Perbandingan Algoritma Machine Learning Untuk Prediksi Gagal Bayar Pinjaman Koperasi yang Optimal

Abstract - Predicting loan repayment defaults is quite an important thing to do in a financial institution such as a Savings and Loans Cooperative. The aim is to minimize the occurrence of loan defaults by borrowers to cooperatives so that bankruptcy does not occur. In this study, the development of a predictive model was carried out using several popular machine learning algorithms, namely logistic regression, decision tree, random forest and k-nearest neighbors (KNN), then the four models were compared and evaluated in order to find out which model with the most effective algorithm. in predicting loan defaults in cooperatives. Program evaluation is carried out by metrics such as accuracy, precision, recall, and f1-score. The dataset itself is obtained from a loan list which includes attributes such as borrower profile, loan amount, number of installments, etc. This dataset is divided into training data and test data to train and evaluate the model. The results showed that the Random Forest algorithm model provided the best accuracy, reaching 89%, followed by the Decision Tree with the highest accuracy value, which reached 84%, and finally Logistic Regression and K-Nearest Neighbors with the same accuracy value, namely 81%. These four algorithms were chosen because they are well-known algorithms among other algorithms for financial predictions because of their ability to understand complex relationships, provide interpretable results, overcome overfitting problems, and consider the interrelationships between similar entities. Abstrak – Melakukan prediksi kegagalan pembayaran pinjaman merupakan hal yang cukup penting untuk dilakukan di sebuah badan keuangan seperti Koperasi Simpan Pinjam. Tujuannya yaitu untuk meminimalisir terjadinya gagal bayar pinjaman oleh peminjam kepada Koperasi agar tidak terjadi bangkrut. Pada penelitian ini dilakukan pengembangan model prediksi dengan menggunakan beberapa algoritma machine learning yang cukup popular yaitu logistic regression, decision tree, random forest dan k-nearest neighbors (KNN), kemudian keempat model tersebut dibandingkan dan dievaluasi agar diketahui model dengan algoritma mana yang paling efektif dalam memprediksi gagal bayar pinjaman di Koperasi. Evaluasi program dilakukan metrik-metrik seperti akurasi, presisi, recall, dan f1-score. Untuk datasetnya sendiri didapat dari daftar pinjaman yang mencakup atribut seperti profil peminjam, jumlah pinjaman, banyak angsuran, dll. Dataset ini dibagi menjadi data pelatihan dan data uji untuk melatih dan mengevaluasi model. Hasil penelitian menunjukkan bahwa model algoritma Random Forest memberikan akurasi terbaik yaitu mencapai 89%, diikuti oleh Decision Tree dengan nilai akurasi tertingginya yang mencapai 84%, dan yang terakhir Logistic Regression dan K-Nearest Neighbors dengan nilai akurasi yang sama yaitu 81%. Keempat algoritma ini dipilih karena merupakan algoritma yang cukup terkenal di antara algoritma lainnya untuk prediksi dalam hal keuangan karena kemampuan mereka untuk memahami hubungan yang kompleks, memberikan hasil yang dapat diinterpretasikan, mengatasi masalah overfitting, dan mempertimbangkan keterkaitan antara entitas yang serupa.