<![CDATA[Penelitian ini menyajikan rancangan dan pembuktian pemanfaatan model machine learning untuk prediksi gagal bayar sesuai definisi Otoritas Jasa Keuangan pada produk KPRS (Kredit Pemilikan Rumah Subsidi) berbasis perilaku pembayaran angsuran pada segmen MBR (Masyarakat Berpenghasilan Rendah). Berbeda dengan sebagian besar penelitian terdahulu yang berfokus pada application scoring saat pengajuan atau pencairan kredit dengan data statis nasabah seperti kemampuan finansial, riwayat peminjaman, informasi pekerjaan, agunan dan data statis lainnya, studi ini menargetkan kredit yang sudah berjalan (on-book) dengan memanfaatkan jejak historis pembayaran angsuran sebagai sumber utama sinyal risiko. Dataset berasal dari salah satu bank penyalur KPRS. Dengan teknik rekayasa fitur, data pembayaran angsuran diubah menjadi fitur tabular yang merangkum perilaku pembayaran (misalnya konsistensi nominal, kelancaran waktu bayar dan pola keterlambatan) yang kemudian dipelajari oleh beberapa metode machine learning, antara lain Multilayer Perceptron, Random Forest, XGBoost dan Logistic Regression. Data mencakup 8.116 akun dan 409.130 catatan transaksi dengan evaluasi menggunakan train set periode 2017–2022 (6.585 akun) dan test set 2023–2024 (1.217 akun). Model terbaik dicapai oleh MLP dengan performa AUC ≈ 0,997 pada test set dengan F1 Score maksimum pada threshold 0,3013 memberikan precision 0,7907, recall 0,9444 dan F1 0,8608. Hasil ini menunjukkan bahwa untuk pinjaman KPRS yang sudah berjalan, pola perilaku pembayaran angsuran semata—tanpa perlu menambahkan informasi mengenai kondisi usaha, kondisi finansial, agunan, maupun karakteristik lain nasabah—dapat dimanfaatkan untuk membangun model machine learning yang mampu memprediksi risiko gagal bayar secara akurat dan dapat memberikan early warning pada portofolio KPRS, sehingga tindakan pencegahan seperti intervensi, reminder atau kunjungan lapangan diharapkan dapat dilakukan secara lebih terarah dan efisien.]]>
Copyrights © 2025
