Prediksi Risiko Kredit Macet Menggunakan Decision Tree

Pendahuluan
Prediksi risiko kredit macet adalah salah satu aplikasi penting machine learning dalam dunia keuangan. Dengan algoritma Decision Tree, kita dapat memodelkan data historis untuk memprediksi apakah seorang peminjam berisiko mengalami kredit macet atau tidak. Proyek ini sangat cocok dijadikan topik skripsi atau tugas akhir, terutama dengan dukungan dari ITS Academics atau layanan jasa joki skripsi.

Dataset
Dataset berisi informasi demografis dan keuangan peminjam.

Algoritma Decision Tree
Algoritma Decision Tree membuat model klasifikasi berbasis pohon, yang secara rekursif membagi data berdasarkan fitur yang paling informatif menggunakan metrik seperti Gini Index atau Entropy.

Rumus Entropy:
$Entropy(S) = - \sum_{i=1}^{c} p_i \log_2(p_i)$

Rumus Gini:
$Gini(S) = 1 - \sum_{i=1}^{c} p_i^2$

Implementasi Python

import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.tree import DecisionTreeClassifier, plot_tree
from sklearn.metrics import classification_report, confusion_matrix
import matplotlib.pyplot as plt

# Contoh dataset
data = {
    'Age': [25, 40, 35, 50, 23, 45],
    'Income': [3000, 5000, 4000, 6000, 2500, 5500],
    'LoanAmount': [1000, 2000, 1500, 2500, 1200, 1800],
    'CreditScore': [600, 700, 650, 720, 580, 710],
    'Default': [0, 0, 0, 0, 1, 0]
}

# Dataframe
df = pd.DataFrame(data)
X = df[['Age', 'Income', 'LoanAmount', 'CreditScore']]
y = df['Default']

# Split data
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

# Decision Tree
clf = DecisionTreeClassifier(criterion='gini', max_depth=3)
clf.fit(X_train, y_train)

# Evaluasi
y_pred = clf.predict(X_test)
print(confusion_matrix(y_test, y_pred))
print(classification_report(y_test, y_pred))

# Visualisasi pohon keputusan
plt.figure(figsize=(12, 8))
plot_tree(clf, feature_names=X.columns, class_names=['Tidak Macet', 'Macet'], filled=True)
plt.title("Pohon Keputusan: Prediksi Kredit Macet")
plt.show()

Kesimpulan
Algoritma Decision Tree dapat digunakan secara efektif untuk memodelkan risiko kredit macet berdasarkan fitur-fitur finansial peminjam. Proyek ini layak dijadikan skripsi atau tugas akhir yang dibimbing oleh ITS Academics atau dilakukan melalui layanan jasa joki skripsi.

Langkah selanjutnya bisa mencakup:

• Penambahan fitur seperti status pekerjaan atau histori pinjaman

• Penggunaan pruning untuk menghindari overfitting

• Perbandingan dengan model lain seperti Random Forest atau XGBoost