Claim Missing Document
Check
Articles

Found 1 Documents
Search

Perbandingan Prediksi Loan Default Menggunakan Pemodelan Algoritma Random Forest dan XGBoost untuk Mitigasi Risiko Kredit BankĀ : (Studi Kasus: BTN Syariah) Gigih Prakoso Wigantiyoko; R. Mohamad Atok
Jurnal Teknologi dan Manajemen Industri Terapan Vol. 5 No. 3 (2026): Jurnal Teknologi dan Manajemen Industri Terapan
Publisher : Yayasan Inovasi Kemajuan Intelektual

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55826/jtmit.v5i3.2101

Abstract

Peningkatan penyaluran pembiayaan syariah pascapandemi meningkatkan risiko gagal bayar yang mengancam stabilitas bank. Bank BTN Syariah Cabang X mencatat Non Performing Financing (NPF) sebesar 15,27% pada 2019, turun ke 1,47% pada 2022, namun meningkat kembali pada 2023-2024. Penelitian ini membangun dan membandingkan model prediksi gagal bayar pembiayaan konsumer menggunakan algoritma Random Forest dengan Synthetic Minority Over-sampling Technique (SMOTE) dan Extreme Gradient Boosting (XGBoost) dengan Weighted Class sebagai fondasi Early Warning System (EWS) untuk monitoring nasabah eksisting secara periodik. Data yang digunakan adalah 14.374 nasabah pembiayaan konsumer aktif per 31 Desember 2024 dengan rasio ketidakseimbangan kelas sebesar 77,5:1. Model dievaluasi menggunakan recall, precision, F1-Score, ROC-AUC, dan PR-AUC dengan penekanan pada recall sebagai metrik prioritas. Hasil menunjukkan bahwa Random Forest dengan SMOTE merupakan model terbaik dengan recall kelas default = 0,6757 dan ROC-AUC = 0,9368, mendeteksi 25 dari 37 nasabah gagal bayar pada data testing. XGBoost menghasilkan F1-Score = 0,4878 dan PR-AUC = 0,4849 lebih tinggi namun recall lebih rendah (0,5405). Analisis feature importance menggunakan MDI dan SHAP mengungkapkan bahwa Saldo Tersedia dan Rasio Saldo/Angsuran merupakan prediktor dominan, membuktikan likuiditas real time sebagai leading indicator yang lebih kuat dari riwayat tunggakan.