Hasil Pencarian  ::  Simpan CSV :: Kembali

"Saat ini credit scoring calon nasabah produk Kreasi Pegadaian masih menggunakan scorecard konvensional berupa pembobotan pertanyaan. Model credit scoring tersebut dibangun berdasarkan pengalaman pakar (expert scorecard) dan kemungkinan ada unsur subjektivitas dalam penilaian kelayakan kredit. Untuk mengatasi masalah tersebut, penelitian ini membangun model credit scoring dengan pendekatan data mining menggunakan data riwayat kredit nasabah produk Kreasi (data driven scoring) menggunakan algoritma klasifikasi, diantaranya: support vector machine (SVM), naïve bayes, decision tree dan neural network. Pengembangan model dilakukan dengan menggunakan metodologi CRISP-DM (The Cross Industry Standard Process for Data Mining). Model dibangun dengan kriteria tanpa penggunaan feature selection dan dengan feature selection. Teknik SMOTE (Synthetic Minority Over Sampling Technique) dan Oversampling dipilih untuk menyeimbangkan class data. Dari hasil evaluasi kinerja model menunjukan model SVM dengan feature selection dan penyeimbangan class menggunakan teknik Oversampling dipilih sebagai model dengan kinerja terbaik.

---

Currently, the credit worthiness of Pegadaian prospective customers still uses a conventional scorecard in the form of weighting questions. The model is built based on expert experience which is called expert scorecard. There might be an element of subjectivity in credit assessment. To resolve that problem, in this research data mining classification techniques are used to build credit scoring models. There are four classification algorithms, namely SVM (Support Vector Machine), Naïve Bayes, Decision Tree and Neural Network as a classification algorithm. Modelling uses the historical customer credit data of Pegadaian Kreasi product. CRISP-DM (The Cross Industry Standard Process for Data Mining) is used as a development methodology. Modeling is done with two criteria, by considering the use of feature selection and without feature selection. The SMOTE (Synthetic Minority Over Sampling Technique) and Oversampling techniques are chosen to balance the class data. The result of this research shows the SVM model with feature selection and data balancing using the Oversampling technique was chosen as the model with the best performance."

"Penelitian ini bertujuan untuk menganalisa sistem pengendalian internal dalam penyaluran Kredit Pemilikan Rumah (KPR), mulai dari prosedur penyaluran, peran dari pihak terkait, pengendalian fasilitas kredit yang sudah diberikan, hingga pencegahan dan penyelesaian kredit macet (Non Performing Loan). Penelitian ini dilakukan pada Bank BTN Cabang Depok dengan menggunakan metode kualitatif deskriptif. Penulis mendapat kesimpulan bahwa sistem pengendalian penyaluran KPR yang dilaksanakan Bank BTN Cabang Depok telah berjalan sesuai dengan ketentuan Bank Indonesia. Selain itu, Bank BTN Cabang Depok telah menerapkan sistem pengendalian manajemen perbankan dengan baik, sehingga penerapannya dapat dijadikan acuan bagi penyaluran KPR oleh Bank Umum lainnya. Namun demikian, Bank BTN Cabang Depok masih dapat meningkatkan kinerjanya melalui optimalisasi penggunaan sistem informasi dan meningkatkan kehati-hatian dalam proses penilaian debitur untuk meminimalisir terjadinya kredit bermasalah.

---

The main purpose of this research is to analyze the control system of mortgage loan distribution, including the distribution procedure, job descriptions of responsible parties, loan control, prevention and resolution of Non-Performing-Loan. The study is conducted in Bank BTN Cabang Depok and using descriptive qualitative method. We could take a conclusion that Bank BTN Cabang Depok has complied the regulation of Bank Indonesia in delivering their mortgage loan. Besides, Bank BTN Cabang Depok has also apllied the control system of banking management. Their practice in mortage loan can be a benchmark for other Banks in the same field. However, there are still room for improvement for Bank BTN Cabang Depok. They may consider to optimizing the usage of information system, and improvement in debtor assessment process to minimize the bad loans. "

"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."

"Dalam penelitian ini dikaji pengklasifikasian status kredit sepeda motor menggunakan pendekatan data mining. Model pengklasifikasian yang terdapat pada data mining salah satunya adalah algoritma C5.0. algoritma dapat berjalan bila sudah ditentukan mana yang menjadi variabel target dan variabel prediktor.Hasil yang diperoleh dari penelitian ini adalah terdapat 13 jenis pengklsifikasian dengan variabel prediktor pendapatan menempati urutan teratas pada pengklasifikasian. Penentuan variabel yang menempati urutan pengklasifikasian/spillting yang paling atas berdasarkan pada informasi gain yang terbesar, kegiatan ini terus dilakukan hingga sampai tidak adalagi variabel prediktor yang dapat di spilliting. Dengan demikian dengan algoritma C5.0 prediksi penentuan status kredit dapat dilakukan.

