Perpustakaan Digital ITB

Salah satu aplikasi teknologi data mining yang populer pada industri perbankan dan lembaga finansial lainnya adalah credit scoring (penilaian kredit). Teknologi ini sangat bermanfaat dan menjanjikan karena menggantikan pendekatan lama yang cenderung tidak objektif dan bergantung kepada kemampuan analis. Salah satu alternatif algoritme untuk data mining yang dapat diaplikasikan pada pembangunan model credit scoring adalah Artificial Neural Network. Dalam pembangunan model credit scoring, perlu dilakukan optimasi pada parameter-parameter tertentu untuk menghasilkan model yang terbaik. Penelitian ini bertujuan untuk membangun model credit scoring menggunakan Artificial Neural Network dan melakukan optimasi parameter-parameternya. Penelitian menggunakan dataset SIJEKH yang merupakan data historis penilaian kredit suatu lembaga keuangan untuk dianalisis. Proses pembangunan model dilakukan dengan metode Cross-Industry Standard Process for Data Mining (CRISP-DM), yang terdiri dari pemahaman bisnis, pemahaman data, persiapan data, pembangunan model, dan evaluasi. Pembangunan model dilakukan dengan menggunakan library Scikit-Learn yaitu kelas MLPClassifier. Optimasi dilakukan dengan metode pemilihan alternatif terbaik serta grid search. Percobaan yang telah dilakukan menghasilkan nilai accuracy, precision, recall, specificity, F-measure, dan AUC pada data uji secara urut sebesar 0,85008658, 0,942447192, 0,86538531, 0,789056875, 0,902259529, dan 0,900066602. Dari hasil analisis penelitian ini dapat disimpulkan bahwa model credit scoring yang paling optimal dengan menggunakan multi-layer perceptron pada Artificial Neural Network yaitu model dengan parameter solver 'Adam' dengan jumlah node pada hidden layer pertama dan kedua adalah 607 dan 121, serta fungsi aktivasi hyperbolic tangent dan nilai alpha 0,0001.