PENERAPAN MODEL REGRESI LOGISTIK BINER DAN METODE CHAID DALAM KLASIFIKASI KREDIT KONSUMTIF MALA SEPTIANI

PENERAPAN MODEL REGRESI LOGISTIK BINER DAN METODE CHAID DALAM KLASIFIKASI KREDIT KONSUMTIF MALA SEPTIANI DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 28

ABSTRAK MALA SEPTIANI. Penerapan Model Regresi Logistik Biner dan Metode CHAID dalam Klasifikasi Kredit Konsumtif. Dibimbing oleh BAMBANG SUMANTRI dan I MADE SUMERTAJAYA. Banyak faktor yang mempengaruhi kelancaran kredit debitur sehingga perlu diketahui faktorfaktor yang berpengaruh secara signifikan terhadap hal tersebut. Analisis regresi logistik biner dan metode CHAID merupakan salah satu metode statistika yang dapat digunakan untuk mengidentifikasi faktor-faktor tersebut. Model regresi logistik dapat mengetahui pengaruh dari peubah-peubah penjelas terhadap status kredit debitur. Sedangkan analisis CHAID berupa dendrogram yang berisi informasi mengenai hubungan (asosiasi) secara terurut antar peubah. Penelitian ini bertujuan untuk menggambarkan karakteristik debitur kredit konsumtif secara umum, menerapkan analisis regresi logistik biner dan metode CHAID untuk melihat hubungan antara peubah respon dan peubah penjelas serta membandingkan interpretasi hasil masing-masing metode. Peubah perbandingan THP terhadap angsuran merupakan peubah yang sangat berperan pada kedua analisis dalam menentukan status kredit debitur. Peubah-peubah lain yang signifikan hasil dari analisis regresi logistik adalah penguasaan cash flow, kepemilikan rekening simpanan, usia, kepemilikan tempat tinggal, lama menetap, jangka waktu dan jenis/bidang usaha. Analisis CHAID menghasilkan 14 karakteristik debitur dengan 8 karakteristik debitur default dan 6 karakteristik debitur non default. Secara umum hasil kedua metode yang digunakan relatif sama dalam melihat pengaruh masing-masing peubah penjelas dalam hubungannya dengan peubah respon. Akan tetapi apabila masalah yang dihadapi berbeda tentu tidak semua metode ini dapat digunakan, kecuali pada masalah tertentu kedua metode ini dapat digunakan untuk saling melengkapi. i

PENERAPAN MODEL REGRESI LOGISTIK BINER DAN METODE CHAID DALAM KLASIFIKASI KREDIT KONSUMTIF MALA SEPTIANI Skripsi sebagai salah satu syarat untuk memperoleh gelar Sarjana Sains pada Departemen Statistika DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 28 ii

Judul Skripsi Nama NRP : Penerapan Model Regresi Logistik Biner dan Metode CHAID dalam Klasifikasi Kredit Konsumtif : Mala Septiani : G14146 Menyetujui : Pembimbing I, Pembimbing II, Ir. Bambang Sumantri Dr. Ir. I Made Sumertajaya, MS NIP. 13779511 NIP. 13285916 Mengetahui : Dekan Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Pertanian Bogor Dr. Drh. Hasim, DEA NIP. 13157886 Tanggal Lulus : iii

PRAKATA Alhamdulillah. Segala puji dan syukur ke Hadirat Allah SWT atas segala rahmat dan karunia-nya yang telah dilimpahkan kepada penulis sehingga karya ilmiah ini dapat terselesaikan. Karya ilmiah ini berjudul Penerapan Model Regresi Logistik Biner dan Metode CHAID dalam Klasifikasi Kredit Konsumtif. Pada kesempatan ini penulis mengucapkan terima kasih kepada semua pihak yang telah banyak membantu penulis dalam penyelesaian karya ilmiah ini, antara lain kepada: 1. Bapak Ir. Bambang Sumantri dan Bapak Dr. Ir I Made Sumertajaya, MS selaku pembimbing yang selalu memberikan arahan, saran dan kesabarannya dalam membimbing penulis. 2. Bapak Ir. Eko Susetyono, MBA yang telah memberikan data dan kesempatan bagi Penulis untuk melakukan penelitian di BRI, pembimbing di BRI: Pak Munir, Pak Arief, Pak Widi, Pak Soni, Pak Eko, dan seluruh staf divisi Tim Project Office Credit Risk Basel II yang telah memberikan ilmu-ilmu yang bermanfaat kepada Penulis. 3. Bapak (Soleh Suwanda), Mama (Sri Yantini, S.Pd) dan adik (Sovi Apriliyanti) serta seluruh keluarga besar atas segala doa, kasih sayang, serta dukungannya. 4. Seluruh dosen Departemen Statistika FMIPA IPB atas ilmu yang diajarkan dan seluruh staf departemen Statistika (Bu Markonah, Bu Sulis, Bu Dedeh, Bu Aat, Pak Iyan, Bang Sudin, Mang Herman, Mang Dur) yang telah membantu penulis selama belajar di Statistika IPB. 5. Deni Suhandani yang selalu memberikan semangat, kasih sayang, doa dan motivasinya. 6. Ika, Neng, Yusri, Meta, Rani Pd, Cheri, Agustina, Sevrien, Lia, Rere (terima kasih atas persahabatannya), Tjipto (atas diskusinya tentang reglog), Niken (atas diskusi CHAID-nya), Vinny, Ami, Zul (teman seperjuangan di tempat praktik lapang) dan teman-teman Statistika 41, terima kasih atas kebersamaan, keceriaan dan kenangan yang indah selama 4 tahun. 7. Wisma Baitussalam: Ika, Neng, Yusri, Meta, Rani Pd, Cheri, Ami; Ananda Putri 2: Ika, Teh Tia, Teh Lira, Teh Uci, Teh Lia, Teh Tata, Teh Atik, Dila, Nina, Syifa dan Fauziah Crew: Neng, Meta, Dara, Fuji, Nurul, Teh Euis, Kak Nugie, Kak Inang, Kak Heti, Kak Cha2n, Intan, Diana, Tuti, Asih, Dian (terima kasih atas keceriaan dan kebersamaannya selama di kostan). 8. Kakak-kakak kelas STK 39 dan 4 serta adik-adik kelas STK 42 dan 43. 9. Semua pihak yang telah memberikan bantuan dan dukungannya kepada penulis dalam menyelesaikan karya ilmiah ini. Penulis mempunyai keterbatasan ilmu sehingga karya ilmiah ini ini masih mempunyai banyak kekurangan. Hasil karya yang sederhana ini semoga bermanfaat bagi pihak yang memerlukan. Bogor, Agustus 28 Mala Septiani iv

RIWAYAT HIDUP Penulis dilahirkan di Tasikmalaya pada tanggal 2 September 1985 sebagai anak pertama dari dua bersaudara, anak dari pasangan Soleh Suwanda dan Sri Yantini, S.Pd. Setelah menyelesaikan pendidikan dasar di SDN Manonjaya 1 pada tahun 1998, studi penulis dilanjutkan di SLTP Negeri 1 Manonjaya yang ditamatkan pada tahun 21. Tahun 24 penulis lulus dari SMU Negeri 1 Tasikmalaya, dan pada tahun yang sama diterima sebagai mahasiswa di Departemen Statistika Institut Pertanian Bogor melalui jalur Undangan Seleksi Masuk IPB (USMI). Semasa menjadi mahasiswa, penulis aktif sebagai pengurus Decision Centre (DC) sebagai staf Divisi Keilmuan dan pengurus KAMMUS sebagai staf Dankom. Praktik Lapang dilakukan penulis di Kantor Pusat PT Bank Rakyat Indonesia (Persero),Tbk pada bulan Februari-Maret 28. v

