Perpustakaan Digital ITB

Seiring perkembangan zaman, implementasi teknologi di kehidupan sehari-hari semakin bertambah. Salah satu industri yang terdampak dengan perkembangan ini adalah credit scoring. Implementasi model machine learning mampu meningkatkan objektivitas serta efektivitas dari proses credit scoring tradisional yang tidak sepenuhnya objektif. Akan tetapi proses klasifikasi yang dilakukan model machine learning memiliki kekurangan dalam memberikan penjelasan proses mendapatkan hasil klasifikasi credit scoring. Penelitian ini bertujuan untuk mengimplementaikan XAI / LLM dengan ML untuk meningkatkan penjelasan yang didapatkan. Hasil penelitian menunjukkan bahwa tuned bagging classifier mendapatkan performa terbaik dengan akurasi 0.8314, recall class-0 0.8553, dan AUC 0.9387. Bagging classifier tersebut diimplementasikan bersama dengan XAI, yaitu SHAP, LIME, dan DiCE. Melalui SHAP dan LIME, user mendapatkan feature importance dari setiap hasil klasifikasi yang dilakukan model. Selain itu, implementasi DiCE juga membantu mendapatkan counterfactual explanation yang membantu user mengubah credit score menjadi "Good". Terakhir, ketiga output XAI akan dijelaskan dengan LLM untuk mendapatkan penjelasan dalam bahasa manusia. Evaluasi memperlihatkan bahwa penggunaan LLM dan XAI dapat memberikan penjelasan yang mudah dipahami oleh user tanpa domain knowledge, tetapi masih membutuhkan optimisasi untuk counterfactual explanation yang kurang realistis.