Abstrak


Implementasi Machine Learning dalam Memprediksi Kegagalan BPR


Oleh :
Favian Rajendra Ananta Putra - F0119048 - Fak. Ekonomi dan Bisnis

 

BPR merupakan salah satu lembaga keuangan yang berperan besar dalam beberapa kehidupan masyarakat. Tetapi cukup disayangkan bahwa beberapa BPR mengalami kegagalan dan berpengaruh dalam berlangsungnya kegiatan perekonomian masyarakat. Penelitian ini bertujuan untuk mengidentifikasi faktor-faktor yang berpengaruh dalam kegagalan Bank Perkreditan Rakyat (BPR) dan mengevaluasi efektivitas metode Extreme Gradient Boosting (XGBoost) dalam memprediksi kegagalan tersebut. Melalui analisis terhadap data historis BPR, faktor-faktor kritis yang mempengaruhi kegagalan BPR dapat diidentifikasi. Selain itu, penggunaan metode Extreme Gradient Boosting (XGBoost) dalam memprediksi kegagalan BPR telah terbukti efektif dengan tingkat akurasi yang tinggi. Hasil penelitian ini memiliki implikasi penting bagi industri perbankan dalam pengelolaan risiko kegagalan BPR dan memberikan landasan untuk pengembangan strategi pencegahan dan mitigasi risiko yang lebih baik. Dengan memahami faktor-faktor yang berperan dalam kegagalan BPR dan menggunakan metode Extreme Gradient Boosting (XGBoost), BPR dapat meningkatkan kemampuan mereka dalam mengidentifikasi risiko potensial dan mengambil tindakan yang diperlukan untuk meminimalkan dampaknya. Temuan ini memberikan kontribusi penting dalam pemahaman tentang risiko kegagalan BPR dan memberikan alat yang efektif untuk membantu industri perbankan dalam meningkatkan kinerja operasional dan stabilitas keuangan.