REPUBLIKA.CO.ID, Oleh Ipin Sugiyarto
Kartu kredit jadi bagian yang tak terpisahkan dalam kehidupan masyarakat modern. Kemudahan kartu kredit, bisa mempermudah urusan pembayaran dan belanja berbagai macam kebutuhan harian.
Kebutuhan akan kartu kredit kian lama semakin meningkat seiring pertumbuhan ekonomi masyarakat.
Perbankan, sebagai pemberi kredit tentu saja melakukan kesepakatan dengan nasabah kartu kredit, sebelum nasabah menggunakan kartunya untuk kebutuhan hariannya. Perjanjian membayar juga berlaku, sebagai timbal balik biaya barang dan jasa.
Setiap nasabah kartu kredit, saat melakukan transaksi akan terekam jejak transaksi digitalnya. Hal ini dapat dijadikan acuan tagihan yang harus dibayarkan dalam tenggang waktu tertentu.
Seiring dengan kebiasaan masyarakat kekinian, kartu kredit punya peran penting dalam transaksi, baik pembiayaan atau belanja kebutuhan harian.
Perkembangan dan meningkatnya nasabah kartu kredit, menjadi permasalahan baru dalam hal pemilihan calon kreditur. Perlu ditelusuri dengan baik, terutama tentang data transaksi yang begitu banyak dan variatif.
Data sains, menjadi angin segar bagi dunia perbankan untuk dapat menyelesaikan masalah rumit tentang mencari kriteria nasabah terbaik. Kemampuan teknik pengolahan data seperti prediksi menjadi solusi paling utama dalam hal memilih kreditur.
Bagian penting data kreditur yang harus dipahami ada tiga yakni Payment, Bill Payment dan Pay amount. Ketiga point ini menjadi bobot tersendiri dan mampu membentuk suatu pola dan karakter kreditur.
Dalam penelitian yang telah dilakukan Ipin Sugiyarto, dosen Universitas Nusa Mandiri (UNM), data sains menjadi solusi untuk memilih calon kriteria kreditur yang baik.
Ada beberapa cara dan metode yang digunakan dalam pengolahan prediksi dengan menggunakan metode Neural Network (NN). Metode NN mampu memecahkan permasalahan yang kompleks dalam memilih calon nasabah kreditur terbaik.
Dalam pengujiannya, dilakukan perbandingan dengan tiga metode antara NN, Support Vector Machine (SVM) dan Logistic Regression (LR). Dengan tiga metode ini, masing-masing mendapat hasil akurasi yang berbeda dengan nilai prediksi yakni berkisar 0,826 NN, 0,787 SVM dan 0,816 LR.
“Dengan kemampuan pengolahan data pada masing-masing metode, mampu memberikan gambaran bahwa metode pengolahan data untuk memprediksi calon kreditur terbaik memiliki nilai akurasi tertinggi menggunakan metode NN atau Neural Network. Hasil ini tentu tidak berhenti hanya pada sebuah angka besar atau kecil,” kata Ipin.
Diperlukan suatu luaran yang dapat digunakan sebagai penunjang dalam mencari calon nasabah kreditur terbaik. Dengan pertimbangan tersebut, dibuatlah sebuah interface berupa aplikasi kredit yang berbasiskan pengolahan data sains menggunakan metode NN. Metode NN menjadi solusi yang sangat membantu dan dibutuhkan perbankan.
“Teknik data sains dalam hal ini tentu sangat penting, terlebih mampu memecahkan permasalahan yang cukup kompleks menjadi perhatian seluruh perbankan. Hal ini dapat menjadi kabar baik sebagai alternatif solusi di era digital masa kini,” jelas Ipin.
Dengan hasil pencapaian yang panjang dalam penelitian, terkait pengolahan data nasabah kreditur, tentu penelitian ini menjadi suatu solusi yang ditunggu-tunggu. Dan menjadi konsen dalam penunjang keputusan perbankan dalam memilih calon nasabah kredit terbaik.
Pemilihan calon nasabah kredit terbaik diharapkan mampu meminimalisir nasabah yang terbiasa memiliki kredit macet. Sebab, kredit macet sangat mengganggu proses bisnis yang ada dalam perbankan.
*) Penulis adalah dosen program studi Sistem Informasi Universitas Nusa Mandiri.
Ikuti Whatsapp Channel Republika
