Practical Work Material KS Introduction to Information System

2012

Practical Work Material KS091302 – Introduction to Information System

Module 3: Data Mining-Credit Scoring Modul ini menjelaskan tentang apa itu Data Mining khususnya Credit Scoring dan implementasinya dari Tugas Akhir Mahasiswa Sistem Informasi

INFORMATION SYSTEM Department Faculty of Information Technology

Institut Teknologi Sepuluh Nopember Surabaya

KS091302 – Introduction to IS

Practical Work Material

OTORITAS DOKUMEN Prepared by Eka Ayu K. Mayangsekar Agintiara Aswita Reviewed by Feby Artwodini M. Retno Aulia Vinarti INFORMATION SYSTEM Department, Faculty of Information Technology Institut Teknologi Sepuluh Nopember Jl. Raya ITS – SURABAYA 60111 http://si.its.ac.id/ Publish date : 4/03/2013

1



DAFTAR ISI

OTORITAS DOKUMEN ......................................................................................................... 1 DAFTAR ISI........................................................................................................................... 2 DAFTAR GAMBAR................................................................................................................ 3 DAFTAR TABEL .................................................................................................................... 3 TUJUAN PRATIKUM ............................................................................................................. 4 LANDASAN TEORI ................................................................................................................ 5 Data Mining................................................................................................................ 5 Credit Scoring ............................................................................................................. 6 IMPLEMENTASI ................................................................................................................... 7 Judul ........................................................................................................................... 7 Abstrak ....................................................................................................................... 7 Metode....................................................................................................................... 7 Proses Pembobotan AHP .............................................................................................. 7 Desain Fuzzy-AHP .......................................................................................................... 7 Pemetaan Data Riwayat ................................................................................................ 7 Desain Aplikasi............................................................................................................... 8 Implementasi Aplikasi ................................................................................................... 8

Hasil dan Pembahasan ............................................................................................... 8 KESIMPULAN ..................................................................................................................... 13 DAFTAR PUSTAKA ............................................................................................................. 14

2



DAFTAR GAMBAR Gambar 1 Alur Proses Data Mining................................................................................ 5 Gambar 2 Faktor Credit Scoring..................................................................................... 6 Gambar 3 Algoritma Penunjang Aplikasi ....................................................................... 8 Gambar 4 Menu Utama ................................................................................................. 9 Gambar 5 Menu Perhitungan Nilai Rekomendasi Kredit............................................... 9 Gambar 6 Hasil Keputusan Rekomendasi .................................................................... 11 Gambar 7 Menu Alasan dan Rekomendasi.................................................................. 11 Gambar 8 Menu Pencarian .......................................................................................... 12

DAFTAR TABEL Tabel 1 Penjelasan Interface .......................................................................................... 9

3



TUJUAN PRATIKUM Pratikum ini bertujuan untuk mengenalkan peserta pratikum terhadap : 1. Data Mining dan Credit Scoring 2. Implementasi Credit Scoring Diharapkan peserta partikum mampu menguasai materi ini dan bisa menerapkannya pada mata kuliah Pengantar Sistem Informasi

4



LANDASAN TEORI Data Mining Data Mining adalah sebuah proses penggalian data yang digunakan untuk mencari informasi dan pengetahuan yang berguna, dimana diperoleh dari data-data yang dimiliki. Data mining sangat perlu diperlukan untuk dilakukan terutama dalam mengelola data yang sangat besar hal ini sangat memudahkan aktifitas recording suatu transaksi dan untuk proses data warehousing agar dapat memberikan informasi yang akurat bagi penggunanya. Berikut merupakan proses yang terjadi dalam Data Mining :

Gambar 1 Alur Proses Data Mining

1. Pembersihan Data : yaitu menghapus data pengganggu (noise) dan mengisi data yang hilang. 2. Integrasi Data : yaitu menggabungkan berbagai sumber data. 3. Pemilihan Data : yaitu memilih data yang relevan. 4. Transformasi Data : yaitu mentransformasi data ke dalam format untuk diproses dalam penggalian data. 5. Penggalian Data : yaitu menerapkan metode cerdas untuk ekstraksi pola. 6. Evaluasi pola : yaitu mengenali pola-pola yang menarik saja. 7. Penyajian pola : yaitu memvisualisasi pola ke pengguna. (Wikipedia,Data Mining 2012) Pada penerapannya Data Mining biasanya digunakan untuk menganalisa pasar dan manajemen. Dengan menggunakan Data Mining banyak manfaat yang didapat, diantaranya adalah : 1. Menembak target pasar 2. Melihat pola pembelian pelanggan dari waktu ke waktu 3. Cross market Analysis 4. Profil pelanggan 5



