1
Salah satu usaha pemerintah dalam meningkatkan taraf hidup masyarakat adalah memberdayakan peranan jasa perbankan. Bank memiliki peranan yang sangat penting dalam menunjang dan mengembangkan pertumbuhan ekonomi. Menurut Undang-Undang Negara Republik Indonesia No. 10 tahun 1998 pasal 1 huruf dua yang mengatur tentang perbankan menjelaskan bahwa pengertian bank adalah badan usaha yang menghimpun dana dari masyarakat dalam bentuk simpanan dan menyalurkannya kepada masyarakat dalam bentuk kredit dan atau bentuk-bentuk lainnya dalam rangka meningkatkan taraf hidup rakyat banyak.
Kredit merupakan suatu fasilitas keuangan yang memungkinkan seseorang atau badan usaha untuk meminjam uang untuk membeli produk dan membayarnya kembali dalam jangka waktu yang ditentukan. Dewasa ini, meminjam uang ke bank atau ke badan lain secara kredit merupakan suatu hal yang lazim untuk memenuhi kebutuhan finansial yang tidak dapat ditanggung oleh seseorang pada masa tersebut. Oleh karena itu, kredit mulai menjamah seluruh lapisan masyarakat baik kalangan menengah ke bawah hingga menengah ke atas. Kredit yang ditawarkan oleh berbagai macam bank pun sangat beraneka ragam. Bahkan beberapa bank mulai berlomba–lomba dalam memberikan kemudahan akses kredit untuk menarik minat masyarakat.
Tingginya permintaan kredit ke suatu bank tak lantas membuat bank akan dapat mengabulkan semua permohonan yang ada karena memberikan kredit kepada masyarakat memiliki risiko yang besar. Risiko yang dimaksud adalah peminjam/debitur memiliki kemampuan yang berbeda pada saat mengembalikan uang yang dipinjamnya. Kejadian debitur gagal membayar kembali pinjamannya dikenal dengan istilah default.
Default sangat merugikan bank karena menarik kembali kredit macet membutuhkan tenaga, waktu dan biaya yang tidak sedikit. Kredit macet merupakan kendala utama bagi sebuah bank yang akan mempengaruhi kestabilan
dari bank itu sendiri. Bank harus mengucurkan dana operasional yang besar untuk menanggulanginya, sehingga diperlukan unit manajemen risiko kredit untuk meminimalisasi risiko kredit yang dihadapi bank. Untuk menghindari risiko kredit macet. Dalam melakukan penagihan angsuran kredit, sebaiknya bank mengantisipasi dengan cara menyaring calon debitur yang mengajukan kredit dengan menilai kelayakannya dalam menerima dan seberapa besar kemampuan calon debitur membayar cicilan kredit yang mereka ajukan.
Proses penyeleksian untuk melihat calon debitur mana yang layak diberi pinjaman merupakan proses penilaian atau scoring dengan menggunakan data-data historis calon debitur. Penilaian ini berdasarkan beberapa atribut yang menjadi karakteristik debitur tersebut. Kemudian calon debitur ini diklasifikasikan dua kategori berdasarkan kemungkinan perilaku pembayaran yakni calon debitur yang lolos seleksi karena memiliki kemungkinan akan membayar hutangnya tepat waktu disebut good debitur, dan permohonan kreditnya akan dikabulkan, sebaliknya, calon debitur yang tidak lolos seleksi karena memiliki kemungkinan gagal bayar yang tinggi disebut bad debitur, dan permohonan kreditnya akan ditolak. Proses tersebut dinamakan credit scoring.
Credit scoring merupakan salah satu teknik untuk mengukur tingkat resiko calon debitur. Secara deskriptif ini dilakukan dengan menetapkan skor tertentu untuk menentukan seseorang diterima atau tidak menjadi konsumen kredit. Teknik ini membuat pemodelan yang dapat memprediksi peluang default sehingga model tersebut dapat digunakan untuk mengevaluasi permintaan pinjaman yang baru. Pendiri credit scoring, Bill Adil dan Earl Isaac membangun sistem penilaian kredit pertama Investasi Amerika pada tahun 1958. Meskipun penilaian kredit telah digunakan sejak saat itu, perkembangan yang sangat pesat baru terjadi di beberapa dekade terakhir dengan memperluas area aplikasi dari bisnis kredit konsumen, kredit usaha kecil, prediksi kegagalan perusahaan, manajemen risiko telekomunikasi dan lain sebagainya.
Pemodelan credit scoring terbagi menjadi dua kelompok yakni unsupervised learning dan supervised learning. Metode credit scoring dengan unsupervised learning adalah model yang mempelajari dan mencari pola-pola
menarik pada data input yang diberikan. Meskipun tidak disediakan output yang tepat secara eksplisit. Sedangkan supervised learning adalah model yang membuat fungsi untuk memetakan input ke output yang dikehendaki.
Dalam skripsi ini, penulis akan mencoba mengemukakan analisis credit scoring dengan menggunakan metode regresi logistik yang merupakan salah satu metode dalam supervised learning. Regresi logistik digunakan untuk memprediksi variabel respon yang biner dengan satu set variabel penjelas (prediktor). Korelasi yang tinggi antar variabel bebas (multikolinearitas) merupakan sebuah masalah dalam regresi logistik. Adanya multikolinieritas membuat model regresi menjadi tidak lagi efisien karena nilai standar eror koefisien regresi menjadi sangat besar (overestimate) atau dengan kata lain mengurangi akurasi dari estimasi. Ada beberapa metode yang dapat mengatasi masalah multikolinearitas, yaitu menghilangkan satu atau beberapa variabel yang memiliki korelasi yang sangat tinggi dan menambah pengamatan (observasi/cases) untuk setidaknya dapat mengurangi korelasi antar variabel bebas, tetapi kedua metode tersebut memiliki kelemahan, yaitu tidak dapat menyusutkan koefisien regresi (parameter β) variabel yang berkorelasi, menjadi nol atau mendekati nol dan seleksi variabel bebas secara bersamaan. Permasalahan tersebut dapat ditangani menggunakan metode Least Absolute Shrinkage and Selection Operator (LASSO). Oleh karena itu dalam skripsi ini akan digunakan pengembangan dari regresi logistik yaitu regresi logistik LASSO.
