PENERAPAN METODE EXTREME GRADIENT BOOSTING (XGBOOST) PADA KLASIFIKASI NASABAH KARTU KREDIT

Abstract

Kartu kredit macet merupakan suatu masalah ketidaksanggupan pengguna kartu kredit dalam membayar tagihan kartu kredit yang dapat menyebabkan kerugian pada kedua belah pihak yang bersangkutan. Guna menghindari kerugian yang disebabkan oleh kartu kredit macet maka pihak penyedia harus melakukan analisis yang cermat pada calon atau nasabah lama pengguna kartu kredit. Penelitian ini bertujuan untuk mengklasifikasi nasabah kartu kredit yang macet menggunakan teknik machine learning yaitu teknik klasifikasi. Salah satu teknik klasifikasi yang digunakan yaitu metode XGBoost yang mana metode ini berguna untuk analisis regresi dan klasifikasi berdasarkan Gradient Boosting Decision Tree (GBDT), metode XGBoost memiliki beberapa hyperparameter yang dapat dikonfigurasi untuk meningkatkan kinerja dari model. Metode hyperparameter tuning yang digunakan yaitu grid Search cross validation yang kemudian divalidasi menggunakan 10-Fold Cross Validation. Hyperparameter XGBoost yang dikonfigurasi antara lain n_estimators, max_depth, subsample, gamma, colsample_bylevel, min_child_weight dan learning_rate. Berdasarkan hasil dari penelitian ini membuktikan bahwa penggunaan algoritma dengan hyperparameter tuning dapat meningkatkan kinerja algoritma eXtreme Gradient Boosting dalam proses klasifikasi nasabah kartu kredit dengan akurasi sebesar 80,039%, presisi sebesar 81,338?n nilai recall sebesar 96,854%.

Kata kunci : XGBoost, Klasifikasi, Akurasi, Presisi, Recall.