---

In this study reviewed the classification status of a motorcycle loans using data mining approach. Model classification contained in data mining is one of the C5.0 algorithm. algorithms can be run when it is determined where the target variable and predictor variables.The resultof this research is there are 13 types of classification by income predictor variable top ranked in the classification. Determination of the variable which ranks classification / spillting the top based on information gain is the biggest, this activity continues until no predictor variables that can in splitting. This the prediction algoritm C5.0 credit status determination can be made."

"Perhitungan Cadangan Kerugian Penurunan Nilai (CKPN) yang ditetapkan oleh Bank Indonesia dan economic capital merupakan bagian dari pengukuran risiko kredit bagi setiap industri perbankan. Tidak ditetapkannya metode perhitungan CKPN kolektif yang baku oleh regulator perbankan, mengharuskan setiap Bank untuk menentukan sendiri metode perhitungan CKPN kolektif yang digunakan. Pemilihan KPR sebagai data observasi, didasarkan oleh laporan publikasi yang disusun oleh Bank Indonesia pada kwartal satu tahun 2011 dimana non performing loan kredit perumahan menempati posisi tertinggi diantara fasilitas kredit konsumsi lainnya. Dalam pengukuran risiko kredit dengan menggunakan metode CreditRisk+, data input yang digunakan berupa, exposure at default, recovery rates, default rates dan default rates volitatiliy. Terdapat tiga tahapan dalam pengukuran risiko kredit dengan menggunakan metode CreditRisk+, tahap pertama adalah mengetahui nilai exposure at default, kedua menghitung frequency of defaults dengan menggunakan tingkat keyakinan sebesar 99% dan yang ke tiga menghitung probability of default yang digunakan untuk mendapatkan nilai distribution of losses. Metode CreditRisk+ dapat memberikan nilai CKPN kolektif dan economic capital yang digunakan untuk mengukur besarnya modal yang diserap akibat unexpected loss pada portofolio kredit pemilikan rumah untuk periode Januari 2008 sampai dengan Desember 2010 sehingga potensi risiko kredit dapat dikendalikan dan dapat memaksimalkan pengalokasian modal yang dimiliki oleh Bank ABC.

---

Impairment calculation that set up by Central Bank and economic capital is part of credit risk measurement in every banking industry. Since banking regulator does not determine standard method for calculating collective impairment, each bank has to decide its own calculation. Housing loan that selected as observation data is based on first quarter in 2011 of condensed financial statement of Central Bank, whereas non performing loan of housing loan is highest among other consumer credit facilities. In measurement of credit risk using CreditRisk+, input data used are exposure at default, recovery rates, default rates and default rates volitatiliy. There are three stages in measuring credit risk using CreditRisk+, first by Identify the value of exposure at default, second by calculate frequency of default using 99% of confident level, finally calculate probability of default used to obtain value of distribution of losses. CreditRisk+ method is able to provide value of collective Impairment and economic capital that used in measuring capital absorbed as result of unexpected loss of credit portfolio of housing loan in January 2008 up to December 2010, thus probable credit risk is controllable and Bank ABC can maximized its capital allocation."

"ABSTRAKKredit bermasalah atau non performing loan NPL merupakan salah satu indikator penilaian performa sebuah bank dalam menjalankan program kredit kepada nasabahnya. Peningkatan rasio NPL pada PT. Bank XYZ pada tahun 2016 memberikan dampak kerugian yang sangat besar bagi perusahaan. Tinggi atau rendahnya rasio NPL erat kaitannya dengan tingkat kepatuhan debitur dalam menyelesaikan kewajibannya sesuai dengan perjanjian yang ada. Peningkatan rasio NPL tersebut berasal dari berbagai sektor kredit termasuk kredit kepemilikan rumah KPR. Tercatat pada awal tahun 2017 terdapat 16,15 nasabah yang memiliki kredit tidak lancar pada kredit KPR FLPP. Kualitas kredit yang buruk memberikan kerugian pada Bank XYZ. Untuk mengatasi masalah tersebut, pada penelitian ini digunakan teknik data mining untuk melakukan penilaian risiko calon nasabah kredit. Teknik data mining decision tree, support vector machine dan na ve bayes digunakan untuk melakukan penilaian risiko kualitas kredit calon nasabah. Teknik ensemble classification adaptive boosting dan bagging juga digunakan untuk meningkatkan performa dari model klasifikasi dasar. Pemodelan dilakukan dengan menggunakan data nasabah KPR FLPP. Evaluasi penelitian dilakukan menggunakan teknik k-fold cross validation. Hasil dari penelitian menunjukkan model klasifikasi yang dihasilkan oleh metode base classification decision tree merupakan model yang terbaik pada kasus ini. Hasil dari pemodelan dapat digunakan dalam menilai potensi calon nasabah apakah akan menjadi nasabah yang mempunyai kualitas kredit baik atau buruk.

