Analisis Kredit Pembayaran Biaya Kuliah Dengan Pendekatan Pembelajaran Mesin

Abstract

Salah satu tantangan dalam institusi keuangan adalah manajemen risiko kredit. Hal ini juga terjadi pada institusi pendidikan swasta dimana pengelolaan keuangan dilakukan secara mandiri serta sumber dana mayoritas berasal dari mahasiswa. Setiap institusi harus menjamin kesehatan finansial melalui monitoring cashflow. Adanya penundaan atau kredit pembayaran biaya kuliah mahasiswa akan mempengaruhi cashflow institusi. Oleh karena itu dibutuhkan analisis kredit sebagai tindakan preventif guna mencegah terjadinya kredit yang bermasalah dan meminimalkan risiko kredit lainnya yang timbul di kemudian hari. Pada penelitian ini, algoritma machine learning digunakan untuk analisis kredit pembayaran biaya kuliah pada perguruan tinggi. Dataset yang digunakan adalah data riwayat tagihan, transaksi pembayaran, dan data pengajuan kredit/ angsuran. Tahap perancangan sistem terdiri dari preprocessing, pemilihan fitur, pemodelan, pengujian dan evaluasi hasil. Berdasarkan hasil pengujian algoritma dengan kinerja terbaik adalah KNN dengan recall untuk prediksi “gagal bayar” sebesar 0,8 dan prediksi “berhasil” sebesar 0,76. Model machine learning ini kemudian ditanamkan dalam sebuah sistem informasi analisis kredit biaya kuliah. Selain itu juga sistem akan memberikan skor setiap pengajuan berdasarkan metode scorecard. Semakin tinggi skor kredit semakin kecil risiko gagal bayarnya. Skor kredit ini berkisar antara 250 – 600. Jika kredit yang diajukan diprediksi “gagal bayar” dengan skor kredit rendah atau berpotensi menjadi piutang macet, sistem akan merekomendasikan untuk menilik ulang skema pengajuan kredit dari mahasiswa tersebut agar mahasiswa tetap dapat melanjutkan pendidikan dan cash collection ratio tetap baik. AbstractOne of the challenges in financial institutions is credit risk management. This also occurs in private educational institutions where financial management is carried out independently and most of funding sources come from students. Each institution must ensure financial health through cashflow monitoring. Any delay or credit in paying student tuition fees will affect the institution's cashflow. Therefore, credit analysis is needed as a preventive measure to prevent non-performing loans and minimize other credit risks that arise in the future. In this study, machine learning algorithms are used for credit analysis for paying tuition fees activity at universities. The datasets used are billing history data, payment transactions, and credit/installment application data. The system design stage consists of preprocessing, feature selection, modeling, uji and evaluation of results. Based on the results of uji the algorithm with the best performance is KNN with a recall for the prediction of "failure to pay" of 0,8 and prediction of "success" of 0,76. This machine learning model is then embedded in a tuition credit analysis information system. In addition, the system will provide a score for each submission based on the scorecard method. The higher the credit score, the lower the risk of default. This credit score ranges from 250 – 600. If the proposed credit is predicted to be "in default" with a low credit score or has the potential to become bad debts, the system will recommend reviewing the student's credit application scheme so that students can continue their education and cash collection ratio remains good.