PENERAPAN ALGORITMA DECISION TREE UNTUK MEMPREDIKSI DEFAULT KREDIT
Kata Kunci:
Decision Tree, Default Kredit, Prediksi, Data Mining, Klasifikasi, SMOTEAbstrak
Gagal bayar (default kredit) menjadi tantangan krusial bagi lembaga keuangan akibat potensi kerugian signifikan. Penelitian ini bertujuan menerapkan algoritma Decision Tree untuk memprediksi risiko gagal bayar nasabah berdasarkan data historis kredit dari UCI Machine Learning Repository. Fitur-fitur yang dianalisis mencakup limit kredit, riwayat pembayaran, jumlah tagihan dan pembayaran bulanan, serta umur nasabah. Metodologi meliputi pra-pemrosesan data, penyeimbangan kelas dengan SMOTE, pelatihan model, dan evaluasi performa menggunakan metrik akurasi, precision, recall, dan F1-score. Hasil menunjukkan model Decision Tree mencapai akurasi 91% dengan struktur pohon yang interpretatif. Fitur paling berpengaruh adalah riwayat pembayaran, limit kredit, dan jumlah tagihan bulanan. Tingkat akurasi tinggi dan interpretabilitas yang baik menjadikan model ini alat bantu potensial untuk sistem pengambilan keputusan kredit.
