Prediksi Status Pinjaman Bank dengan Deep Learning Neural Network

Abstract

Penilaian risiko pada penentuan status pinjaman merupakan proses yang penting dalam usaha simpan pinjam. Prediksi dalam mengklasifikasikan apakah nasabah akan melunasi atau tidak akan menentukan pengambilan keputusan dan tindaklanjutnya yang berdampak pada kinerja entitas dalam menjalankan usahanya. Berbagai teknik dalam prediksi status pinjaman dengan machine learning diterapkan dengan hasil yang meningkat dalam akurasi dan performance. Metode Deep Learning Neural Network (DNN) merupakan salah satu metode machine learning yang sekarang ini memiliki peran penting di era big data dimana data yang besar, dengan kemampuan mesin yang mumpuni dan kompleksitas pada suatu fitur mampu ditangani oleh DNN. Penelitian ini memvariasikan beberapa arsitektur dan parameter dalam pembangunan model DNN dengan score yang terbaik. Pengujian terhadap dataset bank loan status dengan metode DNN menghasilkan akurasi 82.27% tidak lebih baik dari metode SVM dengan hasil akurasi 84%. Namun metode DNN masih lebih baik dibandingkan dengan metode lainnya. Karena penggunaan variasi arsitektur dan parameter DNN tidak berpengaruh signifikan dalam menghasilkan score terbaik. Data yang diproses benar-benar diperlukan pemrosesan lebih lanjut sebelum dilakukan pemodelan.

Development Prediction Model to Optimize Cooperative Loans Based on Machine Learning Algorithms

“…Each of these algorithms has advantages and disadvantages because they can create prediction models with their own characteristics/methods. From research [6] and more complex, which is not suitable for this cooperative dataset, which is quite small. This was also found in credit risk analysis research [7] who found that tree-based models were more stable than models based on multilayer artificial neural networks.…”

Predicting Credit Paying Ability With Machine Learning Algorithms

“…Credit risk is among the top five risks that pose significant challenges to the banking industry or other financial institutions (Syafudin et al, 2021). Credit risk assessment is crucial in determining whether a customer can repay their debt or is at risk of default.…”

“…Therefore, creditors need to develop predictive models of default status to assess customers' repayment abilities, thus reaching out to individuals without a credit history. Manual credit risk assessment predictions are subjective and susceptible to fraud (Syafudin et al, 2021). method has also been used to predict delinquent loan payments at PT FIF Group Arjawinangun Branch, resulting in an accuracy of 71% (Pratama et al, 2021).…”