Keputusan Kredit UMKM berdasarkan Credit Scoring menggunakan Fuzzy Expert System

Konferensi Nasional Informatika (KNIF) 2015

Keputusan Kredit UMKM berdasarkan Credit Scoring menggunakan Fuzzy Expert System Erwin Sandag

Pinrolinvic D.K Manembu

Teknik Informatika Fakultas Ilmu Komputer, Universitas Nusantara Manado, Indonesia [email protected]

Program Studi Teknik Informatika Fakultas Teknik, Universitas Sam Ratulangi Manado, Indonesia [email protected]

Abstract— Keterbatasan informasi UMKM memberikan hambatan bagi UMKM mengakses pembiayaan suatu Bank. Bagi Bank informasi dalam menganalisis suatu proposal kredit sangat dibutuhkan, informasi kualitas UMKM sangat sulit dan tidak objektif sehingga keputusan kredit tidak tepat. Dengan jumlah industri UMKM yang banyak proses menganalisis diperlukan lebih cepat dan tepat sesuai objektifitas pelaku UMKM. Fuzzy Expert Sytem keputusan kredit yang dibuat memberikan jawaban keputusan kredit dengan menilai aspek Non-finacial dan financial dalam bentuk credit scoring yang diaplikasikan dalam sistem software terotomasi dan informatif, keputusan kredit lebih tepat dan ojektif sesuai indikator perbankan dan karakteristik tiap pelaku UMKM, dan bagi analisis kredit membantu dan meringankan pekerjaan analisis kredit. Keywords—Credit Scoring; Fuzzy Expert System; UMKM

I.

PENDAHULUAN

UMKM1 mempunyai peran penting dalam perekonomian di Indonesia. Ada tiga indikator yang menunjukkan hal tersebut. Pertama, jumlah industrinya banyak dan ada dalam setiap sektor ekonomi. Data Badan Pusat Statistik tahun 2012 mencatat, jumlah UMKM mencapai 56,53 juta unit (99,99%) dari total unit usaha di Indonesia. Kedua, mempunyai kemampuan besar dalam menyerap tenaga kerja. Pada tahun 2012, UMKM menyediakan lapangan kerja untuk 107.65 juta tenaga kerja (menyerap 97,15% dari total angkatan kerja yang bekerja). Setiap rupiah investasi di UMKM ternyata dapat menciptakan lebih banyak tenaga kerja dibandingkan dengan investasi yang sama di usaha besar. Ketiga, memberikan kontribusi yang besar terhadap pendapatan nasional. UMKM bahkan menyumbang 57,94% dari total Produk Domestik Bruto (PDB) Indonesia. Walaupun UMKM mempunyai peran penting dalam perekonomian, namun UMKM masih menghadapi kendala dalam mengakses pembiayaan dari perbankan, salah satu penyebabnya adalah keterbatasan informasi perbankan mengenai UMKM yang potensial dan kelayakan (eligibility) UMKM tersebut. Hal ini disebabkan karena bank tidak selalu dapat memperoleh informasi keuangan yang memadai/minim dan dapat dipercaya dari UMKM yang belum pernah

berhubungan dengan bank mengingat keterbatasan/ ketiadaan catatan keuangan UMKM tersebut. Sehingga terdapat gap informasi antara perbankan dengan UMKM (asymmetric information). Berdasarkan kajian Bank Indonesia [1] terhadap UMKM di ASEAN, UMKM di Indonesia termasuk cluster 2 yaitu informasi terhadap UMKM mengenai finance memiliki porsi yang sedikit terhadap informasi non-finance. Berarti kondisi manajemen, karakter maupun kehidupan social dari pelaku UMKM sangat diperhitungkan dalam pembiayaan kredit. Salah satu faktor penentu kredit dapat tersalurkan berdasarkan prinsip perbankan (BAEK) yaitu Account Officer memiliki kualitas dan kuantitas seperti Skill, Education dan Resourse plan [2]. Setiap Account Officer memiliki perbedaan dan pengalaman masing-masing dalam menganalisa permohonan kredit meskipun punya aturan dan prosedur yang sama. Hal ini bisa memberikan keputusan pemberian kredit yang berbeda dan proses waktu juga berbeda. Berdasarkan survey Bank Indonesia, bank memerlukan waktu diatas 12 hari, untuk memproses permohonan kredit modal kerja dan investasi bagi usaha kecil dan menengah [3]. Untuk mengatasi keterbatasan informasi perbankan mengenai kelayakan dan kondisi keuangan yang dimiliki UMKM, diperlukan sistem pemberian kredit UMKM oleh perbankan. Salah satu sistem pendukung adalah credit scoring system (Sistem Penilaian Kredit) [4]. Meskipun setiap bank punya sistem scoring, tetapi indikatornya dan analisanya berdasarkan umum (generic) dan sederhana. Berdasarkan kajian bank Indonesia [4], pembentukan credit scoring berdasarkan karakteristik UMKM itu sendiri. Indikator nonFinancial sebagai indikator dominan dalam menganalisa kelayakan kredit UMKM. Banyak model credit scoring saat ini menggunakan Model Altman [5] dalam beberapa bentuk atau yang lain. Model ini sementara dengan mudah digunakan, tetapi memiliki masalah yang berkaitan dengan ketersediaan data dan multi variable collinearity [6]. Tetapi berbeda dengan penelitian Meng dan Xu metode himpunan fuzzy merupakan salah satu metode credit scoing/rating yang memberikan solusi masalah data yang heterogen dan informasi pelaku UMKM yang minim [9]. Sebuah model scoring kredit yang layak harus mampu memberikan gambaran yang akurat dari orang yang dinilai berdasarkan data minimal. Teknologi informasi memberikan

