Perpustakaan Digital ITB

Likuiditas merupakan faktor vital bagi keberlangsungan Usaha Mikro, Kecil, dan Menengah (UMKM), namun pemantauan manual sering kali menyebabkan krisis terlambat disadari. Penelitian ini mengembangkan sebuah sistem peringatan dini risiko likuiditas berbasis machine learning yang memanfaatkan data transaksi Point-of-Sale (POS) dengan granularitas mingguan. Data historis dari 256 UMKM diintegrasikan dengan indikator makroekonomi nasional untuk memperkaya konteks prediktif pada tiga horizon waktu (4, 12, dan 24 minggu) melalui dua pendekatan klasifikasi: Track A (tiga kelas: High Risk, Moderate, Safe) dan Track B (biner: High Risk vs Not High Risk). Hasil evaluasi menunjukkan bahwa performa terbaik bervariasi tergantung pada horizon prediksi. Pada Track A, model XGBoost dengan Focal Loss unggul pada horizon H=4 (Macro F1=0,7115) dan H=24 (Macro F1=0,7052), sedangkan Extra Trees memberikan hasil terbaik pada H=12. Pada Track B, XGBoost mencapai Macro F1 tertinggi pada H=4 (0,8590) dan H=24 (0,7946). Analisis ablasi mengungkap bahwa fitur statistik historis (rolling statistics) menjadi pendorong utama akurasi model. Sebaliknya, indikator makroekonomi tidak memberikan kontribusi signifikan terhadap peningkatan akurasi akibat ketidaksesuaian antara granularitas data mingguan dengan transmission lag kebijakan makroekonomi yang cenderung panjang. Sistem ini diimplementasikan sebagai Proof-of-Concept (PoC) berupa dashboard web interaktif. Hasil validasi pengguna menunjukkan bahwa sistem mampu menyajikan peringatan dini yang dapat ditindaklanjuti dan mudah dipahami oleh pemilik UMKM. Meskipun belum merupakan produk komersial final, hasil validasi ini membuktikan kelayakan teknis sistem dan potensi tingginya untuk diadopsi sebagai alat bantu keputusan strategis, dengan catatan memerlukan pengembangan infrastruktur integrasi data secara lebih lanjut.