Credit Risk Analysis With Extreme Gradient Boosting and Adaptive Boosting Algorithm

Abstract

Credit Risk Analysis digunakan untuk mengenali resiko terhadap pinjaman untuk mencegah penunggakan pembayaran utang. Pemberian uji kelayakan pinjaman dapat di analisis menggunakan model klasifikasi. Untuk menghasilkan model credit risk analysis yang sesuai, penulis mengajukan Algoritma Extreme Gradient Boosting (XGBoost) dan Adaptive Boosting (AdaBoost). Data yang digunakan dalam penelitian ini adalah data pinjaman platform Peer to Peer (P2P) Lending. Penelitian ini menerapkan data preprocessing yang bertujuan untuk menghasilkan data yang lebih baik dan melakukan analisis terhadap data. Analisis dilakukan berdasarkan fitur yang dimiliki oleh peminjam menggunakan algoritma klasifikasi berdasarkan historical data pinjaman peminjam. Fitur yang digunakan seperti jumlah pinjaman yang diajukan, total pinjaman yang ditawarkan, jumlah pembayaran pinjaman, jangka waktu pembayaran, suku bungan pinjaman, jumlah angsuran dan lain lain. Jumlah fitur sebelum dilakukan data reduksi 136 dan setelah direduksi 34 fitur.  Fitur tersebut digunakan pada penerapan algoritma XGBoost dan AdaBoost untuk menghasilkan klasifikasi good borrower dan bad borrower. Penulis menggunakan metode evaluasi kurva ROC dan nilai AUC untuk menilai performa dari kedua algoritma. Pada kurva ROC, nilai AUC dari algoritma XGBoost 0,92 dan nilai AUC dari algrithma AdaBoost adalah 0,89. Berdasarkan perbandingan nilai AUC tersebut dapat disimpulkan algoritma XGBoost menghasilkan klasifikasi yang lebih baik untuk model klasifikasi pemberian pinjaman.