Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Indonesia merupakan negara berkembang yang sebagian besar perekonomiannya didukung oleh unit-unit usaha berskala mikro, kecil dan menengah yang sering disingkat dengan UMKM. Pemerintah pun turut serta mendorong pembiayaan oleh perbankan kepada UMKM dengan dikeluarkannya Peraturan Bank Indonesia No.14/22/PBI/2012 tanggal 21 Desember 2012 tentang Pemberian Kredit Atau Pembiayaan dan Bantuan Teknis Dalam Rangka Pengembangan Usaha Mikro, Kecil, dan Menengah yang mewajibkan bank umum untuk menyalurkan dananya dalam bentuk kredit/ pembiayaan UMKM dengan pangsa sebesar minimal 20% pada tahun 2018. Dan salah satu produk UMKM yang sejak tahun 2007 gencar dicanangkan oleh pemerintah adalah program Kredit Usaha Rakyat. Namun semakin tinggi pembiayaan KUR yang dikeluarkan oleh Bank, maka semakin tinggi pula risiko gagal bayar dan Non Performing Loan yang terjadi. Dengan demikian Bank terlebih dahulu harus yakin atas kemampuan dan kesanggupan debitur untuk melunasi pinjamannya. Maka dari itu diperlukan Credit scoring sebagai suatu sistem dalam menganalisa kelayakan debitur dalam pengajuan kredit. Namun analisa dan review secara berkala terhadap model Credit scoring harus dilakukan, agar model tetap relevan dan akurat dalam setiap prediksinya. Penelitian ini dilakukan pada salah satu cabang Sentra Kredit Kecil Bank BNI, yakni BNI SKC Jatinegara Jakarta, terhadap 240 sampel debitur selama periode 2011-1013. Hasil penelitian menyatakan bahwa dari 24 variabel Credit scoring yang digunakan saat ini, hanya 11 variabel yang secara signifikan berpengaruh dalam menentukan kualitas kredit. Hasil ini kemudian membentuk sebuah model Credit scoring baru beserta bobot resiko setiap parameter yang dapat direkomendasikan kepada pihak Bank. ...... Indonesia is a developing country whose economy is largely supported by business units micro, small and medium enterprises are often abbreviated with SMEs. The government also helped and encouraged by bank financing to SMEs by the issuance of Bank Indonesia Regulation No.14/22/PBI/2012 dated December 21, 2012 on Lending Or Funding and Technical Assistance for Development of Micro, Small, and Medium Enterprises which requires commercial banks to distribute the funds in the form of credit / financing of SMEs with a share of at least 20% by 2018. And one of MSME products since 2007 incentive program announced by the government is a Public Credit. However, the higher the KUR financing issued by the Bank, the higher the risk of default and non-performing loans that happen. Therefore, the Bank must first be convinced of the capabilities and the ability to repay the loan. Thus the required Credit scoring is a system for analyzing the credit worthiness of the debtor in filing. However, analysis and review periodically the Credit scoring models have to be done, so that the model remains relevant and accurate in every prediction. This study was conducted on one of the branches Centers Small Credit Bank BNI, BNI SKC Djatinegara Jakarta, on 240 samples over the period 2011-1013 debtor. The study states that of the 24 variables Credit scoring is used today, only 11 variables were significantly influential in determining credit quality. These results are then formed a new Credit scoring models and their risk weighting of each parameter that can be recommended to the Bank.

Abstrak :
ABSTRAK
Usaha Kecil Menengah (UKM) merupakan penggerak ekonomi suatu bangsa termasuk di Indonesia, kredit segmen UKM merupakan kredit yang potensial bagi suatu Bank. Akhir-akhir ini kualitas kredit yang diukur melalui rasio Non Performing Financing (NPF) segmen UKM pada Bank Umum Syariah (BUS) dan Unit Usaha Syariah (UUS) di Indonesia cukup mengkhawatirkan (NPF aggregate >5%) seiring dengan melemahnya kondisi ekonomi makro. Credit Scoring segmen UKM di Indonesia saat ini belum mempertimbangkan kondisi ekonomi makro. Penelitian ini bertujuan untuk mendapatkan model skoring yang tidak hanya melibatkan variabel mikro ekonomi juga mempertimbangkan variabel makro ekonomi. Variable makro yang diambil dalam penelitian ini adalah inflasi, nilai tukar rupiah terhadap dollar Amerika Serikat dan BI rate. Hasil dari penelitian ini adalah model skoring UKM dengan melibatkan variable mikro ekonomi dipengaruhi oleh aktiva, modal dan hutang, sedangkan variabel makro ekonomi tidak berpengaruh secara langsung terhadap model Credit Scoring segmen UKM.

