Publisher

PRINPRIN

Journal JURNAL RISET RUMPUN MATEMATIKA DAN ILMU PENGETAHUAN ALAMJURNAL RISET RUMPUN MATEMATIKA DAN ILMU PENGETAHUAN ALAM Abstract

Pemberian kredit selalu memiliki risiko seperti kredit macet, sehingga pihak kreditur (bank) dituntut untuk lebih objektif dan akurat dalam mengevaluasi setiap permohonan kredit. Penelitian ini dilakukan guna menemukan algoritma mana yang paling akurat dalam memberikan suatu keputusan kredit, dengan melakukan perbandingan terhadap algoritma XGBoost dan algoritma Random Forest. Pada kedua algoritma digunakan data berukuran 10.000 dan 100.000 dengan 19 variabel yang relevan dalam pengambilan keputusan kartu kredit. Proses penelitian ini melibatkan pre-processing data, splitting data, training data, parameter tuning dengan Random Search, testing data, serta evaluasi model dengan confusion matrix. Hasil eksperimen menunjukkan bahwa kedua algoritma menghasilkan kinerja model yang cukup kompetitif, dimana XGBoost mampu mencapai 1.0 untuk semua metrik evaluasi baik pada data berukuran 10.000 maupun data berukuran 100.000. Random Forest sendiri berakurasi 0.998 untuk data berukuran 10.000 dan 0.999 untuk data berukuran 100.000. Akan tetapi, Random Forest hanya mampu mencapai F1-score sebesar 0.700 untuk data berukuran 10.000. Berdasarkan hasil yang diperoleh dalam penelitian ini, dapat disimpulkan bahwa kedua algoritma memiliki performa yang sangat baik dan akurat dalam mengklasifikasikan keputusan pada data kartu kredit. Namun, Random Forest kurang akurat bila digunakan pada data berukuran kecil yang tidak seimbang.

Conclusion

Berdasarkan hasil evaluasi model menggunakan confusion matrix pada klasifikasi keputusan kredit khususnya pada dataset Credit Card Approval-With Target menunjukkan bahwa model dari algoritma XGBoost memiliki keakuratan yang lebih tinggi dibandingkan model dari algoritma Random Forest.Sebenarnya algoritma Random Forest juga cukup baik untuk digunakan dalam mengklasifikasikan keputusan kredit, akan tetapi sebaiknya perlu dilakukan langkah-langkah seperti oversampling atau undersampling.Mengingat pentingnya kelas tidak seimbang dalam dataset pemberian keputusan kredit, disarankan untuk melakukan eksplorasi lebih lanjut dalam pemrosesan data untuk mengatasi ketidakseimbangan tersebut.

Future Research

Berdasarkan latar belakang, metode, hasil, keterbatasan, dan saran penelitian lanjutan yang ada, berikut adalah beberapa saran penelitian lanjutan yang dapat dikembangkan: Pertama, penelitian selanjutnya dapat mengeksplorasi penggunaan teknik oversampling atau undersampling untuk mengatasi masalah ketidakseimbangan kelas dalam dataset, sehingga dapat meningkatkan akurasi model Random Forest pada data berukuran kecil. Kedua, penelitian dapat difokuskan pada pengembangan metode ensemble learning yang menggabungkan XGBoost dan Random Forest, dengan tujuan untuk memanfaatkan keunggulan masing-masing algoritma dalam meningkatkan kinerja klasifikasi. Ketiga, penelitian dapat menginvestigasi pengaruh pemilihan fitur yang lebih relevan terhadap kinerja model, dengan menggunakan teknik seleksi fitur yang lebih canggih untuk mengidentifikasi variabel-variabel yang paling berpengaruh dalam pengambilan keputusan kredit. Dengan menggabungkan ketiga saran ini, diharapkan dapat menghasilkan model klasifikasi keputusan kredit yang lebih akurat, robust, dan adaptif terhadap berbagai kondisi data, sehingga dapat membantu pihak bank dalam mengurangi risiko kredit macet dan meningkatkan efisiensi proses evaluasi permohonan kredit.

References

1. Pemanfaatan Machine Learning dalam Berbagai Bidang: Review paper | Roihan | IJCIT (Indonesian Journal... doi.org/10.31294/ijcit.v5i1.7951Pemanfaatan Machine Learning dalam Berbagai Bidang Review paper Roihan IJCIT Indonesian Journal doi 10 31294 ijcit v5i1 7951
2. South German Credit Data Classification Using Random Forest Algorithm to Predict Bank Credit Receipts... doi.org/10.31326/jisa.v3i2.837South German Credit Data Classification Using Random Forest Algorithm to Predict Bank Credit Receipts doi 10 31326 jisa v3i2 837
3. Application Of Game Theory In Determining Optimum Marketing Strategy In Marketplace | JURNAL RISET RUMPUN... doi.org/10.55606/jurrimipa.v2i2.1336Application Of Game Theory In Determining Optimum Marketing Strategy In Marketplace JURNAL RISET RUMPUN doi 10 55606 jurrimipa v2i2 1336

Subjects

1. #pemahaman konsep#pemahaman konsep
2. #ilmu pengetahuan#ilmu pengetahuan

Metadata

File size	1.49 MB
Pages	17
Short Link	https://juris.id/p-2O2
Lookup Links	Google ScholarGoogle Scholar, Semantic ScholarSemantic Scholar, CORE.ac.ukCORE.ac.uk, WorldcatWorldcat, ZenodoZenodo, Research GateResearch Gate, Academia.eduAcademia.edu, OpenAlexOpenAlex, Hollis HarvardHollis Harvard
DMCA	Report