Hasil Pencarian  ::  Simpan CSV :: Kembali

"Tremendous growth in the credit industry has spurred the need for Credit Scoring and Its Applications, the only book that details the mathematical models that help creditors make intelligent credit risk decisions.Creditors of all types make risk decisions every day, often haphazardly. This book addresses the two basic types of decisions and offers sound mathematical models to assist with the decision-making process. The first decision creditors face is whether to grant credit to a new applicant (credit scoring), and the second is how to adjust the credit restrictions or the marketing effort directed at a current customer (behavioral scoring). The authors have filled an important niche with this groundbreaking book. Currently, only the most sophisticated creditors use the models contained in this book to make these decisions, but all creditors can know these aids to successful lending."

"Implementasi manajernen risiko dalam dunia perbankan di Indonesia pada saat ini sudah mcrupakan suatu kewajiban yang tidak dapat ditawar-tawar lagi, karena Bank Indonesia sudah mengeluarkan peraturan yaitu Peraturan Bank Indonesia (PBI) nomor 5/8/PBI 2003 mengenai Penerapan Manajemen Risiko Bagi Bank Umum dan Surat Edaran BI Nomor 5/21/DPNP tanggal 29 September 2003 mengenai Penerapan Manajemen Risiko Bagi Bank Umum yang mulai efektif pada tanggal 29 September 2003. Perbankan sangat rentan terhadap risiko kredit yang timbul akibal dari bisnis yang digelutinya atau yang dijalaninya, oleh karena itu perbankan perlu mengembangkan suatu sistem yang dapat memonitor atau mengendalikan risiko kredit tersebut. Risiko kredit adalah risiko gagal bayar atau terjadinya default dimana suatu counterpary/borrower tidak dapat mengembalikan kewajibannya termasuk biaya over head-nya. Credit scoring adalah suatu model yang digunakan perbankan untuk mengetahui layak atau tidaknya suatu debitur untuk diberikan pinjaman. Dari berbagai macam definisi maka dapat disimpulkan bahwa Credit Scoring Model adalah suatu penilaian terhadap debitur untuk menentukan Probability of Default berdasarkan faktor-faktor/variabel-variabel tertentu yang dapat dikuantifikasikan ke dalam bentuk skor, dimana skor tersebut adalah suatu alat untuk mengetahui dan mengklasifikasikan debitur ke dalam dua kategori yaitu good debitur dan bad debitur. Dalam credit scoring ini terdapat empat macam jenis pendekatan yaitu pendekatan linear probability model, logic model, probit model, dan discriminant analysis model. Dalam penulisan karya ilmiah ini pendekatan yang digunakan adalah pendekatan model probit dan model logit dimana untuk pendekatan model logit menggunakan logistic distribution function dan untuk pendekatan model probit menggunakan normal distribution function. Untuk kedua model tersebut menggunakan variabel yang memiliki nilai 0 atau 1 (dummy variable). Berdasarkan pengolahan data dalam penelitian ini ternyata kedua model memiliki hasil yang tidak berbeda dalam menentukan nilai probability of default. Untuk kedua metode tersebut ternyata variabel yang memiliki tingkat signifikansi a= 5% berjumlah 13 variabel yang artinya hanya 13 variabel itu saja yang sangat berpengaruh terhadap probability of default. Ketiga belas variabel tersebut adalah CS1, CS3, ED4, IC2, ID14, ID17, ID20, MB, MR, TN2, TN3, TN4 dan TN5. Cut-off point yang digunakan penulis dalam karya akhir ini adalah 0.4. Correct estimates yang didapat dari model logit 87.93% sementara untuk model probit 87.95%. Error Type I model logit adalah 0.28% dan untuk model probit sebesar 0.19%. Error Type I untuk melihat berapa observasi yang ditolak (reject) padahal seharusnya diterima. Sementara Error Type II model logit adalah 11.79% dan untuk model probit 11.86 %. Error Type II untuk melihat berapa observasi yang disetujui padahal seharusnya ditolak.