DAFTAR ISI Halaman DAFTAR TABEL... vii DAFTAR GAMBAR... vii DAFTAR LAMPIRAN... vii PENDAHULUAN Latar Belakang... 1 Tujuan... 1 TINJAUAN PUSTAKA Debitur... 1 Kredit... 1 Default... 1 Regresi Logistik Biner... 2 Metode CHAID... 3 BAHAN DAN METODE Bahan... 4 Metode... 4 HASIL DAN PEMBAHASAN Gambaran Umum Karakteristik Debitur... 5 Analisis Regresi Logistik Biner... 6 Interpretasi Koefisien... 6 Dendrogram Hasil Pemisahan Analisis CHAID... 7 Perbandingan Hasil... 11 KESIMPULAN... 14 DAFTAR PUSTAKA... 14 LAMPIRAN... 15 vi

DAFTAR TABEL Halaman 1 Karakteristik debitur... 5 2 Ketepatan prediksi model regresi logistik biner... 6 3 Nilai rasio odds dari peubah penjelas... 6 4 Karakteristik debitur kredit konsumtif hasil analisis CHAID... 9 5 Ketepatan prediksi metode CHAID... 11 6 Persentase kesalahan klasifikasi untuk setiap karakteristik debitur kredit konsumtif... 12 7 Kesesuaian klasifikasi antara regresi logistik dan metode CHAID... 13 DAFTAR GAMBAR Halaman 1 Diagram pie status kredit debitur... 5 2 Diagram pie klasifikasi debitur berdasarkan jenis kelamin... 5 DAFTAR LAMPIRAN Halaman 1 Peubah-peubah penjelas yang digunakan... 15 2 Deskripsi distribusi karakteristik debitur... 16 3 Dugaan parameter model dari peubah penjelas... 18 4 Dendrogram hasil analisis CHAID... 19 vii

PENDAHULUAN Latar Belakang Pemberian kredit merupakan pemberian kepercayaan dari satu pihak kepada pihak yang lain. Hal ini berarti pemberi pinjaman kredit yakin bahwa debitur akan mengembalikan pinjaman kredit sesuai dengan jangka waktu yang telah ditetapkan dan syarat-syarat yang telah disepakati bersama oleh kedua belah pihak. Tanpa keyakinan tersebut suatu lembaga kredit tidak akan memberikan pinjaman kredit. Penyaluran kredit bagi suatu bank merupakan sumber utama penghasilan bank sekaligus sumber resiko bisnis terbesar dimana adanya kemungkinan kredit macet. Kredit macet disebabkan karena debitur tidak mengembalikan pinjaman uang, hal ini dapat menyebabkan kerugian pada pihak bank. Untuk mengatasi masalah ini maka sudah seharusnya pihak bank hanya memberikan kredit pada debitur yang layak, sehingga bank wajib melakukan proses seleksi calon debitur. Proses penyaringan yang dilakukan di antaranya dengan melihat latar belakang debitur, biasanya pihak bank sudah menentukan peubah-peubah yang dapat menggambarkan karakteristik dari debitur. Analisis statistika telah banyak dikembangkan untuk membantu menyelesaikan masalah-masalah dalam bidang perbankan. Beberapa di antaranya adalah analisis regresi logistik, analisis diskriminan, pohon klasifikasi dan Artificial Neural Network (ANN). Analisis yang akan dikaji pada penelitian ini adalah analisis regresi logistik dan metode CHAID. Analisis regresi logistik biner digunakan untuk melihat hubungan antara peubah respon yang berskala kategorik dengan peubah penjelas yang berskala kategorik atau kontinu. Dari analisis ini juga dapat diperoleh peubahpeubah penjelas yang berpengaruh terhadap status kredit. Sedangkan metode CHAID umumnya dikenal sebagai metode pohon klasifikasi (Classification Tree Methods). Prosedur yang dilakukan dalam metode ini adalah membagi debitur ke dalam kelompokkelompok yang lebih kecil berdasarkan peubah respon, dimana ada peubah penjelas yang terpilih yang digunakan untuk pengelompokan peubah penjelas selanjutnya. Metode ini juga dapat mengidentifikasi segmen-segmen debitur yang potensial untuk diberi pinjaman kredit. Tujuan Penelitian ini memiliki tiga tujuan yaitu: 1. Menggambarkan karakteristik debitur secara umum berdasarkan peubah-peubah yang telah ditetapkan. 2. Menerapkan analisis regresi logistik biner dan metode CHAID untuk melihat hubungan antara peubah respon dan peubah penjelas. 3. Membandingkan interpretasi hasil masing-masing metode. TINJAUAN PUSTAKA Debitur Menurut Peraturan Bank Indonesia Nomor: 9/14/PBI/27 tentang Sistem Informasi Debitur BAB 1 mengenai Ketentuan Umum pada Pasal 1, debitur adalah perorangan, perusahaan atau badan yang memperoleh satu atau lebih fasilitas penyediaan dana (Anonim, 27). Kredit Kredit merupakan suatu fasilitas keuangan yang memungkinkan seseorang atau badan usaha untuk meminjam uang untuk membeli produk dan membayarnya kembali dalam jangka waktu yang ditentukan. UU No. 1 tahun 1998 menyebutkan bahwa kredit adalah penyediaan uang atau tagihan yang dapat dipersamakan dengan itu, berdasarkan persetujuan atau kesepakatan pinjam meminjam antara bank dengan pihak lain yang mewajibkan pihak peminjam untuk melunasi utangnya setelah jangka waktu tertentu dengan pemberian bunga. Jika seseorang menggunakan jasa kredit, maka ia akan dikenakan bunga tagihan (Wikipedia, 28). Kredit konsumtif adalah dana yang disalurkan oleh institusi keuangan kepada debitur untuk tujuan-tujuan tertentu, misalnya pembelian rumah, pembelian kendaraan bermotor, modal usaha dan lain sebagainya. Default Debitur dikatakan berkategori default jika debitur tersebut telah melewati batas waktu pembayaran kewajiban kredit material lebih dari 9 hari kepada bank dan cicilan akan dianggap melewati batas waktu apabila debitur melanggar limit yang ditetapkan atau limit yang ditetapkan lebih kecil dari saldo 1

saat ini (Basel Committee on Banking Supervision, 24). Regresi Logistik Biner Analisis regresi logistik merupakan suatu teknik untuk menganalisis data yang peubah responnya memiliki dua atau lebih kategori dengan satu atau lebih peubah bebas yang berskala kategorik atau kontinu. Hosmer dan Lemeshow (2) menjelaskan bahwa model regresi logistik dibentuk dengan menyatakan nilai P( Y 1 x) sebagai x, yang dinotasikan sebagai berikut: expg x C x 1 exp g x Suatu fungsi dari x dicari dengan menggunakan transformasi logit, yaitu g( x) yang dapat dinyatakan sebagai berikut: x x g( x) ln 1x1... px 1 Secara umum jika sebuah peubah berskala nominal atau ordinal mempunyai k kemungkinan nilai, maka diperlukan k 1 peubah boneka (dummy variable). Sehingga model transformasi logitnya menjadi: 1 1 k j 1 g( x) x... D x u1 ju ju p p dimana: x j : peubah bebas ke-j dengan tingkatan k j k j-1 : peubah boneka β ju : koefisien peubah boneka u : 1,2,..., k j-1 D ju : k j-1 peubah boneka Pendugaan parameter dalam regresi logistik menggunakan metode kemungkinan maksimum (maximum likelihood estimation), jika antara amatan yang satu dengan yang lain diasumsikan bebas maka fungsi kemungkinan yang diperoleh adalah: n i1 yi 1 l( ) xi 1 xi p yi dengan: i = 1,2,...,p y i = pengamatan pada peubah respon ke-i π(x i ) = peluang untuk peubah penjelas ke-i Parameter i diduga dengan memaksimumkan persamaan di atas, untuk mempermudah perhitungan maka dilakukan pendekatan logaritma, sehingga fungsi log-likelihoodnya sebagai berikut: n L( ) y ln x 1 y ln 1 x i1 i i i i Nilai dugaan i dapat diperoleh dengan membuat turunan pertama L( ) terhadap i =, dengan i = 1,2,...,p. Pengujian terhadap parameter-parameter model dilakukan baik secara simultan maupun secara parsial. Menurut Hosmer dan Lemeshow (2), pengujian parameter model secara simultan menggunakan uji nisbah kemungkinan (Likelihood Ratio Tests), dengan hipotesis: H : 1 =... = p = H 1: minimal ada satu i ; i = 1,2...,p statistik uji G dirumuskan: L o G 2ln Lp dengan L adalah fungsi kemungkinan tanpa peubah penjelas dan L p merupakan fungsi kemungkinan dengan peubah penjelas. Dengan mengasumsikan H benar, statistik uji G akan mengikuti sebaran khi kuadrat dengan derajat bebas p. Keputusan tolak H jika G > 2 p( ). Pengujian parameter secara parsial menggunakan uji Wald. Hipotesis yang akan diuji adalah: H : i H 1 : i ; i = 1,...,p Statistik uji yang dipakai adalah statistik W yaitu: i W SEˆ( ) dengan sebagai penduga i i dan SE( ) i sebagai penduga galat baku i. Statistik W akan mengikuti sebaran normal baku jika H benar. Keputusan tolak H diambil jika W > Z /2. Interpretasi koefisien untuk model regresi logistik biner dapat dilakukan dengan menggunakan nilai rasio oddsnya. Odd sendiri dapat diartikan sebagai rasio peluang kejadian sukses dengan kejadian tidak sukses dari i 2