5. Identifikasi kebutuhan pelanggan 6. Menilai loyalitas pelanggan 7. Informasi summary

Credit Scoring Berawal dari Fair Isaac and Company yang merupakan sebuah perusahaan berbasis di California, didirikan pada tahun 1956 oleh Bill Fair dan Earl Isaac. Mereka mulai bidang credit scoring untuk lembaga keuangan. Mereka tumbuh dalam bidang sistem keputusan analis dan konsultasi. Hingga semua lembaga kredit dan pemberi pinjaman yang ingin mengetahui skor kredit pelanggan mulai menggunakan perangkat lunak dari Fair Isaac and Company. Credit Scoring sendiri atau Penilaian Kredit (dalam Bahasa) adalah sistem/cara yang digunakan oleh bank atau lembaga pembiayaan lainnya yang berguna untuk menentukan apakah nasabah layak atau tidak mendapatkan pinjaman. Credit scoring ini merupakan kumpulan data nasabah yang diambil dari data aplikasi pinjaman nasabah. Selain dengan menggunakan program statistik yang berisi tentang sejarah pinjaman nasabah yang antara lain mengenai bagaimana siklus pembayaran tagihan nasabah, apakah nasabah membayar tagihan secara tepat waktu atau tidak, berapa banyak kredit yang masih atau pernah nasabah miliki.

Gambar 2 Faktor Credit Scoring

Credit scoring membantu bank dalam menganalisa permohonan kredit nasabah selain faktor-faktor kualitatif lainnya. Selain itu, dengan credit scoring kreditur dapat membandingkan informasi debitur dengan kinerja pinjaman nasabah lain dengan profil yang sama. Fungsi Credit Scoring selain membantu bank menentukan apakah pinjaman nasabah disetujui atau tidak, tetapi juga menentukan berapa besarnya pinjaman yang akan nasabah peroleh, berapa term yang nasabah dapatkan serta berapa besarnya bunga pinjaman yang dikenai. Jika ternyata hasil Credit Scoring nasabah kecil, nasabah kemungkinan masih dapat memperoleh pinjaman tetapi dengan bunga yang lebih tinggi, atau nasabah diharuskan memberikan jaminan/agunan.

6



IMPLEMENTASI Implementasi Credit Scoring dapat dilakukan dengan menggunakan Microsoft Excel. Salah satu contohnya adalah pada tugas akhir milik alumni Sistem Informasi ITS berikut.

Judul “Sistem Pendukung Keputusan untuk Persetujuan Pengajuan Kredit dengan Metode Fuzzy-AHP: Studi Kasus di PT. Bank XYZ”

Abstrak Permohonan kredit dalam suatu Bank sudah semakin meningkat, membuat Bank yang menggunakan penghitungan manual membutuhkan waktu yang lama untuk memberi keputusan diterimanya suatu kredit. Dengan adanya Fuzzy Analytical Hierarchy Process (Fuzzy AHP) dapat membantu mengatasi masalah yang ada. Namun, karena kriteria kredit yang ada bersifat subyektif, metode AHP memiliki suatu kelemahan dalam hal tersebut. Kemudian kelemahan itu ditutup oleh Fuzzy logic. Metode tersebut digunakan untk menentukan keputusan akhir permohonan kredit. Hasil keluaran dari system pendukung keputusan disesuaikan dengan aturan dan POB (Standard Operating Procedure), setelah itu dilakukan verifikasi dan validasi terhadap data riwayat permohonan kredit PT. Bank XYZ.

