PENERAPAN MODEL CRISP-DM PADA PREDIKSI NASABAH KREDIT MENGGUNAKAN ALGORITMA RANDOM FOREST

Kredit macet merupakan salah satu permasalahan utama yang dihadapi oleh koperasi simpan pinjam yang dapat mengganggu stabilitas keuangan lembaga. Peningkatan jumlah kredit macet mendorong perlunya solusi yang efektif dalam mengidentifikasi dan memitigasi risiko tersebut. Penelitian ini bertujuan untuk menganalisis dan memprediksi status kelancaran kredit nasabah menggunakan pendekatan machine learning guna meningkatkan akurasi dalam pengambilan keputusan kredit.
Penelitian ini menggunakan metode data mining dengan pendekatan Cross-Industry Standard Process for Data Mining (CRISP-DM) yang meliputi tahap business understanding, data understanding, data preparation, modeling, evaluation, dan deployment. Algoritma yang digunakan adalah Random Forest dengan konfigurasi 10 pohon (trees) dan kedalaman maksimum 5. Dataset yang digunakan terdiri dari 190 data dengan 14 atribut yang mencakup informasi pekerjaan, pendapatan, tagihan, dan status kredit. Pengujian dilakukan menggunakan beberapa skenario pembagian data, yaitu 90:10, 80:20, 70:30, dan 60:40, serta validasi menggunakan teknik cross-validation.
Hasil penelitian menunjukkan bahwa algoritma Random Forest mampu memberikan performa prediksi yang sangat baik dengan akurasi tertinggi sebesar 94,8% pada pembagian data 90:10. Nilai evaluasi lainnya seperti AUC sebesar 0,999, F1-score sebesar 0,974, precision sebesar 0,976, recall sebesar 0,974, serta MCC sebesar 0,961 menunjukkan bahwa model memiliki kemampuan klasifikasi yang sangat kuat. Hasil ini mengindikasikan bahwa algoritma Random Forest efektif dalam memprediksi kredit macet dan dapat digunakan sebagai alat bantu dalam pengelolaan risiko kredit pada koperasi simpan pinjam.