peubah respon. Rasio odds mengindikasikan seberapa lebih mungkin munculnya kejadian sukses pada suatu kelompok dibandingkan dengan kelompok lainnya. Rasio odds didefinisikan sebagai: ˆ exp( ˆ i ) exp g 1 g Interpretasi dari rasio odds ini adalah kecenderungan untuk Y = 1 pada X = 1 sebesar ψ kali dibandingkan pada X =. Metode CHAID Chi-Squared Automatic Interaction Detector (CHAID) pertama kali diperkenalkan dalam sebuah artikel berjudul An Exploratory Tecnique for Investigating Large Quantities of Categorical Data oleh Dr. G.V. Kass pada tahun 198. Prosedur CHAID merupakan bagian dari teknik terdahulu yang dikenal sebagai Automatic Interaction Detector (AID) dan menggunakan statistik chi-square sebagai alat utamanya (Kunto dan Hasana, 26). Metode CHAID digunakan untuk menelusuri struktur keterkaitan antar peubah respon dan peubah penjelas yang masing-masing bertipe kategorik. Metode CHAID merupakan teknik eksplorasi nonparametrik untuk menganalisis sekumpulan data yang berukuran besar dan cukup efisien untuk menduga peubah-peubah penjelas yang paling signifikan terhadap peubah respon (Du toit et al., 1986). Dalam menganalisis data, metode CHAID memisahkan data ke dalam kelompok secara bertahap. Pada tahap pertama, data dibagi menjadi beberapa kelompok berdasarkan satu peubah penjelas yang pengaruhnya paling signifikan terhadap peubah respon. Masingmasing kelompok yang diperoleh, diperiksa secara terpisah untuk membaginya kembali menjadi beberapa kelompok berdasarkan peubah penjelas dan seterusnya sampai didapat kelompok-kelompok pengamatan yang memiliki peubah respon dan peubah penjelas yang berkaitan. Menurut Gallagher (2), CHAID akan membedakan peubah-peubah penjelasnya menjadi tiga bentuk yang berbeda, yaitu: 1. Peubah bebas/nominal: kategori-kategori pada peubah ini dapat digabungkan oleh CHAID walaupun keduanya berdekatan atau tidak satu sama lain, contohnya: pekerjaan, kelompok etnik dan area geografis. 2. Peubah monotonik/ordinal: kategorikategori pada peubah ini dapat digabungkan oleh CHAID hanya jika keduanya berdekatan satu sama lain, yaitu peubah yang mengikuti urutan aslinya, contohnya: usia dan pendapatan. 3. Peubah mengambang/float: kategorikategori pada peubah ini akan diperlakukan seperti monotonik kecuali untuk kategori yang terakhir (yaitu missing value), yang dapat berkombinasi dengan kategori manapun. Tahapan-tahapan dalam analisis CHAID dijelaskan pada algoritma berikut (Kass dalam Rahmawati): 1. Membuat tabulasi silang antara kategorikategori peubah respon dengan kategorikategori dari peubah penjelas. 2. Membuat subtabel berukuran 2 d yang mungkin tersusun, dengan d adalah banyaknya kategori peubah respon. 2 Carilah nilai hitung semua subtabel tersebut dengan ditetapkan kemudian 2 2 2 cari hitung terkecil. Jika hitung maka kedua kategori peubah penjelas 2 yang memiliki hitung digabungkan menjadi satu kategori gabungan. 3. Jika terdapat kategori gabungan yang terdiri dari tiga atau lebih kategori asal maka harus dilakukan pembagian biner terhadap kategori gabungan tersebut. Dari 2 pembagian ini dicari hitung terbesar, jika 2 2 hitung maka pembagian biner dilakukan. Selanjutnya kembali ke tahap 2. 4. Dari setiap peubah penjelas yang telah digabungkan secara optimal cari nilai-p yang paling kecil dari masing-masing subtabel tersebut. Jika nilai-p terkecil < maka peubah penjelas tersebut adalah peubah penjelas yang paling signifikan terhadap peubah respon. 5. Kembali ke tahap 1 untuk melakukan pembagian berdasarkan peubah penjelas yang belum terpilih. Statistik uji yang digunakan adalah χ 2 dengan rumus: r c 2 ( O ) 2 ij Eij hitung i1 j1 Eij Keterangan: r = total baris c = total kolom i = indeks baris j = indeks kolom 3

O ij = frekuensi baris ke-i kolom ke-j E ij = frekuensi harapan baris ke-i kolom ke-j CHAID menggunakan statistik chisquare dengan dua cara. Pertama, statistik chisquare digunakan untuk menentukan kategorikategori dalam sebuah peubah penjelas bersifat seragam atau tidak dan kemudian dapat digabungkan menjadi satu. Kedua, ketika semua peubah penjelas sudah diringkas menjadi bentuk yang signifikan dan tidak mungkin digabung lagi, statistik chi square digunakan untuk menentukan peubah penjelas mana yang paling signifikan untuk membagi atau membedakan kategori-kategori dalam peubah respon (Gallagher, 2). Hasil dari metode CHAID ini adalah suatu dendrogram pemisahan dan dari dendrogram ini akan diperoleh tiga informasi, yaitu (Fielding dalam Rahmawati): 1. Pengelompokan pengamatan. Pengamatan dikelompokan ke dalam kelompok-kelompok yang relatif lebih homogen dalam kaitannya dengan nilai peubah penjelas dan peubah respon. 2. Asosiasi antar peubah penjelas. Artinya kecenderungan nilai peubah penjelas tertentu berpadanan dengan nilai peubah penjelas lainnya. 3. Interaksi antar peubah. Peranan silang peubah penjelas dalam pemisahan pengamatan berdasarkan peubah respon. Pengurangan tabel kontingensi pada metode CHAID membutuhkan suatu uji signifikansi. Jika tidak ada pengurangan tabel kontingensi asal maka statistik uji chi-square biasa dapat digunakan. Apabila terjadi pengurangan, yaitu c kategori dari peubah asal menjadi r kategori ( r c) maka nilai-p dari chi-square yang baru dikalikan dengan pengganda Bonferroni berikut sesuai dengan tipe peubah: 1. Peubah bebas/nominal r 1 c i ( r i) B ( 1) i i!( r i)! 2. Peubah monotonik/ordinal c 1 B r 1 3. Peubah float c 2 c 2 B r r 2 r 1 BAHAN DAN METODE Bahan Data yang digunakan pada penelitian ini merupakan data sekunder yaitu data debitur kredit konsumtif PT Bank Rakyat Indonesia (Persero), Tbk. Data debitur berasal dari data yang diisikan pada formulir aplikasi kredit. Peubah penjelas diturunkan dari data aplikasi dan peubah respon diturunkan dari informasi kelancaran kredit debitur. Data yang digunakan berukuran data. Peubah penjelas yang digunakan adalah sebagai berikut: X 1 : Perbandingan THP terhadap angsuran X 2 : Penguasaan cash flow X 3 : Riwayat rekening pinjaman X 4 : Kepemilikan rekening simpanan X 5 : Usia X 6 : Kepemilikan tempat tinggal X 7 : Lama menetap X 8 : Lama bekerja X 9 : Status perkawinan X 1 : Pendidikan terakhir X 11 : Pangkat terakhir X 12 : Jangka waktu X 13: Telepon rumah X 14: Status debitur X 15 : Jumlah tanggungan X 16 : Jenis/bidang usaha Y : Klasifikasi debitur : default 1: non default Pembentukan peubah dummy didasarkan pada kategori terkecil sebagai kategori acuan. Kategori dari setiap peubah penjelas dapat dilihat pada Lampiran 1. Metode Langkah-langkah yang dilakukan pada penelitian ini adalah: 1. Analisis statistika deskriptif untuk mengetahui gambaran umum karakteristik debitur kredit konsumtif. 2. Analisis regresi logistik biner untuk mengetahui peubah penjelas yang signifikan terhadap status kredit dan interpretasi hasil. 3. Analisis CHAID untuk melihat stuktur data antara peubah penjelas dengan peubah respon dan interpretasi hasil. 4. Membandingkan hasil keluaran dari analisis regresi logistik biner dengan metode CHAID dalam mengklasifikasikan debitur. 4