Metode Proses Pembobotan AHP Pada proses ini dilakukan untuk mengetahui konsistensi dari hirarki tang dibangun. Hirarki tersebut berdasar dari teori dan praktek yang ada pada studi kasus. Langkah yang paling penting dalam prsoes ini yaitu menentukan kriteria penilaian permohonan kredit, setelah itu dibaut matriks perbandingan dan berpasangan dari kriteria yang sduah ditentukan. Setelah itu dilakukan perhitungan normalisasi matriks dan penghitungan eigen vector. Selanjutnya dengan menghitung bobot prioritas dab bobot sintesis untuk menentukan perhitungan nilai eigen maksimum. Dan yang terakhir dengan dilakukan pengujian konsistensi untuk menentukan langkah selanjutnya yaitu desain Fuzzy-AHP Desain Fuzzy-AHP Proses ini untuk mem-fuzzy-kan bobot dari perbandingan berpasangan yang telah dilakukan diawal dan menghasilkan nilai fuzzy. Terdapat 6 langkah yangharus dilakukan dan yang paling utama adalah mentransformasikan nilai yang ada. Pemetaan Data Riwayat Pemetaan data riwayat dilakukan agar memiliki skala. Tahap yang dilakukan yaitu dengan memetakan masing-masing kriteria dan pemetaan menentukan nilai keluaran Fuzzzy-AHP untuk diklasifikasikan sebagi keputusn permohonan kredit. Jika nilai perhitungan Fuzzy-AHP melebihi batasanm maka permohonan diterima, begitu juga sebaliknya. Namun sebelum menentukan pemetaan nilai keputusan harus dilakukan penghitungan data riwayat dengan bobot Fuzzy AHP yang telah ditentukan. Kemudian dilakuakn memilih kandidat 7



batasan nilai keluaran Fuzzy AHP dan masing-masing kandidat dihitung nilai Recall, Precision dan F1 lalu dipilih nilai F1 yang terbaik. Tidak semua data yang digunakan untuk pemetaan, namun ada juga data yang digunakan untuk uji coba dan validasi hasil keluaran aplikasi Desain Aplikasi Proses pembuatan aplikasi ini dimulai dengan analisa kebutuhan. Kebutuhan utama aplikasi ini adalah sebagai alat bantu perhitungan terhadap suatu permohonan kredit, hingga dihasilkan suatu rekomendasi keputusan apakah disetujui atau ditolak. Sementara, kebutuhan lain dari aplikasi ini adalah sebagai berikut:  Informasi alasan permohonan kredit ditolak  Simulasi agar permohonan kredit disetujui  Menu penyuntingan data riwayat  Fungsi pencarian Proses pembuatan aplikasi ini kemudian dilanjutkan dengan membuat algoritma penunjang yang ditunjukkan pada gambar berikut.

Gambar 3 Algoritma Penunjang Aplikasi

Implementasi Aplikasi Hasil pembuatan aplikasi berdasarkan proses desain aplikasi yang telah dilakukan dibangun dengan menggunakan macro excel dan bahasa pemrograman Vb. Dalam implementasinya, aplikasi ini memiliki 3 langkah kerja, yaitu sebagai berikut:  Rekomendasi keputusan  Rekomendasi perubahan permohonan kredit  Penyimpanan data riwayat dan pencarian

Hasil dan Pembahasan Tampilan awal dari aplikasi ini adalah berupa Menu Utama. Pada menu ini, user dapat memilih akan melakukan fungsi perhitungan atau pencarian. 8



Gambar 4 Menu Utama

Apabila user memilih tombol Perhitungan, maka user akan masuk pada Menu Perhitungan Nilai Rekomendasi Keputusan yang berupa form berisikan data-data yang dibutuhkan untuk memberikan hasil rekomendasi apakah permohonan kredit user akan diterima atau tidak. Tampilan menu ini ditunjukkan seperti pada gambar berikut.

Gambar 5 Menu Perhitungan Nilai Rekomendasi Kredit

Untuk mendapatkan keputusan rekomendasi, seluruh field yang tersedia harus diisi terlebih dahulu. Penjelasan untuk masing-masing field adalah seperti pada tabel berikut. Tabel 1 Penjelasan Interface

Nama Pendapatan Plafon Jangka waktu Proyeksi pendapatan RPC pendapatan

Nama user yang ingin melakukan pengajuan kredit. Total pendapatan user. Jumlah dana maksimum yang dapat ditarik oleh user. Batas waktu pelunasan kredit. Perkiraan total pendapatan user di masa mendatang. RPC merupakan singkatan dari Repayment Capacity. Artinya adalah kemampuan user untuk membayar kembali kredit berupa bunga dan pokok pinjaman.

