Model Klasifikasi Decision Tree dalam Menentukan Eligibilitas Nasabah Pinjaman Menggunakan Algoritma C4.5

Abstract

Penurunan suku bunga acuan sebesar 0,25% oleh The Federal Reserve (The Fed) memicu peningkatan permintaan kredit secara global. Kebijakan ini mendorong perputaran modal di sektor keuangan serta menimbulkan tantangan bagi pihak perbankan dalam menjaga perkembangan ekonomi global. Kondisi ini menuntut lembaga keuangan untuk dapat menilai kelayakan nasabah lebih bijak agar risiko kredit macet dapat diminimalisir. Penelitian ini bertujuan untuk membangun model klasifikasi menggunakan algoritma C4.5 dalam menentukan eligibilitas nasabah pinjaman kredit. Populasi dalam penelitian ini adalah calon nasabah yang mengajukan pinjaman di HDFC Bank Ltd, salah satu bank terbesar di India, dengan jumlah sampel acak sebanyak 3.192 entri. Metode yang digunakan adalah pendekatan kuantitatif dengan penerapan data mining berbasis decision tree melalui perangkat lunak RapidMiner. Hasil pengujian menunjukkan bahwa algoritma C4.5 berhasil membentuk model klasifikasi dengan variabel paling berpengaruh yaitu Credit History dengan niai information gain sebesar 1,096930. Berdasarkan confusion matrix, model memperoleh akurasi 98%, dengan recall masing-masing 99,08% (Approved) dan 97,11% (Rejected). Precision yang dihasilkan adalah 96,85% untuk Approved dan 99,16% untuk Rejected. Berdasarkan hasil tersebut, algoritma C4.5 dapat membantu pihak perbankan dalam proses analisis kelayakan nasabah secara lebih objektif dan efisien, sehingga berpotensi mendukung perputaran ekonomi nasional melalui penyaluran kredit yang lebih tepat sasaran. Meskipun data yang digunakan merupakan simulasi dari lembaga keuangan di India, hasil penelitian ini diharapkan dapat menjadi referensi awal bagi penerapan sistem serupa pada lembaga keuangan serupa.

GS Cited Analysis