Prediksi Risiko Kredit Nasabah Menggunakan Algoritma Data Mining: Studi Kasus pada PT Toyota Astra Finance

Icha Winadya Permadani(1),Raka Sulistyo(2),Muhammad Fadli(3*),Erliyan Redy Susanto(4)
(1) Universitas Teknokrat Indonesia
(2) Universitas Teknokrat Indonesia
(3) Politeknik Negeri Lampung
(4) Universitas Teknokrat Indonesia
(*) Corresponding Author
DOI : 10.35889/progresif.v21i2.2909

Abstract

This study aims to develop a credit risk prediction model for customers at PT Toyota Astra Financial Services using data mining algorithms, specifically Random Forest and XGBoost. In response to the challenge of non-performing loans (NPL), machine learning-based predictive models offer an effective solution to identify potential risks early. The research utilizes historical customer data encompassing demographic information, employment status, and loan history. After data preprocessing, the models were evaluated using accuracy, precision, recall, F1-score, and ROC-AUC metrics. The results indicate that XGBoost outperformed other models with an accuracy of 91.67% and an F1-score of 0.89 for the positive class. These findings demonstrate that applying machine learning algorithms can significantly enhance credit selection efficiency and reduce potential losses from defaulted loans.

Keywords: Credit Risk; Machine learning; Random Forest; XGBoost, Data mining.

 

Abstrak

Penelitian ini bertujuan untuk membangun model prediksi risiko kredit nasabah pada PT Toyota Astra Financial Services dengan memanfaatkan algoritma data mining, khususnya Random Forest dan XGBoost. Dalam menghadapi tantangan kredit macet, model prediktif berbasis machine learning dapat memberikan solusi yang efektif untuk mengidentifikasi potensi risiko sejak dini. Penelitian ini menggunakan data historis nasabah yang mencakup informasi demografi, status pekerjaan, dan riwayat pinjaman. Setelah melalui tahap pra-pemrosesan data, model dievaluasi menggunakan metrik akurasi, presisi, recall, F1-score, dan ROC-AUC. Hasil menunjukkan bahwa XGBoost memiliki performa terbaik dengan akurasi sebesar 91,67% dan F1-score 0,89 pada kelas positif. Temuan ini menunjukkan bahwa penerapan algoritma machine learning dapat meningkatkan efisiensi seleksi kredit dan mengurangi potensi kerugian akibat kredit bermasalah.

Kata kunci: Risiko Kredit; Machine learning; Random Forest; XGBoost; Data mining

References


M. Erkamim, S. Suswadi, M. Z. Subarkah, and E. Widarti, “Komparasi Algoritme Random Forest dan XGBoosting dalam Klasifikasi Performa UMKM,” J. Sist. Inf. Bisnis, vol. 13, no. 2, pp. 127–134, 2023, doi: 10.21456/vol13iss2pp127-134.

P. K. Chu, “Corporate social responsibility proposals and firm valuation,” Int. J. Financ. Stud., vol. 9, no. 3, 2021, doi: 10.3390/ijfs9030045.

F. Louzada, A. Ara, and G. B. Fernandes, “Classification methods applied to credit scoring: Systematic review and overall comparison,” Surv. Oper. Res. Manag. Sci., vol. 21, no. 2, pp. 117–134, 2016, doi: 10.1016/j.sorms.2016.10.001.

R. Kredit and P. Lembaga, “T.N. Rohmah, Kurniawati, Penerapan Data Mining Algoritma C4.5 Dalam Mengidentifikasi Risiko Kredit Pada Lembaga Keuangan,” In Prosiding Seminar Nasional & Internasional EDUSTEM, pp. 9–16, 2024.

T. Novianti, S. A. Mandati, and E. K. Andana, “Peningkatan Evaluasi Risiko Kredit Menggunakan Decision Tree C 4.5,” J. Manuf. Ind. Eng. Technol., vol. 2, no. 2, pp. 1–9, 2023, doi: 10.30651/mine-tech.v2i2.21749.

