Implementasi Algoritma Klasifikasi Random Forest Untuk Penilaian Kelayakan Kredit
Sari
Kredit merupakan penyediaan uang atau tagihan dengan adanya suatu persetujuan atau kesepakatan antara pihak penyedia kredit dengan pihak peminjam untuk melunasi utangnya berdasarkan jangka waktu tertentu dengan pemberian bunga. Melakukan klasifikasi kelayakan kredit sesuatu yang sangat penting agar dapat mengetahui data kredit kendaraan bermotor baik yang bermasalah maupun yang tidak bermasalah. Dataset yang digunakan sebanyak 481 record data kredit kendaraan bermotor baik yang bermasalah maupun yang tidak bermasalah. Variabel input pada penelitian ini terdiri dari tiga belas variabel, diantaranya status perkawinan, jumlah tanggungan, umur, status tempat tinggal, kepemilikan rumah, pekerjaan, status pekerjaan, status perusahaan, penghasilan, uang muka, pendidikan, lama tinggal, dan kondisi rumah. Pada penelitian ini, peneliti akan mengimplementasikan metode klasifikasi data mining yaitu random forest untuk klasifikasi kelayakan kredit. Berdasarkan hasil pengukuran kinerja performa model algoritma Random Forest untuk klasifikasi kelayakan kredit memberikan tingkat akurasi kebenaran sebesar 78,60% dengan nilai Area Under the Curve (AUC) sebesar 0,907. Berdasarkan tingkat akurasi dan nilai Area Under the Curve (AUC), maka model algoritma Random Forest termasuk kategori klasifikasi sangat baik.
Teks Lengkap:
PDFReferensi
Aji, N. A., & Dhini, A. (2019). Credit scoring through data mining approach: A case study of mortgage loan in Indonesia. 2019 16th International Conference on Service Systems and Service Management, ICSSSM 2019, 1–5. https://doi.org/10.1109/ICSSSM.2019.8887731
Amir, S., & Abijono, H. (2019). Penerapan Data Mining untuk Mendukung Pemasaran Produk Pinjaman Bank. CAHAYAtech, 7(2), 161. https://doi.org/10.47047/ct.v7i2.102
Amrin, Pahlevi, O., & Satriadi, I. (2021). Optimasi Algoritma C4 . 5 dan Naïve Bayes Berbasis Particle Swarm Optimization Untuk Diagnosa Penyakit Peradangan Hati. Insantek, 2(1), 10–14. http://jurnal.bsi.ac.id/index.php/insantek/article/view/399
Anam, C., & Santoso, H. B. (2018). Perbandingan Kinerja Algoritma C4.5 dan Naive Bayes untuk Klasifikasi Penerima Beasiswa. Energy - Jurnal Ilmiah Ilmu-Ilmu Teknik, 8(1), 13–19. https://ejournal.upm.ac.id/index.php/energy/article/view/111
Aniceto, M. C., Barboza, F., & Kimura, H. (2020). Machine learning predictivity applied to consumer creditworthiness. Future Business Journal, 6(1), 1–14. https://doi.org/10.1186/s43093-020-00041-w
Arora, N., & Kaur, P. D. (2020). A Bolasso based consistent feature selection enabled random forest classification algorithm: An application to credit risk assessment. Applied Soft Computing Journal, 86, 105936. https://doi.org/10.1016/j.asoc.2019.105936
Bahri, S. (2020). Implementasi Data Mining Untuk Memprediksi Keterlambatan Jam Masuk Kerja Menggunakan Algoritma Klasifikasi. Sistem Informasi (JUSIN), 1(1), 11–20.
Dominicus, D. A., Setiawan, N. Y., & Wicaksono, S. A. (2020). Prediksi Kecenderungan Pelanggan Telat Bayar pada Layanan Pembiayaan Adira Finance Saluran E-Commerce. Jurnal Pengembangan Teknologi Informasi Dan Ilmu Komputer, 4(4), 1300–1307.
Eadara, S., & Kumar, I. P. (2023). Prediction Of Customer Loan Eligibility Using Random Forest Algorithm. 14(01), 482–492.
Eriyanto, R. D., & Alamsyah, A. (2020). Analisis Kelayakan Kredit Pada Peer To Peer Lending Menggunakan Data Sosial Media (Studi Kasus: LinkedIn). E-Proceeding of Management, 7(2), 2045–2050.
Ibnu, M., & Rachmatullah, C. (2023). Penerapan SMOTE untuk Meningkatan Kinerja Klasifikasi Penilaian Kredit. JURIKOM (Jurnal Riset Komputer), 10(1), 2407–389. https://doi.org/10.30865/jurikom.v10i1.5612
Ismanto, E., & Novalia, M. (2021). Komparasi Kinerja Algoritma C4.5, Random Forest, dan Gradient Boosting untuk Klasifikasi Komoditas. Techno.Com, 20(3), 400–410. https://doi.org/10.33633/tc.v20i3.4576
Malakauskas, A., & Lakstutiene, A. (2021). Financial distress prediction for small and medium enterprises using machine learning techniques. Engineering Economics, 32(1), 4–14. https://doi.org/10.5755/j01.ee.32.1.27382
Pahlevi, O. (2018). Data Mining Penentuan Aturan Asosiasi Penjualan Makanan di Amaria Hotel Jakarta Menggunakan Algoritma Apriori. Jurnal Sistem Informasi STMIK Antar Bangsa, 2, 137–142.
Prasojo, B., & Haryatmi, E. (2021). Analisa Prediksi Kelayakan Pemberian Kredit Pinjaman dengan Metode Random. Jurnal Nasional Teknologi Dan Sistem Informasi, 07(02), 79–89.
Simarmata, K. B., Hartomo, K. D., & Hartomo, K. D. (2022). Analisa Rekomendasi Fitur Persetujuan Pinjaman Perusahaan Financial Technology Menggunakan Metode Random Forest. JATISI (Jurnal Teknik Informatika Dan Sistem Informasi), 9(3), 2055–2070. https://doi.org/10.35957/jatisi.v9i3.2258
Sugiyarti, E., & Maseleno, A. (2018). Sistem Pendukung Keputusan (DSS) Penyeleksian Pemilihan Penerima Beasiswa SMA N 1 Ulubelu Tanggamus Mengunakan Data Mining. Konferensi Mahasiswa Sistem Informasi, 6(1), 62–69.
Widjiyati, N. (2021). Implementasi Algoritme Random Forest Pada Klasifikasi Dataset Credit Approval. Jurnal Janitra Informatika Dan Sistem Informasi, 1(1), 1–7. https://doi.org/10.25008/janitra.v1i1.118
Zailani, A. U., & Hanun, N. L. (2020). Penerapan Algoritma Klasifikasi Random Forest Untuk Penentuan Kelayakan Pemberian Kredit Di Koperasi Mitra Sejahtera. Infotech: Journal of Technology Information, 6(1), 7–14. https://doi.org/10.37365/jti.v6i1.61
Zhu, L., Qiu, D., Ergu, D., Ying, C., & Liu, K. (2019). A study on predicting loan default based on the random forest algorithm. Procedia Computer Science, 162(Itqm 2019), 503–513. https://doi.org/10.1016/j.procs.2019.12.017
DOI: https://doi.org/10.31294/infortech.v5i1.15829
Refbacks
- Saat ini tidak ada refbacks.
