Analisis Klasifikasi Penilaian Kredit Menggunakan Algoritma Machine Learning Random Forest Pada Data Imbalanced

Penilaian kredit atau aktivitas menilai kelayakan debitur oleh lembaga keuangan, terutama bank, sangat penting dilakukan untuk menghindari risiko kredit macet atau aset buruk, serta untuk mengoptimalkan keuntungan dan modal bank. Dengan melakukan penilaian kredit itu akan membantu bank dalam membuat keputusan manajerial. Namun permasalahan yang dihadapi dalam penilaian kredit adalah adanya ketidakseimbangan sampel kelas pada dataset atau data imbalanced sehingga model pembelajaran mesin yang digunakan untuk melakukan penilaian kredit cenderung memberikan hasil prediksi yang tidak akurat atau bias. Penelitian ini bertujuan untuk mengatasi masalah tersebut, dengan menggunakan metode resampling data, yaitu oversampling (random oversampling dan SMOTE) serta undersampling (random undersampling dan near miss). Metode resampling ini diimplementasikan dalam model pembelajaran mesin random forest sebagai base classifier. Dengan mengadopsi metodologi penelitian Cross Standard Industry for Data Mining (CRISP-DM). Hasil analisis menunjukkan model random forest dengan teknik random oversampling memberikan performa terbaik, dengan nilai gmeans sebesar 0,71 (71%) dan nilai AUC sebesar 0,72 (72%) Jika dibandingkan dengan teknik resampling lainnya seperti SMOTE dengan nilai g means sebesar 0,61 (61%) dan nilai AUC sebesar 0,67 (67%), random undersampling dengan nilai g-means sebesar 0,68 (68%) dan nilai AUC sebesar 0,68 (68%) dan near miss dengan nilai g-means sebesar 0,37 (37%) dan nilai AUC sebesar 0,52 (52%).
Kata kunci : Penilaian Kredit, Klasifikasi, Machine learning, Random Forest, Imbalanced Data