Software yang digunakan dalam penelitian ini adalah MS.Excell 23, Answertree 2.1 dan SPSS for Windows versi 15.. HASIL DAN PEMBAHASAN Gambaran Umum Karakteristik Debitur Banyaknya debitur kredit konsumtif yang digunakan pada penelitian ini sebanyak orang. Jumlah debitur yang termasuk kategori default sebanyak 5 orang (5%) dan termasuk kategori non default sebanyak 5 orang (5%). Hal ini menunjukkan bahwa masing-masing kategori memiliki jumlah debitur yang sama (Gambar 1). tanggungan lebih dari atau sama dengan 3 orang, jabatan staf, dengan lama bekerja lebih dari 1 tahun. Tabel 1 berikut ini menjelaskan karakteristik debitur berdasarkan status kredit. Tabel 1. Karakteristik debitur Peubah X1 X2 X3 X4 X5 X6 X7 non default 5% default 5% X8 X9 X1 Gambar 1. Diagram pie status kredit debitur X11 Gambar 2 menunjukkan klasifikasi debitur berdasarkan jenis kelamin. Debitur kredit yang berjenis kelamin laki-laki sebanyak 785 orang (78%) dan debitur yang berjenis kelamin perempuan sebanyak 215 orang (22%). Dengan demikian, sebagian besar debitur kredit konsumtif berjenis kelamin laki-laki. X12 perempuan 22% laki-laki 78% Gambar 2. Diagram pie klasifikasi debitur berdasarkan jenis kelamin Mayoritas debitur yang dianalisis sudah menikah, berpendidikan kurang dari atau sama dengan SMA, usia kurang dari 45 tahun, memiliki rumah milik pribadi, dengan lama menetap lebih dari 5 tahun, jumlah X13 X14 X15 X16 Modus Default Non default THP<2 2 THP<3 (6.2%) (46.%) Dibayarkan Dibayarkan bendahara baik bendahara baik ada giro ataupun ada giro ataupun tidak tidak (84.6%) (75.8%) Angsuran tepat Angsuran tepat (47.%) (51.4%) Tidak punya Tidak punya (72.%) (58.2%) Usia<45 tahun Usia<45 tahun (67.%) (8.8%) Rumah milik Rumah milik sendiri sendiri (57.2%) (67.8%) LM 5 tahun LM 5 tahun (63.6%) (78.8%) LB 1 tahun LB 1 tahun (71.4%) (66.4%) Sudah menikah Sudah menikah (87.6%) (88.%) SMA (7.4%) SMA (67.6%) Staf Staf (51.6%) (54.4%) JW 3 (61.8%) JW 3 (63.2%) Tidak punya Tidak punya (78.%) (73.8%) Baru Baru (66.%) (64.%) JT 3 (53.6%) JT 3 (56.2%) Instansi Instansi pemerintah pemerintah daerah/bumd daerah/bumd (34.6%) (27.4%) Meskipun kategori default dan non default cenderung memiliki karakteristik yang sama, namun terjadi perbedaan pada peubah perbandingan THP terhadap angsuran. Debitur default memiliki nilai perbandingan THP terhadap angsuran kurang dari dua sedangkan debitur non default memiliki nilai perbandingan THP terhadap angsuran sama dengan dua sampai tiga. Hal ini mengindikasikan adanya perbedaan pendapatan dan kemampuan dalam membayar pinjaman kredit. Untuk lebih lengkap mengenai deskripsi distribusi debitur terdapat pada Lampiran 2. Hasil statistika deskriptif ini masih harus dilakukan pengujian secara statistika inferensia untuk mengetahui faktor- 5

faktor yang berpengaruh terhadap status kredit debitur. Analisis Regresi Logistik Biner Sebelum melakukan analisis regresi logistik biner sebaiknya perhatikan ukuran contoh yang diambil dengan mempertimbangkan banyaknya kategori dari setiap peubah penjelas yang akan dianalisis secara simultan. Banyaknya kategori dari setiap peubah penjelas mengakibatkan pemodelan yang kurang baik dilihat dari kemampuan mengklasifikasikan peubah penjelas terhadap peubah respon dan pendugaan parameter yang didapatkan menjadi tidak logis. Untuk mengatasi masalah ini dapat dilakukan penggabungan kategori-kategori dari peubah penjelas. Penggabungan kategori ini dapat mengurangi banyaknya sel yang harus terisi dan hasil analisis regresi logistik yang didapat akan lebih baik. Pendugaan model yang dibentuk dari 16 peubah penjelas menghasilkan nilai statistik-g sebesar 248.782. Model tersebut menghasilkan nilai-p =. sehingga dapat ditarik kesimpulan bahwa sedikitnya ada satu β i tidak sama dengan nol diantara peubah penjelas tersebut pada taraf nyata 5%. Uji Wald pada model menunjukkan bahwa ada peubah-peubah penjelas yang kurang atau tidak bisa menerangkan model dengan baik pada taraf nyata 5%, yaitu riwayat rekening pinjaman, lama bekerja, status perkawinan, pendidikan terakhir, pangkat terakhir, telepon rumah, status debitur dan jumlah tanggungan. Analisis regresi logistik menghasilkan beberapa peubah penjelas yang secara statistik bermakna dalam menentukan karakteristik debitur, yaitu perbandingan THP terhadap angsuran, penguasaan cash flow, kepemilikan rekening simpanan, usia, kepemilikan tempat tinggal, lama menetap, jangka waktu dan jenis/bidang usaha (Lampiran 3). Model logit yang dihasilkan adalah sebagai berikut: g(x) = -3.342 + 1.387 X 1(1) + 2.67 X 1(2) +.486 X 2(1) + 1.126 X 2(2) +.549 X 4(1) 1.14 X 5(1) +.58 X 6(1) +.93 X 7(1) +.617 X 12(1) +.353 X 16(1) +.762 X 16(2) +.777 X 16(3) +.851 X 16(4) + 1.252 X 16(5) Tabel 2. Ketepatan prediksi model Prediksi Aktual default non default % benar default 356 144 71.2 non default 156 344 68.8 % keseluruhan 7. Berdasarkan Tabel 2 di atas dapat disimpulkan bahwa dari 5 debitur yang berkategori default sebanyak 356 orang atau 71.2% di antaranya diklasifikasikan dengan benar, sedangkan dari 5 debitur yang berkategori non default sebanyak 344 orang atau 68.8% diklasifikasikan dengan benar. Total klasifikasi yang benar dari debitur adalah 7.%. Hasil ini menandakan model sudah cukup baik untuk memprediksi kategori respon. Interpretasi Koefisien Interpretasi peubah-peubah pada model regresi logistik menggunakan nilai rasio oddsnya. Apabila suatu peubah memiliki nilai koefisien yang bertanda positif maka nilai rasio oddnya di atas satu sedangkan suatu peubah dengan nilai koefisien yang bertanda negatif maka nilai rasio oddsnya di bawah satu. Tabel 3. Nilai rasio odds dari peubah penjelas Peubah B Rasio odds Konstanta -3.342.35 X 1 X 1(1) 1.387 4.3 X 1(2) 2.67 7.92 X 2 X 2(1).486 1.625 X 2(2) 1.126 3.84 X 4(1).549 1.731 X 5(1) -1.14.331 X 6(1).58 1.787 X 7(1).93 2.468 X 12(1).617 1.853 X 16 X 16(1).353 1.424 X 16(2).762 2.143 X 16(3).777 2.174 X 16(4).851 2.342 X 16(5) 1.252 3.497 Koefisien peubah perbandingan THP terhadap angsuran (X 1 ) bernilai positif dengan nilai rasio odds kurang dari satu. Debitur 6