---

ABSTRACTNon performing loan NPL is one of some indicators that can be used to measure the performance of bank in running a credit program to its customer. Bank XYZ rsquo s NPL rate increased in 2016 brought a huge loss to the organization. High or low NPL rate in the bank is closely related to the level of compliance of its customer in fulfilling their obligation based on agreement. The increment of NPL came from several sectors including the mortgage sector. In the beginning of 2017, there are 16.15 of customer have bad credit performance of FLPP mortgage program. Bad quality can bring loss to the Bank XYZ. To resolve that problem, data mining technique is used in order to assess the credit risk of prospect customer. Data mining techniques such decision tree, support vector machine SVM and na ve bayes are used to score the credit risk of the prospect customer. Ensemble classification technique such adaptive boosting and bagging are used as well to improve the performance of base classification rsquo s model. Modelling uses the historical customer data of FLPP mortgage program. The technique of evaluation in this research uses k fold cross validation. The result of this research shows classifiers from base classification decision tree has the best result amongst the other models in this case. The best models can be used to score the potential of prospect customer whether they will be having good credit or bad credit."

"Skripsi ini membahas analisis penetapan harga produk Kredit Pemilikan Rumah (KPR) pada Bank XYZ serta evaluasi penetapan harga tersebut dibandingkan dengan bank lainnya dimana harga diwakili oleh Suku Bunga Dasar Kredit sebagai harga minimum yang dikenakan oleh bank kepada nasabah. Penelitian ini adalah penelitian kualitatif dengan desain deskriptif. Hasil dari penelitian ini menunjukkan bahwa Bank XYZ menggunakan Surat Edaran BI No.15/1/DPNP perihal Transparansi Informasi Suku Bunga Dasar Kredit sebagai acuan penetapan SBDK. Menempati posisi ke-8 dalam urutan SBDK terendah dari 10 bank besar di Indonesia, Bank XYZ masih harus melakukan usaha terkait perhitungan SBDK dan strategi pengembangan bank untuk memberikan SBDK yang kompetitif.

---

The purpose of this study is to analyze mortgage loan pricing in Bank XYZ and evaluate the Bank XYZ prime lending rate (as the minimum price of mortgage loan) compared to other banks. The study was a descriptive qualitative research design. The results of this study indicate that Bank XYZ implement Bank Indonesia's policy which is Surat Edaran BI No.15/1/DPNP about Prime Lending Rate Information Transparency. Being the 8th rank from 10 lowest prime lending rate bank, Bank XYZ has to consider about prime lending rate calculation and bank development strategy to give a competitive prime lending rate to debtor."

"Skripsi ini membahas penerapan manajemen risiko dalam pemberian Kredit Pemilikan Rumah (KPR). Pokok permasalahan dalam skripsi ini adalah bagaimana penerapan manajemen risiko dalam pemberian KPR menurut peraturan yang berlaku, secara khusus dalam Surat Edaran Bank Indonesia No. 15/40/DKMP; dan bagaimana penerapan manajemen risiko dalam pemberian KPR pada praktiknya di Bank X berkaitan dengan kebijakan pembatasan Loan to Value (LTV).Kesimpulan: pertama, penerapan manajemen risiko sebagaimana tercantum dalam SEBI 15/40/DKMP yang mencabut SEBI 14/10/DPNP telah cukup memadai dan tersosialisasi dengan baik. Kedua, ketentuan dalam SEBI 15/40/DKMP telah dijalankan sebagaimana mestinya oleh Bank X dalam pemberian fasilitas KPR, namun batasan LTV di Bank X juga turut didasarkan pada zona lokasi.

---

This paper discusses the implementation of risk management in the provision of House Ownership Credit (KPR). The main issue in this paper focuses on the implementation of risk management in the provision of House Ownership Credit according to prevailing regulation in Indonesia, specifically regulated in BI Circular Letter No. 15/40/DKMP; also about the implementation in practice at X Bank related to the policy of Loan to Value (LTV).

The first conclusion shows that the implementation on risk management as regulated in BI Circular Letter No. 15/40/DKMP which officially deactivates the Circular Letter No. 14/10/DPNP is adequate and the socialization has been conducted properly by BI. The second conclusion shows that the clause of the BI Circular Letter No. 15/40/DKMP has been duly executed by X bank in the provision of House Ownership Credit facilities. But the LTV limits also based on the location of the zone."