<![CDATA[Penilaian risiko kredit yang akurat merupakan instrumen krusial dalam mitigasi risiko finansial pada industri teknologi finansial (FinTech lending). Namun, dataset komersial umumnya mengalami kendala ketidakseimbangan kelas (imbalance data) akibat dominasi debitur lancar, yang menyebabkan algoritma pembelajaran mesin tradisional cenderung bias dan gagal mengidentifikasi debitur berisiko. Penelitian ini bertujuan untuk mengoptimalkan sensitivitas deteksi risiko gagal bayar melalui pendekatan Hybrid SMOTE-Random Forest. Metode penelitian diawali dengan tahap preprocessing berupa pembersihan data dan Min-Max Normalization terhadap dataset Lending Club sebanyak 200 sampel dengan 14 variabel prediktor. Masalah ketidakseimbangan kelas ditangani menggunakan teknik Synthetic Minority Over-sampling Technique (SMOTE) berbasis algoritma k-Nearest Neighbors (k = 5) untuk membangkitkan sampel sintetis pada data latih. Proses klasifikasi dieksekusi menggunakan ensemble pohon keputusan Random Forest dengan skema pembagian data latih dan data uji melalui proporsi percentage split 70:30. Hasil eksperimen riil menunjukkan bahwa integrasi SMOTE berhasil meningkatkan performa model secara drastis dengan menekan angka False Negative menjadi hanya 1 data. Model Hybrid usulan berhasil mencapai metrik performa optimal pada data uji dengan nilai Akurasi global sebesar 95,00%, nilai Presisi sebesar 0,909, nilai Recall (sensitivitas) mencapai 0,952, serta skor harmonik F1-Score sebesar 0,930. Hasil ini membuktikan keandalan pendekatan hybrid sebagai sistem penilaian kredit cerdas yang presisif dan objektif untuk menekan laju kredit macet.]]>
Copyrights © 2026
