Kemajuan teknologi telah mendorong perkembangan industri perbankan dan meningkatkan persaingan dalam pengelolaan kredit. Salah satu produk kredit yang banyak digunakan adalah Kredit Pemilikan Rumah (KPR), yaitu fasilitas pembiayaan yang diberikan bank kepada individu untuk membeli atau membangun rumah dengan sistem angsuran. Proses persetujuan KPR harus dilakukan secara akurat untuk mengurangi risiko kredit bermasalah. Oleh karena itu, penelitian ini membandingkan dua metode, Regresi Logistik dan Naïve Bayes, dalam memprediksi kelayakan pengajuan KPR berbasis data mining. Hasil penelitian menunjukkan bahwa Regresi Logistik memiliki performa lebih baik dibandingkan Naïve Bayes dalam menentukan kelayakan pengajuan KPR. Model Regresi Logistik mencapai akurasi sebesar 91.1%, lebih tinggi dibandingkan Naïve Bayes yang mencapai 90.2%. Meskipun Naïve Bayes memiliki precision lebih tinggi (95.80%) dibandingkan Regresi Logistik (87.61%), Regresi Logistik unggul dalam recall (85.80%) dibandingkan Naïve Bayes (74.26%). Selain itu, Regresi Logistik juga memiliki F1-score lebih tinggi (86.70%) dibandingkan Naïve Bayes (83.67%), menunjukkan keseimbangan yang lebih baik antara precision dan recall. Berdasarkan hasil penelitian ini, Regresi Logistik direkomendasikan sebagai metode utama dalam prediksi kelayakan pengajuan KPR, karena memiliki stabilitas dan akurasi yang lebih tinggi dibandingkan Naïve Bayes. Model ini dapat membantu bank dalam membuat keputusan yang lebih efektif, mengurangi risiko kredit bermasalah, serta meningkatkan transparansi dalam proses persetujuan KPR. Meskipun demikian, Naïve Bayes tetap bisa menjadi alternatif jika bank membutuhkan model yang lebih cepat dan sederhana dalam proses perhitungannya.

Technological advancements have driven the growth of the banking industry and increased competition in credit management. One of the most widely used credit products is the Home Ownership Loan (KPR), a financing facility provided by banks to individuals for purchasing or building a house through an installment system. The approval process for KPR must be conducted accurately to reduce the risk of problematic credit. Therefore, this study compares two methods, Logistic Regression and Naïve Bayes, in predicting the eligibility of KPR applications based on data mining. The results show that Logistic Regression outperforms Naïve Bayes in determining KPR application eligibility. The Logistic Regression model achieves an accuracy of 91.1%, higher than Naïve Bayes, which reaches 90.2%. Although Naïve Bayes has a higher precision (95.80%) compared to Logistic Regression (87.61%), Logistic Regression excels in recall (85.80%) compared to Naïve Bayes (74.26%). Additionally, Logistic Regression has a higher F1-score (86.70%) than Naïve Bayes (83.67%), indicating a better balance between precision and recall. Based on these findings, Logistic Regression is recommended as the primary method for predicting the eligibility of KPR applications, as it provides higher stability and accuracy compared to Naïve Bayes. This model can help banks make more effective decisions, reduce the risk of problematic credit, and enhance transparency in the KPR approval process. Nevertheless, Naïve Bayes remains a viable alternative if banks require a faster and simpler model for classification.