INTERPRETASI MODEL MACHINE LEARNING BERBASIS SHAP UNTUK PREDIKSI RISIKO GAGAL BAYAR KREDIT

Abstrak

Penilaian risiko gagal bayar kredit merupakan aspek penting dalam manajemen risiko lembaga keuangan. Meskipun algoritma machine learning mampu menghasilkan prediksi yang akurat, sebagian besar model bersifat black box sehingga sulit diinterpretasikan. Penelitian ini bertujuan membangun model prediksi gagal bayar kredit yang memiliki performa tinggi sekaligus mampu menjelaskan faktor-faktor yang memengaruhi hasil prediksi. Dataset yang digunakan adalah Loan Data dari Kaggle dengan target klasifikasi not.fully.paid. Tahapan penelitian meliputi prapemrosesan data, pengkodean variabel kategorik, pembagian data latih dan data uji, penanganan ketidakseimbangan kelas menggunakan SMOTE, serta pembangunan model menggunakan algoritma Random Forest dan XGBoost. Kinerja model dievaluasi menggunakan Accuracy, Recall, dan Area Under the Curve (AUC), sedangkan interpretabilitas model dianalisis menggunakan SHapley Additive exPlanations (SHAP). Hasil penelitian menunjukkan bahwa kedua model mampu memprediksi risiko gagal bayar dengan baik, namun XGBoost memberikan performa yang lebih unggul dibandingkan Random Forest berdasarkan metrik evaluasi yang digunakan. Analisis SHAP mengidentifikasi bahwa FICO score, interest rate, debt-to-income ratio (DTI), installment, dan credit policy merupakan faktor yang paling berpengaruh terhadap prediksi gagal bayar. Selain memberikan interpretasi secara global, SHAP juga mampu menjelaskan kontribusi setiap fitur terhadap prediksi pada tingkat individu. Dengan demikian, kombinasi XGBoost dan SHAP menghasilkan model prediksi yang tidak hanya akurat, tetapi juga transparan dan dapat mendukung pengambilan keputusan dalam penilaian risiko kredit