KLASIFIKASI CREDIT SCORING MENGGUNAKAN METODE NAIVE BAYESIAN CLASSIFICATION PADA PLATFORM PEER-TO-PEER LENDING - Dalam bentuk buku karya ilmiah

JOEL RAYAPOH DAMANIK

Informasi Umum

Kode

23.04.7116

Klasifikasi

006.31 - Machine Learning

Jenis

Karya Ilmiah - Skripsi (S1) - Reference

Subjek

Machine Learning

Dilihat

363 kali

Informasi Lainnya

Abstraksi

Di Indonesia seiring bermunculnya P2P lending legal, muncul juga P2P lending ilegal yang dimana masih belum mendapat izin dari pihak berwenang, yaitu setidaknya ada 400 perusahaan fintech ilegal yang beroperasi di Indonesia. Dan permasalahan yang sering terjadi pada platform peer-to-peer lending pada umumnya yaitu kurangnya antisipasi dari platform peer-to-peer lending tersebut terhadap peminjam yang mengalami gagal bayar karena selainnya tingginya bunga yang diterapkan dan tidak adanya seleksi terhadap peminjam yang memiliki resiko kredit macet yang tinggi ataupun memiliki resiko kredit macet yang rendah. Untuk menyelesaikan permasalahan tersebut diperlukannya sebuah model sistem Machine Learning yang dapat mengklasifikasi data peminjam yang nantinya dapat terintegrasi dengan data pada lembaga keuangan lainnya untuk menyeleksi calon peminjam yang memiliki resiko kredit macet yang rendah dan tinggi yang dimana salah satunya adalah model algoritma Naïve Bayes Classifier. Metode Algoritma Naïve Bayes Classifier adalah model independen yang menangani klasifikasi sederhana berdasarkan teorema Bayes. Naïve bayes adalah algoritma yang dapat mengklasifikasikan variabel tertentu menggunakan metode probabilistik dan statistik. Dengan metode Naïve Bayes classifier ini nantinya akan tercipta sebuah sistem yang akan membantu pihak peer-to-peer lending dalam menyeleksi pengguna atau pelanggan peer-to-peer lending yang memiliki resiko kredit rendah ataupun resiko kredit yang tinggi. Untuk menghasilkan performa klasifikasi terbaik, maka dilakukan hyperparameter tuning dari setiap simulasi. Hyperparameter tuning adalah proses mencari nilai optimal dari hyperparameter suatu model machine learning untuk memperbaiki performa model machine learning, hal ini dilakukan dengan mencoba berbagai nilai hyperparameter dan membandingkan hasil mereka dengan metrik performansi. Dalam melakukan hyperparameter tuning pada algoritma GaussianNB dibutuhkan hyperparameter varsmoothing. Sehingga hasil dari hyperparameter tuning terbaik yaitu dengan nilai varsmoothing senilai 0.009638958856642498 dengan perbandingan trainsize dan testsize sebanyak 70:30 dengan nilai akurasi skor mencapai 95%