PENERAPAN MWMOTE UNTUK MENGATASI KETIDAKSEIMBANGAN KELAS PADA KLASIFIKASI RISIKO KREDIT
Abstract
Salah satu bentuk usaha yang dijalankan oleh perbankan adalah pemberian kredit terhadap nasabaah. Bank akan selalu berusaha mengoptimalkan penyaluran kredit terhadap nasabah, akan tetapi tidak menutup kemungkinan bahwa kredit yang diberikan tersebut memiliki risiko. Guna menekan dan meminimalisir risiko kredit pihak bank perlu melakukan analisis terhadap data yang dimiliki nasabah agar dapat mengambil keputusan apakah nasabah atau calon debitur layak diberikan pinjaman dalam bentuk kredit. Salah satu cara untuk menyelesaikan masalah analisa risiko kredit adalah dengan melakukan klasifikasi dengan menggunakan machine learning. Pada penelitian ini dilakukan klasifikasi dengan menggunakan algoritma Support Vector Machine (SVM) serta oversampling data dengan menggunakan MWMOTE dan Improve MWMOTE. Data yang digunakan pada penelitian ini adalah data german credit risk yang memiliki Kelas bad credit yang terdiri atas 300 data dan kelas good credit terdiri atas 700 data. Penelitian dilakukan dengan membandingkan klasifikasi SVM dengan dan tanpa oversampling. Hasilnya didapatkan bahwa nilai akurasi dari klasifikasi Improve MWMOTE SVM memiliki nilai tertinggi jika dibandingan dengan SVM MWMOTE, dan SVM yaitu sebesar 77,95%.
Downloads
References
Ardiyansyah, Rahayuningsih, P. A., & Maulana, R. (2018). Analisis Perbandingan Algoritma Klasifikasi Data Mining Untuk Dataset Blogger Dengan Rapid Miner. Jurnal Khatulistiwa Informatika, VI(1), 20–28.
Hadianto, N., Novitasari, H. B., Rahmawati, A., & Komputer, I. (2019). Klasifikasi peminjaman nasabah bank menggunakan metode neural network. 15(2), 163–170. https://doi.org/10.33480/pilar.v15i2.658
Lusiyanti, D. (2018). Sistem sederhana untuk memprediksi risiko pemberian kredit. 15.
Puspitasari, A. M., Ratnawati, D. E., & Widodo, A. W. (2018). Klasifikasi Penyakit Gigi Dan Mulut Menggunakan Metode Support Vector Machine. J-Ptiik, 2(2), 802–810. http://j-ptiik.ub.ac.id
Saputra, P. Y., Abdullah, M. Z., & Kirana, A. P. (2021). Improvisasi Teknik Oversampling MWMOTE Untuk Penanganan Data Tidak Seimbang. 5(April), 398–405. https://doi.org/10.30865/mib.v5i2.2811
Satria, F., Zamhariri, Z., & Syaripudin, M. A. (2020). Prediksi Ketepatan Waktu Lulus Mahasiswa Menggunakan Algoritma C4.5 Pada Fakultas Dakwah Dan Ilmu Komunikasi UIN Raden Intan Lampung. Jurnal Ilmiah Matrik, 22(1), 28–35. https://doi.org/10.33557/jurnalmatrik.v22i1.836
Silalahi, D. K., Murfi, H., & Satria, Y. (2017). Studi Perbandingan Pemilihan Fitur untuk Support Vector Machine pada Klasifikasi Penilaian Risiko Kredit. 1(2), 119–136.
Untoro, M. C., & Buliali, J. L. (2018). Penanganan imbalance class data laboratorium kesehatan dengan majority weighted minority oversampling technique. Register: Jurnal Ilmiah Teknologi Sistem Informasi, 4(1), 23–29. https://doi.org/10.26594/register.v4i1.1184
UU Nomor 10 Tahun 1998. (1998). Undang-Undang Republik Indonesia Nomor 10 Tahun 1998 Tentang Perbankan. Bank Indonesia, 1–65.
Copyright (c) 2023 Maria Ulfah, Triando Hamonangan Saragih, Dwi Kartini, Muhammad Itqan Mazdadi, Friska Abadi
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
Copyright for articles published in this journal is retained by the authors, with first publication rights granted to the journal. By virtue of their appearance in this open access journal, articles are free to use after initial publication under the International Creative Commons Attribution-NonCommercial 4.0 Creative Commons CC_BY_NC.
