Penerapan Algoritma Random Forest untuk Prediksi Kelayakan Kredit Pemilikan Rumah
DOI:
https://doi.org/10.32493/joaiia.v7i2.57777Keywords:
Kredit Pemilikan Rumah, KPR, Random Forest, Machine Learning, Prediksi Kelayakan KreditAbstract
Kredit Pemilikan Rumah (KPR) merupakan produk pembiayaan perbankan dengan risiko gagal bayar yang cukup tinggi, sehingga diperlukan proses analisis kelayakan kredit yang akurat dan efisien dari sisi waktu. Proses penilaian KPR secara konvensional umumnya membutuhkan waktu yang relatif lama karena melibatkan banyak kriteria penilaian. Penelitian ini bertujuan untuk menerapkan algoritma Random Forest dalam memprediksi kelayakan pengajuan Kredit Pemilikan Rumah (KPR) guna membantu mempercepat dan meningkatkan kualitas pengambilan keputusan kredit. Data yang digunakan merupakan data sekunder dari Loan Approval Prediction Dataset pada platform Kaggle yang terdiri dari 4.269 data pengajuan kredit. Dataset dibagi dengan proporsi 80% data latih dan 20% data evaluasi. Metode yang digunakan meliputi pengolahan data, eksplorasi data, proses encoding, pembangunan model Random Forest, serta evaluasi kinerja model menggunakan metrik accuracy, precision, recall, F1-score, confusion matrix, dan ROC–AUC. Hasil pengujian menunjukkan bahwa model Random Forest mampu mencapai akurasi sebesar 98.13% dengan nilai AUC sebesar 0.997. Hasil ini menunjukkan bahwa algoritma Random Forest memiliki kemampuan yang sangat baik dalam memprediksi kelayakan KPR dan berpotensi membantu perbankan dalam mempercepat proses evaluasi kredit serta menurunkan risiko kredit macet
References
[1] Aisyah, S. (2024). Loan status prediction using decision tree classifier. Power Elektronik: Jurnal Orang Elektro, 13(1), 68–73.
[2] Andrian, J. V., & Fibriani, C. (2025). Model klasifikasi kelayakan pengajuan kredit bank menggunakan Naïve Bayes. Jurnal Sifo Mikroskil, 26(2), 275–288.
[3] Firmansah, N., Indahyanti, U., & Eriyanti, A. (2023). Prediksi kelayakan pemberian kredit menggunakan metode Random Forest. Jurnal Ilmiah KOMPUTASI, 22(4), 605–610.
[4] Hasibuan, A. M., & Sriani. (2024). Classification of customer loan eligibility using the K-Nearest Neighbor (K-NN) algorithm. MALCOM: Indonesian Journal of Machine Learning and Computer Science, 4(4), 1525–1532.
[5] Mujib, A. (2023). Analisis restrukturisasi pembiayaan KPR pada masa pandemi Covid-19. Jurnal Masharif Al-Syariah: Jurnal Ekonomi dan Perbankan Syariah, 8(3), 716–723.
[6] Pahlevi, O., Amrin, & Handrianto, Y. (2023). Implementasi algoritma klasifikasi Random Forest untuk penilaian kelayakan kredit. Jurnal Infortech, 5(1), 71–78.
[7] Putri, S. E., Astuti, N., & Oktalina, G. (2021). Analisis penerapan prinsip 5C dalam penyaluran kredit pemilikan rumah bersubsidi. Jurnal Ilmiah Progresif Manajemen Bisnis, 8(2), 16–25.
[8] Rachmat. (2020). Prediksi kelayakan kredit kepemilikan rumah menggunakan metode K-NN berbasis forward selection. JESSI (Journal of Embedded Systems and Software Integration), 1(2), 68–73.
[9] Rahman, F. (2025). Implementasi algoritma Support Vector Machine untuk klasifikasi kelayakan kredit nasabah pada perusahaan perbankan. Skripsi Sarjana, Universitas Nasional.
[10] 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.
[11] Géron, A. (2019). Hands-on machine learning with scikit-learn, keras, and tensorflow (2nd ed.). Sebastopol, CA: O’Reilly Media.
[12] Raschka, S., Patterson, J., & Nolet, C. (2020). Machine learning in Python: Main developments and technology trends in data science, machine learning, and artificial intelligence. Information, 11(4), 193.
[13] Fahmi, M. N. (2023). Implementasi machine learning menggunakan Python library: Scikit-Learn (supervised dan unsupervised learning). Sains Data: Jurnal Studi Matematika dan Teknologi, 1(2), 87–96.
[14] Amna, Wahyuddin S., Sudipa, I. G. I., Putra, T. A. E., Wahidin, A. J., Syukrilla, W. A., Wardhani, A. K., Heryana, N., Indriyani, T., & Santoso, L. W. (2023). Data mining. Padang: PT Global Eksekutif Teknologi.
[15] Saputri, E. (2025). Teknik dan aplikasi data mining di Indonesia: Tinjauan literatur satu dekade (2015–2024). IT-EXPLORE: Jurnal Penerapan Teknologi Informasi dan Komunikasi, 4(2), 138–149.
[16] Inonu, O. Y., Magda, K., & Amarudin. (2025). Analisis kinerja algoritma Random Forest dengan model machine learning pada dataset penyakit diabetes. EXPERT: Jurnal Manajemen Sistem Informasi dan Teknologi, 15(1), 1–7.
[17] Iskandar, D. Z. H., & Ramdhani, Y. (2023). Optimasi parameter Random Forest menggunakan Grid Search untuk analisis time series. Fountain of Informatics Journal, 8(2), 67–76.
[18] Hidayati, Z. F. L., Abadi, F., Muliadi, Faisal, M. R., & Kartini, D. (2024). Improving performance of Random Forest algorithm using ABC feature selection for software defect prediction. Jurnal CoreIT, 10(1), 32–39.
[19] Sathyanarayanan, S., Tantri, B. R., & Swaminathan, S. (2024). Confusion matrix-based performance evaluation metrics. African Journal of Biomedical Research, 27(4s), 4023–4031.
[20] Sucahyo, C. B., Rizqini, F. Q., Naufal, A., Yandratama, H., Shiddiqy, J. A., Utama, A. B. P., Putri, N. S. F., & Wibawa, A. P. (2024). Performance analysis of Random Forest on quartile classification. Applied Engineering and Technology, 3(1), 1–15.
