OPTIMASI ALGORITMA NAIVE BAYES DENGAN METODE STRATIFIED SAMPLING DAN PARTICLE SWARM OPTIMIZATION (PSO) DALAM PREDIKSI RESIKO KREDIT

Abstract

Analisa resiko kredit yang tidak hati-hati pada saat proses pemberian kredit, menimbulkan dampak kerugian industi keuangan dan perbankan, seperti kondisi debitur tidak mampu membayar pinjaman. Dalam beberapa penelitian sebelumnya untuk prediksi resiko kredit, rata-rata menggunakan teknik data mining, yang paling banyak dipakai yaitu algoritma naive bayes. Sehingga, penelitian ini menggunakan algoritma naive bayes. Untuk peningkatan akurasi prediksi resiko kredit dapat dilakukan dengan cara, melakukan seleksi terhadap atribut, kemudian data tersebut nantinya diolah menggunakan seleksi fitur particle swarm optimization agar diketahui tingkatan hasil akurasi dari prediksi resiko kredit. Setelah dilakukan pengujian dengan dua model yaitu algoritma naive bayes dan algoritma naive bayes menggunakan particle swarm optimization, hasil yang didapatkan dengan menggunakan naive bayes diperoleh akurasi sebesar 73,78% dengan nilai AUC 0,745 sedangkan pengujian dengan menggunakan optimasi naive bayes dengan particle swarm optimization didapatkan nilai akurasi sebesar 81,44% dengan nilai AUC 0,776 masuk ke dalam kelompok fair classification karena hasil AUC-nya antara 0,70-0,80. Sehingga kedua model tersebut memiliki perbedaan tingkat akurasi sebesar 7,66% dan perbedaan nilai AUC sebesar 0,031