Analisis Prediksi Risiko Kegagalan Bayar Kewajiban Menggunakan Metode Deep Support Vector Learning

Natasha, Azaria (2019) Analisis Prediksi Risiko Kegagalan Bayar Kewajiban Menggunakan Metode Deep Support Vector Learning. Masters thesis, Institut Teknologi Sepuluh Nopember.

Text 06211750010004-Master_Thesis.pdf Restricted to Repository staff only Download (2MB)

Abstract

Risiko kredit merupakan potensi kerugian yang disebabkan ketidakmampuan debitur membayar kewajibannya pada saat jatuh tempo. Klasifikasi kredit konsumen yang tidak tepat dapat meningkatkan risiko pada lembaga keuangan atau perusahaan. Data keuangan seringkali mengandung multikolinieritas dan mengandung sifat data tak berimbang (imbalanced data). Sifat ketidak seimbangan data ini mengakibatkan kesalahan klasifikasi yang memberi pengaruh pada ketepatan klasifikasi model. Tujuan penelitian ini adalah untuk memprediksi kegagalan bayar kewajiban menggunakan data simulasi dan data riil yang mengandung multikolinieritas dan rasio data tidak berimbang dengan metode klasifikasi. Beberapa metode telah dikembangkan untuk mengklasfikasikan data keuangan, yaitu Analisis Diskriminan, Regresi Logistik Biner, Artificial Neural Network, dan Support Vector Machine. Pada sepuluh tahun terakhir, machine learning pun semakin berkembang sehingga ditemukan pembelajaran Deep Learning (DL). Konsep DL pada ANN mempunyai struktur yang lebih dalam untuk mempelajari data dalam struktur yang lebih representatif, seringkali disebut Deep Neural Network (DNN). Belakangan ini, metode klasifikasi berkembang dengan mengkombinasikan DL dan SVM untuk klasifikasi data keuangan. Dalam penelitian ini, kombinasi DL dan SVM yang disebut Deep Support Vector Learning (DSVL) akan digunakan untuk mengklasifisikan kredit konsumen. Metode DSVL memberikan performa klasifikasi yang baik untuk seluruh skenario simulasi. Pada data kredit konsumen Bank X, metode DSVL adalah metode terbaik untuk meprediksi kegagalan bayar konsumen sedangkan pada data konsumen Perusahaan Telco, metode DNN adalah metode terbaik untuk memprediksikan keterlambatan pembayaran.
=================================================================================================================================
Credit risk is the potential loss caused by the inability of the debtor to pay its obligations at due time. Inappropriate classification can increase risk in financial institutions or companies. Financial data often contains multicollinearity and contains imbalanced data class. This characteristics often affect the accuracy of the model. So, that the aim of this research to predict the default in simulation data and real data that contain multicolinearity and imbalanced class using classification methods. There are few classification methods widely use, such as Discriminant Analysis, Binary Logistic Regression,Artificial Neural Network, and Support Vector Machine. In the last 10 years, machine learning has grown so that Deep Learning (DL) has been found. The DL concept is ANN with a deeper structure for studying data in a more representative structure, often called the Deep Neural Network (DNN). In recent years, the classification method developed by combining DL and SVM for the classification of financial data. In this study, a combination of DL and SVM called Deep Support Vector Learning (DSVL) will be used to classify consumen credit data. DSVL gives best clasification performance for each simulation studies. For consumen credit of Bank X data, DSVL is the best method to predict the inability of consumen paying the debt. On the other hand, in consumen of Telco Company, DNN is the best method to predict the late payment of customers.

Item Type:	Thesis (Masters)
Uncontrolled Keywords:	Deep Learning, Deep Support Vector Learning, Default Prediction, Risiko Kredit, Klasifikasi
Subjects:	Q Science > Q Science (General) Q Science > Q Science (General) > Q180.55.M38 Mathematical models
Divisions:	Faculty of Mathematics and Science > Statistics > 49101-(S2) Master Thesis
Depositing User:	Natasha Azaria
Date Deposited:	23 Jul 2026 03:49
Last Modified:	23 Jul 2026 03:49
URI:	http://repository.its.ac.id/id/eprint/69291

Actions (login required)

View Item