Ekstraksi Fitur Menggunakan Neural Network Yang Diintegrasikan Xgboost Untuk Klasifikasi Gagal Bayar Pada Platform Pear-to-pear Lending

Peningkatan jumlah pinjaman dan peminjam aktif pada platform peer-to-peer (P2P) lending di Indonesia menimbulkan risiko gagal bayar yang semakin tinggi, sehingga diperlukan pendekatan prediktif yang akurat dan dapat diinterpretasikan. Penelitian ini bertujuan untuk mengembangkan model klasifikasi otomatis guna memprediksi risiko gagal bayar dengan mengintegrasikan metode ekstraksi fitur menggunakan Neural Network dan algoritma XGBoost. Data diperoleh melalui studi pustaka dan Kaggle dengan total 10.000 data pinjaman dan 112 fitur. Metode yang digunakan dalam penelitian ini adalah pendekatan hybrid antara Neural Network dan XGBoost, yang melibatkan tahapan preprocessing berupa imputasi nilai hilang, encoding variabel kategorikal, normalisasi fitur numerik, serta pembagian data menjadi data latih dan data uji. Hasil pengujian menunjukkan bahwa model gabungan Neural Network–XGBoost menghasilkan performa lebih baik dibandingkan model Neural Network tunggal, dengan akurasi tertinggi 97,30% dan F1-score 0,9409. Selain itu, metode LIME berhasil meningkatkan transparansi model dengan menampilkan kontribusi tiap fitur terhadap hasil prediksi. Penelitian ini membuktikan bahwa pendekatan hybrid Neural Network–XGBoost dengan interpretabilitas LIME efektif dalam memprediksi risiko gagal bayar secara akurat dan dapat digunakan sebagai pendukung pengambilan keputusan pada platform P2P lending.