PERBANDINGAN KINERJA MODEL LOGISTIC REGRESSION DAN XGBOOST DALAM MEMPREDIKSI SKOR KREDIT (CREDIT SCORING)

Credit Scoring adalah pendekatan matematis yang digunakan untuk menilai kelayakan kredit individu atau perusahaan dengan mengklasifikasikan debitur ke dalam kategori tertentu berdasarkan profil risiko debitur. Penelitian ini bertujuan untuk membandingkan kinerja algoritma machine learning yaitu Logistic Regression dan XGBoost dalam memprediksi skor kredit (credit scoring) untuk mengurangi risiko Non-Performing Loan (NPL) pada PT Graha Mazindo Mandiri. Dataset sekunder yang digunakan berisi 1.533 data debitur kredit mobil dengan 17 variabel, diantaranya 1 variabel terikat dan 16 variabel bebas. Proses penelitian meliputi preprocessing data (pembersihan, penanganan outlier, encoding, normalisasi, dan penyeimbangan kelas dengan SMOTE), pemodelan, dan evaluasi menggunakan metrik Accuracy, Precision, Recall, F1-score, dan ROC-AUC. Hasil menunjukkan XGBoost unggul dengan akurasi 98% dan ROC-AUC 0,99 dibandingkan Logistic Regression dengan akurasi 90% dan ROC-AUC 0,96, karena kemampuan XGBoost menangkap pola non-linier dan menangani ketidakseimbangan data. Penelitian ini memberikan wawasan tentang faktor risiko kredit dan mendukung pengambilan keputusan kredit yang lebih akurat, dengan rekomendasi untuk optimalisasi hyperparameter dan integrasi model ke dalam sistem operasional.