1 Kredit UMKM terdiri dari : kredit usaha mikro, kredit usaha kecil, dan kredit usaha menengah, yang dikategorikan berdasarkan kriteria usaha UU No.20 Tahun 2008. Kredit UMKM tidak termasuk kredit komsumsi..

2354-645X/15 ©2015

198


kita kemudahan dalam menganalisa dan mengambil keputusan. Informasi/data yang didapatkan oleh pelaku UMKM [7], Fuzzy Logic[8] dikembangkan oleh Zadeh, merupakan perluasan dari Sistem Pakar dan bentuk logika multi nilai yang berasal dari teori himpunan fuzzy untuk menangani penalaran perkiraan tidak benar dan benar pada saat bersamaan. Fuzzy Logic yang merupakan Kecerdasan buatan yang memberikan solusi akan menganalisa indikator sifat/kualitas dan berdasarkan kalimat manusia. The Deutsche Bundesbank merupakan sebagian bank yang menerapkan fuzzy logic dalam prosedur penilaian kredit [10]. II.

b.Pengukuran proteksi kredit UMKM seperti penilaian interest coverage, debt service coverage dan cash accruals to debt ratio. c.Tingkat fleksibilitas UMKM dengan menganalisis kelayakan keuangan UMKM. Ketiga parameter tersebut menyimpulkan resiko berdasarkan, hasil credit scoring dari kualitas UMKM, yaitu Financial Aspect dan Non-Financial Aspect. Gambar di bawah ini menunjukkan beberapa penelitian Bank Indonesia [1] mengenai variabel yang akan menjadi parameter yang diuji dalam penentuan scoring UMKM.

KEPUSTAKAAN

A. Sistem Penilaian (Scoring) UMKM Altman dan Sabato menegaskan bahwa bank seharusnya tidak hanya menerapkan prosedur yang berbeda untuk UMKM, namun juga menggunakan instrumen lain seperti sistem pemeringkatan dan sistem scoring, khususnya yang ditujukan untuk UMKM [11]. Credit scoring dapat didefinisikan sebagai penilaian terhadap kemampuan seseorang atau sekelompok orang dalam membayar kewajibannya. Penggunaan teknik scoring dalam pengambilan keputusan kredit diperlukan agar keputusan kredit dapat dilaksanakan secara obyektif karena dilaksanakan berdasarkan sistematika tertentu yang telah baku. Aplikasi teknik scoring dilaksanakan dalam penilaian creditworthiness orang perorang atau dengan kata lain kepada UMKM yang berorientasi pada si pengusaha (entrepreneur). B. Parameter yang akan di uji Dalam pelaksanaan proses penilaian UMKM ada kesimpulan resiko mencakup tiga kategori pengelolaan risiko: risiko bisnis, risiko manajemen dan risiko keuangan [4]. Parameter yang dipakai untuk menguji ketiga kriteria tersebut bisa berupa kriteria kuantitatif maupun kualitatif. 1. Risiko Bisnis Dalam melakukan penilaian risiko bisnis, maka yang dinilai adalah: a. Penilaian kualitatif terhadap track record dari bisnis. b. Profil dari UMKM. c. Hubungan dengan konsumen dan supplier. d. Tingkat infrastruktur dan teknologi yang bisnis. 2. Risiko manajemen, hal ini terkait dengan keahlian entrepreneur dan kesumberdayaan. untuk mengukur kompetensi dari promoter dan rekam jejak dari pengusaha, harus melihat : a. Kinerja masa lampau dari UMKM dan Perusahaan. b.Kemampuan UMKM untuk mengembangkan dan menjaga hubungan dengan konsumen, pihak perbankan dan menjaga hubungan industrial. c. Adanya struktur organisasi yang jelas yang menggambarkan kualitas dari sistem dan proses bisnis perusahaan. 3. Risiko keuangan a.Penilaian ukuran perusahaan yang meliputi tingkat penjualan, profitabiltas, efisiensi dari pengelolaan modal kerja.

