Optimasi Algoritma Random Forest Dengan Fitur Seleksi Backward Elimination Untuk Penilaian Kelayakan Kredit

Abstract

Kredit sekarang menjadi tren di masyarakat. Problem kredit adalah sejarah penggunaan kartu kredit yang salah. Dampak yang ditimbulkan dapat menyebabkan kredit macet. Jika pelanggan tidak membayar utang yang telah disepakati dengan bank, mereka dapat meningkatkan risiko kredit mereka. Dalam penelitian ini, peneliti menerapkan algoritma Random Forest tanpa optimasi dan Algorima Random Forest dengan Optimasi Fitur Seleksi Backward Elimination untuk mengklasifikasikan status kelayakan kredit. Peneliti menggunakan 481 catatan kredit kendaraan dengan ulasan ”bad” dan ”good”. Variabel independen digunakan dalam penelitinan adalah status tanggungan, usia, pendidikan terkahir, status pernikahan, pekerjaan, status perusahaan, pendapatan, status pekerjaan, kondisi rumah, lama tinggal dan uang muka. Dari hasil penelitian dan pengujian, performa model random forest tanpa backward elimination untuk penilaian kelayakan kredit memberikan tingkat akurasi kebenaran sebesar 78,60% dengan nilai area under the curva (AUC) sebesar 0,907. Sedangkan Performa model random forest dengan backward elimination memberikan tingkat akurasi kebenaran sebesar 89,81% dengan nilai area under the curve (AUC) sebesar 0,922. Hal ini membuktikan bahwa optimasi dengan backward elimination dapat meningkatkan kinerja metode klasifikasi yang digunakan.