KOMPARASI ALGORITMA C4.5 (DECISION TREE) DAN NAIVE BAYES BERBASIS PARTICLE SWARM OPTIMIZATION UNTUK KLASIFIKASI KELAYAKAN KREDIT DEBITUR

Abstrak

Penyaluran pembiayaan kredit pada lembaga keuangan mikro dan koperasi simpan pinjam memiliki peranan strategis dalam mendorong pertumbuhan ekonomi masyarakat, namun dihadapkan pada risiko tingginya kredit bermasalah (Non-Performing Loan). Ketiadaan model prediksi otomatis yang akurat kerap memicu kekeliruan analisis kelayakan nasabah. Penelitian ini bertujuan untuk membandingkan performa dua algoritma klasifikasi data mining populer, yaitu C4.5 (Decision Tree) dan Gaussian Naïve Bayes, serta mengoptimalkan akurasi klasifikasi melalui seleksi fitur berbasis Particle Swarm Optimization (PSO). Penelitian menggunakan dataset riwayat kredit debitur sebanyak 1.200 sampel dengan 14 atribut finansial dan demografis. Model dievaluasi menggunakan validasi 10-Fold Cross Validation dengan metrik Accuracy, Precision, Recall, F1-Score, dan Area Under the Curve (AUC). Hasil eksperimen membuktikan bahwa integrasi PSO berhasil mengeliminasi 5 atribut tidak relevan dan meningkatkan akurasi seluruh model. Model C4.5 berbasis PSO mencapai akurasi tertinggi sebesar 91,42% dan nilai AUC sebesar 0,948, melampaui C4.5 standar (akurasi 86,25%, AUC 0,891). Sementara itu, Naïve Bayes berbasis PSO menghasilkan akurasi 88,17% dan AUC 0,915. Penelitian ini membuktikan bahwa optimasi PSO pada pohon keputusan C4.5 sangat tangguh dan presisi dalam memitigasi risiko gagal bayar debitur.