ABSTRAK
ASRULLAH, Implementasi Synthetic Minority Oversampling Technique untuk mengatasi class tidak seimbang pada prediksi kredit macet menggunakan K-Nearest Neighbors (dibimbing oleh Pasnur dan A. Sumardin)
Prediksi kredit macet merupakan proses penting dalam sistem pengelolaan risiko lembaga keuangan untuk mengidentifikasi nasabah yang berpotensi gagal membayar pinjaman. Salah satu permasalahan umum dalam proses ini adalah ketidakseimbangan kelas, di mana jumlah data nasabah tidak macet jauh lebih banyak dibandingkan nasabah yang mengalami kredit macet. Ketidakseimbangan ini menyebabkan model klasifikasi cenderung bias terhadap kelas mayoritas dan kurang mampu mengenali kelas minoritas secara akurat. Penelitian ini bertujuan untuk mengevaluasi efektivitas penerapan teknik Synthetic Minority Oversampling Technique (SMOTE) dalam meningkatkan performa algoritma K-Nearest Neighbors (KNN) pada klasifikasi data kredit yang tidak seimbang. Dataset yang digunakan berasal dari platform Kaggle dan terdiri dari 9.709 data, dengan proporsi awal 8.426 data tidak macet dan 1.283 data macet. Setelah diterapkan SMOTE, data menjadi seimbang dengan masing-masing kelas sebanyak 5.065 data. Hasil pengujian menunjukkan bahwa model awal hanya mencapai nilai recall dan f1-score sebesar 0,00 pada kelas minoritas. Namun, setelah penerapan SMOTE, model berhasil meningkatkan nilai recall menjadi 0,53 dan f1-score menjadi 0,23. Hasil penelitian ini membuktikan bahwa penerapan SMOTE efektif dalam mengatasi dampak ketidakseimbangan kelas dan meningkatkan kemampuan model dalam mendeteksi nasabah berisiko kredit macet.
Kata kunci: Prediksi Kredit Macet, Ketidakseimbangan Kelas, SMOTE,
K-Nearest Neighbors, Klasifikasi.