Penerapan Algoritma Random Forest dalam Klasifikasi Persetujuan Pinjaman Menggunakan Dataset Loan Approval

Afiq Muhammad Nur Marzuki (Universitas Duta Bangsa Surakarta)
Devan Vidhel Azadan (Universitas Duta Bangsa Surakarta)
Atik Setyaningih (Universitas Duta Bangsa Surakarta)
Satria Abdul Rofiq (Universitas Duta Bangsa Surakarta)

Prosiding Seminar Nasional Teknologi Informasi dan Bisnis
Prosiding Seminar Nasional Teknologi Informasi dan Bisnis (SENATIB) 2026

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.