Klasifikasi Nasabah Gagal Bayar

Latar Belakang

Umumnya, masyarakat yang mengajukan kredit atau pembiayaan memiliki kebutuhan dana untuk modal usaha atau kebutuhan konsumsinya. Secara ringkas, kredit merupakan fasilitas keuangan yang memungkinkan seseorang atau badan usaha meminjam uang untuk membeli produk dan membayarnya kembali dalam jangka waktu yang ditentukan dengan dikenakan bunga. Berdasarkan Undang-Undang Perbankan, kredit adalah penyediaan uang atau tagihan yang dapat disamakan dengan itu, berdasarkan persetujuan ata kesepakatan pinjam-meminjam antara bank dan pihak lain, yang mewajibkan pihak peminjam untuk melunasi utangnya setelah jangka waktu tertentu dengan pemberian bunga. Kredit disediakan oleh bank umum konvensional, BPR, dan Pegadaian.

Berbeda dengan asuransi, konsep penjaminan sudah diatur secara umum dalam Kitab Undang-Undang Hukum Perdata yang dijelaskan sebagai penanggungan. Perkembangan hukum merincikan ketentuan mengenai penjaminan kedalam Undang-Undang No. 1 Tahun 2016 tentang Penjaminan, yang mendefinisikan penjaminan sebagai kegiatan pemberian jaminan oleh penjamin atas pemenuhan kewajiban finansial terjamin kepada penerima jaminan.

Dalam pelaksanaannya, penjaminan menggunakan mekanisme penghindaran risiko (loss avoidance mechanism). Dalam proses underwriting penjaminan, Underwriter menggunakan asumsi bahwa tidak akan terjadi klaim. Sehingga untuk dapat memprediksi hal tersebut, Underwriter akan melakukan prakualifikasi terlebih dahulu kepada pihak yang akan dijamin (terjamin) berdasarkan kemampuan keuangan, peringkat kredit, pengalaman, dan lainnya. Hal ini berbeda dengan asuransi yang menggunakan loss funding mechanism. Secara sederhana, skema penjaminan memberikan kewajiban kepada penjamin untuk membayarkan kewajiban finansial dari terjamin kepada penerima jaminan dalam hal terjamin gagal memenuhi kewajibannya. Dari penjelasan sederhana tersebut dapat dilihat bahwa skema bisnis penjaminan melibatkan 3 (tiga) pihak yang dapat digambarkan sebagai berikut:

Terjamin : Sebagai nasabah yang mengajukan kredit 
Penerima Jaminan : Penyedia kredit 
Penjamin : Perusahaan penjamin yang diajukan oleh penyedia kredit

Dalam hubungan di atas terdapat 3 (tiga) perjanjian yang berlaku, terdiri dari perjanjian pokok (underlying agreement) yang menjadi dasar penerbitan penjaminan, kemudian perjanjian/sertifikat penjaminan serta indemnity agreement antara terjamin dan penjamin. Umumnya terjamin mengajukan permohonan penjaminan kepada penjamin dengan membayar sejumlah biaya premi/service fee. Selanjutnya penjamin akan menerbitkan jaminan kepada penerima jaminan. Sehingga apabila terjamin gagal dalam memenuhi kewajibannya, penerima jaminan dapat menyatakan terjamin wanprestasi dan meminta penjamin untuk mencairkan jaminan yang telah diberikan. Kewajiban maksimum dari penjamin adalah sebesar nilai penal sum dari jaminan tersebut. Meskipun kewajiban finansial sudah dibayarkan penjamin kepada penerima jaminan, terjamin tetap memiliki kewajiban finansial kepada penjamin atas biaya yang sudah dikeluarkan penjamin kepada penerima jaminan.

Permasalahan

Kredit macet (loan default) menjadi permasalahan utama yang dihadapi bank dalam hal pemberian kredit, dimana debitur sebelum jatuh tempo tidak dapatmemenuhi kewajibannya atau sering disebut wanprestasi atau cidera janji. Berbagaiusaha preventif dilakukan perbankan untuk meminimalisir risiko kredit macet salahsatunya dengan adanya perjanjian kerja sama dimana bank dengan lembaga penjaminan kredit melakukan penjaminan kredit. Sehingga Imbal Jasa Penjaminan yang diberikan oleh Penyedia kredit harus dikembalikan kepada Penerima Jaminan yang dapat dikatakan beban penjaminan.

Ide Penulisan

Berlandaskan dari sebuah permasalahan yaitu Beben Penjaminan maka dari itu penulisan ini bertujuan untuk menurunkan beban penjaminan. Semakin banyak nasabah yang gagal bayar maka akan semakin banyak pula beban penjaminan yang harus dibayarkan kepada penerima jaminan. oleh karena itu project ini dibuat untuk mengklasifikasikan nasabah yang memiliki potensi untuk gagal bayar atau tidak, sehingga dapat meminimalisir beban penjaminan yang harus dibayarkan. dampak dari meminimumkan beban penjaminan ialah meningkatnya Imbal Jasa Penjaminan, yang berarti meningkatkan padapatan dari perusahaan.

Batasan Masalah

Data yang digunakan berasal dari perusahaan penjaminan yang telah dimasking sedemikian rupa untuk menjaga identitas nasabah dan menjaga kredibilitas perusahaan. Sampel yang diambil sebanyak 12,476 nasabah dengan perbandingan 50:50. Untuk sampel nasabah gagal bayar diambil dari permohonan klaim mulai 01 Januari 2022 hingga 31 Desember 2022. untuk nasabah lancar bayar diambil dari nasabah yang telah melakukan pelunasan dari tahun 2020 hingga 2022.

Output

Output dari project ini berupa model klasifikasi nasabah mana saja yang diprediksi gagal bayar atau lancar. Hal ini akan mempermudah pihak penjamin untuk memfilter nasabah yang diprediksi gagal bayar. Dari hasil prediksi penjamin dapat mengidentifikasi kembali nasabah yang diprediksi gagal bayar untuk mendapatkan hasil final apakah penjaminan diterima atau ditolak.

Business Impact

Dengan meminimalisir Beban Penjaminan maka akan menurunkan Rasio Klaim yang dimiliki sehingga mampu untuk meningkatkan kredibilitas dari perusahaan dan juga dengan meminimalisir klaim yang harus dibayarkan kepada penerima jaminan maka akan meningkatkan keuntungan bersih yang diterima.

Libraries

library(dplyr)
library(lubridate)
library(ggplot2)
library(plotly)
library(glue)
library(ggpubr)
library(scales)

Analisis Data Eksploratori

Detail Dataset

data = read.csv("E:/Algoritma/dcd_klasifikasi/data pen/sampling kur.csv", header = T)
data_clean <- data %>% 
  select(-c(nama, jns_debitur, tunggakan_pokok, tunggakan_bunga, tunggakan_denda, alamat_usaha)) %>%
  mutate(
    id_kirim_calon = as.factor(id_kirim_calon),
    tgl_lahir = ymd(tgl_lahir),
    jns_kelamin = as.factor(jns_kelamin),
    marital_sts = as.factor(marital_sts),
    pendidikan = as.factor(pendidikan),
    pekerjaan = as.factor(pekerjaan),
    mulai_usaha = ymd(mulai_usaha),
    tgl_akad = ymd(tgl_akad),
    tgl_klaim_bank = ymd(tgl_klaim_bank),
    flag_klaim = as.factor(flag_klaim)
  )
glimpse(data_clean)
#> Rows: 12,476
#> Columns: 18
#> $ id_kirim_calon      <fct> 529188, 8459, 543340, 8488, 9191, 486121, 646216, …
#> $ tgl_lahir           <date> 1983-05-05, 1965-10-14, 1975-04-07, 1970-07-01, 1…
#> $ jns_kelamin         <fct> 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2,…
#> $ marital_sts         <fct> 1, 1, 1, 1, 1, 0, 1, 0, 1, 1, 1, 1, 1, 1, 1, 1, 1,…
#> $ pendidikan          <fct> 3, 6, 6, 6, 6, 6, 6, 6, 2, 6, 6, 6, 6, 6, 6, 6, 6,…
#> $ pekerjaan           <fct> 6, 6, 6, 6, 6, 6, 6, 99, 99, 6, 6, 6, 99, 6, 6, 6,…
#> $ nama_kabkota        <chr> "Kab. Bulukumba", "Kab. Tasikmalaya", "Kab. Subang…
#> $ mulai_usaha         <date> 2017-11-17, 2017-08-03, 2013-12-07, 2016-08-03, 2…
#> $ modal_usaha         <dbl> 6757000, 3372000, 2305000, 5694444, 1150000, 21000…
#> $ jml_pekerja         <int> 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,…
#> $ tgl_akad            <date> 2020-11-17, 2020-07-23, 2020-12-07, 2020-07-27, 2…
#> $ jml_kredit          <dbl> 3000000, 3000000, 13000000, 5000000, 3000000, 5000…
#> $ nilai_dijamin       <dbl> 2400000, 2400000, 10400000, 4000000, 2400000, 5600…
#> $ nama_sektor         <chr> "Perdagangan Eceran Tekstil, Pakaian Jadi, Alas Ka…
#> $ tgl_klaim_bank      <date> 2022-01-03, NA, 2022-12-20, NA, NA, 2022-11-04, 2…
#> $ tuntutan_klaim_bank <dbl> 2496000, 0, 5561039, 0, 0, 291200, 1372800, 998400…
#> $ klaim_disetujui     <dbl> 2400000, 0, 5561039, 0, 0, 291200, 1372800, 998400…
#> $ flag_klaim          <fct> 1, 0, 1, 0, 0, 1, 1, 1, 1, 0, 1, 1, 0, 0, 0, 0, 0,…

Keterangan

  • id_kirim_calon : id_nasabah
  • tgl_lahir : tanggal lahir nasabah
  • jns_kelamin : jenis kelamin nasabah
    • 1 : Laki-laki
    • 2 : Perempuan
    • 9 : Tidak Teridentifikasi
  • marital_sts : status perkawinan
    • 0 : Lajang
    • 1 : Menikah
    • 2 : Duda/Janda
    • 9 : Tidak Teridentifikasi
  • pendidikan : pendidikan terakhir
    • 1 : Taman Kanak-kanak
    • 2 : Sekolah Dasar
    • 3 : SMP
    • 4 : SMK
    • 5 : SMA
    • 6 : Sarjana/Diplomat
    • 9 : Tidak Teridentifikasi
  • pekerjaan : pekerjaan nasabah
    • 1 : Buruh
    • 2 : Pedagang
    • 3 : Swasta
    • 4 : Purnakarya
    • 5 : Wiraswasta kecil
    • 6 : Wiraswasta besar
    • 7 : Peternak
    • 8 : Petani
    • 9 : Tidak Bekerja
    • 99 : Tidak Teridentifikasi
  • nama_kabkota : Kabupaten/Kota
  • mulai_usaha : tanggal mulai usaha
  • modal_usaha : modal usaha
  • jml_pekerja : jumlah tenaga kerja yang dimiliki
  • tgl_akad : tanggal melakukan penjaminan
  • jml_kredit : nominal kredit yang diberikan penerima jaminan
  • nilai_dijamin : nominal penjaminan
  • nama_sektor : sektor usaha
  • tgl_klaim_bank : tanggal pengajuan klaim
  • tuntutan_klaim_bank : nominal pengajuan klaim
  • klaim_disetujui : nominal klaim disetujui pihak penjamin
  • flag_klaim : nasabah klaim atau tidak
    • 0 : Lancar
    • 1 : Gagal Bayar

Missing Value

colSums(is.na(data_clean))
#>      id_kirim_calon           tgl_lahir         jns_kelamin         marital_sts 
#>                   0                   0                   0                   0 
#>          pendidikan           pekerjaan        nama_kabkota         mulai_usaha 
#>                   0                   0                   0                   0 
#>         modal_usaha         jml_pekerja            tgl_akad          jml_kredit 
#>                   0                   0                   0                   0 
#>       nilai_dijamin         nama_sektor      tgl_klaim_bank tuntutan_klaim_bank 
#>                   0                   0                6238                   0 
#>     klaim_disetujui          flag_klaim 
#>                   0                   0

Tgl_klaim_bank kosong dikarenakan nasabah tersebut tersebut tidak terindikasi gagal bayar sehingga penerima jaminan tidak mengajukan klaim kepada penjamin

Dimensi dan Proporsi Data

dim(data_clean)
#> [1] 12476    18
prop.table(table(data_clean$flag_klaim))
#> 
#>   0   1 
#> 0.5 0.5

Sampel data yang digunakan sebanyak 12,476 data, dengan 18 variabel. Sedangkan proporsi untuk Nasabah Gagal bayar dan Lunas ialah 50:50 dengan rincian masing - masing memiliki sampel 6,238 Nasabah.

