ANALISIS EXPLAINABLE AI PADA PERBANDINGAN MODEL XGBOOST DAN LOGISTIC REGRESSION UNTUK CREDIT SCORING
Abstract
Perkembangan machine learning dalam industri keuangan mendorong penggunaan model prediktif yang semakin kompleks untuk penilaian risiko kredit. Meskipun model seperti XGBoost menawarkan akurasi tinggi, tantangan utama yang muncul adalah kurangnya transparansi dalam pengambilan keputusan. Penelitian ini bertujuan membandingkan performa model XGBoost dan Logistic Regression dalam prediksi credit scoring, serta menganalisis interpretabilitas kedua model menggunakan metode SHAP (SHapley Additive exPlanations). Data yang digunakan adalah Credit Risk Dataset dari platform Kaggle yang terdiri atas 32.581 observasi dengan 11 variabel independen dan 1 variabel target. Tahapan penelitian meliputi preprocessing data, pemodelan, evaluasi, dan analisis SHAP. Hasil evaluasi menunjukkan XGBoost mengungguli Logistic Regression dengan Accuracy 0,9122 berbanding 0,8104, F1-Score 0,7956 berbanding 0,6356, dan ROC AUC 0,9458 berbanding 0,8635. Analisis SHAP mengungkap bahwa loan_percent_income dan loan_int_rate merupakan fitur paling berpengaruh pada kedua model, konsisten dengan konsep Debt-to-Income Ratio dalam analisis kredit konvensional. Meskipun XGBoost unggul secara prediktif, SHAP terbukti mampu menjelaskan mekanisme keputusan kedua model secara transparan. Penelitian ini menunjukkan bahwa kombinasi XGBoost dan SHAP merupakan pendekatan yang direkomendasikan untuk pengembangan sistem credit scoring yang akurat sekaligus dapat dipertanggungjawabkan.
Downloads
References
A. R. Hakim, M. A. Mukid, H. Yasin, and S. Sugito, “Analisis Klasifikasi Credit Scoring Menggunakan Weighted Probabilistic Neural Network (Wpnn),” J. Stat., vol. 7, no. 1, pp. 63–70, 2019, [Online]. Available: https://jurnal.unimus.ac.id/index.php/statistik/article/view/4807
H. D. Fata, G. I. Marthasari, and Y. Azhar, “Sistem Pendukung Keputusan Kelayakan Kredit pada PT. BPR Mitra Catur Mandiri Menggunakan Metode Credit Scoring,” J. Repos., vol. 2, no. 5, pp. 649–658, 2020, doi: 10.22219/repositor.v2i5.608.
A. Asro, J. Chaidir, C. Cahairuddin, and J. Friadi, “Evaluasi Kinerja Algoritma Klasifikasi dalam Studi Kasus Prediksi Kelulusan di Universitas XYZ,” Zo. Tek. J. Ilm., vol. 19, no. 1, pp. 15–22, 2025, doi: 10.37776/zt.v19i1.1674.
S. Mujiyono, U. P. Sanjaya, I. S. Wibisono, and H. Setyowati, “Prediksi Fluktuasi Berat Badan Berdasarkan Pola Hidup Menggunakan Model XGBoost dan Deep Learning,” J. Algoritm., vol. 22, no. 1, pp. 221–233, 2025, doi: 10.33364/algoritma/v.22-1.2253.
H. Sy and S. Alam, “Explainable Artificial Intelligence ( XAI ) Pada Time Series Forecasting Menggunakan Gated Recurrent Unit ( GRU ),” vol. XV, no. 1, pp. 50–62, doi: 10.36774/sisiti.v15i1.2134.
H. Putra and R. Rumini, “Comparative Study of Logistic Regression, Random Forest, and XGBoost for Bank Loan Approval Classification,” J. Appl. Informatics Comput., vol. 9, no. 5, pp. 2822–2835, 2025, doi: 10.30871/jaic.v9i5.10862.
S. E. Herni Yulianti, Oni Soesanto, and Yuana Sukmawaty, “Gani, A. G., Firdaus, I., Amien, J. A., Informatika, T., Komputer, F. I., Riau, U. M., & Matching, S. (2020). Jurnal Computer Science and Information Technology (CoSciTech). Jurnal Sistem Informasi Universitas Suryadarma, 3(2), 1–19.,” J. Math. Theory Appl., vol. 4, no. 1, pp. 21–26, 2022.
I. W. Permadani, R. Sulistyo, M. Fadli, and E. R. Susanto, “Prediksi Risiko Kredit Nasabah Menggunakan Algoritma Data Mining: Studi Kasus pada PT Toyota Astra Finance,” Progresif J. Ilm. Komput., vol. 21, no. 2, p. 952, 2025, doi: 10.35889/progresif.v21i2.2909.
M. I. M. Nur Jamal, “Implementasi Machine Learning Berbasis Fitur Warna Rgb Dan Hsv Untuk Klasifikasi Kualitas Air,” J. Inform. dan Tek. Elektro Terap., vol. 14, no. 1, 2026, doi: 10.23960/jitet.v14i1.8667.
Sutarman, R. Siringoringo, D. Arisandi, E. Kurniawan, and E. B. Nababan, “Model Klasifikasi Dengan Logistic Regression Dan Recursive Feature Elimination Pada Data Tidak Seimbang,” J. Teknol. Inf. dan Ilmu Komput., vol. 11, no. 4, pp. 735–742, 2024, doi: 10.25126/jtiik.1148198.
J. Garcke and R. Roscher, “Explainable Machine Learning,” Mach. Learn. Knowl. Extr., vol. 5, no. 1, pp. 169–170, 2023, doi: 10.3390/make5010010.
DHIKA MALITA PUSPITA ARUM, KARTIKA IMAM SANTOSO, ANDRI TRIYONO, EKO SUPRIYADI, AGUS SUSILO NUGROHO, and E. Widodo, “Algoritma Random Forest, Decision Tree, Dan Xgboost Untuk Klasifikasi Stunting Pada Balita,” J. Transform., vol. 23, no. 1, pp. 67–76, 2025, doi: 10.26623/transformatika.v23i1.12202.
D. Azura, P. Reksi, B. Kurniawan, and S. Susandri, “Model Prediksi Penjualan Berbasis XGBoost – SHAP untuk Decision Support dalam Arsitektur TOGAF Prosiding Semnas 2025 Sekolah Tinggi Teknologi Dumai,” vol. 1, no. 2, pp. 343–357, 2025.
M. Emhandyksa and I. Nur, “Metode Explainable Artificial Intelligence ( XAI ) Berbasis Feature Importance Untuk Deteksi Dini Penyakit Jantung,” vol. 1, no. 1, pp. 68–79, 2026.
M. Kristanaya, Melinda Putri Azzahra, Trimono, and Mohammad Idhom, “Klasifikasi Status Rujukan Pasien Poliklinik Bandara Berbasis Random Forest dan Interpretabilitas Model Menggunakan SHAP,” Data Sci. Indones., vol. 5, no. 1, pp. 60–74, 2025, doi: 10.47709/dsi.v5i1.6078.
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
