Hasil Pencarian  ::  Simpan CSV :: Kembali

Hasil Pencarian

Ditemukan 81439 dokumen yang sesuai dengan query
cover
Valida Herianty
"Seiring dengan berkembangnya industri kredit, resiko kredit telah menjadi hal yang penting bagi instansi keuangan. Sehingga, penggunaan metode yang tepat dalam menilai resiko dari setiap permohonan kredit perlu dilakukan. Credit scoring merupakan salah satu metode penilaian resiko kredit yang sering digunakan dan sudah banyak dibuat dengan menggunakan berbagai metode data mining. Penelitian ini akan mengaplikasikan metode CART dalam membuat model credit scoring dengan menggunakan kasus di Koperasi. Model credit scoring hasil penelitian ini memiliki tingkat akurasi yang cukup tinggi (83,62%) dan Type I Error yang rendah (4,04%). Namun, model ini memiliki Type II Error yang cukup tinggi yaitu, 53,23%.
With the rapid growth of credit industry, credit risk has become critical for financial institutions. Thus, using the best methods of assessing risk for credit applicants are needed. Credit scoring is one of the method of credit risk measurement, and has been widely developed by using various data mining techniques. This study will implement CART for constructing credit scoring model using data of microfinance institution. As the results, the credit scoring model has high accuracy (83,62%) and low Type I Error (4,04%). While its Type II Error is high (53,23%)."
Depok: Fakultas Teknik Universitas Indonesia, 2015
S60194
UI - Skripsi Membership  Universitas Indonesia Library
cover
Fatma Irmadani
"

Credit Scoring adalah metode yang digunakan untuk memprediksi kemungkinan adanya risiko calon peminjam akan gagal bayar atau menunggak. Credit scoring digunakan oleh penyedia jasa pinjaman ketika calon peminjam dana mengajukan pinjaman. Salah satu perusahaan yang menggunakan credit scoring terhadap peminjamnya adalah Lending Club. Lending Club adalah salah satu penyedia jasa pinjam meminjam online Peer-to-Peer (P2P) di Amerika Serikat. Pada penelitian ini, dilakukan klasifikasi multikelas credit scoring berdasarkan status pinjaman (Loan Status) dari dataset Lending Club. Status pinjaman memiliki 3 kelas, yaitu default, fully paid, dan late. Dengan menggunakan pendekatan machine learning, yaitu supervised learning, klasifikasi multikelas credit scoring dapat dilakukan dengan menggunakan Multinomial Logistic Regression (MLR). MLR merupakan pengembangan dari Logistic Regression yang mampu menangani klasifikasi multikelas. Pada implementasi model MLR, digunakan 3 skenario sampling strategy pada SMOTE yang berbeda dalam mengklasifikasikan multikelas. Hasil klasifikasi multikelas dievaluasi dengan menggunakan metrik accuracy, precision, recall, F1-Score dan AUC (Area Under the Curve) One versus All. Hasil implementasi dengan evaluasi terbaik adalah model MLR dengan nilai accuracy sebesar 0,67 dan nilai rata-rata AUC One versus All sebesar 0,724932. Sedangkan evaluasi pada setiap kelas, kelas default memiliki nilai precision sebesar 0,47,recall sebesar 0,02 dan F1-Score sebesar 0,04; kelas fully paid memiliki nilai precision sebesar 0,85, recall sebesar 0,83 dan F1-Score sebesar 0,84; dan kelas late memiliki nilai precision sebesar 0,02, recall sebesar 0,84 dan F1-Score sebesar 0,04. Hasil tersebut menunjukkan bahwa kelas default memiliki hasil evaluasi yang kurang baik untuk setiap metrik evaluasi, kelas fully paid memiliki hasil evaluasi yang baik untuk setiap metrik evaluasi, sedangkan kelas late memiliki nilai yang cukup baik hanya pada nilai recall (0,84). Hasil yang kurang baik diduga dipengaruhi oleh adanya data yang tidak seimbang dan kelas yang saling tumpang tindih.