dengan perbandingan THP terhadap angsuran sama dengan dua sampai tiga cenderung menjadi debitur non default 4.3 kali dibandingkan debitur dengan perbandingan THP terhadap angsuran kurang dari dua. Sedangkan debitur dengan perbandingan THP terhadap angsuran lebih dari atau sama dengan tiga cenderung akan menjadi debitur non default 7.92 kali dibandingkan debitur dengan perbandingan THP terhadap angsuran kurang dari dua. Peubah perbandingan THP terhadap angsuran diperoleh dari besarnya pendapatan dibandingkan dengan kemampuan untuk membayar. Hal ini mengindikasikan semakin besar nilai perbandingan THP terhadap angsuran maka semakin besar pula peluang debitur tersebut membayar kredit dengan lancar. Debitur dengan penguasaan cash flow (X 2 ) kategori dibayarkan dengan bendahara baik ada giro ataupun tidak cenderung akan menjadi debitur non default 1.625 kali dibandingkan dengan debitur pada kategori dilakukan sendiri. Sedangkan debitur dengan penguasaan cash flow kategori didebet melalui rekening BRI cenderung menjadi debitur non default 3.84 kali dibandingkan pada kategori dilakukan sendiri. Peubah penguasaan cash flow dapat diartikan sebagai cara debitur dalam mengembalikan pinjaman kredit. Dari penjelasan di atas dapat disimpulkan bahwa pembayaran kredit yang dilakukan oleh bendahara baik ada giro ataupun tidak dan didebet melalui rekening BRI akan menjamin debitur untuk membayar kredit sesuai dengan aturan dan tidak akan mengalami keterlambatan. Nilai rasio odds untuk peubah kepemilikan rekening simpanan (X 4 ) sebesar 1.731, artinya debitur yang memiliki rekening simpanan cenderung menjadi debitur non default 1.731 kali dibandingkan debitur yang tidak memiliki rekening simpanan. Dengan adanya rekening simpanan, debitur akan lebih mudah melakukan pembayaran kredit dan pihak bank pun akan lebih mudah dalam mengontrol debitur. Koefisien peubah usia (X 5 ) bernilai negatif dengan nilai rasio odds kurang dari satu. Debitur yang berusia lebih dari atau sama dengan 45 tahun cenderung menjadi debitur non default.331 kali dibandingkan dengan debitur yang berusia kurang dari 45 tahun. Pengertian yang setara bahwa debitur yang berusia kurang dari 45 tahun 3.21 kali akan menjadi debitur non default. Seseorang yang berusia lebih tua ternyata tidak menjamin akan melakukan pembayaran kredit dengan lancar, hal ini dapat disebabkan oleh banyak faktor, misalnya saja dari segi kondisi ekonomi yang semakin menurun dan pengalaman bekerja yang masih kurang. Peubah kepemilikan tempat tinggal (X 6 ) memiliki nilai rasio odds sebesar 1.787, artinya debitur yang memiliki rumah sendiri cenderung menjadi debitur non default 1.787 kali dibandingkan debitur dengan kepemilikan tempat tinggal bukan milik sendiri. Keberadaan rumah milik pribadi akan memudahkan debitur dalam melakukan pembayaran kredit dengan lancar karena debitur tidak harus mengalokasikan pendapatannya untuk keperluan pembelian rumah. Debitur dengan lama menetap (X 7 ) lebih dari atau sama dengan 5 tahun cenderung akan menjadi debitur non default 2.468 kali dibandingkan debitur dengan lama menetap kurang dari 5 tahun. Uraian di atas dapat mudah dimengerti karena debitur yang telah menetap pada kurun waktu yang relatif lama akan mengalami kehidupan yang lebih mapan. Nilai rasio odds untuk peubah jangka waktu (X 12 ) sebesar 1.853, artinya debitur dengan jangka waktu pembayaran kredit lebih dari atau sama dengan 3 tahun cenderung akan menjadi debitur non default 1.853 kali dibandingkan debitur dengan jangka waktu pembayaran kurang dari 3 tahun. Semakin lama jangka waktu pembayaran kredit maka semakin besar peluang debitur untuk membayar kredit dengan lancar. Debitur dengan jenis/bidang usaha (X 16 ) pada instansi pemerintah daerah/bumd, TNI, BUMN, POLRI/Jaksa/PN dan instansi pemerintah pusat cenderung menjadi debitur non default 1-4 kali dibandingkan debitur dengan jenis/bidang usaha pada swasta/lainnya. Hal tersebut dapat dimengerti karena debitur dengan jenis/bidang usaha pada instansi pemerintah daerah/bumd, TNI, BUMN, POLRI/Jaksa/PN dan instansi pemerintah pusat akan lebih terjamin dalam hal pendapatan sehingga pembayaran kredit dapat dilakukan dengan lancar. Dendrogram Hasil Pemisahan Analisis CHAID Analisis CHAID menghasilkan suatu dendrogram yang menggambarkan pengelompokan berdasarkan hubungan terstruktur peubah respon dengan peubah penjelas yang signifikan pada taraf nyata 5%. Dari 16 peubah penjelas yang dianalisis terdapat 8 peubah penjelas yang berpengaruh 7