Namun sebelumnya perlu diketahui bahwa Least Absolute Shrinkage and Selection Operator (LASSO) pertama kali dikenalkan oleh Tibshirani pada tahun 1996. Konsep dasar dari LASSO sendiri adalah teknik regresi pengkerutan variabel bebas. LASSO mengkerutkan koefisien (parameter β) variable yang berkorelasi menjadi nol atau mendekati nol. Sehingga menghasilkan penduga dengan variansi yang lebih kecil dan model akhir yang lebih representatif.
1.1 Batasan Masalah
Banyak metode yang dapat digunakan untuk melakukan analisa pengklasifikasian terhadap data menjadi dua kelas. Oleh karena itu diperlukan
pembatasan masalah. Dalam penulisan skripsi ini, penulis hanya membatasi pada penjelasan metode Regresi Logistik LASSO dengan studi kasus yang menggunakan data di bidang keuangan khususnya credit scoring. Pada analisis credit scoring lebih menekankan terhadap pengklasifikasian variabel respon menjadi dua kelas. Dimana dua kelas tersebut dapat mengklasifikasikan calon debitur yang masuk ke dalam kategori “good” atau “bad”.
1.2 Tujuan Penulisan
1. Sebagai pemenuhan salah satu syarat untuk mencapai derajat sarjana S1 di Program Studi Statistika, Jurusan Matematika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Gadjah Mada
2. Untuk mempelajari dan memahami teori regresi logistik LASSO yang sudah berkembang.
3. Untuk memahami serta dapat mengaplikasikan regresi logistik LASSO di bidang keuangan khususnya credit scoring.
4. Untuk dapat meneliti tingkat akurasi credit scoring dengan menggunakan metode regresi logistik LASSO.
1.3 Tinjauan Pustaka
Dalam skripsi ini, penulis menggunakan berbagai sumber pustaka, dan sebagai sumber pustaka utama adalah jurnal yang dipublikasikan oleh University of Minnesota Duluth dengan judul “LASSO and its Applications” yang membahas tentang penentuan model untuk data yang memiliki multikolinearitas tinggi dengan menggunakan metode regresi logistik LASSO. Selain itu, beberapa jurnal dan buku pendukung lainnya yang terkait dengan topik ini juga digunakan sebagai tinjauan pustaka, seperti Santosa (2007) yang membahas tentang pengantar data mining dan aplikasi bisnis, Tibshirani (1996) yang membahas tentang awal mula LASSO dan penerapannya.
Selain itu, digunakan juga acuan dari beberapa skripsi terdahulu di Program Studi Statistika FMIPA UGM yang juga membahas tentang credit scoring maupun regresi logistik, antara lain Ayuningtyas (2009) yang membahas
tentang credit scoring menggunakan regresi logistik ganda dan analisis diskriminan, serta Isnadia (2012) yang membahas tentang penduga penalti ganda likelihood dalam model regresi logistik.
1.5 Metode Penulisan
Metode yang digunakan dalam penulisan skripsi ini adalah dengan studi literatur serta studi kasus berdasarkan data yang diperoleh dari sumber resmi. Literatur yang digunakan diperoleh dari sumber-sumber resmi seperti perpustakaan, jurnal ilmiah yang terpercaya serta buku–buku yang sesuai dengan topik yang dibahas, serta situs-situs online journal yang tersedia di internet.
1.6 Sistematika Penulisan
Skripsi ini disusun dengan sistematika penulisan sebagai berikut : BAB I PENDAHULUAN
Bab ini berisi latar belakang masalah, tujuan penelitian, pembatasan masalah, metode penelitian, tinjauan pustaka, dan sistematika penulisan yang memberikan arah dalam penulisan skripsi ini.
BAB II LANDASAN TEORI
Bab ini berisi pemahaman mengenai teori penunjang yang digunakan dalam pembahasan regresi logistik LASSO. Teori–teori penunjang tersebut antara lain kredit, data mining, risiko, matriks, supervised learning, regresi logistik serta teori lain yang digunakan.
BAB III CREDIT SCORING MENGGUNAKAN LASSO LOGISTIC REGRESSION
Bab ini berisi pembahasan mengenai topik skripsi yakni regresi logistik LASSO. Dalam bab ini akan dikemukakan penjelasan mengenai credit scoring, teknik LASSO, serta beberapa rumus model regresi logistik LASSO.
BAB IV STUDI KASUS
Bab ini membahas tentang contoh penerapan credit scoring menggunakan regresi logistik LASSO untuk data kredit yang diperoleh dari sumber resmi. Berdasarkan teori serta komputasi yang ada maka digunakanlah regresi logistik LASSO untuk membuat analisis credit scoring.
BAB V PENUTUP
Bab ini membahas tentang kesimpulan yang diperoleh dari hasil pembahasan dan saran sebagai akibat dari kekurangan atau kelebihan dari hasil penelitian yang dilakukan.
