KOMPARASI KINERJA ALGORITMA RANDOM FOREST DAN SUPPORT VECTOR MACHINE BERBASIS ADAPTIVE BOOSTING UNTUK ANALISIS KELAYAKAN KREDIT NASABAH

Abstrak

Penelitian ini bertujuan untuk membandingkan kinerja algoritma Random Forest dan Support Vector Machine (SVM) yang ditingkatkan dengan Adaptive Boosting dalam penentuan kelayakan pinjaman dana. Metode ini dilakukan dengan menggunakan dataset dari Kaggle yang terdiri dari 614 data calon peminjam, dengan atribut-atribut seperti jenis kelamin, status pernikahan, jumlah tanggungan, pendidikan, status usaha, pendapatan, jumlah pinjaman, jangka waktu pinjaman, riwayat kredit, dan lokasi rumah. Hasil penelitian menunjukkan bahwa Random Forest berbasis Adaptive Boosting mencapai akurasi 92,35%, presisi 90,12%, recall 89,87%, dan missclassification error 7,65%, sedangkan SVM berbasis Adaptive Boosting mencapai akurasi 85,76%, presisi 82,45%, recall 81,93%, dan missclassification error 14,24%. Temuan ini mengindikasikan bahwa Random Forest lebih unggul dibandingkan dengan SVM dalam memprediksi kelayakan pinjaman dana ketika ditingkatkan dengan Adaptive Boosting. Penelitian ini memberikan kontribusi dalam pengembangan teknik penilaian risiko kredit menggunakan pendekatan data mining yang dapat diterapkan dalam industri keuangan untuk meningkatkan ketepatan dalam pengambilan keputusan kredit.