<![CDATA[Layanan keuangan saat ini sedang menghadapi tantangan signifikan dalam menilai kemampuan pembayaran pinjaman klien. Berdasarkan informasi dari Folkative di Instagram dan CNN Indonesia, 2,3 juta warga DKI Jakarta terjerat utang hingga 10,35 triliun rupiah, menunjukkan kesulitan layanan keuangan dalam meminimalisir kerugian. Penelitian ini dilakukan dengan tujuan untuk memberikan solusi bagi Home Credit Indonesia dengan menggunakan analisis prediksi kemampuan pembayaran klien menggunakan metode Random Forest Classifier. Proses dimulai dengan data pre-processing untuk memahami dan membersihkan 307.511 data dengan 122 variabel. Selanjutnya, dilakukan pemilihan fitur untuk menemukan variabel dengan korelasi tinggi terhadap variabel target. Dataset kemudian diproses melalui data splitting dan model building menggunakan Random Forest Classifier. Hasil pengujian menunjukkan akurasi tertinggi pada variasi sampling N=100K dan proporsi data pelatihan dengan data pengujian adalah 90% banding 10%. K-Fold Cross Validation menunjukkan model memiliki accuracy 95.76%, precision 95.82%, recall 95.79%, specificity 94.55%, dan f-measure 95.74%. Penelitian ini menghasilkan model Random Forest Classifier yang efektif dalam mengklasifikasikan klien apakah termasuk dalam kategori bermasalah atau tidak saat mengajukan pinjaman.]]>
Copyrights © 2024
