Publisher

UIGMUIGM

Journal Jurnal Ilmiah Informatika GlobalJurnal Ilmiah Informatika Global Abstract

Penelitian ini bertujuan untuk mengevaluasi dan membandingkan dua algoritma pembelajaran mesin yang populer, Logistic Regression dan Decision Tree, dalam konteks credit scoring. Fokus penelitian ini adalah pada optimasi model menggunakan teknik-teknik seperti regularisasi, metode ensemble, dan penyeimbangan data. Penelitian ini menyoroti tantangan ketidakseimbangan data dan multikolinearitas dalam credit scoring, yang dapat memengaruhi akurasi prediksi. Logistic Regression yang dioptimasi dengan regularisasi LASSO dan Decision Tree yang dioptimasi dengan AdaBoost dievaluasi berdasarkan berbagai metrik kinerja seperti akurasi, precision, recall, F1-score, dan ROC-AUC. Hasil penelitian menunjukkan bahwa Logistic Regression memberikan performa lebih baik dalam hal akurasi, precision, dan ROC-AUC, sementara Decision Tree dengan AdaBoost menunjukkan recall yang lebih unggul, menjadikannya lebih efektif dalam mendeteksi peminjam berisiko tinggi. Selain itu, penerapan SMOTE (Synthetic Minority Over-sampling Technique) meningkatkan kemampuan model untuk memprediksi hasil kelas minoritas, meskipun menyebabkan sedikit penurunan pada precision untuk Logistic Regression. Temuan ini menunjukkan bahwa Logistic Regression lebih cocok untuk lembaga yang mengutamakan interpretabilitas dan stabilitas model, sementara Decision Tree dengan AdaBoost lebih sesuai untuk lembaga yang fokus pada deteksi peminjam berisiko pada dataset yang tidak seimbang. Penelitian ini memberikan kontribusi bagi bidang credit scoring dengan memberikan wawasan tentang penerapan algoritma pembelajaran mesin dan teknik optimasi pada lembaga keuangan.

Conclusion

Penelitian ini menyimpulkan bahwa Logistic Regression memberikan performa yang lebih baik dibandingkan dengan Decision Tree dengan AdaBoost dalam hal akurasi, precision, recall, F1-Score, dan AUC-ROC, namun Decision Tree dengan AdaBoost lebih unggul dalam mendeteksi kelas positif.Penerapan teknik AdaBoost pada Decision Tree berhasil meningkatkan Recall dan Precision, sementara SMOTE meningkatkan Recall untuk kelas minoritas.Logistic Regression lebih disarankan untuk lembaga yang mengutamakan transparansi dan stabilitas model, sedangkan Decision Tree dengan AdaBoost lebih cocok untuk deteksi peminjam berisiko pada dataset tidak seimbang.

Future Research

Penelitian lanjutan dapat mengeksplorasi algoritma lain seperti Random Forest, XGBoost, atau Neural Networks untuk potensi peningkatan akurasi. Penerapan Deep Learning dapat mengatasi kompleksitas data yang lebih besar dan meningkatkan kemampuan model dalam mengenali pola yang lebih kompleks pada data kredit. Selain itu, analisis sensitivitas terhadap parameter model, termasuk hyperparameter tuning, dapat mengoptimalkan performa model lebih lanjut. Penelitian ini juga dapat diperluas dengan mengevaluasi model pada dataset yang lebih beragam dan dengan mempertimbangkan faktor-faktor eksternal yang dapat memengaruhi risiko kredit, seperti kondisi ekonomi makro dan kebijakan pemerintah. Dengan demikian, model credit scoring yang lebih akurat dan andal dapat dikembangkan untuk membantu lembaga keuangan dalam membuat keputusan pemberian kredit yang lebih baik dan mengurangi risiko kerugian.

Metadata

File size	862.33 KB
Pages	7
DMCA	Report