Penerapan Metode Klasifikasi ADASYN-SVM pada Imbalanced Data (Studi Kasus : Personal Loan Default)

Abstract

Studi ini bertujuan mengetahui performa metode klasifikasi ADASYNSVM dalam mengklasifikasikan data dengan distribusi kelas tidak seimbang (imbalanced data) pada kasus personal loan default (gagal bayar pinjaman tanpa agunan). Penelitian ini menggunakan data personal loan dari website Kaggle. Data ini bersifat independen, yakni tiap baris mewakili tiap nasabah dengan berbagai atribut demografis, finansial, dan perilaku nasabah sejumlah 5000 data. Data kemudian diproses melalui tahap preprocessing, checking missing value, normalisasi, serta pembagian data menjadi data training dan data testing. Penelitian ini menggunakan dua skema pemodelan, skema pemodelan pertama menggunakan metode Support Vector Machine (SVM) tanpa handling imbalanced. Sedangkan, skema pemodelan kedua dilakukan handling imbalanced menggunakan metode Adaptive Synthetic Sampling (ADASYN) sebelum pembentukan model menggunakan metode SVM. Pembagian dataset menggunakan rasio 80:20 untuk data pelatihan dan pengujian. Kinerja model kemudian dievaluasi menggunakan beberapa metrik seperti accuracy, precission, recall, dan F1-score. Hasil menunjukkan bahwa model tanpa penyeimbangan memperoleh nilai recall rata-rata sebesar 94,98%, sedangkan model dengan penyeimbangan menggunakan metode ADASYN memperoleh nilai recall rata-rata sebesar 95,70%. Hasil analisis tiap kelas menunjukkan bahwa model tanpa penyeimbangan memperoleh nilai recall sebesar 90,62 pada kelas minoritas, sedangkan model dengan penyeimbangan menggunakan metode ADASYN memperoleh nilai recall sebesar 95,83%. Skema pemodelan dengan ADASYN lebih agresif dan relevan untuk mengklasifikasikan data tidak seimbang pada kasus deteksi gagal bayar pinjaman tanpa agunan (personal loan default).