Perbandingan Peramalan Nasabah Gagal Bayar Menggunakan Pemodelan Algoritma Random Forest dan XGBoost untuk Mitigasi Risiko Kredit Studi Kasus Bank BTN Syariah

Wigantiyoko, Gigih Prakoso (2026) Perbandingan Peramalan Nasabah Gagal Bayar Menggunakan Pemodelan Algoritma Random Forest dan XGBoost untuk Mitigasi Risiko Kredit Studi Kasus Bank BTN Syariah. Masters thesis, Institut Teknologi Sepuluh Nopember.

Text 6032241181-Master_Thesis.pdf - Accepted Version Restricted to Repository staff only Download (6MB) | Request a copy

Abstract

Peningkatan penyaluran pembiayaan syariah setelah pandemi meningkatkan risiko gagal bayar pembiayaan yang dapat menurunkan tingkat profitabilitas bank. Bank BTN Syariah Cabang “X” mencatat Non Performing Financing (NPF) sebesar 15,27% pada tahun 2019, berhasil ditekan menjadi 1,47% pada 2022, namun meningkat Kembali pada 2023 hingga 2024. Kondisi ini mengindikasikan perlunya pendekatan mitigasi risiko yang lebih preventif berbasis prediksi, bukan penanganan pasca gagal bayar. Penelitian ini membangun dan membandingkan model prediksi gagal bayar pembiayaan menggunakan algoritma Random Forest dengan Synthetic Minority Over-sampling Technique (SMOTE) dan Extreme Gradient Boosting (XGBoost) dengan Weighted Class sebagai Early Warning System (EWS) monitoring nasabah eksisting secara periodik. Data yang digunakan adalah 14.374 nasabah pembiayaan konsumer aktif posisi 31 Desember 2024 dengan 30 variabel dan rasio ketidakseimbangan kelas sebesar 77,5:1 (183 nasabah default dengan 14.191 nasabah aman). Model dievaluasi menggunakan metrik recall, precision, F1-Score, ROC-AUC, dan PR-AUC, dengan recall diprioritaskan mengingat biaya asimetris antara False Negative dan False Positive dalam konteks EWS perbankan. Hasil penelitian menunjukkan bahwa model Random Forest dengan SMOTE merupakan model terbaik dengan recall kelas default = 0,6757 dan ROC-AUC = 0,9368, berhasil mendeteksi 25 dari 37 nasabah gagal bayar pada data testing. Model XGBoost menghasilkan F1-Score = 0,4878 dan PR-AUC = 0,4849 lebih tinggi namun memiliki recall yang lebih rendah sebesar 0,5405. Analisis feature importance menggunakan MDI dan SHAP mengungkapkan temuan orisinal bahwa Saldo Tersedia (MDI = 0,244) dan Rasio Saldo/Angsuran (MDI = 0,203) merupakan prediktor dominan, membuktikan bahwa kondisi likuiditas real time nasabah merupakan indicator paling utama yang lebih kuat dibandingkan dengan riwayat tunggakan. Segmentasi risiko mengidentifikasi bahwa produk MR1 atau KPR Non Subsidi dengan default rate sebesar 2,84% sebagai zona risiko tertinggi dalam portofolio pembiayaan Bank BTN Syariah.
======================================================================================================================================
The post pandemic expansion of Islamic banking financing has elevated default risk, threatening bank stability and profitability. Bank BTN Syariah Branch "X" recorded a Non-Performing Financing (NPF) ratio of 15.27% in 2019, successfully reduced to 1.47% by 2022, before rising again in 2023 to 2024. This recurring pattern underscores the need for a more preventive, prediction based risk mitigation approach beyond reactive post default management. This study develops and compares consumer financing default prediction models using Random Forest with Synthetic Minority Over-sampling Technique (SMOTE) and Extreme Gradient Boosting (XGBoost) with Weighted Class as the analytical foundation of a periodic Early Warning System (EWS) for monitoring existing borrowers. The dataset comprises 14,374 active consumer financing customers as of 31 December 2024 with 30 variables and a severe class imbalance ratio of 77.5:1 (183 default vs 14,191 non default). Models are evaluated using recall, precision, F1-Score, ROC-AUC, and PR-AUC, with recall prioritized given the asymmetric cost between False Negatives and False Positives in a banking credit risk context. Results demonstrate that Random Forest with SMOTE is the superior model, achieving a default-class recall of 0.6757 and ROC-AUC of 0.9368, successfully detecting 25 of 37 defaulting customers in the test set. XGBoost yields higher F1-Score (0.4878) and PR-AUC (0.4849) but lower recall (0.5405). MDI and SHAP feature importance analysis reveals an original finding: Available Balance (MDI = 0.244) and Balance to Installment Ratio (MDI = 0.203) are the dominant predictors, confirming that real-time customer liquidity constitutes a stronger leading indicator of default risk than historical delinquency records. Risk segmentation identifies the MR1 Non Subsidized KPR product (default rate 2.84%) as the highest-risk zones in the financing portfolio.

Item Type:	Thesis (Masters)
Uncontrolled Keywords:	Gagal Bayar, Loan Default, Non Performing Financing, Random Forest, XGBoost
Subjects:	Q Science > Q Science (General) > Q325.5 Machine learning. Support vector machines.
Divisions:	Interdisciplinary School of Management and Technology (SIMT) > 61101-Master of Technology Management (MMT)
Depositing User:	Gigih Prakoso Wigantiyoko
Date Deposited:	31 Jul 2026 02:29
Last Modified:	31 Jul 2026 02:29
URI:	http://repository.its.ac.id/id/eprint/140041

Actions (login required)

View Item