terhadap karakteristik debitur. Peubah penjelas tersebut adalah perbandingan THP terhadap angsuran, riwayat rekening pinjaman, usia, lama menetap, lama bekerja, kepemilikan tempat tinggal, kepemilikan rekening simpanan dan jangka waktu. Hasil analisis CHAID pada Lampiran 4 menunjukkan bahwa peubah penjelas yang sangat nyata dalam menentukan karakteristik debitur adalah perbandingan THP terhadap angsuran. Berdasarkan dendrogram CHAID dihasilkan 14 karakteristik debitur kredit konsumtif pada Tabel 4. Suatu karakteristik debitur dikatakan baik (OK) untuk menyatakan bahwa seorang debitur digolongkan ke dalam kategori non default yaitu apabila persentase default yang dihasilkan pada suatu terminal node kurang dari 5% sedangkan apabila persentase default lebih dari 5% maka karakteristik debitur tersebut dapat dikatakan tidak baik (not OK). Suatu segmen dari karakteristik debitur akan diberikan beberapa catatan (with notes) apabila memiliki persentase default lebih dari 2% sampai dengan 8%. Karakteristik debitur ke-1 adalah debitur dengan nilai perbandingan THP terhadap angsuran lebih dari atau sama dengan tiga, jangka waktu pembayaran kredit lebih dari atau sama dengan 3 tahun dan lama bekerja lebih dari atau sama dengan 1 tahun. Persentase debitur non default sebesar.% dan debitur default sebesar.%. Artinya debitur dengan karakteristik ke-1 akan diprediksi menjadi debitur non default. Karakteristik debitur ke-1 dapat dikatakan baik (OK) untuk mengklasifikasikan debitur non default karena memiliki persentase default kurang dari 5%. Karakteristik debitur ke-2 adalah debitur dengan nilai perbandingan THP terhadap angsuran sama dengan dua sampai tiga, lama menetap lebih dari atau sama dengan 5 tahun, jangka waktu pembayaran kredit lebih dari atau sama dengan 3 tahun dan riwayat rekening pinjaman kategori angsuran tepat. Persentase debitur non default sebesar 94.44% dan debitur default sebesar 5.56%. Debitur dengan karakteristik ke-2 akan diprediksi menjadi debitur non default karena persentase debitur non default lebih besar daripada debitur default. Karakteristik debitur ke-2 dapat dikatakan baik (OK) untuk mengklasifikasikan debitur non default karena memiliki persentase default kurang dari 5%. Karakteristik debitur ke-3 adalah debitur dengan nilai perbandingan THP terhadap angsuran lebih dari atau sama dengan tiga, jangka waktu pembayaran kredit kurang dari 3 tahun dan memiliki rekening simpanan. Persentase debitur non default sebesar 82.93% dan debitur default sebesar 17.7%. Debitur dengan karakteristik ke-3 akan diprediksi menjadi debitur non default karena persentase debitur non default lebih besar daripada debitur default. Karakteristik debitur ke-3 dapat dikatakan baik (OK) untuk mengklasifikasikan debitur non default karena memiliki persentase default kurang dari 5%. Karakteristik debitur ke-4 adalah debitur dengan nilai perbandingan THP terhadap angsuran lebih dari atau sama dengan tiga, jangka waktu pembayaran kredit lebih dari atau sama dengan 3 tahun dan lama bekerja kurang dari 1 tahun. Persentase debitur non default sebesar 81.82% dan debitur default sebesar 18.18%. Debitur dengan karakteristik ke-4 akan diprediksi menjadi debitur non default karena persentase debitur non default lebih besar daripada debitur default. Karakteristik debitur ke-4 dapat dikatakan baik (OK) untuk mengklasifikasikan debitur non default karena memiliki persentase default kurang dari 5%. Karakteristik debitur ke-5 adalah debitur dengan nilai perbandingan THP terhadap angsuran sama dengan dua sampai tiga, lama menetap lebih dari atau sama dengan 5 tahun, jangka waktu pembayaran kredit lebih dari atau sama dengan 3 tahun dan riwayat rekening pinjaman kategori angsuran tidak tepat;debitur baru. Persentase debitur non default sebesar 68.57% dan debitur default sebesar 31.43%. Debitur dengan karakteristik ke-5 akan diprediksi menjadi debitur non default karena persentase debitur non default lebih besar daripada debitur default. Karakteristik debitur ke-5 dapat dikatakan baik (OK) untuk mengklasifikasikan debitur non default akan tetapi dengan catatan (with notes) harus diadakan tinjauan ulang terhadap debitur karena besarnya persentase default lebih dari 2%. Karakteristik debitur ke-6 adalah debitur dengan nilai perbandingan THP terhadap angsuran sama dengan dua sampai tiga, lama menetap lebih dari atau sama dengan 5 tahun, jangka waktu pembayaran kredit kurang dari 3 tahun dan berusia kurang dari 45 tahun. Persentase debitur non default sebesar 63.64% dan debitur default sebesar 36.36%. Debitur dengan karakteristik ke-6 akan diprediksi menjadi debitur non default karena persentase debitur non default lebih besar daripada debitur default. Karakteristik debitur ke-6 8

Tabel 4. Karakteristik debitur kredit konsumtif hasil analisis CHAID pada taraf nyata 5% No Node Karakteristik Debitur Non Default Default 1 19 Perbandingan THP terhadap angsuran 3, jangka waktu pembayaran 3 tahun, lama bekerja 1 38 tahun.%.% Hasil klasifikasi untuk non default OK 2 25 3 17 4 18 5 24 6 22 7 11 8 21 Perbandingan THP terhadap angsuran antara 2-3, lama menetap 5 tahun, jangka waktu pembayaran 68 4 3 tahun, angsuran tepat 94.44% 5.56% Perbandingan THP terhadap angsuran 3, jangka 34 7 waktu pembayaran <3 tahun, memiliki rekening simpanan 82.93% 17.7% Perbandingan THP terhadap angsuran 3, jangka 27 6 waktu pembayaran 3 tahun, lama bekerja <1 tahun 81.82% 18.18% Perbandingan THP terhadap angsuran antara 2-3, 48 22 OK lama menetap 5 tahun, jangka waktu pembayaran 3 tahun, angsuran tidak tepat;debitur baru 68.57% 31.43% (with notes) Perbandingan THP terhadap angsuran antara 2-3, 56 32 OK lama menetap 5 tahun, jangka waktu pembayaran <3 tahun, usia <45 tahun 63.64% 36.36% (with notes) Perbandingan THP terhadap angsuran <2, usia <45 tahun, lama menetap 5 tahun OK OK OK 86 13 not OK 45.5% 54.5% (with notes) Perbandingan THP terhadap angsuran <2, usia <45 16 21 not OK tahun, lama menetap <5 tahun, kepemilikan tempat tinggal rumah milik sendiri 43.24% 56.76% (with notes) 9 6 Perbandingan THP terhadap angsuran antara 2-3, lama menetap <5 tahun 43 66 not OK 39.45% 6.55% (with notes) 1 13 11 16 12 23 13 2 Perbandingan THP terhadap angsuran <2, usia 45 tahun, memiliki rekening simpanan 21 33 not OK 38.89% 61.11% (with notes) Perbandingan THP terhadap angsuran 3, jangka 21 34 not OK waktu pembayaran <3 tahun, tidak memiliki rekening simpanan 38.18% 61.82% (with notes) Perbandingan THP terhadap angsuran antara 2-3, 15 28 not OK lama menetap 5 tahun, jangka waktu pembayaran <3 tahun, usia 45 tahun 34.88% 65.12% (with notes) Perbandingan THP terhadap angsuran <2, usia <45 tahun, lama menetap <5 tahun, kepemilikan tempat 16 63 not OK tinggal rumah bukan milik sendiri 2.25% 79.75% (with notes) 14 12 Perbandingan THP terhadap angsuran <2, usia 45 tahun, tidak memiliki rekening simpanan 11 81 11.96% 88.4% not OK 9