---

ABSTRACT
Small and Medium Enterprises (SMEs) is an activator of a nation's economy, including in Indonesia, SME credit is a credit that is a potential for a bank. Lately, credit quality as measured by the ratio of Non Performing Financing (NPF) SME segment in Islamic Banks (BUS) and Sharia (UUS) in Indonesia is quite alarming (NPF aggregate> 5%) in line with the weakening macro-economic conditions. Credit Scoring SME segment in Indonesia is not considering macro economic conditions yet. This study aims to get a scoring model that not only involves the micro-economic variables are also considering macroeconomic variables. Variable macro taken in this study are inflation, the exchange rate of the rupiah against the US dollar and the BI rate. The results of this study are a scoring credit model for SMEs involving micro-economic variables influenced by assets, capital and debt, while the macro-economic variables not directly affect the SME scoring Credit models.

Abstrak :
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.

Abstrak :
ABSTRAK
Kredit bermasalah atau non performing loan NPL merupakan salah satu indikator penilaian performa sebuah bank dalam menjalankan program kredit kepada nasabahnya. Peningkatan rasio NPL pada PT. Bank XYZ pada tahun 2016 memberikan dampak kerugian yang sangat besar bagi perusahaan. Tinggi atau rendahnya rasio NPL erat kaitannya dengan tingkat kepatuhan debitur dalam menyelesaikan kewajibannya sesuai dengan perjanjian yang ada. Peningkatan rasio NPL tersebut berasal dari berbagai sektor kredit termasuk kredit kepemilikan rumah KPR. Tercatat pada awal tahun 2017 terdapat 16,15 nasabah yang memiliki kredit tidak lancar pada kredit KPR FLPP. Kualitas kredit yang buruk memberikan kerugian pada Bank XYZ. Untuk mengatasi masalah tersebut, pada penelitian ini digunakan teknik data mining untuk melakukan penilaian risiko calon nasabah kredit. Teknik data mining decision tree, support vector machine dan na ve bayes digunakan untuk melakukan penilaian risiko kualitas kredit calon nasabah. Teknik ensemble classification adaptive boosting dan bagging juga digunakan untuk meningkatkan performa dari model klasifikasi dasar. Pemodelan dilakukan dengan menggunakan data nasabah KPR FLPP. Evaluasi penelitian dilakukan menggunakan teknik k-fold cross validation. Hasil dari penelitian menunjukkan model klasifikasi yang dihasilkan oleh metode base classification decision tree merupakan model yang terbaik pada kasus ini. Hasil dari pemodelan dapat digunakan dalam menilai potensi calon nasabah apakah akan menjadi nasabah yang mempunyai kualitas kredit baik atau buruk.

---

ABSTRACT
Non performing loan NPL is one of some indicators that can be used to measure the performance of bank in running a credit program to its customer. Bank XYZ rsquo s NPL rate increased in 2016 brought a huge loss to the organization. High or low NPL rate in the bank is closely related to the level of compliance of its customer in fulfilling their obligation based on agreement. The increment of NPL came from several sectors including the mortgage sector. In the beginning of 2017, there are 16.15 of customer have bad credit performance of FLPP mortgage program. Bad quality can bring loss to the Bank XYZ. To resolve that problem, data mining technique is used in order to assess the credit risk of prospect customer. Data mining techniques such decision tree, support vector machine SVM and na ve bayes are used to score the credit risk of the prospect customer. Ensemble classification technique such adaptive boosting and bagging are used as well to improve the performance of base classification rsquo s model. Modelling uses the historical customer data of FLPP mortgage program. The technique of evaluation in this research uses k fold cross validation. The result of this research shows classifiers from base classification decision tree has the best result amongst the other models in this case. The best models can be used to score the potential of prospect customer whether they will be having good credit or bad credit.

Abstrak :
ABSTRAK
Kredit 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.

---

ABSTRACT
Credit 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.

