Prediksi Gagal Bayar Calon Kreditur Menggunakan Metode Data Mining = Predicting Loan Default Using Data Mining Methods

Gagal bayar adalah ketidakmampuan debitur untuk memenuhi kewajiban pembayaran pinjaman tepat waktu. Dalam konteks kredit, gagal bayar dapat berdampak signifikan terhadap ekonomi baik pada skala makro maupun mikro. Pada tingkat makro, tingginya tingkat gagal bayar dapat mengganggu stabilitas keuangan nasional dan merusak kepercayaan investor. Pada tingkat mikro, gagal bayar dapat menyebabkan kerugian besar bagi lembaga keuangan dan penurunan kualitas hidup bagi individu yang mengalaminya. Dampak negatif ini menjadikan pencegahan gagal bayar sebagai prioritas dalam pengelolaan kredit. Penelitian ini bertujuan mengembangkan sistem prediksi gagal bayar calon kreditur dan mengidentifikasi pola hubungan antar variabel yang mempengaruhi gagal bayar. Dengan sistem prediksi yang akurat, lembaga keuangan dapat mengurangi risiko gagal bayar serta meningkatkan efisiensi pemberian kredit. Penelitian ini juga berupaya memahami karakteristik calon kreditur yang berpotensi gagal bayar, sehingga dapat diambil tindakan pencegahan yang tepat. Metode yang digunakan meliputi analisis asosiasi dengan algoritma FP-Growth menggunakan minimum support 0.3 dan minimum confidence 0.5, serta prediksi menggunakan algoritma Extreme Gradient Boosting (XGBoost) dengan learning rate 0.3. Analisis asosiasi bertujuan menemukan pola hubungan antar variabel, sedangkan metode prediksi mengklasifikasikan calon kreditur ke dalam kategori resiko gagal bayar. Hasil penelitian menunjukkan bahwa calon kreditur dengan karakteristik berpendidikan kelas menengah, harga barang yang diajukan untuk pinjaman bernilai rendah, tidak memiliki mobil, dan sumber pendapatan dari bekerja memiliki potensi tinggi untuk gagal bayar. Sedangkan calon kreditur dengan karakteristik memiliki rumah atau apartemen, kepemilikan properti, berjenis kelamin perempuan, memiliki keluarga kecil, telah menikah, dan tidak memiliki anak memiliki potensi besar untuk melunasi kredit tanpa gagal bayar, sehingga aplikasi kredit mereka dapat diterima. Karakteristik lainnya seperti rendahnya anuitas, peminjaman tunai, dan jumlah kredit tinggi juga muncul, namun kurang signifikan dalam mempengaruhi pengambilan kebijakan kredit.

Kata Kunci : Gagal Bayar, Credit Scoring, Asosiasi, Prediksi, FP-Growth, Machine Learning