Maulidhia, Abrilian and Bayu Rahayudi, S.T., M.T and Welly Purnomo, S.T., M.Kom. (2024) Analisis Prediksi Kemampuan Pembayaran Klien Home Credit Indonesia Dalam Membayar Pinjaman Dengan Metode Random Forest Classifier. Sarjana thesis, Universitas Brawijaya.
Abstract
Pelayanan keuangan saat ini sedang menghadapi tantangan signifikan dalam menilai tepat klien apakah klien yang mengajukan pinjaman dapat membayar kembali pinjamannya atau tidak. Dibuktikan pada informasi yang disiarkan oleh akun Folkative pada sosial media Instagram, bahwa terdapat 2,3 juta warga DKI Jakarta terjerat utang hingga 10,35 triliun rupiah. Diberitakan juga pada CNN Indonesia dengan berita yang sama sebanyak 2 kali. Hal tersebut menjadi sebuah bukti bahwa layanan keuangan saat ini sedang menghadapi tantangan untuk meminimalisir kerugian akibat kesalahan dalam menilai kemampuan pembayaran klien. Penelitian ini bertujuan untuk memberikan sebuah solusi terhadap layanan keuangan khususnya Home Credit Indonesia dalam melakukan tindakan preventif untuk menghindari kerugian akibat pemberian pinjaman terhadap klien yang kurang tepat, dengan cara melakukan analisis prediksi kemampuan pembayaran klien menggunakan metode Random Forest Classifier. Analisis prediksi tersebut dimulai dengan proses data pre-processing untuk memahami dan membersihkan data sebanyak 307.511 dengan 122 variabel. Selanjutnya dataset akan diproses dalam tahap pemilihan fitur, yang mana akan didapatkan variabel dengan nilai korelasi terhadap variabel target yang hanya akan diproses dalam tahap selanjutnya yaitu data splitting dan model building dengan menggunakan Random Forest Classifier. Hasil pengujian menunjukkan nilai akurasi tertinggi didapatkan pada variasi nilai sampling yaitu N=100K dan perbandingan data latih dan data uji sebesar 90%:10%. Hasil pengujian K-Fold Cross Validation menunjukkan bahwa model Random Forest Classifier memiliki nilai accuracy sebesar 95.76%, precision sebesar 95.82%, recall sebesar 95.79%, specificity sebesar 94.55%, dan f-measure sebesar 95.74%. Hasil akhir dari penelitian adalah model Random Forest Classifier dapat mengklasifikasikan klien yang akan mengajukan pinjaman, apakah klien tersebut termasuk ke dalam kelas klien yang bermasalah atau tida
English Abstract
Financial services are currently facing significant challenges in assessing whether clients who apply for loans can repay their loans or not. Proven in the information broadcast by the Folkative account on Instagram social media, that there are 2.3 million DKI Jakarta residents in debt up to 10.35 trillion rupiah. Also reported on CNN Indonesia with the same news twice. This is proof that financial services are currently facing challenges to minimize losses due to errors in assessing client payment capabilities. This research aims to provide a solution for financial services, especially Home Credit Indonesia, in taking preventive measures to avoid losses due to inappropriate lending to clients, by analyzing the prediction of client repayment ability using the Random Forest Classifier method. The prediction analysis starts with data pre-processing to understand and clean the 307,511 data with 122 variables. Furthermore, the dataset will be processed in the feature selection stage, which will obtain variables with correlation values to target variables that will only be processed in the next stage, namely data splitting and model building using Random Forest Classifier. The test results show that the highest accuracy value is obtained at a sampling value variation of N = 100K and a ratio of training data and test data of 90%: 10%. The K-Fold Cross Validation test results show that the Random Forest Classifier model has an accuracy value of 95.76%, precision of 95.82%, recall of 95.79%, specificity of 94.55%, and f-measure of 95.74%. The final result of the research is that the Random Forest Classifier model can classify clients who will apply for a loan, whether the client belongs to the class of problematic clients or not.
| Item Type: | Thesis (Sarjana) |
|---|---|
| Identification Number: | 052415 |
| Uncontrolled Keywords: | Layanan keuangan, Home Credit Indonesia, prediksi kemampuan pembayaran, machine learning, Random Forest Classifier-Financial services, Home Credit Indonesia, predicting payment ability, machine learning, Random Forest Classifier |
| Divisions: | Fakultas Ilmu Komputer > Sistem Informasi |
| Depositing User: | Sugeng Moelyono |
| Date Deposited: | 06 Nov 2024 02:12 |
| Last Modified: | 06 Nov 2024 02:12 |
| URI: | http://repository.ub.ac.id/id/eprint/228188 |
![[thumbnail of DALAM MASA EMBARGO]](http://repository.ub.ac.id/style/images/fileicons/text.png) |
Text (DALAM MASA EMBARGO)
Abrilian Maulidhia.pdf Restricted to Registered users only Download (4MB) |
Actions (login required)
 |
View Item |