KOMPARASI DAN IMPLEMENTASI ALGORITMA MACHINE LEARNING UNTUK KLASIFIKASI KREDIT BERMASALAH PADA PT BPR NUSUMMA KLATEN

Teguh Muryanto; Aji Nurrohman; Rachmat Setiabudi; Wibisono Wibisono; Berliyanto Berliyanto

doi:10.31539/r5rncz02

Authors

Teguh Muryanto Institut Teknologi Budi Utomo
Aji Nurrohman Institut Teknologi Budi Utomo
Rachmat Setiabudi Institut Teknologi Budi Utomo
Wibisono Wibisono Institut Teknologi Budi Utomo
Berliyanto Berliyanto Institut Teknologi Budi Utomo

DOI:

https://doi.org/10.31539/r5rncz02

Abstract

Tingkat kredit bermasalah yang tinggi dapat mengganggu stabilitas keuangan lembaga perbankan, sehingga diperlukan sistem klasifikasi yang akurat untuk mendeteksi potensi gagal bayar sejak dini. Penelitian ini bertujuan untuk membangun dan membandingkan model klasifikasi risiko kredit menggunakan algoritma machine learning, yaitu Random Forest, XGBoost, dan Support Vector Machine (SVM). Permasalahan yang diangkat dalam penelitian ini meliputi ketidakakuratan dalam klasifikasi nasabah, kurangnya pemanfaatan data historis, serta belum diterapkannya metode analitik berbasis algoritma cerdas. Metode penelitian mengikuti pendekatan Cross-Industry Standard Process for Data Mining (CRISP-DM) yang mencakup pemahaman bisnis, eksplorasi data, praproses data, pemodelan, evaluasi model, hingga tahap implementasi. Dataset yang digunakan berasal dari laporan historis nasabah kredit di PT BPR Nusumma Klaten. Evaluasi dilakukan dengan mengukur akurasi, precision, recall, F1-score, dan AUC. Hasil penelitian menunjukkan bahwa algoritma Random Forest memiliki kinerja terbaik dengan nilai evaluasi yang lebih stabil dibandingkan XGBoost dan SVM. Temuan ini diharapkan dapat membantu lembaga keuangan dalam meningkatkan efisiensi proses analisis risiko kredit dan pengambilan keputusan berbasis data.

Kata Kunci: Kredit Bermasalah, Random Forest, XGBoost, SVM, Klasifikasi

References

[1] Mustika, Y. Ardilla, A. Manuhutu, N. Ahmad, I. Hasbi, Guntoro, M. A. Manuhutu, M. Ridwan, Hozairi, A. K. Wardhani, S. Alim, I. Romli, Y. Religia, D. T. Octafian, U. U. Sufandi and I. Ernawati, Data Mining dan Aplikasinya. Bandung: Widina Bhakti Persada Bandung, 2021.

[2] I. Zulfa, R. Rayuwati, and K. Koko, “Implementasi data mining untuk menentukan strategi penjualan buku bekas dengan pola pembelian konsumen menggunakan metode apriori”, Teknika: Jurnal Sains dan Teknologi, vol. 16, no. 1, pp. 69–82, 2020.

[3] K. Erwansyah, B. Andika, and R. Gunawan, “Implementasi data mining menggunakan asosiasi dengan algoritma Apriori untuk mendapatkan pola rekomendasi belanja produk pada Toko Avis Mobile”, Jurnal Teknologi Sistem Informasi dan Sistem Komputer TGD, vol. 4, no. 1, pp. 148–161, 2021.

[4] D. A. Pamungkas, A. Amali, and U. D. Soer, “Analisis sentimen publik terhadap polusi udara di Kota Jakarta: Perbandingan algoritma Support Vector Machine, Naive Bayes, dan Random Forest”, JUTISI: Jurnal Ilmiah Teknik Informatika dan Sistem Informasi, vol. 13, no. 3, 2025.

[5] L. W. Maahiroh, Klasifikasi turnover karyawan menggunakan algoritma XGBoost (Studi kasus: Divisi Engineering, Perusahaan Jasa Pertambangan), Universitas Islam Indonesia, 2024.

[6] S. E. H. Yulianti, O. Soesanto, and Y. Sukmawaty, “Penerapan metode Extreme Gradient Boosting (XGBoost) pada klasifikasi nasabah kartu kredit”, JOMTA: Journal of Mathematics: Theory and Applications, vol. 4, no. 1, pp. 21–26, 2022.

[7] F. Asadi, “Studi literatur regulasi dan etika artificial intelligence (AI) dalam kebijakan kedokteran presisi (precision medicine),” Jurnal Fasilkom, vol. 14, no. 1, pp. 59–65, 2024.

[8] K. N. Erawati, N. N. D. Ardiani, and G. A. Santiago, “E-module interaktif berbasis flipbook pada matakuliah machine learning untuk meningkatkan kreatifitas mahasiswa”, Jurnal Penjaminan Mutu, vol. 10, no. 1, pp. 45–51, 2024.

[9] R. Kaestria and E. F. Himmah, “Implementasi bahasa pemrograman python untuk path analysis”, Jurnal Komputasi, vol. 11, no. 2, pp. 105-117, 2023

[10] S. Rahman, A. Sembiring, D. Siregar, H. Khair, I. G. Prahmana, R. Puspadini, and M. Zen, Python: Dasar dan Pemrograman Berorientasi Objek. Yogyakarta: Tahta Media, 2023.

[11] R. R. P. Asyrofi and R. Asyrofi, “Implementasi aplikasi Jupyter Notebook sebagai analisis kriteria plagiasi dengan teknik semantik”, JIPI: Jurnal Ilmiah Penelitian dan Pembelajaran Informatika, vol. 8, no. 2, pp. 627–637, 2023.

[12] A. N. Khusna, Pengelompokan reseller potensial menggunakan algoritma clustering K-Means pada Toko Premium Shopping, Universitas PGRI Semarang, 2022.

[13] A. N. C. Putra, Sentimen analisis komentar mahasiswa EDOM dengan metode Support Vector Machine (SVM), Universitas Islam Sultan Agung Semarang, 2022.

[14] R. A. Febriyanto, Deteksi kesalahan data pada wireless sensor network menggunakan metode Undersampling dan algoritma klasifikasi Extra-Tree, Universitas Islam Negeri Syarif Hidayatullah Jakarta, 2021.

[15] N. A. R. Putra, Website Artificial Intelligence untuk deteksi dini danker darah menggunakan CNN, Universitas Dinamika, 2024.

[16] I. G. A. Gunarsa and G. A. A. P. Dewi, “Kredit bermasalah dalam skor kolektibilitas 5 dan dampaknya bagi debitur,” Jurnal Kertha Semaya, vol. 12, no. 3, pp. 295–311, 2023.