IMPLEMENTASI MODEL HYBRID RANDOM FOREST-XGBOOST UNTUK KLASIFIKASI SKOR KREDIT PADA DATA TIDAK SEIMBANG

Penilaian skor kredit merupakan instrumen krusial bagi lembaga keuangan untuk mengelola risiko, namun dataset yang digunakan umumnya tidak seimbang (imbalanced) sehingga menyebabkan bias pada model klasifikasi konvensional. Penelitian ini mengimplementasikan model hybrid Random Forest-XGBoost dengan pendekatan stacking menggunakan Logistic Regression sebagai meta-learner untuk mengklasifikasikan skor kredit (Good, Standard, Poor) pada data tidak seimbang. Dataset Credit Score Classification dari Kaggle (100.000 sampel) diproses melalui tahapan preprocessing (penanganan missing value, encoding, scaling, dan analisis korelasi), pembagian data stratified 80:20, serta evaluasi menggunakan metrik accuracy, precision, recall, F1-score (macro), dan AUC-ROC. Hasil pengujian menunjukkan model hybrid stacking mencapai akurasi 72,78%, F1-score macro 0,7056, dan AUC macro 0,8737, lebih unggul dibandingkan Random Forest (71,56%) dan XGBoost (71,41%). Model hybrid ini berhasil memanfaatkan kekuatan bagging dari Random Forest dan boosting dari XGBoost secara komplementer, sehingga memberikan performa yang lebih baik dan stabil dalam menangani ketidakseimbangan kelas. Penelitian ini menawarkan solusi efektif untuk meningkatkan akurasi penilaian risiko kredit pada data keuangan yang kompleks.