Klasifikasi dan kajian performa nasabah usaha ekonomi desa simpan pinjam (ued-sp) desa pisang berebus

Abstract

Usaha Ekonomi Desa Simpan Pinjam (UED-SP) merupakan suatu lembaga yang bergerak di bidang simpan pinjam dan merupakan milik masyarakat desa. UED-SP ini salah satunya berdiri di Desa Pisang Berebus. UED-SP memiliki resiko kredit macet yang dapat menyebabkan kerugian. Resiko kredit macet pada UED-SP dapat dihindari dengan mengetahui kriteria nasabah yang akan mengalami kredit macet dalam pembayaran dan kapan akan terjadinya kredit macet. Analisis regresi logistik biner, pohon klasifikasi CART, dan analisis daya tahan dapat digunakan untuk mengetahui kriteria nasabah yang mengalami kredit macet. Analisis daya tahan juga dapat digunakan untuk mengetahui waktu terjadinya kemacetan. Hasil penelitian menunjukkan bahwa riwayat peminjaman menjadi faktor yang paling dominan yang mempengaruhi kredit macet. Model yang dihasilkan cukup baik digunakan untuk melakukan pendugaan dengan persentase klasfikasi benar sebesar 66.6%. Persentase nasabah dengan status lancar yang telah menyelesaikan pembayaran kredit sampai angsuran ke-18 sebesar 60%. Resiko terjadinya kredit macet bagi nasabah dengan status macet relatif sama untuk setiap kali angsurannya

Economic Enterprises Village Savings and Loan (EEV-SL) is an institution that is engaged in the savings and loan and belong to village communities. EEV-SL is one of them standing in Pisang Berebus Village. EEV-SL has a non performing loan risk that could cause loss. The risk of non performing loan in EEV-SL can be avoided by knowing the criteria that customers will be non performing loan and when it will be happen. Binary logistic regression analysis, CART, and survival analysis can be used to determine criteria for customers who have non performing loan. Survival analysis can used to find out when it will be happen. The result of research show that history of loan became the most dominant factor affecting non performing loan. The result of model is quite well used to estimate with correct classification rate about 66.6%. Performance of customer payment with the perform status completed payment on the 18th payment about 60%. Customers with a non perform status has same risk for non performing loan on each payment. Keywords: bad credit, CART, logistic regression, survival analysis