OPTIMASI PENILAIAN KELAYAKAN PEMBIAYAAN SYARIAH MENGGUNAKAN ALGORITMA MACHINE LEARNING

STUDI SIMULASI DENGAN DATA SINTETIS PROFIL ANGGOTA KOPERASI SYARIAH

Abstract

Pembiayaan bermasalah (Non-Performing Financing/NPF) masih menjadi tantangan bagi koperasi syariah, sementara penilaian kelayakan yang mengandalkan analisis 5C dan skoring manual rentan terhadap inkonsistensi. Penelitian ini membandingkan Logistic Regression (LR), Random Forest (RF), dan XGBoost untuk memprediksi keputusan kelayakan pembiayaan syariah melalui studi simulasi. Karena data anggota riil belum tersedia, digunakan 2.000 data pengajuan sintetis yang dibangkitkan dengan distribusi dan aturan keputusan yang dilaporkan secara lengkap, meliputi usia, pendapatan, jumlah tanggungan, plafon, tenor, jenis agunan, dan skor karakter. Label Layak/Tidak Layak menirukan keputusan kelayakan, bukan kejadian gagal bayar. Mengikuti kerangka CRISP-DM, data dibagi secara stratified 80:20 sebelum pra-pemrosesan; One-Hot Encoding dan standarisasi dijalankan dalam pipeline yang hanya di-fit pada data latih, dan hyperparameter dipilih dengan GridSearchCV 5-fold. Dengan kelas positif Layak, pada data uji LR memperoleh akurasi 82,0% dan AUC 0,898, RF tuned memperoleh akurasi 82,5% dan AUC 0,901, sedangkan XGBoost tuned memperoleh akurasi 83,25%, presisi 81,6%, recall 75,0%, F1-score 78,2%, dan AUC 0,910. Pada validasi silang, AUC ketiga model berada pada rentang 0,883–0,891 dengan selisih yang lebih kecil daripada simpangan bakunya. XGBoost menghasilkan performa terbaik pada data pengujian penelitian ini, tetapi keunggulannya tipis. Skor Karakter, jenis agunan, dan pendapatan bulanan merupakan fitur dengan kontribusi terbesar, sesuai rancangan simulasi. Hasil ini perlu dikonfirmasi dengan data koperasi riil sebelum model digunakan sebagai alat bantu keputusan