PENERAPAN ALGORITMA DECISION TREE UNTUK KREDIT SKORING DI BANK

Abstract

Dalam perbankan kredit adalah sumber utama penghasilan sekaligus merupakan risiko yang paling tinggi dalam operasional bank. Semakin ketatnya persaingan dalam dunia perbankan terutama dalam pemberian kredit, perbankan kerap kali menghiraukan prinsip kehati-hatian (prudential bank) terutama prinsip 5C (character, capital, capacity, condition, dan collateral). Permasalahan pada salah satu perbankan yaitu Kop. BPR Bumi Arta dimana dalam menentukan kredit skoring untuk pemberian kredit belum menerapkan prinsip kehati-hatian (prudential bank) dalam hal ini prinsip 5C, dari permasalahan tersebut maka diperlukan penerapan algoritma decision tree C4.5 untuk kredit skoring sehingga dapat memberikan prediksi yang lebih akurat tentang kemungkinan calon debitur gagal membayar kewajibannya serta mengurangi risiko kredit bermasalah dan kerugian financial. Metode penelitian yang digunakan adalah model Cross-Standard Industry for Data Mining (CRISP-DM). Dari hasil penelitian ini didapatkan akurasi decision tree C4.5 sebesar 72,73% dari data sebanyak 36 record yang dibagi menjadi dua 70% data training dan 30% data testing.