<![CDATA[Pesatnya perkembangan teknologi kecerdasan buatan telah mendorong lembaga keuangan untuk mengadopsi algoritma machine learning dalam proses penilaian risiko kredit. Namun, model berperforma tinggi seperti Random Forest cenderung bersifat black-box, sehingga sulit dipahami oleh manajemen maupun regulator dan menghambat proses audit serta pengambilan keputusan strategis. Penelitian ini bertujuan untuk menganalisis penerapan Explainable Artificial Intelligence (XAI) melalui metode Shapley Additive Explanations (SHAP) pada model Random Forest guna menghasilkan sistem prediksi risiko kredit yang tidak hanya akurat, tetapi juga transparan dan dapat dipertanggungjawabkan. Penelitian menggunakan dataset historis kredit publik dengan 32.581 observasi dan 10 variabel masukan, yang diproses melalui tahapan preprocessing, pelatihan model, evaluasi, dan analisis SHAP, serta dikemas dalam platform web interaktif berbasis Streamlit. Hasil penelitian menunjukkan model Random Forest mencapai Akurasi 80,91%, Recall 82,85%, dan AUC-ROC 0,8722. Analisis SHAP mengkonfirmasi bahwa Suku Bunga merupakan fitur paling berpengaruh terhadap risiko gagal bayar, diikuti Tujuan Pinjaman dan Status Rumah. Integrasi XAI berhasil membuka sifat black-box model tanpa mengorbankan akurasi prediksi, sehingga setiap keputusan dapat dijelaskan secara transparan kepada seluruh pemangku kepentingan lembaga keuangan.]]>
Copyrights © 2026
