Implementasi Algoritma Klasifikasi Naïve Bayes Untuk Klasifikasi Credit Scoring Pada Platform Peer-To-Peer Lending
-
Joel Rayapoh Damanik
*
Universitas Telkom, Bandung,
Indonesia
- Rahmat Fauzi Universitas Telkom, Bandung, Indonesia
- Faqih Hamami Universitas Telkom, Bandung, Indonesia (*) Corresponding Author
Abstract
Di Indonesia, seiring dengan pertumbuhan fintetch mengenai P2P lending, juga timbul P2P lending ilegal yang beroperasi tanpa izin dari otoritas berwenang. Diperkirakan terdapat sekitar 400 perusahaan fintech ilegal yang beroperasi di Indonesia. Masalah umum yang dihadapi oleh platform P2P lending adalah ketidakmampuannya mengantisipasi pembayaran yang gagal oleh peminjam. Hal ini disebabkan oleh tingginya suku bunga yang diterapkan dan kurangnya seleksi terhadap peminjam dengan risiko kredit yang tinggi atau rendah. Untuk mengatasi masalah ini, diperlukan pengembangan model sistem Machine Learning yang dapat mengklasifikasikan data peminjam dan terintegrasi dengan informasi dari lembaga keuangan lainnya. Tujuannya adalah untuk menyaring calon peminjam dengan risiko kredit yang tinggi atau rendah. Salah satu model yang digunakan adalah algoritma Naïve Bayes Classifier. Metode ini berdasarkan teorema Bayes dan merupakan algoritma yang memproses klasifikasi sederhana dengan independensi variabel. Penggunaan algoritma Naïve Bayes Classifier diharapkan dapat menciptakan sistem yang membantu platform P2P lending dalam seleksi calon peminjam. Model ini akan memprediksi risiko kredit rendah atau tinggi bagi pengguna atau pelanggan P2P lending. Untuk mencapai performa klasifikasi optimal, dilakukan tuning hyperparameter pada setiap simulasi. Hyperparameter tuning adalah proses mencari nilai terbaik untuk parameter dalam model machine learning guna meningkatkan performa. Pada algoritma GaussianNB, parameter yang dituning adalah var_smoothing. Hasil tuning hyperparameter terbaik ditemukan dengan nilai var_smoothing sebesar 0.009638958856642498, dengan pembagian train_size dan test_size sebesar 70:30. Dengan konfigurasi ini, model mencapai tingkat akurasi sebesar 95%.
Downloads
References
KPMG, “Pulse of Fintech,” KPMG-Fintech-report, no. February, 2020.
A. Y. A. Nanggala, “Use of Fintech for Payment: Approach to Technology Acceptance Model Modified,” Journal of Contemporary Information Technology, Management, and Accounting, vol. 1, no. 1, 2020.
Y. T. Muryanto, “The urgency of sharia compliance regulations for Islamic Fintechs: a comparative study of Indonesia, Malaysia and the United Kingdom,” J Financ Crime, 2022, doi: 10.1108/JFC-05-2022-0099.
W. Zhou, D. W. Arner, dan R. P. Buckley, “Regulating FinTech in China: From Permissive to Balanced,” dalam Handbook of Blockchain, Digital Finance, and Inclusion, 2018. doi: 10.1016/B978-0-12-812282-2.00003-6.
T. Hidajat, “Unethical practices peer-to-peer lending in Indonesia,” J Financ Crime, vol. 27, no. 1, 2020, doi: 10.1108/JFC-02-2019-0028.
A. Basori Alwi, U. Airlangga Jl Airlangga No, dan K. Gubeng, “Pembiayaan Berbasis Teknologi Informasi (Fintech) yang Berdasarkan Syariah,” 2018. [Daring]. Tersedia pada: https://katadata.co.id/berita/2017/08/28/bi-prediksi-transaksi-fintech-naik-
B. Niu, J. Ren, dan X. Li, “Credit scoring using machine learning by combing social network information: Evidence from peer-to-peer lending,” Information (Switzerland), vol. 10, no. 12, 2019, doi: 10.3390/INFO10120397.