Credit Scoring is a method used to predict the possible risk that a prospective borrower will default or delinquency. Credit scoring is used by loan service providers when prospective borrowers apply for loans. One company that uses credit scoring for its borrowers is the Lending Club. Lending Club is a Peer-to-Peer (P2P) online lending and borrowing service provider in the United States. In this study, a multiclass credit scoring classification was carried out based on loan status from the Lending Club dataset. Loan status has 3 classes, namely default, fully paid, and late. By using a machine learning approach, namely supervised learning, multiclass classification of credit scoring can be done using Multinomial Logistic Regression (MLR). MLR is a development of Logistic Regression which is able to handle multiclass classification. In the implementation of the MLR model, 3 different sampling strategy scenarios are used in SMOTE in classifying multiclasses. The multiclass classification results are evaluated using accuracy, precision, recall, F1-Score and AUC (Area Under the Curve) One versus All metrics. The result of the implementation with the best evaluation is the MLR model with an accuracy value of 0.67 and an average value of AUC One versus All of 0.724932. While the evaluation for each class, the default class has a precision value of 0.47, a recall of 0.02 and an F1-Score of 0.04; the fully paid class has a precision value of 0.85, a recall of 0.83 and an F1-Score of 0.84; and the late class has a precision value of 0.02, a recall of 0.84 and an F1-Score of 0.04. These results show that the default class has poor evaluation results for each evaluation metric, the fully paid class has good evaluation results for each evaluation metric, while the late class has a fairly good value only on the recall value (0.84). Unfavorable results are thought to be influenced by the presence of unbalanced data and overlapping classes.

"
Depok: Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Indonesia, 2023
S-pdf
UI - Skripsi Membership  Universitas Indonesia Library
cover
Frendy
"Credit scoring merupakan sebuah metode analisis yang digunakan oleh pihak perbankan dalam menganalisis aplikasi kredit yang diajukan oleh nasabah. Adanya kemungkinan kredit yang default, kekurangan dari metode credit scoring yang umum digunakan, serta proses analisis aplikasi kredit yang tidak efisien dalam perbankan, mendorong pihak perbankan untuk terus mencari model credit scoring yang tepat. Untuk mengatasi permasalahan tersebut, diajukan sebuah model credit scoring yang dibentuk berdasarkan pada metode Bayesian Network yang bertujuan untuk mengelompokkan pemohon kredit ke dalam dua kelas, yaitu good creditor dan bad creditor. Tingginya tingkat akurasi model serta proses penggunaan yang sederhana membuktikan bahwa model yang dibentuk sangat efektif dalam mengatasi permasalahan yang dihadapi oleh pihak perbankan dalam melakukan credit scoring.

Credit scoring is an analysis method used by banks to analyze credit applications which filed by customers. The possibility of credit default, the drawbacks of common credit scoring method, and the inefficiency of credit analysis process by banks, encourage the banks to keep looking for the best credit scoring model. To overcome these problems, the development of credit scoring model based on Bayesian Network is proposed. The main objective of this model is to classify the applicants into two groups, which are good creditor and bad creditor. High rate of accuracy as well as simple application process prove that formed model is very effective in addressing the problems faced by the banks in credit scoring process.
"
Depok: Fakultas Teknik Universitas Indonesia, 2014
S55360
UI - Skripsi Membership  Universitas Indonesia Library
cover
Ulfa Fauziah
"ABSTRAK
Kredit merupakan salah satu bentuk penyaluran dana yang dilakukan oleh lembaga keuangan perbankan. Berbagai jenis kredit ditawarkan oleh pihak-pihak yang memberikan pinjaman, salah satu jenis kredit yang paling diminati adalah kredit uang. Dalam memberikan kredit, pihak bank tidak akan begitu saja dalam memberikan kredit. Model teknologi credit scoring dapat dimanfaatkan untuk menyaring peminjam. Model logistic regression dapat digunakan untuk menghubungkan probabilitas kegagalan pinjaman kredit macet dengan menggunakan data calon peminjam yang diperlukan seperti besar pendapatan perbulan, besar pinjaman, usia calon peminjam, klasifikasi pekerjaan, jenis tempat tinggal dan kepemilikan jaminan. Atribut-atribut tersebut akan dievaluasi oleh bilangan fuzzy. Sehingga diharapkan metode fuzzy logistic regression dapat digunakan untuk menentukan probabilitas kredit macet dimana dengan probabilitas tersebut dapat diketahui apakah pinjaman yang diajukan calon peminjam akan masuk kedalam kategori kredit macet atau kredit lancar.