T. A. Wijaya, E. Utami, and H. Al Fatta, “Perbandingan Algoritma DBSCAN dan K-Means Clustering untuk Pengelompokan Data Gangguan PT. PLN UID Kalselteng,” Innov. J. Soc. Sci. Res., vol. 4, no. 1, pp. 8846–8854, 2024, [Online]. Available: https://j-innovative.org/index.php/Innovative/article/view/8920

S. Milienio, “Prediksi Kredit Macet Menggunakan Algoritma C4.5 Di Bank BRI Wonodadi,” J. Zetroem, vol. 6, no. 1, pp. 10–12, 2024, doi: 10.36526/ztr.v6i1.3130.

R. Hadiantini and A. N. Retnowati, “Analisis Faktor-Faktor yang Mempengaruhi Risiko Gagal Bayar Debitur pada Lembaga Keuangan Mikro Menggunakan Regresi Logistik dan Ant Coloni Optimization (ACO),” KUBIK J. Publ. Ilm. Mat., vol. 7, no. 1, pp. 49–60, 2022, doi: 10.15575/kubik.v7i1.13836.

P. Putra, “Pengembangan Model Prediksi Risiko Kredit Menggunakan Data mining,” Jurnal Dunia Data, vol. 1, no. 6, pp. 1–18, 2024.

N. Handayani, H. Wahyono, J. Trianto, and D. S. Permana, “Prediksi Tingkat Risiko Kredit dengan Data mining Menggunakan Algoritma Decision Tree C.45,” JURIKOM (Jurnal Ris. Komputer), vol. 8, no. 6, p. 198, 2021, doi: 10.30865/jurikom.v8i6.3643.

M. R. A. Amir Bagja, Kusrini, “Komparasi Algoritma Naïve Bayes Dan Support Vector Machine (SVM ) Untuk Klasifikasi Kelayakan Pemberian Pinjaman Koperasi,” Infotek: Jurnal Informatika dan Teknologi, vol. 6, no. 2, pp. 513–523, 2023.

F.N. Farida, A. Faqih, & S.E. Permana, Penerapan Model Prediksi Penjualan Pada Usaha Rumah Makan Menggunakan Algoritma Random Forest. JATI (Jurnal Mahasiswa Teknik Informatika), Vol. 9, no. 4, pp. 5895-5902. 2025.

S. Dewi, “Komparasi Metode Algoritma Data mining pada Prediksi Uji Kelayakan Credit Approval pada Calon Nasabah Kredit Perbankan,” J. Khatulistiwa Inform., vol. 7, no. 1, pp. 59–65, 2019, doi: 10.31294/jki.v7i1.5744.

D. Lestari and B. Haryanto, “Evaluasi Model Machine learning untuk Prediksi Respon Konsumen pada Kampanye Marketing,” ROY Inform., vol. 7, no. 1, pp. 58–65, 2023.

J. M. A. S. Dachi and P. Sitompul, “Analisis Perbandingan Algoritma XGBoost dan Algoritma Random Forest Ensemble Learning pada Klasifikasi Keputusan Kredit,” J. Ris. Rumpun Mat. dan Ilmu Pengetah. Alam, vol. 2, no. 2, pp. 87–103, 2023, doi: 10.55606/jurrimipa.v2i2.1470.

A. P. Sari and E. Prasetyo, “Prediksi Customer Churn Menggunakan Algoritma XGBoost dan LightGBM,” J. Ilmu Komput. dan Sist. Inf., vol. 9, no. 2, pp. 124–132, 2021.

M. M. Putri, C. Dewi, E. Permata Siam, G. Asri Wijayanti, N. Aulia, and R. Nooraeni, “Comparison of DBSCAN and K-Means Clustering for Grouping the Village Status in Central Java 2020 Komparasi DBSCAN dan K-Means Clustering pada Pengelompokan Status Desa di Jawa Tengah Tahun 2020,” J. Mat. Stat. dan Komputasi, vol. 17, no. 3, pp. 394–404, 2021, doi: 10.20956/j.v17i3.11704.

A. Santoso and B. Nugroho, “Implementasi metode PCA dan K-Means dalam segmentasi data pelanggan,” J. Teknol. Inf. dan Ilmu Komput., vol. 8, no. 3, pp. 355–363, 2021.


How To Cite This :

Refbacks

  • There are currently no refbacks.