Kajian Perbandingan Model Credit Scoring Terhadap Data

Bi B n n f i 100 = persentase jumlah nasabah kategori ke-i pada kelompok nasabah yang berstatus buruk. Keterangan : nG : jumlah nasabah berstatus baik...

0 downloads 0 Views 334KB Size
proporsi nilai amatan yang secara tepat dapat diduga oleh model.

Amatan 0 1

Dugaan 0 1 N00 N0. N10 N11 N.0 N.1

Total N0. N1. N..

%Tepat N00/N0. N11/N1. (N00+N11)/N..

Dengan : Suatu amatan bernilai 0 dengan N00: dugaan 0 N.0: Jumlah total dugaan bernilai 0 N0.: Jumlah total amatan bernilai 0 N..: Jumlah keseluruhan nilai yang dihasilkan Kurva ROC Pada Gambar 1 kurva ROC menyajikan sensitivity dan specificity sebagai alat pemisah (penggolong) untuk suatu barisan cutoff. Setiap titik pada kurva menyajikan peluang dari cutoff. Titik yang mendekati sudut kanan atas berkorespondensi dengan peluang cutoff yang rendah. Sementara titik di kanan bawah berkorespondensi dengan peluang cutoff yang tinggi. Kurva ROC untuk pengkelasan yang sempurna akan memiliki satu titik di sudut kiri atas (0,1). Oleh karena itu, wilayah di bawah kurva ROC (c statistic) sering digunakan untuk mengevaluasi penampilan dari model prediksi untuk keseluruhan cutoff.

Gambar 1. Kurva ROC Weight of Evidence (WOE) Weight of Evidence (WOE) adalah perbandingan proporsi kategori tertentu suatu peubah untuk kelompok status kolektibilitas. WOE merupakan selisih atau besarnya perbedaan antara log odds tiap-tiap kategori dengan log odds total (Mays 2003). Fungsi WOE dalam proses membangun model credit scoring, WOE juga menunjukkan tingkat resiko seseorang.

WOE tiap bin didefinisikan sebagai berikut :

 f (i )  WOE (i ) = log G   f B (i )  n  f G (i ) = 100 Gi  = persentase jumlah  nG  nasabah kategori ke-i pada kelompok nasabah yang berstatus baik.

n  f B (i ) = 100 Bi  = persentase jumlah  nB  nasabah kategori ke-i pada kelompok nasabah yang berstatus buruk. Keterangan : nG : jumlah nasabah berstatus baik populasi nB : jumlah nasabah berstatus buruk populasi jumlah nasabah berstatus baik nGi : bin i jumlah nasabah berstatus buruk nBi : bin i

pada pada pada pada

BAHAN DAN METODE Bahan Bahan penelitian adalah data yang sama seperti yang digunakan oleh Alfiansyah (2007) yakni data sekunder dari hasil amatan terhadap 1000 orang nasabah suatu perbankan. Berdasarkan pengalaman, peubah input yang biasa dipertimbangkan sebagai peubah penjelas dalam membangun credit scoring model antara lain : DSR (rasio antara hutang dan pendapatan), Gross annual income, Number of dependants (banyak tanggungan), Residence status (status kepemilikan rumah), dan Job code (kode pekerjaan). Pada kelima peubah tersebut Alfiansyah (2007) melakukan diskretisasi berdasarkan metode chi-square dan hasilnya adalah sebagai berikut : 1. Debt Salary Ratio (rasio antara hutang dan pendapatan) yang dinotasikan dengan DSR. Peubah ini dibagi menjadi delapan kelompok. 2. Gross annual income yang dinotasikan dengan GAI. Peubah ini dibagi menjadi tujuh kelompok. 3. Number of dependants (banyak tanggungan) yang dinotasikan dengan NOD. Peubah ini dibagi menjadi lima kelompok.

4. Residence status (status kepemilikan rumah) yang dinotasikan dengan RS. Peubah ini dibagi menjadi enam kelompok. 5. Job code (kode pekerjaan) yang dinotasikan dengan JC. Peubah ini dibagi menjadi lima kelompok. Pada setiap peubah penjelas dibagi mejadi beberapa kategori dan pada masingmasing kategori dihitung nilai WOE-nya. Nilai WOE yang dihasilkan dan tercantum pada Tabel 1 merupakan perbandingan proporsi kategori tertentu pada masing-masing peubah penjelas untuk status baik atau buruknya calon penerima kredit. Semakin besar nilai WOE pada suatu kategori berarti kategori tersebut cenderung untuk baik, atau dengan kata lain para calon penerima kredit pada kategori tersebut cenderung memiliki peluang lebih besar untuk mendapatkan pinjaman. Tabel 1. Kategorisasi data berdasarkan WOE Debt Salary Ratio (%) Kategori WOE 0.00 - 16.27 -0.1740 16.27 - 17.00 0.8944 17.00 - 17.99 -1.0365 17.99 - 19.69 -0.0456 19.69 - 20.41 1.9240 20.41 - 38.01 0.3204 38.01 - 38.91 -0.8640 38.91 - inf -0.0362 Gross Annual Income (juta rupiah) Kategori WOE 0.0 – 53.4 -0.0682 53.4 – 57.6 -1.1005 57.6 – 63.0 1.0429 63.0 – 72.3 -0.1496 72.3 – 98.9 2.0323 98.9 – 139.7 0.0270 139.7 – inf 6.4396 Number Of Dependants (jiwa) Kategori WOE 1 -0.1874 2 -0.0419 4 0.0569 0,3 0.1355 ≥5 0.4107 Residence Status Kategori WOE Rented -0.3583 Parents -0.1376 Own 0.1444

Others Institution Credit

0.2658 0.4481 0.5087

Job Code Kategori Notaris, peg yayasan Pegawai swasta Guru/Dosen, peg.BUMN/BUMD Pegawai Negri Sipil Others

WOE -1.3393 -0.1135 0.4602 0.9379 2.0969

Metode Langkah–langkah metode penelitian sebagaimana tertera pada Gambar 2 adalah sebagai berikut : 1. Memanfaatkan data asli dan data hasil diskretisasi Alfiansyah (2007). 2. Menduga model menggunakan metode regresi logistik dengan peubah penjelasnya adalah nilai asli yang kemudian disebut sebagai Model-1. 3. Menduga model dengan menggunakan metode regresi logistik dengan nilai peubah penjelasnya adalah nilai hasil diskretisasi (nilai WOE) yang kemudian disebut sebagai Model-2. 4. Membandingkan performa dari kedua model yang dihasilkan pada tahap (2) dan (3) dengan melihat signifikansi koefisien regresi, correct classification table, dan kurva ROC. Software yang digunakan adalah SAS 9.1, SPSS 11.5, dan Microsoft Office Excel 2007. Data asli

Data terdiskretisasi

Menduga Model -I

Menduga Model -2

Membandingkan performa model - Koefisien regresi - Correct Classification Table - Kurva ROC

Gambar 2 Flowchart Metode

HASIL DAN PEMBAHASAN Deskripsi Nasabah