<![CDATA[Risiko kredit merupakan salah satu tantangan utama dalam aktivitas perbankan, terutama dalam menilai kelayakan nasabah kredit yang tergolong non-performing loan (NPL) atau memiliki potensi gagal bayar sehingga menjadi indikator awal dari potensi gagal bayar di masa depan. Permasalahan muncul karena sistem klasifikasi tradisional dalam perbankan sering kali tidak mampu mengidentifikasi nasabah yang secara nominal masih lancar membayar, tetapi sebenarnya memiliki risiko tinggi gagal bayar. Akibatnya, bank mungkin salah mengkategorikan kualitas kredit, yang berdampak pada ketidaktepatan penghitungan Cadangan Kerugian Penurunan Nilai (CKPN). Hal ini dapat meningkatkan beban operasional dan risiko finansial bagi bank. Oleh karena itu, penting bagi bank untuk memiliki sistem early warning system yang dapat mendeteksi risiko keterlambatan pembayaran sedini mungkin. Penelitian ini menggunakan machine learning dengan metode Support Vector Machine (SVM) dengan berbagai jenis kernel—linear, RBF, polynomial, dan sigmoid—untuk membangun model klasifikasi risiko keterlambatan pembayaran kredit. Data yang digunakan mencerminkan keberagaman profil nasabah, dengan rata-rata skor kredit 650,53 dan mayoritas berstatus kredit lancar (79,63%). Hasil menunjukkan bahwa kernel RBF memberikan performa terbaik, dengan akurasi 85,45%, sensitivitas 83,83%, dan spesifisitas 90,58%. Model ini diharapkan dapat membantu bank memitigasi risiko kredit secara lebih akurat dan proaktif, sehingga kualitas aset tetap terjaga dan beban CKPN dapat dikendalikan dengan lebih baik]]>
Copyrights © 2025
