Pengembangan Website Prediksi Gagal Bayar Nasabah Kartu Kredit menggunakan Algoritma Machine Learning

Abstract

Tantangan manajemen risiko gagal bayar kartu kredit pada institusi keuangan memerlukan pendekatan prediktif yang lebih akurat dibandingkan metode konvensional yang masih mengandalkan teknik statistik sederhana. Penelitian ini mengembangkan sistem prediksi berbasis web yang mengintegrasikan algoritma XGBoost machine learning untuk menganalisis pola kompleks dalam perilaku pembayaran nasabah. Metodologi penelitian diterapkan melalui tiga tahapan utama: pembangunan model prediktif menggunakan dataset Default of Credit Card Clients dari Kaggle yang mencakup 30.000 sampel nasabah dengan 24 atribut, pengembangan Application Programming Interface menggunakan framework Flask untuk integrasi real-time, dan implementasi antarmuka web interaktif untuk kemudahan akses pengguna. Model XGBoost yang dikembangkan berhasil mencapai tingkat akurasi sebesar 79,2% dengan nilai presisi 83,2% dalam mengklasifikasikan risiko gagal bayar. Sistem yang dihasilkan mampu memproses prediksi secara otomatis melalui endpoint API yang menerima input dalam format JSON dan memberikan respons klasifikasi risiko dalam dua kategori: berisiko dan tidak berisiko. Implementasi website memungkinkan petugas keuangan melakukan evaluasi risiko kredit secara efisien tanpa memerlukan keahlian teknis machine learning. Hasil penelitian menunjukkan bahwa integrasi teknologi XGBoost dengan platform web dapat meningkatkan efektivitas pengambilan keputusan dalam manajemen risiko kredit dibandingkan pendekatan manual tradisional..