Detail Cantuman

Penggunaan penskoran kredit pada lembaga keuangan di Indonesia saat
ini banyak dipakai oleh FinTech atau Financial Technology pada lembaga
keuangan peer to peer lending, kelebihan layanan peer to peer lending
dibandingkan dengan layanan keuangan lainnya adalah tidak memerlukan
jaminan serta proses waktu pencariannya yang juga cepat. Penskoran kredit
dalam peer to peer lending ini harus akurat untuk mengurangi risiko kredit
bahwa peminjam tidak akan membayar apa yang terutang. Solusi yang
disarankan yaitu data mining menggunakan salah satu algoritma machine
learning yaitu XGBoost yang memiliki tingkat akurasi yang tinggi. Tahapan
pada data mining terdiri data understanding, data preparation, modeling dan
evaluation. Data preparation adalah proses-proses pengumpulan,
pembersihan dan penyatuan data ke dalam sebuah file atau tabel data untuk
keperluan analisis. Data preparation melibatkan pemrosesan memanipulasi
data mentah yang tidak terstruktur menjadi bentuk yang lebih terstruktur dan
siap untuk dianalisis lebih lanjut. Tidak ada solusi universal untuk data
preparation karena setiap permasalahan, setiap analisis, dan setiap solusi akan
memiliki kebutuhan tingkat kualitas data yang berbeda-beda. Pada penelitian
ini akan mencoba untuk memaksimalkan tahapan data preparation untuk
menangani missing value, outlier data dan imbalance data menggunakan
beberapa teknik dengan harapannya akurasi dari XGBoost ini dapat
meningkatan penskoran kredit pada studi kasus peer to peer landing
menggunakan algoritma XGBoost. Dataset yang digunakan adalah data
peminjaman Lending Club dengan jumlah data 2.260.701 baris dan memiliki
151 variabel. Teknik data preparation yang digunakan adalah feature
selection yaitu mengurangi 151 variabel menjadi 51 variabel berdasarkan
missing value, pearson correlation dan p-value serta digunakan EDA untuk
mencari variabel yang bermasalah dan data pencilan menjadikan variabel
yang digunakan adalah 44 variabel. Setelah dilakukan pengurangan variabel,
selanjutnya dilakukan pembersihan data yaitu missing value handling, outlier
handling dan imbalance data handling. Hasil penelitian prediksi kelayakan
kredit menggunakan XGBoost pada peer to peer lending didapatkan nilai
accuracy: 99.31%, precision 98.54%, recall: 98.58%, specitifity 99.53%,
ROC/AUC: 99.95%, dan f1-score: 98.57%