PREDIKSI KELAYAKAN PINJAMAN BERDASARKAN PROFIL RISIKO NASABAH MENGGUNAKAN LOGISTIC REGRESSION DAN RANDOM FOREST 

PREDICTING LOAN ELIGIBILITY BASED ON CUSTOMER RISK PROFILES USING LOGISTIC REGRESSION AND RANDOM FOREST

Penilaian kelayakan pinjaman merupakan aspek penting dalam menjaga kualitas portofolio pembiayaan, terutama bagi lembaga keuangan seperti PNM Mekaar yang berfokus pada pembiayaan kelompok perempuan prasejahtera. Penelitian ini bertujuan untuk membangun sistem prediksi kelayakan pinjaman berdasarkan profil risiko dan preferensi nasabah menggunakan dua metode pemodelan, yaitu Logistic Regression dan Random Forest. Model Logistic Regression digunakan untuk mengevaluasi kelayakan awal nasabah berdasarkan fitur-fitur seperti usia, jenis kelamin, pendapatan mingguan, jumlah pinjaman, persetujuan kelompok, dan persetujuan penanggung jawab. Sementara itu, Random Forest diterapkan untuk memprediksi kelayakan pemberian pinjaman lanjutan dengan mempertimbangkan risiko berdasarkan histori keterlambatan pembayaran dan lama waktu peminjaman, serta disertai teknik SMOTE guna mengatasi ketidakseimbangan kelas dalam data. Hasil penelitian menunjukkan bahwa Logistic Regression mampu mengidentifikasi nasabah yang layak i mendapatkan pinjaman awal dengan akurasi yang cukup baik, tanpa menggunakan teknik oversampling. Di sisi lain, model Random Forest menunjukkan performa optimal dalam klasifikasi tingkat risiko (rendah, sedang, tinggi) pada data yang telah diseimbangkan. Evaluasi dilakukan menggunakan teknik k-fold cross-validation untuk memastikan keandalan model. Penelitian ini diharapkan dapat menjadi dasar dalam pengambilan keputusan pinjaman yang lebih objektif dan data-driven, serta memberikan kontribusi dalam pemetaan risiko nasabah secara lebih tepat guna.

Kata kunci: kelayakan pinjaman, profil risiko, Logistic Regression, Random Forest, SMOTE, PNM Mekaar. 

Loan eligibility assessment is a crucial aspect in maintaining the quality of financing portfolios, especially for financial institutions like PNM Mekaar that focus on providing group-based loans to underprivileged women. This study aims to develop a loan eligibility prediction system based on customer risk profiles and preferences using two modeling methods: Logistic Regression and Random Forest. The Logistic Regression model is used to evaluate initial loan eligibility based on features such as age, gender, weekly income, loan amount, group approval, and spousal consent. Meanwhile, the Random Forest model is applied to predict eligibility for follow-up loans by considering risk factors such as payment delay history and loan tenure, with the application of the SMOTE technique to address class imbalance in the dataset. The results show that Logistic Regression is capable of identifying eligible borrowers with good accuracy without using oversampling techniques. On the other hand, the Random Forest model demonstrates optimal performance in classifying risk levels (low, medium, high) on the balanced iii dataset. Model evaluation was conducted using k-fold cross validation to ensure its reliability. This study is expected to serve as a foundation for more objective and data-driven loan decision-making and contribute to more effective customer risk mapping.

Keywords: loan eligibility, risk profile, Logistic Regression, Random Forest, SMOTE, PNM Mekaar.