---

Risk Management Implementation is a must in Banking Area in Indonesia caused Bank of Indonesia has been issued regulation, name is Bank of Indonesia Regulation (PBI) number 5/8/PBI 2003 contents of Risk Management Implementation for Common Bank and Letter Issued Bank of Indonesia number 5/21/DPNP date of September 29, 2003 contents of Risk Management Implementation for Common Bank which come into effective as per September 29, 2003.

Banking is a risky area for credit risk which comes from business that had been running itself, therefore banking needs to develop a system which can be monitored and handled credit risk itself, Credit risk is a default happened where a borrower or counterparty are not able to pay back their responsibility including over head cost.

Credit scoring is a model which used in banking to know whether a borrower or counterparty acceptable or not to get a loan. From all of kind of definition in summary credit scoring model is a value for customer or borrower to define probability of default based on limited variables which could be quantified into a score, where the score is a tool to find and classified borrower into two categories those are good borrower and bad borrower. In credit scoring there are four models: linear probability model, Logic model, probit model, and discriminant analysis model.

In this thesis models which used are probit model and logit model where as for logit model using logistic distribution function and For probit model using normal distribution function. Both models are using variable which have 0 values and 1 value (dummy variable). Based on processing data in this observation unfortunately both kind of models have results which not too different significantly to determine probability of default.

In fact for both methods total variables which have significancy level for a = 5% are 13 variables means that only 13 variables have most influenced for probability of default. The thirteen of variables are CS 1, CS3, ED4, 1C2, 1014, ID 17, ID20, MB, MR, TN2, TN3, TN4 and TN5.

Cut-off point which used in this thesis is 0.4. Correct estimate from logic model is 87.93 % meanwhile for probit model is 87.95 %. Error type 1 for logit model is 0.28 % and for probit model is 0.19 %. Function of error type 1 is to find/know how many observation have to be rejected otherwise have to be accepted, vice versa meanwhile function of error type II is to find/know how many observation have to he accepted otherwise/unfortunately have to be rejected."

"ABSTRAKKredit merupakan salah satu bentuk penyaluran dana yang dilakukan oleh lembaga keuangan perbankan. Berbagai jenis kredit ditawarkan oleh pihak-pihak yang memberikan pinjaman, salah satu jenis kredit yang paling diminati adalah kredit uang. Dalam memberikan kredit, pihak bank tidak akan begitu saja dalam memberikan kredit. Model teknologi credit scoring dapat dimanfaatkan untuk menyaring peminjam. Model logistic regression dapat digunakan untuk menghubungkan probabilitas kegagalan pinjaman kredit macet dengan menggunakan data calon peminjam yang diperlukan seperti besar pendapatan perbulan, besar pinjaman, usia calon peminjam, klasifikasi pekerjaan, jenis tempat tinggal dan kepemilikan jaminan. Atribut-atribut tersebut akan dievaluasi oleh bilangan fuzzy. Sehingga diharapkan metode fuzzy logistic regression dapat digunakan untuk menentukan probabilitas kredit macet dimana dengan probabilitas tersebut dapat diketahui apakah pinjaman yang diajukan calon peminjam akan masuk kedalam kategori kredit macet atau kredit lancar.

---

ABSTRACTCredit is one form of distribution of funds by financial institutions banking. Various types of loans offered by the parties are on loan, one type of credit the most popular is credit money. In providing credit, the bank will not just provide credit. Model of credit scoring technology can be used to screen borrowers. Logistic regression models can be used to connect the probability of failure of loans bad loans using data from the prospective borrower required such a large monthly income, loan size, the age of prospective borrowers, job classification, type of dwelling and ownership guarantee. The attributes will be evaluated by fuzzy numbers. So expect fuzzy logistic regression method can be used to determine the probability of bad loans in which the probability can be known whether the proposed loan to potential borrowers will be entered into the category of bad credit or good credit."

