PENERAPAN ALGORITMA DECISION TREE UNTUK MEMPREDIKSI RISIKO KREDIT PADA NASABAH BANK
IMPLEMENTATION OF THE DECISION TREE ALGORITHM TO PREDICT CREDIT RISK FOR BANK CUSTOMERS
DOI:
https://doi.org/10.52972/hoaq.vol16no2.p241-246Keywords:
credit scoring, decision tree, klasifikasi, overfitting, risiko kreditAbstract
Risiko terjadinya kredit macet merupakan salah satu permasalahan utama yang dihadapi oleh lembaga keuangan dalam aktivitas pemberian pinjaman. Untuk mengurangi potensi risiko tersebut, diperlukan suatu sistem prediktif yang mampu mengidentifikasi calon debitur dengan tingkat risiko gagal bayar secara dini. Penelitian ini bertujuan untuk merancang dan membangun model prediksi risiko kredit pada nasabah bank dengan menerapkan algoritma Decision Tree. Data yang digunakan mencakup informasi historis nasabah, antara lain pendapatan, besaran cicilan, uang muka, usia, tagihan listrik dan telepon, keberadaan rekening tabungan, serta jangka waktu pinjaman. Metodologi penelitian meliputi tahap prapemrosesan data, pelatihan model Decision Tree, dan penerapan teknik pruning serta sampling guna mengatasi permasalahan overfitting dan ketidakseimbangan kelas data. Hasil yang diperoleh menunjukkan bahwa model yang dikembangkan mampu mengklasifikasikan risiko kredit secara akurat dan menyajikan hasil yang mudah diinterpretasikan. Penelitian ini diharapkan dapat memberikan kontribusi bagi lembaga keuangan dalam meningkatkan akurasi, efisiensi, dan objektivitas proses penilaian kelayakan kredit.
Credit default risk is one of the major challenges faced by financial institutions in the loan disbursement process. To mitigate this risk, a predictive system is required to identify potential borrowers with a high risk of default at an early stage. This study aims to design and develop a credit risk prediction model for bank customers using the Decision Tree algorithm. The dataset used includes historical customer information such as income, installment amount, down payment, age, utility bills (electricity and telephone), savings account status, and loan term. The research methodology involves data preprocessing, model training using the Decision Tree algorithm, and the application of pruning and sampling techniques to address issues related to overfitting and class imbalance. The results demonstrate that the developed model is capable of accurately classifying credit risk and provides easily interpretable outcomes. This study is expected to contribute to enhancing the accuracy, efficiency, and objectivity of creditworthiness assessments in financial institutions.
References
Kementrian Keuangan, “Undang-Undang Republik Indonesia Nomor 10 Tahun 1998 Tentang Perubahan Atas Undang-Undang Nomor 7 Tahun 1992 Tentang Perbankan,” Lembaran Negara Republik Indonesia, p. pasal 1 ayat 2, 1998, [Online]. Available: http://www.bphn.go.id/data/documents/98uu010.pdf.
Suryadi, Hozeng, and S. K. Aisa, “Aplikasi Data Mining dengan Menggunakan Metode Decision Tree Untuk Prediksi Penentuan Resiko Kredit,”, SISITI : Seminar Ilmiah Sistem Informasi Dan Teknologi Informasi, vol. V, no. 2, pp. 1–10, Aug. 2016, doi: 10.36774/sisiti.v5i2.159.
M. F. R. Aditya, N. Lutvi, and U. Indahyanti, “Prediksi Penyakit Hipertensi Menggunakan Metode Decison Tree dan Random Forest,” Jurnal Ilmu Komputasi, vol. 23, no. 1, pp. 9–16, 2024, doi: 10.32409/jikstik.23.1.3503.
I. Siti Aisah, B. Irawan, and T. Suprapti, “Algoritma Support Vector Machine (SVM) Untuk Analisis Sentimen Ulasan Aplikasi Al Qur’an Digital,” JATI (Jurnal Mahasiswa Teknik Informatika)., vol. 7, no. 6, pp. 3759–3765, 2024, doi: 10.36040/jati.v7i6.8263.
