KOMPARASI DAN IMPLEMENTASI ALGORITMA MACHINE LEARNING UNTUK KLASIFIKASI KREDIT BERMASALAH PADA PT BPR NUSUMMA KLATEN

Abstrak

Tingkat kredit bermasalah yang tinggi dapat mengganggu stabilitas keuangan lembaga perbankan, sehingga
diperlukan sistem klasifikasi yang akurat untuk mendeteksi potensi gagal bayar sejak dini. Penelitian ini
bertujuan untuk membangun dan membandingkan model klasifikasi risiko kredit menggunakan algoritma
machine learning, yaitu Random Forest, XGBoost, dan Support Vector Machine (SVM). Permasalahan yang
diangkat dalam penelitian ini meliputi ketidakakuratan dalam klasifikasi nasabah, kurangnya pemanfaatan data
historis, serta belum diterapkannya metode analitik berbasis algoritma cerdas. Metode penelitian mengikuti
pendekatan Cross-Industry Standard Process for Data Mining (CRISP-DM) yang mencakup pemahaman
bisnis, eksplorasi data, praproses data, pemodelan, evaluasi model, hingga tahap implementasi. Dataset yang
digunakan berasal dari laporan historis nasabah kredit di PT BPR Nusumma Klaten. Evaluasi dilakukan
dengan mengukur akurasi, precision, recall, F1-score, dan AUC. Hasil penelitian menunjukkan bahwa
algoritma Random Forest memiliki kinerja terbaik dengan nilai evaluasi yang lebih stabil dibandingkan
XGBoost dan SVM. Temuan ini diharapkan dapat membantu lembaga keuangan dalam meningkatkan
efisiensi proses analisis risiko kredit dan pengambilan keputusan berbasis data.