Analisis aktivitas peminjaman pada Bank Sumsel Babel Cabang Pagaralam

menggunakan pendekatan Algoritma Classifier

1. ABSTRAK

Kehidupan sehari-hari memerlukan informasi yang akurat, dan pengetahuan akan memainkan peran
penting dalam pertumbuhan peradaban saat ini dan masa depan. Tidaklah cukup hanya mengandalkan
data operasional ketika menggunakan data yang ada dalam sistem informasi untuk membantu aktivitas
pengambilan keputusan; analisis data diperlukan untuk menyadari sepenuhnya potensi informasi yang
sudah tersedia. Pemerintah dan perbankan saat ini bekerja sama dalam menyalurkan kredit devisa yang
membantu UMKM yang ingin mengembangkan usahanya dengan memberikan tambahan modal. Kredit
macet tidak lepas dari kredit buruk dalam pemberian kredit perbankan, salah satu permasalahan yang
sering dihadapi perbankan saat ini. Selain itu, seorang analis kredit harus melakukan penelitian dan
analisis manual untuk mengevaluasi keadaan bisnis calon debitur yang diperkirakan mempengaruhi
kapasitas mereka untuk melakukan kewajibannya kepada Bank sambil meninjau penyaluran kredit luar
negeri kepada UMKM. Dalam penelitian ini diterapkan algoritma classifier untuk membuat model
prediksi untuk memprediksi nasabah sebelum aplikasi peminjaman digunakan dan proses untuk melewati
proses peminjaman di Bank Sumsel cabang Pagaralam. Percobaan telah dilakukan, dan berdasarkan data
dan model kami, diperoleh hasil akurasi 85,54% berdasarkan model pengklasifikasi Random Forest.
Hasilnya menunjukkan bahwa algoritme tersebut sepenuhnya masuk akal dalam memprediksi data
pelanggan
Pendahuluan
 Perbankan adalah organisasi keuangan yang tugasnya mengumpulkan uang dari masyarakat umum
dan menyebarkannya sebagai pinjaman. Setiap layanan yang ditawarkan bank nyaman, seperti
layanan penyediaan pinjaman valas kepada UMKM. Pemerintah dan perbankan saat ini bekerja sama
untuk mendistribusikan kredit devisa yang membantu UMKM yang ingin mengembangkan usahanya
dengan memberikan tambahan modal. Karena kredit devisa merupakan produk kredit yang
dikeluarkan pemerintah, maka pemerintah dalam Permenko Peraturan No.2 Tahun 2021 memberikan
kebijakan bagi perbankan untuk menawarkan bunga kredit murah khususnya 6% per tahun,

 Sebaliknya, manfaat kredit valuta asing adalah keuntungan bagi dunia usaha
perbankan, karena semakin tinggi jumlah kredit yang disalurkan maka semakin besar
pula keuntungan bagi dunia usaha. Namun dengan menawarkan kredit valas, Bank
tidak hanya memberikan keuntungan kepada debitur. pinjaman tetapi juga menanggung
sebagian besar risiko perusahaan
 Kredit macet tidak lepas dari kredit buruk dalam pemberian kredit perbankan yang
merupakan salah satu permasalahan yang sering dihadapi perbankan saat ini. Karena
banyaknya calon debitur yang dapat memanfaatkan kredit, maka Bank harus
memutuskan calon debitur mana yang memenuhi syarat. Bank menggunakan prinsip
kehati-hatian dalam memilih. calon debitur yang sesuai
Penelitian Terdahulu

 Dhea dkk. (2022) menggunakan Naïve Bayes, Random Forest dan SVM untuk
menyelesaikan dokumen skripsi mahasiswa MTI. Eksperimen menunjukkan
hasil dari Random Forest memberikan performa terbaik

 Peneliti lain, Misinem dkk. (2022), menggunakan Regresi Linier, Naïve Bayes,
Decision Tree, Random Forest, dan Support Vector Machine (SVM) untuk
menangani kepuasan pengguna terhadap aplikasi mobile banking. Eksperimen
menunjukkan hasil dari Random Forest memberikan performa terbaik

