Kredit merupakan bagian yang penting bagi pertumbuhan ekonomi dan merupakan bisnis inti pada bank di seluruh dunia. Keberhasilan atau kegagalan suatu bank dan industri pada umumnya tergantung pada sistem manajemen kredit dan seberapa baik risiko kredit dikelola. Kredit adalah kemampuan untuk menawarkan pinjaman dengan pembayaran yang dijanjikan pada waktu yang disepakati. Pinjaman dapat berupa pinjaman pribadi, perumahan atau mobil. Pengajuan kredit berdasarkan penilaian kredit.
Penilaian kredit adalah penilaian risiko yang terkait dengan pinjaman kepada organisasi atau peminjam. Penilaian kredit adalah alat prediksi yang digunakan untuk mengevaluasi tingkat risiko terkait dengan peminjam. Secara khusus, alat risiko penilaian adalah alat yang digunakan unutk menghitung nilai risiko peminjam. Secara umum, lembaga keuangan menggunakan penilaian kredit untuk menentukan peminjam kelayakan kredit untuk memberikan pinjaman. Salah satu cara untuk mengalokasikan modal pinjaman dengan benar ke suatu organisasi atau peminjam adalah membuat prediksi tentang kemampuan bayar di masa mendatang. Oleh karena itu, dibutuhkan sebuah model penilaian kredit.
Tujuan model penilaian kredit adalah memprediksi perilaku risiko kredit di masa mendatang berdasarkan peminjam. Model penilaian kredit berfokus pada model penilaian kredit untuk peminjam dan bertujuan untuk membantu bank dalam memutuskan kepada siapa bank tersebut harus meminjamkan uang dan faktor-faktor yang berkontribusi terhadap peminjam. Ada tiga teknik dasar yang digunakan untuk membuat model penilaian kredit, yaitu model penilaian analis kredit, model statistik, dan model kecerdasan buatan. Model penilaian analis kredit adalah pendekatan pertama untuk memecahkan masalah penilaian kredit. Analis kredit menyetujui atau menolak pinjaman berdasarkan karakteristik peminjam. Analis kredit melakukan analisis dengan mengevaluasi faktor-faktor utama kredit seperti kualitas moral, kemampuan membayar, jaminan peminjam, tujuan, dan batas pengembalian. Sayangnya, metode ini sangat bergantung pada pengalaman dan pengetahuan analis kredit, menjadikannya tugas yang memakan waktu dan menimbulkan keraguan dan kesalahan klasifikasi. Model statistik dan kecerdasan buatan dapat digabung menjadi model dengan Data Mining.
Model statistik sebagai model klasifikasi menggunakan analisis regresi logistik. Model kecerdasan buatan banyak digunakan untuk aplikasi penilaian kredit. Beberapa teknik kecerdasan buatan yang digunakan adalah Ensemble Method (EM), Artificial Neural Network (ANN) dan Support Vector Machine (SVM). Model penilaian kredit dengan Data Mining menggunakan analisis regresi logistik dan beberapa teknik kecerdasan buatan, sepert ANN dan SVM. Model penilaian kredit dengan data mining digunakan untuk mengembangkan proses penilaian kredit. Terdapat lima langkah untuk mengevaluasi risiko kredit, yaitu prapemrosesan data, analisis faktor, pemodelan data, penilaian kredit, dan pasca pemodelan.
Langkah pertama adalah prapemrosesan data terdiri dari tiga tahapan yaitu, analisis vintage, analisis roll rate, dan pemangkasan data. Analisis vintage dilakukan untuk mengevaluasi kualitas kredit portofolio pinjaman. Analisi roll rate dilakukan untuk menentukan definisi akun buruk berdasarkan roll rate dan persentase roll rate. Bank menggunakan roll rate untuk memprediksi kerugian kredit berdasarkan tunggakan. Setelah itu, menganalisis rasio roll rate adalah cara yang efektif untuk meninjau tren keseluruhan dan memperkirakan performa di masa mendatang. Pemangkasan data adalah tempat data disaring dan dihilangkan. Data yang diberikan bank adalah dari tahun 2007 hingga 2018. Setelah dilakukan prapemrosesan data maka data yang digunakan antara tahun 2015 dan 2018. Data berasal dari data nasabah pinjaman perorangan di salah satu bank Malaysia. Ada 16 variabel yang mempengaruhi, yaitu nomer akun, usia, jumlah tanggungan, keuangan, pendidikan, jenis kelamin, angsuran, penghasilan, pengeluaran, jumlah asset, jenis pembayaran, asuransi, jadwal pembayaran, kode produk, pekerjaan, dan periode pembayaran.
Langkah kedua adalah analisis faktor terdiri dari analisis faktor tunggal dan multi. Analisis faktor tunggal menentukan kekuatan hubungan antara sebuah variabel utama dan status akun. Analisis menggunakan perhitungan Weight of evidence (WoE) dan Information Value (IV). Sementara itu, analisis multi faktor menentukan keterkaitan antar variabel. Analisis dilakukan dengan analisis korelasi. Analisis faktor menunjukkan bahwa pendapatan dan keuangan sebagai salah satu variabel utama. Oleh karena itu, untuk memastikan bahwa pendapatan dan keuangan dapat digabungkan dalam proses pemodelan, rasio pendapatan terhadap keuangan dibuat dan kemudian diamati untuk menghasilkan tren yang logis.
Langkah ketiga adalah pemodelan data. Pemodelan data untuk mengklasifikasikan benar atau tidak menggunakan regresi linier, ANN, SVM, dan ROC. Pemodelan data menggunakan perangkat lunak Weka. Proses pemodelan data mining menggunakan regresi logistik, ANN, SVM, dan Receiver Operating Characteristics (ROC) Hasil pemodelan data menunjukkan akurasi sebesar 61.7% dengan ANN. Faktor-faktor yang signifikan dalam menentukan kelayakan kredit adalah kode produk, angsuran, usia, pengeluaran, pekerjaan, jenis pembayaran, penghasilan, dan keuangan.
Langkah keempat adalah penilaian kredit. Koefisien yang diperoleh dari regresi logistik digunakan untuk membuat tabel penilaian. Tabel penilaian memfasilitasi proses pengambilan keputusan bisnis, terutama evaluasi kelayakan kredit klien baru. Analisis cut-off memberikan pengaruh kepada bank untuk menetapkan toleransi penerimaan yang sejalan dengan arah kebijakan dan lingkungan bisnis saat ini.
Langkah kelima adalah pasca pemodelan. Pemeliharaan dan pemantauan pasca pemodelan sama pentingnya dengan mengembangkan model untuk memastikan bahwa model tetap dapat diandalkan dalam lingkungan bisnis saat ini. Aturan praktis untuk ini adalah menilai ulang dan merevisi model setiap enam bulan.
Pengembangan model penilaian kredit dengan menyajian langkah yang sistematis dan terstruktur. Pengelolaan risiko dengan model ini dapat menciptakan solusi jangka panjang untuk pengelolaan sistem kredit dan membantu dalam pengambilan keputusan. Model penilaian kredit pinjaman menggunakan Data Mining memungkinkan membantu analis kredit untuk mengotomatiskan proses pengambilan keputusan dan menghasilkan prediksi yang akurat tentang kelayakan kredit.
Penulis: Rimuljo Hendradi
