Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Metode machine learning sangat banyak digunakan dalam membantu pekerjaan manusia. Tidak semua data seperti yang diharapkan. Kebanyakan data memiliki missing value. Data yang memiliki missing value harus ditangani dulu pada tahap pra pengolahan, salah satunya adalah dengan cara imputasi missing value. Pada penelitian ini, dilakukan analisis kinerja One-Dimensional Naïve Bayes sebagai metode imputasi data masalah asuransi mobil dan keselamatan berkendara. Berdasarkan hasil simulasi menggunakan SVM didapatkan hasil yang sama untuk imputasi menggunakan modus dan One-Dimensional Naïve Bayes pada data Car Insurance yaitu 1,00. Setelah itu dilakukan telaah lebih lanjut ternyata imputasi setiap missing value dengan modus dan prediksi imputasi dengan One-Dimensional Naïve Bayes persis sama. Pada data Safe Driver, imputasi dengan modus menghasilkan akurasi 0,86 sedangkan imputasi dengan One-Dimensional Naïve Bayes menghasilkan akurasi 0,85. Hasil ini menunjukkan bahwa metode imputasi missing value dengan modus masih sangat direkomendasikan untuk tahap pra pengolahan data pada machine learning. ......Machine learning methods are very widely used in helping human work. Not all data is as expected. Most data have missing values. Data which has a missing value must be handled first at the pre-processing stage, one of which is by imputation of the missing value. In this study, a One-Dimensional Naïve Bayes performance analysis was performed as a data imputation method for car insurance and safe driver problems. Based on simulation results by using SVM obtained the same results for imputation using mode and One-Dimensional NaA ve Bayes on Car Insurance data that is 1,00. After that, a further study is carried out, apparently the imputation of each missing value by mode and the prediction of imputation with One-Dimensional NaAve Bayes are the same. In Safe Driver data, imputation with mode produces 0.86 accuracy while imputation with One-Dimensional NaAve Bayes produces accuracy of 0.85. These results indicate that the method of missing value imputation with mode is still highly recommended for the pre-processing data stage in machine learning.

Abstrak :
Kegagalan bayar kartu kredit merupakan risiko yang perlu dikelola, sehinggaperbankan perlu menerapkan credit scoring untuk memprediksi pemegang kartuyang berisiko default. Seiring dengan perkembangan teknologi, terdapat berbagaimetode credit scoring, sehingga perlu adanya telaah mengenai efektivitas metodemetodecredit scoring. Penelitian ini memiliki tujuan untuk memprediksi defaultberdasarkan data demografi, payment, dan savings nasabah, dan membandingkanefektivitas dari beberapa metode credit scoring yang berkembang, dan mengetahuivariabel apa saja yang mempengaruhi dalam hasil permodelan. Sehingga,perusahaan dapat memitigasi resiko lebih awal dan dapat mengoptimalkan revenuedari nasabah tidak beresiko lainnya. Selain itu ditemukan pula hubungan ketikasebuah cut off point dengan akurasi dan sensitivity. Dari variabel-variabel yangdigunakan dalam model, utilisasi dan pembayaran kartu kredit menjadi variabelyang sangat berpengaruh dalam permodelan, selain itu jenis kelamin, profesi,jumlah penghasilan, status kepemilikan tempat tinggal dan tingkat pendidikan akhirmenjadi variabel yang penting dalam memprediksi default. Dalam hasil permodelanrandom forest menghasilkan hasil yang paling baik secara keseluruhan, dan modellogistic regression merupakan permodelan yang memiliki defiasi lebih sedikit stabil dibandingkan hasil permodelan lainnya.

---

Failure to pay for credit cards is a risk that needs to be managed, so banks need toapply credit scoring to predict cardholders who are at risk of default. Along withtechnological developments, there are various methods of credit scoring, so there isa need for a review of the effectiveness of credit scoring methods. This study aimsto predict default from demographic, payments, and savings data from credit cardholder and compare the effectiveness of some of the growing credit scoringmethods, and to know what factors influence in the modeling results. Thus,companies can mitigate risks early and can optimize revenue from other risklesscustomers. In this research, the result shows that random forest modeling withoutfeature selections has the best overall result, and logistic regression model is amodel that has less defiation than other modeling result. In addition there is also arelationship when a cut off point with accuracy and sensitivity. From the variabelsused in the model, utilization and credit card payment to be highly influentialvariabel in modeling, besides gender, profession, income, residence status andeducation level become an important variabel in this research.