<![CDATA[Penelitian ini bertujuan untuk menerapkan algoritma Gradient Boosting dalam sistem pendukung keputusan prediksi risiko kredit berbasis machine learning. Penerapan machine learning memungkinkan analisis data debitur secara otomatis sehingga dapat meningkatkan ketepatan dalam mengidentifikasi risiko gagal bayar dan mendukung proses pengambilan keputusan kredit Risiko kredit menjadi salah satu permasalahan utama pada lembaga keuangan karena kesalahan dalam penilaian kelayakan kredit dapat meningkatkan potensi kredit macet. Penelitian ini membandingkan performa algoritma XGBoost, LightGBM, dan CatBoost dalam melakukan klasifikasi risiko kredit dengan menerapkan metode SMOTE-Tomek untuk menangani ketidakseimbangan data. Dataset yang digunakan terdiri dari 50.000 data nasabah dengan 18 atribut yang diperoleh dari OpenDataBay pada dataset Loan Default Prediction Challenge. Tahapan penelitian meliputi Exploratory Data Analysis (EDA), preprocessing, seleksi fitur, pembagian data, penyeimbangan data, pemodelan, hyperparameter tuning, evaluasi model, dan implementasi sistem berbasis web menggunakan Python dan Streamlit. Evaluasi model dilakukan menggunakan metrik accuracy, precision, recall, F1-score, dan ROC-AUC. Hasil penelitian menunjukkan bahwa algoritma CatBoost memperoleh nilai ROC-AUC sebesar 0,737, lebih tinggi dibandingkan XGBoost dan LightGBM, serta menghasilkan kinerja yang lebih stabil dalam memprediksi risiko kredit dengan data tidak seimbang. Sistem yang dikembangkan mampu membantu proses pengambilan keputusan kredit secara lebih cepat, akurat, dan efisien sehingga dapat mendukung lembaga keuangan dalam meminimalkan risiko pemberian kredit yang tidak tepat.]]>
Copyrights © 2026
