<![CDATA[Persetujuan pinjaman merupakan aspek kritis dalam industri keuangan yang mempengaruhi kelancaran operasional bank dan lembaga keuangan. Namun, proses evaluasi permohonan pinjaman seringkali memakan waktu dan rawan kesalahan manusia. Oleh karena itu, diperlukan sistem prediksi yang efektif untuk meningkatkan akurasi dan efisiensi persetujuan pinjaman. Penelitian ini bertujuan untuk mengembangkan model prediksi persetujuan pinjaman menggunakan dataset Loan Approval dengan menerapkan algoritma klasifikasi. Masalah yang dihadapi adalah bagaimana mengidentifikasi faktor-faktor penting yang mempengaruhi persetujuan pinjaman dan membangun model yang dapat memprediksi hasil dengan tingkat akurasi yang tinggi. Metode yang digunakan dalam penelitian ini melibatkan pengumpulan dan praproses data, eksplorasi data untuk memahami distribusi dan karakteristiknya, serta penerapan berbagai algoritma klasifikasi seperti Logistic Regression, Decision Tree, dan Random Forest. Model yang dibangun kemudian dievaluasi menggunakan metrik kinerja seperti akurasi, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa algoritma Random Forest memberikan kinerja terbaik dengan akurasi mencapai 85%, precision 83%, recall 82%, dan F1-score 82%. Temuan ini menunjukkan bahwa penggunaan algoritma klasifikasi dapat membantu lembaga keuangan dalam membuat keputusan persetujuan pinjaman yang lebih tepat dan efisien, sehingga dapat mengurangi risiko kredit macet dan meningkatkan kepuasan pelanggan. Penelitian ini memberikan kontribusi penting dalam bidang teknologi keuangan dengan mengusulkan model prediksi yang dapat diimplementasikan dalam sistem penilaian kredit yang lebih cerdas dan responsif.]]>
Copyrights © 2025
