Analisa Performa Algoritma Random Forest & Logistic Regression Dalam Sistem Credit Scoring

Abstract

Perkembangan teknologi yang pesat, terutama dalam bidang Artificial Intelligence (AI), telah membawa dampak besar pada berbagai sektor industri. Salah satu implementasi yang semakin populer adalah ChatGPT, yang memungkinkan interaksi manusia dengan komputer secara lebih intuitif. Selain itu, AI juga telah mengubah lanskap sektor keuangan, terutama dalam hal Credit Scoring. Dengan menggunakan Machine Learning Supervised, algoritma seperti Random Forest dan Logistic Regression digunakan untuk meningkatkan akurasi dan efisiensi dalam proses Credit Scoring. Namun, perbandingan antara akurasi kedua algoritma tersebut masih menjadi pertanyaan. Oleh karena itu, penelitian ini bertujuan untuk membandingkan tingkat akurasi antara Random Forest dan Logistic Regression dalam konteks Credit Scoring. Dari hasil penelitian kali ini didapatkan bahwa untuk dataset yang digunakan dalam penelitian Random Forest menghasilkan nilai AUC yang lebih baik yaitu sebesar 0.90 dibandingkan Logistic Regression pada angka 0.89.