Synthetic Minority Oversampling Technique pada Averaged One Dependence Estimators untuk Klasifikasi Credit Scoring
| Main Author: | Heranova, Omer |
|---|---|
| Format: | Article info application/pdf Journal |
| Bahasa: | eng |
| Terbitan: |
Ikatan Ahli Informatika Indonesia (IAII)
, 2019
|
| Subjects: | |
| Online Access: |
http://jurnal.iaii.or.id/index.php/RESTI/article/view/1275 http://jurnal.iaii.or.id/index.php/RESTI/article/view/1275/178 |
Daftar Isi:
- Bank or financial institution is a business entity whose activities are collecting funds from the public in the form of deposits and channeling them to the public in the form of credit and or other forms. In credit financing problems often occur and one of the problems faced in credit assessment is imbalance class data sets or dataset class imbalances. This problem can be overcome by resampling method, namely by using Oversampling, undersampling and hybrids that combine the two sampling approaches. This research proposes the method of applying SMOTE or Synthetic Minority Oversampling Technique on Averaged One Dependence estimators (AODE) to improve the performance of the accuracy of the credit rating classification on German Credit Creditetsets. The results of this experimental study on the GermanCredit dataset with the classification method without the Resampling process on 13 classifiers produce an average performance value of 70%. The results of the classification with classification techniques that apply the SMOTE method on the AODE algorithm can increase the accuracy performance by 5.5% with an accuracy value of 0.817 or 81.69%. While the classification technique that applies the SpreadSubSample + AODE method decreased by 0.041 or 4.1% but still higher than the accuracy value of other methods with an accuracy value of 0.723 or 72.33%. The researcher concludes that by applying the Resampling technique with the SMOTE method on the AODE algorithm can increase the value of accuracy performance effectively on the imbalance class used for credit scoring or credit rating on GermanCredit datasets.
- Perkembangan perbankan saat ini sangat banyak bermunculan terutama yang sedang popular adalah bank atau lembaga keuangan yang berbasis teknologi. Bank adalah badan usaha yang kegiatannya menghimpun dana masyarakat dalam bentuk tabungan serta menyalurkannya ke dalam angsuran kredit atau bentuk lainnya. Dalam pembiayaan kredit sering terjadi masalah dan permasalahan pada credit scoring atau penilaian kredit yaitu adanya imbalance class datasets atau ketidakseimbangan kelas dataset. Problem ini dapat di atasi dengan metode resampling, yaitu dengan menggunakan Oversampling, undersampling dan hybrid (menggabungkan kedua pendekatan sampling). Penelitian ini mengusulkan metode penerapan SMOTE atau Synthetic Minority Oversampling Technique pada Averaged One Dependence estimators (AODE) untuk meningkatkan kinerja akurasi klasifikasi credit scoring atau penilaian kredit pada GermanCredit datasets. Hasil penelitian experimen ini pada dataset GermanCredit dengan metode klasifikasi tanpa proses Resampling pada 13 pengklasifikasi menghasilkan nilai kinerja accuracy atau akurasi rata-rata 70 %. Hasil klasifikasi dengan teknik klasifikasi yang menerapkan metode SMOTE atau Synthetic Minority Oversampling Technique pada Averaged One Dependence estimators atau AODE dapat meningkatkan kinerja akurasi sebesar 5,5% dengan nilai akurasi 0,817 atau 81,69%. Sedangkan klasifikasi yang menerapkan metode SpreadSubSample+Averaged One Dependence estimators atau AODE mengalami penurunan 0,041 atau 4,1% namun masih lebih tinggi dari nilai akurasi metode lainnya dengan nilai akurasi sebesar 0,723 atau 72,33%. Peneliti menyimpulkan bahwa dengan menerapkan teknik Oversampling dengan metode SMOTE atau Synthetic Minority Oversampling Technique pada Averaged One Dependence Estimators atau AODE dapat meningkatkan nilai kinerja akurasi dengan efektif pada klasifikasi imbalance class atau kelas tidak seimbang yang digunakan untuk credit scoring atau penilaian kredit pada datasets GermanCredit.