IMTechno: Journal of Industrial Management and Technology Volume 7 No.
1 Januari 2026
E-ISSN: 2774-342X
Optimasi Kinerja Decision Tree C4.
5 dengan Metode Backward Elimination pada Sistem Penilaian Kredit Amrin1.
Andi Diah Kuswanto2.
Ahmad Fauzi3
1,2,3
1,2,3
Fakultas Teknik dan Informatika Universitas Bina Sarana Informatika e-mail: 1amrin.
ain@bsi.
id, 2andi.
ahk@bsi.
id, 3ahmad.
afz@bsi.
Diterima 12-11-2025 Direvisi 18-12-2025 Disetujui 20-12-2025 Abstrak - Penggunaan kredit telah menjadi fenomena yang meluas di masyarakat, namun di balik popularitasnya terdapat risiko signifikan berupa peningkatan kredit macet.
Masalah ini sering kali berakar pada histori pengelolaan keuangan yang buruk, di mana kegagalan nasabah untuk memenuhi kewajiban pembayaran utang secara langsung meningkatkan risiko kredit bagi lembaga pemberi pinjaman.
Untuk mengatasi tantangan ini, penelitian ini mengimplementasikan dan membandingkan dua model klasifikasi untuk menilai kelayakan kredit yaitu algoritma Decision Tree C4.
5 dan C4.
5 yang dioptimasi dengan teknik seleksi fitur Backward Elimination.
Menggunakan dataset 481 catatan kredit kendaraan yang diklasifikasikan sebagai "baik" dan "buruk", model ini dikembangkan dengan sebelas variabel independen, termasuk status tanggungan, usia, pendidikan, pekerjaan, pendapatan, dan uang muka.
Hasil pengujian menunjukkan bahwa model C4.
5 tanpa optimasi mencapai akurasi sebesar 91,90% dengan nilai Area Under Curve (AUC) 0,915.
Sebaliknya, model yang mengintegrasikan Backward Elimination menunjukkan peningkatan kinerja yang signifikan, dengan akurasi mencapai 94,80% dan AUC sebesar 0,973.
Temuan ini mengkonfirmasi bahwa penerapan optimasi Backward Elimination secara efektif meningkatkan kemampuan prediktif model klasifikasi kelayakan kredit.
Kata Kunci: Decision Tree C4.
Backward Elimination.
ROC curve PENDAHULUAN Praktik pemberian kredit memiliki sejarah yang panjang dan integral dalam perkembangan peradaban ekonomi, dengan jejak awal dokumen kredit ditemukan di peradaban Mesir kuno.
Babilonia, dan Asyur sekitar 3.
000 tahun yang lalu (Himberg.
Di era modern, kredit menjadi tulang punggung perekonomian global, namun diiringi oleh tantangan utama berupa risiko kredit.
Risiko ini, yang signifikan, merupakan salah satu masalah krusial yang dihadapi oleh lembaga keuangan di seluruh dunia (Alfian & Nugroho, 2.
Di era digital, evaluasi kredit menjadi semakin Ledakan big data, yang dipicu oleh kemajuan teknologi informasi dan jaringan, memungkinkan pengumpulan data dalam volume dan kecepatan yang belum pernah terjadi sebelumnya dari berbagai sumber yang tidak terstruktur (Chern et al.
Mengelola data masif ini, ditambah dengan persyaratan kredit yang dinamis, menuntut pendekatan pemrosesan yang lebih canggih.
Proses analisis kredit tradisional, yang mengandalkan prinsip Character.
Capital.
Capacity.
Collateral, dan Condition .
C), seringkali memerlukan verifikasi lapangan yang profesional dan memakan waktu lama, terutama saat harus menangani sejumlah besar dokumen nasabah (Lasena & Ahmad, 2.
Selain itu, data penilaian kredit modern sering kali memiliki dimensi yang tinggi.
Fitur yang berlebihan atau tidak relevan dapat menyebabkan masalah overfitting pada model prediksi, yang pada akhirnya menurunkan kinerja dan generalisasi model (Jin et al.
, 2.
Untuk mengatasi tantangan ini, industri perbankan dan keuangan beralih ke data mining dan machine learning (Oktafriani et al.
, 2.
Teknikteknik ini memungkinkan identifikasi dan prediksi kelayakan nasabah secara lebih efisien dengan menganalisis data historis pinjaman (Amrin & Pahlevi.
Model klasifikasi dalam data mining, seperti Decision Tree.
Support Vector Machine (SVM), dan kNearest Neighbor .
