Optimasi Prediksi Kelayakan Pinjaman dengan Teknik Resampling dan Algoritma Boosting

Abstract

Loan eligibility assessment is a crucial element in financial risk mitigation, aiming to minimize potential losses due to bad debts and ensure proper resource distribution. Traditional rule-based approaches have limitations in scalability, risk of subjective bias, and complex data management. The application of Machine Learning (ML) presents a solution with the ability to analyze complex patterns in historical data, although significant challenges such as class imbalance where the number of defaulted borrowers is much smaller than that of current borrowers and missing values ​​in the dataset remain major obstacles. This study evaluates the SMOTE and SMOTE-ENN resampling methods, to address class imbalance, as well as the mean imputation technique to handle missing values. By evaluating boosting algorithms, including Gradient Boosting, XGBoost, LightGBM, AdaBoost, and CatBoost, the results show that the combination of the CatBoost algorithm with the SMOTE-ENN sampling technique provides the highest prediction accuracy of 91.67%. This finding confirms the significant potential of ML in improving the accuracy, efficiency, and fairness of predictions, while making important contributions to the development of data-driven decision-making systems in the financial sector.Penilaian kelayakan pinjaman merupakan elemen krusial dalam mitigasi risiko keuangan, bertujuan untuk meminimalkan potensi kerugian akibat kredit bermasalah dan memastikan distribusi sumber daya yang tepat. Pendekatan tradisional berbasis aturan memiliki keterbatasan dalam skalabilitas, risiko bias subjektif, dan pengelolaan data yang kompleks. Penerapan Machine Learning (ML) menghadirkan solusi dengan kemampuan menganalisis pola kompleks dalam data historis, meskipun tantangan signifikan seperti ketidakseimbangan kelas di mana jumlah peminjam gagal bayar jauh lebih kecil dibandingkan peminjam lancar dan nilai hilang dalam dataset tetap menjadi kendala utama. Penelitian ini mengevaluasi metode resampling SMOTE dan SMOTE-ENN, untuk mengatasi ketidakseimbangan kelas, serta teknik imputasi rata-rata untuk menangani nilai hilang. Dengan mengevaluasi algoritma boosting, termasuk Gradient Boosting, XGBoost, LightGBM, AdaBoost, dan CatBoost. Hasil penelitian menunjukkan bahwa kombinasi algoritma CatBoost dengan teknik sampling SMOTE-ENN memberikan akurasi prediksi tertinggi sebesar 91,67%. Temuan ini menegaskan potensi signifikan ML dalam meningkatkan akurasi, efisiensi, dan keadilan prediksi, sekaligus memberikan kontribusi penting dalam pengembangan sistem pengambilan keputusan berbasis data pada sektor keuangan.