Practical Work Material · Berdasarkan penjelasan yang telah dipaparkan dalam modul ini, dapat diambil beberapa ...

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

2012

KS091302 – Introduction to IS Practical Work Material

1

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

http://si.its.ac.id/


2

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


3

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


4

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


5

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

http://id.wikipedia.org/w/index.php?title=Pembersihan_Data&action=edit&redlink=1

http://id.wikipedia.org/w/index.php?title=Pemilihan_Data&action=edit&redlink=1

http://id.wikipedia.org/w/index.php?title=Transformasi_Data&action=edit&redlink=1

http://id.wikipedia.org/w/index.php?title=Evaluasi_pola&action=edit&redlink=1

http://id.wikipedia.org/w/index.php?title=Penyajian_pola&action=edit&redlink=1


6

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.


7

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


8

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.


9

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 Nama user yang ingin melakukan pengajuan kredit.

Pendapatan Total pendapatan user.

Plafon Jumlah dana maksimum yang dapat ditarik oleh user.

Jangka waktu Batas waktu pelunasan kredit.

Proyeksi pendapatan Perkiraan total pendapatan user di masa mendatang.

RPC pendapatan RPC merupakan singkatan dari Repayment Capacity. Artinya adalah kemampuan user untuk membayar kembali kredit berupa bunga dan pokok pinjaman.


10

Kekayaan Total aset yang dimiliki oleh user.

Nilai risiko hutang 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.

Sedang berhutang Apakah user sedang memiliki hutang atau tidak.

Histori hutang Jumlah berapa kali user pernah melakukan hutang.

Status SID 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.

Perbandingan agunan dan plafon Agunan berarti jaminan, jadi berapa nilai jaminan yang diberikan oleh user dibandingkan dengan plafon.

Pemilik agunan 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.


11

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.


12

Gambar 8 Menu Pencarian


13

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.


14

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-credit-

scoring.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-proses-

tahapan-dan-penerapannya/

http://2havegoodcredit.wordpress.com/credit-works/

http://id.wikipedia.org/wiki/Penggalian_data

http://kc99lounge.blogspot.com/2010/07/data-mining.html

http://www.wealthindonesia.com/commercial-bank/penilaian-kredit-credit-scoring.html

http://www.wealthindonesia.com/commercial-bank/penilaian-kredit-credit-scoring.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-proses-tahapan-dan-penerapannya/

http://rezqiwati.wordpress.com/2009/04/24/data-mining-%E2%80%93-proses-tahapan-dan-penerapannya/

http://2havegoodcredit.wordpress.com/credit-works/

Practical Work Material · Berdasarkan penjelasan yang telah dipaparkan dalam modul ini, dapat diambil beberapa ...

Documents