Studi Komparatif Algoritma Perceptron Jaringan Syaraf Tiruan dan Logistic Regression untuk Memprediksi Non-Perfoming Loan (NPL) pada Kredit Bisnis

Abstrak

Lembaga keuangan seperti Bank memiliki lebih dari satu produk selain produk simpanan, produk yang paling popular di Masyarakat salah satunya adalah pendanaan atau biasa disebut dengan pinjaman. Produk tersebut diberikan untuk memberikan kemudahan bagi masyarakat dalam hal akses pendanaan, baik untuk keperluan pribadi, Pendidikan, Kesehatan maupun bisnis/ usaha. Akan tetapi dalam prosesnya, debitur baik perorangan maupun organisasi tidak jarang yang mengalami kesulitan dalam mengembangkan usahanya atau mengelola keuangannya sehingga menyebabkan gagal bayar atau hingga menyebabkan kredit macet atau biasa disebut dengan Non-Performing Loan (NPL). NPL atau Kredit macet adalah kondisi dimana debitur baik perorangan maupun organisasi tidak lagi mampu membayar hutang atau cicilan pinjaman, hal ini dapat disebabkan oleh banyak sekali faktor. Salah satu bidang dalam Machine Learning adalah Jaringan Syaraf Tiruan (JST) dan Logistic Regression, JST memproses informasi menggunakan node (neuron) yang terhubung dalam lapisan input, tersembunyi dan output yang mampu mengenali pola, melakukan klasifikasi dan peramalan/ prediksi. Di lain sisi, Logistic Regression dapat memodelkan hubungan antara satu atau lebih variable independent untuk dapat memprediksi probabilitas kejadian biner (ya/ Tidak, 0/ 1). Dalam penelitian ini penulis mencoba untuk melakukan prediksi kredit macet pada pinjaman yang ditujukan untuk pengembangan usaha/ bisnis. Pada proses pembelajaran penulis menggunakan dataset yang diperoleh melalui dataset Kaggle, untuk memastikan validitas, akurasi dan ketahanan (robustness) maka penulis memilih 2 algoritma untuk dapat diterapkan pada kasus yang sama sebagai komparasi. Metode yang digunakan adalah jaringan Syaraf Tiruan dan Logistic Regression. Hasil evaluasi dari penelitian dengan Logistic Regression dan Jaringan Syaraf Tiruan masing-masing memperoleh nilai akurasi 0.836 dan 0.864, dan nilai Presisi 0.836 dan 0.865, dan Recall 0.836 dan 0.864. Dari hasil evaluasi dapat ditarik Kesimpulan bahwa Neural Network unggul dalam hal akurasi, presisi dan recall dibanding Logistic Regression untuk dataset yang digunakan.