📚 Eksplorasi & Komparasi Topik Dokumen
Pencarian topik
Hasil Dokumen
Ditemukan: 4 dokumenSISTEM PERINGATAN DINI TERHADAP RISIKO LIKUIDITAS UMKM BERBASIS MACHINE LEARNING DENGAN EVALUASI FITUR TEMPORAL DAN MAKROEKONOMI
Likuiditas merupakan faktor vital bagi keberlangsungan Usaha Mikro, Kecil, dan Menengah (UMKM), namun pemantauan manual sering kali menyebabkan krisis terlambat disadari. Penelitian ini mengembangkan sebuah sistem peringatan dini risiko likuiditas berbasis machine learning yang memanfaatkan data transaksi Point-of-Sale (POS) dengan granularitas mingguan. Data historis dari 256 UMKM diintegrasikan dengan indikator makroekonomi nasional untuk memperkaya konteks prediktif pada tiga horizon waktu (4, 12, dan 24 minggu) melalui dua pendekatan klasifikasi: Track A (tiga kelas: High Risk, Moderate, Safe) dan Track B (biner: High Risk vs Not High Risk). Hasil evaluasi menunjukkan bahwa performa terbaik bervariasi tergantung pada horizon prediksi. Pada Track A, model XGBoost dengan Focal Loss unggul pada horizon H=4 (Macro F1=0,7115) dan H=24 (Macro F1=0,7052), sedangkan Extra Trees memberikan hasil terbaik pada H=12. Pada Track B, XGBoost mencapai Macro F1 tertinggi pada H=4 (0,8590) dan H=24 (0,7946). Analisis ablasi mengungkap bahwa fitur statistik historis (rolling statistics) menjadi pendorong utama akurasi model. Sebaliknya, indikator makroekonomi tidak memberikan kontribusi signifikan terhadap peningkatan akurasi akibat ketidaksesuaian antara granularitas data mingguan dengan transmission lag kebijakan makroekonomi yang cenderung panjang. Sistem ini diimplementasikan sebagai Proof-of-Concept (PoC) berupa dashboard web interaktif. Hasil validasi pengguna menunjukkan bahwa sistem mampu menyajikan peringatan dini yang dapat ditindaklanjuti dan mudah dipahami oleh pemilik UMKM. Meskipun belum merupakan produk komersial final, hasil validasi ini membuktikan kelayakan teknis sistem dan potensi tingginya untuk diadopsi sebagai alat bantu keputusan strategis, dengan catatan memerlukan pengembangan infrastruktur integrasi data secara lebih lanjut.
PEMODELAN CADANGAN REASURANSI KREDIT MENGGUNAKAN MODEL LINEAR TERAMPAT DENGAN MEMPERTIMBANGKAN FAKTOR EKONOMI MAKRO
Reasuransi kredit memiliki tingkat ketidakpastian yang tinggi karena dipengaruhi oleh kondisi ekonomi, karakteristik portofolio kredit, serta kemungkinan terjadinya klaim dengan nilai ekstrem. Penelitian ini menerapkan Model Linear Terampat (MLT) dengan pendekatan frekuensi-severitas untuk memodelkan klaim reasuransi kredit berdasarkan data historis salah satu perusahaan reasuransi di Indonesia periode 2015-2024. Model frekuensi dan severitas, baik pada skala asli maupun log severitas, dibangun menggunakan keluarga distribusi eksponensial klasik. Variabel penjelas yang digunakan meliputi faktor internal perusahaan dan indikator makroekonomi. Evaluasi model dilakukan menggunakan AIC, BIC, dan RMSE melalui validasi berulang sebanyak 10 kali. Hasil penelitian menunjukkan bahwa model frekuensi terbaik diperoleh menggunakan distribusi Binomial Negatif, sedangkan model severitas terbaik diperoleh menggunakan distribusi Gamma untuk skala asli dan distribusi Gauss untuk log severitas. Model yang dihasilkan mampu merepresentasikan total klaim agregat dan estimasi cadangan kerugian secara cukup baik selama periode pengamatan. Namun demikian, model masih belum mampu menangkap deviasi secara optimal pada periode dengan fluktuasi klaim yang ekstrem, khususnya setelah tahun 2020.
