<![CDATA[Tingginya risiko kredit bermasalah di sektor perbankan mendorong kebutuhan akan sistem prediksi yang tidak sekadar akurat, tetapi juga mampu memberikan penjelasan atas setiap keputusan yang dihasilkan. Penelitian ini membangun sistem deteksi dini kredit bermasalah menggunakan pendekatan Kuantitatif Prediktif berbasis algoritma Random Forest yang diintegrasikan dengan metode Explainable AI (XAI). Dataset yang digunakan terdiri dari 12.500 record simulasi dengan distribusi 76,0% kredit lancar dan 24,0% kredit bermasalah, mencakup lima variabel: riwayat pembayaran, pendapatan bulanan, jumlah pinjaman, lama kredit, dan rasio utang (DTI). Setelah proses oversampling pada data latih, model dioptimasi menggunakan Grid Search 10-fold dengan ruang pencarian n_estimators ? {100,200,300,400}, max_depth ? {5,10,15,None}, min_samples_split ? {2,5,10}, dan max_features ? {'sqrt','log2'}. Konfigurasi terbaik yang diperoleh adalah n_estimators=300, max_depth=10, min_samples_split=5, max_features='sqrt'. Pengujian terhadap 2.500 sdata uji menghasilkan akurasi 96,40%, precision 91,52%, recall 93,66%, F1-Score 92,57%, dan ROC-AUC 0,9938, mengungguli Naive Bayes, Logistic Regression, dan Decision Tree. Analisis feature importance mengidentifikasi riwayat pembayaran (0,6223) sebagai variabel paling dominan, diikuti rasio utang (0,2070). Penelitian ini menunjukkan bahwa kombinasi Random Forest dan XAI mampu menghasilkan sistem prediksi yang akurat sekaligus dapat dijelaskan kepada pemangku kepentingan keuangan.]]>
