Penerapan Adaboost dan SMOTE untuk Penyelesaian Ketidakseimbangan Kelas pada Kasus Kredit Macet Bank XYZ.

Abstract

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%.