Analisis Kredit Pembayaran Biaya Kuliah Dengan Pendekatan Pembelajaran Mesin
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 mo...
| Main Authors: | , , , |
|---|---|
| Format: | Article |
| Language: | Indonesian |
| Published: |
University of Brawijaya
2023-04-01
|
| Series: | Jurnal Teknologi Informasi dan Ilmu Komputer |
| Online Access: | https://jtiik.ub.ac.id/index.php/jtiik/article/view/6301 |
| _version_ | 1797194585159499776 |
|---|---|
| author | Arliyanti Nurdin Rizqa Amelia Zunaidi Muhammad Arkan Fauzan Wicaksono Agi Lobita Japtara Martadinata |
| author_facet | Arliyanti Nurdin Rizqa Amelia Zunaidi Muhammad Arkan Fauzan Wicaksono Agi Lobita Japtara Martadinata |
| author_sort | Arliyanti Nurdin |
| collection | DOAJ |
| description |
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.
Abstract
One 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.
|
| first_indexed | 2024-03-12T12:17:29Z |
| format | Article |
| id | doaj.art-48e225ca5b4e455c827a9362030dc28f |
| institution | Directory Open Access Journal |
| issn | 2355-7699 2528-6579 |
| language | Indonesian |
| last_indexed | 2024-04-24T05:58:37Z |
| publishDate | 2023-04-01 |
| publisher | University of Brawijaya |
| record_format | Article |
| series | Jurnal Teknologi Informasi dan Ilmu Komputer |
| spelling | doaj.art-48e225ca5b4e455c827a9362030dc28f2024-04-23T08:45:13ZindUniversity of BrawijayaJurnal Teknologi Informasi dan Ilmu Komputer2355-76992528-65792023-04-0110210.25126/jtiik.202310263011063Analisis Kredit Pembayaran Biaya Kuliah Dengan Pendekatan Pembelajaran MesinArliyanti Nurdin0Rizqa Amelia Zunaidi1Muhammad Arkan Fauzan Wicaksono2Agi Lobita Japtara Martadinata3Institut Teknologi Telkom Surabaya, SurabayaInstitut Teknologi Telkom Surabaya, SurabayaInstitut Teknologi Telkom Surabaya, SurabayaInstitut Teknologi Telkom Surabaya, Surabaya 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. Abstract One 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. https://jtiik.ub.ac.id/index.php/jtiik/article/view/6301 |
| spellingShingle | Arliyanti Nurdin Rizqa Amelia Zunaidi Muhammad Arkan Fauzan Wicaksono Agi Lobita Japtara Martadinata Analisis Kredit Pembayaran Biaya Kuliah Dengan Pendekatan Pembelajaran Mesin Jurnal Teknologi Informasi dan Ilmu Komputer |
| title | Analisis Kredit Pembayaran Biaya Kuliah Dengan Pendekatan Pembelajaran Mesin |
| title_full | Analisis Kredit Pembayaran Biaya Kuliah Dengan Pendekatan Pembelajaran Mesin |
| title_fullStr | Analisis Kredit Pembayaran Biaya Kuliah Dengan Pendekatan Pembelajaran Mesin |
| title_full_unstemmed | Analisis Kredit Pembayaran Biaya Kuliah Dengan Pendekatan Pembelajaran Mesin |
| title_short | Analisis Kredit Pembayaran Biaya Kuliah Dengan Pendekatan Pembelajaran Mesin |
| title_sort | analisis kredit pembayaran biaya kuliah dengan pendekatan pembelajaran mesin |
| url | https://jtiik.ub.ac.id/index.php/jtiik/article/view/6301 |
| work_keys_str_mv | AT arliyantinurdin analisiskreditpembayaranbiayakuliahdenganpendekatanpembelajaranmesin AT rizqaameliazunaidi analisiskreditpembayaranbiayakuliahdenganpendekatanpembelajaranmesin AT muhammadarkanfauzanwicaksono analisiskreditpembayaranbiayakuliahdenganpendekatanpembelajaranmesin AT agilobitajaptaramartadinata analisiskreditpembayaranbiayakuliahdenganpendekatanpembelajaranmesin |