Model Prediksi Penurunan Kinerja Cabang (Risiko Penurunan Cabang)

Pendahuluan

Modul ini mengajarkan Anda bagaimana membangun model prediktif yang secara dini mendeteksi risiko penurunan kinerja cabang perbankan, berdasarkan kombinasi data operational analytics dan geospatial intelligence. Model ini sangat penting untuk membantu bank melakukan intervensi dini, mengoptimalkan produktivitas cabang, dan menghindari losses yang tidak perlu.

Di modul ini, Anda akan belajar mulai dari pemilihan variabel penyebab penurunan, pengolahan data geografis sekitar cabang, hingga membangun model klasifikasi/regresi untuk mendeteksi risiko penurunan.

Prasyarat / Alat yang Dibutuhkan:

  • Pengetahuan statistik dasar dan machine learning.
  • Aplikasi GIS (QGIS/ArcGIS).
  • Python (Anaconda) + pustaka: pandas, geopandas, scikit-learn, xgboost, matplotlib.
  • Dataset historis kinerja cabang (DPK, kredit, jumlah transaksi), data geospasial (kompetitor, aktivitas ekonomi, demografi), dan data internal cabang.

Langkah-langkah Utama

1. Definisikan “Penurunan Kinerja” Secara Kuantitatif

  1. Tentukan indikator utama penurunan:
    • Contoh: penurunan DPK > 10% dalam 3 bulan, penurunan loan outstanding, turunnya jumlah transaksi.
      (Visual Hint: Tabel KPI cabang dengan kolom penurunan per periode.)
  2. Buat variabel target:
    • Binary classification: 1 = turun signifikan, 0 = stabil.
    • Regression: besar penurunan dalam satuan nominal/persentase.
  3. Pastikan target memiliki distribusi yang seimbang atau gunakan teknik resampling.

Tip: Definisi target yang jelas adalah kunci model yang stabil dan tidak bias.

2. Kumpulkan & Gabungkan Data Cabang dengan Data Geospasial

  1. Ambil data cabang (koordinat, kinerja historis).
  2. Ambil lapisan spasial:
    • Kompetitor bank lain
    • Potensi ekonomi sekitar
    • POI (pasar, mal, perkantoran)
    • Mobilitas penduduk
      (Visual Hint: QGIS dengan lapisan titik cabang + titik kompetitor.)
  3. Spatial join data cabang dengan radius tertentu (250–1500 m).
  4. Gabungkan data eksternal seperti persaingan, demografi, penurunan aktivitas ekonomi.

Peringatan: Jangan gunakan radius yang sama untuk semua kota. Wilayah megapolitan dan kota kecil memiliki dinamika berbeda.

3. Lakukan Feature Engineering untuk Mengukur Risiko Penurunan

  1. Buat variabel perubahan internal:
    • Change rate DPK, kredit, transaksi 3–12 bulan terakhir.
    • Produktivitas staf.
  2. Buat variabel geospasial:
    • Jumlah kompetitor dalam radius 500 m / 1 km.
    • Pertumbuhan usaha sekitar cabang.
    • Jarak ke pusat aktivitas.
  3. Buat variabel tren:
    • Moving average, seasonal index.
  4. Normalisasi dan hilangkan multicollinearity (VIF > 5 dibuang).
    (Visual Hint: Tabel kolom fitur dan grafik tren 12 bulan.)

Tip: Model risiko penurunan biasanya sangat dipengaruhi variabel tren dan kompetisi langsung.

4. Latih Model Prediktif (Klasifikasi/Regresi)

  1. Pisahkan data train/test 80:20.
  2. Pilih model:
    • Logistic Regression atau Random Forest (klasifikasi).
    • XGBoost (cocok untuk data kompleks).
  3. Latih model:
from xgboost import XGBClassifier
model = XGBClassifier(
    n_estimators=250,
    max_depth=5,
    learning_rate=0.05
)
model.fit(X_train, y_train)

(Visual Hint: Screenshot Notebook yang menunjukkan proses training.)

  1. Evaluasi:
    • Untuk klasifikasi: AUC, precision-recall, F1-score.
    • Untuk regresi: RMSE, MAPE.
  2. Jika AUC < 0.75, cek:
    • kualitas data
    • definisi target
    • fitur geospasial yang mungkin kurang relevan

Peringatan: Jangan hanya mengejar akurasi. Fokuslah pada recall untuk mendeteksi cabang berisiko tinggi lebih dini.

5. Interpretasikan Model untuk Mengetahui Penyebab Penurunan

  1. Gunakan feature importance atau SHAP.
  2. Identifikasi variabel paling memengaruhi:
    • Meningkatnya jumlah kompetitor
    • Penurunan aktivitas ekonomi
    • Menurunnya transaksi nasabah inti
  3. Sajikan dalam bentuk grafik SHAP.
    (Visual Hint: Grafik SHAP summary plot.)

Tip: Interpretasi fitur sangat penting untuk memberikan rekomendasi actionable, bukan hanya angka.

6. Prediksi Risiko pada Cabang Eksisting Secara Berkala

  1. Ambil data terbaru bulanan/kuartalan.
  2. Jalankan prediksi:
risk_score = model.predict_proba(new_data)[:,1]
  1. Kelompokkan:
    • Risiko tinggi (>0.7)
    • Risiko menengah (0.4–0.7)
    • Risiko rendah (<0.4)
  2. Tampilkan risiko dalam peta:
  • Cabang merah = berisiko tinggi
  • Kuning = menengah
  • Hijau = stabil
    (Visual Hint: Peta cabang berwarna-coded.)

Peringatan: Perbarui model minimal setiap 6–12 bulan karena kondisi pasar dan geospasial berubah cepat.

7. Buat Rekomendasi Intervensi untuk Tiap Cabang

  1. Untuk risiko tinggi:
    • Tambahkan staf penjualan
    • Perkuat akuisisi komunitas
    • Tingkatkan pemasaran lokal
  2. Untuk risiko menengah:
    • Analisis kompetisi baru
    • Evaluasi pola nasabah
  3. Untuk risiko rendah:
    • Pertahankan strategi dan lakukan monitoring minimal

(Visual Hint: Tabel rekomendasi berdasarkan tingkatan risiko.)

Tip: Model prediksi tidak berguna jika tidak diterjemahkan menjadi aksi nyata.

Ringkasan

Tiga poin utama dari modul ini:

  1. Definisi target penurunan + data tren adalah fondasi model yang akurat.
  2. Integrasi data geospasial dan kompetisi adalah kunci untuk memprediksi risiko penurunan.
  3. Interpretasi model + tindakan jauh lebih penting daripada sekadar membangun algoritma.

Tugas Praktis

  1. Ambil data historis 12 bulan dari 10–20 cabang (data dummy juga boleh).
  2. Buat variabel tren dan fitur geospasial minimal 5 variabel.
  3. Bangun model klasifikasi sederhana untuk mendeteksi risiko penurunan.
  4. Visualisasikan hasil dalam peta 3 warna (merah–kuning–hijau).
  5. Buat 1 rekomendasi intervensi untuk masing-masing cabang berisiko tinggi.
Previous Lesson
Back to Course
Next Lesson