-NN), didukung oleh metode prapemrosesan seperti diskritisasi fitur, resampling data, dan terutama seleksi fitur .
eature selectio.
Proses seleksi fitur sangat krusial untuk mengurangi beban komputasi, meningkatkan efisiensi, dan memperbaiki interpretasi model dengan memilih subset fitur yang paling relevan (Ziemba et al.
, 2.
Dengan demikian, peningkatan akurasi model prediksi kredit menjadi sangat penting tidak This work is licensed under a Creative Commons Attribution-ShareAlike 4.
0 International License.
IMTechno: Journal of Industrial Management and Technology Volume 7 No.
1 Januari 2026 hanya untuk melindungi dana investor tetapi juga untuk mengurangi ketidakseimbangan informasi antara bisnis, lembaga keuangan, dan masyarakat luas (Song, 2.
Sejalan dengan hal itu, berbagai penelitian telah dilakukan untuk meningkatkan akurasi model prediksi kredit.
Beberapa studi berfokus pada penggunaan algoritma optimasi.
Sebagai contoh, bahwa optimasi Particle Swarm Optimization (PSO) pada Decision Tree secara signifikan meningkatkan akurasi analisis risiko kredit di Bank DKI dari 97,83% menjadi 99,13% (Putry et al.
, 2.
Temuan serupa juga dilaporkan oleh (Novichasari, 2.
dan (Agustian & Bisri, 2.
, di mana penggabungan PSO dengan teknik klasifikasi seperti SVM dan Naive Bayes berhasil meningkatkan akurasi dan presisi model.
Sementara itu, penelitian lain mengeksplorasi metode seleksi fitur.
(Ubaedi & Djaksana, 2.
membuktikan bahwa penggunaan Forward Selection dan Stratified Sampling mampu meningkatkan akurasi algoritma C4.
5 sebesar 9,2% dalam prediksi kelayakan kredit.
Di sisi lain, tidak semua metode optimasi selalu berhasil.
(Religia et al.
menemukan bahwa optimasi Genetic Algorithm (GA) dan Bagging belum mampu meningkatkan akurasi algoritma Random Forest untuk dataset yang tidak seimbang .
(Religia et al.
, 2.
Berdasarkan kajian pustaka tersebut, terlihat bahwa berbagai pendekatan optimasi, baik melalui algoritma optimasi maupun teknik seleksi fitur, telah terbukti efektif dalam meningkatkan kinerja model prediksi kredit.
Namun, masih ada ruang untuk eksplorasi teknik seleksi fitur lainnya.
Meskipun metode seperti Forward Selection telah dieksplorasi, penerapan teknik Backward Elimination pada algoritma Decision Tree C4.
5 secara khusus untuk konteks kelayakan kredit masih terbatas.
Oleh karena itu, penelitian ini bertujuan untuk mengisi celah tersebut dengan membandingkan kinerja algoritma Decision Tree C4.
5 tanpa optimasi dengan Decision Tree C4.
5 yang dioptimasi menggunakan teknik seleksi fitur Backward Elimination dalam mengklasifikasikan status kelayakan kredit.
METODE PENELITIAN
Penelitian ini melalui beberapa tahapan sebagaimana ditunjukkan pada kerangka pemikiran di Gambar 1.
Fokus utamanya adalah menilai apakah penerapan optimasi melalui fitur seleksi Backward Elimination pada algoritma Decision Tree C4.
5 dapat meningkatkan Untuk menjawab pertanyaan tersebut, dibuat dua pendekatan .
, yaitu Decision Tree C4.
5 tanpa seleksi fitur dan Decision Tree C4.
5 yang dipadukan dengan Backward Elimination.
Kedua model tersebut kemudian diuji kinerjanya.
Proses pengujian dilakukan menggunakan metode Cross Validation.
Confusion Matrix, dan kurva ROC.
Dalam tahap pengembangan tersebut,digunakan RapidMiner.
Sumber: Hasil Penelitian .
Gambar 1.
Kerangka Pemikiran Penelitian HASIL DAN PEMBAHASAN Analisa Data Dataset yang digunakan dalam penelitian ini berjumlah 481 data kredit kendaraan bermotor, mencakup debitur bermasalah maupun tidak Penelitian ini melibatkan tiga belas variabel input, yaitu: .
Status Perkawinan, .
Jumlah Tanggungan, .
Umur, .
Status Tempat Tinggal, .
Kepemilikan Rumah, .
Pekerjaan, .
Status Pekerjaan, .
Status Perusahaan, .
Penghasilan, .
Uang Muka, .
Pendidikan, .
Lama Tinggal, dan .
Kondisi Rumah.
