ANALISIS KLASIFIKASI STATUS PINJAMAN NASABAH DENGAN METODE DECISION TREE

Abstrak

Penilaian kelayakan pinjaman nasabah merupakan langkah penting dalam sektor keuangan untuk mengurangi risiko terjadinya kredit macet (Non-Performing Loan). Kesalahan dalam menentukan status pinjaman dapat menyebabkan peningkatan risiko keuangan dan kerugian bagi institusi keuangan. Oleh karena itu, pendekatan yang didasarkan pada data sangat dibutuhkan untuk mendukung pengambilan keputusan yang objektif dan tepat. Penelitian ini bertujuan untuk mengevaluasi klasifikasi status pinjaman nasabah dengan menggunakan metode Decision Tree. Dataset yang digunakan diperoleh dari platform Kaggle dan mencakup karakteristik demografi serta keuangan nasabah, seperti usia, jenis pekerjaan, tingkat pendidikan, jumlah pinjaman, durasi pinjaman, tujuan pinjaman, dan status pinjaman sebagai variabel target. Proses penelitian terdiri dari pemahaman data, pra-pemrosesan data, pembangunan model klasifikasi, dan evaluasi kinerja model. Pra-pemrosesan data mencakup pemeriksaan struktur data, penanganan nilai hilang, transformasi data kategorikal, dan pembagian data menjadi set data latih dan uji. Model Decision Tree dibangun dengan menggunakan algoritma Decision Tree Classifier dengan parameter tertentu untuk menghindari overfitting. Evaluasi model dilakukan dengan menggunakan confusion matrix, akurasi, presisi, recall, dan skore f1. Hasil penelitian menunjukkan bahwa model Decision Tree berhasil mengklasifikasikan status pinjaman nasabah dengan akurasi mencapai 83,75%. Model ini juga menghasilkan aturan keputusan yang mudah dipahami dan diinterpretasikan. Oleh karena itu, metode Decision Tree dianggap cukup efektif sebagai sistem pendukung keputusan awal dalam proses penyaluran pinjaman di lembaga keuangan.

Customer loan eligibility assessment is an important process in the financial sector to reduce the risk of non-performing loans (NPL). Errors in determining loan status can lead to increased financial risk and losses for financial institutions. Therefore, a data-driven approach is highly required to support objective and accurate decision-making. This study aims to evaluate the classification of customer loan status using the Decision Tree method. The dataset used in this research was obtained from the Kaggle platform and includes customers’ demographic and financial characteristics, such as age, job type, education level, loan amount, loan duration, loan purpose, and loan status as the target variable. The research process consists of data understanding, data preprocessing, classification model development, and model performance evaluation. Data preprocessing includes data structure inspection, handling missing values, transformation of categorical variables, and splitting the dataset into training and testing sets. The Decision Tree model was developed using the Decision Tree Classifier algorithm with specific parameter settings to prevent overfitting. Model evaluation was conducted using a confusion matrix, accuracy, precision, recall, and f1-score. The results show that the Decision Tree model successfully classified customer loan status with an accuracy of 83.75%. In addition, the model generates interpretable decision rules that can be easily understood. Therefore, the Decision Tree method is considered effective as an initial decision-support system for loan approval processes in financial institutions.