Perpustakaan Digital ITB

Kredit memiliki peran yang krusial dalam perputaran ekonomi di sebuah negara. Perbankan dan lembaga kreditur lainnya kerap menggunakan dana yang stagnan untuk menjalankan perannya sebagai pemberi kredit kepada masyarakat atau lembaga. Sebelum melakukan pemberian kredit, pihak kreditur umumnya melakukan analisis penilaian risiko kredit untuk meminimalisir risiko kredit yang ada. Penilaian risiko kredit dapat dilakukan menggunakan asesmen seorang ahli kredit atau melalui otomasi model berdasarkan data-data pribadi dan riwayat transaksi calon debitur, atau dikenal dengan credit scoring. Salah satu metode untuk melakukan credit scoring adalah melalui machine learning. Terdapat banyak algoritma yang dapat digunakan untuk membangun model prediksi skor kredit yang baik. Penerapan algoritma machine learning dilakukan melalui enam tahap, yaitu pemahaman kebutuhan bisnis, pemahaman data yang digunakan, pra-proses data, pemodelan dan optimasi parameter, evaluasi, serta deployment. Pemahaman terhadap kebutuhan bisnis dan pemahaman data dilakukan melalui exploratory data analysis. Tahap ini memberikan insight mengenai fitur-fitur yang penting untuk digunakan pada tahap pembuatan model. Pada tahap pemodelan, dipilih beberapa algoritma ensemble learning untuk dibandingkan hasilnya. Pada setiap algoritma, akan dilakukan optimasi parameter menggunakan grid search dan k-fold cross validation. Hasil prediksi dari setiap algoritma akan dievaluasi melalui beberapa metrik klasifikasi, diantaranya AUC, accuracy, F1 score, precision, recall, dan training time dengan nilai AUC dan recall class bad sebagai metrik utamanya.