Perpustakaan Digital ITB

Penelitian ini bertujuan mengembangkan sistem penilaian risiko kredit berbasis machine learning untuk meningkatkan akurasi dan efisiensi analisis kelayakan kredit di Bank Perkreditan Rakyat (BPR) dalam menghadapi persaingan fintech. Data penelitian diperoleh dari BPR Perdana dengan 451 entri nasabah dan 25 variabel yang mencakup aspek demografis, finansial, dan riwayat kredit. Proses meliputi pembersihan data, seleksi fitur menggunakan korelasi Spearman, ANOVA, Chi-Square, dan Mutual Information, serta pembentukan label risiko baru melalui klasterisasi dengan Gaussian Mixture Model. Untuk mengatasi ketidakseimbangan kelas, digunakan Random Oversampling dan SMOTE-NC. Model klasifikasi diuji dengan algoritma Random Forest, LightGBM, dan XGBoost, dievaluasi menggunakan metrik akurasi, presisi, nilai f, serta validasi silang. Hasilnya menunjukkan bahwa penerapan penyeimbangan data secara signifikan meningkatkan kinerja model, dengan LightGBM dan Random Oversampling memberikan akurasi dan kestabilan prediksi terbaik, sehingga metode ini layak diterapkan pada BPR untuk mempercepat proses kredit tanpa mengorbankan prinsip kehati-hatian.