<![CDATA[Meningkatnya animo masyarakat terhadap pengajuan pinjaman kredit di lembaga keuangan telah diimbangi dengan peningkatan kredit bermasalah yang berpotensi menimbulkan kerugian dan mempengaruhi rasio Non-Performing Loan (NPL). Penelitian ini bertujuan untuk membandingkan efektivitas metode Random Forest Regression (RFR) dan Support Vector Regression (SVR) dalam memprediksi risiko kredit pada Bank XYZ. Pemilihan parameter dilakukan dengan metode Grid Search, sementara evaluasi model menggunakan metrik Mean Absolute Percent Error (MAPE) dan Mean Squared Error (MSE). Hasil prediksi risiko kredit menggunakan metode RFR menunjukkan akurasi tinggi pada data pelatihan dengan MAPE sebesar 0,0125%, namun performanya menurun pada data pengujian dengan MAPE sebesar 14,86% dan MSE sebesar 0,3766. Sebaliknya, hasil prediksi risiko kredit menggunakan metode SVR dengan beberapa kernel menunjukkan bahwa kernel RBF memberikan hasil terbaik dengan MAPE sebesar 11,63% dan MSE sebesar 0,2486, mengungguli kernel Linear, Polynomial, dan Sigmoid. Perbandingan metode RFR dan SVR dengan kernel RBF menunjukkan bahwa meskipun RFR menunjukkan akurasi sangat tinggi pada data pelatihan, performanya yang buruk pada data pengujian menunjukkan overfitting yang signifikan. Sebaliknya, SVR dengan kernel RBF menunjukkan kinerja yang konsisten baik pada data pelatihan maupun pengujian, dengan nilai MAPE dan MSE yang lebih rendah. Kesimpulan dari penelitian ini menunjukkan bahwa SVR dengan kernel RBF merupakan pilihan yang lebih baik untuk prediksi risiko kredit, memberikan keseimbangan terbaik antara akurasi prediksi dan kemampuan menjelaskan variasi dalam data. Penelitian ini diharapkan dapat mendorong perusahaan perbankan untuk meningkatkan kualitas kredit melalui manajemen risiko yang efektif dan pemanfaatan teknologi machine learning dalam memprediksi risiko kredit.]]>
