| dc.description.abstract | Credit scoring model telah banyak digunakan oleh berbagai organisasi finansial berdasarkan pada informasi data historis yang dimiliki perusahaan tersebut. Masalah yang sering muncul ialah model yang biasa digunakan hanya bisa menerima data dengan skala diskret. Selain itu pada data-data yang sangat besar (database perusahaan) terkadang sangat rentan terhadap pencilan, dan tidak konsisten. Salah satu cara untuk mengatasi hal ini adalah melakukan data pre-processing dengan melakukan diskretisasi atau biasa disebut binning. Dari sekian banyak metode diskretisasi, peneliti membandingkan metode entropi dan khi kuadrat terhadap data kredit konsumtif sebuah bank. Secara umum, untuk data kredit konsumtif pada penelitian ini, kategori yang didapatkan dari metode entropi lebih banyak daripada metode khi kuadrat. Berdasarkan nilai indeks asosiasi uncertainty coefficient (UC) dan information value (InV) peubah pendapatan per tahun (gross annual income), rasio antara cicilan dengan pendapatan(DSR), dan kode pekerjaan (job code) digambarkan sebagai peubah yang sangat erat hubungannya dan tinggi tingkat prediksinya terhadap peubah target status kreditur, disusul peubah status kepemilikan rumah (residence status) dan banyaknya tanggungan (number of dependants). Metode entropi mampu mendiskretisasi peubah numerik dengan baik pada data ini dibandingkan metode khi kuadrat berdasarkan nilai indeks asosiasinya dan InV. Tidak ada metode diskretisasi terbaik. Sehingga diperlukan pemahaman mendalam terhadap data yang dihadapi sehingga bisa didapatkan metode diskretisasi yang sesuai. | id |
