Peningkatan Kinerja SVM dengan PSO dalam Klasifikasi Risiko Kredit

Abstract

SVM classification, in each kernel has parameters that affect the results of classification accuracy. This study examines the improvement of SVM performance by selecting parameters using PSO in credit risk classification, the results of which are compared with SVM by randomly selecting parameters. Classification performance was evaluated by applying SVM classification to private data sets, which are credit data sets issued from a local bank in North Sumatra, Indonesia. Although it requires a longer execution time to achieve optimal accuracy values, combining SVM and PSO is quite effective and more systematic compared to trial and error techniques in finding SVM parameter values, so that it can produce better accuracy. In general, the test results show that the RBF kernel is capable of producing higher accuracy and higher f1-score than linear and polynomial kernels. The SVM classification accuracy of the RBF kernel increased with the best achievement of 92.31%, with the best parameter values of c and respectively are being 8,9540 and 3,5291.

Pada Klasifikasi menggunakan SVM, setiap kernel mempunyai parameter-parameter yang mempengaruhi hasil akurasi klasifikasi. Penelitian ini meninjau peningkatan kinerja SVM dengan pemilihan parameter menggunakan PSO pada klasifikasi risiko kredit yang hasilnya dibandingkan dengan SVM dengan pemilihan parameter secara random. Kinerja klasifikasi dievaluasi dengan menerapkan klasifikasi SVM pada set data privat yang merupakan set data kredit yang dikeluarkan dari suatu Bank lokal yang ada di Sumatera Utara. Walaupun membutuhkan waktu eksekusi yang lebih lama untuk mencapai nilai akurasi yang optimal, penggabungan SVM dan PSO cukup efektif dan lebih sistematis dibandingkan dengan teknik trial and error dalam mencari nilai parameter SVM, sehingga mampu menghasilkan akurasi yang lebih baik. Secara umum, hasil pengujian mendapatkan bahwa kernel RBF mampu menghasilkan akurasi dan f1-score yang lebih tinggi dibandingkan kernel linear dan polynomial. Akurasi klasifikasi SVM pada kernel RBF meningkat dengan pencapaian terbaik 92.31%, dengan nilai parameter terbaiknya c dan berturut-turut adalah 8.9540 dan 3.5291.