dapat dikatakan baik (OK) untuk mengklasifikasikan debitur non default akan tetapi dengan catatan (with notes) harus diadakan tinjauan ulang terhadap debitur karena besarnya persentase default lebih dari 2%. Karakteristik debitur ke-7 adalah debitur dengan nilai perbandingan THP terhadap angsuran kurang dari dua, berusia kurang dari 45 tahun dan lama menetap lebih dari atau sama dengan 5 tahun. Persentase debitur non default sebesar 45.5% dan debitur default sebesar 54.5%. %. Karakteristik debitur ke-7 dapat dikatakan tidak baik (not OK) untuk mengklasifikasikan debitur non default karena persentase debitur default lebih besar daripada debitur non default. Akan tetapi, apabila debitur dengan karakteristik seperti ini ingin dimasukkan ke dalam kategori non default, maka harus disertai dengan catatan (with notes) yaitu diadakan tinjauan ulang terhadap debitur tersebut. Karakteristik debitur ke-8 adalah debitur dengan nilai perbandingan THP terhadap angsuran kurang dari dua, berusia kurang dari 45 tahun, lama menetap kurang dari 5 tahun dan memiliki rumah pribadi. Persentase debitur non default sebesar 43.24% dan debitur default sebesar 56.76%. Karakteristik debitur ke-8 dapat dikatakan tidak baik (not OK) untuk mengklasifikasikan debitur non default karena persentase debitur default lebih besar daripada debitur non default. Akan tetapi, apabila debitur dengan karakteristik seperti ini ingin dimasukkan ke dalam kategori non default, maka harus disertai dengan catatan (with notes) yaitu diadakan tinjauan ulang terhadap debitur tersebut. Karakteristik debitur ke-9 adalah debitur dengan nilai perbandingan THP terhadap angsuran sama dengan dua sampai tiga dan lama menetap kurang dari 5 tahun. Persentase debitur non default sebesar 39.45% dan debitur default sebesar 6.55%. Karakteristik debitur ke-9 dapat dikatakan tidak baik (not OK) untuk mengklasifikasikan debitur non default karena persentase debitur default lebih besar daripada debitur non default. Akan tetapi, apabila debitur dengan karakteristik seperti ini ingin dimasukkan ke dalam kategori non default, maka harus disertai dengan catatan (with notes) yaitu diadakan tinjauan ulang terhadap debitur tersebut. Karakteristik debitur ke-1 adalah debitur dengan nilai perbandingan THP terhadap angsuran kurang dari dua, berusia lebih dari atau sama dengan 45 tahun dan memiliki rekening simpanan. Persentase debitur non default sebesar 38.89% dan debitur default sebesar 61.11%. Karakteristik debitur ke-1 dapat dikatakan tidak baik (not OK) untuk mengklasifikasikan debitur non default karena persentase debitur default lebih besar daripada debitur non default. Akan tetapi, apabila debitur dengan karakteristik seperti ini ingin dimasukkan ke dalam kategori non default, maka harus disertai dengan catatan (with notes) yaitu diadakan tinjauan ulang terhadap debitur tersebut. Karakteristik debitur ke-11 adalah debitur dengan nilai perbandingan THP terhadap angsuran lebih dari atau sama dengan tiga, jangka waktu pembayaran kredit kurang dari 3 tahun dan tidak memiliki rekening simpanan. Persentase debitur non default sebesar 38.18% dan debitur default sebesar 61.82%. Karakteristik debitur ke-11 dapat dikatakan tidak baik (not OK) untuk mengklasifikasikan debitur non default karena persentase debitur default lebih besar daripada debitur non default. Akan tetapi, apabila debitur dengan karakteristik seperti ini ingin dimasukkan ke dalam kategori non default, maka harus disertai dengan catatan (with notes) yaitu diadakan tinjauan ulang terhadap debitur tersebut. Karakteristik debitur ke-12 adalah debitur dengan nilai perbandingan THP terhadap angsuran sama dengan dua sampai tiga, lama menetap lebih dari atau sama dengan 5 tahun, jangka waktu pembayaran kredit kurang dari 3 tahun dan berusia lebih dari atau sama dengan 45 tahun. Persentase debitur non default sebesar 34.88% dan debitur default sebesar 65.12%. Karakteristik debitur ke-12 dapat dikatakan tidak baik (not OK) untuk mengklasifikasikan debitur non default karena persentase debitur default lebih besar daripada debitur non default. Akan tetapi, apabila debitur dengan karakteristik seperti ini ingin dimasukkan ke dalam kategori non default, maka harus disertai dengan catatan (with notes) yaitu diadakan tinjauan ulang terhadap debitur tersebut. Karakteristik debitur ke-13 adalah debitur dengan nilai perbandingan THP terhadap angsuran kurang dari dua, berusia kurang dari 45 tahun, lama menetap kurang dari 5 tahun dan tidak memiliki rumah pribadi. Persentase debitur non default sebesar 2.25% dan debitur default sebesar 79.75%. Karakteristik debitur ke-13 dapat dikatakan tidak baik (not OK) untuk mengklasifikasikan debitur non default karena persentase debitur default lebih besar daripada debitur non default. Akan tetapi, apabila debitur dengan karakteristik 1

seperti ini ingin dimasukkan ke dalam kategori non default, maka harus disertai dengan catatan (with notes) yaitu diadakan tinjauan ulang terhadap debitur tersebut. Karakteristik debitur ke-14 adalah debitur dengan nilai perbandingan THP terhadap angsuran kurang dari dua, berusia lebih dari atau sama dengan 45 tahun dan tidak memiliki rekening simpanan. Persentase debitur non default sebesar 11.96% dan debitur default sebesar 88.4%. Karakteristik debitur ke-14 dapat dikatakan tidak baik (not OK) untuk mengklasifikasikan debitur non default karena memiliki persentase default lebih dari 8%. Karakteristik debitur yang terbentuk dari analisis CHAID menghasilkan empat klasifikasi debitur. Pertama, klasifikasi debitur yang baik (OK) untuk memprediksi debitur ke dalam kategori non default, yaitu pada karakteristik debitur ke-1 sampai ke-4 dengan persentase untuk masing-masing karakteristik adalah sebesar %, 94.44%, 82.93% dan 81.82%. Kedua, klasifikasi debitur yang cukup baik (OK) dalam memprediksi debitur ke dalam kategori non default akan tetapi perlu adanya catatan (with notes) yaitu diadakan tinjauan ulang oleh pihak bank kepada debitur tersebut. Karakteristik debitur yang termasuk klasifikasi kedua adalah karakteristik ke-5 dan ke-6. Ketiga, klasifikasi debitur yang tidak cukup baik (not OK) dalam memprediksi debitur ke dalam kategori non default dan diperlukan adanya suatu tindakan dari pihak bank untuk melakukan verifikasi ulang atau tinjuan ulang terhadap debitur tersebut misalnya dengan wawancara langsung atau survei langsung. Karakteristik debitur yang termasuk klasifikasi ketiga adalah karakteristik ke-7 sampai ke-13. Keempat, klasifikasi debitur yang tidak cukup baik (not OK) dalam memprediksi debitur ke dalam kategori non default, yaitu pada karakteristik ke-14. Untuk itu, pihak bank perlu melakukan tinjauan ulang untuk mendapatkan data yang lebih baik sehingga akan menghasilkan suatu karakteristik debitur yang baik pula. Tabel 5. Ketepatan prediksi Prediksi Aktual default non default % benar default 429 71 85.8 non default 229 271 54.2 % keseluruhan 7. Berdasarkan Tabel 5 di atas dapat disimpulkan bahwa dari 5 debitur yang berkategori default sebanyak 429 orang atau 85.8% di antaranya diklasifikasikan dengan benar, sedangkan dari 5 debitur yang berkategori non default sebanyak 271 orang atau 54.2% diklasifikasikan dengan benar. Total klasifikasi yang benar dari debitur adalah 7.%. Hasil ini menandakan analisis CHAID sudah cukup baik untuk memprediksi kategori respon. Perbandingan Hasil Menurut Hosmer dan Lemeshow (2) salah satu ukuran kebaikan model adalah jika memiliki peluang kesalahan klsifikasi yang minimal dan ketepatan prediksi dari model. Dari Tabel 2 diperoleh total ketepatan prediksi analisis regresi logistik sebesar 7.% dan dari Tabel 5 diperoleh total ketepatan prediksi metode CHAID sebesar 7.%. Hal ini menunjukkan kedua analisis memiliki ketepatan prediksi yang sama, artinya bahwa kedua model sudah cukup baik dalam memprediksi kategori respon dalam hal ini status kredit debitur. Akan tetapi terdapat perbedaan besarnya persentase ketepatan prediksi untuk masing-masing kategori pada kedua metode. Untuk debitur kategori default dan diklasifikasikan dengan benar, persentase ketepatan prediksi dari metode CHAID lebih besar dibandingkan regresi logistik yaitu sebesar 85.8%. Sedangkan untuk debitur kategori non default dan diklasifikasikan dengan benar, persentase ketepatan prediksi regresi logistik lebih besar dibanding metode CHAID yaitu 68.8%. Adanya kesalahan prediksi baik pada regresi logistik maupun metode CHAID akan menyebabkan kerugian pada pihak bank. Untuk debitur kategori default dan diprediksi oleh kedua metode menjadi debitur non default mengakibatkan bank menerima debitur yang tidak potensial karena debitur tersebut melakukan penunggakan dalam membayar kredit dan akibatnya pihak bank mengalami kerugian. Sedangkan debitur kategori non default dan diprediksi oleh kedua metode menjadi debitur default mengakibatkan pihak bank gagal mendapatkan debitur yang potensial sehingga keuntungan pihak bank menjadi berkurang. Hasil dari analisis regresi logistik biner berupa sebuah persamaan dari peubah-peubah penjelas yang berpengaruh terhadap peubah respon. Dari 16 peubah penjelas yang dianalisis terdapat 8 peubah penjelas yang berpengaruh terhadap status kredit debitur. Peubah penjelas tersebut adalah perbandingan 11

