KOMPARASI KINERJA ALGORITMA RANDOM FOREST DAN SUPPORT VECTOR MACHINE BERBASIS ADAPTIVE BOOSTING UNTUK ANALISIS KELAYAKAN KREDIT NASABAH

Isi Artikel Utama

Andi Andi
Thamrin

Abstrak

Penelitian ini bertujuan untuk membandingkan kinerja algoritma Random Forest dan Support Vector Machine (SVM) yang ditingkatkan dengan Adaptive Boosting dalam penentuan kelayakan pinjaman dana. Metode ini dilakukan dengan menggunakan dataset dari Kaggle yang terdiri dari 614 data calon peminjam, dengan atribut-atribut seperti jenis kelamin, status pernikahan, jumlah tanggungan, pendidikan, status usaha, pendapatan, jumlah pinjaman, jangka waktu pinjaman, riwayat kredit, dan lokasi rumah. Hasil penelitian menunjukkan bahwa Random Forest berbasis Adaptive Boosting mencapai akurasi 92,35%, presisi 90,12%, recall 89,87%, dan missclassification error 7,65%, sedangkan SVM berbasis Adaptive Boosting mencapai akurasi 85,76%, presisi 82,45%, recall 81,93%, dan missclassification error 14,24%. Temuan ini mengindikasikan bahwa Random Forest lebih unggul dibandingkan dengan SVM dalam memprediksi kelayakan pinjaman dana ketika ditingkatkan dengan Adaptive Boosting. Penelitian ini memberikan kontribusi dalam pengembangan teknik penilaian risiko kredit menggunakan pendekatan data mining yang dapat diterapkan dalam industri keuangan untuk meningkatkan ketepatan dalam pengambilan keputusan kredit.

Rincian Artikel

Cara Mengutip
[1]
A. Andi dan Thamrin, “KOMPARASI KINERJA ALGORITMA RANDOM FOREST DAN SUPPORT VECTOR MACHINE BERBASIS ADAPTIVE BOOSTING UNTUK ANALISIS KELAYAKAN KREDIT NASABAH”, JTM, vol. 13, no. 2, hlm. 326–333, Des 2024.
Bagian
Articles

Referensi

[1] Ardiyansyah, R. Sa’adah, Lisnawanty, and D. Purwaningtias, “Peningkatan Akurasi Metode C4 . 5 Untuk Memprediksi Kelayakan Kredit Berbasis Stratified Sampling Dan Optimize Selection,” Kumpul. J. Ilmu Komput., vol. 10, no. 2, pp. 239–249, 2023.

[2] D. N. Sholihaningtias, “Rekomendasi Kelayakan Penerima Kredit Menggunakan Metode TOPSIS dengan Pembobotan ROC,” J. SAINTEKOM, vol. 13, no. 1, pp. 88–99, 2023, doi: 10.33020/saintekom.v13i1.376.

[3] A. Muzakir and R. A. Wulandari, “Model Data Mining Sebagai Prediksi Penyakit Hipertensi Kehamilan dengan Teknik Decision Tree,” Sci. J. Informatics, vol. 3, no. 1, pp. 19–26, 2016.

[4] M. A. Mulyana, Y. Religia, and A. Suwarno, “Optimasi Berbasis Particle Swarm Optimization Pada Algoritma Naive Bayes Dalam Memprediksi Penyakit Stroke,” Pelita Teknol. J. Ilm. Inform. Arsit. dan Lingkung., vol. 14, no. 1, pp. 1–15, 2019.

[5] I. Nawangsih and P. Purnamasari, “Analisis Pola Pembelian Produk Kecantikan Menggunakan Algoritma Apriori,” J. Teknol. Inform. dan Komput., vol. 9, no. 1, pp. 537–546, 2023, doi: 10.37012/jtik.v9i1.1614.

[6] I. M. S. Ramayu, F. Susanto, and G. S. Mahendra, “Penerapan Data Mining Dengan Algoritma C4.5 Dalam Pemesanan Obat Guna Meningkatkan Keuntungan Apotek,” in Prosiding Seminar Nasional Manajemen, Desain & Aplikasi Bisnis Teknologi (SENADA), 2022, vol. 5, pp. 237–245, [Online]. Available: http://senada.idbbali.ac.id.

