Systematic Literatur Review Pendekatan Machine Learning untuk Prediksi Risiko Kredit

Abstract

Penelitian ini bertujuan untuk melakukan tinjauan sistematis terhadap pendekatan machine learning dalam prediksi risiko kredit melalui Systematic Literature Review (SLR). Tujuan utama adalah mengidentifikasi tren algoritma machine learning yang dominan, mengevaluasi kelebihan dan kekurangannya, serta menganalisis apakah data yang digunakan merupakan big data. Metode penelitian melibatkan tahapan perencanaan, pencarian literatur dari Google Scholar (2019–2024), seleksi berdasarkan kriteria inklusi-eksklusi, penilaian kualitas, dan ekstraksi data. Hasil penelitian menunjukkan bahwa algoritma seperti Neural Network, Random Forest, Support Vector Machine (SVM), K-Nearest Neighbor (K-NN), dan Naïve Bayes banyak, dengan Neural Network dan Random Forest menjadi yang terpopuler karena kemampuan menangani data kompleks dan stabilitasnya. Namun, mayoritas studi menggunakan dataset berskala kecil hingga digunakan menengah, bukan big data. Penelitian ini memberikan kontribusi teoritis dengan memperkaya wawasan tentang aplikasi machine learning dalam risiko kredit dan kontribusi praktis sebagai panduan bagi lembaga keuangan dalam memilih model yang tepat untuk meningkatkan akurasi prediksi dan efisiensi pengambilan keputusan.