Gambar 1. Variabel dan Parameter Fuzzy Credit Scoring

Dari parameter yang telah ditentukan, maka dilakukan penilaian terhadap aspek financial Aspect yang akan dikelompokkan dalam tiga skala (1 s.d 3) dan penilaian NonFinancial Aspect yang akan diukur dalam lima kategori (skala 1 s.d. 5). Pemberian bobot financial Aspect lebih kecil, sedangkan non financial Aspect lebih besar, ini berdasarkan rekomendasi Bank Indonesia bahwa UMKM diIndonesia termasuk Cluster 2 yaitu financial strength 30-40%, sedangkan Non-financial Indicator 60-70% [1]. Untuk melihat financial Aspect dari suatu usaha UMKM, maka akan dilakukan pengukuran empat kelompok rasio yang mencerminkan kualitas keuangan. Setiap kelompok dalam pengukuran: 1. Profitability ratio: untuk melihat kemampuan usaha UMKM dalam hal pencapain profitabilitas usaha dengan melihat beberapa rasio yaitu Net Profit Margin (NMP) dan ROA. 2. Solvency ratio and stable financial debt: untuk melihat kemampuan usaha membayar kewajiban yang akan diterima dengan melihat beberapa rasio yaitu Debt to equity ratio dan debt to total asset. 3. Liquidity ratio dan Cash Flow: untuk melihat kemampuan usaha UMKM dalam hal pengelolaan likuiditas usaha dengan melihat beberapa rasio yaitu: Current ratio dan Quick ratio

199


4.

Average balance in financial instituition: untuk melihat rata-rata pengendapan dana di tabungan/giro.

Untuk melihat Non-financial Aspect, maka akan dilakukan pengukuran terhadap beberapa aspek, yaitu managemen dan bisnis. Pada umumnya untuk menilai aspek ini adalah dengan melakukan wawancara dan survei lapangan. Adapun hal detail yang diukur adalah sebagai berikut: 1. Management Aspects: aspek ini diukur untuk melihat bagaimana karakter dan pengalaman, sejarah perusahan dan berapa lama usaha dijalankan. 2. Business Aspects: Aspek ini dinilai untuk melihat sektor industri/bisnis, kondisi penjualan/bisnis dan kebijakan pemerintah. C. Fuzzy Logic Logika fuzzy termasuk metode matematika yang mengjelaskan suatu nilai ketidakjelasan atau ilustrasi dalam nilai kebenaran pada suatu keadaan. Dimana logika fuzzy merupakan bagian dari logika konvesional yang memperluas konsep sebagian nilai-nilai kebenaran antara “benar keseluruhan” dengan “salah keseluruhan” [14]. Teori himpunan fuzzy dikembangkan oleh Lofti Zadeh pada tahun 1965. Ia berpendapat bahwa logika benar dan salah dari logika konvesional tidak dapat mengatasi masalah gradasi yang berada pada dunia nyata. Untuk mengatasi masalah gradasi yang tidak terhingga tersebut, Zadeh mengembangkan sebuah himpunan fuzzy[13]. Tidak seperti logika konvesional, logika fuzzy mempunyai nilai yang kontinu. Fuzzy dinyatakan dalam derajat dari suatu keanggotaaan dan derajat dari kebenaran. Oleh sebab itu sesuatu dapat dikatakan sebagian benar dan sebagian salah pada waktu yang sama. Masalah karakteristik UMKM bisa diselesaikan dengan metode fuzzy logic ini, sebab fuzzy logic mampu menyimpulkan dan menentukan berdasarkan sifat dan karakteristik pelaku UMKM itu sendiri [12].

III.

Gambar 2. Faktor dan Indikator Keputusan Kredit

2.

