Prediksi Status Pinjaman Bank dengan Deep Learning Neural Network

Sukri Syafrudin, Ranu Agastya Nugraha, Kartika Handayani, Safitri Linawati, Windu Gata

Abstract


Penilaian risiko pada penentuan status pinjaman merupakan proses yang penting dalam usaha simpan pinjam. Prediksi dalam mengklasifikasikan apakah nasabah akan melunasi atau tidak akan menentukan pengambilan keputusan dan tindaklanjutnya yang berdampak pada kinerja entitas dalam menjalankan usahanya. Berbagai teknik dalam prediksi status pinjaman dengan machine learning diterapkan dengan hasil yang meningkat dalam akurasi dan performance. Metode Deep Learning Neural Network (DNN) merupakan salah satu metode machine learning yang sekarang ini memiliki peran penting di era big data dimana data yang besar, dengan kemampuan mesin yang mumpuni dan kompleksitas pada suatu fitur mampu ditangani oleh DNN. Penelitian ini memvariasikan beberapa arsitektur dan parameter dalam pembangunan model DNN dengan score yang terbaik. Pengujian terhadap dataset bank loan status dengan metode DNN menghasilkan akurasi 82.27% tidak lebih baik dari metode SVM dengan hasil akurasi 84%. Namun metode DNN masih lebih baik dibandingkan dengan metode lainnya. Karena penggunaan variasi arsitektur dan parameter DNN tidak berpengaruh signifikan dalam menghasilkan score terbaik. Data yang diproses benar-benar diperlukan pemrosesan lebih lanjut sebelum dilakukan pemodelan.

Keywords


prediksi pinjaman bank, deep learning, dnn

Full Text:

PDF

References


Addo, P. M., Guegan, D., & Hassani, B. (2018). Credit risk analysis using machine and deep learning models. Risks, 6(2), 1–20. https://doi.org/10.3390/risks6020038

Agarap, A. F. M. (2018). Deep Learning using Rectified Linear Units (ReLU). ArXiv, 1, 2–8.

Arutjothi, G. (2017). Prediction of Loan Status in Commercial Bank using Machine Learning Classifier. 2017 International Conference on Intelligent Sustainable Systems (ICISS), Iciss, 416–419.

Duan, J. (2019). Financial system modeling using deep neural networks (DNNs) for effective risk assessment and prediction. Journal of the Franklin Institute, 356(8), 4716–4731. https://doi.org/10.1016/j.jfranklin.2019.01.046

Economics, A., & Xxvi, V. (2019). A Deep Neural Network (DNN) based classification model in application to loan default prediction. Theoretical and Applied Economics, XXVI(4), 75–84.

Fan, Q., & Yang, J. (2018). A denoising autoencoder approach for credit risk analysis. ACM International Conference Proceeding Series, 62–65. https://doi.org/10.1145/3194452.3194456

Fine, T. L. (2001). Feedforward Neural Network Methodology. IEEE Transactions on Neural Networks, 12(3), 647–648. https://doi.org/10.1109/TNN.2001.925573

Golbayani, P., Wang, D., & Florescu, I. (2020). Application of Deep Neural Networks to assess corporate Credit Rating. ArXiv, 1–18.

Kanapickiene, R., & Spicas, R. (2019). Credit risk assessment model for small and micro-enterprises: The case of Lithuania. Risks, 7(2), 1–23. https://doi.org/10.3390/risks7020067

Kumar Gupta, D., & Goyal, S. (2018). Credit Risk Prediction Using Artificial Neural Network Algorithm. International Journal of Modern Education and Computer Science, 10(5), 9–16. https://doi.org/10.5815/ijmecs.2018.05.02

Li, Y., Lin, X., Wang, X., Shen, F., & Gong, Z. (2018). Credit Risk Assessment Algorithm Using Deep Neural Networks with Clustering and Merging. Proceedings - 13th International Conference on Computational Intelligence and Security, CIS 2017, 2018-Janua, 173–176. https://doi.org/10.1109/CIS.2017.00045

Lu, Y., Wang, Y., Zhang, Y., Lu, Y., Yu, X., & Wang, Y. (2020). A Comparative Assessment of Credit Risk Model Based on Machine Learning. Procedia Computer Science, 174, 141–149. https://doi.org/10.1016/j.procs.2020.06.069

Nwankpa, C. E., Ijomah, W., Gachagan, A., & Marshall, S. (2018). Activation functions: Comparison of trends in practice and research for deep learning. ArXiv, 1–20.

Patel, B., Patil, H., Hembram, J., & Jaswal, S. (2020). Loan default forecasting using data mining. 2020 International Conference for Emerging Technology, INCET 2020, 7–10. https://doi.org/10.1109/INCET49848.2020.9154100

PricewaterhouseCoopers. (2018). 2018 Indonesia Banking Survey Technology shift in Indonesia is underway. February, 48.

Suhermi, N., Suhartono, S., Dana, I. M. G. M., & Prastyo, D. D. (2019). Pemilihan Arsitektur Terbaik pada Model Deep Learning Melalui Pendekatan Desain Eksperimen untuk Peramalan Deret Waktu Nonlinier. STATISTIKA: Journal of Theoretical Statistics and Its Applications, 18(2), 153–159. https://doi.org/10.29313/jstat.v18i2.4545

Syafrudin, S., Nugraha, A. R., & Handayani, K. (2021). Prediksi Status Pinjaman Bank dengan Deep Learning Neural Network (DNN).




DOI: https://doi.org/10.31294/jtk.v7i2.10474

Copyright (c) 2021 Sukri Syafrudin, Ranu Agastya Nugraha, Kartika Handayani, Safitri Linawati, Windu Gata

Creative Commons License
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.

ISSN: 2442-2436 (print), and 2550-0120


 dipublikasikan oleh LPPM Universitas Bina Sarana Informatika Jakarta

Jl. Kramat Raya No.98, Kwitang, Kec. Senen, Kota Jakarta Pusat, DKI Jakarta 10450
Creative Commons License
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License