Pendapatan bunga kredit konsumtif merupakan sumber utama pendapatan bank daerah yang dipengaruhi oleh suku bunga, rasio Non-Performing Loan (NPL), jumlah debitur aktif, dan faktor waktu. Penelitian ini bertujuan membangun model prediksi pendapatan bunga kredit konsumtif menggunakan algoritma Random Forest Regressor pada PT Bank Pembangunan Daerah Maluku dan Maluku Utara Cabang Masohi dengan pendekatan CRISP-DM. Kinerja model dievaluasi menggunakan Mean Absolute Error (MAE), Root Mean Squared Error (RMSE), dan koefisien determinasi (R2). Hasil pengujian periode 2020–2024 menunjukkan performa model yang stabil dengan nilai R2 di atas 90% setiap tahun. Performa terbaik diperoleh pada tahun 2023 dengan R2 sebesar 95,59%, disertai tingkat kesalahan yang relatif kecil dibandingkan skala pendapatan bulanan. Tahun 2020, 2021, 2022, dan 2024 juga menunjukkan konsistensi akurasi dengan nilai MAE dan RMSE yang terkendali. Pengujian data out-of-sample tahun 2025 menghasilkan MAE Rp9.699.027,65, RMSE Rp12.400.961,87, dan R2 sebesar 70,68%. Meskipun terjadi penurunan R2, model tetap mampu mengikuti tren pendapatan aktual. Secara keseluruhan, Random Forest Regressor efektif digunakan sebagai pendukung keputusan dalam perencanaan pendapatan dan pengelolaan risiko kredit bank daerah.
Consumptive loan interest income is a primary source of regional bank revenue influenced by interest rates, the Non-Performing Loan (NPL) ratio, the number of active borrowers, and time factors. This study aims to develop a predictive model for consumptive loan interest income using the Random Forest Regressor algorithm at PT Bank Pembangunan Daerah Maluku dan Maluku Utara, Masohi Branch, applying the CRISP-DM framework. Model performance was evaluated using Mean Absolute Error (MAE), Root Mean Squared Error (RMSE), and the coefficient of determination (R2). Testing results for the 2020–2024 period indicate stable model performance, with R2 values above 90% each year. The best performance was achieved in 2023 with an R2 of 95.59%, accompanied by relatively small error values compared to the scale of monthly income. The years 2020, 2021, 2022, and 2024 also demonstrated consistent accuracy, with controlled MAE and RMSE values. Out-of-sample testing for 2025 produced an MAE of IDR 9,699,027.65, an RMSE of IDR 12,400,961.87, and an R2 of 70.68%. Although a decrease in R2 occurred, the model remained capable of capturing the actual income trend. Overall, the Random Forest Regressor proved effective as a decision- support tool for revenue planning and credit risk management in regional banks.