Mohon tunggu...
FAHMI ZAKI DARMAWAN
FAHMI ZAKI DARMAWAN Mohon Tunggu... Mahasiswa - MAHASISWA UIN MAULANA MALIK IBRAHIM MALANG PROGRAM STUDI TEKNIK INFORMATIKA

DATA ANALYS

Selanjutnya

Tutup

Ilmu Alam & Tekno

PENGEMBANGAN DECISSION TREE ADAPTIF dengan MEKANISME PRUNING DINAMIS untuk PREDIKSI KELAYAKAN KREDIT

11 Desember 2024   12:00 Diperbarui: 11 Desember 2024   11:37 52
+
Laporkan Konten
Laporkan Akun
Kompasiana adalah platform blog. Konten ini menjadi tanggung jawab bloger dan tidak mewakili pandangan redaksi Kompas.
Lihat foto
Ilmu Alam dan Teknologi. Sumber ilustrasi: PEXELS/Anthony

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     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:

  1. Bagaimana mengatasi masalah overfitting pada Decision Tree, khususnya pada dataset dengan distribusi yang kompleks?
  2. Bagaimana menerapkan pruning secara lebih efisien selama proses pelatihan, tanpa memengaruhi akurasi model?
  3. Bagaimana mengembangkan struktur pohon yang lebih sederhana, mudah diinterpretasikan, namun tetap akurat?
  4. Apakah Mekanisme Pruning Dinamis (Dynamic Pruning Mechanism, DPM) dapat meningkatkan kinerja model dibandingkan metode pruning tradisional?
  5. 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.

HALAMAN :
Mohon tunggu...

Lihat Konten Ilmu Alam & Tekno Selengkapnya
Lihat Ilmu Alam & Tekno Selengkapnya
Beri Komentar
Berkomentarlah secara bijaksana dan bertanggung jawab. Komentar sepenuhnya menjadi tanggung jawab komentator seperti diatur dalam UU ITE

Belum ada komentar. Jadilah yang pertama untuk memberikan komentar!
LAPORKAN KONTEN
Alasan
Laporkan Konten
Laporkan Akun