Aanlisis Prediksi Kemampuan Pembayaran Klien Home Credit Indonesia dalam Membayar Pinjaman dengan Metode Random Forest Classifier
Kata Kunci:
Layanan Keuangan, Home Credit Indonesia, Prediksi Kemampuan Pembayaran, Machine Learning, Random Forest ClassifierAbstrak
Layanan keuangan saat ini sedang menghadapi tantangan signifikan dalam menilai kemampuan pembayaran pinjaman klien. Berdasarkan informasi dari Folkative di Instagram dan CNN Indonesia, 2,3 juta warga DKI Jakarta terjerat utang hingga 10,35 triliun rupiah, menunjukkan kesulitan layanan keuangan dalam meminimalisir kerugian. Penelitian ini dilakukan dengan tujuan untuk memberikan solusi bagi Home Credit Indonesia dengan menggunakan analisis prediksi kemampuan pembayaran klien menggunakan metode Random Forest Classifier. Proses dimulai dengan data pre-processing untuk memahami dan membersihkan 307.511 data dengan 122 variabel. Selanjutnya, dilakukan pemilihan fitur untuk menemukan variabel dengan korelasi tinggi terhadap variabel target. Dataset kemudian diproses melalui data splitting dan model building menggunakan Random Forest Classifier. Hasil pengujian menunjukkan akurasi tertinggi pada variasi sampling N=100K dan proporsi data pelatihan dengan data pengujian adalah 90% banding 10%. K-Fold Cross Validation menunjukkan model memiliki accuracy 95.76%, precision 95.82%, recall 95.79%, specificity 94.55%, dan f-measure 95.74%. Penelitian ini menghasilkan model Random Forest Classifier yang efektif dalam mengklasifikasikan klien apakah termasuk dalam kategori bermasalah atau tidak saat mengajukan pinjaman.
Referensi
Addo, P. M., Guegan, D., & Hassani, B. (2018, April 16). Credit Risk Analysis Using Machine and Deep Learning Models. Computational Methods for Risk Management in Economics and Finance, 6(2), 38. https://doi.org/10.3390/risks6020038
Breiman, L. (2001, October). Random Forests. Machine Learning, 45, 5–32. https://doi.org/10.1023/A:1010933404324
Goldberg, D. E., & Holland, J. H. (1988, October). Genetic Algorithms and Machine Learning. Machine Learning, 3(2), 95-99. https://doi.org/10.1023/A:1022602019183
Hadi, A. (2016, Juni 23). Adaptive Neuro Fuzzy Inference System (ANFIS) Untuk Prediksi Pembayaran Pinjaman Berdasarkan Rencana Pembiayaan Nasabah. SATIN - Sains Dan Teknologi Informasi, 1(2), 1-9. https://doi.org/10.33372/stn.v1i2.20
Madaan, M., Kumar, A., Keshri, C., Jain, R., & Nagrath, P. (2021). Loan default prediction using decision trees and random forest: A comparative study. Materials Science and Engineering. https://doi.org/10.1088/1757-899X/1022/1/012042
Marginingsih, R. (2021, April 1). Financial Technology (Fintech) Dalam Inklusi Keuangan Nasional di Masa Pandemi Covid-19. Akuntansi dan Keuangan, 8. https://pdfs.semanticscholar.org/9528/320a3e10c0a670bbd85192946f3eeee6c0b2.pdf
Primajaya, A., & Sari, B. N. (2018, March 10). Random Forest Algorithm for Prediction of Precipitation. Indonesian Journal of Artificial Intelligence and Data Mining (IJAIDM), 1(1), 27-31. https://media.neliti.com/media/publications/291541-random-forest-algorithm-for-prediction-o-2b412c11.pdf
Sabily, A. F., Adikara, P. P., & Fauzi, M. A. (2019, Mei). Analisis Sentimen Pemilihan Presiden 2019 pada Twitter menggunakan Metode Maximum Entropy. Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, 3(5), 4204-4209.
