Perbandingan Kinerja Random Forest Dan Xgboost Untuk Prediksi Keterlambatan Pembayaran Pinjaman Online

Pertumbuhan layanan pinjaman online di Indonesia membawa tantangan signifikan berupa risiko keterlambatan pembayaran (late payment) dan gagal bayar (default). Penelitian ini bertujuan membandingkan performa algoritma Random Forest dan XGBoost dalam memprediksi status pembayaran nasabah menggunakan dataset historis dari Lending Club. Tantangan utama dalam data ini adalah ketidakseimbangan kelas (imbalanced data), di mana nasabah tepat waktu jauh lebih banyak dibandingkan nasabah default. Metodologi penelitian meliputi tahap praproses data seperti pembersihan, penanganan nilai hilang, normalisasi menggunakan StandardScaler, serta penanganan ketidakseimbangan kelas melalui teknik SMOTE dan Class Weight. Model dioptimasi menggunakan GridSearchCV dan Threshold Tuning untuk mendapatkan ambang batas keputusan yang ideal. Hasil evaluasi menunjukkan bahwa skenario XGBoost + GridSearchCV + Threshold Tuning merupakan model paling optimal dengan nilai akurasi mencapai 78,87%, presisi 58,98%, dan nilai ROC-AUC sebesar 0,7211. Meskipun Random Forest dengan Class Weight memiliki recall lebih tinggi, XGBoost lebih unggul dalam menjaga ketepatan prediksi dan menekan angka False Positive. Variabel tingkat suku bunga (int_rate), grade, dan rasio beban utang (dti) ditemukan sebagai indikator risiko paling signifikan. Implementasi sistem melalui prototipe berbasis Streamlit membuktikan bahwa integrasi aturan bisnis dan machine learning efektif digunakan sebagai alat bantu pengambilan keputusan di industri teknologi finansial.

Kata Kunci: Class Weight, Machine Learning, Pinjaman Online, Random Forest, Smote, XGBoost