ABSTRACT
Credit is one form of distribution of funds by financial institutions banking. Various types of loans offered by the parties are on loan, one type of credit the most popular is credit money. In providing credit, the bank will not just provide credit. Model of credit scoring technology can be used to screen borrowers. Logistic regression models can be used to connect the probability of failure of loans bad loans using data from the prospective borrower required such a large monthly income, loan size, the age of prospective borrowers, job classification, type of dwelling and ownership guarantee. The attributes will be evaluated by fuzzy numbers. So expect fuzzy logistic regression method can be used to determine the probability of bad loans in which the probability can be known whether the proposed loan to potential borrowers will be entered into the category of bad credit or good credit."
2017
S68422
UI - Skripsi Membership  Universitas Indonesia Library
cover
Gamar Aseffa
"Penelitian ini bertujuan untuk merumuskan model credit scoring untuk kredit mikro dengan menggunakan metode Multivariate Adaptive Regression Splines (MARS). Metode MARS merupakan pendekatan regresi nonparametrik yang memiliki kemampuan untuk memodelkan hubungan yang kompleks antar variabel tanpa asumsi model yang kuat dan menghasilkan model dengan akurasi tinggi yang melebihi model credit scoring lainnya dan mampu mengolah data berdimensi tinggi. Dalam beberapa tahun terakhir, MARS telah banyak diterapkan untuk memodelkan berbagai data, namun belum ditemukan penggunaanya untuk credit scoring kredit mikro. Secara umum metode credit scoring yang umum digunakan adalah analisis diskriminan dan regresi logistik. Namun kedua metode tersebut memiliki keterbatasan yaitu perlunya asumsi parametrik antara variabel respon dan prediktor. Penelitian menggunakan studi kasus data kredit mikro PT. Bank ABC yang merupakan market leader kredit UMKM di Indonesia. Hasil penelitian ini menunjukkan bahwa model penilaian kredit mikro dengan menggunakan MARS memiliki akurasi prediksi yang lebih tinggi dengan tingkat kesalahan terkecil, kesalahan tipe I dan II dibandingkan dengan Metode Regresi Logistik. Sehingga hasil penelitian ini dapat digunakan sebagai bahan pertimbangan bagi bank dalam menerapkan metode MARS dalam credit scoring dalam rangka pengendalian Risiko Non Performing Loan Kredit Mikro.

This paper aim to formulate the credit scoring model for micro loan using the Multivariate Adaptive Regression Splines (MARS) method. The MARS method is a nonparametric regression approach that has the ability to model complex relationships between variables without strong model assumptions and produce a model with high accuracy that exceeds other credit scoring models and is able to process high-dimensional data. In recent years, MARS has been widely applied to model various data, but its use for micro loan credit scoring has not yet been found. Generally, the credit scoring methods commonly used are discriminant analysis and logistic regression. However, there are limitations to both methods, namely the need for parametric assumptions between the response variables and predictors. This study use a case study of micro loan data from PT. Bank ABC, which is the market leader for MSME loans in Indonesia.The results of this study indicate that the microcredit credit scoring model using MARS has a higher predictive accuracy with the smallest error rate, type I and II errors compared to the Logistics Regression Method. So the results of this study can be used as considerations for banks in applying the MARS method in credit scoring in order to control the Non-Performing Loan Risk of Micro Loan."
Depok: Fakultas Ekonomi dan Bisnis Universitas Indonesia, 2022
T-pdf
UI - Tesis Membership  Universitas Indonesia Library
cover
Desy Indriasari
"Implementasi manajernen risiko dalam dunia perbankan di Indonesia pada saat ini sudah mcrupakan suatu kewajiban yang tidak dapat ditawar-tawar lagi, karena Bank Indonesia sudah mengeluarkan peraturan yaitu Peraturan Bank Indonesia (PBI) nomor 5/8/PBI 2003 mengenai Penerapan Manajemen Risiko Bagi Bank Umum dan Surat Edaran BI Nomor 5/21/DPNP tanggal 29 September 2003 mengenai Penerapan Manajemen Risiko Bagi Bank Umum yang mulai efektif pada tanggal 29 September 2003.
Perbankan sangat rentan terhadap risiko kredit yang timbul akibal dari bisnis yang digelutinya atau yang dijalaninya, oleh karena itu perbankan perlu mengembangkan suatu sistem yang dapat memonitor atau mengendalikan risiko kredit tersebut. Risiko kredit adalah risiko gagal bayar atau terjadinya default dimana suatu counterpary/borrower tidak dapat mengembalikan kewajibannya termasuk biaya over head-nya.
