<![CDATA[Pertumbuhan pesat fintech memperluas akses pinjaman, tetapi juga mempersulit penilaian risiko kredit karena volume data yang besar dan proporsi kasus gagal bayar yang jauh lebih kecil dibandingkan kasus lancar. Penelitian ini membangun model prediksi risiko gagal bayar menggunakan XGBoost, dipadukan dengan Boruta untuk seleksi fitur dan SMOTE untuk menangani ketidakseimbangan kelas. Empat skenario diuji berdasarkan ada atau tidaknya Boruta dan SMOTE, pada Credit Risk Dataset publik berisi 32.581 observasi. Seluruh skenario mencapai ROC-AUC di atas 0,95, dengan model baseline (Skenario A) unggul tipis pada separabilitas global (0,9534). Penerapan SMOTE (Skenario C) justru memberikan keseimbangan kesalahan terbaik, tercermin dari Accuracy 0,9359, F1-Score 0,8325, dan Matthews Correlation Coefficient 0,8058. Boruta berhasil memangkas dimensi fitur dari 26 menjadi 22 tanpa mengorbankan performa prediktif secara berarti. Temuan ini mengindikasikan bahwa XGBoost sudah cukup tangguh dengan maupun tanpa seleksi fitur eksplisit, sementara SMOTE lebih berperan menggeser batas keputusan model agar lebih berhati-hati terhadap kesalahan positif palsu dalam konteks credit scoring. Meski demikian, dalam konteks manajemen risiko kredit, kesalahan false negative atau debitur berisiko yang luput terdeteksi umumnya dianggap lebih merugikan dibandingkan false positive, sehingga pemilihan skenario terbaik sebaiknya tetap mempertimbangkan Recall sebagai indikator kunci, bukan hanya metrik agregat lainnya.]]>
Copyrights © 2026
