STTSSTTS

INSYST: Journal of Intelligent System and ComputationINSYST: Journal of Intelligent System and Computation

Kredit merupakan salah satu sumber pendapatan utama bagi institusi perbankan dan memainkan peran penting dalam mendukung pertumbuhan laba jangka panjang. Namun, distribusi kredit secara inheren terkait dengan risiko, terutama risiko default ketika peminjam gagal memenuhi kewajiban pembayaran sesuai kesepakatan. Salah satu strategi efektif untuk meminimalkan risiko tersebut adalah melakukan penilaian kelayakan kredit yang komprehensif dan akurat terhadap calon peminjam sebelum persetujuan pinjaman diberikan. Penelitian ini bertujuan untuk mengevaluasi kinerja tiga algoritma klasifikasi - Random Forest, Support Vector Machine (SVM), dan Artificial Neural Network (ANN) - dalam memprediksi risiko kredit berdasarkan pekerjaan peminjam. Dataset yang digunakan terdiri dari 1.314 catatan pinjaman dengan distribusi yang tidak seimbang antara pinjaman lancar dan macet. Hasil eksperimen menunjukkan bahwa algoritma Random Forest mencapai akurasi tertinggi sebesar 97%, diikuti oleh Support Vector Machine dengan 73% dan Artificial Neural Networks dengan 64%. Meskipun ANN mampu menangkap pola kompleks melalui pembelajaran multilayer, Random Forest terbukti menjadi metode yang paling efektif dan tangguh dalam menangani dataset yang diberikan. Temuan ini jelas menunjukkan bahwa Random Forest dapat menjadi metode yang andal bagi institusi keuangan untuk meningkatkan evaluasi risiko kredit dan meminimalkan kerugian potensial yang timbul dari default pinjaman.

Berdasarkan hasil pengujian menggunakan tiga algoritma, yaitu Support Vector Machine (SVM), Random Forest, dan Artificial Neural Network (ANN), algoritma Random Forest menunjukkan kinerja yang lebih baik.Hal ini disebabkan karena Random Forest merupakan metode ensembel yang terdiri dari beberapa pohon keputusan yang beroperasi secara kolektif melalui mekanisme voting.Model ini efektif dalam menangani data kompleks dan tidak seimbang serta mampu mengidentifikasi pola non-linear dengan belajar dari subset fitur yang berbeda.Di sisi lain, algoritma SVM bekerja dengan menemukan hiperplane optimal yang memisahkan kelas dengan margin maksimum.SVM sangat efektif untuk data berdimensi tinggi dan terstruktur dengan baik.Namun, kinerjanya dapat menurun ketika data tidak dapat dipisahkan secara linear atau ketika penyesuaian kernel dan parameter tidak dilakukan dengan benar.

Untuk penelitian lanjutan, disarankan untuk melakukan analisis lebih lanjut tentang bagaimana algoritma Random Forest dapat diterapkan dalam sistem pengambilan keputusan kredit secara real-time. Selain itu, penelitian dapat dilakukan untuk mengeksplorasi teknik-teknik interpretabilitas yang dapat digunakan untuk menjelaskan keputusan yang dibuat oleh algoritma Random Forest, sehingga meningkatkan pemahaman dan kepercayaan terhadap sistem. Terakhir, penelitian dapat dilakukan untuk mengoptimalkan algoritma SVM dengan menyesuaikan parameter kernel dan regulasi, serta mengeksplorasi teknik-teknik penanganan data yang tidak seimbang untuk meningkatkan kinerja algoritma dalam skenario yang berbeda.

  1. Vol 5 No 1 (2025): JMS Vol 5 No 1 Maret 2025 | Jurnal Manajemen Teknologi Dan Sistem Informasi (JMS).... ejournal.unama.ac.id/index.php/jms/issue/view/177Vol 5 No 1 2025 JMS Vol 5 No 1 Maret 2025 Jurnal Manajemen Teknologi Dan Sistem Informasi JMS ejournal unama ac index php jms issue view 177
  2. 0. scitepress publication details doi.org/10.5220/00093718083708430 scitepress publication details doi 10 5220 0009371808370843
  3. Analisis perbandingan machine learning untuk prediksi kelayakan kredit perbankan pada Bank BRI Tegal... ejournal.uksw.edu/itexplore/article/view/14754Analisis perbandingan machine learning untuk prediksi kelayakan kredit perbankan pada Bank BRI Tegal ejournal uksw edu itexplore article view 14754
Read online
File size511.63 KB
Pages7
DMCAReport

Related /

ads-block-test