Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal Prosiding Seminar Nasional Teknologi Informasi dan Bisnis
Afiq Muhammad Nur Marzuki
Universitas Duta Bangsa Surakarta
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Electrical & Electronics Engineering Engineering Industrial & Manufacturing Engineering Mechanical Engineering Physics

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
Penerapan Algoritma Random Forest dalam Klasifikasi Persetujuan Pinjaman Menggunakan Dataset Loan Approval Afiq Muhammad Nur Marzuki; Devan Vidhel Azadan; Atik Setyaningih; Satria Abdul Rofiq
Prosiding Seminar Nasional Teknologi Informasi dan Bisnis Prosiding Seminar Nasional Teknologi Informasi dan Bisnis (SENATIB) 2026
Publisher : Fakultas Ilmu Komputer Universitas Duta Bangsa Surakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47701/xry2bm20

Abstract

Operasional lembaga keuangan sangat bergantung pada ketepatan proses persetujuan pinjaman, yang memegang peran sentral dalam penilaian kelayakan kredit serta mitigasi risiko. Studi ini berfokus pada implementasi algoritma Random Forest guna mengkategorikan status persetujuan kredit melalui Loan Approval Dataset. Kami menerapkan kerangka kerja Knowledge Discovery in Database (KDD) yang mencakup tahap seleksi, prapemrosesan, transformasi, penambangan data, serta evaluasi. Data yang diproses melibatkan lima atribut prediktor yaitu Age, Gender, Income, LoanAmount, dan CreditScore, dengan Loan_Status sebagai variabel target yang mencakup klasifikasi Approved serta Rejected. Model dikembangkan melalui algoritma Random Forest dengan pembagian komposisi 80% untuk pelatihan dan 20% untuk pengujian. Evaluasi kinerja menghasilkan Accuracy 95,00%, Precision 95,89%, Recall 97,22%, serta F1-Score 96,55%, yang mengindikasikan tingkat performa klasifikasi yang optimal. Analisis Feature Importance mengungkapkan bahwa CreditScore adalah variabel paling dominan yang memengaruhi keputusan kredit, disusul oleh Income dan LoanAmount. Lebih lanjut, model ini telah diintegrasikan ke dalam sistem berbasis Streamlit, yang berfungsi sebagai perangkat pendukung keputusan untuk mempercepat analisis persetujuan pinjaman secara objektif serta efisien.
Co-Authors Atik Setyaningih Devan Vidhel Azadan Satria Abdul Rofiq