BAB 1 PENDAHULUAN
1.1. Latar Belakang
Kredit macet merupakan salah satu masalah yang sering dialami oleh perbankan hingga saat ini. Banyaknya calon debitur yang melakukan kredit membuat pihak bank harus menentukan calon debitur yang layak untuk melakukan kredit. Dalam menentukan calon debitur yang layak, pihak bank menerapkan prinsip kehati-hatian, dengan pemikiran bahwa yang mempengaruhi proses kelayakan penerimaan kredit adalah five C (Chandra, 2009) yaitu Character, Capacity, Capital, Condition, Collateral.
Kredit adalah kegiatan seorang (debitur) meminjam sejumlah uang kepada bank (kreditur) dengan pembayaran yang dilakukan secara bertahap/cicilan dalam waktu tertentu sesuai dengan persyaratan yang telah disepakati bersama. Kolektibilitas adalah keadaan pembayaran pokok atau angsuran pokok dan bunga kredit oleh nasabah serta tingkat kemungkinan diterimanya kembali dana yang ditanamkan dalam surat-surat berharga atau penanaman lainnya (Ketentuan Bank Indonesia). Kolektibilitas (penggolongan) kredit dikelompokkan terhadap 5 kelompok yaitu kredit lancar, perhatian khusus (special mention), kredit kurang lancar, kredit diragukan dan kredit macet (Ketentuan Bank Indonesia). Dalam penelitian ini, penulis meneliti tiga kolektibilitas yaitu lancar, kurang lancar dan macet.
mampu membayar angsuran. Pihak bank membutuhkan informasi dari keseluruhan calon debitur yang kemungkinan mengalami kredit lancar, kredit kurang lancar atau kredit macet. Informasi ini sangat penting untuk bank untuk membuat tindakan- tindakan agar mengurangi Non Perform Loan (NPL). Non Perform Loan (NPL) adalah kredit bermasalah yang terdiri dari kredit yang berklasifikasi kurang lancar, diragukan dan macet (Kamus Bank Indonesia). Artinya, NPL merupakan salah satu kunci untuk menilai kualitas kinerja bank, apabila NPL dibiarkan secara terus-menerus akan memberikan dampak negative pada bank, salah satunya adalah mengurangi jumlah modal yang dimiliki oleh bank.
Kondisi yang terjadi saat ini adalah untuk mengetahui kolektibilitas debitur yang melakukan kredit macet, pihak bank melakukan pengecekan satu persatu data debitur secara manual sehingga tidak efisien dan bisa terjadi kesilapan. Oleh karena itu dibutuhkan aplikasi yang dapat memprediksi kolektibilitas debitur secara otomatis yang akan mengklasifikasikan debitur dengan kolektibilitas lancar, kurang lancar dan macet. Dengan perkembangan teknologi informasi dan komunikasi, telah muncul aplikasi-aplikasi yang memberikan kemudahan bagi pihak bank. Hasil klasifikasi nantinya akan dibagi menjadi tiga kolektibilitas yaitu kredit lancar, kredit kurang lancar dan kredit macet.
Decision Tree (pohon keputusan) merupakan proses mengubah data menjadi pohon keputusan dan aturan-aturan keputusan(rules). Metode ini menggunakan representasi struktur pohon yang merepresentasikan atribut, nilai dari atribut dan kelas. Node awal atau node yang paling atas dari decision tree disebut sebagai root yang untuk mendapatkannya digunakan rumus entropy.
(Rosmilia, 2009), system pendukung keputusan untuk menentukan calon debitur yang layak untuk kredit sepeda motor menggunakan metode decision tree (Agustina, 2011), analisis data pembayaran kredit nasabah bank menggunakan metode data mining (Melissa, et al. 2013), model prediksi status kredit nasabah koperasi simpan pinjam mitra usaha syariah (Septiana, et al. 2013), evaluasi kinerja motor servo menggunakan algoritma decision tree C4.5 dengan mengklasifikasi ke dalam kategori perputaran motor yang termasuk cepat, kurang cepat dan lambat (Aryansyah, 2014).
Adanya debitur yang melakukan kredit macet membuat pihak bank kesulitan untuk memprediksi sejauh mana debitur melakukan pembayaran kreditnya. Munculnya faktor-faktor debitur yang kreditnya macet memang telah membantu pihak bank dalam memprediksi kredit macet, namun dari segi teknologi dibutuhkan aplikasi pengembangan yang mampu memprediksi debitur yang melakukan kredit macet.
Oleh sebab itu diperlukan penelitian untuk mengembangkan aplikasi prediksi kolektibilitas debitur KPR untuk mengklasifikasikan para debitur yang melakukan kredit lancar, kredit kurang lancar dan kredit macet sehingga diperoleh hasil akhir berupa klasifikasi kolektibilitas. Pemanfaatan system ini nantinya mampu memprediksi debitur yang kreditnya bermasalah.
