Penerapan Adaboost dan SMOTE untuk Penyelesaian Ketidakseimbangan Kelas pada Kasus Kredit Macet Bank XYZ.
View/ Open
Date
2017Author
Izzati, Tazkia Afída
Sartono, Bagus
Syafitri, Utami Dyah
Metadata
Show full item recordAbstract
Ketidakseimbangan kelas merupakan suatu kondisi terjadinya ketimpangan
proporsi antara satu kelas dengan kelas lainnya. Ketidakseimbangan kelas akan
mempengaruhi prediksi pada model. Jika ketimpangan yang terjadi sangatlah
ekstrem, prediksi model akan lebih mengarah pada kelas mayor, sedangkan kelas
minor akan menghasilkan ketepatan prediksi yang rendah. Data yang digunakan
merupakan data penggunaan jasa kredit Bank XYZ dengan proporsi yang tidak
seimbang. Hanya sebanyak 4% nasabah yang berada pada kategori kredit macet.
Pengklasifikasian dengan metode regresi logistik biner menghasilkan ketepatan
prediksi yang rendah pada kelas minor (sensitivitas) yaitu 0.02%. Ketidaktepatan
prediksi akan berdampak pada kebijakan Bank sehingga hal tersebut perlu
ditangani. Adaboost dan Synthetic Minority Oversampling Technique (SMOTE)
digunakan dalam menangani permasalahan buruknya klasifikasi kelas minor pada
kelas tidak seimbang. Hasil penelitian menunjukkan bahwa kinerja klasifikasi
dengan menggunakan metode SMOTE menghasilkan ketepatan prediksi pada
kelas minor yang lebih besar dibandingkan metode Adaboost. Kenaikan nilai
sensitivitas yang dihasilkan pada metode SMOTE mencapai 61.73%. Nilai akurasi
yang dihasilkan untuk memprediksi amatan secara keseluruhan sebesar 76.45%
dan ketepatan prediksi pada kelas mayor (spesifisitas) sebesar 77.05%.