Abstrak :
Credit scoring adalah sebuah sistem yang digunakan kreditor seperti bank dan perusahaan asuransi untuk menentukan apakah pemohon kredit termasuk dalam grup good credit yakni grup yang kemungkinan besar akan membayar utangnya tepat waktu atau bad credit yang merupakan grup dengan kemungkinan besar tidak membayar utangnya tepat waktu. Salah satu metode yang paling sering digunakan dalam pembuatan model credit scoring adalah binary logistic regression.  Namun, seiring dengan kemajuan komputasi, banyak metode lain yang berkembang saat ini untuk dipakai dalam pembuatan model credit scoring yakni, metode gradient boosting. Pada skripsi ini dilakukan implementasi metode binary logistic regression dan gradient boosting dalam pemodelan credit scoring. Hasil yang didapatkan dengan menggunakan data 537.667 debitur dengan rincian 535.705 good credits dan 1.962 bad credits adalah pada data train penggunaan gradient boosting memberikan nilai tingkat akurasi 79,65%, uji KS 0,5389 dan AUROC/AUC 0,8393. Sementara pada data test penggunaan gradient boosting memberikan nilai tingkat akurasi 79,92%, uji KS 0,5345 dan AUROC/AUC 0,8313.  Nilai-nilai tersebut lebih tinggi dibandingkan dengan penggunaan binary logistic regression baik pada data train maupun data test. Berdasarkan nilai uji AUC, metode gradient boosting tergolong klasifikasi yang baik, sedangkan metode binary logistic regression> tergolong klasifikasi yang cukup. Hasil simulasi ini menunjukkan untuk data yang digunakan, metode gradient boosting memberikan hasil yang lebih baik dari sisi akurasi, uji KS, dan AUROC/AUC daripada binary logistic regression. Dengan kata lain, metode gradient boosting dapat meningkatkan discriminant power, yakni kemampuan untuk membandingkan target yang lebih baik dibandingkan dengan metode binary logistic regression. ......Credit scoring is a system used by creditors such as banks and insurance companies to determine whether credit applicants are included in the good credit group, namely the group that is most likely to pay its debts on time or the bad credit group which is the group that is most likely to not pay its debts on time. One of the most frequently used methods in making credit scoring models is binary logistic regression. However, along with the progress of computation, many other methods are currently being developed to be used in making credit scoring models, namely, the gradient boosting method. In this thesis, we will compare the binary logistic regression and gradient boosting methods in credit scoring model. The results obtained using data from 537,667 debtors with details of 535,705 good credits and 1,962 bad credits are the train data using gradient boosting gives an accuracy rate of 79.65%, KS test 0.5389 and AUROC/AUC 0.8393. Meanwhile, the test data using gradient boosting gives an accuracy rate of 79.92%, KS test 0.5345, and AUROC/AUC 0.8313. These values ​​are higher than the use of binary logistic regression in both the train and test data. Based on the AUC test value, the gradient boosting method is a good classifier, while the binary logistic regression method is an acceptable classifier. The results of this simulation show that for the data used, the gradient boosting method gives better results in terms of accuracy, KS test, and AUROC/AUC than binary logistic regression. In other words, the gradient boosting method can increase discriminant power or the ability to compare targets better than the binary logistic regression method.

Abstrak :
Bank perlu mengelola risiko kredit yang terkandung dalam portfolio kredit. Salah satu bentuk penilaian risiko kredit dengan menggunakan pendekatan atas dasar numerik adalah credit scoring. Credit scoring merupakan suatu model statistik yang dibangun atas dasar data historis debitur dalam periode waktu tertentu untuk memprediksi probabilitas talon debitur akan default (gagaI bayar) dan umumnya digunakan dalam proses pemutusan kredit. Metode penyaringan calon debitur dengan menggunakan scoring cocok digunakan untuk penyaringan calon debitur konsumtif dengan berbagai keuntungan yaitu mengurangi subyektifitas keputusan kredit, waktu anaiisa lebih cepat sehingga cocok digunakan untuk kredit konsumtif yang jumlahnya massal, bersifat terukur, terdokumentasi dan mudah dikembangkan. Tujuan dari penulisan ini untuk memberi gambaran mengenai pembentukan credit scoring yang dikembangkan oleh Bank X khususnya credit scoring pada kredit kepemilikan rumah (KPR) dan menyusun credit scoring model yang baru sebagai masukan bagi Bank X dalam mengantisipasi perubahan data demografi dan perilaku nasabah kredit konsumtif Bank X sejak implementasi awal model scoring KPR tersebut di tahun 2003. Penulisan difokuskan pada credit scoring model untuk KPR Bank X karena jenis kredit ini mencapai 42 % dari portfolio kredit konsumtif Bank X dan menunjukkan pertumbuhan yang baik. Dari 1908 data debitur KPR Bank X yang berumur 2 - 3 tahun diolah dengan menggunakan logistic regression dan diperoleh model credit scoring baru dengan sebelas variabei yang signifikan terhadap credit scoring model produk KPR Bank X yaitu variabel region, usia, jumlah anak, pendidikan, pekerjaan, tipe perusahaan, income, Debt Service Ratio, Debt to Income, dan Lama Hubungan dengan Bank. Uji terhadap model credit scoring yang dibentuk memberi hasil yaitu nilai Hit Ratio sebesar 82.1 %, yang berarti model dapat mengklasifikasikan sampel dengan correct classification sebesar 82,1 % ke dalam kelompok Good dan Bad , uji Hosmer & f emeshow Significance menghasilkan nilai chi-square 4.532 dengan signifikansi sebesar 0.806 menunjukkan bahwa data prediksi pada model dapat menggambarkan data aktual dan uji KS Statistic menghasilkan nilai sebesar 37.46 % menunjukkan bahwa model ini cukup peka dalam mernbedakan populasi Bad dan Good. Uji terhadap probability of default atas dasar bad rate dari model credit scoring ini menunjukkan bahwa semakin tinggi score yang diperoleh maka probability of default akan semakin kecil. Intepretasi terhadap persamaan credit scoring model mengaitkan tipe talon debitur baik dari data demografi maupun data keuangan dengan nilai bobot skor yang dihasilkan. Pembentukan model credit scoring juga akan memberikan suatu prediksi level acceptance rate kredit dan dengan menetapkan cut off score tertentu maka Bank X dapat memprediksi acceptance rate yang akan diperoleh yang dapat disesuaikan dengan target pencapaian kredit yang sesuai kebijakan ekspansi kredit Bank X. Bila berdasarkan penurunan had rate terbesar, maka cut off score dapat ditetapkan pada selang score 0-20 dengan acceptance rate 81.34 -91.72 %.

