Klasifikasi Sentimen Data Kredit untuk Menentukan Kelayakan Nasabah Menggunakan Random Forest

Klasifikasi Sentimen Data Kredit untuk Menentukan Kelayakan Nasabah Menggunakan Random Forest

• By Sugiyarto, Ipin; Faddillah, Umi: Sudarsono, Bibit;
• Jurnal Nasional Terakreditasi
• 0
• 37-42

Penilaian kelayakan kredit merupakan proses penting dalam industri keuangan untuk meminimalkan risiko gagal bayar. Studi ini bertujuan untuk mengembangkan sistem otomatis berbasis kecerdasan buatan menggunakan Algoritma Random Forestuntuk mengevaluasi kelayakan kredit pelanggan. Metodologinya meliputi pengumpulan data pinjaman, pra-pemrosesan, pelatihan model Random Forest, dan pengembangan aplikasi web KreditSmart. Dataset terdiri dari 700 entri dengan fitur seperti jumlah pinjaman (plafond), jangka waktu (tenor), dan kualitas pembayaran (kolektilitas). Hasil menunjukkan bahwa model Random Forestmencapai akurasi 85%, dengan kualitas pembayaran sebagai prediktor utama. Aplikasi KreditSmart memungkinkan penilaian kredit secara real-time, meningkatkan efisiensi dan akurasi. Studi ini berkontribusi pada otomatisasi penilaian kredit, pengurangan risiko, dan referensi akademis untuk aplikasi pembelajaran mesin di bidang keuangan

• Katakunci Kelayakan Kredit, Random Forest, Aplikasi Web, KreditSmart
• URL https://ejournal.mediaantartika.id/index.php/jka/article/view/1352/267
• Penerbit antartika media indonesia, Jawabarat

REFERENSI

[1]N. L. Zailani, A. U., & Hanun, “Penerapan Algoritma Klasifikasi Random Forest Untuk Penentuan Kelayakan Pemberian Kredit Di Koperasi Mitra Sejahtera,” Infotech J. Technol. Inf., vol. 6, pp. 7–14, 2020.[2]A. S. de Díaz-Uriarte R, “Gene Selection and Classification of Microarray Data Using Random Forest,” vol. 7, 2006.[3]A. Yaqin, “Penilaian Kredit Menggunakan Algoritma XGBoost dan Logistic Regression,” J. Inform. J. Pengemb. IT, vol. 8, pp. 4–10, 2022.[4]L. Breiman, Random Forests. Machine Learning. 2001.[5]K. Zhu, L., Qiu, D., Ergu, D., Ying, C., & Liu, “A study on predicting loan default based on the random forest algorithm,” Procedia Comput. Sci., pp. 503–513, 2019.[6]S. U. Sartono B, Ensemble Tree: an Alternative toward Simple Classification & Regression Tree. Forum Statistika dan Komputasi. 2010.[7]Y. Pahlevi, O.-, Amrin, A.-, & Handrianto, “Implementasi Algoritma Klasifikasi Random Forest Untuk Penilaian Kelayakan Kredit. Jurnal Infortech,” J. Infortech, vol. 5, pp. 71–76, 2023.[8]S. Wajhillah, R., Ubaidallah, I. H., & Bahri, “Analisis Kelayakan Kredit Berbasis Algoritma K-Nearst Neighboar (Studi Kasus: Koperasi AKU),” InfoTekJar J. Nas. Inform. Dan Teknol. Jar., vol. 1, p. 4, 2019.[9]Z. P. Sandri M, “Variable Selection Using Random Forest,” 2005.[10]S. Dewi., “Komparasi 5 Metode Algoritma Klasifikasi Datamining Pada Prediksi Keberhasilan Pemasaran Produk Layanan Perbankan,” J. Techno Nusa Mandiri, vol. 13, pp. 60–65, 2016.[11]T. Tukino, “Penerapan Metode Algoritma C4.5 dalam Penilaian Kelayakan Pemberian Kredit Kepada Mitra Usaha PT Arita Prima Sukses,” Prosiding Seminar Nasional Ilmu Sosial Dan Teknologi (SNISTEK), pp. 306–314, 2023.[12]W. M. Liaw A, “Classification and Regression by randomForest,” RNews, vol. 2, pp. 18–22, 2002.[13]X. Z. Y. Wang, S. Shia, Q. Tang, J. Wu, “A Novel Consistent Random Forest Framework: Bernoulli Random Forest,” IEEE Trans. Neural Netw. Learn. Syst., pp. 1–14, 2017.[14]P. K. S. V. Y. Kulkarni, “Effective Learning and Classification Using Random Forest Algorithm,” Int. J. Eng. Innov. Technol., vol. 3, pp. 267–273, 2014.[15]R. Muliadi, Muliadi., Andi, Farmadi., Rudy, Herteno., Rahmat, “Random forest Dengan Random Search Terhadap Ketidakseimbangan Kelas Pada Prediksi Gagal Jantung,” J. Inform., 2023.