STMIK BANJARBARUSTMIK BANJARBARU

Progresif: Jurnal Ilmiah KomputerProgresif: Jurnal Ilmiah Komputer

Penelitian ini bertujuan untuk meningkatkan transparansi model pembelajaran mesin dalam penilaian kredit menggunakan berbagai metode Explainable Artificial Intelligence (XAI). Metode yang digunakan antara lain SHAP, BRCG, ALE, Anchor, dan ProtoDash untuk menjelaskan hasil prediksi model pembelajaran mesin yaitu regresi logistik, XGBoost, dan random forest. Penelitian ini menggunakan pendekatan kuantitatif dengan metode komparatif, dimana data pengajuan pinjaman Ceria dari Bank Rakyat Indonesia (BRI) dianalisis menggunakan model machine learning, kemudian dievaluasi menggunakan Explanation Consistency Framework (ECF). Hasilnya menunjukkan bahwa metode XAI dapat meningkatkan pemahaman keputusan model, dengan SHAP dan ALE efektif untuk penjelasan global, sementara Anchor dan ProtoDash memberikan wawasan mendalam pada tingkat individu. Evaluasi menggunakan ECF menunjukkan bahwa metode post-hoc memiliki konsistensi yang tinggi, meskipun Anchor memiliki keterbatasan pada aspek identitas aksioma. Kesimpulannya, metode XAI dapat membantu meningkatkan kepercayaan dan transparansi dalam credit scoring di BRI.

Metode Explainable AI (XAI) dapat meningkatkan transparansi dan kepercayaan dalam sistem penilaian kredit di BRI.SHAP dan ALE efektif untuk penjelasan global, sedangkan Anchor dan ProtoDash memberikan wawasan mendalam pada tingkat individu.Evaluasi menggunakan Explanation Consistency Framework (ECF) menunjukkan konsistensi tinggi pada metode post-hoc, meskipun Anchor memiliki keterbatasan pada aspek identitas aksioma.Penggunaan XAI membuka peluang untuk mengadopsi model yang lebih kompleks dengan kinerja lebih baik.

Penelitian lanjutan dapat mengkaji penerapan metode XAI pada institusi keuangan lain untuk memvalidasi efektivitasnya secara umum. Selain itu, pengembangan framework evaluasi penjelasan yang lebih komprehensif dapat meningkatkan konsistensi dan keandalan hasil. Penelitian juga dapat fokus pada optimisasi algoritma XAI untuk meningkatkan kecepatan dan akurasi penjelasan model, terutama dalam skenario real-time. Studi ini juga bisa mengintegrasikan pendekatan hybrid antara metode intrinsic dan post-hoc untuk memperluas cakupan interpretasi. Terakhir, analisis dampak sosial dan etika dari penggunaan XAI dalam sistem penilaian kredit perlu dikembangkan untuk memastikan keadilan dan transparansi jangka panjang.

  1. Utilizing Explainable AI for Interpreting Machine Learning Model Results in Ceria Credit Scoring | Setiawan... ojs.stmik-banjarbaru.ac.id/index.php/progresif/article/view/2769Utilizing Explainable AI for Interpreting Machine Learning Model Results in Ceria Credit Scoring Setiawan ojs stmik banjarbaru ac index php progresif article view 2769
Read online
File size518.63 KB
Pages11
DMCAReport

Related /

ads-block-test