Analisis Perbandingan Penggunaan Model Machine Learning Pada Kasus Deteksi Kemampuan Calon Klien Dalam Membayar Kembali Pinjaman
Abstract
Semakin berkembangnya ekonomi suatu wilayah, makin tinggi pula kebutuhan belanja masayrakat diwilayah tersebut. Tak jarang hal ini memicu fenomena maraknya masyarakat yang mengajukan pinjaman kredit. Oleh karena itu, pihak peminjam kredit membutuhkan suatu metrik yang dapat memprediksi apakah calon kliennya mampu membayar Kembali pinjaman sebelum menyetujui ajuan kredit. Penelitian ini menganalisis perbandingan dari berbagai model machine learning sebagai alat prediksi calon klien peminjam kredit. Menggunakan dataset Home Credit Default Risk dari Kaggle, dan menerapkan metode CRISP-DM dalam pengembangannya. Beberapa model yang dipilih yaitu Regresi logistic, random forest, Gaussian naïvee bayes, decision tree, dan Multi-layer perceptron. Dari kelima model tersebut, random forest menunjukkan hasil skor evaluasi yang paling baik dengan metrik evaluasi ROC AUC. Yakni dengan nilai ROC AUC train score sebesar 1 dan ROC AUC test score sebesar 0,7233.
References
K. M. K. Anna Montoya inversion, “Home Credit Default Risk.” Kaggle, 2018. [Online]. Available: https://kaggle.com/competitions/home-credit-default-risk
A. Montoya, inversion, K. Odintsov, and M. Kotek, “Home Credit Default Risk,” 2018. https://kaggle.com/competitions/home-credit-default-risk (accessed Dec. 21, 2022).
J. A. Pratama et al., “The Analisis Sentimen Sosial Media Twitter Dengan Algoritma Machine Learning Menggunakan Software R,” Jurnal Fourier, vol. 6, no. 2, pp. 85–89, Oct. 2017, doi: 10.14421/FOURIER.2017.62.85-89.
K. Kristiawan, D. D. Somali, A. Widjaja, and others, “Deteksi Buah Menggunakan Supervised Learning dan Ekstraksi Fitur untuk Pemeriksa Harga,” Jurnal Teknik Informatika dan Sistem Informasi, vol. 6, no. 3, 2020.
“Supervised learning: predicting an output variable from high-dimensional observations — scikit-learn 1.2.0 documentation.” https://scikit-learn.org/stable/tutorial/statistical_inference/supervised_learning.html (accessed Dec. 22, 2022).
Y. Religia, A. Nugroho, and W. Hadikristanto, “Analisis Perbandingan Algoritma Optimasi pada Random Forest untuk Klasifikasi Data Bank Marketing,” Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi), vol. 5, no. 1, pp. 187–192, Feb. 2021, doi: 10.29207/RESTI.V5I1.2813.
M. Y. Sahroni, N. A. Setifani, and D. N. Fitriana, “Analisis perbandingan algoritma Naïve Bayes, k-Nearest Neighbor dan Neural Network untuk permasalahan class-imbalanced data pada kasus credit card fraud dataset,” Teknologi: Jurnal Ilmiah Sistem Informasi, vol. 11, no. 2, pp. 69–73, Jun. 2021, doi: 10.26594/TEKNOLOGI.V11I2.2393.
Y. Suhanda, I. Kurniati, and S. Norma, “Penerapan Metode Crisp-DM Dengan Algoritma K-Means Clustering Untuk Segmentasi Mahasiswa Berdasarkan Kualitas Akademik,” Jurnal Teknologi Informatika dan Komputer, vol. 6, no. 2, pp. 12–20, 2020.
A. Bengnga and R. Ishak, “Implementasi Seleksi Fitur Klasifikasi Waktu Kelulusan Mahasiswa Menggunakan Correlation Matrix with Heatmap,” Jambura Journal of Electrical and Electronics Engineering, vol. 4, no. 2, pp. 169–174, Jul. 2022, doi: 10.37905/JJEEE.V4I2.14403.
A. Alfarisi, A. R. Alfarisi, H. Tjandrasa, and I. Arieshanti, “Perbandingan Performa antara Imputasi Metode Konvensional dan Imputasi dengan Algoritma Mutual Nearest Neighbor,” Jurnal Teknik ITS, vol. 2, no. 1, pp. A73–A76, Mar. 2013, doi: 10.12962/j23373539.v2i1.2735.
Full Text: PDF
Refbacks
- There are currently no refbacks.
