<![CDATA[Berdasarkan data outstanding pinjam online, pada bulan Maret tahun ini kredit tidak lancar (30-90 hari) melonjak sebesar Rp3,58 triliun (71,13% YoY) dengan pinjaman perseorangan tertinggi sebesar Rp3,3 triliun dan selebihnya dari badan usaha. Kemudian yang mengalami kredit macet melebihi 90 hari pada bulan Maret 2023 sebesar Rp1,43 triliun dari total sisa pinjaman yang belum terbayar oleh debitur. Nilai ini meningkat jauh sebesar Rp1,35 triliun (65,33%) dibandingkan pada periode sebelumnya (YoY), di mana sebesar Rp1,14 triliun adalah kredit macet dari perseorangan. Hal ini terjadi karena berawal dari kurangnya keakuratan dalam proses screening customer. Penelitian ini bertujuan untuk mengklasifikasikan calon debitur menggunakan teknik data mining dengan menggunakan algoritma XGBoost. Metode atau langkah-langkah untuk mencapai tujuan dari penelitian ini adalah metodologi Knowledge Discovery in Database (KDD), yang terdiri dari lima langkah yaitu data selection, data preprocessing, data transformation, data mining, dan evaluation. Dataset berjumlah 1000 row data yang terdiri dari 700 good dan 300 bad, dengan 21 variabel (V1 sampai dengan V20) sedangkan V21 merupakan target atau output. Untuk menganalisis data, 10 skenario model dibangun untuk mengidentifikasi model yang terbaik. Hasil model menunjukan bahwa performa model semakin baik setelah dilakukan SMOTE dengan nilai accuracy dan nilai AUC yang mengalami peningkatan. Model terbaik didapatkan pada skrenario 1 (data train 90% dan 10 data test) dengan nilai accuracy 0,83 dan AUC 0,918. Dari hasil evaluasi model menunjukan bahwa algoritma XGBoost dapat digunakan untuk menganalisis data kredit sebelum menerima/ menolak pengajuan kredit.]]>
Copyrights © 2024
