Dwika Ananda Agustina Pertiwi, 4612418031 (2022) PREDIKSI RISIKO KREDIT PADA BISNIS P2P LENDING MENGGUNAKAN STACKING ENSEMBLE LEARNING BERDASARKAN GENETIC ALGORITHM FEATURE SELECTION (GAFS). Under Graduates thesis, Universitas Negeri Semarang.

PDF - Published Version Restricted to Repository staff only Download (3MB) | Request a copy

Abstract

Peer-to-peer (P2P) merupakan praktik pinjam meminjam antara individu maupun organisasi dengan memanfaatkan teknologi informasi yang berbasis online. Praktik pinjaman P2P terus berkembang pesat di berbagai negara seperti Amerika, China, Korea, dan Indonesia. Lending Club menjadi platform pinjaman P2P yang populer di Amerika dan telah berkembang pesat dengan total pinjaman sebesar $13,4 miliar pada tahun 2015. Namun, perkembangan pasar P2P dengan perantara yang berbasis online memungkinkan munculnya risiko kredit yang disebabkan oleh adanya gagal bayar yang secara langsung dapat merugikan para investor dan mengancam perkembangan platform P2P. Oleh karena itu, pada penelitian ini memanfaatkan kumpulan data pinjaman yang diperoleh dari pltaform Lending Club dengan record sebanyak 9.578 data pinjaman yang akan diolah menggunakan teknik klasifikasi yang merupakan salah satu teknik penambangan data atau data mining. Tujuan penelitian ini yaitu menemukan metode klasifikasi yang memiliki akurasi terbaik untuk memprediksi risiko kredit gagal bayar, yang secara umum untuk mengurangi munculnya risiko pada praktik pinjaman P2P. Metode yang diterapkan yaitu pengumpulan data dari Lending Club, kemudian mencari informasi jumlah dan tipe data dengan teknik Exlploratory Data Analysis (EDA), selanjutnya tahap preprocessinging menerapkan metode one-hot encoding untuk menangani data kategori dan random oversampling untuk menyeimbangkan kelas data. Metode klasifikasi yang diusulkan yaitu stacking ensemble yang menggabungkan tiga single classifier antara lain LightGBM, XGBoost, dan Random Forest sebagai base learner. GAFS juga diusulkan sebagai metode seleksi fitur untuk mendapatkan atribut atau fitur yang prediktif. Hasil penelitian ini menunjukkan presentase akurasi stacking ensemble learning sebelum menerapkan GAFS yaitu 98,05%, dan setelah ditambahkan metode GAFS yang menghasilkan 11 fitur terpilih, akurasi meningkat menjadi 98,97%, dari hasil akurasi menunjukkan terjadinya peningkatan sebesar 0,92%. Sehingga, metode stacking berdasarkan fitur hasil dari GAFS terbukti memiliki akurasi yang unggul untuk memprediksi risiko kredit gagal bayar pada pinjaman P2P.

Actions (login required)

View Item