KLASIFIKASI STATUS PENERIMAAN PINJAMAN NASABAH MENGGUNAKAN SUPPORT VECTOR MACHINE DENGAN OPTIMASI HYPERPARAMETER TUNING GRIDSEARCHCV

Abstract

Pemberian pinjaman kepada nasabah merupakan proses penting bagi lembaga keuangan, namun juga memiliki risiko terjadinya kredit bermasalah. Penelitian ini bertujuan menganalisis pengaruh optimasi hyperparameter menggunakan GridSearchCV terhadap kinerja model Support Vector Machine (SVM) dalam mengklasifikasikan status penerimaan pinjaman nasabah. Penelitian menggunakan dataset Loan Approval Prediction Dataset dari Kaggle dengan 4.099 data dan 11 fitur prediktor. Tahapan penelitian meliputi preprocessing data, pembagian data latih dan data uji dengan rasio 80:20, pembangunan pipeline SVM, serta optimasi hyperparameter menggunakan GridSearchCV dengan 5-fold cross-validation. Hasil penelitian menunjukkan bahwa model terbaik menggunakan kernel RBF dengan parameter C = 100 dan gamma = 0,01, dengan rata-rata F1-score validasi silang sebesar 95,44%. Pada data uji, model menghasilkan accuracy 94,63%, precision 95,86%, recall 95,48%, dan F1-score 95,67%. Hasil ini menunjukkan bahwa optimasi hyperparameter menggunakan GridSearchCV mampu meningkatkan kinerja model SVM dalam klasifikasi status penerimaan pinjaman nasabah.