Pada penelitian ini, penulis akan mengklasifikasikan kolektibilitas data KPR dengan aribut condition, capability, collateral, plafond, jenis kpr dan jumlah tunggakan menggunakan Decision Tree C5.0. Hasil yang didapat nantinya berupa klasifikasi kolektibilitas KPR sehingga dapat dijadikan acuan untuk memprediksi kolektibilitas KPR dimasa yang akan datang.
1.2Rumusan Masalah
1.3Batasan Masalah
Untuk menghindari perluasan yang tidak diperlukan, maka penulis membuat batasan : 1. Tidak mengikutsertakan kolektibilitas kredit perhatian khusus dan kredit
diragukan.
2. Tidak mengklasifikasikan calon nasabah kredit KPR, melainkan nasabah yang telah memiliki track record dalam kredit KPR.
3. Sumber data diperoleh dari PT. Bank Sumut Kantor Pusat debitur KPR. 4. Tidak membandingkan metode ini dengan metode lain.
1.4Tujuan Penelitian
Tujuan dari penelitian ini adalah untuk mengklasifikasi kolektibilitas KPR yang kemudian dijadikan acuan untuk memprediksi kolektibilitas KPR nasabah dimasa yang akan datang.
1.5Manfaat Penelitian
Manfaat dari penelitian ini adalah :
1. Menambah pengetahuan pembaca mengenai aplikasi teknik pengembangan data pada area perbankan
2. Menambah variasi aplikasi kolektibilitas kredit perbankan.
3. Menambah referensi pembaca mengenai kredit macet pada bank untuk penelitian selanjutnya.
1.6Metodologi
Dalam melakukan penelitian ini terdapat beberapa tahapan untuk menghasilkan system yang sesuai dengan yang diharapkan
1. Studi Literatur
Studi literatur dilakukan dengan mengumpulkan data, informasi dan referensi mengenai kredit macet dan KPR melalui buku, jurnal, skripsi, tesis, kamus dan internet sebagai informasi dan sumber data berkaitan dengan data mining. Pada tahap ini penulis juga memperdalam pengetahuan mengenai metode Decision Tree C5.0 dan data kolektibilitas KPR.
2. Analisis Data
Tahap ini dilakukan untuk menganalisis data yang telah diperoleh sebelumnya untuk mendapatkan pemahaman mengenai pola klasifikasi kolektibilitas kredit menggunakan Decision Tree C5.0 terhadap aplikasi prediksi kolektibilitas KPR. 3. Perancangan
Pada tahap ini dilakukan perancangan system yang akan dibangun, seperti merancang proses pembangunan sistem dan antarmuka.
4. Implementasi
Tahap ini merupakan tahap penerapan rancangan system yang telah dibangun untuk pembangunan program sesuai dengan kode perangkat lunak yang akan digunakan.
5. Pengujian
Tahap ini merupakan tahap pengujian perangkat lunak yang telah dibangun untuk mengetahui keakuratan system dan layak atau tidak layaknya system untuk digunakan oleh user.
6. Dokumentasi dan Pelaporan
1.7Sistematika Penulisan
Sistematika penulisan dari skripsi ini terdiri dari beberapa bagian utama yaitu sebagai berikut :
BAB 1 : PENDAHULUAN
Bab ini menjelaskan latar belakang pemilihan judul skripsi, rumusan masalah, batasan masalah, tujuan penelitian, manfaat penelitian, metodologi penelitian dan sistematika penulisan.
BAB 2 : LANDASAN TEORI
Bab ini merupakan kumpulan referensi yang berkaitan dengan penelitian, baik dari buku-buku yang memuat pemecahan masalah dari penelitian maupun informasi yang diperoleh melalui internet.
BAB 3 : ANALISIS DAN PERANCANGAN SISTEM
Pada bab ini dilakukan analisis dan perancangan system serta penerapan metode
decision tree dengan algoritma C5.0 untuk prediksi kolektibilitas KPR. Kemudian menerapkan hasil analisis dan perancangan ke dalam system.
BAB 4 : IMPLEMENTASI DAN PENGUJIAN SISTEM
Bab ini merupakan implementasi dari analisis dan perancangan yang telah disusun pada Bab 3 dan pengujian untuk mengetahui apakah hasil yang didapatkan sesuai dengan yang diharapkan.
BAB 5 : KESIMPULAN DAN SARAN
Bab ini terdiri dari kesimpulan yang merupakan uraian dari bab-bab sebelumnya dan saran sebagai pengembangan pada penelitian berikutnya.