---

Credit portfolio risk management is a main issue that bank should address and per formed well. One of the numerical approach measurement of risk that can be used by bank is credit scoring. Credit scoring is a statistic model that is built based on debitor 's historical database in certain period q f time. This model is constructed to predict the probability of debitor's default, and at the moment, widely used by banks in the credit approval decision making process. Scoring screening method is appropriately used to sorting out consumer debitor applicant due to its advantages in reducing credit approval subjectivity bias and shot-tens analysis time. Accordingly, scoring method is suitable to be used for analyzing mass consumer credit that is measurable, document able and easy to develop. The purpose of this paper is to exemplify credit scoring construction developed by bank X; in particular credit scoring on housing loan (Kredit Kepemilikan Rupiah), and composing a new credit scoring model proposition for bank X in order to anticipate changes in demography data and consumer credit's client attitude since its initial KPR credit scoring model implementation in 2003. This paper is focused on bank X's KPR credii scoring model as this type of credit comprise up to 42% of bank X consumer credit portfolio, and showing a constant and promising growth . About 1908 data of 2-3 years Bank X's KPR debitor clients is processed using logistic regression, and a new credit scoring model with ten significant variables has been acquired. namely variable of region, age, number of children, level of education, occupation, type of company, income, Debt Service Ratio, Debt to Income and relationship period with bank. The analysis of this new credit scoring model resulted a 82.1% Hit Ratio, which mean that this model is capable to classify sample into Good and Bad group up to 82.1% of the correct classification. Thus, a 4.532 chi square value of Hosmer & Lemeshow Significance analysis with a 0.806 level of significance implies that model 's data prediction can illustrate an actual and tangible data. Furthermore, the 37.46 % value of KS Statistic analysis exhibits model 's high level sensitivity in differentiating Good and Bad population. Analysis of probability of default of this credit scoring model, using bad rate based test, shows. that the higher the score is the lower probability of default will be. Moreover, credit scoring model equation interpretgtiott links debitor applicant's demography and financial type data with the weighted scored that it produced. The credit scoring model formation will also provide prediction of credit acceptance rate level and accordingly, with a certain cut off score level, bank X can also predict the adjustment of expected acceptance rate with bank X's targeted loan expansion policy. In the condition based on the highest bad rate decreased, cut off score then, could be pegged at the 0-20 interval with acceptance rate 81.3-1 -91.72 % .

