Transformasi digital dalam industri perbankan mendorong kebutuhan akan sistem credit scoring yang tidak hanya akurat namun juga adaptif terhadap data yang kompleks dan heterogen. Penelitian ini bertujuan untuk membangun dan mengevaluasi model credit scoring berbasis ensemble supervised learning guna memprediksi risiko kredit pada layanan pinjaman multiguna (Produk X) di Bank XYZ. Beberapa algoritma ensemble yang digunakan antara lain Random Forest, AdaBoost, LightGBM, CatBoost, dan XGBoost, yang dibandingkan dengan metode klasifikasi tunggal Decision Tree. Evaluasi kinerja dilakukan menggunakan metrik seperti precision, recall, F1-score, dan ROC-AUC. Hasil penelitian menunjukkan bahwa XGBoost menghasilkan performa terbaik dengan nilai ROC-AUC sebesar 0,803, serta memiliki stabilitas generalisasi yang tinggi dan risiko overfitting yang rendah. Analisis SHAP mengidentifikasi fitur-fitur penting seperti tenor, plafond, gaji, dan histori tunggakan sebagai penentu utama dalam klasifikasi risiko kredit. Dibandingkan dengan model tunggal Decision Tree (ROC-AUC 0,573), model XGBoost secara signifikan meningkatkan akurasi klasifikasi good dan bad customer, serta berpotensi menurunkan tingkat NPL dari 4% menjadi di bawah 3% dan meningkatkan approval rate dari 65% ke atas 70%, sesuai dengan target Key Performance Indicator (KPI) Produk X. Temuan ini menunjukkan bahwa penerapan model ensemble supervised learning, khususnya XGBoost, memberikan kontribusi strategis dalam peningkatan kualitas portofolio kredit dan pengambilan keputusan yang lebih presisi dalam institusi perbankan digital.