Text
Prediksi terjadinya default pada pengguna kartu kredit dengan sistem pembayaran tidak penuh menggunakan machine learning
Kegagalan bayar kartu kredit merupakan risiko yang perlu dikelola, sehingga perbankan perlu menerapkan credit scoring untuk memprediksi pemegang kartu yang berisiko default. Seiring dengan perkembangan teknologi, terdapat berbagai metode credit scoring, sehingga perlu adanya telaah mengenai efektivitas metodemetode credit scoring. Penelitian ini memiliki tujuan untuk memprediksi default berdasarkan data demografi, payment, dan savings nasabah, dan membandingkan efektivitas dari beberapa metode credit scoring yang berkembang, dan mengetahui variabel apa saja yang mempengaruhi dalam hasil permodelan. Sehingga, perusahaan dapat memitigasi resiko lebih awal dan dapat mengoptimalkan revenue dari nasabah tidak beresiko lainnya. Selain itu ditemukan pula hubungan ketika sebuah cut off point dengan akurasi dan sensitivity. Dari variabel-variabel yang digunakan dalam model, utilisasi dan pembayaran kartu kredit menjadi variabel yang sangat berpengaruh dalam permodelan, selain itu jenis kelamin, profesi, jumlah penghasilan, status kepemilikan tempat tinggal dan tingkat pendidikan akhir menjadi variabel yang penting dalam memprediksi default. Dalam hasil permodelan random forest menghasilkan hasil yang paling baik secara keseluruhan, dan model logistic regression merupakan permodelan yang memiliki defiasi lebih sedikit (stabil) dibandingkan hasil permodelan lainnya.Ada tabel
Ketersediaan
| Call Number | Location | Available |
|---|---|---|
| T 143/18 | PSB lt.2 - Karya Akhir | 1 |
| Penerbit | Jakarta Program Studi Magister Manajemen, Fakultas Ekonomi dan Bisnis Universitas Indonesia., 2018 |
|---|---|
| Edisi | - |
| Subjek | Credit cards Probability Payment systems Credit scoring Default |
| ISBN/ISSN | - |
| Klasifikasi | - |
| Deskripsi Fisik | xix, 93 p. : il. ; 30 cm. |
| Info Detail Spesifik | - |
| Other Version/Related | Tidak tersedia versi lain |
| Lampiran Berkas | Tidak Ada Data |