Hasil Pencarian  ::  Simpan CSV :: Kembali

"Tujuan dari penelitian ini adalah untuk mengetahui faktor-faktor yang mempengaruhi keputusan pelaku usaha mikro dalam menentukan keinginan dan partisipasi kredit pada lembaga keuangan. Penelitian ini dilakukan dengan studi kasus pada kecamatan Pasar Minggu, Jakarta Selatan. Metode yang digunakan dalam penelitian ini adalah deskriptif kualitatif serta menggunakan model regresi probit untuk menganalisa 91 data sampel usaha mikro yang diambil pada bulan Mei 2014. Hasil penelitian ini menunjukkan bahwa variabel lama usaha, rencana pengembangan usaha, dan status sebagai penduduk Jakarta memiliki pengaruh signifikan pada keinginan untuk meminjam. Sedangkan variabel yang memiliki pengaruh signifikan pada partisipasi kredit adalah lama usaha, tingkat penghasilan, dan status miskin dari pelaku usaha mikro. ......The objective of this study is to identify the factors that influence the decision of microenterprises in determining willingness to borrow and credit participation to financial institutions. The research was conducted by case study on the Pasar Minggu sub-district, in South Jakarta city. The method used in this research is descriptive qualitative as well as using a probit regression model to analyze 91 sample data microenterprises taken in May 2014. The results of this study indicate that length of business, business plans, and satus as Jakarta's resident have a significant influence on the willingness to borrow. While the variables that have a significant influence on credit participation is length of business, income level, and status as a poor."

"Penelitian ini menganalisa dampak kompetisi industri perbankan terhadap penyaluran kredit dan suku bunga kredit usaha UMKM di tiap provinsi Indonesia periode tahun 2013 sampai dengan 2018. Banyak studi empiris yang menyatakan bahwa tingkat kompetisi berpengaruh terhadap penyaluran kredit. Penelitian ini menggunakan dua ukuran kompetisi yaitu concentration ratio dan Herfindahl-Hirschman Index, namun hasil dari kedua ukuran tersebut berbeda terhadap penyaluran kredit UMKM. Adapun, kompetisi industri perbankan tidak berpengaruh terhadap suku bunga kredit UMKM. Hal ini mendukung penelitian sebelumnya yang mempertimbangkan contestability dalam industri perbankan sebagai ukuran kompetisi dan adanya rigiditas perubahan suku bunga kredit dalam pasar yang berkonsentrasi tinggi. ......This paper address the affect of banking industry competition on credit distribution and interest rates for micro, small and medium enterprises (MSME) in Indonesia during the period of 2013 until 2018. Many studies has proven that competition in bank level affect the credit distribution. This study uses two competition measures namely concentration ratio and the Herfindahl-Hirschman Index, but the results of the two measures differ from the distribution of MSME loans. Meanwhile, the banking industry competition has no effect on MSME credit interest rates. This supports previous research that considers contestability in the banking industry as a measure of competition and the rigidity of changes in lending rates in highly concentrated markets."

"Sektor UMKM merupakan salah satu sektor yang berperan penting dalam perekonomian sebuah negara, khususnya negara berkembang. Namun, salah satu hambatan bagi UMKM sendiri adalah masalah pada pembiayaan pada sektor UMKM. Bank Indonesia sendiri telah mengeluarkan peraturan Bank Indonesia 2015 tentang Penyaluran Kredit UMKM yang menyatakan bahwa di tahun 2018 setiap bank umum harus menyalurkan proporsi kredit UMKM sebesar 20% dari total seluruh kredit. Ternyata, angka NPL dan DPK mempengaruhi penyaluran kredit UMKM. Model regresi data panel digunakan untuk menjawab pertanyaan ini. Proyeksi penyaluran kredit UMKM di tahun 2018 adalah kelompok Bank Asing dan Bank Campuran masih sangat jauh dari target yang telah ditentukan. ......Micro, Small, Medium Enterprise (MSME) is one of the most important sector in economy of a country, especially for developing countries. But one of the biggest obstacle to reach that is about financing for MSMEs. Bank Indonesia itself has already launched the regulation called Peraturan Bank Indonesia (PBI) 2015. It is about the target that all of commercial bank must obey the rule that they have to allocate 20% of the total credit for MSMEs loan. The results are Non Performing Loan (NPL) and Dana Pihak Ketiga (DPK) affect the credit supply for MSMEs. Panel regression model is used to answer this question. Moreover, the projection shows that Foreign Bank and Joint-Venture Bank has still so many to go to reach the target."