"Credit scoring merupakan sebuah metode analisis yang digunakan oleh pihak perbankan dalam menganalisis aplikasi kredit yang diajukan oleh nasabah. Adanya kemungkinan kredit yang default, kekurangan dari metode credit scoring yang umum digunakan, serta proses analisis aplikasi kredit yang tidak efisien dalam perbankan, mendorong pihak perbankan untuk terus mencari model credit scoring yang tepat. Untuk mengatasi permasalahan tersebut, diajukan sebuah model credit scoring yang dibentuk berdasarkan pada metode Bayesian Network yang bertujuan untuk mengelompokkan pemohon kredit ke dalam dua kelas, yaitu good creditor dan bad creditor. Tingginya tingkat akurasi model serta proses penggunaan yang sederhana membuktikan bahwa model yang dibentuk sangat efektif dalam mengatasi permasalahan yang dihadapi oleh pihak perbankan dalam melakukan credit scoring.

---

Credit scoring is an analysis method used by banks to analyze credit applications which filed by customers. The possibility of credit default, the drawbacks of common credit scoring method, and the inefficiency of credit analysis process by banks, encourage the banks to keep looking for the best credit scoring model. To overcome these problems, the development of credit scoring model based on Bayesian Network is proposed. The main objective of this model is to classify the applicants into two groups, which are good creditor and bad creditor. High rate of accuracy as well as simple application process prove that formed model is very effective in addressing the problems faced by the banks in credit scoring process."

"

Credit Scoring adalah metode yang digunakan untuk memprediksi kemungkinan adanya risiko calon peminjam akan gagal bayar atau menunggak. Credit scoring digunakan oleh penyedia jasa pinjaman ketika calon peminjam dana mengajukan pinjaman. Salah satu perusahaan yang menggunakan credit scoring terhadap peminjamnya adalah Lending Club. Lending Club adalah salah satu penyedia jasa pinjam meminjam online Peer-to-Peer (P2P) di Amerika Serikat. Pada penelitian ini, dilakukan klasifikasi multikelas credit scoring berdasarkan status pinjaman (Loan Status) dari dataset Lending Club. Status pinjaman memiliki 3 kelas, yaitu default, fully paid, dan late. Dengan menggunakan pendekatan machine learning, yaitu supervised learning, klasifikasi multikelas credit scoring dapat dilakukan dengan menggunakan Multinomial Logistic Regression (MLR). MLR merupakan pengembangan dari Logistic Regression yang mampu menangani klasifikasi multikelas. Pada implementasi model MLR, digunakan 3 skenario sampling strategy pada SMOTE yang berbeda dalam mengklasifikasikan multikelas. Hasil klasifikasi multikelas dievaluasi dengan menggunakan metrik accuracy, precision, recall, F1-Score dan AUC (Area Under the Curve) One versus All. Hasil implementasi dengan evaluasi terbaik adalah model MLR dengan nilai accuracy sebesar 0,67 dan nilai rata-rata AUC One versus All sebesar 0,724932. Sedangkan evaluasi pada setiap kelas, kelas default memiliki nilai precision sebesar 0,47,recall sebesar 0,02 dan F1-Score sebesar 0,04; kelas fully paid memiliki nilai precision sebesar 0,85, recall sebesar 0,83 dan F1-Score sebesar 0,84; dan kelas late memiliki nilai precision sebesar 0,02, recall sebesar 0,84 dan F1-Score sebesar 0,04. Hasil tersebut menunjukkan bahwa kelas default memiliki hasil evaluasi yang kurang baik untuk setiap metrik evaluasi, kelas fully paid memiliki hasil evaluasi yang baik untuk setiap metrik evaluasi, sedangkan kelas late memiliki nilai yang cukup baik hanya pada nilai recall (0,84). Hasil yang kurang baik diduga dipengaruhi oleh adanya data yang tidak seimbang dan kelas yang saling tumpang tindih.

