Algoritma Decision Tree Dengan Menggunakan Pruning dan Missing Value Untuk Prediksi Kredit Macet

Abstract

Sebagai industri yang mempunyai perkambangan sangat pesat yang di ikuti dengan resiko kredit pada setiap kegiatan usaha perbankan. Kredit merupakan penghasilan utama dari sebuah perbankan dan juga merupakan sumber resiko terbesar karena sebagian besar dana operasional bank berputar dalam bentuk kredit. Proses data nasabah, data jaminan hingga pada  proses pengambilan keputusan menjadi peran penting untuk menekan dan mengurangi resiko bagi pihak pengajuan kredit. Syarat perbankan menjadi indikator pemberian pinjaman kepada nasabah agar layanan yang diberikan tepat dan tidak memberikan efek buruk pada manajemen bank , misalnya kredit macet [2]. Tujuan dari penelitian ini adalah untuk memprediksi tingkat resiko kredit yang terjadi pada sebuah perbankan. Berdasarkan beberapa metode yang telah diusulkan dan telah dilakukan prediksi kredit macet, menghasilkan nilai akurasi terendah. Dalam penelitian ini menggunakan metode pruning pada missing value dengan menerapkan Algoritma decision tree untuk prediksi kredit macet dengan jumlah dataset sebanyak732 record dengan 11 variabel dan terdapat data yang tidak lengkap (missing value) pada salah satu variable dataset kredit macet. Pada pengujian algoritma decision tree dengan metode pruning berhasil meningkatkan nilai akurasi menjadi 75.80%, sedangkan algoritma decision tree tanpa metode pruning hasil akurasinya adalah 72.61%.