Perpustakaan Digital ITB

Sektor perbankan Islam menghadapi banyak tantangan selama proses evaluasi kredit manual. Beberapa di antaranya adalah kemungkinan kesalahan manusia, penyaringan konsumen berisiko tinggi yang tidak memadai, dan ketidakmampuan untuk menemukan kemungkinan gagal bayar. Studi ini bertujuan untuk mengatasi masalah ini dengan menggunakan model pembelajaran mesin untuk meningkatkan proses penilaian kredit dan memperkuat mekanisme penilaian risiko, dengan tujuan mengurangi jumlah kejadian NPF dalam portofolio perbankan Islam. Masalah yang diidentifikasi menyebabkan peningkatan tingkat Pembiayaan Bermasalah (NPF) Tujuan utama dari penelitian ini untuk mengembangkan dan menerapkan sistem penilaian kredit otomatis yang berpusat pada data yang menggunakan algoritma pembelajaran mesin untuk memperkirakan dan mengurangi risiko NPF. Dengan beralih dari metode evaluasi manual ke penilaian kredit otomatis, penelitian ini bertujuan untuk meningkatkan akurasi dan efektivitas penilaian kredit. Untuk menilai kinerja perusahaan dalam memprediksi gagal bayar kredit dalam konteks perbankan Islam, studi ini menggunakan model pembelajaran mesin seperti regresi logistik, hutan acak, pohon keputusan, dan XGBoost. Studi analisis kesenjangan yang komprehensif menunjukkan bahwa sistem evaluasi kredit manual saat ini tidak efisien secara signifikan, karena bergantung pada pengambilan keputusan subjektif dan menggunakan wawasan berbasis data yang sedikit. Sistem penilaian kredit yang lebih tepat dan dapat diandalkan dihasilkan dari penggunaan metode pembelajaran mesin untuk mengatasi inefisiensi. Hasilnya pembelajaran mesin dapat meningkatkan keakuratan prediksi sistem penilaian kredit, mengurangi kemungkinan pinjaman yang tidak dibayar kembali, dan membantu menjaga kestabilan bank Islam. Studi ini menunjukkan strategi yang berguna untuk menggunakan pembelajaran mesin dalam mengelola risiko dalam perbankan Islam.