German Credit Data

1. Made with by
ANALISIS KLASIFIKASI GERMAN CREDIT DATA
MENGGUNAKAN HYPERPARAMETER TUNING
DALAM MENENTUKAN PARAMETER YANG
OPTIMUM DENGAN METODE LOGISTIC
REGRESSION, KNN CLASSIFIER, SUPPORT
VECTOR MECHINE, DAN XGBCLASSIFIER
Dian Rizky Maulina - 06211540000091

2. 2
Latar Belakang
Banyaknya kebutuhan yang ingin
dipenuhi oleh masyarakat
Keputusan bank dalam memberikan
pinjaman memiliki dampak
Keadaan ekonomi

3. METODOLOGI PENELITIAN
Sumber Data
3
UCI Machine Learning Repository
German Credit Data
No Atribut Tipe data Variabel
1 Age Numerik X
2 Sex Kategorik X
3 Job Kategorik X
4 Housing Kategorik X
5 Saving accounts Kategorik X
6 Checking account Kategorik X
7 Credit amount Numerik X
8 Duration Kategorik X
9 Purpose Kategorik X
10 Risk Kategorik Y

4. STRUKTUR DATA
4
No. Age Sex Job Housing
Saving
accounts
Checking
account
Credit
amount
Duration Purpose Risk
1 67 male 2 own NA little 1169 6 radio/TV good
2 22 female 2 own little moderate 5951 48 radio/TV bad
3 49 male 1 own little NA 2096 12 education good
.
. . . . . . . . . . .
. . . . . . . . . . .
1000 27 male 2 own
moderat
e
moderate 4576 45 car good

5. Preprocessing Data
Eksplorasi Data
Import Libraries dan Dataset
Feature Engineering
Hyperparameter Tuning
Cross Validation
LANGKAH ANALISIS
5
6
1
5
3
4
2

6. PREPROCESSING DATA
6
Inputation Missing Value
Terdapat missing value pada Saving
Accounts dan Checking account

7. 7
Missing value teratasi

8. DUMMY VARIABLES
8
Adanya data kategorik

9. EKSPLORASI DATA
9
300 applicant credit
dengan resiko buruk
700 applicant credit
dengan resiko minimum Secara general, rata-rata
applicant berusia antara 20
tahun hingga 40 tahun

10. EKSPLORASI DATA
10
Secara general, rata-rata
applicant melakukan pinjaman
kredit untuk kebutuhan
barang-barang tersier
Secara general, jumlah good
creditor pada status
kepemilikan rumah lebih
tinggi daripada bad creditor

11. HOLD OUT DATA
11
Hold out data digunakan untuk membagi data
menjadi data testing dan data training
Kemudian, untuk proses selanjutnya menggunakan
data training untuk melakukan pemodelan

12. HYPERPARAMETER TUNING
12
Support Vector
Machine
XGB
Classifier
KNN
Classifier
Logistic
Regression
Metode Nilai ROC
KNN Classifier 0,267
Logistic
Regression
0,271
SVM 0,307
XGB Classifier
0,351
Maka, digunakan XGB Classifier untuk
cross validation

13. CROSS VALIDATION
13
Gamma 0,1 Gamma 0,01
Nilai akurasi paling tinggi
adalah XGB Classifier dengan
gamma 0,01

14. RESULT
14
Dari keempat metode klasifikasi yang
dilakukan, maka metode klasifikasi yang
paling baik digunakan untuk menganalisis
German Credit Data adalah XGBClassifier
menggunakan gamma 0,01 dengan akurasi
sebesar 72,8% dan presisi sebesar 72,4%

15. Made with by