Mengidentifikasi penentu kredit • Dokumen dan legal memberikan mitigasi/ kelonggaran dalam keputusan kredit, dan memberikan bukti fisik. • Jaminan merupakan penentu kredit awal dan jumlah maximum kredit. • Hubungan perbankan memberikan informasi mengenai status debitur, mengakibatkan keputusan kredit diterima atau tidak. Faktor ini penentu keputusan kredit awal. • Fuzzy Expert System Kredit Scoring , menilai dan menganalisa calon debitur dengan memberi informasi kelayakan akan kredit dan resiko usaha calon debitur.

3.

Membuat Model Fuzzy Credit Scoring

PERANCANGAN SISTEM

Mendesain Fuzzy Expert System Keputusan Kredit dengan beberapa tahapan : 1.

Menentukan faktor dan indikator kredit, dalam makalah ini dirancang 4 indikator sebagai input, yaitu : • Dokumen/Legalitas (faktor mitigasi/kelonggaran) • Hubungan Perbankan (faktor Penentu) • Fuzzy Expert System Kredit Scoring (faktor Penilai) - Financial Aspect - Non Financial Aspect • Jaminan/Collateral (faktor Penentu)

Gambar 3. Tahapan Fuzzy Credit Scoring Sumber : Jayadef, Fuzzy Logic in Credit Rating,

•

Mengidentifikasi atribut indikator pada tabel 1 sebagai masukkan berdasarkan proposal ASEAN SME [1], tetapi makalah ini mengeluarkan indikator jaminan dan bobotnya pada aspek financial, sebagai salah satu indikator utama penentu kredit.

200


•

-

Menentukan bobot indikator dan sub indikator masukkan .

Variabel masukkan Financial Aspect Himpunan fuzzy untuk variable linguistic masukkan Financial Aspect adalah Low, Moderate, High dengan besaran 0% - 40%.

TABEL I. INDIKATOR DAN BOBOT FUZZY CREDIT SCORING Indicators

Sub Weights

Weights

I. Non Financial Aspects a. Business Aspect Industry or business sector Business condition/sales condition Goverment policy b. Management Aspect Managemen Character and experiences History of the company Age of company Innovation initiative Payment habits II. Financial Aspect a. Profitability Net Profit Margin (NPM) ROA b. Solvency ratio and stable financial debt Debt to equity ratio debt to total asset c. Liquidity and cash flow Current ratio Quick ratio d. Average balance in financial instituition

Moderate

Low

60% 21%

High

1

Derajat Keanggotaan

9% 10% 2% 39% 10% 3% 3% 5% 18%

0.8

0.6

0.4

0.2

40% 8%

0 0

4% 4%

5

10

15 20 25 Fungsi Keanggotaan Financial

30

35

40

Gambar 5. Fungsi masukkan anggota financial Aspects

10% 5% 5% 12% 6% 6% 10%

T OTAL

100%

•

Inferensi/Penalaran Setelah fungsi keanggotaan untuk variabel masukkan ditentukan, berikutnya adalah membuat aturan dasar keputusan dikembangkan untuk menghubungkan Credibility terhadap kondisi masukannya. Tahap ini disebut tahap inferensi, yakni bagian penentuan aturan dari sistem fuzzy logic. Untuk inferensi digunakan komposisi max-min.

Sumber : Olahan

Membuat model fuzzifikasi masukkan. Fuzifikasi adalah mengubah nilai masukkan untuk dikirimkan ke mekanisme penalaran, proses fuzifikasi ini mempunyai dua variabel masukan data yaitu Non Financial Aspect dan Financial Aspect - Variabel masukkan Non Financial Aspect Himpunan fuzzy untuk variable linguistic masukkan Non Financial adalah Poor, Weak, Moderate, High, Highest dengan besaran 0% 60%. Poor

Weak

Moderate

High

Higher

1

Derajat Keanggotaan

•

0.8

0.6

0.4

0.2

0 0

10

20

30

40

50

60

Fungsi Keanggotaan Non Financial

Gambar 4. Fungsi masukkan anggota Nonfinancial Aspects

TABEL II. ATURAN FUZZY CREDIT SCORING Aturan Logika Fuzzy Credit Scoring IF

THEN

Non Financial Aspects

Financial Aspect

Credibility

Highest

High

Perfect credit

Highest

Moderate

Superior credit

Highest

Low

Excellent credit

High

High

Superior credit

High

Moderate

Excellent credit

High

Low

Outstanding credit

Moderate

High

Good credit

Moderate

Moderate

Average credit

Moderate

Low

Good credit

Weak

High

Average credit

Weak

Moderate

Fair credit

Weak

Low

Some credit issues

Poor

High

Impaired credit

Poor

Moderate

Serious credit issues

Poor

Low


201


•

Variabel Output Credibility Himpunan fuzzy untuk variable linguistic output Credibility berdasarkan FICO2 [14] adalah Perfect credit, Superior credit, Excellent credit, Outdtanding credit, Good credit, Average credit, Some credit issues, Impaired credit, Serious credit issues dengan besaran dalam makalah ini 0% - 100%.