Credit scoring adalah suatu model yang digunakan perbankan untuk mengetahui layak atau tidaknya suatu debitur untuk diberikan pinjaman. Dari berbagai macam definisi maka dapat disimpulkan bahwa Credit Scoring Model adalah suatu penilaian terhadap debitur untuk menentukan Probability of Default berdasarkan faktor-faktor/variabel-variabel tertentu yang dapat dikuantifikasikan ke dalam bentuk skor, dimana skor tersebut adalah suatu alat untuk mengetahui dan mengklasifikasikan debitur ke dalam dua kategori yaitu good debitur dan bad debitur. Dalam credit scoring ini terdapat empat macam jenis pendekatan yaitu pendekatan linear probability model, logic model, probit model, dan discriminant analysis model.
Dalam penulisan karya ilmiah ini pendekatan yang digunakan adalah pendekatan model probit dan model logit dimana untuk pendekatan model logit menggunakan logistic distribution function dan untuk pendekatan model probit menggunakan normal distribution function. Untuk kedua model tersebut menggunakan variabel yang memiliki nilai 0 atau 1 (dummy variable). Berdasarkan pengolahan data dalam penelitian ini ternyata kedua model memiliki hasil yang tidak berbeda dalam menentukan nilai probability of default.
Untuk kedua metode tersebut ternyata variabel yang memiliki tingkat signifikansi a= 5% berjumlah 13 variabel yang artinya hanya 13 variabel itu saja yang sangat berpengaruh terhadap probability of default. Ketiga belas variabel tersebut adalah CS1, CS3, ED4, IC2, ID14, ID17, ID20, MB, MR, TN2, TN3, TN4 dan TN5.
Cut-off point yang digunakan penulis dalam karya akhir ini adalah 0.4. Correct estimates yang didapat dari model logit 87.93% sementara untuk model probit 87.95%. Error Type I model logit adalah 0.28% dan untuk model probit sebesar 0.19%. Error Type I untuk melihat berapa observasi yang ditolak (reject) padahal seharusnya diterima. Sementara Error Type II model logit adalah 11.79% dan untuk model probit 11.86 %. Error Type II untuk melihat berapa observasi yang disetujui padahal seharusnya ditolak.

Risk Management Implementation is a must in Banking Area in Indonesia caused Bank of Indonesia has been issued regulation, name is Bank of Indonesia Regulation (PBI) number 5/8/PBI 2003 contents of Risk Management Implementation for Common Bank and Letter Issued Bank of Indonesia number 5/21/DPNP date of September 29, 2003 contents of Risk Management Implementation for Common Bank which come into effective as per September 29, 2003.
Banking is a risky area for credit risk which comes from business that had been running itself, therefore banking needs to develop a system which can be monitored and handled credit risk itself, Credit risk is a default happened where a borrower or counterparty are not able to pay back their responsibility including over head cost.
Credit scoring is a model which used in banking to know whether a borrower or counterparty acceptable or not to get a loan. From all of kind of definition in summary credit scoring model is a value for customer or borrower to define probability of default based on limited variables which could be quantified into a score, where the score is a tool to find and classified borrower into two categories those are good borrower and bad borrower. In credit scoring there are four models: linear probability model, Logic model, probit model, and discriminant analysis model.
In this thesis models which used are probit model and logit model where as for logit model using logistic distribution function and For probit model using normal distribution function. Both models are using variable which have 0 values and 1 value (dummy variable). Based on processing data in this observation unfortunately both kind of models have results which not too different significantly to determine probability of default.
In fact for both methods total variables which have significancy level for a = 5% are 13 variables means that only 13 variables have most influenced for probability of default. The thirteen of variables are CS 1, CS3, ED4, 1C2, 1014, ID 17, ID20, MB, MR, TN2, TN3, TN4 and TN5.
Cut-off point which used in this thesis is 0.4. Correct estimate from logic model is 87.93 % meanwhile for probit model is 87.95 %. Error type 1 for logit model is 0.28 % and for probit model is 0.19 %. Function of error type 1 is to find/know how many observation have to be rejected otherwise have to be accepted, vice versa meanwhile function of error type II is to find/know how many observation have to he accepted otherwise/unfortunately have to be rejected.
