Perpustakaan Digital ITB

Risiko kredit merupakan salah satu faktor paling penting yang memengaruhi stabilitas dan profitabilitas bank komersial. Sistem pemantauan kredit yang ada umumnya masih mengandalkan informasi historis debitur dan tinjauan berkala, sehingga belum tentu mampu mengidentifikasi penurunan kualitas debitur secara tepat waktu. Seiring meningkatnya kompleksitas portofolio kredit dan ketidakpastian kondisi ekonomi, bank memerlukan pendekatan yang lebih proaktif untuk mendeteksi risiko sebelum memberikan dampak yang signifikan terhadap kualitas portofolio. Penelitian ini mengembangkan Machine Learning-Based Early Warning System (EWS) sebagai bagian dari Integrated Credit Portfolio Monitoring Framework untuk portofolio Corporate Banking dan Commercial Banking Bank Sakura. Penelitian ini didasarkan pada asumsi bahwa kombinasi indikator keuangan, informasi perilaku (behavioural), dan teknik machine learning dapat meningkatkan kemampuan deteksi dini terhadap potensi penurunan kualitas debitur serta mendukung pengelolaan portofolio kredit yang lebih efektif. Penelitian menggunakan pendekatan mixed-method convergent parallel yang menggabungkan pengembangan model kuantitatif berbasis data keuangan dan perilaku debitur dengan wawancara ahli untuk memperoleh perspektif praktis industri. Analisis dilakukan melalui tahapan persiapan data, exploratory data analysis, pembentukan deterioration flag, pengembangan model, scenario planning, dan perancangan framework. Empat algoritma machine learning, yaitu Logistic Regression, Random Forest, Gradient Boosting, dan Artificial Neural Network, dievaluasi menggunakan metode five-fold stratified cross-validation. Kinerja model diukur menggunakan AUC, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa Gradient Boosting memberikan performa terbaik dengan nilai AUC sebesar 0,979. Variabel yang paling berpengaruh terhadap penurunan kualitas debitur meliputi EBITDA Interest Coverage Ratio, Revenue CAGR, Combined Turnover CAGR, Current Ratio, dan Short-Term Borrowing to Working Capital. Hasil penelitian juga menunjukkan bahwa penambahan indikator perilaku meningkatkan kemampuan prediksi model. Model hibrida yang menggabungkan indikator keuangan dan perilaku menghasilkan AUC sebesar 0,931, yang menunjukkan bahwa informasi perilaku dapat melengkapi analisis keuangan tradisional dan memberikan penilaian risiko yang lebih komprehensif serta mendukung deteksi dini terhadap potensi penurunan kualitas kredit. Analisis skenario dilakukan untuk mengevaluasi ketahanan portofolio pada kondisi dasar, tekanan moderat, dan tekanan berat. Hasilnya menunjukkan bahwa tingkat migrasi debitur yang mengalami penurunan kualitas meningkat dari 19,45% pada kondisi dasar menjadi 32,42% pada kondisi tekanan sistemik. Temuan ini menegaskan pentingnya pemantauan portofolio secara berkelanjutan dan pendekatan manajemen risiko yang bersifat forward-looking. Selain itu, hasil penelitian menunjukkan bahwa risiko portofolio dipengaruhi oleh kombinasi faktor internal debitur dan faktor makroekonomi. Berdasarkan temuan kuantitatif dan kualitatif, penelitian ini mengusulkan Integrated Credit Portfolio Monitoring Framework yang terdiri atas tiga komponen utama, yaitu Financial Deterioration Monitoring, Behavioural Monitoring, dan Portfolio Resilience Assessment. Ketiga komponen tersebut didukung oleh mekanisme tata kelola, eskalasi, dan intervensi yang dirancang untuk mendukung identifikasi risiko secara tepat waktu serta pengambilan tindakan manajemen yang diperlukan. Penelitian ini berkontribusi pada pengembangan literatur mengenai early warning system dan penerapan machine learning dalam industri perbankan, sekaligus menawarkan kerangka kerja praktis yang dapat membantu lembaga keuangan memperkuat pemantauan portofolio dan meningkatkan praktik manajemen risiko kredit yang lebih proaktif.