Perbandingan Algoritma Gradient Boosting untuk Prediksi Risiko Kredit Pada Sistem Pendukung Keputusan

Ade irmayanti; Apriani Apriani; Rifqi Hammad

doi:10.31004/riggs.v5i2.11866

Authors

Ade irmayanti Universitas Bumigora
Apriani Apriani Universitas Bumigora
Rifqi Hammad Universitas Bumigora

DOI:

https://doi.org/10.31004/riggs.v5i2.11866

Keywords:

Risiko Kredit, Machine Learning, Xgboost, Lightgbm, Catboost, SMOTE-Tomek, Sistem Pendukung Keputusan

Abstract

Penelitian ini bertujuan untuk menerapkan algoritma Gradient Boosting dalam sistem pendukung keputusan prediksi risiko kredit berbasis machine learning. Penerapan machine learning memungkinkan analisis data debitur secara otomatis sehingga dapat meningkatkan ketepatan dalam mengidentifikasi risiko gagal bayar dan mendukung proses pengambilan keputusan kredit Risiko kredit menjadi salah satu permasalahan utama pada lembaga keuangan karena kesalahan dalam penilaian kelayakan kredit dapat meningkatkan potensi kredit macet. Penelitian ini membandingkan performa algoritma XGBoost, LightGBM, dan CatBoost dalam melakukan klasifikasi risiko kredit dengan menerapkan metode SMOTE-Tomek untuk menangani ketidakseimbangan data. Dataset yang digunakan terdiri dari 50.000 data nasabah dengan 18 atribut yang diperoleh dari OpenDataBay pada dataset Loan Default Prediction Challenge. Tahapan penelitian meliputi Exploratory Data Analysis (EDA), preprocessing, seleksi fitur, pembagian data, penyeimbangan data, pemodelan, hyperparameter tuning, evaluasi model, dan implementasi sistem berbasis web menggunakan Python dan Streamlit. Evaluasi model dilakukan menggunakan metrik accuracy, precision, recall, F1-score, dan ROC-AUC. Hasil penelitian menunjukkan bahwa algoritma CatBoost memperoleh nilai ROC-AUC sebesar 0,737, lebih tinggi dibandingkan XGBoost dan LightGBM, serta menghasilkan kinerja yang lebih stabil dalam memprediksi risiko kredit dengan data tidak seimbang. Sistem yang dikembangkan mampu membantu proses pengambilan keputusan kredit secara lebih cepat, akurat, dan efisien sehingga dapat mendukung lembaga keuangan dalam meminimalkan risiko pemberian kredit yang tidak tepat.

Downloads

Download data is not yet available.

References

[1] R. Yudaruddin, B. A. Nugroho, Z. Fitrian, and P. Hapsari, “Liquidity and Credit Risk in Indonesia : The Role of FinTech Development,” no. 1, pp. 1–20, 2024, https://doi.org/10.1177/21582440241245248

[2] N. Suhadolnik, J. Ueyama, and S. Da Silva, “Machine Learning for Enhanced Credit Risk Assessment: An Empirical Approach,” J. Risk Financ. Manag., 2023, https://doi.org/10.3390/jrfm16120496

[3] T. Novianti, S. A. Mandati, and E. K. Andana, “Peningkatan Evaluasi Risiko Kredit Menggunakan Decision Tree C 4 . 5,” vol. 2, no. 2, pp. 1–9, 2023, https://doi.org/10.30651/mine-tech.v2i2.21749

[4] Otoritas Jasa Keuangan, “Konferensi Pers Hasil Rapat Dewan Komisioner Bulanan Agustus 2024,” Jakarta, 2024. [Online]. Available: https://ojk.go.id/id/berita-dan-kegiatan/siaran-pers/Documents/Pages/Sektor-Jasa-Keuangan-Terjaga-Stabil-Dengan-Kinerja-Yang-Baik-di-Tengah-Ketidakpastian-yang-Masih-Tinggi/SP RDKB Agustus 2024.pdf

[5] F. A. Undie, S. A. Hameed, J. A. Ikwen, M. O. Okache, and A. Adebayo, “Artificial Intelligence and Machine Learning : A Review of State-of- the-Art Trends , Global Developments , and Practical Implications,” J. Curr. Trends Comp. Sci. Res., vol. 3, no. 1, pp. 1–6, 2024. https://doi.org/10.33140/JCTCSR.03.01.06

