Penelitianini akanfokuspadapemanfaatanberbagai teknikpembelajaranmesin untukmemprediksi alokasi kredit di bank-bank pedesaan danmenggunakan SHapley Additive exPlanations (SHAP) untuk menentukan signifikansi dari berbagai fituryangdigunakandalammodelprediktif. Di Indonesia, kelangkaan fasilitas perbankan tradisional di daerah pedesaan telah mengarah pada pembentukanBankPerkreditanRakyat(BPR),yangbertujuanuntukmenyediakan danmeningkatkan akses kredit bagi komunitas yang kurang terlayani serta mendukungpengembanganekonomidaninklusikeuangan.Studiinimengevaluasi beberapa model pembelajaran mesin, termasuk LightGBM, XGBoost, serta mengeksplorasi efektivitas penggabungan model-model menggunakan regresi lineardalamstackinguntukmengidentifikasipendekatanyangpalingcocokuntuk memprediksi kredit BPRdi Indonesia. Sebelumpemodelan, teknik recursive clusteringditerapkanuntukmemperhitungkankondisiekonomiyangberagamdi seluruhnegeri. NilaiSHAPkemudiandigunakanuntukmenganalisispentingnya fiturdalammodelyangberkinerja terbaikdi setiapklaster. Penemuanstudi ini menunjukkan bahwa model gabungan yangmenggabungkan LightGBM dan XGBoost, dengan Regresi Linear sebagai meta-learner, mencapai akurasi keseluruhan tertinggi dengan hasil terbaiknya memiliki nilai RMSE sebesar 33.1078,MAEsebesar 25.2817danMAPEsebesar 0.9608%. Namun, dalam beberapa kasus, model tunggal dapat melampaui performamodel gabungan. Analisispentingnya fiturmenunjukkanbahwadanapihakketigadanasetBPR adalahprediktoryangpalingberpengaruhkepadakinerjakreditBPR. / This researchfocusesonutilizingmachine learning techniques topredict credit allocation in rural banks and uses SHapleyAdditive exPlanations (SHAP) to determinethesignificanceofvariousmodelfeatures. InIndonesia, thescarcityof traditional bankingfacilities inrural areashas led to theestablishment ofBank Perkreditan Rakyat (BPR), or rural banks, which aim to provide credit to underserved communities and foster economic development and financial inclusion. This study evaluates several machine learningmodels, including LightGBM,XGBoost, andexplores the effectiveness of stacking thesemodels usinglinear regressiontoidentifythemost suitableapproachforpredictingrural bankcredit inIndonesia. Prior tomodeling, clusteringtechniquesareappliedto accountforthediverseeconomicconditionsacrossthecountry. SHAPvaluesare thenusedtoanalyzefeatureimportancewithinthebest-performingmodelofeach cluster. The findings indicate that a stackedmodel combiningLightGBMand XGBoost,withLinearRegressionasthemeta-learner,achievesthehighestoverall accuracywithitsbest resultshavingaRMSEof33.1078,MAEof25.2817and MAPEof0.9608%. However, insomeinstances,standalonemodelsmaysurpass it. Analysisoffeatureimportancerevealsthat third-partyfundsandtheassetsof ruralbanksarecriticalpredictorsofruralbankcreditperformance.