 Haryati, Kurniawan dan Negara (2023) dalam penelitiannya menggunakan

pendekatan Naïve Bayes, Random Forest dan SVM untuk menyelesaikan
pemberian beasiswa prestasi di SMA. Hasilnya menunjukkan Random Forest
memberikan performa terbai
Metodologi
 Proses makalah ini untuk memecahkan masalah tersebut mencakup penelitian data
mining atau pembelajaran mesin. Penambangan data adalah proses menemukan
pengetahuan dalam database yang dikenal sebagai penambangan data. Penambangan
data melibatkan identifikasi dan penggalian informasi yang relevan dan pengetahuan
terkait dari database besar-besaran menggunakan pendekatan matematika, statistik,
kecerdasan buatan, dan pembelajaran mesin (Turban. E., et al., 2005).

Proses mencari pola tersembunyi berupa pengetahuan yang belum ditemukan sebelumnya
dari sekumpulan data—bisa di database, data warehouse, atau media penyimpanan
informasi lainnya—dikenal dengan istilah data mining. Berikut ini adalah faktor penting
dalam data mining:
1. Metode otomatis untuk menambang data yang ada.
2. Data yang perlu diolah cukup banyak.
3. Penambangan data bertujuan untuk menemukan hubungan atau pola yang dapat
menghasilkan indikator-indikator yang bermanfaat (Kusrini dan Emha, 2009).

Dengan bantuan alat khusus, prosedur penambangan data yang dirancang berdasarkan
model analitik dilakukan. Data mining adalah menganalisis data untuk mengungkap
informasi tersembunyi dalam sejumlah besar data yang disimpan untuk digunakan dalam
operasi perusahaan.
LANGKAH LANGKAH DATA MINING
Pengumpulan data
 Data sampel yang digunakan dalam penelitian ini adalah data nasabah laporan kredit tahun 2012 sampai
dengan tahun 2022 pada Bank Sumsel Babel Cabang Pagaralam. Berikut data yang digunakan dalam
penelitian ini seperti terlihat pada Tabel 1.

 NO
1
Field
Jenis kelamin
Keterangan
Atribut ini menjelaskan gender yang memberikan banyak pujian buruk (perempuan atau laki-laki).

2 Tanggal lahir Atribut ini menjelaskan tanggal lahir pelanggan.

3 Usia Atribut ini menjelaskan umur nasabah dengan kredit macet, semi macet dan lancer. Usia dikategorikan sebagai
berikut: Remaja (17 – 25) dengan status belum menikah, Dewasa (26 – 35) atau usia (17 – 25) dengan status
menikah, Dewasa Akhir (36 – 45), Lansia Dini (46 – 55), Lanjut Usia Lansia (56 - 65).

4 Status pernikahan Atribut ini menjelaskan status nasabah yang mempunyai kredit macet (belum menikah, menikah atau janda/duda).

5 Kategori Pekerjaan Atribut ini menjelaskan pekerjaan-pekerjaan yang mempunyai kredit macet (pengusaha, PNS, non-guru, pegawai
swasta, pelajar, BUMN/BUMD dan lain-lain).

6 Jenis Kredit KUR Atribut ini menentukan jenis kredit KUR

7 Kolektibilitas Atribut ini merupakan alat untuk mengukur status tingkat kredit yang merugikan (lancar, masih dalam
pertimbangan atau ditolak); kolektibilitas dikategorikan menjadi tiga: 1 dan 2 = lunak, 3=setengah halus, 4 dan
5=basah

8 Tanggal Pembukaan Kredit Atribut ini menjelaskan tanggal pelanggan melakukan perjanjian kredit.

9 Tenornya Atribut ini menjelaskan berapa bulan cicilan kredit; pada atribut tenor akan dikategorikan menjadi 3 kategori
sebagai berikut: short (sampai 12 bulan), medium (sampai 36 bulan) dan long (sampai 60 bulan).

10 Jumlah pinjaman Atribut ini menjelaskan berapa jumlah pinjaman nasabah; besaran pinjaman dibagi menjadi 3 kategori: Pinjaman
Super Mikro (1 hingga 10 juta), Mikro (11 hingga 50 juta) dan KUR (Kredit Usaha Rakyat) Mikro (51 hingga 500
juta).