Jenis Kelamin

sort(table(data_clean$jns_kelamin), decreasing = T)
#> 
#>     2     1     9 
#> 12318   143    15

dari hasil diatas dapat dilihat bahwa perempuan yang mendominasi pengajuan kredit yang diasumsikan guna menjalankan usaha sampingan ataupun mata pencaharian. untuk jenis kelamin laki-laki jauh lebih kecil dikarenakan diasumsikan laki-laki memiliki pekerjaan utama. Dan sebanyak 15 nasabah tidak teridentivikasi dikarenakan pengajuan atas nama perusahaan.

Status Perkawinan

sort(table(data_clean$marital_sts), decreasing = T)
#> 
#>     1     0     2     9 
#> 11581   686   188    21

Sebanyak 11,581 nasabah yang sudah menikah, yang menandakan bahwa mayoritas masyarakat yang telah menikah membutuhkan penghasilan tambahan dengan mebangun usaha sendiri, dan tidak banyak dari mereka tidak memiliki modal untuk menjalankan usahanya, sehingga membutuhkan pengajuan kredit. Selanjutnya sebanyak 686 nasabah yang belum menikah serta 188 nasabah yang sudah bercerai mengajukan kredit, Dan untuk 21 sisanya tidak teridentifikasi dikarenakan tidak ingin membagikan statusnya.

Pendidikan

sort(table(data_clean$pendidikan), decreasing = T)
#> 
#>    6    2    3    5    9    1    4 
#> 6533 2883 2749  282   17    9    3

Pengambilan Kredit mayoritas memiliki pendidikan Sarjana / Diplomat sebanyak 6,533 nasabah, selanjutnya dengan pendidikan Kejuruan sebanyak 3 nasabah dan Menengah Akhir sebanyak 282 nasabah. Untuk nasabah dengan pendidikan Menengah Pertama sebanyak 2,749, selanjutnya dengan pendidikan Sekolah Dasar sebanyak 2,883. Dan untuk nasabah dengan tingkat pendidikan Taman Kanak-kanak sebanyak 9 orang. Dan 17 Nasabah tidak menuliskan pendidikannya

Pekerjaan

sort(table(data_clean$pekerjaan), decreasing = T)
#> 
#>    6   99    3    5    1    9    2    4    8 
#> 8782 3598   53   12   11    9    6    4    1

mayoritas pemilik usaha besar mengajukan kredit sebanyak 8,782 nasabah yang kemungkinan digunakan untuk membesarkan usaha yang telah dirintisnya. selanjutnya sebanyak 3,698 nasabah tidak teridentifikasi jenis pekerjaannya. untuk Petani hanya 1 nasabah yang kemungkinan banyak dari mereka tidak membuka usaha sampingan dan tidak membutuhan kredit untuk menunjang kebutuhan perekonomian.

Kabupaten / Kota

head(sort(table(data_clean$nama_kabkota), decreasing = T))
#> 
#> Kab. Indramayu    Kab. Jember  Kab. Sukabumi  Kab. Karawang   Kab. Cirebon 
#>            360            354            283            257            207 
#> Kab. Situbondo 
#>            195

dari hasil diatas dapat dilihat bahwa nasabah di kabupaten Indramayu paling banyak mengajukan kredit sebanyak 360 nasabah dan disusul oleh Kabupaten Jember sebanyak 354 nasabah. Diururtan ke-3 ada Kabupaten Sukabumi dengan 283 nasabah yang mengajukan kredit. dari hasil diatas dapat menjadi perhatian untuk Kabupaten/Kota yang menerima banyak pengajuan kredit, bisa jadi di kabupaten/kota tersebut masih banyak Sumber daya yan dapat diolah oleh masyarakat sekitar yang dapat memajukan UMKM masyarakat sekitar.

