Publisher

JURNALITPJURNALITP

Journal Jurnal Informatika dan Teknologi PendidikanJurnal Informatika dan Teknologi Pendidikan Abstract

Penilaian risiko kredit merupakan komponen penting dalam industri keuangan karena berpengaruh langsung terhadap kualitas pengambilan keputusan dan tingkat risiko pembiayaan. Berbagai pendekatan machine learning telah dikembangkan untuk meningkatkan akurasi prediksi risiko kredit, termasuk integrasi Particle Swarm Optimization dan Support Vector Machine (PSO-SVM). Meskipun pendekatan tersebut telah menunjukkan kinerja yang menjanjikan, sebagian besar penelitian sebelumnya masih berfokus pada peningkatan akurasi klasifikasi, sementara aspek stabilitas model, interpretabilitas hasil, dan perbandingan terhadap algoritma modern masih relatif terbatas. Penelitian ini bertujuan mengevaluasi kembali efektivitas PSO-SVM dalam prediksi risiko kredit melalui kerangka evaluasi yang lebih komprehensif. Particle Swarm Optimization digunakan untuk melakukan optimasi parameter dan seleksi fitur, sedangkan Support Vector Machine digunakan sebagai model klasifikasi utama. Untuk memperoleh gambaran kinerja yang lebih menyeluruh, model yang diusulkan dibandingkan dengan beberapa algoritma pembelajaran mesin yang umum digunakan dalam credit scoring, yaitu Logistic Regression, Random Forest, dan Extreme Gradient Boosting (XGBoost). Evaluasi dilakukan menggunakan Stratified Repeated 10-Fold Cross Validation dengan metrik Accuracy, Precision, Recall, F1-Score, dan Area Under the Receiver Operating Characteristic Curve (AUC-ROC). Selain itu, pendekatan Explainable Artificial Intelligence melalui SHapley Additive exPlanations (SHAP) diterapkan untuk mengidentifikasi kontribusi masing-masing fitur terhadap keputusan model. Hasil penelitian diharapkan memberikan pemahaman yang lebih mendalam mengenai kemampuan prediktif, stabilitas, dan interpretabilitas model PSO-SVM pada permasalahan risiko kredit. Kontribusi utama penelitian ini terletak pada penyediaan kerangka evaluasi yang lebih komprehensif dibandingkan penelitian terdahulu, sehingga dapat memberikan dasar empiris yang lebih kuat dalam pengembangan sistem pendukung keputusan kredit berbasis kecerdasan buatan.

Conclusion

Penelitian ini menunjukkan bahwa PSO-SVM tetap kompetitif dalam prediksi risiko kredit konsumen dengan performa yang konsisten dan stabil.Model ini mampu menghasilkan akurasi tinggi serta interpretasi yang transparan melalui pendekatan SHAP.Namun, penelitian ini memiliki keterbatasan dalam penggunaan dataset publik dan belum membandingkan metode interpretabilitas lainnya.Perlu dilakukan evaluasi pada dataset industri yang lebih dinamis dan eksplorasi metode interpretabilitas alternatif untuk meningkatkan kualitas sistem penilaian risiko kredit.

Future Research

Penelitian selanjutnya dapat menguji PSO-SVM pada dataset industri yang lebih beragam untuk memvalidasi generalisasi model. Selain itu, perlu dilakukan perbandingan metode interpretabilitas seperti LIME atau feature importance dengan SHAP untuk meningkatkan transparansi keputusan model. Terakhir, pengintegrasian pendekatan deep learning dengan PSO-SVM dapat dikaji untuk meningkatkan kemampuan model dalam menangani data berdimensi tinggi dan kompleks.

Metadata

File size	522.73 KB
Pages	10
DMCA	Report