat keamanan pengembalian dana bank dan nilai akurasinya. 6. Dilakukan pengujian akurasi model klasifikasi pada sistem yang dikembangkan dan pengujian akurasi model klasifikasi dari hasil data bersih yang dihasilkan dengan menggunakan perangkat lunak lain sebagai pembanding. 1.6.4 Pengujian Sistem Pengujian hasil dengan perangkat lunak lain untuk melakukan proses klasifikasi terhadap nasabah yang mengajukan kredit/pembiayaan pada penelitian ini adalah dengan menggunakan rapid miner 5.3. Metode yang digunakan untuk mengklasifikasikan data penelitian ini adalah dengan membandingkan metode Naïve Bayes Classifier (NBC) dan Support Vector Machine (SVM). Pada pengujian ini akan diperoleh nilai akurasi untuk masing-masing metode dengan menggunakan perangkat lunak lain. Setelah diperoleh nilai akurasi masing-masing metode pada rapid miner 5.3 kemudian dibandingkan dengan hasil akurasi NBC pada aplikasi yang telah dibuat.
8 Proses pengujian sistem dilakukan untuk menentukan akurasi proses klasifikasi. Analisis akurasi algoritma Naïve Bayes dilakukan dengan menggunakan metode bootstrap. Pada pengujian ini, sebanyak 1/3 dari jumlah nasabah yang mengajukan kredit/pembiayaan secara bergantian dijadikan data uji sebanyak 3 kali terhadap 2/3 data lainnya yang dijadikan data training. Nilai akurasi diperoleh dari rata-rata nilai akurasi dari 3 kali pengujian tersebut. Dengan demikian, setiap data nasabah yang mengajukan kredit/pembiayaan akan menjadi data training dan data testing secara bergantian. Hal ini bertujuan untuk meminimlakan nilai akurasi yang dihasilkan oleh faktor kebetulan. Untuk menghitung nilai akurasi digunakan persamaan (1.1). akurasi (1.1) 1.6.5 Penulisan Laporan Tahapan ini dilakukan penyusunan laporan dari setiap tahap penelitian yang berbentuk sebagai laporan tesis. Gambar 1.1 Flowchart Metodologi Penelitian