11 Pendapatan bersih Atribut ini menjelaskan pendapatan bersih menurut pendapat nasabah selama satu bulan, menurut klasifikasi BPS
pendapatan menjadi 4 kelompok sebagai berikut: kelompok pertama sangat tinggi (>= Rp 3.500.000), kelompok
kedua tinggi (Rp 2.500 .000 hingga 3.500.000), kelompok ketiga sedang (Rp 1.500.000 hingga Rp 2.500.000),
kelompok keempat rendah (<= Rp 1.500.000).
DATA PRA MEMROSESAN
Tabel 2. Proses transformasi
NO Field Keterangan
1 Jenis kelamin M = Laki-laki, F = Perempuan
2 Usia Remaja (17 - 25) dengan status belum menikah, Dewasa (26 - 35)
atau umur (17 - 25) dengan status menikah, Dewasa Akhir (36 -
45), Lansia Dini (46 - 55), dan Lansia Akhir (56 - 65 ).

3 Jumlah pinjaman Pinjaman Super Mikro (1 hingga 10 juta), Mikro (11 hingga 50
juta) dan KUR (Kredit Usaha Rakyat) Mikro (51 hingga 500
juta).

4 Pendapatan bersih kelompok pertama sangat tinggi (>= Rp 3.500.000), kelompok

kedua tinggi (Rp 2.500.000 hingga 3.500.000), kelompok ketiga
sedang ( Rp 1.500.000 hingga Rp 2.500.000), kelompok keempat
adalah rendah (<= Rp 1.500.000).
Proses Pemodelan Data
 Gambar 3. Data semua fitur

Ada 9 fitur dalam dataset kami, dan terdiri dari 1102 baris data. Fitur terakhir, “KETERANGAN KOLEK”,
digunakan sebagai label. Analisis akan menguji apakah data seimbang untuk setiap label.
Gambar 4 menunjukkan jumlah data untuk setiap label yang datanya seimbang. Data yang seimbang
memberikan kesempatan yang sama bagi setiap label untuk mempelajari pola data.
 Gambar 4. Jumlah data untuk setiap label

Gambar 4 menunjukkan jumlah data untuk setiap label yang datanya seimbang. Data yang seimbang
memberikan kesempatan yang sama bagi setiap label untuk mempelajari pola data.
 Proses terakhir sebelum kita membagi data, perlu dilakukan konversi data dari string kategorikal
menjadi numerik. Proses ini diperlukan karena perpustakaan sklearn kita memerlukan tipe nilai ini
agar proses dapat berfungsi, seperti yang ditunjukkan pada Gambar 5.


Gambar 5. Data setelah dilakukan konversi.

 Hasil dan Diskusi
 Berdasarkan proses sebelumnya, dataset dibagi menjadi dua kelompok yaitu 70% untuk dataset
pelatihan dan 30% untuk dataset pengujian. Selanjutnya, dataset pelatihan diterapkan pada tiga (3)
algoritma pengklasifikasi berbeda bernama Naïve Bayes, Support Vector Machine, dan Random
Forest. Hasilnya ditunjukkan pada Tabel 3 dan Gambar 6.

Comparison Results
100

80

60

40

20

0
On training On testing On training On testing On training On testing
dataset dataset dataset dataset dataset dataset
Naïve Bayes Support Vector Machine Random Forest

Gambar 6. Hasil perbandingan

 Hasil penelitian menunjukkan tren dataset pelatihan memberikan akurasi
yang lebih tinggi dibandingkan dataset pengujian. Hal ini logis karena model
belajar dari dataset pelatihan. Dalam perbandingan ini, kami lebih fokus pada
pengujian kumpulan data. Hasilnya menunjukkan Random Forest memberikan
akurasi terbaik pada dataset pengujian, yaitu 85,54% dibandingkan yang lain.
Analisis lebih lanjut, saat kami mencapai dataset pelatihan dengan dataset
pengujian, perbedaan akurasinya hanya sedikit. Model kami relatif stabil, dan
data kami seimbang antara proses trade-off underfitting dan overfitting.