Penerapan Algoritma Xgboost Untuk Analisis Dan Klasifikasi Risiko Kredit Berbasis Data Mining

Abstract

Penelitian ini bertujuan untuk menganalisis dan mengklasifikasikan risiko kredit berbasis data mining menggunakan algoritma Extreme Gradient Boosting (XGBoost). Data mining, sebagai pendekatan dalam eksplorasi pola dan hubungan antara karakteristik nasabah dengan kemungkinan gagal bayar (default), memiliki potensi untuk meningkatkan akurasi prediksi risiko kredit. Rumusan masalah dalam penelitian ini mencakup penerapan data mining untuk mengidentifikasi pola dan hubungan atribut nasabah dengan risiko gagal bayar, implementasi algoritma XGBoost dalam klasifikasi risiko kredit, pemahaman terhadap risiko Non-Performing Loan (NPL) yang dapat mengganggu stabilitas keuangan bank, serta pemahaman tentang karakteristik dan kualitas data yang digunakan dalam pembangunan model. Tujuan penelitian ini adalah untuk menerapkan data mining dalam mengeksplorasi pola risiko gagal bayar nasabah, mengembangkan model klasifikasi berbasis XGBoost, mengevaluasi kinerja algoritma XGBoost dalam prediksi risiko kredit, serta mengidentifikasi fitur-fitur yang paling berpengaruh terhadap klasifikasi risiko kredit. Hasil yang diperoleh menunjukkan bahwa algoritma XGBoost berhasil mencapai tingkat akurasi sebesar 87%, presisi 82%, recall 93%, dan F1-Score 87%. Penelitian ini diharapkan dapat memberikan kontribusi dalam pengambilan keputusan pemberian kredit yang lebih akurat dan mengurangi potensi kerugian bagi lembaga keuangan.