Analisis Risiko Kredit Perbankan dengan Pendekatan Naive Bayes dan Bayesian Network

Abstract

Dalam proses kredit adakalanya mengalami kendala (macet). Kredit yang bermasalah terjadi karena debitur tidak memenuhi persyaratan sesuai perjanjian seperti pembayaran bunga, pengembalian pokok pinjaman, peningkatan margin deposit, peningkatan agunan, dan sebagainya. Pada penelitian kali ini, berfokus pada kasus risiko kredit tentang bagaimana suatu Bank memutuskan melakukan pemberian kredit kepada calon debitur dengan menggunakan metode classifier pada Machine Learning yaitu Naive Bayes dan Bayesian Network melalui model pengklasifikasian kelompok yang berpotensi macet atau tidak. Kedua model classifier tersebut akan dibandingkan dengan model yang diperoleh dari regresi Cox dengan evaluasi performa model diukur menggunakan Confusion Matrix, accuracy value, dan kurva ROC. Penelitian dilakukan pada 610 data yang diperoleh dari sebuah Bank di daerah Jawa Timur, data dipecah menjadi data training dan data testing yang selanjutnya digunakan pada tahap modelling. Hasil penilitian menunjukkan metode klasifikasi pada machine learning dapat menjadi salah satu cara efektif dalam memprediksi event (status kredit) dengan mengestimasi probabilitas suatu kejadian dari data training. Bernoulli naïve bayes pada penelitian ini memiliki nilai performa yang paling tinggi dibandingkan Gaussian Naïve Bayes dan Mulntinomial Naïve Bayes yakni sebesar 92%. Sementara itu, uji performa dari model Bayesian Network memiliki nilai akurasi sebesar 85,41% dalam prediksi penentuan nilai status kredit. Sementara itu, dengan menggunakan regrei Cox, status kredit secara signifikan paling besar dipengaruhi oleh pendapatan dan riwayat pinjaman debitur dengan riwayat kredit bermasalah atau macet berpengaruh 11,82 kali lebih besar dalam penentuan status kredit yang diberikan oleh pihak Bank sedangkan pendapatan yang rendah berpengaruh 0,97 kali lebih besar dalam keputusan pemberian status kredit macet.