Prediksi Risiko Gagal Bayar Pinjaman Menggunakan XGBoost dengan Pendekatan CRISP-DM Berbasis Web

Abstract

Pertumbuhan layanan kredit berbasis teknologi di Indonesia telah memperluas jangkauan pembiayaan, namun sekaligus memunculkan tantangan serius berupa peningkatan risiko gagal bayar. Metode penilaian kredit konvensional dinilai kurang mampu mendeteksi pola tersembunyi dalam data peminjam yang bersifat kompleks dan nonlinier. Penelitian ini bertujuan mengembangkan sistem prediksi risiko gagal bayar menggunakan algoritma eXtreme Gradient boosting (Xgboost) dalam kerangka metodologi CRISP-DM, yang kemudian diintegrasikan ke dalam aplikasi berbasis web. Dataset Give Me Some Credit (GMSC) dari Kaggle digunakan sebagai data uji dengan 150.000 observasi. Tahap persiapan data mencakup penanganan nilai hilang menggunakan Iterative Imputer, rekayasa fitur, dan penanganan ketidakseimbangan kelas melalui pendekatan cost-sensitive learning. Evaluasi model dilakukan menggunakan confusion matrix serta metrik kinerja meliputi akurasi, presisi, recall, F1- score, dan AUC. Model Xgboost yang dihasilkan mencatatkan akurasi 80%, presisi 21%, recall 78%, F1-score 33%, dan AUC 86%, mengungguli Logistic regression sebagai model pembanding. Sistem berhasil diimplementasikan sebagai aplikasi web fungsional yang mampu menampilkan hasil prediksi secara interaktif disertai laporan analisis risiko kredit.

Kata kunci: Risiko Gagal Bayar, Machine Learning, Xgboost, CRISP-DM, Kredit Digital