Santika, Thalia Marda (2020) Feature Selection untuk Prediksi Telaty Bayar Pelanggan Menggunakan Metode Regularized SVM dan Regularized Regresi Logistik. Other thesis, Institut Teknologi Sepuluh Nopember.
Preview |
Text
06211640000087_Undergraduate_Thesis.pdf Download (2MB) | Preview |
Abstract
Telat bayar merupakan keadaan dimana sesorang yang tidak dapat memenuhi kewajibannya pada waktu yang telah ditentukan. Analisis telat bayar sangat penting dilakukan untuk mengukur tingkat risiko pelanggan. Penelitian ini bertujuan untuk memprediksi risiko telat bayar pada pelanggan dengan menggunakan metode klasifikasi. Support Vector Machine (SVM) dan regresi logistik adalah dua metode yang digunakan pada penelitian ini dimana dalam pengaplikasiannya juga menambahkan pendekatan metode regularisasi yaitu lasso dan elastic-net. Metode regularisasi digunakan untuk mengestimasi parameter pada model yang sekaligus dapat menyeleksi variabel sehingga didapatkan hasil seleksi variabel yang relevan. Adanya variabel input yang relevan diharapkan dapat menaikkan performansi model terutama ketika diterapkan pada data testing. Data yang digunakan pada penelitian ini adalah data sekunder yang merupakan data pembayaran pelanggan Perusahaan Telco selama enam bulan pada tahun 2018. Pelanggan akan diklasifikasikan menjadi dua kelas, yaitu pelanggan yang telat membayar dan tidak. Hasil penelitian menunjukkan penambahan regularisasi pada model dapat meningkatkan nilai akurasi. Lasso regresi logistik merupakan metode yang paling baik digunakan dengan nilai AUC sebesar 0,59640 dengan 33 variabel prediktor yang relevan. Hasil ini dipengaruhi oleh karakteristik data yang tidak dapat dengan baik membedakan klasifikasi antara pelanggan yang telat membayar maupun tidak.
==================================================================================================================================
Late payement is a condition where a person cannot fulfill its obligations in the agreed time. Analysis of late payment is important to do because it can measure the level of customer risk. This study aims to predict the risk of customer’s late payment by using a classification method. Support Vector Machine (SVM) and logistic regression are two methods that used in this study where in the application also added the regularization method lasso and elastic-net. The regularization method is used to estimate parameters in the model that can simultaneously select variables so that the relevan variable selection results are obtained. The existence of relevant input variables is expected to improve the performance of the model, especially when applied to data testing. The data used in this study are secondary data which are data of Telco Company's customer payments for six months in 2018 by using variable payment behavior, total bills, and frequency of using services. Customers will be classified into two classes, customers who are late paying and never late to pay bills. The results showed the addition of regularization on the model can increase the value of accuracy. Logistic regression Lasso is the best method used with an AUC value of 0.59640 with 33 relevant predictor variables. This result is influenced by the characteristics of the data that cannot properly distinguish the classification between customers who are late paying or not.
| Item Type: | Thesis (Other) |
|---|---|
| Additional Information: | RSSt 519.536 San f-1 2020 |
| Uncontrolled Keywords: | Feature Selection, Telat Bayar Pelanggan, Klasifikasi, Regularized Regresi Logistik, Regularized SVM |
| Subjects: | H Social Sciences > HA Statistics > HA31.3 Regression. Correlation. Logistic regression analysis. H Social Sciences > HB Economic Theory > HB801 Consumer behavior. H Social Sciences > HB Economic Theory > Economic forecasting--Mathematical models. H Social Sciences > HG Finance |
| Divisions: | Faculty of Mathematics and Science > Statistics > 49201-(S1) Undergraduate Thesis |
| Depositing User: | THALIA MARDA SANTIKA |
| Date Deposited: | 13 Mar 2025 06:38 |
| Last Modified: | 13 Mar 2025 06:38 |
| URI: | http://repository.its.ac.id/id/eprint/74046 |
Actions (login required)
 |
View Item |