P2P (Peer-to-peer) lending sebagai salah satu pilihan yang populer di kalangan peminjam swasta, usaha kecil, dan UMKM karena kemampuannya untuk memberikan akses langsung ke pinjaman tanpa persyaratan ketat yang diberlakukan oleh bank tradisional dan lembaga keuangan. Namun, P2P lending juga menghadapi tantangan besar dalam hal risiko kredit, yang menyebabkan tingkat kegagalan pembayaran pinjaman yang tinggi. Penelitian ini bertujuan untuk mengembangkan sistem deteksi risiko kredit dengan menggunakan data pinjaman dari perusahaan Bondora dan mengaplikasikan salah satu algoritma gradient boosting, yakni metode CatBoost (Categorical Boosting). Kinerja algoritma CatBoost dievaluasi menggunakan kurva ROC (Receiver Operating Characteristics) dan AUC (Area Under Curve). Lima skenario dilakukan, dan hasilnya menunjukkan bahwa skenario 2, dengan rasio pemisahan data 90:10, mencapai hasil terbaik dengan nilai AUC 0,804600. Skenario 2 ini lebih unggul dibandingkan dengan skenario 1 (rasio pemisahan data 80:20 dengan nilai AUC sekitar 0,791485), skenario 3 (rasio pemisahan data 70:30 dengan nilai AUC sekitar 0,781475), skenario 4 (rasio pemisahan data 80:10 dengan nilai AUC sekitar 0,795319), dan skenario 5 (rasio pemisahan data 70:10 dengan nilai AUC sekitar 0,790287). Pemilihan hyperparameter yang sesuai dan pembagian data latih dengan rasio yang besar dapat meningkatkan kinerja metode CatBoost dalam mengidentifikasi risiko kredit pada P2P lending.