Text
Analisis Dan Klasikasi Risiko Kredit Berbasis Data Mining
Penelitian sekripsi ini bertujuan untuk menganalisis dan mengklasifikasikan risiko
kredit berbasis data mining menggunakan algoritma Extreme Gradient Boosting
(XGBoost). Data mining, sebagai pendekatan dalam eksplorasi pola dan hubungan
antara karakteristik nasabah dengan kemungkinan gagal bayar (default), memiliki
potensi untuk meningkatkan akurasi prediksi risiko kredit. Rumusan masalah dalam
penelitian ini mencakup penerapan data mining untuk mengidentifikasi pola dan
hubungan atribut nasabah dengan risiko gagal bayar, implementasi algoritma
XGBoost dalam klasifikasi risiko kredit, pemahaman terhadap risiko Non-
Performing Loan (NPL) yang dapat mengganggu stabilitas keuangan bank, serta
pemahaman tentang karakteristik dan kualitas data yang digunakan dalam
pembangunan model. Tujuan penelitian ini adalah untuk menerapkan data mining
dalam mengeksplorasi pola risiko gagal bayar nasabah, mengembangkan model
klasifikasi berbasis XGBoost, mengevaluasi kinerja algoritma XGBoost dalam
prediksi risiko kredit, serta mengidentifikasi fitur-fitur yang paling berpengaruh
terhadap klasifikasi risiko kredit. Hasil yang diperoleh menunjukkan bahwa
algoritma XGBoost berhasil mencapai tingkat akurasi sebesar 87%, presisi 82%,
recall 93%, dan F1-Score 87%. Penelitian ini diharapkan dapat memberikan
kontribusi dalam pengambilan keputusan pemberian kredit yang lebih akurat dan
mengurangi potensi kerugian bagi lembaga keuangan.
Kata Kunci: Data Mining, XGBoost, Risiko Kredit, Klasifikasi, Non-Performing
Loan
Tidak tersedia versi lain