Jumlah Tenaga Kerja

summary(data_clean$jml_pekerja) 
#>    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
#>   0.000   1.000   1.000   1.099   1.000  50.000

dari pendirian suatu usaha maka pasti akan menyerap tanaga kerja yang bertujuan untuk mengurangi tingkat pengangguran disuatu daerah. dari hasil diatas menunjukkan paling banyak penyerapan tenaga kerja sebanyak 50 orang yang mengindikasikan bahwa usaha yang telah dibangun sudah cukup stabil untuk mengurangi tingkat pengangguran sedangkan ada juga yang tidak memiliki tenaga kerja yang menandakan kemungkinan besar usaha yang dibangun belum cukup besar dan stabil untuk menyerap tenaga kerja dan lebih mengandalkan tenaga sendiri.

Nominal Kredit

summary(data_clean$jml_kredit)
#>       Min.    1st Qu.     Median       Mean    3rd Qu.       Max. 
#>     500000    3000000    5000000   14885620    7000000 5000000000

pengambilan kredit paling tinggi sebesar 5,000,000,000 rupiah dan paling rendah sebesar 500,000 rupiah, dengan rata-rata pengajuan kredit sebesar 14,885,620 rupiah.

Nominal Penjaminan

summary(data_clean$nilai_dijamin)
#>       Min.    1st Qu.     Median       Mean    3rd Qu.       Max. 
#>     400000    2400000    4000000   12207502    5600000 4000000000

dari hasil diatas dapat dilihat bahwa nilai yang dijaminkan oleh penerima jaminan paling besar sebanyak 4,000,000,000 rupiah dan paling rendah sebesar 400,000 rupiah, dengan rata-rata nilai jaminan sebesar 12,207,502 rupiah.

Sektor Usaha

head(sort(table(data_clean$nama_sektor), decreasing = T))
#> 
#>            Perdagangan Eceran Komoditi lainnya (Bukan Makanan, Minuman, Atau Tembakau) 
#>                                                                                   5161 
#> Perdagangan Eceran Berbagai Macam Barang yang Didominasi Makanan, Minuman dan Tembakau 
#>                                                                                   3419 
#>                                             Jasa Perorangan Yang Melayani Rumah Tangga 
#>                                                                                    551 
#>                               Perdagangan Eceran Komoditi Makanan dari Hasil Pertanian 
#>                                                                                    526 
#>   Perdagangan Eceran Komoditi Makanan,Minuman, Atau Tembakau Hasil Industri Pengolahan 
#>                                                                                    431 
#>      Perdagangan Eceran Tekstil, Pakaian Jadi, Alas Kaki, dan Barang Keperluan Pribadi 
#>                                                                                    349

Sektor usaha yang paling banyak mengajukan kredit ialah dari sektor Perdagangan Eceran Komoditi lainnya (Bukan Makanan, Minuman, Atau Tembakau) sebanyak 5,161 nasabah dan disusul sektor Perdagangan Eceran Berbagai Macam Barang yang Didominasi Makanan, Minuman dan Tembakau dengan 3419. dari sampel ini menunjukkan bahwa Perdagangan Eceran Komoditi lainnya (Bukan Makanan, Minuman, Atau Tembakau) banyak diminati masyarakat dikarenakan kemudahan dalam menjalankan usahanya.

Tuntutan Klaim Penerima Jaminan

tuntutan_klaim_bank <- data_clean %>% 
  filter(flag_klaim == 1) %>%
  summarise(average = mean(tuntutan_klaim_bank))  %>% 
  ungroup() %>% 
  arrange(average)
  

tuntutan_klaim_bank
max(data_clean$tuntutan_klaim_bank)
#> [1] 2509728220

nominal tuntutan klaim dari penerima jaminan paling besar ialah 2,509,728,220 rupiah dengan tuntutan klaim rata-rata 15,627,050 rupiah

Beban Penjaminan

klaim_disetujui <- data_clean %>% 
  filter(flag_klaim == 1) %>%
  summarise(average = mean(klaim_disetujui))  %>% 
  ungroup() %>% 
  arrange(average)
  

klaim_disetujui
max(data_clean$klaim_disetujui)
#> [1] 2400000000

nominal klaim yang disetujui oleh pihak penjamin paling besar ialah 2,400,000,000 rupiah sehingga rata-rata klaim yang harus dibayarkan oleh pihak penjamin sebesar 14,896,587 rupiah

Korelasi

library(rcompanion)
cramerV(data_clean$flag_klaim, data_clean$modal_usaha, bias.correct = FALSE)
#> Cramer V 
#>   0.7299

Metode korelasi yang digunakan ialah Cramer Coefficient C, alasan digunakannya metode ini dikarenakan data yang digunakan ialah kategorik maupun nominal. Dari hasil perhitungan korelasi didapat modal usaha memiliki korelasi positif terhadap flag_klaim yang berarti semakin tinggi modal usaha akan meningkatkan kemungkinan nasabah tersebut akan gagal bayar. hal ini dapat diselaraskan dengan besarnya modal untuk merintis sebuah usaha yang mana akan semakin berat juga nasabah tersebut untuk mengembalikan modal yang telah dikeluarkan.

