Optimasi Decision Tree Menggunakan Particle Swarm Optimization (PSO) pada Risiko Kredit KMG Bank DKI
Optimization of Decision Tree Using Particle Swarm Optimization (PSO) for Credit Risk of KMG Bank DKI
DOI:
https://doi.org/10.57152/malcom.v4i4.1521Keywords:
Decision Tree, Kredit Multiguna, Particle Swarm Optimization, Prediksi Risiko KreditAbstract
Pada dunia perbankan prediksi risiko kredit merupakan aspek penting yang menentukan keberhasilan dalam pengelolaan kredit. Penelitian ini bertujuan untuk meningkatkan akurasi prediksi risiko kredit Kredit Multiguna (KMG) di Bank DKI dengan menggunakan metode Particle Swarm Optimization (PSO). Dalam konteks ini, PSO digunakan untuk mengoptimalkan dalam menemukan kombinasi parameter terbaik yang dapat meningkatkan performa model prediksi risiko kredit. Penelitian menunjukkan bahwa penggunaan Particle Swarm optimization (PSO) ini meningkatkan akurasi prediksi risiko kredit secara signifikan. Dengan menggunakan Particle Swarm optimization (PSO) menghasilkan akurasi prediksi mencapai 99,13%. Sebaliknya , tanpa optimasi PSO, akurasi yang diperoleh dari Decision Tree hanya sebesar 97,83 %. Hal ini membuktikan bahwa PSO mampu meningkatkan akurasi prediksi risiko kredit secara signifikan. Dengan demikian, Bank DKI dapat mengambil keputusan yang lebih tepat dalam pemberian kredit KMG, yang pada akhirnya dapat mengurangi tingkat kredit macet dan meningkatkan stabilitas finansial bank.
References
K. Auliasari, M. Kertaningtyas, and D. L. Wilis Basuki, “Analisis Penentuan Resiko Kredit Menggunakan Algoritma C.5.0,” 2020. [Online]. Available: https://doi.org/10/25047/jtit.v8i1.218
Wilhelmina Afua Addy, Chinonye Esther Ugochukwu, Adedoyin Tolulope Oyewole, Onyeka Chrisanctus Ofodile, Omotayo Bukola Adeoye, and Chinwe Chinazo Okoye, “Predictive analytics in credit risk management for banks: A comprehensive review,” GSC Advanced Research and Reviews, vol. 18, no. 2, pp. 434–449, Feb. 2024, doi: 10.30574/gscarr.2024.18.2.0077.
M. Y. Kurniawan and M. E. Rosadi, “Kurniawan, Rosadi-Optimasi Decision Tree Menggunakan Particle Swarm Optimiziation Pada Data Siswa Putus Sekolah,” Jun. 2017.
W. I. Rahayu, “Perbandingan Algoritma K-Means dan Naive Bayes untuk Memprediksi Prioritas Pembayaran Tagihan Rumah Sakit berdasarkan Tingkat Kepentingan pada PT Pertamina (Persero),” Perbandingan Algoritma K-Means dan Naive Bayes untuk Memprediksi Prioritas Pembayaran Tagihan Rumah Sakit berdasarkan Tingkat Kepentingan pada PT Pertamina (Persero), vol. 13, pp. 1–8, Apr. 2021.
K. Anwar, A. Syukur, ; Ricardus, and A. Pramunendar, “Optimasi Artificial Neural Network Menggunakan Particle Swarm Optimization Untuk Prediksi Kredit Macet,” 2017.
T. W. Pratiwi and T. Arifin, “SISTEMASI: Jurnal Sistem Informasi Optimasi Decision Tree Menggunakan Particle Swarm Optimization untuk Klasifikasi Kesuburan pada Pria.” [Online]. Available: http://sistemasi.ftik.unisi.ac.id
Saprudin, “Penerapan Particle Swarm Optimization (PSO) untuk Klasifikasi dan Analisis Kredit dengan Menggunakan Algoritma C4.5,” Jurnal Informatika Universitas Pamulang, vol. 2, no. No.4, pp. 1–6, Dec. 2017.
