Prediksi Credit Default pada Data Tidak Seimbang Menggunakan Regresi Logistik dan Artificial Neural Network

Abstract

Prediksi gagal bayar kredit merupakan bagian penting dalam manajemen risiko kredit, terutama pada data tidak seimbang yang didominasi kelas tidak gagal bayar. Penelitian ini bertujuan membandingkan performa regresi logistik, Artificial Neural Network (ANN), dan ANN dengan hyperparameter tuning dalam memprediksi gagal bayar kredit pada data tidak seimbang menggunakan sensitivity dan Area Under Curve (AUC) sebagai ukuran utama performa. Data yang digunakan adalah Default of Credit Card Clients Dataset dari UCI Machine Learning Repository sebanyak 30,000 observasi. Prapemrosesan data meliputi One-Hot Encoding, Min-Max Scaling, dan penanganan ketidakseimbangan kelas menggunakan Synthetic Minority Oversampling Technique (SMOTE) pada data latih. Hyperparameter tuning pada ANN dilakukan menggunakan Grid Search dan early stopping. Evaluasi model dilakukan menggunakan sensitivity, AUC, F1-score, balanced accuracy, dan G-Means. Hasil penelitian menunjukkan bahwa ANN dengan hyperparameter tuning menghasilkan sensitivity tertinggi sebesar 0,741 dan AUC sebesar 0,769 pada data uji. Meskipun regresi logistik menghasilkan F1-score yang relatif lebih tinggi, model ANN lebih efektif dalam mendeteksi nasabah berisiko gagal bayar. Seluruh model juga menunjukkan kemampuan generalisasi yang baik tanpa indikasi overfitting yang signifikan. Dengan demikian, ANN dengan hyperparameter tuning lebih sesuai digunakan sebagai model screening awal dalam deteksi risiko gagal bayar pada data tidak seimbang.