Risiko kredit merupakan potensi kerugian yang timbul akibat ketidakmampuan debitur
dalam memenuhi kewajiban pembayaran kredit, terutama pada kredit konsumtif yang
memiliki tingkat risiko gagal bayar tinggi. Peningkatan penyaluran kredit konsumtif
tanpa didukung sistem penilaian risiko yang akurat dapat meningkatkan rasio Non
Performing Loan (NPL) pada perbankan. Pendekatan konvensional dalam pengelolaan
risiko kredit masih memiliki keterbatasan dalam memanfaatkan data historis nasabah
yang besar dan kompleks. Oleh karena itu, penelitian ini menerapkan pendekatan
Machine Learning dengan algoritma Extreme Gradient Boosting (XGBoost) untuk
mengklasifikasikan risiko kredit konsumtif berdasarkan tingkat kolektibilitas kredit. Data
yang digunakan merupakan data historis kredit konsumtif nasabah Bank MalukuMalut
Cabang Masohi sebanyak 2.557 observasi dengan lima kelas kolektibilitas. Penelitian ini
bertujuan meningkatkan akurasi klasifikasi risiko kredit sebagai dasar pendukung
pengambilan keputusan kredit dan penguatan manajemen risiko perbankan. Proses
analisis mengacu pada metodologi CRISP-DM dengan penerapan teknik Random
Oversampling untuk mengatasi ketidakseimbangan kelas. Hasil penelitian menunjukkan
bahwa algoritma XGBoost menghasilkan performa klasifikasi yang sangat baik dengan
tingkat akurasi sebesar 99,61%, serta nilai precision dan recall yang tinggi, sehingga
efektif dalam memodelkan pola risiko kredit konsumtif dan berpotensi diterapkan sebagai
alat bantu pengambilan keputusan kredit di sektor perbankan.

Credit risk represents the potential loss arising from a debtor's inability to fulfill credit
payment obligations, particularly in consumer credit which has a high default risk rate.
The increase in consumer credit distribution without adequate risk assessment systems
can elevate the Non-Performing Loan (NPL) ratio in banking. Conventional approaches
to credit risk management still have limitations in utilizing large and complex historical
customer data. Therefore, this study applies a Machine Learning approach using the
Extreme Gradient Boosting (XGBoost) algorithm to classify consumer credit risk based
on credit collectibility levels. The data used consists of historical consumer credit data
from Bank MalukuMalut Masohi Branch customers, totaling 2,557 observations with five
collectibility classes. This research aims to improve the accuracy of credit risk
classification as a basis for supporting credit decision-making and strengthening banking
risk management. The analysis process refers to the CRISP-DM methodology with the
application of Random Oversampling technique to address class imbalance. The research
results show that the XGBoost algorithm produces excellent classification performance
with an accuracy rate of 99.61%, as well as high precision and recall values, making it
effective in modeling consumer credit risk patterns and potentially applicable as a credit
decision-making tool in the banking sector.