R. R. Suryono, B. Purwandari, dan I. Budi, “Peer to peer (P2P) lending problems and potential solutions: A systematic literature review,” dalam Procedia Computer Science, 2019. doi: 10.1016/j.procs.2019.11.116.
S. Sumanto, L. S. Marita, L. Mazia, dan T. W. Ratnasari, “Analisis Kelayakan Kredit Rumah Menggunakan Metode Naïve Bayes untuk Mengurangi Kredit Macet,” Applied Information System and Management (AISM), vol. 4, no. 1, 2021, doi: 10.15408/aism.v4i1.20274.
E. A. Riyanto, T. Juninisvianty, D. F. Nasution, dan R. Risnandar, “Analisis Kinerja Algoritma CART dan Naive Bayes Berbasis Particle Swarm Optimization (PSO) untuk Klasifikasi Kelayakan Kredit Koperasi,” Jurnal Teknologi Informasi dan Ilmu Komputer, vol. 8, no. 1, 2021, doi: 10.25126/jtiik.0812988.
P. Subarkah, A. N. Ikhsan, dan A. Setyanto, “The effect of the number of attributes on the selection of study program using classification and regression trees algorithms,” dalam Proceedings - 2018 3rd International Conference on Information Technology, Information Systems and Electrical Engineering, ICITISEE 2018, 2018. doi: 10.1109/ICITISEE.2018.8721030.
N. Nurajijah dan D. Riana, “Algoritma Naïve Bayes, Decision Tree, dan SVM untuk Klasifikasi Persetujuan Pembiayaan Nasabah Koperasi Syariah,” Jurnal Teknologi dan Sistem Komputer, vol. 7, no. 2, 2019, doi: 10.14710/jtsiskom.7.2.2019.77-82.
A. Pandhu Wijaya dan H. Agus Santoso, “Improving the Accuracy of Naïve Bayes Algorithm for Hoax Classification Using Particle Swarm Optimization,” dalam Proceedings - 2018 International Seminar on Application for Technology of Information and Communication: Creative Technology for Human Life, iSemantic 2018, 2018. doi: 10.1109/ISEMANTIC.2018.8549700.
R. J. Brook dan G. C. Arnold, “07. Data Science for Business: What You Need to Know about Data Mining and Data-Analytic Thinking,” Applied Regression Analysis and Experimental Design, 2019.
K. Leong, “FinTech (Financial Technology): What is It and How to Use Technologies to Create Business Value in Fintech Way?,” International Journal of Innovation, Management and Technology, 2018, doi: 10.18178/ijimt.2018.9.2.791.
A. AlAbbad, M. K. Hassan, dan I. Saba, “Can Shariah board characteristics influence risk-taking behavior of Islamic banks?,” International Journal of Islamic and Middle Eastern Finance and Management, vol. 12, no. 4, 2019, doi: 10.1108/IMEFM-11-2018-0403.
P. Cerda dan G. Varoquaux, “Encoding High-Cardinality String Categorical Variables,” IEEE Trans Knowl Data Eng, vol. 34, no. 3, 2022, doi: 10.1109/TKDE.2020.2992529.
Bila bermanfaat silahkan share artikel ini
Berikan Komentar Anda terhadap artikel Implementasi Algoritma Klasifikasi Naïve Bayes Untuk Klasifikasi Credit Scoring Pada Platform Peer-To-Peer Lending
Pages: 880-890
Copyright (c) 2023 Joel Rayapoh Damanik
This work is licensed under a Creative Commons Attribution 4.0 International License.
Authors who publish with this journal agree to the following terms:
- Authors retain copyright and grant the journal right of first publication with the work simultaneously licensed under Creative Commons Attribution 4.0 International License that allows others to share the work with an acknowledgment of the work's authorship and initial publication in this journal.
- Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal's published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgment of its initial publication in this journal.
- Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work (Refer to The Effect of Open Access).
