KLASIFIKASI RISIKO GAGAL BAYAR KREDIT MENGGUNAKAN XGBOOST DENGAN MODEL EXPLAINABLE BERBASIS SHAP

Abstract

Risiko gagal bayar kredit merupakan permasalahan penting dalam sektor keuangan yang berpotensi mengganggu stabilitas lembaga keuangan apabila tidak dikelola secara efektif. Permasalahan utama dalam prediksi risiko kredit moderen adalah kebutuhan akan model yang tidak hanya memiliki akurasi tinggi, tetapi juga mampu memberikan penjelasan yang transparan terhadap hasil prediksi. Penelitian ini bertujuan untuk mengembangkan model klasifikasi risiko gagal bayar kredit menggunakan algoritma Extreme Gradient Boosting (XGBoost) serta menganalisis interpretabilitas model melalui pendekatan Explainable Artificial Intelligence berbasis Shapley Additive Explanations (SHAP). Metode penelitian meliputi tahap preprocessing data berupa pembersihan data, imputasi nilai hilang menggunakan KNN Imputer, encoding variabel kategorikal, normalisasi data, pelatihan model XGBoost, serta evaluasi kinerja menggunakan metrik akurasi, precision, recall, dan F1-score. Dataset yang digunakan berasal dari Kaggle dengan jumlah 32.586 data nasabah dan 13 fitur. Hasil penelitian menunjukkan bahwa model XGBoost mampu mencapai akurasi sebesar 0,93, dengan nilai recall sebesar 0,98 untuk kelas no default dan 0,74 untuk kelas default. Analisis SHAP mengidentifikasi customer_income, loan_grade, loan_amnt, dan loan_int_rate sebagai fitur yang paling berpengaruh terhadap prediksi risiko gagal bayar. Hasil ini menunjukkan bahwa integrasi XGBoost dan SHAP mampu menghasilkan model prediksi risiko kredit yang akurat sekaligus transparan, sehingga dapat mendukung pengambilan keputusan dalam sistem evaluasi risiko kredit