Visualisasi Data

Nominal Penjaminan Tiap Kabupaten / Kota

data_profit <- data_clean %>% 
  group_by(nama_kabkota) %>% 
  summarise(sum = sum(nilai_dijamin)) %>% 
  ungroup() %>% 
  arrange(-sum) %>% 
  
  head(5)%>%
  mutate(label1 = glue("Category: {nama_kabkota}
                       Total Profit: {comma(sum)}")) 

plot1 <- ggplot(data_profit,
                aes(x = sum,
                    y = reorder(nama_kabkota, sum),
                    color = sum,
                    text = label1)) +
  scale_color_continuous(low = "red",
                         high = "black") +
  geom_point(size = 3) + 
  geom_segment(aes(x = 0,
                   xend = sum,
                   yend = nama_kabkota),
               size = 1.5) +
  labs(title = "Total Penjaminan",
       x = "Nominal Penjaminan",
       y = NULL)+
  theme_minimal()+
  theme(plot.title = element_text(face="bold"), # menebalkan judul title 
        legend.position = "none"
  )

ggplotly(plot1, tooltip = "text")

dari plot diatas dapat dilihat bahwa kota Surabaya memiliki nilai penjaminan yang paling tinggi yaitu sebesar 6,030,800,000 rupiah yang menandakan bahwa pendapatan terbesar berasal dari kota Surabaya. dan untuk pendapatan terbesar kedua berada di kota Bandung dengan nominal 5,422,400,000 rupiah. Dengan Nominal yang cenderung tinggi ini dapat dipertahankan dengan menjaga relasi antar penjamin dan penerima jaminan, dan juga dapat menawarkan kemudahan-kemudahan agar penjaminan tetap stabil dan diharapkan dengan penawaran tersebut meningkatkan jumlah penjaminan.

data_profit_rendah <- data_clean %>% 
  group_by(nama_kabkota) %>% 
  summarise(sum = sum(nilai_dijamin)) %>% 
  ungroup() %>% 
  arrange(-sum) %>% 
  
  tail(5)%>%
  mutate(label11 = glue("Category: {nama_kabkota}
                       Total Profit: {comma(sum)}")) 

plot11 <- ggplot(data_profit_rendah,
                aes(x = sum,
                    y = reorder(nama_kabkota, sum),
                    color = sum,
                    text = label11)) +
  scale_color_continuous(low = "red",
                         high = "black") +
  geom_point(size = 3) + 
  geom_segment(aes(x = 0,
                   xend = sum,
                   yend = nama_kabkota),
               size = 1.5) +
  labs(title = "Total Penjaminan",
       x = "Nominal Penjaminan",
       y = NULL)+
  theme_minimal()+
  theme(plot.title = element_text(face="bold"), # menebalkan judul title 
        legend.position = "none"
  )

ggplotly(plot11, tooltip = "text")

Kabupaten Kepulauan Aru, Kabupaten Lebong, Kabupaten Maluku Tengah, Kabupaten Tanah Bumbu, Kabupaten Tapanuli Utara memiliki nominal penjaminan paling rendah yaitu sebesar 2,400,000 rupiah sehingga menjadi perhatian pihak penjamin agar meningkatkan nilai penjaminan. pihak penjamin dapat bekerja sama dengan pihak penerima jaminan untuk memberi sosialisasi kepada masyarakat sekitar untuk meningkatkan UMKM agar taraf hidup masyarakat sekitar meningkat dan juga memberi arahan untuk memanfaatkan sumber daya sekitar untuk diolah agar perekonomian di kabupaten tersebut terus bergerak. Pihak penjamin juga dapat memberi penawaran-penawaran yang saling menguntungkan kepada pihak penerima jaminan di Kabupaten tersebut untuk meningkatkan nilai jaminan.

