IMPLEMENTASI RANDOM FOREST UNTUK KLASIFIKASI KELAYAKAN KREDIT NASABAH DALAM PENGELOLAAN RISIKO KEUANGAN DI PT BPR BKK WONOGIRI

Tariska Indah Rahmawati; Irma Handayani

doi:10.31539/fpfbxw26

Authors

Tariska Indah Rahmawati Universitas Teknologi Yogyakarta
Irma Handayani Universitas Teknologi Yogyakarta

DOI:

https://doi.org/10.31539/fpfbxw26

Abstract

Tingginya tingkat Non-Performing Loan (NPL) menjadi tantangan besar bagi lembaga keuangan, termasuk PT. BPR BKK Wonogiri, karena dapat mengganggu stabilitas keuangan dan kepercayaan nasabah. Penelitian ini bertujuan untuk mengklasifikasikan kelayakan kredit nasabah menggunakan algoritma Random Forest sebagai metode utama. Data penelitian mencakup variabel-variabel penting seperti umur, pekerjaan, pendapatan, jumlah pinjaman, dan lama pinjaman. Proses penelitian meliputi tahap pra-pemrosesan data, pelatihan model, serta evaluasi performa menggunakan confusion matrix dan classification report. Hasil menunjukkan bahwa model Random Forest mampu mencapai tingkat akurasi sebesar 82%, dengan kemampuan yang baik dalam membedakan nasabah layak dan tidak layak kredit. Kesimpulannya, penerapan algoritma Random Forest dapat membantu pihak bank dalam pengambilan keputusan kredit yang lebih tepat dan mengurangi potensi risiko kredit bermasalah.

Kata Kunci:Random Forest, Klasifikasi, Kelayakan Kredit, Risiko Keuangan, Non-Performing Loan

References

Amrin, A., Pahlevi, O., & Rianto, H. (2025). Analisa Komparasi Model Data Mining Algoritma C4.5, CHAID, dan Random Forest Untuk Penilaian Kelayakan Kredit.

Chairunnisa, N., & Wahyono, H., Trianto, J., & Permana, D. S. (2025). Prediksi Kemampuan Pembayaran Klien Home Credit Menggunakan Model Random Forest, Decision Tree, dan Logistic Regression. Jurnal Elektronika dan Teknik Informatika Terapan (JENTIK).

Fadillah, A. R., & Fauzan, M. N. (2025). Prediction of People’s Business Credit Loan Acceptance Using Machine Learning Model: Application of Random Forest Algorithm. IT Journal Research and Development.

Ulandari, K. P., Chamidah, N., & Kurniawan, A. (2024). Prediksi Risiko Gagal Bayar Kredit Kepemilikan Rumah dengan Pendekatan Metode Random Forest. Sainsmat: Jurnal Ilmiah Ilmu Pengetahuan Alam, 13(2), 162-170.

Wulansari, W., & Purwitasari, D. (2023). Algoritma Random Forest pada Prediksi Status Kredit Usaha Rakyat untuk Mengurangi Nonperforming Loan Rate. INSYST: Journal of Intelligent System and Computation, 5(2), 109-114.

Widjiyati, N. (2021). Implementasi Algoritme Random Forest Pada Klasifikasi Dataset Credit Approval. Jurnal Janitra Informatika dan Sistem Informasi, 1(1), 1-7. Syukron, A., & Subekti, A. (2018). Penerapan Metode Random Over-Under Sampling dan Random Forest untuk Klasifikasi Penilaian Kredit. Jurnal Informatika, 5(2), 175-185.

Permadani, I. W., Sulistyo, R., Fadli, M., & Susanto, E. R. (2023). Prediksi Risiko Kredit Nasabah Menggunakan Algoritma Data Mining: Studi Kasus pada PT Toyota Astra Finance. Progresif: Jurnal Ilmiah Komputer, 21(2).

Fauziah, A. (2025). Optimizing Credit Scoring Performance Using Ensemble Feature Selection with Random Forest. Jurnal Matematika, Statistika dan Komputasi, 21(2), 560-572.

Firmansah, N., Indahyanti, U., & Eviyanti, A. (2024). Prediksi Kelayakan Pemberian Kredit Menggunakan Metode Random Forest. Jurnal Ilmiah Komputasi, 22(4), 605–610.

Saputra, D. B., Atina, V., & Eli Nastiti, F. (2024). Penerapan Model CRISP-DM pada Prediksi Nasabah Kredit Menggunakan Algoritma Random Forest. Indonesia Journal of Information System, 7(2).

Nihlahhania, Z. R., & Wasesa, M. (2024). Enhancing Credit Scoring Prediction in Islamic Banking with Random Forest Machine Learning Model: The Role of Marital Status. Jurnal Ilmiah Manajemen, Ekonomi, & Akuntansi (MEA), 9(2).

Prodi, A. F. (2024). Optimizing Credit Scoring Performance Using Ensemble Feature Selection with Random Forest. Jurnal Matematika, Statistika dan Komputasi, 21(2).

Hazizah, N., Sharipuddin, & Feranika, A. (2025). Implementasi Algoritma Random Forest dalam Klasifikasi Risiko Gagal Bayar Kartu Kredit pada Nasabah Bank. Jurnal Manajemen Teknologi dan Sistem Informasi (JMS), 5(1), 1050–1059.