SUPPORT VECTOR MACHINE DENGAN REDUKSI DIMENSI MENGGUNAKAN ANALISIS REGRESI LOGISTIK DAN ORTHOGONAL DIMENSION REDUCTION UNTUK CREDIT SCORING

QONIT ARIFAH AZKA, Dr. Gunardi, M.Si. ; Vemmie Nastiti Lestari, S.Si., M.Sc.

2016 | Skripsi | S1 STATISTIKA

Credit scoring merupakan salah satu teknik analisis manajemen risiko untuk meminimalisasi terjadinya debitur yang gagal bayar. Analisis ini dilakukan menggunakan Support Vector Machine (SVM) untuk mengklasifikasikan debitur ke dalam kategori layak atau tidak. Banyaknya variabel yang digunakan sebagai pertimbangan dalam analisis credit scoring, membuat input variabel pada SVM berubah menjadi data berdimensi tinggi. Hal tersebut menyebabkan terjadinya fenomena curse of dimensionality yang berdampak dengan munculnya korelasi antarvariabel dalam analisis SVM dan merenggangnya titik sampel, sehingga menyebabkan prediksi menjadi tidak akurat. Dengan demikian, untuk menghindari hal tersebut, maka akan diterapkan reduksi dimensi pada tahap pre-processing data dengan analisis regresi logistik untuk variabel kategorik dan Orthogonal Dimension Reduction (ODR) untuk variabel numerik. Setelah proses reduksi dimensi diterapkan, tingkat akurasi prediksi pada SVM menjadi lebih tinggi jika dibandingkan dengan SVM tanpa menggunakan reduksi dimensi pada tingkat proporsi tertentu.

Credit scoring is one of risk management analysis methods for minimizing default. This analysis is solved using Support Vector Machine (SVM) to classify debtors into two groups which are credithworthy or not. There are many variables used as a consideration of classifying debtors, so this case make the SVM input have a high dimensional data. They will be a reason of curse of dimensionality phenomenon that cause correllation among the variables come up and make sample set become sparse. Due to this phenomenon, the result of credit scoring cannot predict accurately. Therefore to avoid that phenomenon, so there will be implemented dimension reduction technique on pre-processing data using logistic regression analysis for categorical variables and Orthogonal Dimension Reduction (ODR) for numerical variables. After dimension reduction techniques are implemented on SVM, it actually can predict better than SVM without dimension reduction technique.

Kata Kunci : Credit scoring, Support Vector Machine (SVM), Reduksi Dimensi, Analisis Regresi Logistik, Orthogonal Dimension Reduction (ODR)