PENGEMBANGAN DECISION TREE ADAPTIF dengan MEKANISME PRUNING DINAMIS untuk PREDIKSI KELAYAKAN KREDIT
Abstrak:
Penelitian ini mengusulkan pengembangan algoritma Decision Tree (DT) dengan Mekanisme Pruning Dinamis (Dynamic Pruning Mechanism, DPM) untuk mengatasi overfitting dan meningkatkan efisiensi dalam prediksi kelayakan kredit. DPM memungkinkan pohon keputusan menyesuaikan strukturnya secara adaptif berdasarkan umpan balik dari data yang salah klasifikasi. Eksperimen menggunakan dataset kredit standar menunjukkan bahwa model ini mencapai peningkatan akurasi hingga 10% dibandingkan DT konvensional. Dengan interpretasi yang lebih mudah dan efisiensi yang lebih baik, pendekatan ini sangat sesuai untuk aplikasi praktis dalam sektor keuangan.
Kata Kunci: Decision Tree, Mekanisme Pruning Dinamis, Prediksi Kredit, Overfitting, Pembelajaran Mesin
BAB I
PENDAHULUAN
1.1 Â Â Latar Belakang
Prediksi kelayakan kredit merupakan komponen penting dalam manajemen risiko lembaga keuangan. Machine learning telah menjadi pendekatan utama untuk menangani tantangan ini, di mana algoritma Decision Tree sering digunakan karena sifatnya yang mudah diinterpretasikan dan kemampuannya menangani data kategori maupun numerik.
Namun, kelemahan utama Decision Tree adalah rentan terhadap overfitting, terutama pada dataset yang kompleks atau memiliki distribusi tidak seimbang. Hal ini dapat menyebabkan model gagal memberikan generalisasi yang baik pada data baru.
- Rumusan Masalah
Penelitian ini berfokus pada solusi terhadap pertanyaan berikut:
- Bagaimana mengatasi masalah overfitting pada Decision Tree, khususnya pada dataset dengan distribusi yang kompleks?
- Bagaimana menerapkan pruning secara lebih efisien selama proses pelatihan, tanpa memengaruhi akurasi model?
- Bagaimana mengembangkan struktur pohon yang lebih sederhana, mudah diinterpretasikan, namun tetap akurat?
- Apakah Mekanisme Pruning Dinamis (Dynamic Pruning Mechanism, DPM) dapat meningkatkan kinerja model dibandingkan metode pruning tradisional?
- Bagaimana DPM memengaruhi akurasi, efisiensi waktu pelatihan, dan interpretasi model pada prediksi kelayakan kredit?
1.3 Motivasi
Teknik pruning tradisional seperti Reduced Error Pruning dan Cost-Complexity Pruning efektif mengurangi overfitting, tetapi cenderung dilakukan setelah proses pelatihan selesai (post-pruning), yang sering kali membutuhkan waktu tambahan. Dalam penelitian ini, kami mengembangkan Mekanisme Pruning Dinamis (DPM), yang bekerja selama pelatihan (pre-pruning), memungkinkan model lebih adaptif terhadap dinamika dataset.