<![CDATA[Risiko kredit merupakan salah satu risiko utama yang dihadapi lembaga keuangan akibat potensi gagal bayar (default) nasabah. Prediksi risiko kredit yang akurat dan transparan diperlukan untuk mendukung pengambilan keputusan manajemen risiko berbasis data. Penelitian ini bertujuan membangun model prediksi risiko kredit menggunakan pendekatan Explainable Machine Learning pada Taiwan Credit Card Clients Dataset. Tahapan penelitian meliputi data preprocessing, penanganan ketidakseimbangan data menggunakan Synthetic Minority Over-sampling Technique (SMOTE), optimasi hiperparameter menggunakan RandomizedSearchCV dengan 3-fold cross-validation, serta pelatihan model menggunakan algoritma Extreme Gradient Boosting (XGBoost). Evaluasi model menunjukkan nilai Accuracy sebesar 80,65%, Precision 59,39%, Recall 39,56%, F1-Score 47,49%, dan ROC-AUC 75,54%, yang menunjukkan bahwa model memiliki kemampuan klasifikasi dan diskriminasi yang cukup baik dalam membedakan nasabah berisiko default dan tidak default. Interpretasi model menggunakan SHapley Additive exPlanations (SHAP) menunjukkan bahwa PAY_0, LIMIT_BAL, AGE, serta riwayat pembayaran dan jumlah pembayaran nasabah merupakan faktor-faktor yang paling berpengaruh terhadap prediksi risiko kredit. Hasil penelitian ini menunjukkan bahwa kombinasi XGBoost dan SHAP tidak hanya menghasilkan model prediksi dengan performa yang baik, tetapi juga meningkatkan transparansi dalam menjelaskan faktor-faktor yang memengaruhi risiko kredit. Temuan tersebut diharapkan dapat menjadi dasar bagi lembaga keuangan dalam menyusun strategi manajemen risiko kredit yang lebih akurat, objektif, dan berbasis data.]]>
Copyrights © 2026
