Aplikasi Data Mining Dengan Menggunakan Metode Decision Tree Untuk Prediksi Penentuan Resiko Kredit

Abstract

Kredit merupakan salah satu mekanisme pembayaran yang sangat umum di masyarakat. Fungsi pokok kredit yaitu memenuhi pelayanan terhadap kebutuhan masyarakat dalam rangka memperlancar perdagangan, produksi dan jasa-jasa bahkan konsumsi yang kesemuanya itu ditujukan untuk meningkatkan kesejahteraan manusia. PT. Bank  BRI merupakan salah satu pelayanan keuangan yang bergerak di bidang perkreditan di kota Makassar dan telah memberikan kemudahan pembayaran kepada pelanggannya dengan menyediakan fasilitas kredit. Ada risiko yang harus dihadapi oleh perusahaan yaitu tidak tepat waktunya pembayaran atau bahkan kegagalan pembayaran dari kredit yang disalurkannya. Kredit macet ini sangat berpengaruh terhadap aliran kas perusahaan. Usaha untuk mengurangi jumlah kredit yang macet harus selalu dilakukan. Banyak faktor yang dapat menyebabkan kredit macet, salah satunya adalah kesalahan dalam pengambilan keputusan penerimaan pemohon menjadi debitur perusahaan pada tahap evaluasi kredit. Disamping kesalahan dengan menerima pemohon yang buruk, evaluasi kredit juga memungkinkan membuat kesalahan dengan menolak pemohon yang baik. Oleh karena itu setiap perusahaan yang memberikan kredit harus mampu mengevaluasi pemohon kredit dengan objektif, akurat, dan konsisten. Tool yang dapat membantu dalam mengevaluasi kredit dengan objektif, akurat, dan konsisten adalah credit scoring. Penelitian ini berfokus pada pembangunan model credit scoring kredit bank BRI dengan teknik decision tree. Teknik decision tree dapat membangun model dengan objektif, menghasilkan model yang mudah dipahami, dan tingkat akurasi yang tinggi. Model yang dibangun melibatkan variabel target yaitu risiko kredit dan variabel prediktor yaitu penghasilan, cicilan, uang muka, jumlah periode pinjaman, rekening tabungan, umur pemohon, tagihan telepon, dan tagihan listrik. Dari hasil pengembangan model diperoleh bahwa variabel penghasilan merupakan variabel yang paling penting dalam memprediksi risiko kredit dan tingkat akurasi model sebesar 79.57 persen.