GANI, Andri Ismatullah (2024) ANALISIS PENDEKATAN MACHINE LEARNING DALAM MEMPREDIKSI DEFAULT KREDIT PERBANKAN SEBAGAI EARLY WARNING SYSTEM BAGI PENGAWAS BANK. Masters thesis, UNDIP: Fakultas Ekonomika dan Bisnis.

	Text (Cover) 1._T___Cover___12010121410123.pdf - Published Version Download (243kB)
	Text (Abstrak (Inggris)) 4._T___Abstrak_(Inggris)___12010121410123.pdf - Published Version Download (284kB)
	Text (Abstrak (Indonesia)) 5._T___Abstrak_(Indonesia)___12010121410123.pdf - Published Version Download (229kB)
	Text (Daftar Isi) 6._T___Daftar_Isi___12010121410123.pdf - Published Version Download (275kB)
	Text (Daftar Pustaka) 12._T___Daftar_Pustaka___12010121410123.pdf - Published Version Download (297kB)
	Text (Fulltext PDF Bookmarks) 16._T___Fulltext_PDF_Bookmarks___12010121410123.pdf Restricted to Repository staff only Download (1MB)

Abstract

Dalam manajemen risiko kredit, penting bagi bank untuk dapat
mengantisipasi terjadinya gagal bayar kredit, baik ketika melakukan analisis
kelayakan calon debitur, atau saat proses pemantauan terhadap portofolio kredit
bank. Penelitian ini berfokus pada penggunaan machine learning di proses
pemantauan kredit, untuk memprediksi gagal bayar pada kredit modal kerja dan
kredit investasi berdasarkan data non-demografis debitur. Selanjutnya akan
dilakukan identifikasi variabel-variabel yang memiliki tingkat kepentingan tinggi
pada model tersebut serta hubungan masing-masingnya terhadap gagal bayar kredit.
Penelitian ini menggunakan data posisi bulanan untuk rekening kredit yang
menjadi sampling dari 105 bank di Indonesia untuk periode data bulan Agustus
2018 sampai dengan Desember 2019 dalam membangun classification machine
learning model. Evaluasi hubungan variabel penting pada model yang dihasilkan
terhadap gagal bayar kredit dilakukan dengan menggunakan SHapley Additive
exPlanations (SHAP) sebagai salah satu algoritma eXplainable Artificial
Intelligence (XAI) tool.
Prediksi dari machine learning model yang dihasilkan dapat mencapai
tingkat akurasi sebesar 98,85% secara keseluruhan, dan tingkat presisi sebesar 75%
dalam memprediksi gagal bayar kredit. Dengan menggunakan SHAP, diketahui
hubungan antara variabel-variabel terpenting pada model yang dihasilkan dengan
variabel gagal bayar kredit dimana mayoritas hubungannya konsisten dengan
temuan pada beberapa penelitian yang telah ada.

Actions (login required)

View Item