Pada kasus program kredit pinjaman di Bank XYZ, masalah yang sering timbul dalam pelaksanaan perjanjian kredit perbankan adalah keadaan dimana debitur lalai untuk melakukan kewajibannya, yang dapat menyebabkan adanya kredit macet. Penerapan metode klasifikasi kredit macet yang terbaik sangat dibutuhkan untuk penanggulangan dan pembatasan kredit macet di Bank XYZ. Metode klasifikasi decision tree CART dan random forest kemudian diaplikasikan pada penelitian ini. Untuk menemukan model tree yang terbaik, hyperparameter optimization diterapkan pada decision tree CART dan random forest. Sebelum melakukan klasifikasi, dilakukan data preprocessing. Namun, pada proses data preprocessing, ditemukan bahwa terdapat ketidakseimbangan kelas pada data. Untuk mengatasi permasalahan ini, metode resampling Random Over Sampling (ROS), Random Under Sampling (RUS), dan Synthetic Minority Over-sampling Technique (SMOTE) digunakan. Hasil dari penelitian ini menunjukan bahwa bila dibandingkan dengan metode resampling lain, data yang melalui tahap ROS dan SMOTE menghasilkan data yang optimal. Untuk perbandingan accuracy, precision, recall, dan f1-score, metode Random Forest dengan data ROS menunjukan hasil yang terbaik dengan n_estimators = 50 di persentase 100%,
100%, 100% dan 100%. Dan berdasarkan model terbaik yang telah dihasilkan, tiga faktor utama penyebab kredit macet adalah nilai taksasi agunan, jangka waktu, penghasilan; dimana banyaknya nilai dari masing-masing variabel perlu dipertimbangkan kembali untuk meminimalisir terjadinya kredit macet untuk beberapa tahun yang akan datang.
Keyword:   Decision Tree CART, Random Forest, Hyperparameter Optimization, Resampling