“Komparasi Algoritma Klasifikasi C4.5 Dan C4.5 Berbasis Particle Swarm Optimization 2023”.
A. R. Naufal and A. T. Suseno, “Penerapan Fitur Seleksi dan Particle Swarm Optimization pada Algoritma Support Vector Machine untuk Analisis Credit Scoring,” Journal of Computer System and Informatics (JoSYC), vol. 5, no. 1, pp. 184–195, Nov. 2023, doi: 10.47065/josyc.v5i1.4409.
A. H. Al-Mter, S. Lu, Y. E. A Al-Salhi, and A. A. G Al-Hamodi, “A Particle Swarm Optimization Based on Multi Objective Functions with Uniform Design,” 2016. [Online]. Available: www.internationaljournalssrg.org
A. G. Gad, “Particle Swarm Optimization Algorithm and Its Applications: A Systematic Review,” Archives of Computational Methods in Engineering, vol. 29, no. 5, pp. 2531–2561, Aug. 2022, doi: 10.1007/s11831-021-09694-4.
A. R. Naufal and A. T. Suseno, “Penerapan Fitur Seleksi dan Particle Swarm Optimization pada Algoritma Support Vector Machine untuk Analisis Credit Scoring,” Journal of Computer System and Informatics (JoSYC), vol. 5, no. 1, pp. 184–195, Nov. 2023, doi: 10.47065/josyc.v5i1.4409.
M. Saputra and J. Saragih, “Instal?: Jurnal Komputer Implementation of the K-Means Clustering Algorithm in Grouping Students Based on Learning Style Using Rapidminer”, doi: 10.54209/jurnalkomputer.v15i02.141.
N. Sirait, S. Yeremia Situmeang, W. Zaluku, and W. Matias Panjaitan, “Data Visualization Using The Rapid Miner Application To Evaluate Sales Patterns,” Jurnal INFOKUM, vol. 11, no. No.4, pp. 1–11, 2023, [Online]. Available: http://infor.seaninstitute.org/index.php/infokum/index
M. Shahrizan et al., “The Application of Decision Tree Classification Algorithm on Decision-Making for Upstream Business,” 2023. [Online]. Available: www.ijacsa.thesai.org
M. Y. Kurniawan and M. E. Rosadi, “Kurniawan, Rosadi-Optimasi Decision Tree Menggunakan Particle Swarm Optimiziation Pada Data Siswa Putus Sekolah,” 2017.
J. Zainal, A. Pagar, A. No, G. Meneng, and B. Lampung, “Seminar Nasional Teknologi dan Bisnis 2018 IIB DARMAJAYA Bandar Lampung,” 2018.
A. S. Hussein, T. Li, C. W. Yohannese, and K. Bashir, “A-SMOTE: A new preprocessing approach for highly imbalanced datasets by improving SMOTE,” International Journal of Computational Intelligence Systems, vol. 12, no. 2, pp. 1412–1422, 2019, doi: 10.2991/ijcis.d.191114.002.
B. Nemade, V. Bharadi, S. S. Alegavi, and B. Marakarkandy, “International Journal of INTELLIGENT SYSTEMS AND APPLICATIONS IN ENGINEERING A Comprehensive Review: SMOTE-Based Oversampling Methods for Imbalanced Classification Techniques, Evaluation, and Result Comparisons.” [Online]. Available: www.ijisae.org
A. Y. Triyanto and R. Kusumaningrum, “Implementasi Teknik Sampling untuk Mengatasi Imbalanced Data pada Penentuan Status Gizi Balita dengan Menggunakan Learning Vector Quantization Implementation of Sampling Techniques for Solving Imbalanced Data Problem in Determination of Toddler Nutritional Status using Learning Vector Quantization,” vol. 19, pp. 39–50, 2017.