PENERAPAN ALGORITMA DECISION TREE UNTUK KLASIFIKASI PERSETUJUAN PINJAMAN SEBAGAI PENDUKUNG PENGAMBILAN KEPUTUSAN RISIKO KREDIT

Moammar Iqbal; Irfan Ali; Bani Nurhakim; Puji Pramudya Marta

Authors

Moammar Iqbal STMIK IKMI Cirebon, Indonesia
Irfan Ali STMIK IKMI Cirebon, Indonesia
Bani Nurhakim STMIK IKMI Cirebon, Indonesia
Puji Pramudya Marta STMIK IKMI Cirebon, Indonesia

Keywords:

Klasifikasi Persetujuan Pinjaman, Decision Tree, CRISP-DM, Optimasi Parameter, Pengambilan Keputusan

Abstract

Persaingan dalam pemberian kredit menuntut lembaga keuangan melakukan penilaian kredit yang cepat, objektif, dan dapat dipertanggungjawabkan untuk meminimalkan risiko kredit. Salah satu akar masalah yang sering ditemui adalah ketergantungan pada penilaian subjektif sehingga konsistensi dan transparansi keputusan sulit dijaga. Penelitian ini membahas penerapan model klasifikasi untuk mendukung pengambilan keputusan persetujuan pinjaman dengan tujuan meningkatkan objektivitas dan konsistensi penilaian risiko kredit. Akar permasalahan yang diidentifikasi adalah ketergantungan praktik penilaian manual yang rentan terhadap subjektivitas sehingga meningkatkan risiko kredit bermasalah; oleh karena itu penelitian ini menggunakan data historis dari Kaggle (sampel 10.000 entri) dan kerangka kerja CRISP-DM untuk membangun model Decision Tree yang dapat dijelaskan. Proses meliputi penyesuaian tipe data, pembuatan identifier, penetapan peran atribut, optimasi parameter melalui grid search, serta evaluasi dengan cross-validation. Hasil menunjukkan model Decision Tree teroptimasi mencapai akurasi 90,93%; precision dan recall untuk kelas “disetujui” masing-masing 87,70% dan 69,67%, sedangkan untuk kelas “tidak disetujui” precision 91,64% dan recall 97,14%. Atribut yang dominan berkontribusi meliputi riwayat gagal bayar, rasio pinjaman terhadap pendapatan, suku bunga, kepemilikan rumah, dan pendapatan. Model ini menghasilkan aturan if–then yang praktikabel untuk kebijakan auto-decline dan pemeriksaan lanjutan, sehingga menawarkan keseimbangan antara kinerja prediktif dan interpretabilitas; namun diperlukan perhatian terhadap ketidakseimbangan kelas sebelum penerapan operasional.

References

V. Chang, S. Sivakulasingam, H. Wang, S. T. Wong, M. A. Ganatra, and J. Luo, “Credit risk prediction using machine learning and deep learning: A study on credit card customers,” Risks, vol. 12, no. 11, p. 174, 2024, doi: 10.3390/risks12110174.

E. Dumitrescu, S. Hué, C. Hurlin, and S. Tokpavi, “Machine learning for credit scoring: Improving logistic regression with non-linear decision-tree effects,” European Journal of Operational Research, vol. 297, no. 3, pp. 1178–1192, 2022, doi: 10.1016/j.ejor.2021.06.053.

Y. Chen, R. Calabrese, and B. Martin-Barragán, “Interpretable machine learning for credit scoring datasets,” European Journal of Operational Research, vol. 312, no. 2, pp. 357–372, 2024, doi: 10.1016/j.ejor.2023.06.036.

I. D. Mienye, Y. Sun, and Z. Wang, “Prediction performance of improved decision tree-based algorithms: A review,” Procedia Manuf., vol. 35, pp. 698–703, 2019, doi: 10.1016/j.promfg.2019.06.011.

J. R. Quinlan, “Induction of decision trees,” Mach. Learn., vol. 1, pp. 81–106, 1986.

Nadia Tiara Rahman, “ANALISA ALGORITMA DECISION TREEDAN NAÏVE BAYESPADA PASIEN PENYAKIT LIVER,” Jurnal Fasilkom, 2020.

C. C. Chern, “A decision tree classifier for credit assessment problems in big data environments,” Information Systems Frontiers, 2021, doi: 10.1007/s10257-021-00511-w.

D. Haganta Depari et al., “Perbandingan Model Decision Tree, Naive Bayes dan Random Forest untuk Prediksi Klasifikasi Penyakit Jantung,” JURNAL INFORMATIK Edisi ke, vol. 18, p. 2022.

I. Setiawati, A. P. Wibowo, A. Hermawan, M. Teknologi, I. Universitas, and T. Yogyakarta, “IMPLEMENTASI DECISION TREE UNTUK MENDIAGNOSIS PENYAKIT LIVER,” 2019.

H. Acuña-Cid, “Integration of the CRISP-DM Model with Network Analysis,” MDPI, 2025, doi: 10.3390/someDOI.