Pengembangan Credit Risk Model Dengan Machine Learning Untuk Pemantauan Kredit Small Medium Enterprise

Noveriyanto, Berry (2023) Pengembangan Credit Risk Model Dengan Machine Learning Untuk Pemantauan Kredit Small Medium Enterprise. Masters thesis, Institut Teknologi Sepuluh Nopember.

Text 6032211060-Master_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 September 2025. Download (982kB) | Request a copy

Abstract

Pemantauan kredit telah menjadi norma di perbankan modern sebagai strategi untuk mendeteksi lebih awal memburuknya kualitas kredit. Bank atau lembaga keuangan lainnya biasanya memiliki proses sistematis untuk melakukan pemantauan kredit. Dalam risiko kredit, selain menilai risiko dari calon debitur, sangat penting untuk mengambil keputusan proaktif dengan memperkirakan risiko meningkatnya Non Performing Loan (NPL) dari kredit yang telah berjalan. Penelitian ini merupakan studi eksperimental klasifikasi debitur Small Medium Enterprise (SME) sebagai non-performa atau performa. Tujuan penelitian ini untuk mengembangkan credit risk modelling dengan tingkat akurasi yang baik sehingga dapat digunakan sebagai sebagai salah satu tool monitoring kredit. Data yang digunakan menggunakan beberapa fitur yang ada saat pemberian kredit dan fitur perilaku dengan data diperoleh dari salah satu Bank di Indonesia. Model yang diusulkan bertujuan untuk memberikan early warning 6 bulan sebelumnya untuk memprediksi debitur yang akan jatuh ke Non Performing Loan (NPL) dengan menggunakan algoritma Regresi Logistik dan teknik oversampling. Hasil dari penelitian ini menunjukkan variabel DSC, DER, CR dan tanggal setor angsuran merupakan fitur penting dalam menentukan credit default. Nilai AUC (Area Under Curve) pada credit model yang dihasilkan mengalami peningkatan setelah diterapkan teknik oversampling SMOTE dari nilai 0.766 ke 0.785 yang menunjukkan bahwa performa model yang dihasilkan memiliki sensitifitas yang baik dalam memprediksi kemungkinan credit default dalam waktu 6 bulan ke depan.
==================================================================================================================================
Credit monitoring has become a standard practice in modern banking as a strategy to detect early signs of deteriorating credit quality. Banks and other financial institutions usually have systematic processes for credit monitoring. In credit risk management, besides assessing the risk of prospective borrowers, it is crucial to make proactive decisions by forecasting the increasing risk of Non-Performing Loans (NPL) from existing credits. This research is an experimental study that classifies Small Medium Enterprise (SME) borrowers as non-performing or performing. The purpose of this study is to develop credit risk modeling with high accuracy level, which can be used as one of the credit monitoring tools. The data used includes several features available at the time of credit approval and behavioral features, collected from one of the banks in Indonesia. The proposed model aims to provide an early warning 6 months in advance to predict borrowers who may fall into Non-Performing Loans (NPL) using the Logistic Regression algorithm and oversampling technique. The results of this study indicate that the variables DSC, DER, CR, and the date of installment deposit are significant features in determining credit default. The AUC (Area Under Curve) value of the credit model increased from 0.766 to 0.785 after applying the SMOTE oversampling technique, indicating that the generated model has good sensitivity in predicting the possibility of credit default within the next 6 months.

Item Type:	Thesis (Masters)
Uncontrolled Keywords:	Model Risiko Kredit, Regresi Logistik, Early Warning NPL; Credit Risk Model, Logistic Regretion, Early Warning NPL
Subjects:	Q Science > Q Science (General) > Q325.5 Machine learning. Support vector machines.
Divisions:	Interdisciplinary School of Management and Technology (SIMT) > 61101-Master of Technology Management (MMT)
Depositing User:	Berry Noveriyanto
Date Deposited:	26 Sep 2023 06:00
Last Modified:	26 Sep 2023 06:00
URI:	http://repository.its.ac.id/id/eprint/104151

Actions (login required)

View Item