Implementasi Algoritma Random Forest Dalam Klasifikasi Risiko Gagal Bayar Kartu Kredit Pada Nasabah Bank
DOI:
https://doi.org/10.33998/jms.2025.5.1.2384Kata Kunci:
Random Forest; Klasifikasi Risiko Kredit; Gagal Bayar; Kartu Kredit; Nasabah Bank; Machine LearningAbstrak
Situasi keuangan klien yang tidak stabil atau manajemen keuangan yang buruk merupakan penyebab umum risiko gagal bayar kartu kredit, yang merupakan masalah besar bagi industri perbankan. Tujuan dari penelitian ini adalah untuk menggunakan algoritma Random Forest untuk mengkategorikan risiko gagal bayar kartu kredit klien bank. Metode yang digunakan mencakup pengumpulan data, preprocessing, pelatihan model, evaluasi, dan analisis faktor penting menggunakan dataset publik yang berisi 30.000 data. Temuan penelitian menunjukkan bahwa algoritma Random Forest mencapai tingkat akurasi 81% dalam hal penilaian risiko gagal bayar. Algoritma tersebut secara signifikan dipengaruhi oleh kriteria utama seperti riwayat pembayaran sebelumnya, batas kredit, dan jumlah tagihan. Meskipun model menunjukkan performa yang baik untuk nasabah yang tidak gagal bayar, tantangan tetap ada pada klasifikasi nasabah yang gagal bayar, terutama karena ketidakseimbangan data. Selain meletakkan dasar untuk perbaikan model di masa mendatang, penelitian ini menunjukkan bahwa metode Random Forest berguna untuk membantu pengambilan keputusan sektor perbankan.
Unduhan
Referensi
Y. I. Kurniawan and T. I. Barokah, 2020, “Klasifikasi Penentuan Pengajuan Kartu Kredit Menggunakan K-Nearest Neighbor,” Jurnal Ilmiah MATRIK, vol. 22, no. 1, pp. 73–82.
M. Fauzan, 2017, “Gaya Hidup Nasabah dan Keputusan Dalam Penggunaan Kartu Kredit,” Esensi: Jurnal Bisnis dan Manajemen, vol. 7, no. 2, pp. 181–192, doi: 10.15408/ess.v7i2.4987.
D. J. Ardha, 2020, “Analisis Kasus Pemalsuan Kartu Kredit Sebagai Bentuk Tindak Pidana Perbankan,” Jurnal Hukum Doctrinal, vol. 5, no. 2, pp. 245–263.
H. Wihasto, 2024, “Analisis Pembiayaan Macet Pada Pembiayaan Tanpa Agunan ( PTA) dengan Crediet Card ( Studi Kasus Di Bank Syariah Indonesia Di Yogyakarta),” Indonesian Journal of Innovation Science and Knowledge, vol. 1, no. 3, pp. 208–219.
Amelda Sinaga, SS and Prof. Dr. Adler Manurung, ME.,M, Com, 2020, “Analisis Risiko 5 C Terhadap Kinerja Kartu Kredit Bca,” Jurnal Manajemen Risiko, vol. 1, no. I, pp. 69–92, doi: 10.33541/mr.v1ii.1968.
O. Pahlevi, A. Amrin, and Y. Handrianto, 2023, “Implementasi Algoritma Klasifikasi Random Forest Untuk Penilaian Kelayakan Kredit,” Jurnal Infortech, vol. 5, no. 1, pp. 71–76, doi: 10.31294/infortech.v5i1.15829.
F. A. Putri Prasetya and P. H. Prima Rosa, 2024, “Klasifikasi Kegagalan Pembayaran Kredit Nasabah Bank dengan Algoritma XGBoost,” Seminar Nasional Informatika Bela Negara (SANTIKA), vol. 4, no. 1, pp. 366–371.
S. F. Syah Reza and W. Cholil, 2023, “Implementasi Algoritma Random Forest Terhadap Prediksi Good Loan/Bad Loan Kredit Nasabah Bank Di Jakarta,” Seminar Nasional Mahasiswa Bidang Ilmu Komputer dan Aplikasinya (SENAMIKA), vol. 4, no. 2, pp. 535–543.
K. P. Ulandari, N. Chamidah, and A. Kurniawan, 2024, “Prediksi risiko gagal bayar kredit kepemilikan rumah dengan pendekatan metode random forest,” SAINSMAT : Jurnal Ilmiah Ilmu Pengetahuan alam, vol. 13, no. 2, pp. 162–170.
R. Armiani and E. P. Agustini, 2022, “Analisa Fraud Pada Transaksi Kartu Kredit Menggunakan Algoritma Random Forest,” Jurnal Teknologi Informasi dan Terapan, vol. 9, no. 2, pp. 118–126, doi: 10.25047/jtit.v9i2.297.
M. Afifudin and A. M. Rizki, 2023, “Analisis Perbandingan Penggunaan Model Machine Learning Pada Kasus Deteksi Kemampuan Calon Klien Dalam Membayar Kembali Pinjaman,” Scan : Jurnal Teknologi Informasi dan Komunikasi, vol. 18, no. 2, pp. 32–36, doi: 10.33005/scan.v18i2.3623.
M. H. Setiono, 2022, “KOMPARASI ALGORITMA DECISION TREE, RANDOM FOREST, SVM DAN K-NN DALAM KLASIFIKASI KEPUASAN PENUMPANG MASKAPAI PENERBANGAN,” Inti Nusa Mandiri, vol. 17, no. 1, pp. 32–39.
D. B. Saputra, V. Atina, and F. E. Nastiti, 2024, “PENERAPAN MODEL CRISP-DM PADA PREDIKSI NASABAH KREDIT MENGGUNAKAN ALGORITMA RANDOM FOREST Dwi,” Idealis: Indonesia Journal Information System Volume, vol. 7, no. 2, pp. 240–247.
A. Primajaya and B. N. Sari, 2018, “Random Forest Algorithm for Prediction of Precipitation,” Indonesian Journal of Artificial Intellience and Data Mining (IJAIDM), vol. 1, no. 1, pp. 27–31, doi: 10.24014/ijaidm.v1i1.4903.
W. Andriyani et al., 2024, PERANGKAT LUNAK DATA MINING, Jawa Barat: Penerbit WIDINA MEDIA UTAMA.
L. Ratnawati and D. R. Sulistyaningrum, 2019, “Penerapan Random Forest untuk Mengukur Tingkat Keparahan Penyakit pada Daun Apel,” Jurnal Sains dan Seni ITS, vol. 8, no. 2, pp. 2337–3520, doi: 10.12962/j23373520.v8i2.48517.
A. Agung, A. Daniswara, I. Kadek, and D. Nuryana, 2023, “Data Preprocessing Pola Pada Penilaian Mahasiswa Program Profesi Guru,” Journal of Informatics and Computer Science, vol. 05.