[7] B. Pernama and H. D. Purnomo, “Analisis Risiko Pinjaman dengan Metode Support Vector Machine, Artificial Neural Network dan Naïve Bayes,” J. JTIK (Jurnal Teknol. Inf. dan Komunikasi), vol. 7, no. 1, pp. 92–99, 2023, doi: 10.35870/jtik.v7i1.693.

[8] K. P. Ulandari, N. Chamidah, and A. Kurniawan, “Prediksi Risiko Gagal Bayar Kredit Kepemilikan Rumah Dengan Pendekatan Metode Random Forest,” SAINSMAT J. Ilm. Ilmu Pengetah. Alam, vol. 13, no. 2, pp. 162–170, 2024.

[9] Robet, J. T. K. P. Angin, and O. Pribadi, “Implementation of Deep Learning Model for Classification of Household Trash Image,” Sink. J. dan Penelit. Tek. Inform. Vol. 8, Nomor 4, Oct. 2024 DOI https//doi.org/10.33395/sinkron.v8i4.14198 e-, vol. 8, no. 4, pp. 2575–2583, 2024.

[10] Amna et al., Data Mining. Padang: PT Global Eksekutif Teknologi, 2023.

[11] F. Diba, M. S. Lydia, and P. Sihombing, “Analisis Random Forest Menggunakan Principal Component Analysis Pada Data Berdimensi Tinggi,” Indones. J. Comput. Sci., vol. 12, no. 4, pp. 2152–2160, 2023, doi: 10.33022/ijcs.v12i4.3329.

[12] R. A. Rizal, I. S. Girsang, and S. A. Prasetiyo, “Klasifikasi Wajah Menggunakan Support Vector Machine (SVM),” REMIK (Riset dan E-Jurnal Manaj. Inform. Komputer), vol. 3, no. 2, p. 1, 2019, doi: 10.33395/remik.v3i2.10080.

[13] M. R. Raihan, Y. H. Chrisnanto, and A. K. Ningsih, “KLASIFIKASI PENENTUAN KELAYAKAN PINJAMAN KOPERASI DENGAN ALGORITMA CART MENGGUNAKAN ALGORITMA ADABOOST,” INFOTECH J., vol. 8, no. 2, pp. 74–83, 2022.

[14] M. A. Muslim et al., Data Mining Algoritma C4.5. 2019.

[15] A. Andi, C. Juliandy, and D. David, “Clustering Analysis of Tweets About COVID-19 Using the K-Means Algorithm,” Sinkron, vol. 8, no. 1, pp. 543–533, 2023, doi: 10.33395/sinkron.v8i1.12145.

[16] A. E. Karrar, “The Effect of Using Data Pre-Processing by Imputations in Handling Missing Values,” Indones. J. Electr. Eng. Informatics, vol. 10, no. 2, pp. 375–384, 2022, doi: 10.52549/ijeei.v10i2.3730.

[17] M. R. A. Prasetya and A. M. Priyatno, “Penanganan Imputasi Missing Values pada Data Time Series dengan Menggunakan Metode Data Mining,” J. Inf. dan Teknol., vol. 5, no. 2, pp. 56–62, 2023, doi: 10.37034/jidt.v5i1.324.

[18] M. Sholeh, D. Andayati, and R. Y. Rachmawati, “Data Mining Model Klasifikasi Menggunakan Algoritma K-Nearest Neighbor Dengan Normalisasi Untuk Prediksi Penyakit Diabetes,” TeIKa, vol. 12, no. 02, pp. 77–87, 2022, doi: 10.36342/teika.v12i02.2911.

[19] Andi, Thamrin, A. Susanto, E. Wijaya, and D. Djohan, “Analysis of the random forest and grid search algorithms in early detection of diabetes mellitus disease,” J. Mantik, vol. 7, no. 2, pp. 2685–4236, 2023, doi: 10.35335/mantik.v7i2.3981.