PENERAPAN METODE SVM UNTUK KLASIFIKASI RESIKO KREDIT KEPEMILIKAN KENDARAAN (MOTOR)

Abstrak

Abstract—Given Credit Risk in a lease is always there , So credit analysis should be done carefully . if Consumer troubled in paying installment payments , so would be detrimental to the lease . Therefore , quantitative and qualitative Credit analyzing will provide clarity for decision makers . To achieve this goal , credit preparations should be done by collecting information and data. The quality of the result of the analysis depends on the quality of human resources , the data, and analysis techniques .
In this research discussed regarding the application using support vector machine ( SVM ) method for determination of the Credit Risk of Motor Vehicle ownership . The resulting model is then evaluated its performance by calculating accuracy model prediction using Confusion Matrix and ROC curve, obtained 79.78 % accuracy value and AUC value is 0.894. The classification is Good Enough because have AUC values between from 0.8 to 0.9.

Intisari— Mengingat resiko tidak kembalinya kredit pada sebuah leasing, selalu ada, maka analisis kredit dengan cermat perlu dilakukan. Jika konsumen bermasalah dalam pembayaran angsuran, maka akan merugikan pihak leasing. Oleh karena itu, penilaian kuantitatif dan kualitatif dalam menganalisa kredit akan memberikan kejelasan bagi pembuat keputusan. Untuk mewujudkan hal tersebut, perlu dilakukan persiapan kredit, yaitu dengan mengumpulkan informasi dan data untuk bahan analisis. Kualitas hasil analisis tergantung pada kualitas SDM, data yang diperoleh, dan teknik analisis.
Dalam penelitian ini dibahas mengenai penerapan metode Support vector machines (SVM) untuk penentuan resiko kredit kepemilikan kendaraan bermotor. Model yang dihasilkan kemudian dievaluasi performansinya dengan cara menghitung akurasi model dalam memprediksi menggunakan metode Confusion Matrix dan Kurva ROC, didapat nilai akurasi 79.78% dan termasuk klasifikasi cukup baik karena memiliki nilai AUC antara 0.8-0.9, yaitu sebesar 0.894.

Kata kunci: Support Vector Machines, Confusion Matrix, Kurva ROC