digilib@itb.ac.id +62 812 2508 8800

COVER Kadek Dwi Pradnyana
PUBLIC Roosalina Vanina Viyazza

BAB 1 Kadek Dwi Pradnyana
PUBLIC Roosalina Vanina Viyazza

BAB 2 Kadek Dwi Pradnyana
PUBLIC Roosalina Vanina Viyazza

BAB 3 Kadek Dwi Pradnyana
PUBLIC Roosalina Vanina Viyazza

BAB 4 Kadek Dwi Pradnyana
PUBLIC Roosalina Vanina Viyazza

BAB 5 Kadek Dwi Pradnyana
PUBLIC Roosalina Vanina Viyazza

PUSTAKA Kadek Dwi Pradnyana
PUBLIC Roosalina Vanina Viyazza

PT Gemilang, fintech keuangan mikro, memungkinkan masyarakat yang tidak memiliki rekening bank dan yang tidak memiliki rekening bank untuk mengakses kredit dengan menawarkan pinjaman kecil tanpa agunan. Perusahaan berfokus pada pembiayaan mikro pinjaman kelompok di mana peminjamnya adalah pengusaha mikro perempuan di Indonesia dan disatukan sebagai satu kelompok. Setiap anggota kelompok secara bersama-sama bertanggung jawab atas pengembalian pinjaman. Karena banyaknya peminjam yang gagal melunasi pinjamannya, perusahaan saat ini menghadapi peningkatan kredit bermasalah. Meskipun perusahaan menggunakan metode penilaian kredit untuk mengevaluasi risiko calon peminjam, metode ini sekarang sudah ketinggalan zaman dan tidak akurat, yang berarti mereka tidak dapat menyaring kredit macet secara efektif. Akibatnya, perusahaan berjuang untuk mengelola kredit bermasalah yang tinggi. Penelitian ini mencoba membangun model prediksi gagal bayar kredit untuk pinjaman kelompok keuangan mikro menggunakan Machine Learning. Sementara teknik penilaian kredit untuk pinjaman individu telah dipelajari secara ekstensif, ada kekurangan penelitian tentans model kredit untuk pinjaman kelompok. Kami memeriksa enam metode pembelajaran mesin yang berbeda, termasuk XGBoost, Linear Regression, Linear Discriminant Analysis (LDA), Decision Tree, tetangga terdekat k (KNN), dan Random Forest. Metode tersebut kemudian dievaluasi menggunakan akurasi dan skor ROC AUC. Model XGBoost melakukan yang terbaik selama fase pemodelan pertama. Dengan akurasi 0,97 dan skor AUC 0,85, kinerjanya lebih baik daripada model lain. Decision Tree dan Random Forest memberikan hasil yang sebanding, dengan AUC 0,81 dan 0,80 dan akurasi 0,81, 0,95, dan 0,97. Dalam upaya meningkatkan kinerja dilakukan class balancing. itu menyesuaikan bobot kelas dari kelas mayoritas dan minoritas selama fase pelatihan model. Akibatnya, bobot kelas akan bertugas mengalokasikan bobot yang sama untuk kedua kategori. Performa model XGBoost berhasil ditingkatkan, menghasilkan peningkatan AUC dari 0,85 menjadi 0,89. Akurasinya tetap sama dengan 0,97. Tingkat false positive dan false negative untuk model ini keduanya rendah (masing-masing 2,05% dan 1,38%). Akibatnya, model tersebut telah dikembangkan secara efektif dan mampu membedakan antara pinjaman yang buruk dan yang baik. Studi ini menunjukkan bahwa layak untuk mengembangkan model dengan kemampuan prediksi yang kuat untuk pembiayaan kelompok keuangan mikro. Selain itu, disarankan agar model tersebut dimasukkan ke dalam sistem manajemen risiko. Ini dapat membantu perusahaan mengidentifikasi pinjaman buruk dan hanya memesan pinjaman bagus. Hal ini akan menghasilkan tingkat pengembalian yang lebih tinggi, kualitas pinjaman yang lebih tinggi, dan jumlah kredit bermasalah yang rendah. Performa model terakhir dengan algoritme XGBoost diharapkan dapat secara dramatis meminimalkan jumlah pinjaman tunggakan. Model yang diusulkan memiliki recall sebesar 0,79, dengan kata lain dapat mendeteksi 79% dari total kredit macet. Jika jumlah kredit macet di alam adalah 7% maka pengurangan yang dibantu oleh model ini menjadi 5,5%, hanya menyisakan 1,5% kredit macet dalam portofolio kredit perusahaan.