Peningkatan Akurasi Kelayakan Kredit Menggunakan Particle Swarm Optimization

Abstract

Penentuan kelayakan kredit adalah sebuah proses untuk menentukan apakah seorang nasabah termasuk kredit baik atau kredit buruk. Dengan demikian teknik data mining yang tepat digunakan adalah klasifikasi. Naive Bayes Clasifier (NBC), Decision Trees (DT), dan Support Vector Machines (SVM) adalah algoritma yang digunakan untuk klasifikasi, namun akurasinya kurang maksimal. Particel Swarm optimization (PSO) yang digunakan untuk pembobotan atribut dapat meningkatkan kinerja dari algoritma klasifikasi. Penelitian ini membandingkan algoritma NBC-PSO, DT-PSO dan SVM-PSO. Dataset yang digunakan adalah German Credit Data. Proses validasi menggunakan tenfold-cross validation, sedangkan pengujian modelnya menggunakan confusion matrix dan kurva ROC. Hasil eksperimen menunjukan kinerja dari masing-masing algoritma meningkat ketika digabungkan dengan PSO, namun membutuhkan waktu eksekusi yang relatif lebih lama.

 

Kata kunci— Kelayakan kredit, klasifikasi, data mining, NBC, Decision trees, SVM, PSO