<![CDATA[Penelitian ini bertujuan untuk menganalisis prediksi risiko pembiayaan pada Bank Baitul Maal Wat Tamwil (BMT) UGT Nusantara menggunakan algoritma Support Vector Machine (SVM). Permasalahan utama yang dihadapi BMT adalah tingginya risiko gagal bayar akibat kualitas nasabah yang beragam, minimnya data keuangan yang memadai, serta kurangnya literasi keuangan di kalangan masyarakat. Untuk itu, penelitian ini menggunakan metode machine learning guna meningkatkan akurasi prediksi risiko pembiayaan.Penelitian dilakukan dengan pendekatan kuantitatif menggunakan data pembiayaan bulan Maret 2025 sebanyak 182 data nasabah. Data dianalisis menggunakan kernel pada SVM, yaitu Radial Basis Function (RBF). Proses penelitian mencakup preprocessing data, seleksi fitur, transformasi data kategorikal menjadi numerik, dan evaluasi model dengan confusion matrix.Hasil penelitian menunjukkan bahwa model SVM mampu mengklasifikasikan nasabah ke dalam kategori risiko rendah dan tinggi dengan tingkat akurasi yang baik. Variabel Loan to Value (LTV) dan taksasi menunjukkan korelasi signifikan terhadap risiko pembiayaan. Kernel RBF menunjukkan performa lebih baik dibanding kernel linear berdasarkan metrik evaluasi seperti accuracy, precision, recall, dan F1-score. Kesimpulan dari penelitian ini adalah bahwa algoritma SVM efektif digunakan untuk mendeteksi nasabah berisiko, membantu BMT dalam mitigasi risiko, dan meningkatkan objektivitas dalam pengambilan keputusan pembiayaan.]]>
Copyrights © 2025
