Prediksi Status Kredit Usaha Rakyat Dengan Metode Regresi Logistik Dan Random Forest Untuk Mengurangi Nonperforming Loan Rate

Wulansari, Wulansari (2024) Prediksi Status Kredit Usaha Rakyat Dengan Metode Regresi Logistik Dan Random Forest Untuk Mengurangi Nonperforming Loan Rate. Masters thesis, Institut Teknologi Sepuluh Nopember.

Text 6032212106-Master_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 April 2026. Download (2MB) | Request a copy

Abstract

Program Kredit Usaha Rakyat (KUR) adalah salah satu program pemerintah Indonesia dalam meningkatkan akses pembiayaan kepada Usaha Mikro, Kecil, dan Menengah (UMKM) yang disalurkan melalui lembaga keuangan dengan pola penjaminan. Dana penyaluran KUR 100% berasal dari dana lembaga keuangan penyalur KUR. Pemerintah memberikan subsidi berupa pembayaran penjaminan kredit yang menjamin kredit sebesar 70% dari nilai total kredit yang ditetapkan dan 30% sisanya ditanggung lembaga keuangan salah satunya adalah bank. Mempertahankan non performing loan (NPL) rate yang rendah sangat penting untuk mencegah terjadinya pembentukan biaya pencadangan kerugian yang akan mengurangi keuntungan bank. Memprediksi variabel yang berpengaruh terhadap macetnya KUR diperlukan untuk mencegah peningkatan NPL terutama pada tahap awal pemberian kredit. Belum terdapat penelitian untuk memprediksi kredit macet pada KUR dengan machine learning sehingga penelitian ini dilakukan untuk meningkatkan akurasi prediksi status KUR lancar atau macet menggunakan metode regresi logistik dan random forest bersama dengan teknik SMOTE untuk mengatasi data yang tidak seimbang. Variabel KUR yang digunakan dalam penelitian ini adalah unit pemroses kredit, produk, peruntukan kredit, maksimum kredit, bakidebet, bunga, jangka waktu, jaminan, sektor ekonomi, angsuran, debt service payment account (DSPA), restrukturisasi kredit, dan tipe debitur. Hasil penelitian menunjukkan bahwa klasifikasi random forest memberikan akurasi tertinggi dibanding dengan metode regresi logistik sebesar 0,979 pada data uji. Kontribusi masing-masing variabel yang mempengaruhi gagal bayar kredit pada KUR, diurutkan berdasarkan fitur dengan tingkat kepentingan tertinggi adalah DSPA, unit pemroses, maksimum kredit, status restrukturisasi, sektor ekonomi, suku bunga, produk, peruntukan kredit, jaminan, dan tipe debitur.
=================================================================================================================================
Small and micro credit program (KUR) is one of Indonesian government's programs to improve access to financing in the SME segment, channeled through financial institutions with guarantees. KUR distribution funds originate 100% from KUR-distributing financial institutions. The government offers subsidies in the form of credit guarantees, whereby 70% of the entire loan value is secured by the government, while the remaining 30% is assumed by financial institutions, such as banks. Ining a low non-performing loan (NPL) rate for KUR is crucial to averting the formation of loss-reserve expenses that will reduce the company's profits. Predicting variables that influence KUR default is essential for preventing an increase in the NPL rate, particularly in the early phases of lending. No research has been conducted to predict KUR default and variables that affect them using machine learning. This research aims to enhance the accuracy of predicting KUR default status specifically using logistic regression and random forest method with SMOTE technique to compensate for imbalanced data. KUR variables used in this research are credit processing unit, product, credit allocation, maximum credit, outstanding credit, interest rate, term, collateral, age of arrears, economic sector, installments, debt service payment account (DSPA), credit restructuring, and borrower type. The results of this research show that random forest classifiers gave the highest accuracy 0,979 respectively on data testing. Contributions of each variable that affects credit default on KUR, rank by feature importance are DSPA, credit processing unit, credit plafond, credit restructuring, economic sector, interest rate, product, credit allocation, collateral, borrower type.

Item Type:	Thesis (Masters)
Uncontrolled Keywords:	KUR, NPL, Random Forest, Regresi Logistik, Logistic Regression
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:	Wulansari Wulansari
Date Deposited:	08 Feb 2024 10:16
Last Modified:	08 Feb 2024 10:16
URI:	http://repository.its.ac.id/id/eprint/106678

Actions (login required)

View Item