Analisis Perbandingan Klasifikasi dan Penerapan Teknik SMOTE Dalam Imbalanced Data Pada Credit Card Default

Abstract

Abstrak-Perkembangan teknologi yang pesat melahirkan metode pembayaran elektronik, salah satunya adalah kartu kredit. Penggunaan kartu kredit dinilai memudahkan pemilik dalam bertransaksi. Kemudahan itu sering kali disalahgunakan oleh orang-orang yang tidak bijak, yaitu dengan cara belanja kompulsif. Perilaku belanja kompulsif menggunakan kartu kredit dapat berdampak terhadap risiko gagal bayar atau kartu kredit default. kartu kredit default adalah gagal melakukan pembayaran hutang pada tanggal jatuh tempo. Namun, kasus tersebut tidak selamanya terjadi dengan adanya penjagaan ketat dari pihak bank. Oleh karena itu, terjadi ketidakseimbangan data pada data kejadian yang disimpan dalam sistem. Dataset tidak seimbang menyulitkan metode klasifikasi karena hasil klasifikasi akan berfokus pada kelas mayoritas. Kondisi dataset tidak seimbang dapat diatasi dengan salah satu metode oversampling, yaitu Synthetic Minority Over-sampling Technique (SMOTE). Metode selanjutnya yang digunakan dalam penelitian ini setelah penerapan SMOTE adalah random forest classifier dan extreme gradient boosting (XGBOOST). Metode random forest mendapatkan nilai AUC yang meningkat 4,29% dari 58,73% menjadi 63,02%. Sementara metode XGBOOST mendapatkan nilai AUC yang juga meningkat 14,78% dari 58,00% menjadi 72,78%. Penentuan metode terbaik dilihat dari nilai AUC yang dihasilkan. Dari hasil tersebut dapat disimpulkan bahwa metode XGBOOST adalah metode terbaik dibandingkan dengan random forest karena memiliki nilai AUC yang lebih tinggi. Kata Kunci-Credit Card Default, Imbalanced Dataset, SMOTE, Random Forest, XGBOOST.