Skripsi PENERAPAN PARTICLE SWARM OPTIMIZATION UNTUK SELEKSI ATRIBUT PADA METODE SUPPORT VECTOR MACHINE UNTUK PENENTUAN PENILAIAN KREDIT

Kredit macet merupakan salah satu risiko kredit yang dihadapi oleh pelaku industri keuangan dan perbankan. Kredit macet dapat dihindari dengan cara melakukan analisa kredit yang akurat terhadap calon debitur. Keakuratan penilaian kredit sangat penting untuk profitabilitas lembaga keuangan.

Pentingnya Seleksi Atribut dalam Penilaian Kredit

Peningkatan akurasi penilaian kredit dapat dilakukan dengan cara melakukan seleksi terhadap atribut. Seleksi atribut mengurangi dimensi dari data sehingga operasi algoritma data mining dapat berjalan lebih efektif dan lebih cepat. Banyak penelitian yang telah dilakukan untuk penentuan penilaian kredit, dan salah satu metode yang paling banyak digunakan adalah metode support vector machine.

Metode Support Vector Machine

Support vector machine (SVM) adalah salah satu teknik yang populer digunakan dalam penilaian kredit. Dalam penelitian ini, metode SVM digunakan dan dilakukan seleksi atribut dengan menggunakan particle swarm optimization (PSO) untuk penentuan penilaian kredit.

Hasil Pengujian Awal dengan Support Vector Machine

Setelah dilakukan pengujian, hasil yang didapat menunjukkan bahwa support vector machine menghasilkan nilai akurasi sebesar 75,3%, nilai precision 63,29%, dan nilai AUC sebesar 0,78.

Seleksi Atribut dengan Particle Swarm Optimization

Kemudian dilakukan seleksi atribut dengan menggunakan particle swarm optimization. Dari 20 variabel prediktor, terpilih 15 atribut yang digunakan. Seleksi atribut ini bertujuan untuk meningkatkan kinerja algoritma SVM.

Hasil Pengujian Setelah Seleksi Atribut

Hasil menunjukkan nilai akurasi yang lebih tinggi yaitu sebesar 77,4%, nilai precision 66,62%, dan nilai AUC sebesar 0,786. Dengan demikian, terdapat peningkatan akurasi sebesar 2,1% dan peningkatan AUC sebesar 0,006.

Kesimpulan dan Implikasi

Dengan melihat nilai akurasi dan AUC, algoritma support vector machines berbasis particle swarm optimization dapat dikategorikan sebagai klasifikasi yang cukup baik. Metode ini menunjukkan peningkatan kinerja setelah dilakukan seleksi atribut, yang membuktikan bahwa seleksi atribut memiliki peran penting dalam meningkatkan akurasi penilaian kredit.

Pentingnya Implementasi dalam Industri Keuangan

Implementasi metode ini dalam industri keuangan dapat membantu lembaga keuangan dalam mengurangi risiko kredit macet dengan lebih efektif. Analisa kredit yang lebih akurat dapat meningkatkan profitabilitas dan stabilitas lembaga keuangan.