Pendekatan Hybrid SMOTE-Random Forest Untuk Prediksi Risiko Gagal Bayar Fintech
Keywords:
Fintech Lending, Imbalance Data, Random Forest, Risiko Gagal Bayar, SMOTEAbstract
Penilaian risiko kredit yang akurat merupakan instrumen krusial dalam mitigasi risiko finansial pada industri teknologi finansial (FinTech lending). Namun, dataset komersial umumnya mengalami kendala ketidakseimbangan kelas (imbalance data) akibat dominasi debitur lancar, yang menyebabkan algoritma pembelajaran mesin tradisional cenderung bias dan gagal mengidentifikasi debitur berisiko. Penelitian ini bertujuan untuk mengoptimalkan sensitivitas deteksi risiko gagal bayar melalui pendekatan Hybrid SMOTE-Random Forest. Metode penelitian diawali dengan tahap preprocessing berupa pembersihan data dan Min-Max Normalization terhadap dataset Lending Club sebanyak 200 sampel dengan 14 variabel prediktor. Masalah ketidakseimbangan kelas ditangani menggunakan teknik Synthetic Minority Over-sampling Technique (SMOTE) berbasis algoritma k-Nearest Neighbors (k = 5) untuk membangkitkan sampel sintetis pada data latih. Proses klasifikasi dieksekusi menggunakan ensemble pohon keputusan Random Forest dengan skema pembagian data latih dan data uji melalui proporsi percentage split 70:30. Hasil eksperimen riil menunjukkan bahwa integrasi SMOTE berhasil meningkatkan performa model secara drastis dengan menekan angka False Negative menjadi hanya 1 data. Model Hybrid usulan berhasil mencapai metrik performa optimal pada data uji dengan nilai Akurasi global sebesar 95,00%, nilai Presisi sebesar 0,909, nilai Recall (sensitivitas) mencapai 0,952, serta skor harmonik F1-Score sebesar 0,930. Hasil ini membuktikan keandalan pendekatan hybrid sebagai sistem penilaian kredit cerdas yang presisif dan objektif untuk menekan laju kredit macet.
References
[1] A. Muhidin, Muhtajuddin Danny, and N. Surojudin, “Prediksi Kegagalan Perangkat Industri Menggunakan Random Forest dan SMOTE untuk Pemeliharaan Preventif,” Bull. Comput. Sci. Res., vol. 5, no. 5, pp. 1089–1094, 2025, doi: 10.47065/bulletincsr.v5i5.745.
[2] Maulana Ardiansyah and Supatman, “Klasterisasi Tagihan Pada Nasabah Pinjaman Online Menggunakan Metode K-Means Clustering,” J. RESTIKOM Ris. Tek. Inform. dan Komput., vol. 6, no. 2, pp. 286–294, 2024, doi: 10.52005/restikom.v6i2.318.
[3] B. N. Nuzululnisa and H. Hairani, “Analisis Kinerja Model Random Forest dengan Teknik Manhattan-SMOTE pada Deteksi Fraud Transaksi Kartu Kredit Imbalance,” Semin. Nas. Corisindo, no. September 2025, pp. 65–71, 2025.
[4] R. A. Isaac and V. V. L. Rahul, “RE,” 2025.
[5] R. Oversampling and R. Forest, “Implementation of Smote, Random Oversampling and Random Undersampling in Random Forest and Lasso Logistic Regression for Customer Churn Prediction 1,” vol. 2, no. 1, pp. 1–14, 2025.
[6] Y. Jang, “Feature-based ensemble modeling for addressing diabetes data imbalance using the SMOTE, RUS, and random forest methods: a prediction study,” Ewha Med. J., vol. 48, no. 2, p. e32, 2025, doi: 10.12771/emj.2025.00353.
[7] R. Ridwan, H. H. Handayani, S. A. P. Lestari, and Y. Cahyana, “Evaluasi Kinerja Algoritma Random Forest Dan Gradient Boosting Untuk Klasifikasi Penyakit Jantung,” J. Komtika (Komputasi dan Inform., vol. 9, no. 1, pp. 112–124, 2025, doi: 10.31603/komtika.v9i1.13450.
[8] H. Putra and R. Rumini, “Comparative Study of Logistic Regression, Random Forest, and XGBoost for Bank Loan Approval Classification,” J. Appl. Informatics Comput., vol. 9, no. 5, pp. 2822–2835, 2025, doi: 10.30871/jaic.v9i5.10862.
[9] J. Gopar Sánchez, “A Simple Credit Rating Prediction Model for FinTech Companies Using SMOTE and MRMR Techniques,” Anáhuac J., vol. 24, no. 2, pp. 1–29, 2024, doi: 10.36105/theanahuacjour.2024v24n2.2516.
[10] D. Sugianto, “Classifying Vehicle Categories Based on Technical Specifications Using Random Forest and SMOTE for Data Augmentation,” Int. J. Appl. Inf. Manag., vol. 5, no. 4, pp. 179–191, 2025, doi: 10.47738/ijaim.v5i4.113.
[11] N. Hazizah, Sharipuddin, and A. Feranika, “Implementasi Algoritma Random Forest Dalam Klasifikasi Risiko Gagal Bayar Kartu Kredit Pada Nasabah Bank,” J. Manaj. Teknol. Dan Sist. Inf., vol. 5, no. 1, pp. 1050–1059, 2025, doi: 10.33998/jms.2025.5.1.2384.