"
Jakarta: Program Pascasarjana Universitas Indonesia, 2007
T19681
UI - Tesis Membership  Universitas Indonesia Library
cover
Frischi Dwi Nabilah
"Credit scoring merupakan bentuk penilaian untuk menentukan kelayakan peminjam. Tidak ada kesepakatan kapan metode ini mulai berkembang. Namun, kesubjektivitasan dan ketidakmampuan manusia untuk memproses permohonan pinjaman dalam jumlah besar setiap harinya adalah alasan penggunaan credit scoring dengan machine learning menjadi sangat dibutuhkan. Untuk mendeteksi dini potensi peminjam yang bermasalah, credit scoring pada tugas akhir ini diprediksi status pinjaman menjadi tiga kelas: default, fully paid, dan late. Berdasarkan permasalahan tersebut, pada tugas akhir ini digunakan model untuk memprediksi status pinjaman pada kasus klasifikasi multikelas credit scoring dengan machine learning menggunakan metode CatBoost. Penggunaan metode CatBoost dimaksudkan untuk mengatasi kasus klasifikasi multikelas pada data yang heterogen dan tidak seimbang (imbalanced data). Data yang digunakan adalah data pinjaman online peer-to-peer (P2P) LendingClub yang memuat tiga jenis informasi yaitu informasi pinjaman, informasi peminjam, dan informasi riwayat pinjaman peminjam. Data pinjaman P2P LendingClub memiliki imbalanced data dan overlapping class. Terdapat tiga skenario sampling strategy SMOTE-NC dilakukan untuk melihat efek imbalanced data dan overlapping class pada permasalahan klasifikasi multikelas tersebut sehingga didapatkan tiga model. Kinerja model CatBoost dievaluasi berdasarkan precision, recall, f1-score serta accuracy dan AUC one-vs-all. Hasil implementasi CatBoost sudah baik pada kelas 1 (fully paid) dikarenakan f1-score ketiga skenario lebih dari 0,75. Namun, pada kelas 0 (default) dan kelas 2 (late) hasil implementasinya masih tidak baik mengingat f1-score pada kelas 0 (default) tertinggi hanyalah 0,15 sementara f1-score kelas 2 (late) bernilai sama yaitu 0,04 pada ketiga skenario model yang dibuat. Efek dari imbalanced data dan overlapping class pada metrik evaluasi model precision, recall, f1-score serta accuracy dan AUC one-vs-all beragam bergantung dengan kelasnya.

Credit scoring is a form of assessment used to determine the creditworthiness of borrowers. There is no agreement on when this method started to develop. However, subjectivity and the inability of humans to process large volumes of loan applications every day are the reasons why credit scoring with machine learning is highly needed. In order to detect potential problem borrowers early on, this final project predicts the loan status into three classes: default, fully paid, and late. Based on this problem, a model is employed in this final project to predict the loan status in a multi-class classification of credit scoring by using machine learning, specifically using the CatBoost method. The use of CatBoost is intended to address multi-class classification cases with heterogeneous and imbalanced data. The data used in this research is online peer-to-peer (P2P) lending data from LendingClub, which includes three types of information: loan information, borrower information, and borrower's loan history information. The P2P LendingClub loan data has imbalanced data and overlapping classes. Three sampling strategy scenarios of SMOTE-NC are performed to observe the effects of imbalanced data and overlapping classes on this multi-class classification problem, resulting in having three models. The performance of the CatBoost model is evaluated based on precision, recall, f1-score, as well as accuracy and AUC one-vs-all. The implementation of CatBoost yields good results for class 1 (fully paid) as the f1-scores in all three scenarios are above 0.75. However, the implementation results for class 0 (default) and class 2 (late) are still unsatisfactory, considering that the highest f1-score for class 0 (default) is only 0.15, while the f1-score for class 2 (late) has the same value, i.e., 0.04, in all three model scenarios. The effects of imbalanced data and overlapping classes on the evaluation metrics of precision, recall, f1-score, as well as accuracy and AUC one-vs-all vary depending on the class."
Depok: Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Indonesia, 2023
S-pdf
UI - Skripsi Membership  Universitas Indonesia Library
cover
Thomas, Lyn C.
"Tremendous growth in the credit industry has spurred the need for Credit Scoring and Its Applications, the only book that details the mathematical models that help creditors make intelligent credit risk decisions.
Creditors of all types make risk decisions every day, often haphazardly. This book addresses the two basic types of decisions and offers sound mathematical models to assist with the decision-making process. The first decision creditors face is whether to grant credit to a new applicant (credit scoring), and the second is how to adjust the credit restrictions or the marketing effort directed at a current customer (behavioral scoring). The authors have filled an important niche with this groundbreaking book. Currently, only the most sophisticated creditors use the models contained in this book to make these decisions, but all creditors can know these aids to successful lending."
