Pemodelan Credit Scoring untuk Petani menggunakan Random Forest

Abstract

Salah satu masalah yang dihadapi petani di Indonesia adalah permodalan. Berdasarkan hasil survei BPS, jumlah petani yang meminjam modal dari lembaga formal seperti bank masih sedikit. Hal ini disebabkan karena proses pengajuan pinjaman ke bank yang panjang, petani dinilai berisiko tinggi dan unbankable, serta penilaian peringkat sektor pertanian tidak menarik oleh bank. Penelitian ini bertujuan untuk mengetahui atribut dan merancang model penilaian kredit pertanian. Penelitian ini menggunakan data sekunder terkait penilaian kredit perbankan dan produktivitas lahan dari bank di kecamatan Telagasari pada tahun 2018-2020 dan kecamatan Cipayung pada tahun 2020. Data dianalisis menggunakan random forest. Proses penelitian ini mencakup empat tahap yaitu pengumpulan data, praproses data, pembuatan model dan analisis serta evaluasi model. Penelitian ini menghasilkan lima variabel penting yang relevan bagi petani yaitu biaya tanam, penjualan, produktivitas lahan, total produksi, dan luas lahan. Model yang dibangun menghasilkan akurasi paling optimal sebesar 83% dengan skor AUC sebesar 81%. Berdasarkan klasifikasi kinerja AUC dapat disimpulkan bahwa model yang telah dibuat sudah baik dalam memprediksi status kredit petani karena nilai AUC termasuk dalam predikat klasifikasi baik.