Eksplorasi Metode Naive Bayes Classifier Pada Machine Learning Untuk Sistem Alternative Credit Scoring

Abstract

Permasalahan dalam sistem kredit konvensional sering kali terletak pada keterbatasan akses masyarakat terhadap penilaian kelayakan kredit, khususnya bagi individu yang tidak memiliki riwayat kredit formal. Penelitian ini bertujuan untuk mengembangkan sistem alternatif Credit Scoring menggunakan metode Naïve Bayes Classifier (NBC) yang mampu mengevaluasi kelayakan kredit berdasarkan variabel sosial ekonomi dari data peserta Jaminan Kesehatan Nasional (JKN) Kota Malang. Variabel yang digunakan meliputi usia, total pendapatan, lama bekerja (days employed), dan total tagihan bulanan. Tahapan penelitian dimulai dengan proses preprocessing data, normalisasi, pembobotan skor berdasarkan skala 1–5, dan modeling yang dilakukan menggunakan GaussianNB untuk untuk mempelajari hubungan antara fitur-fitur numerik dan label target kelayakan kredit kemudian menghitung nilai rata-rata dan varians dari setiap fitur pada masing-masing kelas serta menghitung probabilitas awal tiap kelas yang secara internal membentuk probabilistik berbasis distribusi. Evaluasi model dilakukan menggunakan metrik akurasi, presisi, recall, dan f1-score. Hasil pengujian menunjukkan bahwa model Naïve Bayes dapat mengklasifikasikan kelayakan kredit dengan akurasi sebesar 84%, presisi 85%, recall 84%, dan f1-score 84%. Penelitian ini menunjukkan bahwa pendekatan Machine Learning dengan metode Naïve Bayes memiliki potensi untuk dijadikan sebagai sistem alternatif dalam penilaian kelayakan kredit, terutama untuk masyarakat yang tidak terjangkau oleh sistem kredit konvensional.