Teknik Analisis Data: Cegah Kredit Macet dengan Machine Learning

Ibu Nunik adalah seorang sales agent di sebuah perusahaan finance A yang terkenal akan ketajaman intuisinya dalam mencari prospek yang tepat sehingga tingkat kredit macet – situasi dimana peminjam tidak mampu melunasi pinjamannya – menjadi sangat rendah.

Pola credit risk assessment yang digunakan Ibu Nunik cukup sederhana dan konservatif, yaitu mencari prospek pekerja professional dengan posisi yang cukup baik, bergaji di atas 10 juta per bulan, berkeluarga, memiliki anak maksimal 1, dan beberapa faktor lainnya.

Ketika memutuskan untuk mengundurkan diri, Ibu Nunik lega karena banyak sekali anak didiknya yang dapat mengikuti keberhasilannya. Sampai-sampai mereka dijuluki sebagai dream team di perusahaan tersebut.

Namun berselang 4 tahun kemudian ternyata tingkat kredit macet dari para peminjam semakin tinggi terutama yang dilakukan dream team. Padahal kondisi ekonomi lagi bagus-bagusnya.

Lucunya lagi, ternyata ada sales agent bernama Susi yang malah mencatatkan prestasi baik. Dengan bermodalkan kenalan sesama fresh graduate sebagai pelanggannya, pertumbuhan penjualan Susi sangat tinggi dan kredit macetnya rendah.

Dengan tingkat kemapanannya belum tinggi, baru bekerja, dan banyak yang masih tinggal dengan orang tua, pasar yang dibidik Susi ini seperti antitesis dari pasar Ibu Nunik.

Credit Scoring dan Machine Learning

Cerita di atas adalah gambaran yang sangat sederhana dari credit scoring, yaitu proses perhitungan level resiko dari seorang calon peminjam yang dapat digunakan untuk menolak atau menerima pinjaman yang diajukan.

Credit scoring membutuhkan berbagai data profil calon peminjam sehingga tingkat resiko dapat dihitung dengan tepat. Semakin benar dan lengkap data yang disediakan, maka harusnya semakin akurat perhitungan yang dilakukan.

Selain itu proses pemeriksaan profil berdasarkan database Bank Indonesia (BI checking) juga wajib digunakan.

Proses di atas tentunya merupakan hal yang baik, namun di sisi calon peminjam proses yang harus dilalui di atas dirasakan sangat ribet. Dan seiring tingkat kompetisi yang semakin tinggi di industri finansial, prospek memiliki banyak alternatif. Semakin cepat proses yang ditawarkan, semakin tinggi kesempatan untuk mendapatkan peminjam.

Tantangan pun muncul, bagaimana mendapatkan pelanggan dengan proses yang efisien – dengan data minimal – namun akurasi dari credit scoring tetap tinggi?

Disinilah berbagai software machine learning dapat membantu menganalisa data-data profil peminjam dan proses pembayaran sehingga dapat mengeluarkan rekomendasi profil pelanggan yang beresiko rendah.

Ini bisa dimungkinkan karena di dalam machine learning terdapat berbagai metode statistik untuk validasi data dan algoritma cerdas yang menemukan pola dan menghasilkan model yang dapat dimengerti manusia dengan baik.

Dengan dinamika pasar yang semakin cepat berubah dan perlu analisa yang cepat, machine learning semakin memegang peranan penting untuk meningkatkan performa bisnis.

Bagaimana Data Scientist bekerja untuk menghasilkan prediksi resiko credit yang tepat guna?

Pada module DQLab Machine Learning for Finance: Credit Risk Prediction, peserta akan memahami lewat implementasi project penggunaan algoritma decision tree untuk membuat dan mengoperasionalkan model prediksi resiko kredit (credit risk) di R.

t

Akses Group Data Science DQLab untuk melihat interaksi member.

Belajar data science efektif, aplikatif, dan praktis, ya di DQLab.id!

Mulai karir Anda

sebagai Data Scientist hari ini!

Mulai karir Anda

sebagai Data Scientist hari ini!