Abstrak :
Penelitian ini bertujuan untuk menganalisis dampak inovasi pasar kredit yang relatif baru yaitu P2P Lending terhadap pasar kredit di Indonesia. Studi ini menerapkan beberapa teori seperti Credit Risk dan Credit Scoring Theory untuk menetapkan teori mana yang cocok untuk mengelaborasi pasar kredit di Indonesia terhadap perkembangan P2P Lending. Pendekatan baru dalam penelitian ini adalah sistem analisis yang menggabungkan data dasar langsung dari perusahaan P2P untuk mengetahui data mana yang paling berpengaruh terhadap Non Performing Loan Rate. Dalam pembahasan, studi ini akan memberikan pemahaman yang lebih baik tentang faktor-faktor apa saja yang harus menjadi prioritas dalam credit scoring untuk memitigasi NPL. Hasil dari penelitian ini adalah debitur perempuan memiliki risiko sebesar 1,481 kali lebih besar untuk terjadinya Non Performing Loan (NPL) dibandingkan dengan debitur laki-laki, debitur yang memiliki persentase pembayaran tepat waktu yang sangat rendah yaitu 0 sampai 10% memiliki Risiko terjadinya Non Performing_Loans (NPL) 1,058 kali lebih besar dibandingkan debitur yang memiliki persentase pembayaran tepat waktu lebih dari 10%, dan debitur yang memiliki sisa kredit di bawah Rp. 1.000.000 memiliki risiko 1.192 kali lebih besar menyebabkan NPL dibandingkan dengan debitur yang memiliki saldo kredit di atas Rp. 1.000.000, sedangkan provinsi debitur, umur debitur, dan riwayat kredit tidak berpengaruh terhadap terjadinya Non Performing_Loans (NPL). ......This study aims to analyze the impact of a relatively new credit market innovation, namely P2P Lending, on the credit market in Indonesia. This study applies several theories such as Credit Risk and Credit Scoring Theory to determine which theory is suitable for elaborating the credit market in Indonesia on the development of P2P Lending. The new approach in this research is an analysis system that combines basic data directly from P2P companies to find out which data has the most influence on the Non Performing Loan Rate. In the discussion, this study will provide a better understanding of what factors should be prioritized in credit scoring to mitigate NPLs. The results of this study are female debtors have a risk of 1.481 times greater for the occurrence of Non-Performing Loans (NPL) compared to male debtors, debtors who have a very low percentage of on-time payments from 0 to 10% have a 1.058 times greater risk of causing Non-Performing_Loans (NPL) compared to debtors who have a percentage of on-time payments higher than 10%, and debtors who have remaining credit below Rp. 1,000,000 has a risk of 1,192 times greater causing NPLs compared to debtors who have credit balances above Rp. 1,000,000, while province of the debtor, age of the debtor, and credit history has no effect on the occurrence of Non-Performing_Loans (NPL).

Abstrak :
Saat ini credit scoring calon nasabah produk Kreasi Pegadaian masih menggunakan scorecard konvensional berupa pembobotan pertanyaan. Model credit scoring tersebut dibangun berdasarkan pengalaman pakar (expert scorecard) dan kemungkinan ada unsur subjektivitas dalam penilaian kelayakan kredit. Untuk mengatasi masalah tersebut, penelitian ini membangun model credit scoring dengan pendekatan data mining menggunakan data riwayat kredit nasabah produk Kreasi (data driven scoring) menggunakan algoritma klasifikasi, diantaranya: support vector machine (SVM), naïve bayes, decision tree dan neural network. Pengembangan model dilakukan dengan menggunakan metodologi CRISP-DM (The Cross Industry Standard Process for Data Mining). Model dibangun dengan kriteria tanpa penggunaan feature selection dan dengan feature selection. Teknik SMOTE (Synthetic Minority Over Sampling Technique) dan Oversampling dipilih untuk menyeimbangkan class data. Dari hasil evaluasi kinerja model menunjukan model SVM dengan feature selection dan penyeimbangan class menggunakan teknik Oversampling dipilih sebagai model dengan kinerja terbaik. ......Currently, the credit worthiness of Pegadaian prospective customers still uses a conventional scorecard in the form of weighting questions. The model is built based on expert experience which is called expert scorecard. There might be an element of subjectivity in credit assessment. To resolve that problem, in this research data mining classification techniques are used to build credit scoring models. There are four classification algorithms, namely SVM (Support Vector Machine), Naïve Bayes, Decision Tree and Neural Network as a classification algorithm. Modelling uses the historical customer credit data of Pegadaian Kreasi product. CRISP-DM (The Cross Industry Standard Process for Data Mining) is used as a development methodology. Modeling is done with two criteria, by considering the use of feature selection and without feature selection. The SMOTE (Synthetic Minority Over Sampling Technique) and Oversampling techniques are chosen to balance the class data. The result of this research shows the SVM model with feature selection and data balancing using the Oversampling technique was chosen as the model with the best performance.

Abstrak :
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.