<![CDATA[Perkembangan machine learning dalam industri keuangan mendorong penggunaan model prediktif yang semakin kompleks untuk penilaian risiko kredit. Meskipun model seperti XGBoost menawarkan akurasi tinggi, tantangan utama yang muncul adalah kurangnya transparansi dalam pengambilan keputusan. Penelitian ini bertujuan membandingkan performa model XGBoost dan Logistic Regression dalam prediksi credit scoring, serta menganalisis interpretabilitas kedua model menggunakan metode SHAP (SHapley Additive exPlanations). Data yang digunakan adalah Credit Risk Dataset dari platform Kaggle yang terdiri atas 32.581 observasi dengan 11 variabel independen dan 1 variabel target. Tahapan penelitian meliputi preprocessing data, pemodelan, evaluasi, dan analisis SHAP. Hasil evaluasi menunjukkan XGBoost mengungguli Logistic Regression dengan Accuracy 0,9122 berbanding 0,8104, F1-Score 0,7956 berbanding 0,6356, dan ROC AUC 0,9458 berbanding 0,8635. Analisis SHAP mengungkap bahwa loan_percent_income dan loan_int_rate merupakan fitur paling berpengaruh pada kedua model, konsisten dengan konsep Debt-to-Income Ratio dalam analisis kredit konvensional. Meskipun XGBoost unggul secara prediktif, SHAP terbukti mampu menjelaskan mekanisme keputusan kedua model secara transparan. Penelitian ini menunjukkan bahwa kombinasi XGBoost dan SHAP merupakan pendekatan yang direkomendasikan untuk pengembangan sistem credit scoring yang akurat sekaligus dapat dipertanggungjawabkan.]]>
Copyrights © 2026