Sharma, A., & Verbeke, W. J. M. I. (2021, May 10). Understanding Importance of Clinical Biomarkers for Diagnosis of Anxiety Disorders Using Machine Learning Models. https://doi.org/10.1371/journal.pone.0251365
Tempola, F., Muhammad, M., & Khairan, A. (2018, October). Perbandingan Klasifikasi Antara KNN dan Naive Bayes pada Penentuan Status Gunung Berapi dengan K-Fold Cross Validation, 5(5). https://doi.org/10.25126/jtiik.201855983
Warga DKI Jakarta Masih Utang ke Pinjol Rp1.035 Triliun." Diakses pada 31 Juli 2023. (2022, October 2). CNN Indonesia. Retrieved Juli 31, 2023, from https://www.cnnindonesia.com/ekonomi/20230627112940-78-967010/warga-dki-%20jakarta-masih-utang-ke-pinjol-rp1035-triliun
Addo, P. M., Guegan, D., & Hassani, B. (2018, April 16). Credit Risk Analysis Using Machine and Deep Learning Models. Computational Methods for Risk Management in Economics and Finance, 6(2), 38. https://doi.org/10.3390/risks6020038
Breiman, L. (2001, October). Random Forests. Machine Learning, 45, 5–32. https://doi.org/10.1023/A:1010933404324
Goldberg, D. E., & Holland, J. H. (1988, October). Genetic Algorithms and Machine Learning. Machine Learning, 3(2), 95-99. https://doi.org/10.1023/A:1022602019183
Hadi, A. (2016, Juni 23). Adaptive Neuro Fuzzy Inference System (ANFIS) Untuk Prediksi Pembayaran Pinjaman Berdasarkan Rencana Pembiayaan Nasabah. SATIN - Sains Dan Teknologi Informasi, 1(2), 1-9. https://doi.org/10.33372/stn.v1i2.20
Madaan, M., Kumar, A., Keshri, C., Jain, R., & Nagrath, P. (2021). Loan default prediction using decision trees and random forest: A comparative study. Materials Science and Engineering. https://doi.org/10.1088/1757-899X/1022/1/012042
Marginingsih, R. (2021, April 1). Financial Technology (Fintech) Dalam Inklusi Keuangan Nasional di Masa Pandemi Covid-19. Akuntansi dan Keuangan, 8. https://pdfs.semanticscholar.org/9528/320a3e10c0a670bbd85192946f3eeee6c0b2.pdf
Primajaya, A., & Sari, B. N. (2018, March 10). Random Forest Algorithm for Prediction of Precipitation. Indonesian Journal of Artificial Intelligence and Data Mining (IJAIDM), 1(1), 27-31. https://media.neliti.com/media/publications/291541-random-forest-algorithm-for-prediction-o-2b412c11.pdf
Sabily, A. F., Adikara, P. P., & Fauzi, M. A. (2019, Mei). Analisis Sentimen Pemilihan Presiden 2019 pada Twitter menggunakan Metode Maximum Entropy. Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, 3(5), 4204-4209.
Sharma, A., & Verbeke, W. J. M. I. (2021, May 10). Understanding Importance of Clinical Biomarkers for Diagnosis of Anxiety Disorders Using Machine Learning Models. https://doi.org/10.1371/journal.pone.0251365
Tempola, F., Muhammad, M., & Khairan, A. (2018, October). Perbandingan Klasifikasi Antara KNN dan Naive Bayes pada Penentuan Status Gunung Berapi dengan K-Fold Cross Validation, 5(5). https://doi.org/10.25126/jtiik.201855983
Warga DKI Jakarta Masih Utang ke Pinjol Rp1.035 Triliun." Diakses pada 31 Juli 2023. (2022, October 2). CNN Indonesia. Retrieved Juli 31, 2023, from https://www.cnnindonesia.com/ekonomi/20230627112940-78-967010/warga-dki-%20jakarta-masih-utang-ke-pinjol-rp1035-triliun
Unduhan
Diterbitkan
Cara Mengutip
Terbitan
Bagian
Lisensi
Hak Cipta (c) 2024 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
Artikel ini berlisensiCreative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.