Analisis Credit Scoring Menggunakan Regresi Logistik LASSO dan Support Vector Machine (SVM).

Abstract

Hasil survei perbankan menunjukkan pertumbuhan kredit di Indonesia tahun 2016 mencapai 12% year of the year (yoy). Hal ini meningkat dibandingkan realisasi pertumbuhan kredit tahun 2015 (per November 2015) yaitu sebesar 9.8% (yoy). Optimisme pertumbuhan kredit tersebut terutama didorong oleh meningkatnya kondisi likuiditas perbankan, masih berlanjutnya penurunan suku bunga kredit, dan kondisi ekonomi yang diperkirakan semakin baik (BI 2016). Menurut UU No. 10 tahun 1998, kredit adalah penyedian uang atau tagihan yang dapat dipersamakan dengan itu berdasarkan persetujuan atau kesepakatan pinjam meminjam antara bank dan pihak lain yang mewajibkan pihak peminjam melunasi hutangnya setelah waktu tertentu dengan pemberian bunga. Tingginya permintaan kredit tak lantas membuat pihak pemberi jasa layanan kredit akan dapat mengabulkan semua permohonan yang ada. Untuk itu, perlu dilakukan suatu proses penyeleksian dalam rangka melihat calon debitur mana yang layak diberi pinjaman. Credit scoring merupakan suatu metode untuk mengevaluasi resiko kredit yang mungkin terjadi pada debitur degan menggunakan credit score yang akan dihasilkan berdasarkan model dari credit scoring. Credit score adalah angka yang akan merepresentasikan kelayakan seorang debitur untuk menerima dana bantuan kredit. Analisis credit scoring dengan menggunakan regresi logistik masih kurang efektif karena membutuhkan uji hipotesis dan uji asumsi yang harus terpenuhi. Analisis regresi logistik LASSO dapat digunakan untuk mengatasi hal tersebut. Disamping itu metode Support Vector Machine (SVM) juga merupakan salah satu metode klasifikasi yang memiliki kemampuan klasifikasi yang baik serta dapat mengabaikan semua asumsi seperti pada regresi logistik. Penelitian ini bertujuan untuk mempelajari peubah-peubah yang berpengaruh terhadap kelancaran debitur dalam membayarkan kredit motor serta membandingkan kebaikan dari kedua metode yang digunakan. Berdasarkan hasil analisis credit scoring menggunakan regresi logistik LASSO diperoleh bahwa peubah penjelas yang berpengaruh terhadap kelancaran pembayaran kredit yaitu peubah kepemilikan telepon, besarnya uang muka, jangka waktu pinjaman, pekerjaan, umur, status pernikahan, jenis kelamin, tingkat pendidikan, jumlah tanggungan, tipe motor, interaksi antara peubah tipe motor dengan kepemilikan telepon dan besar uang muka, interaksi antara peubah kepemilikan telepon dengan pekerjaan, jangka waktu pinjaman dan kepemilikan nomor telepon, interaksi antara peubah besar uang muka dengan jangka waktu pinjaman,besar angsuran, jenis kelamin, tingkat pendidikan serta interaksi antara pekerjaan dan jenis pendapatan. Penerapan metode regresi logistik LASSO dan SVM pada kasus ini memiliki ketepatan klasifikasi yang hampir sama. Hanya saja hasil kinerja klasifikasi menggunakan metode SVM relatif stabil dibandingkan dengan regresi logistik LASSO.