Identifikasi variabel yang sangat mempengaruhi akan memudahkan dalam pengambilan keputusan sehingga dapat memberikan kontribusi terhadap pemahaman yang sedang diuji. Variabel penting tersebut dapat dicari menggunakan Permutation Importance melalui model Random Forest dan Logistic Regression. Pada penelitian ini, akan mencari variabel penting pada kasus Credit Scoring. Credit Scoring merupakan suatu uji kelayakan mengenai pemohon pinjaman berdasarkan ketentuan yang telah ditetapkan oleh lembaga. Model Random Forest dan Logistic Regression yang digunakan pada penelitian ini akan digunakan sebagai perbandingan dalam mencari variabel penting menggunakan Permutation Importance. Hasil penelitian menunjukkan bahwa variabel total_rec_prncp merupakan variabel penting dari model Random Forest dengan nilai 0.2423 dan last_fico_range_high pada model Logistic Regression dengan nilai 0.1518. Penelitian ini dapat akan memberikan wawasan khusus mengenai Explainable AI terkhusus Permutation Importance sehingga dapat digunakan pada model yang sulit untuk diinterpretasi, seperti neuralnetwork, ensemble models, dan deep learning models.
Kata Kunci:Explainable AI;Credit Scoring;Permutation Importance