Credit Scoring Menggunakan Support Vector Machine Berbasis Evolution Strategies

Abstract

Salah satu kegiatan yang sangat tumbuh saat ini adalah pemberian kredit yang memiliki implikasi kerugian yang cukup besar. Kredit merupakan masalah yang menarik untuk diteliti dalam rangka menghindari kehancuran suatu perusahaan pembiayaan. Data dikelompokkan menjadi dua kelas, yaitu kredit baik dan kredit buruk. Sehingga tepat menggunakan teknik klasifikasi data mining. Penelitian ini membahas mengenai pendekatan algoritma Support Vector Machine yang diterapkan pada data nasabah yang menggunakan jasa keuangan kredit Statlog German Credit dengan bantuan optimasi bobot Evolution Strategies. Dari hasil eksperimen tersebut diperoleh nilai akurasi tertinggi sebesar 78.50% dan nilai AUC sebesar 0.796 sehingga model dapat dikategorikan ke dalam klasifikasi cukup (fair classification). Pendekatan melalui SVM dan Evolution Strategies lebih tinggi daripada penelitian sebelumnya yang menggunakan Sampling Procedure in SVM, SVM + GA, Backpropagation, GP, LDA + SVM, DT + SVM,  RST + SVM, F-score + SVM, SVM + Chi Square + PSO, Linear Discrimant Analysis, Logistic Regression, NN, Neighborhood Rough set + SVM, SVM dan SVM + PSO. Dengan demikian, penggunaan SVM berbasis Evolution Strategies dapat digunakan untuk memecahkan masalah pada penilaian kredit.