Serious credit issues Impaired credit Some credit issues Fair credit

Average credit

Perfect credit

Good credit Outstanding credit Excellent credit

Superior credit

Expert System keputusan kredit, indikator jaminan dan hubungan perbankan merupakan faktor penentu awal akan diterimanya suatu aplikasi kredit. Jika jaminan tidak ada meskipun indikator yang lainnya bagus, tetap keputusan kredit ditolak. Begitu juga jika ada hubungan perbankan terdapat kolektibilitas di atas 2, maka secara otomatis keputusan kredit ditolak, meskipun jaminan ada maupun hasil scoring bagus. Berarti Jaminan dan Hubungan perbankan merupakan penentu awal keputusan kredit. Jika kedua indicator tersebut ada dan lancar, maka indikator scoring memberikan evaluasi keputusan kredit secara analisis. Diperlukan alat untuk menilai secara menyeluruh. Credit Scoring memberikan nilai secara pribadi bagi calon debitur itu sendiri secara kualitatif dan kuantitatif. Hasil scoring menghasilkan kelayakan kredit dan resikonya.

1

0.8 Derajat Keanggotaan

IV. Hasil Perancangan

0.6

0.4

0.2

0 0

10

20

30

40

50 60 Fungsi Keanggotaan Credibility

70

80

90

100

Gambar 6. Fungsi keluaran anggota Credibility

Indikator dokumen dan legalitas merupakan faktor mitigasi, dimana kelengkapan dokumen dan legalitas pada saat pengajuan kredit, bisa dipenuhi dengan syarat, meskipun keputusan kredit diterima. Dokumen dan legalitas juga sebagai bukti fisik dalam indikator lainnya. tabel iv merupakan expert system hubungan antara indikator dalam memutus kredit

TABEL III. BOBOT & NAMA DARI HASIL CREDIBILITY 90% - 100%

Perfect credit

80% - 90%

Superior credit

70% - 80%

Excellent credit

60% - 70%

Outstanding credit

50% - 60%

Good credit

40% - 50%

Metode Analisis Faktor

Expert System Lap. Taksasi

Laporan SID

Faktor Penentu Jami nan

Hub. Per bankan

Average credit

Ada

Kol 1

30% - 40%

Fair credit

Ada

Kol 1

20% - 30%

Some credit issues

Ada

Kol 1

10% - 20%

Impaired credit

0% - 10%


Indi kator

Kondisi

Sumber : olahan

•

TABEL IV. EXPERT SYSTEM KEPUTUSAN KREDIT

Penegasan (Defuzifikasi) Setelah dilakukan evaluasi atas masukan dan menerapkan basis aturannya, Fuzzy Logic menghasilkan output sebagai kesimpulan akan credibility. Proses itu harus mengubah variabel keluaran fuzzy menjadi nilai-nilai tegas, maka dilakukan proses penegasan. Proses penegasan menggunakan metode Center of Area (COA), dimana metode ini akan mencari titik pusat.

uCOA =

∫µ ∫µ

(x )xdx credibility ( x )dx

credibility

Fuzzy Logic Faktor Penilaian

Bukti Asli Dok Faktor Mitigasi

Credit Scoring

Dok. & Legal

Perfect credit Superior credit Excellent credit Outstanding credit

Ada

Kol 2

Ada

Kol 2

Good credit

Ada

Kol 2

Average credit

Tidak Ada Tidak Ada Tidak Ada Tidak Ada

> Kol 2 > Kol 2 > Kol 2 > Kol 2

Fair credit Some credit issues Impaired credit Serious credit issues

Keputusan Kredit

Ada Ada

Diterima

Ada Kurang Lengkap Kurang Lengkap Kurang Lengkap Tidak Ada Tidak Ada Tidak Ada

Dipertimbangkan

Ditolak

Tidak Ada

Proses keputusan kredit berdasarkan credit scoring menggunakan fuzzy expert system. Hasilnya memberikan informasi berapa jumlah pinjaman, bunga pinjaman dan informasi hasil scoring credibility, sedangkan keputusan kredit berdasarkan 4 indikator secara expert system.

