Prediksi Kapabilitas Calon Debitur Menggunakan Analisis Data Machine Learning Dengan Metode Random Forest

Abstract

Penelitian ini dilakukan pada sebuah perusahaan pembiayaan yang bergerak dalam bidang pembiayaan investasi, modal kerja, dan multiguna, pada sektor pembiayaan konsumen untuk kendaraan bermotor roda empat, roda dua, dan multiguna. Tingginya kredit macet membuat kualitas asset perusahaan menjadi menurun, meskipun kredit skoring telah digunakan sebagai filter pertama untuk melakukan evaluasi calon debitur, akan tetapi ada beberapa hal yang masih saja terlewat. Kredit skoring tidak akan menjadi relevan jika calon debitur memiliki sedikit ataupun tidak memiliki riwayat kredit sama sekali, calon debitur ini biasa ditemui untuk pembiayaan motor atau kendaraan roda 2 (dua). Maka dari itu penelitian ini dilakukan tidak hanya untuk memberikan informasi terkait klasifikasi debitur saja tetapi juga mengurangi presentasi kredit macet terutama di pembiayaan kendaraan roda 2 (dua) dimasa akan datang. Metode klasifikasi yang digunakan adalah Random Forest dengan SMOTE menggunakan 28 parameter yaitu diantaranya Credit scoring, Gaji, Jumlah kredit aktif, umur debitur, Wilayah pengajuan , status Pernikahan, lama bekerja, jenis kelamin, jumlah tanggungan. Data yang digunakan untuk training model pada penelitian ini adalah data yang ada pada sistem sampai dengan tahun 2023, dengan banyaknya data 254.609. Hasil penelitian menunjukan model Random Forest memiliki persentase keakuratan yang 69%. Akan tetapi masih sedikit lebih tinggi dari metode LGBM yaitu 59% dan XGBoosts dimana tingkat akurasi nya mencapai 39%