Model Prediktif Pembukaan Cabang Baru

Pendahuluan

Pada modul ini Anda akan mempelajari cara membangun end-to-end predictive model untuk memutuskan lokasi optimal pembukaan cabang bank baru. Pendekatan ini sangat penting karena keputusan lokasi berdampak langsung pada potensi dana pihak ketiga (DPK), akuisisi nasabah, biaya operasional, dan daya saing bank.

Anda akan belajar mulai dari pemilihan variabel geospasial, feature engineering, pemodelan statistik/machine learning, hingga interpretasi model untuk pengambilan keputusan jaringan.

Prasyarat / Alat yang Dibutuhkan:

  • Pengetahuan dasar GIS, statistik, regresi, dan pemodelan ML.
  • Software GIS (QGIS atau ArcGIS Pro).
  • Python (Anaconda) + pustaka: pandas, geopandas, scikit-learn, xgboost.
  • Dataset geospasial: titik cabang, titik kompetitor, batas administrasi, kepadatan penduduk, aktivitas ekonomi, mobilitas, dan data transaksi (jika ada).

Langkah-langkah Utama

1. Tentukan Tujuan & Definisi Keberhasilan Model

Instruksi berikut memastikan model Anda terarah dan dapat dievaluasi.

  1. Tentukan metrik utama yang ingin diprediksi:
    • Contoh: potensi DPK 12 bulan, jumlah nasabah baru, atau skor potensi pasar.
      (Visual Hint: Tampilan dokumen spesifikasi model dengan kolom “Target Variable” dan “Business KPI”.)
  2. Tentukan skala analisis:
    • Titik koordinat? Grid 500 m? Atau kelurahan/kecamatan?
  3. Dokumentasikan batasan bisnis:
    • Misal: tidak boleh dalam radius 500 m dari cabang eksisting, harus dekat area komersial, dll.
      (Visual Hint: Tampilan peta radius pembatasan pada QGIS.)

Tip: Selalu selaraskan target model dengan KPI manajemen jaringan. Jika salah mendefinisikan target, seluruh model akan misleading.

2. Kumpulkan & Siapkan Data Geospasial

  1. Impor semua lapisan peta: administrasi, jalan, titik cabang, kompetitor, POI.
    (Visual Hint: QGIS dengan panel “Layers” berisi 6–10 dataset.)
  2. Pastikan semua data berada pada sistem koordinat yang sama (EPSG:4326 atau UTM).
  3. Bersihkan data dari duplikasi dan titik tidak valid.
  4. Gabungkan data non-spasial (demografi, ekonomi) berdasarkan ID wilayah.

Peringatan: Perbedaan CRS adalah penyebab paling umum error jarak/spatial join.

3. Lakukan Feature Engineering Berbasis Geospasial

  1. Hitung variabel kedekatan:
    • Jarak ke cabang bank Anda, jarak ke kompetitor, jarak ke pusat ekonomi.
      (Visual Hint: QGIS “Distance to nearest hub”.)
  2. Hitung variabel densitas:
    • Kepadatan penduduk, jumlah usaha, jumlah sekolah/perkantoran dalam buffer 500–1000 m.
  3. Buat grid-based features:
    • Buat grid (hexagon/square) dan agregasikan nilai pasar per sel.
  4. Normalisasi variabel agar siap dipakai model (min-max atau z-score).

Tip: Feature engineering geospasial biasanya menyumbang 60–70% peningkatan akurasi model.

4. Bangun Model Prediktif di Python

  1. Pisahkan data menjadi train/test (80:20).
  2. Pilih model:
    • Baseline: Linear Regression
    • Lanjut: Random Forest, XGBoost, atau CatBoost
  3. Jalankan pelatihan:
from xgboost import XGBRegressor
model = XGBRegressor(
    n_estimators=300,
    max_depth=6,
    learning_rate=0.05
)
model.fit(X_train, y_train)

(Visual Hint: Jupyter Notebook dengan sel code training.)

  1. Evaluasi model:
    • Gunakan RMSE, R², atau MAPE.
      (Visual Hint: Plot actual vs predicted.)

Peringatan: Jangan pernah hanya melihat R². Pastikan error absolut masih masuk batas bisnis (misal meleset <15%).

5. Uji Model pada Lokasi Calon Cabang Baru

  1. Siapkan dataset lokasi kandidat (koordinat hasil survei atau grid).
  2. Ekstraksi semua variabel geospasial dari langkah 3 untuk lokasi tersebut.
    (Visual Hint: Peta dengan titik-titik kandidat.)
  3. Jalankan prediksi:
pred = model.predict(candidate_features)
  1. Urutkan kandidat berdasarkan skor prediksi tertinggi.
  2. Tandai red flag lokasi dengan:
    • Akses jalan buruk
    • Kompetitor sangat dominan
    • Jarak terlalu dekat dengan cabang Anda

Tip: Gunakan 3–5 skenario prediksi berbeda untuk menghindari bias model tunggal.

6. Visualisasikan Hasil di Peta Strategis

  1. Buat peta heatmap potensi pasar.
  2. Tumpuk dengan titik kandidat dan cabang eksisting.
  3. Penomoran otomatis: Kandidat #1, #2, #3 berdasarkan skor.
    (Visual Hint: QGIS dengan heatmap warna hijau–merah.)

Tip: Manajemen lebih mudah memahami hasil lewat peta visual daripada tabel angka.

7. Dokumentasikan Rekomendasi Bisnis

  1. Buat tabel rekomendasi final yang berisi:
    • Skor prediksi
    • Alasan geografis
    • Risiko lokasi
    • Estimasi potensi DPK/nasabah
  2. Tulis ringkasan untuk manajemen dalam format 1 halaman.

Ringkasan

Tiga poin penting dari modul ini:

  1. Definisi target & feature engineering menentukan kualitas model lebih dari pemilihan algoritma.
  2. Integrasi data geospasial adalah fondasi prediksi pembukaan cabang yang akurat.
  3. Visualisasi & analisis bisnis adalah kunci agar model dapat digunakan manajemen.

Tugas Praktis (Wajib)

  1. Pilih satu wilayah kota (minimal 3 kecamatan).
  2. Buat 15–30 titik grid sebagai kandidat lokasi cabang baru.
  3. Bangun model prediktif sederhana (boleh Linear Regression).
  4. Prediksi potensi setiap titik dan buat ranking 1–10.
  5. Kirimkan:
    • Peta heatmap
    • Tabel ranking
    • Penjelasan 1 paragraf: Mengapa titik #1 adalah yang terbaik?
Previous Lesson
Back to Course
Next Lesson