Gambar 1 menampilkan contoh dataset yang digunakan sebagai bahan pengujian terhadap algoritma yang diteliti, yaitu decision tree C4.
5 dengan Metode Backward Elimination.
Backward Elimination merupakan teknik seleksi fitur dalam proses klasifikasi yang This work is licensed under a Creative Commons Attribution-ShareAlike 4.
0 International License.
IMTechno: Journal of Industrial Management and Technology Volume 7 No.
1 Januari 2026 bertujuan menyederhanakan model dengan menghilangkan atribut yang kurang berpengaruh, sehingga meningkatkan efisiensi dan kinerja model menjadi lebih optimal.
Tabel 1 Sampel Dataset Tabel 3.
Model Confusion Matrix untuk Metode Decision Tree C4.
5 dengan Backward Elimination.
Sumber: Hasil Pengolahan Menggunakan RapidMiner .
Kurva ROC Algoritma Decision Tree C4.
Pengujian Model Penelitian ini dilakukan dengan eksperimen pengujian pada model yang diusulkan.
Kemudian dilakukan evaluasi dan validasi model untuk menghasilkan nilai accuracy dan AUC.
Pengujian RapidMiner menerapkan operator 10-fold cross-validation untuk memperoleh nilai akurasi dan AUC dari masing-masing algoritma yang diuji.
Evaluasi kinerja model dilakukan melalui Confusion Matrix serta ROC Curve atau Area Under the Curve (AUC).
Confusion Matrix Algoritma Decision Tree C4.
Tabel 2 menampilkan confusion matrix untuk algoritma Decision Tree C4.
Dari tabel tersebut terlihat bahwa 152 data dengan label AubadAy berhasil diprediksi dengan benar, sedangkan 27 data yang sebenarnya AubadAy justru diprediksi sebagai AugoodAy.
Sementara itu, 290 data berlabel AugoodAy diklasifikasikan secara tepat, dan 12 data yang sebenarnya AugoodAy diprediksi sebagai AubadAy.
Tabel 2.
Model Confusion Matrix untuk Decision Tree C4.
Kurva ROC untuk algoritma Decision Tree C4.
dapat dilihat pada Gambar 2 berikut.
Sumber: Hasil Pengolahan Menggunakan RapidMiner .
Gambar 2 Kurva ROC Algoritma Decision Tree C4.
Kurva ROC pada Gambar 2 merepresentasikan informasi dari confusion matrix.
Sumbu horizontal menunjukkan nilai false positive, sedangkan sumbu vertikal menggambarkan true positive.
Algoritma Decision Tree C4.
5 dengan Backward Elimination Sumber: Hasil Pengolahan Menggunakan RapidMiner .
Algoritma Decision Tree C4.
5 dengan Backward Elimination Tabel 3 menyajikan confusion matrix untuk algoritma Decision Tree C4.
5 yang telah diterapkan dengan Backward Elimination.
Pada tabel tersebut terlihat bahwa 298 data berlabel AugoodAy berhasil diprediksi dengan benar, sementara 4 data yang sebenarnya AugoodAy justru terklasifikasi sebagai AubadAy.
Selain itu, 158 data berlabel AubadAy diprediksi secara tepat, dan 21 data yang seharusnya AubadAy diprediksi sebagai AugoodAy.
Kurva ROC untuk algoritma Decision Tree C4.
dengan Backward Elimination seperti ditunjukkan oleh gambar 3 di bawah ini.
This work is licensed under a Creative Commons Attribution-ShareAlike 4.
0 International License.
IMTechno: Journal of Industrial Management and Technology Volume 7 No.
1 Januari 2026 Berdasarkan pengelompokan tersebut, dapat disimpulkan bahwa model Decision Tree C4.
5 maupun Decision Tree C4.
5 yang dipadukan dengan backward elimination masuk dalam kategori klasifikasi yang sangat baik.
KESIMPULAN
Sumber: Hasil Pengolahan Menggunakan RapidMiner .
Gambar 3 Kurva ROC Metode Decision Tree C4.
dengan Backward Elimination.
Berdasarkan hasil penelitian dan pengujian, model Decision Tree C4.
5 tanpa penerapan backward elimination menghasilkan akurasi sebesar 91,90% dengan nilai area under the curve (AUC) sebesar 0,915 dalam menilai kelayakan kredit.
Sementara itu, model Decision Tree C4.
5 yang dioptimasi menggunakan backward elimination mencapai akurasi 94,80% dengan AUC sebesar 0,973.
Temuan ini menunjukkan bahwa meningkatkan kinerja metode klasifikasi tersebut.
REFERENSI