Integrasi Analytic Hierarchy Process (AHP)–Machine Learning yang Dinamis dalam Prediksi Risiko Kredit

Dalam beberapa tahun terakhir, risiko kredit pada sektor UMKM meningkat tajam akibat keterbatasan model penilaian tradisional yang cenderung mengabaikan kompleksitas data dan preferensi pakar. Untuk menjawab tantangan tersebut, penelitian ini mengusulkan integrasi metode Analytical Hierarchy Process (AHP) dan algoritma Machine Learning (ML), khususnya Random Forest, sebagai pendekatan hybrid dalam prediksi risiko kredit. Penelitian ini bertujuan mengembangkan sistem prediktif yang akurat dan dapat dijelaskan, dengan menggabungkan kekuatan AHP sebagai alat pembobotan pakar dan ML sebagai mesin klasifikasi berbasis data. Metodologi penelitian melibatkan normalisasi dataset UMKM, pelatihan model Random Forest menggunakan WEKA dan Python, serta integrasi bobot AHP ke dalam proses kalibrasi threshold klasifikasi. Wawancara dengan pakar kredit digunakan untuk membentuk matriks perbandingan AHP dan memastikan konsistensi bobot. Hasil menunjukkan bahwa model Random Forest awal memiliki akurasi 89,5% dan AUC 96,6%. Setelah integrasi AHP, precision meningkat menjadi 100%, meskipun recall menurun menjadi 82,8%, menandakan pergeseran ke strategi konservatif. Threshold optimal secara empiris tercapai di 0,583 dengan F1-score 91,89%. Kesimpulannya, integrasi AHP–ML tidak hanya meningkatkan performa model secara statistik, tetapi juga memperkuat transparansi dan fleksibilitas pengambilan keputusan, menjadikannya solusi ideal bagi manajemen risiko dan kebijakan kredit yang adaptif di sektor keuangan.