Philadelphia : Society for Industrial and Applied Mathematics, 2002
e20443035
eBooks  Universitas Indonesia Library
cover
Sri Minggrawati
"ABSTRAK
Credit Scoring System merupakan model yang dipakai untuk memprediksi
kemungkinan kinerja debitur pada waktu yang akan datang, sehingga dapat
dipakai sebagai alat bantu dalam keputusan untuk pemberian kredit. Model credit
scoring yang tidak akurat dapat menyebabkan peningkatan risiko kredit yang
dihadapi bank. Penelitian ini bertujuan melakukan pengujian terhadap model
credit scoring PT. Bank Ganesha, dengan menggunakan uji Loglikelihood Ratio
dan Kolmogorov Smirnov Statistic, kemudian dilakukan analisis portofolio kredit
dengan menggunakan vintage analysis. Hasilnya menunjukkan bahwa model
sudah tidak akurat lagi dan pada portofolio yang diuji menunjukkan terjadinya
penurunan kualitas kredit

ABSTRACT
Credit scoring system is used for predicting the possibility that the borrower will
repay what is owed in the future time. Hence it can be used to support a lending
decision. The inaccuracy of the credit scoring model can cause the increase of the
bank’s credit risk. The purpose of this research is to test the Bank Ganesha’s
credit scoring model by using the loglikelihood ratio, Kolmogorov-Smirnov
Statistic tests, and vintage analysis for analyzing the credit quality of credit
portfolio. The results show that the model is not accurate and that the portfolio
decreases in its credit quality"
Fakultas Ekonomi dan Bisnis Universitas Indonesia, 2013
T-Pdf
UI - Tesis Membership  Universitas Indonesia Library
cover
Eksir
"Kredit Konsumsi nasional sejak krisis moneter sampai dengan bulan Juni 2005 mencatat pertumbuhan tertinggi dibandingkan dengan kredit modal kerja dan kredit investasi. Jumlah penduduk yang besar, keinginan konsumen untuk scialu memenuhi kebutuhan primer, sekunder bahkan tersier, perilaku masyarakat yang cenderung konsumtif, membaiknya daya beli konsumen setelah krisis moneter, meningkatnya pertumbuhan proyek property, terutama di perkotaan, meningkatnya jaringan pemasaran retail, supermarket bahkan hyper market, intensifnya pembukaan jaringan perbankan maupun lembaga keuangan sampai ke pelosok-pelosok kecamatan bahkan desa, khususnya untuk menyediakan pembiayaan kendaraan bermotor, adalah faktor-faktor yang antara lain menyebabkan pertumbuhan kredit konsumsi.
Bank X sebagai bank hasil merger beroperasi pada tahun 1999, melakukan pemasaran intensif berbagai produk kredit konsumsi sejak tahun 2002. Sejalan dengan perkembangan perbankan nasional, maka pertumbuhan kredit konsumsi di Bank X mencatat pertumbuhan tertinggi dibandingkan pertumbuhan di segmen corporate, commercial maupun segmen small business dan micro banking. Portofolio kredit konsumsi yang semula hanya sebesar +/- Rp 1,5 trilyun pada tahun 2002, meningkat menjadi sebesar Rp 9,6 trilyun pada bulan Juni 2005. Produk kredit konsumsi, yailu KPR dan Kredit Multiguna mendominasi 81% total portofolio kredit konsumsi di Bank X, sedangkan sisanya tersebar melalui produk Kredit Mitrakarya, Kredit Bebas Agunan (KBA), Kredit Kendara dan Kredit Agunan Deposito (KAD). Peningkatan yang signifikan tersebut dari sisi volume maupun pertumbuhan tersebut, memerlukan langkah antisipasi terhadap aspek risiko kreditnya.
