Klik di sini untuk melihat video penelitian

Penelitian tesis oleh Claher Prastian, mahasiswa Magister Teknik Informatika Universitas Bina Nusantara, di bawah bimbingan Alexander Agung Santoso Gunawan, mengembangkan sebuah kerangka kerja bernama OptiGeoRisk untuk mengklasifikasikan risiko kredit macet dengan memanfaatkan informasi geografis. Penelitian ini mengintegrasikan pendekatan Geo-XGBoost untuk mengidentifikasi pola risiko kredit berdasarkan karakteristik wilayah.

Memanfaatkan Data Geografis dalam Analisis Risiko Kredit

Penelitian ini menggunakan data dari 76.742 transaksi gadai BPKB kendaraan di Jawa Barat. Berbeda dari pendekatan yang hanya mengandalkan model prediksi global, OptiGeoRisk memanfaatkan koordinat geografis sebagai mekanisme pembelajaran lokal. Dengan pendekatan ini, model dapat mempelajari pola risiko kredit yang berkaitan dengan karakteristik wilayah tertentu.

Pemanfaatan informasi geografis menjadi pendekatan yang relevan untuk mengeksplorasi variasi risiko kredit antarlokasi. Melalui kerangka kerja ini, penelitian berupaya meningkatkan kemampuan identifikasi risiko kredit macet dengan mempertimbangkan konteks spasial dalam data transaksi.

Hasil Penelitian dan Potensi Penerapan

Hasil penelitian menunjukkan bahwa XGBoost Spatial Feature unggul dalam metrik Precision-Recall Area Under the Curve (PR-AUC), sedangkan OptiGeoRisk menunjukkan sensitivitas yang lebih tinggi dalam mendeteksi kasus kredit macet. Hasil ini memperlihatkan bahwa kedua pendekatan memiliki keunggulan yang berbeda dalam mengidentifikasi risiko.

Berdasarkan temuan tersebut, OptiGeoRisk berpotensi melengkapi model global sebagai lapisan early warning untuk membantu mengidentifikasi transaksi yang berisiko mengalami kredit macet. Pendekatan ini dapat menjadi landasan bagi pengembangan sistem analisis risiko kredit yang mempertimbangkan karakteristik geografis dalam proses pengambilan keputusan.

Publikasi Ilmiah

Naskah penelitian berjudul “OptiGeoRisk: A Spatially Localized and Optimized Geo-XGBoost Framework for Credit Default Risk Classification” telah diterima untuk dipublikasikan dalam International Journal of Advanced Computer Science and Applications (IJACSA), Volume 17, Issue 9, 2026. Saat ini, naskah tersebut sedang berada dalam tahap produksi dengan kode manuskrip MS-17-9-0265.

Penelitian ini menunjukkan kontribusi pemanfaatan pendekatan machine learning berbasis informasi geografis dalam analisis risiko kredit, sekaligus membuka peluang pengembangan sistem peringatan dini yang lebih peka terhadap pola risiko di berbagai wilayah.


Lihat video penelitian selengkapnya di Instagram:

https://www.instagram.com/reel/DeYqubnxMEB/?utm_source=ig_web_copy_link&rpxt=MzRlODBiNWFlZA==&srtk=MzRlODBiNWFlZA==