Klasifikasi Pinjaman Kredit Berdasarkan Kelayakan Nasabah: Pendekatan Menggunakan Algoritma Pembelajaran Mesin (Studi Kasus: Bank XY)

Bank merupakan salah satu institusi keuangan yang memiliki kewajiban untuk menyediakan fasilitas pinjaman kredit bagi nasabah yang membutuhkan. Pada tahun 2021, di tengah masa pandemi, kesulitan finansial kerap ditemui oleh mayoritas penduduk di dunia. Dengan meningkatnya jumlah pengajuan pinjaman kredit yang diajukan oleh nasabah, jumlah pinjaman yang dapat diberikan oleh suatu bank semakin terbatas. Alhasil, muncul keperluan akan suatu alat otomatis yang mampu membantu bank menentukan nasabah yang layak diberi pinjaman secara tepat. Dalam penelitian ini, dengan mengadopsi kerangka kerja CRISP-DM yang dimodifikasi sebagai metode penelitian, teknik pembelajaran mesin akan diimplementasikan untuk membangun model klasifikasi pengajuan pinjaman kredit nasabah yang layak disetujui, berdasarkan kemampuan nasabah dalam membayar secara tepat waktu, sebagai alternatif solusi akan metode pengukuran risiko dan pemilihan nasabah saat ini yang dinilai terlalu konvensional serta tidak efektif dari segi waktu dan sumber daya. Dilaksanakan perbandingan beberapa algoritma pembelajaran mesin, yaitu: Support Vector Machine, Naïve Bayes, Random Forest, Logistic Regression dan K-Nearest Neighbors, guna mencari algoritma yang memiliki performa terbaik berdasarkan beberapa metrik evaluasi. Objek penelitian yang digunakan berasal dari partial dataset suatu bank swasta di Singapura yang bernama Bank XY. Hasil evaluasi menunjukkan bahwa algoritma Random Forest dengan penerapan feature selection dan hyperparameter tuning memperoleh performa terbaik dengan tingkat accuracy senilai 74%, tingkat precision senilai 77%, tingkat recall senilai 66%, tingkat F1-score senilai 71% dan ROC score senilai 87%. Hasil akhir penelitian yang berupa prototype klasifikasi diharapkan dapat membantu Bank XY dalam menentukan pengajuan pinjaman kredit nasabah yang harus disetujui