PENGEMBANGAN MODEL STRESS TESTING UNTUK SEKTOR PERBANKAN DI INDONESIA BESERTA RANCANGAN OTOMATISASINYA
Sektor perbankan merupakan salah satu pilar utama dalam sistem keuangan suatu negara yang berperan sebagai perantara keuangan antara pihak yang memiliki kelebihan dana dengan pihak yang membutuhkan dana, sehingga ketahanan sektor perbankan menjadi perhatian utama regulator, termasuk OJK di Indonesia. Sebagaimana setiap sektor bisnis memiliki risikonya masing-masing, sektor perbankan menghadapi berbagai risiko yang dapat mengancam kelangsungan usaha dan stabilitas sistem keuangan, di mana risiko permodalan yang tercermin dari Kewajiban Penyediaan Modal Minimum (KPMM) dan Interest Rate Risk in the Banking Book (IRRBB) merupakan dua risiko yang mendapat perhatian khusus dari regulator. Penelitian ini bertujuan untuk mengonstruksi model stress testing yang komprehensif untuk memonitor dan mengukur dua dimensi risiko tersebut secara simultan sesuai dengan kerangka regulasi yang berlaku di Indonesia, sekaligus merancang sistem otomatisasi dari seluruh proses perhitungan tersebut. Model proyeksi KPMM yang meninjau secara makroprudensial dibangun melalui forecasting variabel makroekonomi (M2, IHSG, kurs, inflasi, dan BI Rate) menggunakan SARIMA, dilanjutkan proyeksi Ekuitas dan Pinjaman Nasabah menggunakan Multiple Linear Regression (MLR) di bawah tiga skenario quantile (base Q50, adverse 1 Q20, dan adverse 2 Q5), sementara model IRRBB yang meninjau secara mikroprudensial dikembangkan sesuai SEOJK 12/SEOJK.03/2018 yang mencakup pembangkitan arus kas dengan behavioral assumption, konstruksi yield curve menggunakan interpolasi linear dan Nelson-Siegel dengan optimasi Trust Region Reflective (TRF), penerapan enam skenario shock suku bunga standar, serta perhitungan Economic Value of Equity (EVE) dan Net Interest Income (NII) beserta outlier test terhadap 15% Tier 1 Capital, di mana alur proses direpresentasikan melalui prototipe antarmuka pengguna grafis yang dirancang untuk mendukung pengembangan otomatisasi di masa mendatang.
OPTIMISASI STRATEGI INVESTASI BERBASIS LIABILITAS DENGAN ECONOMIC SCENARIO GENERATOR
Kebangkrutan perusahaan asuransi dapat disebabkan oleh tiga faktor utama: mismatch antara aset dan liabilitas, kesalahan dalam penempatan investasi, serta kegagalan dalam pembayaran klaim. Penelitian ini bertujuan mengembangkan pendekatan optimisasi strategi investasi berbasis liabilitas (LDI) dengan memanfaatkan Economic Scenario Generator (ESG). Model ESG dibangun menggunakan data historis faktor-faktor makroekonomi dan yield aset seperti obligasi dan deposito. Prediksi faktor makroekonomi dilakukan dengan model Vector Autoregressive (VAR), sedangkan model logistik digunakan untuk menentukan kemungkinan resesi. Berdasarkan skenario ekonomi yang dihasilkan, yield aset diproyeksikan dengan mempertimbangkan kondisi ekonomi yang relevan. Selanjutnya, strategi investasi dioptimalkan menggunakan algoritma genetika untuk memaksimumkan return surplus perusahaan asuransi dengan data aktual kontribusi dan liabilitas. Hasil penelitian ini menunjukkan bahwa strategi investasi dapat dioptimalkan dalam kondisi ketidakpastian ekonomi dan dinamika liabilitas, serta memberikan kerangka kerja yang relevan bagi pengambilan keputusan investasi berbasis liabilitas (LDI) di industri asuransi.