9

KS091302 – Introduction to IS Kekayaan Nilai risiko hutang

Sedang berhutang Histori hutang Status SID

Perbandingan agunan dan plafon

Pemilik agunan

Practical Work Material Total aset yang dimiliki oleh user. Kemungkinan terjadinya risiko apabila user melakukan kredit. Skalanya adalah antara 1 sampai 50. Semakin tinggi nilainya, maka semakin tinggi pula kemungkinan user tidak menerima kredit. Apakah user sedang memiliki hutang atau tidak. Jumlah berapa kali user pernah melakukan hutang. SID merupakan singkatan dari Sistem Informasi Debitur. Artinya, dilakukan analisa apakah user memiliki kredit di bank lain dan bagaimana status kredit tersebut, apakah lancar atau macet. Semakin tinggi nilainya, maka semakin tinggi pula kemungkinan user tidak menerima kredit. Agunan berarti jaminan, jadi berapa nilai jaminan yang diberikan oleh user dibandingkan dengan plafon. Status kepemilikan agunan.

Selain itu, terdapat pula beberapa aturan dalam pengisian form tersebut, yaitu sebagai berikut:  Pada kotak teks isian yang berhubungan dengan uang, isikan data dalam ribuan. Misalnya, pendapatan asli pemohon kredit adalah Rp 7.000.000,00, maka isi kotak teks dengan 7000.  Isikan angka tanpa separator (tanda baca), kecuali kotak teks Nama dan Perbandingan Agunan dengan Plafon.  Gunakan separator titik (.) pada kotak teks Perbandingan Agunan dengan Plafon. Contoh: 0.97.

Kemudian, setelah selesai melakukan pengisikan, klik tombol Hitung. Maka akan muncul hasil keputusan rekomendasi apakah pengajuan kredit tersebut diterima atau ditolak. Tampilannya adalah seperti pada gambar berikut.

10



Gambar 6 Hasil Keputusan Rekomendasi

Apabila hasil keputusan rekomendasi ditolak, tombol Alasan dapat diakses untuk mengetahui alasan mengapa pengajuan kredit ditolak beserta beberapa rekomendasi perubahan data. Apabila nilai pada rekomendasi tersebut digunakan, maka permohonan kredit akan diterima.

Gambar 7 Menu Alasan dan Rekomendasi

Selain melakukan fungsi perhitungan, user juga dapat melakukan fungsi pencarian berdasarkan nama atau ID.

11



Gambar 8 Menu Pencarian

12



KESIMPULAN Berdasarkan penjelasan yang telah dipaparkan dalam modul ini, dapat diambil beberapa kesimpulan sebagai berikut: 1. Proses Data Mining, terutama Credit Scoring dapat diimplementasikan dalam kehidupan sehari-hari, yaitu untuk membantu bank dalam menganalisa permohonan kredit nasabah dan menentukan apakah pinjaman nasabah akan disetujui atau tidak. 2. Hasil tugas akhir mahasiswa Jurusan Sistem Informasi ITS yang merupakan implementasi dari Credit Scoring, yaitu aplikasi rekomendasi keputusan permohonan kredit di PT. Bank XYZ menggunakan metode Fuzzy-AHP dapat membantu Analyst Officer (AO) dalam melakukan analisis permohonan kredit dengan lebih efektif dan fleksibel daripada penggunaan perhitungan manual yang biasa dilakukan sebelumnya.

13



DAFTAR PUSTAKA http://id.wikipedia.org/wiki/Penggalian_data http://kc99lounge.blogspot.com/2010/07/data-mining.html http://www.wealthindonesia.com/commercial-bank/penilaian-kredit-creditscoring.html http://www.sas.com/offices/asiapacific/indonesia/news/Credit_Scoring_IDN.html http://rezqiwati.wordpress.com/2009/04/24/data-mining-%E2%80%93-prosestahapan-dan-penerapannya/ http://2havegoodcredit.wordpress.com/credit-works/

14

Practical Work Material KS Introduction to Information System

Recommend Documents