Tabel 6. Persentase kesalahan klasifikasi untuk setiap karakteristik debitur kredit konsumtif No Node Karakteristik Debitur % kesalahan hasil CHAID % kesalahan hasil regresi logistik 1 19 2 25 3 17 Perbandingan THP terhadap angsuran 3, jangka waktu pembayaran 3 tahun, lama bekerja 1 tahun Perbandingan THP terhadap angsuran antara 2-3, lama menetap 5 tahun, jangka waktu pembayaran 3 tahun, angsuran tepat Perbandingan THP terhadap angsuran 3, jangka waktu pembayaran <3 tahun, memiliki rekening simpanan.%.% 5.56% 11.11% 17.7% 21.95% 4 18 5 24 6 22 7 11 8 21 9 6 Perbandingan THP terhadap angsuran 3, jangka waktu pembayaran 3 tahun, lama bekerja <1 tahun Perbandingan THP terhadap angsuran antara 2-3, lama menetap 5 tahun, jangka waktu pembayaran 3 tahun, angsuran tidak tepat;debitur baru Perbandingan THP terhadap angsuran antara 2-3, lama menetap 5 tahun, jangka waktu pembayaran <3 tahun, usia <45 tahun Perbandingan THP terhadap angsuran <2, usia <45 tahun, lama menetap 5 tahun Perbandingan THP terhadap angsuran <2, usia <45 tahun, lama menetap <5 tahun, kepemilikan tempat tinggal rumah milik sendiri Perbandingan THP terhadap angsuran antara 2-3, lama menetap <5 tahun 18.18% 18.18% 31.43% 31.43% 36.36% 36.36% 45.5% 46.56% 43.24% 37.84% 39.45% 22.94% 1 13 Perbandingan THP terhadap angsuran <2, usia 45 tahun, memiliki rekening simpanan 38.89% 37.4% 11 16 12 23 13 2 14 12 Perbandingan THP terhadap angsuran 3, jangka waktu pembayaran <3 tahun, tidak memiliki rekening simpanan Perbandingan THP terhadap angsuran antara 2-3, lama menetap 5 tahun, jangka waktu pembayaran <3 tahun, usia 45 tahun Perbandingan THP terhadap angsuran <2, usia <45 tahun, lama menetap <5 tahun, kepemilikan tempat tinggal rumah bukan milik sendiri Perbandingan THP terhadap angsuran <2, usia 45 tahun, tidak memiliki rekening simpanan 38.18% 47.27% 34.88% 58.14% 2.25% 2.25% 11.96% 11.96% 12

THP terhadap angsuran, penguasaan cash flow, kepemilikan rekening simpanan, usia, kepemilikan tempat tinggal, lama menetap, jangka waktu dan jenis/bidang usaha. Sedangkan hasil dari metode CHAID berupa dendrogram pemisahan. Dari 16 peubah yang dianalisis terdapat 8 peubah penjelas yang berpengaruh terhadap karakteristik debitur. Peubah penjelas tersebut adalah perbandingan THP terhadap angsuran, riwayat rekening pinjaman, kepemilikan rekening simpanan, usia, kepemilikan tempat tinggal, lama menetap, lama bekerja dan jangka waktu. Dari penjelasan di atas terdapat persamaan dari peubah penjelas yang berpengaruh terhadap peubah respon, yaitu perbandingan THP terhadap angsuran, kepemilikan rekening simpanan, usia, kepemilikan tempat tinggal, lama menetap dan jangka waktu. Peubah perbandingan THP terhadap angsuran merupakan peubah yang sangat berperan pada kedua analisis dalam menentukan status kredit debitur. Tabel 6 menjelaskan besarnya kesalahan prediksi kedua metode untuk setiap karakteristik debitur. Baik analisis regresi logistik maupun metode CHAID pada karakteristik debitur ke-1, 4, 5, 6, 13 dan 14 memiliki persentase kesalahan yang sama. Untuk karakteristik debitur ke-11 dan 12, analisis CHAID memiliki persentase kesalahan lebih kecil dibandingkan analisis regresi logistik. Artinya debitur dengan karakteristik ke-11 dan 12 sebaiknya dianalisis oleh metode CHAID karena memiliki persentase kesalahan prediksi yang lebih kecil. Untuk karakteristik debitur ke-9, analisis regresi logistik memiliki persentase kesalahan yang lebih kecil dibandingkan analisis CHAID. Debitur pada karakteristik ke-9 sebaiknya dianalisis dengan regresi logistik agar menghasilkan kesalahan prediksi yang lebih kecil. Walaupun persentase kesalahan analisis CHAID pada karakteristik debitur ke-2, 3 dan 7 lebih kecil dari analisis regresi logistik, tetapi selisih persentase kesalahan dari kedua metode tidak terlalu besar sehingga tidak dapat disimpulkan bahwa karakteristik debitur pada kelompok ini sebaiknya dianalisis oleh metode CHAID. Demikian juga pada karakteristik debitur ke-8 dan 1 dimana analisis regresi logistik menghasilkan persentase kesalahan yang lebih kecil dibandingkan analisis CHAID. Akan tetapi tidak dapat disimpulkan bahwa karakteristik debitur pada kelompok ini sebaiknya dianalisis dengan regresi logistik. Persentase kesalahan terbesar hasil analisis CHAID terdapat pada karakteristik debitur ke-7, yaitu sebesar 45.5%. Sedangkan persentase kesalahan terbesar hasil analisis regresi logistik terdapat pada karakteristik debitur ke-12, yaitu sebesar 58.14%. Hasil kedua metode yang digunakan relatif sama dalam melihat pengaruh masingmasing peubah penjelas dalam hubungannya dengan peubah respon. Namun apabila dilihat dari struktur data permasalahan yang dihadapi maka akan terlihat perbedaan yang dihasilkan kedua metode tersebut. Dalam analisis regresi logistik terdapat beberapa kelebihan yaitu informasi yang dihasilkan dari rasio oddsnya menggambarkan resiko relatif antar peubah penjelas terhadap peubah respon dan efek dari setiap peubah penjelas terhadap peubah respon dapat terlihat jelas. Sedangkan kelebihan dari metode CHAID yaitu dapat digunakan untuk mengelompokkan amatanamatan sesuai peubah responnya. Di samping itu informasi yang dihasilkan melalui asosiasi dan interaksi antar peubah penjelas menjadikan analisis ini berbeda dengan analisis regresi logistik biner. Tabel 7. Kesesuaian klasifikasi antara regresi logistik dan CHAID CHAID Regresi Logistik default non default default 488 17 non default 24 318 Tabel 7 menjelaskan kesesuaian klasifikasi antara regresi logistik dan metode CHAID. Debitur kategori default dan diklasifikasikan dengan benar, baik oleh regresi logistik maupun metode CHAID sebanyak 488 orang. Debitur kategori non default dan diklasifikasikan dengan benar, baik oleh regresi logistik maupun metode CHAID sebanyak 318 orang. Berdasarkan hasil tersebut diperoleh besarnya kesesuaian klasifikasi antara regresi logistik dan metode CHAID sebesar 8.6%. Secara umum terdapat kesesuaian hasil analisis kedua metode dalam menjelaskan hubungan antar peubah respon dan peubah penjelas. Akan tetapi apabila masalah yang dihadapi berbeda tentu tidak semua metode ini dapat digunakan, kecuali pada masalah tertentu kedua metode ini dapat digunakan untuk saling melengkapi. 13