2 FICO (Fair, Isaac Company score) merupakan lembaga credit scoring di USA, dengan menilai tingkat resiko debitur.

202


•

Kesalahan (human error) dalam memutuskan kredit akan berkurang, disebabkan parameter sistem dalam memutuskan kredit seragam.

Adapun pekerjaan lanjutan akan penelitian ini adanya pengelompokkan, sehingga karakteristik tiap-tiap UMKM yang unik bisa teridentifikasi dengan bantuan kecerdasan buatan lainya, dengan demikian model, analisis yang didapatkan lebih realistik dan futuristik. DAFTAR PUSTAKA [1] Gambar 7. Tampilan hasil Fuzzy Credit Scoring dan keputusan kredit Expert System

IV.

KESIMPULAN

Credit scoring yang dilakukan memberikan kemudahan dalam menganalisis mengenai seorang pengusaha UMKM, tetapi keandalan sistem tidak menjamin sesuai karakteristik industri UMKM. Fuzzy Expert System memberikan keandalan akan menganalisis akan hambatan informasi keuangan yang minim, tetapi mempunyai kekuatan akan menganalisis indikator kuantitatif (Non financial) sebab bobot akan penilaian berdasarkan non-financial lebih dominan. Penelitian ini juga merancang indikator penentu keputusan kredit yaitu : 1. Indikator Dokumen/Legal (faktor Mitigasi) 2. Indikator hubungan perbankan (faktor penentu) 3. Indikator Fuzzy Expert Systen Credit Scoring (faktor penilai) 4. Indikator Jaminan (faktor penentu). Dengan perancangan Keputusan Kredit Fuzzy Expert System pada penelitian ini memberikan manfaat bagi bank dalam memutuskan kredit, yaitu : • Hasil evaluasi keputusan kredit lebih cepat dengan menggunakan software terotomasi yang telah dibuat dalam peneliitian ini. • Keputusan kredit yang didapat dari penelitian ini lebih tepat dan objektif berdasarkan karakteristik tiap tiap pelaku UMKM. • Penggunaan software yang telah dibuat dalam penelitian keputusan kredit ini, meringankan dan membantu peran pakar analisis kredit suatu bank.

[2] [3] [4] [5] [6]

[7]

[8] [9] [10] [11]

[12] [13] [14]

[15]

Bank Indonesia, Developing of ASEAN Benchmark for SME Credit Rating Methodology, 2015 Perbanas, Sumbangan Pemikiran Cetak Biru Perbankan Nasional, 2012 Bank Indonesia, Hasil Kajian Kredit Komsumsi Mikro, Kecil dan Menengah untuk Kegiatan Produktif, 2009 Bank Indonesia, Kajian Mengenai Prasyarat pembentukan Credit Rating System Untuk UMKM di Indonesia, 2009 Waren Miller, Comparing Models of Corporate Bankruptcy Prediction Distance to Default vs Z-Score, 2009 Jörg Baetge/Christian Heitmann, Creating a Fuzzy Rule-Based Indicator for The Review of Credit Standing, Schmalenbach Business Review, Vol 52, October 2000, pp 318-343. Rashmi Malhotra and D.K. Malhotra, Fuzzy System and NeuroComputing in Credit Approval, The Journal of Lending & Credit Risk

Management, 1999. Zadeh, Fuzzy Theory and System, Journal of the Japan Society, 1989. Meng, SMEs Credit Rating Method with Heterrogeneous Information : a Chinese Case. Oesterreichische Nationalbank (OeNB), Guidelines on Credit Risk Management : Rating Model and Validation, 2004 Altman, Edward I. dan Gabriele Sabato, Modelling credit risk for SMEs: evidence from the US market, Social Science Research Network (SSRN), Working paper, 2005. Zadeh, Fuzzy Sets, Information And Control (1965). Bojadziev, Bojadziev, Fuzzy Logic for Business, Finance, and Management, 2nd Edition, World Scientific, 2007. Chen, Lee, Fuzzy Adaptive Networks in credit rating and loan approval, Proceedings of the 10th WSEAS Internasional Conference on APPLIED MATHEMATICS, Dallas, Texas, USA, November 1-3, 2006 Jayadef, Fuzzy Logic in Credit Rating, tejas@iimb, An IIMB Management Review Initiative.

203

Keputusan Kredit UMKM berdasarkan Credit Scoring menggunakan Fuzzy Expert System

Recommend Documents