"Dalam industri perbankan, penilaian kredit yang akurat merupakan kunci dalam mengelola risiko kredit. Perkembangan ekonomi digital telah membawa inovasi dalam proses pemberian kredit yang ditandai dengan munculnya Layanan Jasa Pinjam Meminjam Uang Berbasis Teknologi Informasi. Hal ini membuat bank dihadapkan pada tantangan penilaian kredit yang lebih kompleks. Seiring perkembangan ilmu pengetahuan dan teknologi, algoritma machine learning telah terbukti memiliki kinerja yang unggul dalam proses penilaian kelayakan kredit. Penelitian ini menggunakan dua algoritma boosting, yaitu AdaBoost dan XGBoost dalam klasifikasi kinerja pembayaran pinjaman kredit. Kinerja pembayaran pinjaman kredit dibedakan menjadi dua kelas, yaitu Good dan Bad dengan kriteria Good adalah debitur yang melakukan pembayaran pinjaman kredit tidak lebih dari 3 bulan dari batas jatuh tempo dan Bad adalah debitur yang melakukan pembayaran pinjaman kredit lebih dari 3 bulan dari batas jatuh tempo. Dalam implementasi metode, digunakan data riwayat pembayaran pinjaman kredit khususnya untuk produk Kredit Usaha Mikro (KUM) digital yang diperoleh dari PT Bank X Tbk. dengan jumlah data berjumlah 2190 observasi. Jumlah observasi yang termasuk dalam kelas Good mencapai 89,36% dari total keseluruhan observasi, menyisakan 10,64% yang termasuk dalam kelas Bad. Pada penelitian ini digunakan metode Syntetic Minority Oversampling Technique (SMOTE) untuk mengatasi dataset yang tidak seimbang. Kinerja metode dievaluasi menggunakan nilai metrik accuracy, sensitivity, specificity, dan AUC-ROC dengan mempertimbangkan proporsi data training yang berbeda, mulai dari 50% sampai dengan 90%. Untuk meningkatkan keandalan hasil, simulasi metode dilakukan sebanyak lima kali. Hasil penelitian ini menunjukkan bahwa XGBoost mengungguli AdaBoost dalam klasifikasi kinerja pembayaran pinjaman kredit, terbukti dari perolehan kinerja yang lebih baik pada mayoritas metrik evaluasi dan kelima simulasi yang dilakukan, dengan rata-rata accuracy sebesar 87,71%, sensitivity sebesar 92,29%, specificity sebesar 44,21%, dan AUC-ROC sebesar 81,16%.......In the banking industry, accurate credit assessment is key to managing credit risk. The development of the digital economy has brought innovations in the credit granting process, marked by the emergence of Financial Technology-Based Money Lending Services. This presents banks with more complex credit assessment challenges. With the advancement of science and technology, machine learning algorithms have proven to be superior in the process of creditworthiness assessment. This research utilizes two boosting algorithms, namely AdaBoost and XGBoost, in classifying credit loan payment performance. The performance of credit loan payments is divided into two classes: Good and Bad, where Good refers to debtors who make credit loan payments no more than 3 months past the due date, and Bad refers to those making payments more than 3 months past the due date. In the implementation of the method, data on credit loan payment history, specifically for digital Micro Business Credit (KUM) products obtained from PT Bank X Tbk., were used, totaling 2190 observations. The number of observations classified as Good accounted for 89.36% of the total, leaving 10.64% in the Bad category. This study employed the Synthetic Minority Oversampling Technique (SMOTE) to address the imbalanced dataset. The performance of the method was evaluated using the metrics of accuracy, sensitivity, specificity and AUC-ROC, considering different proportions of training data, ranging from 50% to 90%. To enhance the reliability of the results, the method simulation was conducted five times. The findings indicate that XGBoost outperforms AdaBoost in classifying credit loan payment performance, as evidenced by its superior performance across all evaluation metrics and all five simulations, achieving an average accuracy of 87.71%, sensitivity of 92.29%, specificity of 44,12%, and AUC-ROC of 81.16%."