Analisis Komparatif Random Forest dan XGBoost Berbasis Class Weighting pada Kasus Imbalanced Dataset Kredit

Abstract

Penilaian kelayakan kredit merupakan aspek penting dalam manajemen risiko perbankan, namun sering menghadapi permasalahan ketidakseimbangan kelas (imbalanced data) yang menyebabkan model klasifikasi cenderung bias terhadap kelas mayoritas. Kondisi ini meningkatkan risiko False Negatives, yaitu nasabah berisiko gagal bayar yang diprediksi sebagai nasabah lancar. Penelitian ini bertujuan membandingkan kinerja algoritma Random Forest sebagai model baseline dengan XGBoost yang dioptimasi menggunakan class weight balancing dan hyperparameter tuning untuk meningkatkan kemampuan deteksi nasabah berisiko. Penelitian menggunakan pendekatan kuantitatif eksperimental dengan kerangka kerja CRISP-DM yang meliputi business understanding, data understanding, data preparation, modeling, evaluation, dan deployment. Dataset dibagi menjadi data latih dan data uji dengan proporsi 80:20, sedangkan optimasi XGBoost dilakukan menggunakan RandomizedSearch. Hasil penelitian menunjukkan bahwa model XGBoost menghasilkan Recall sebesar 62,47% dan F1-Score sebesar 53,87%, lebih tinggi dibandingkan Random Forest yang memperoleh Recall 35,80% dan F1-Score 45,72%. Meskipun akurasi menurun dari 81,20% menjadi 76,33%, peningkatan sensitivitas berhasil mengurangi False Negatives sehingga lebih sesuai untuk kebutuhan manajemen risiko kredit. Analisis feature importance menunjukkan bahwa riwayat status pembayaran, khususnya PAY_0, menjadi faktor paling berpengaruh dalam prediksi. Model terbaik selanjutnya diimplementasikan ke dalam prototipe Decision Support System berbasis Streamlit yang mampu memberikan prediksi risiko kredit secara real-time. Hasil penelitian menunjukkan bahwa optimasi XGBoost efektif meningkatkan kemampuan klasifikasi pada dataset kredit yang tidak seimbang serta mendukung pengambilan keputusan kredit yang lebih akurat.