0405119001 - Sofia Umaroh, S.Pd., M.T Dosen Pembimbing 2 Kurnia Ramadhan Putra, S.Kom., M.T Dosen Pembimbing 1 Mochamad Satria Nugraha/162016007 Penulis

Penggunaan penskoran kredit pada lembaga keuangan di Indonesia saat ini banyak dipakai oleh FinTech atau Financial Technology pada lembaga keuangan peer to peer lending, kelebihan layanan peer to peer lending dibandingkan dengan layanan keuangan lainnya adalah tidak memerlukan jaminan serta proses waktu pencariannya yang juga cepat. Penskoran kredit dalam peer to peer lending ini harus akurat untuk mengurangi risiko kredit bahwa peminjam tidak akan membayar apa yang terutang. Solusi yang disarankan yaitu data mining menggunakan salah satu algoritma machine learning yaitu XGBoost yang memiliki tingkat akurasi yang tinggi. Tahapan pada data mining terdiri data understanding, data preparation, modeling dan evaluation. Data preparation adalah proses-proses pengumpulan, pembersihan dan penyatuan data ke dalam sebuah file atau tabel data untuk keperluan analisis. Data preparation melibatkan pemrosesan memanipulasi data mentah yang tidak terstruktur menjadi bentuk yang lebih terstruktur dan siap untuk dianalisis lebih lanjut. Tidak ada solusi universal untuk data preparation karena setiap permasalahan, setiap analisis, dan setiap solusi akan memiliki kebutuhan tingkat kualitas data yang berbeda-beda. Pada penelitian ini akan mencoba untuk memaksimalkan tahapan data preparation untuk menangani missing value, outlier data dan imbalance data menggunakan beberapa teknik dengan harapannya akurasi dari XGBoost ini dapat meningkatan penskoran kredit pada studi kasus peer to peer landing menggunakan algoritma XGBoost. Dataset yang digunakan adalah data peminjaman Lending Club dengan jumlah data 2.260.701 baris dan memiliki 151 variabel. Teknik data preparation yang digunakan adalah feature selection yaitu mengurangi 151 variabel menjadi 51 variabel berdasarkan missing value, pearson correlation dan p-value serta digunakan EDA untuk mencari variabel yang bermasalah dan data pencilan menjadikan variabel yang digunakan adalah 44 variabel. Setelah dilakukan pengurangan variabel, selanjutnya dilakukan pembersihan data yaitu missing value handling, outlier handling dan imbalance data handling. Hasil penelitian prediksi kelayakan kredit menggunakan XGBoost pada peer to peer lending didapatkan nilai accuracy: 99.31%, precision 98.54%, recall: 98.58%, specitifity 99.53%, ROC/AUC: 99.95%, dan f1-score: 98.57%