Pada tahun 2003 Bank X mengimplementasikan credit scoring untuk menggantikan pengambilan keputusan kredit secara expert systems yang mengandalkan kemampuan justifikasi petugas kredit dan pemegang kewenangan. Penggunaan credit scoring secara otomatisasi menghasilkan keputusan kredit yang lebih cepat dengan justifikasi keputusan yang homogen/seragam. Kemampuan credit scoring dalam memprediksikan potensi default sangat bergantung kepada parameterlvariabel utama yang diukur dan bobot risiko yang ditetapkan dalam model. Namun demikian dalam prakteknya, relevansi masingmasing parameter/variabel dan bobot risiko yang digunakan sensitif terhadap perubahan indikator-indikator ekonomi utama, seperti perubahan inflasi, perubahan nilai tukar rupiah/dollar dan perubahan suku bunga. Kombinasi perubahan indikator ekonomi, memberikan dampak secara langsung atau tidak langsung, terutama bagi mayoritas debitur kredit konsumsi yang berpenghasilan tetap (fixed income). Dampak yang terasa dengan adanya perubahan indicator ekonomi tersebut di atas adalah cenderung memberikan tekanan kepada pendapatan, biaya hidup dan kemampuan membayar kewajiban (angsuran). Dengan demikian tuntutan terhadap review secara berkala terhadap model credit scoring yang digunakan menjadi mutlak, agar model credit scoring tetap relevan dan tetap akurat dalam prediksinya.
Berdasarkan kajian terhadap kondisi makro ekonomi dapat disimpulkan bahwa tuntutan review terhadap model credit scoring mutlak segera dilakukan. Kondisi ini terlihat dari perubahan indikator ekonomi utama pada tahun 2005 yang sudah sangat berubah dibandingkan pada saat tahun awal (2003) credit scoring diimplementasikan, seperti kenaikan 2 kali harga BBM selama tahun 2005 yang mendorong inflasi yang mendekati angka 15%, nilai tukar rupiah terhadap dollar yang melebihi angka Rp 10.000 dan peningkatan BI rate yang mencapai 12,25%.
Apabila dilihat profil risiko masing-masing produk terlihat perkembangan tingkat NPL kredit konsumsi cenderung merambat naik, walaupun masih dalam angka yang dapat ditoleransi (dibawah 3%). Selanjutnya hasil vintage analysis terhadap beberapa produk kredit konsumsi cenderung memburuk, khususnya pada kredit-kredit yang diberikan pada periode akhir tahun 2004 sampai bulan Juni 2005. Sedangkan analisis yang dilakukan terhadap nilai Kolmogorov-Smimov (KS) model credit scoring, menunjukkan berada pada angka rata-rata 4%, jauh di bawah angka yang direkomendasikan (20%-75%). Kondisi-kondisi ini memberikan pertanyaan apakah model credit scoring yang diimplementasikan sejak bulan Juni tahun 2003 masih relevan untuk menangkap dinamika risiko, atau masih akurat dalam memprediksikan potensi default ke depannya.
Berdasarkan penelitian yang dilakukan terhadap model credit scoring yang digunakan oleh Bank X, maka menunjukkan terdapat 13 variabel/parameter yang digunakan dalam memprediksikan potensi default calon debitur, dengan didukung oleh 53 karakteristik yang tersebar dalam berbagai bobot risiko. Adanya jumlah database yang mendukung dalam melakukan simulasi perubahan model adalah faktor penting dalam melakukan perbaikan terhadap model credit scoring yang digunakan. Namun demikian kegiatan memvalidasi model credit scoring secara berkala mutlak dilakukan agar agar model tetap relevan, untuk menekan tingkat risiko kredit yang terjadi. Di masa mendatang, walaupun adanya keterbatasan biaya, namun diharapkan adanya model credit scoring yang berbeda untuk tiap wilayah maupun berbeda untuk setiap produk kredit konsumsi, dapat lebih realistis mendukung target ekspansi kredit konsumsi yang ditetapkan oleh Bank X.
Mencermati permasa[ahan yang ada, ke depannya Bank X perlu melakukan beberapa langkah yang diharapkan cukup efektif untuk menekan tingkat risiko kredit konsumsi, antara lain fokus kepada pemasaran KPR dan Kredit Multiguna, lebih intensif melakukan pemasaran kepada segmenikelompok talon debitur profesi karyawan, melakukan validasi model secara berkala, melakukan penyesuaian terhadap angka debt service ratio dan angka loan to value dikaitkan perubahan kondisi makro, mendorong tumbuhnya cross-selling khususnya sesama produk Bank X, menetapkan suku bunga kredit atas dasar risiko individu dan melakukan perbaikan secara berkesinambungan pada kualitas tenaga pemasar (Direct Sales Agency)."
Depok: Fakultas Ekonomi dan Bisnis Universitas Indonesia, 2005
T18198
UI - Tesis Membership  Universitas Indonesia Library
<<   1 2 3 4 5 6 7 8 9 10   >>