Algoritma Random Forest pada Prediksi Status Kredit Usaha Rakyat untuk Mengurangi Nonperforming Loan Rate
DOI:
https://doi.org/10.52985/insyst.v5i2.358Keywords:
KUR, NPL, Random Forest, Regresi LogistikAbstract
Program Kredit Usaha Rakyat (KUR) adalah salah satu program pemerintah Indonesia dalam meningkatkan akses pembiayaan kepada Usaha Mikro, Kecil, dan Menengah (UMKM) yang disalurkan melalui lembaga keuangan dengan pola penjaminan. Dana penyaluran KUR 100% berasal dari dana lembaga keuangan penyalur KUR. Pemerintah memberikan subsidi berupa pembayaran penjaminan kredit yang menjamin kredit sebesar 70% dari nilai total kredit yang ditetapkan dan 30% sisanya ditanggung lembaga keuangan salah satunya adalah bank. Mempertahankan non performing loan (NPL) rate yang rendah sangat penting untuk mencegah terjadinya pembentukan biaya pencadangan kerugian yang akan mengurangi keuntungan bank. Memprediksi variabel yang berpengaruh terhadap macetnya KUR diperlukan untuk mencegah kredit macet terutama pada tahap awal pemberian kredit. Belum terdapat penelitian untuk memprediksi kredit macet pada KUR menggunakan machine learning. Penelitian ini bertujuan agar Bank dapat melakukan prediksi dengan pendekatan machine learning dan mengetahui kontribusi variabel yang mempengaruhi KUR macet. Teknik SMOTE juga digunakan dalam penelitian untuk mengatasi ketidakseimbangan data. Hasil yang diperoleh menunjukkan bahwa klasifikasi random forest memberikan akurasi lebih tinggi dari regresi logistik yaitu sebesar 88% pada data uji. Urutan tingkat kepentingan dari kontribusi variabel yang mempengaruhi macet pada KUR adalah status restrukturisasi kredit, ketersediaan debt service payment account, unit operasional pemroses kredit, dan sektor usaha dapat menjadi dasar Bank untuk menganalisis profil resiko proses KUR baru sehingga dapat menurunkan potensi kredit bermasalah kedepannya dan menekan NPL rate.
References
Bank Indonesia, “Undang-Undang Republik Indonesia Nomor 10 Tahun 1998 Tentang Perbankan.” Jakarta, 1998.
Menteri Koordinator Bidang Perekonomian, “Peraturan Menteri Koordinator Bidang Perekonomian Nomor 1 Tahun 2022 tentang Pedoman Pelaksanaan Kredit Usaha Rakyat.” Jakarta, 2022.
S. B. Haryanto and E. T. Widyarti, “Analisis Pengaruh NIM, NPL, BOPO, BI Rate dan CAR terhada Penyaluran Kredit Bank Umum Go Public Periode Tahun 2012-2016,” vol. 6, no. Nomor 4, pp. 1–11, 2017.
M. Madaan, A. Kumar, C. Keshri, R. Jain, and P. Nagrath, “Loan default prediction using decision trees and random forest: A comparative study,” IOP Conf Ser Mater Sci Eng, vol. 1022, no. 1, p. 012042, Jan. 2021, doi: 10.1088/1757-899X/1022/1/012042.
Q. Zhang, “Loan Risk Prediction Model based on Random Forest,” Advances in Economics, Management and Political Sciences, vol. 5, no. 1, pp. 216–222, Apr. 2023, doi: 10.54254/2754-1169/5/20220082.
J. Sanjaya, E. Renata, V. E. Budiman, F. Anderson, and M. Ayub, “Prediksi Kelalaian Pinjaman Bank Menggunakan Random Forest dan Adaptive Boosting,” Jurnal Teknik Informatika dan Sistem Informasi, vol. 6, no. 1, Apr. 2020, doi: 10.28932/Jutisi.v6i1.2313.
L. Zhu, D. Qiu, D. Ergu, C. Ying, and K. Liu, “A study on predicting loan default based on the random forest algorithm,” Procedia Comput Sci, vol. 162, pp. 503–513, 2019, doi: 10.1016/j.procs.2019.12.017.
M. K. Pandey, M. Mittal, and K. Subbiah, “Optimal balancing & efficient feature ranking approach to minimize credit risk,” International Journal of Information Management Data Insights, vol. 1, no. 2, Nov. 2021, doi: 10.1016/j.jjimei.2021.100037.
L. Zhou and H. Wang, “Loan Default Prediction on Large Imbalanced Data Using Random Forests,” TELKOMNIKA Indonesian Journal of Electrical Engineering, vol. 10, no. 6, Sep. 2012, doi: 10.11591/Telkomnika.v10i6.1323.
E. Widodo, O. A. Rochmadhan, Lukmandono, and Januardi, “Modeling Bayesian inspection game for non-performing loan problems,” Operations Research Perspectives, vol. 9, p. 100218, 2022, doi: 10.1016/j.orp.2021.100218.
U. Aslam, H. I. T. Aziz, A. Sohail, and N. K. Batcha, “An empirical study on loan default prediction models,” J Comput Theor Nanosci, vol. 16, no. 8, pp. 3483–3488, 2019, doi: 10.1166/jctn.2019.8312.
A. K. Sharma, L.-H. Li, and R. Ahmad, “Default Risk Prediction Using Random Forest and XGBoosting Classifier,” 2023, pp. 91–101. doi: 10.1007/978-3-031-05491-4_10.
B. Prasojo and E. Haryatmi, “Analisa Prediksi Kelayakan Pemberian Kredit Pinjaman dengan Metode Random Forest,” Jurnal Nasional Teknologi dan Sistem Informasi, vol. 7, no. 2, pp. 79–89, Sep. 2021, doi: 10.25077/TEKNOSI.v7i2.2021.79-89.
M. I. Putra, A. Yusuf, and N. Yalina, “Klasifikasi Kelancaran Kredit Dengan Metode Random Forest,” Systemic: Information System and Informatics Journal, vol. 5, no. 2, pp. 7–12, Mar. 2020, doi: 10.29080/Systemic.v5i2.713.
G. K. Rajbahadur, S. Wang, Y. Kamei, and A. E. Hassan, “The impact of feature importance methods on the interpretation of defect classifiers,” Feb. 2022, doi: 10.1109/TSE.2021.3056941.
Downloads
Additional Files
Published
How to Cite
Issue
Section
License
Copyright (c) 2023 INSYST: Journal of Intelligent System and Computation
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
