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.