Nominal Beban Penjaminan Tiap Kabupaten / Kota

Beban_penjaminan <- data_clean %>% 
  filter(flag_klaim == 1) %>% 
  group_by(nama_kabkota) %>% 
  summarise(sum = sum(klaim_disetujui)) %>% 
  ungroup() %>%
  arrange(-sum) %>%
  head(5)%>%
  mutate(label2 = glue(
    "Kota : {nama_kabkota}
    klaim_disetujui : {comma(sum)}"
  ))


plot2 <- ggplot(data = Beban_penjaminan, aes(x = sum, 
                                       y = reorder(nama_kabkota, sum), 
                                       text = label2)) +
  geom_col(aes(fill = sum)) +
  scale_fill_gradient(low="pink", high="maroon") +
  labs(title = "Beban Penjaminan",
       x = "Klaim Disetujui",
       y = "kabkota") +
  theme_minimal() +
  theme(legend.position = "none") 

ggplotly(plot2, tooltip = "text")

Dengan Banyaknya Penjaminan yang masuk begitupula dengan klaim yang ditanggung. Kota Surabaya memiliki beban penjaminan paling tinggi sebesar 4,945,389,409 rupiah dan diikuti oleh kota Makassar dengan nominal klaim 4,288,635,115 rupiah. dari sampling diatas terlihat kota Makassar membutuhkan perhatian khusus dikarenaka penerimaan penjaminan sebesar 4,332,000,000 rupiah apabila penerimaan jaminan dikurangkan dengan beban penjaminan maka penerimaan bersih dari kota Makassar memiliki selisih yang kecil. Evaluasi lebih lanjut perlu dilakukan untuk lebih menekan nilai klaim di kota tersebut.

Tren Pengajuan Klaim

trend_klaim <- data_clean %>% 
  filter(flag_klaim == 1) %>% 
  group_by(tgl_klaim_bank) %>% 
  summarise(amnt = n()) %>% 
  ungroup()%>%
  mutate(
    label3 = glue(
      "tgl_klaim_bank: {tgl_klaim_bank}
      Jumlah Nasabah: {comma(amnt)}")
  )

plot_trend <- ggplot(data = trend_klaim, mapping =  aes(x = tgl_klaim_bank, 
                                         y = amnt)) +
  geom_line(color = 'blue') +
  geom_point(aes(text = label3), color='blue')+
  scale_x_date(date_labels = "%b %Y")+
  labs(
    title = "Trend Pengajuan Klaim",
    x = "Tanggal Klaim",
    y = "Jumlah Nasabah")+
  theme_minimal()


ggplotly(plot_trend, tooltip = "text")

Dari trend diatas dapat dilihat bahwa peningkatan klaim yang diajukan oleh penerima jaminan ada pada bulan Oktober dan November. hal ini dikarenakan akan berakhirnya kuartal 4 dan tutup buku tahun 2022 sehingga bahan pelaporan harus tersedia pada bulan Desember 2022. Dilihat dari informasi yang diberikan Kementerian Keuangan RI inflasi Indonesia masih relatif baik yaitu di 5,4 persen pada pertengahan kuartal 4. dan kinerja perekonomian Indonesia relatif baik dan masih terjaga. Dari informasi tersebut tidak mengindikasikan penurunan perekonomian Indonesia yang membuat masyarakat yang mengambil kredit menjadi gagal bayar, sehingga dapat diasumsikan nasabah gagal bayar bisa jadi karena faktor internal dari pengelolaan usaha atau diasumsikan juga pihak penerima jaminan menunda pengajuan klaim dan mengajukan klaim di kuartal 4.

Referensi

https://www.academia.edu/31129234/PROSEDUR_KLAIM_TERHADAP_LEMBAGA_PENJAMINAN_KREDIT_PADA_KREDIT_USAHA_MIKRO_KECIL_DAN_MENENGAH_DI_BANK_X_CABANG_BOGOR

https://www.kemenkeu.go.id/informasi-publik/publikasi/berita-utama/Tutup-Tahun-Kinerja-Perekonomian-Masih-Positif

https://indonesiare.co.id/id/article/penjaminan-dan-asuransi-berbeda-tapi-sama

https://sikapiuangmu.ojk.go.id/FrontEnd/CMS/Article/316