Abstract
Data perbankan memiliki karakteristik yang beragam, mencakup transaksi keuangan, riwayat kredit, detail nasabah, dan lainnya. Kompleksitas data ini menimbulkan tantangan dalam pengelolaan dan analisis data yang efektif. Salah satu tantangannya adalah menilai kelayakan kredit pemohon pinjaman rumah. Dalam proses pemberian pinjaman, beberapa faktor dipertimbangkan, termasuk karakter pemohon, kemampuan pembayaran, jaminan, kondisi ekonomi, usia, dan sumber pendanaan. Analisis risiko kredit dapat dilakukan melalui berbagai metode, termasuk analisis pasar dan teknik pembelajaran mesin big data. Dalam penelitian ini, kami menggunakan dua algoritma populer: K-Nearest Neighbors (KNN) dan Support Vector Machine (SVM). KNN, dikenal karena kesederhanaannya dan kemampuannya dalam menangani data yang beragam, sering digunakan untuk klasifikasi. Namun, KNN menghadapi keterbatasan dalam kecepatan komputasi pada dataset besar dan kerentanan terhadap data yang bising. Sebaliknya, SVM, sebuah algoritma yang lebih canggih, dirancang untuk memaksimalkan pemisahan antara kelas data dan unggul dalam menangani data berdimensi tinggi. Temuan kami menunjukkan bahwa SVM lebih baik daripada KNN dalam mengklasifikasikan risiko kredit pada data perbankan, terutama untuk pinjaman rumah. SVM dengan kernel dot dan ANOVA mencapai akurasi 80,56%, dibandingkan dengan 69,44% untuk KNN dengan k=50. Temuan ini menunjukkan bahwa SVM lebih unggul dalam klasifikasi risiko kredit pada data perbankan, khususnya untuk kredit kepemilikan rumah..

This publication has 7 references indexed in Scilit: