Analisis Prediksi Klasifikasi menggunakan Random Forest dan XGBoost Studi Kasus: Pinjaman Hipotek di Amerika Serikat

Kredit merupakan fasilitas keuangan yang memungkinkan individu atau badan usaha dapat melakukan pinjaman yang kemudian akan membayarnya kembali dalam jangka waktu dan bunga pinjaman yang sudah ditentukan. Ada banyak jenis kredit yang disediakan oleh penyedia jasa kredit, salah satunya adalah kredit hipotek (mortgage loan) atau yang lebih dikenal dengan Kredit Pemilikan Rumah atau KPR. Pada laporan Mortgage Finance Forecast yang dikeluarkan oleh Mortgage Bankers Association (MBA) memprediksikan industri pinjaman hipotek untuk memperoleh originasi $2.5 Triliun setiap tahunnya dalam 3 tahun kedepan atau setidaknya 40% lebih tinggi dibanding dari rata-rata originasi tahunan antara 2010-2019. Pemodelan menggunakan Machine Learning diperlukan dalam memprediksi peluang gagal bayar dari nasabah pinjaman hipotek. Dalam penelitian ini digunakan dua jenis metode klasifikasi yaitu Random Forest dan XGBoost untuk memprediksi peluang gagal bayar nasabah pinjaman hipotek. Hasil penelitian menunjukkan bahwa model Random Forest lebih unggul dalam melakukan klasifikasi daripada XGBoost dengan dari tingkat akurasi, sensitivitas, dan F1 score. Model Random Forest menghasilkan nilai akurasi 78.31%, presisi 68.65%, sensitivitas 75.40%, dan F1-score 71.87%, sedangkan model XGBoost menghasilkan nilai akurasi 78.19%, presisi 69.62%, sensitivitas 72.13%, dan F1 score 70.85%.