Y. D. Pristanti and F. Windana, “Pengembangan Metode Neural Networks untuk Menentukan Karakter Seseorang,” Jurnal STT STIKMA Internasional., vol. 6, no. 1, pp. 9–27, 2015. Available [online]: https://jurnal.stikma.ac.id/index.php/jssi/article/view/11.
M. R. Qisthiano, P. A. Prayesy, and I. Ruswita, “Penerapan Algoritma Decision Tree dalam Klasifikasi Data Prediksi Kelulusan Mahasiswa”, Jurnal Teknologi Terapan G-Tech, vol. 7, no. 1, pp. 21–28, Jan. 2023, doi: 10.33379/gtech.v7i1.1850.
A. Febriani and V. Anggraini, “Implementasi Algoritma Decision Tree (J.48) untuk Memprediksi Resiko Kredit pada BMT,” Tekinfo Jurnal Ilmiah Teknik Industri dan Informasi, vol. 9, no. 2, pp. 91–99, 2021, doi: 10.31001/tekinfo.v9i2.904.
C. N. Syahputri, M. S. Hasibuan, "Optimasi Klasifikasi Decision Tree dengan Teknik Pruning Untuk Mengurangi Overfitting," JSiI (Jurnal Sistem Informasi), vol. 11, no. 2, pp. 87–96, 2024, doi: 10.30656/jsii.v11i2.9161.
K. Wang, L. Wang, and J. Sun, “The Data Analysis of Sports Training by ID3 Decision Tree Algorithm and Deep Learning,” Scientific Reports., vol. 15, no. 1, pp. 1–11, 2025, doi: 10.1038/s41598-025-99996-5.
P. Khosravi, A. Vergari, Y. Choi, Y. Liang, and G. Van den Broeck, “Handling Missing Data in Decision Trees: A Probabilistic Approach,” 2020, [Online]. Available: http://arxiv.org/abs/2006.16341
R. Pandya and J. Pandya, “C5. 0 Algorithm to Improved Decision Tree with Feature Selection and Reduced Error Pruning,” International Journal of Computer Applications, vol. 117, no. 16, pp. 18–21, 2015, doi: 10.5120/20639-3318.
J. M. Klusowski, “Sparse learning with CART,” Conference on Neural Information Processing Systems (NeurIPS 2020), pp. 1-22, Nov. 2020. doi: 10.48550/arXiv.2006.04266
V. M. Herrera, T. M. Khoshgoftaar, F. Villanustre, and B. Furht, Random forest implementation and optimization for Big Data analytics on LexisNexis’s high performance computing cluster platform, vol. 6, no. 1. Springer International Publishing, 2019. doi: 10.1186/s40537-019-0232-1.
D. Brati?, P. Miljkovi?, D. Jure?i?, and T. Grabari?, “AI-Driven Random Forest Model and the Six Sigma Approach for Enhancing Offset Printing Process and Product Quality,” Applied Sciences, vol. 15, no. 5, pp. 2266-2299, 2025, doi: 10.3390/app15052266.
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2025 HOAQ (High Education of Organization Archive Quality) : Jurnal Teknologi Informasi
This work is licensed under a Creative Commons Attribution 4.0 International License.
Jurnal HOAQ (High Education of Organization Archive Quality) : Jurnal Teknologi Informasi diterbitkan berdasarkan lisensi Creative Commons Attribution 4.0 International License (CC BY 4.0). Lisensi ini memungkinkan setiap orang untuk Berbagi: menyalin dan mendistribusikan kembali materi ini dalam format atau bentuk apapun; Adaptasi: merombak, mengubah, dan membuat turunan dari materi ini untuk keperluan apa pun, termasuk keperluan komersial, asalkan mereka memberikan pengakuan kepada Penulis Asli atas hasil karya aslinya.
