Utilizing Data Science for Credit Decision-Making to Minimize Non-Performing Loan (Case Study PT Bank Central Asia, Tbk Kisaran Branch)

Abstract

Salah satu kontributor utama terhadap pendapatan bank adalah kredit; oleh karena itu, risiko kredit merupakan salah satu risiko utama yang harus dimitigasi dengan tepat. Tingkat risiko kredit diukur melalui rasio Non-Performing Loan (NPL), yang menjadi indikator penting dalam menilai kesehatan keuangan bank. Setiap penyaluran kredit harus dilakukan secara hati-hati dan penuh kehati-hatian. Salah satu upaya strategis yang dilakukan oleh BCA Kisaran untuk mendukung pertumbuhan laba adalah dengan meningkatkan portofolio kredit, khususnya pada Kredit Usaha Kecil dan Menengah (Small Medium Enterprise Loans). Oleh karena itu, setiap keputusan kredit harus dibuat secara prudent atau berhati-hati. Peneliti menggunakan Data Science, yang berfokus pada analisis data yang tersedia, terutama data kuantitatif, untuk menemukan pola-pola tersembunyi yang dapat mendukung pengambilan keputusan strategis. Analisis data dalam penelitian ini akan menggunakan metode Machine Learning dengan algoritma Random Forest untuk mempercepat identifikasi calon nasabah potensial serta meningkatkan efisiensi proses seleksi. Dengan demikian, setiap keputusan kredit dapat dibuat secara lebih hati-hati guna meminimalkan Non-Performing Loan, khususnya pada Kredit Usaha Kecil dan Menengah.

One of the main contributors to a bank’s revenue is credit; therefore, credit risk is one of the key risks that must be appropriately mitigated. The level of credit risk is measured by the Non-Performing Loan ratio, which is a critical indicator of a bank’s financial health. Every credit disbursement must be carried out with prudence. One of the strategic efforts undertaken by BCA Kisaran to support profit growth is to increase its credit portfolio, particularly in the Small Medium Enterprise Loans and credit decision must be made prudently. Researcher uses Data Science, which focuses on analyzing existing data primarily quantitative data to uncover hidden patterns that can inform strategic decisions. The data analysis in this research will employ Machine Learning Methods with algorithm Random Forest to accelerate the identification of potential customer and the efficiency of the selection process so that each credit decision is made prudently in order to minimize Non-Performing Loan Especially Small Medium Enterprise Loans.