📚 Eksplorasi & Komparasi Topik Dokumen

PERANCANGAN MODEL PREDIKSI TINGKAT KOLEKTIBILITAS NASABAH KREDIT BANK X MENGGUNAKAN TEKNIK DATA MINING

Bank X menghadapi tantangan tingginya rasio Non-Performing Loan (NPL) yang mencapai 12,67% per Desember 2025, melampaui batas sehat OJK sebesar 5%. Tingginya kredit macet ini berisiko menurunkan profitabilitas dan menambah beban pencadangan bank. Penelitian ini bertujuan merancang model prediktif kolektibilitas nasabah menggunakan teknik data mining serta mengembangkan prototype aplikasi untuk identifikasi dini rekening berisiko tinggi secara proaktif. Metodologi yang digunakan adalah CRISP-DM (Cross Industry Standard Process for Data Mining). Penelitian membandingkan lima algoritma klasifikasi, yaitu Decision Tree, Logistic Regression, Random Forest, Support Vector Machine, dan Extreme Gradient Boosting (XGBoost). Penelitian dilakukan menggunakan dataset 1.181 kontrak kredit di Bank X periode 2021-2025. Hasil penelitian menunjukkan bahwa algoritma XGBoost memberikan performa terbaik dengan akurasi sebesar 85,87%. Variabel seperti kode fasilitas, sisa pokok pinjaman, saldo rekening, dan suku bunga efektif teridentifikasi sebagai prediktor terkuat. Model ini diimplementasikan ke dalam prototype sistem yang dilengkapi fitur prediksi massal dan dashboard analitik. Dengan sistem ini, Bank X dapat melakukan intervensi lebih awal dan mengoptimalkan strategi manajemen risiko kredit untuk menekan angka NPL secara efektif.