---

Credit Scoring is a method used to predict the possible risk that a prospective borrower will default or delinquency. Credit scoring is used by loan service providers when prospective borrowers apply for loans. One company that uses credit scoring for its borrowers is the Lending Club. Lending Club is a Peer-to-Peer (P2P) online lending and borrowing service provider in the United States. In this study, a multiclass credit scoring classification was carried out based on loan status from the Lending Club dataset. Loan status has 3 classes, namely default, fully paid, and late. By using a machine learning approach, namely supervised learning, multiclass classification of credit scoring can be done using Multinomial Logistic Regression (MLR). MLR is a development of Logistic Regression which is able to handle multiclass classification. In the implementation of the MLR model, 3 different sampling strategy scenarios are used in SMOTE in classifying multiclasses. The multiclass classification results are evaluated using accuracy, precision, recall, F1-Score and AUC (Area Under the Curve) One versus All metrics. The result of the implementation with the best evaluation is the MLR model with an accuracy value of 0.67 and an average value of AUC One versus All of 0.724932. While the evaluation for each class, the default class has a precision value of 0.47, a recall of 0.02 and an F1-Score of 0.04; the fully paid class has a precision value of 0.85, a recall of 0.83 and an F1-Score of 0.84; and the late class has a precision value of 0.02, a recall of 0.84 and an F1-Score of 0.04. These results show that the default class has poor evaluation results for each evaluation metric, the fully paid class has good evaluation results for each evaluation metric, while the late class has a fairly good value only on the recall value (0.84). Unfavorable results are thought to be influenced by the presence of unbalanced data and overlapping classes.

"

"ABSTRAKCredit Scoring System merupakan model yang dipakai untuk memprediksikemungkinan kinerja debitur pada waktu yang akan datang, sehingga dapatdipakai sebagai alat bantu dalam keputusan untuk pemberian kredit. Model creditscoring yang tidak akurat dapat menyebabkan peningkatan risiko kredit yangdihadapi bank. Penelitian ini bertujuan melakukan pengujian terhadap modelcredit scoring PT. Bank Ganesha, dengan menggunakan uji Loglikelihood Ratiodan Kolmogorov Smirnov Statistic, kemudian dilakukan analisis portofolio kreditdengan menggunakan vintage analysis. Hasilnya menunjukkan bahwa modelsudah tidak akurat lagi dan pada portofolio yang diuji menunjukkan terjadinyapenurunan kualitas kredit

---

ABSTRACTCredit scoring system is used for predicting the possibility that the borrower willrepay what is owed in the future time. Hence it can be used to support a lendingdecision. The inaccuracy of the credit scoring model can cause the increase of thebank’s credit risk. The purpose of this research is to test the Bank Ganesha’scredit scoring model by using the loglikelihood ratio, Kolmogorov-SmirnovStatistic tests, and vintage analysis for analyzing the credit quality of creditportfolio. The results show that the model is not accurate and that the portfoliodecreases in its credit quality"

"Seiring dengan berkembangnya industri kredit, resiko kredit telah menjadi hal yang penting bagi instansi keuangan. Sehingga, penggunaan metode yang tepat dalam menilai resiko dari setiap permohonan kredit perlu dilakukan. Credit scoring merupakan salah satu metode penilaian resiko kredit yang sering digunakan dan sudah banyak dibuat dengan menggunakan berbagai metode data mining. Penelitian ini akan mengaplikasikan metode CART dalam membuat model credit scoring dengan menggunakan kasus di Koperasi. Model credit scoring hasil penelitian ini memiliki tingkat akurasi yang cukup tinggi (83,62%) dan Type I Error yang rendah (4,04%). Namun, model ini memiliki Type II Error yang cukup tinggi yaitu, 53,23%.

---

With the rapid growth of credit industry, credit risk has become critical for financial institutions. Thus, using the best methods of assessing risk for credit applicants are needed. Credit scoring is one of the method of credit risk measurement, and has been widely developed by using various data mining techniques. This study will implement CART for constructing credit scoring model using data of microfinance institution. As the results, the credit scoring model has high accuracy (83,62%) and low Type I Error (4,04%). While its Type II Error is high (53,23%)."