<![CDATA[Tingkat kredit bermasalah yang tinggi dapat mengganggu stabilitas keuangan lembaga perbankan, sehingga diperlukan sistem klasifikasi yang akurat untuk mendeteksi potensi gagal bayar sejak dini. Penelitian ini bertujuan untuk membangun dan membandingkan model klasifikasi risiko kredit menggunakan algoritma machine learning, yaitu Random Forest, XGBoost, dan Support Vector Machine (SVM). Permasalahan yang diangkat dalam penelitian ini meliputi ketidakakuratan dalam klasifikasi nasabah, kurangnya pemanfaatan data historis, serta belum diterapkannya metode analitik berbasis algoritma cerdas. Metode penelitian mengikuti pendekatan Cross-Industry Standard Process for Data Mining (CRISP-DM) yang mencakup pemahaman bisnis, eksplorasi data, praproses data, pemodelan, evaluasi model, hingga tahap implementasi. Dataset yang digunakan berasal dari laporan historis nasabah kredit di PT BPR Nusumma Klaten. Evaluasi dilakukan dengan mengukur akurasi, precision, recall, F1-score, dan AUC. Hasil penelitian menunjukkan bahwa algoritma Random Forest memiliki kinerja terbaik dengan nilai evaluasi yang lebih stabil dibandingkan XGBoost dan SVM. Temuan ini diharapkan dapat membantu lembaga keuangan dalam meningkatkan efisiensi proses analisis risiko kredit dan pengambilan keputusan berbasis data. Kata Kunci: Kredit Bermasalah, Random Forest, XGBoost, SVM, Klasifikasi]]>
Copyrights © 2026
