Analisis Komparatif Model Logistic Regression dan Decision Tree dalam Memprediksi Risiko Kredit

Abstract

Risiko kredit merupakan salah satu permasalahan utama dalam pemberian pinjaman karena berpotensi menimbulkan kredit macet yang dapat merugikan lembaga keuangan. Oleh karena itu, diperlukan model prediksi risiko kredit yang akurat dan mudah diinterpretasikan. Penelitian ini bertujuan membandingkan kinerja algoritma Logistic Regression dan Decision Tree dalam memprediksi risiko kredit debitur. Penelitian menggunakan pendekatan kuantitatif dengan metode eksperimen berbasis machine learning menggunakan data sekunder German Credit Dataset. Sebanyak 50 observasi digunakan sebagai sampel penelitian dan dibagi menjadi data latih sebesar 80% serta data uji sebesar 20%. Tahapan penelitian meliputi prapemrosesan data, pembangunan model klasifikasi, serta evaluasi menggunakan confusion matrix, accuracy, precision, recall, F1-score, dan AUC-ROC. Hasil penelitian menunjukkan bahwa kedua model menghasilkan nilai accuracy, precision, recall, dan F1-score yang sama, namun Logistic Regression memperoleh nilai AUC-ROC lebih tinggi sebesar 1,000 dibandingkan Decision Tree sebesar 0,833. Hasil tersebut menunjukkan bahwa Logistic Regression memiliki kemampuan diskriminasi yang lebih baik dan lebih sesuai digunakan untuk prediksi risiko kredit pada dataset penelitian. 

Kata kunci: Risiko Kredit, Logistic Regression, Decision Tree, Credit Scoring, Klasifikasi.