Penerapan Metode Stacking Ensemble Untuk Klasifikasi Status Pinjaman Nasabah Bank

Abstract

Prediksi status pinjaman bank merupakan aspek krusial dalam industri keuangan yang menentukan kelayakan seorang pemohon untuk menerima pinjaman. Bank hanya akan  memberikan pinjaman kepada nasabah yang benar-benar dapat membayar kembali pinjamannya. Tujuan penelitian ini mengembangkan model prediksi status pinjaman bank menggunakan algoritma pembelajaran mesin. Data historis peminjam digunakan untuk mengidentifikasi pola yang berhubungan dengan kemungkinan pinjaman pemohon disetujui atau ditolak. Metode yang digunakan dalam penelitian ini yaitu Stacking Ensemble Learning, yaitu teknik yang menggabungkan berbagai model machine learning untuk meningkatkan akurasi model prediksi. Algoritma yang digunakan ada 5 yaitu Logistic Regression, K-Nearest Neighbors (KNN), Support Vector Machine (SVM), Decision Tree, dan Random Forest. Cara kerjarnya, setiap algoritma difungsikan sebagai meta learner dan pada saat yang sama lainnya sebagai base learner (model individu). Hasil menunjukkan bahwa kombinasi model stacking ensemble mampu memprediksi  lebih baik dibandingkan model individu. Namun, kKeberhasilan teknik stacking dalam meningkatkan akurasi bergantung pada kombinasi model individu yang dipilih serta jenis meta learner yang digunakan. Ini ditunjukkan oleh KNN sebagai model individu mencapai akurasi 82,56%, tetapi setelah stacking dan menjadi meta learnernya  justru turun akurasinya menjadi 81,40%. Pada penelitian ini, kombinasi meta learner Random Forest dan algoritma lain sebagai model individu mencapai akurasi tertinggi yaitu 90,7%.