[6] M. E. Ghoujdam, R. Chaabita, and S. & Idamia, “Machine Learning dans l ’ évaluation du risque crédit : revue systématique Machine learning in credit risk assessment : A systematic review .,” Int. J. Appl. Manag. Econ., vol. 02, pp. 255–274, 2024. https://doi.org/10.5281/zenodo.12528088

[7] S. S. Islam, S. Haque, M. S. U. Miah, and T. Bin, “Application of machine learning algorithms to predict the thyroid disease risk : an experimental comparative study,” pp. 1–35, 2022, https://doi.org/10.7717/peerj-cs.898

[8] D. Shukla, “A Survey of Machine Learning Algorithms in Credit Risk Assessment,” vol. 3, pp. 6290–6297, 2024. https://doi.org/10.52783/jes.6788

[9] N. Gunasekara, B. Pfahringer, H. Gomes, and A. Bifet, “Gradient boosted trees for evolving data streams,” Mach. Learn., vol. 113, no. 5, pp. 3325–3352, 2024, https://doi.org/10.1007/s10994-024-06517-y

[10] T. Chen and C. Guestrin, “XGBoost: A Scalable Tree Boosting System,” in Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, Association for Computing Machinery (ACM), 2016, pp. 785–794. https://doi.org/10.1145/2939672.2939785

[11] G. Ke et al., “LightGBM: A Highly Efficient Gradient Boosting Decision Tree,” in Advances in Neural Information Processing Systems, Curran Associates, Inc., 2017, pp. 3146–3154. [Online]. Available: https://papers.nips.cc/paper_files/paper/2017/hash/6449f44a102fde848669bdd9eb6b76fa-Abstract.html

[12] L. Prokhorenkova, G. Gusev, A. Vorobev, A. V. Dorogush, and A. Gulin, “CatBoost: Unbiased Boosting with Categorical Features,” in Advances in Neural Information Processing Systems 31 (NeurIPS 2018), Curran Associates, Inc., 2018, pp. 6638–6648. [Online]. Available: https://papers.neurips.cc/paper/2018/hash/14491b756b3a51daac41c24863285549-Abstract.html

[13] P. S. Rizky et al., “Perbandingan Metode LightGBM dan XGBoost dalam Menangani Data dengan Kelas Tidak Seimbang Universitas Hamzanwadi Selong,” vol. 15, no. 2, pp. 228–236, 2022. https://doi.org/10.36456/jstat.vol15.no2.a5548

[14] N. V. Chawla, K. W. Bowyer, Hall, & K. L. O., and W. P., “SMOTE: Synthetic minority over-sampling technique.,” J. Artif. Intell. Res., 2002. https://doi.org/10.1613/jair.953

[15] Dong, Xia, and W. Xue, “Analisis dan Perbandingan Model Prediksi Gagal Bayar Pinjaman Berdasarkan Algoritma XGBoost dan LightGBM,” vol. 6, pp. 32–37, 2023, https://dx.doi.org/10.25236/AJCIS.2023.060905

[16] A. H. Ginting, R. W. Sembiring, and E. M. Zamzami, Comparison Analysis : Logistic Regression , Random Forest , XGBoost , and CatBoost in Credit Scoring, no. Bic 2024. Atlantis Press International BV, 2025. https://doi.org/10.2991/978-94-6463-854-7_16

[17] R. Yunanto and U. Budiyanto, “Implementasi XGBoost dan SMOTE untuk Meningkatkan Deteksi Transaksi Fraud di Industri Jasa Keuangan Implementing Xgboost Models For Enhanced Detection Of Fraud Transaction In Financial Services Industries,” vol. 4, no. 11, pp. 525–535, 2024. https://doi.org/10.52436/1.jpti.518

[18] A. N. Royana, Y. V. Via, C. A. Putra, J. Raya, R. Madya, and A. Music, “EVALUASI KINERJA LIGHTGBM DAN CATBOOST UNTUK PREDIKSI CHURN BERDASARKAN DATASET PELANGGAN LAYANAN STREAMING MUSIK,” vol. 9, no. 4, pp. 6977–6982, 2025. https://doi.org/10.36040/jati.v9i4.14358

[19] F. A. Nasution, S. Saadah, P. E. Yunanto, D. Informatika, and U. Telkom, “Credit Risk Detection in Peer-to-Peer Lending Using CatBoost,” vol. 5, no. 158, 2023. https://doi.org/10.29207/resti.v7i5.5139