Optimalisasi Seleksi Fitur dengan RFECV dalam Credit Scoring menggunakan ANN

Abstract

Credit scoring adalah metode krusial yang digunakan oleh lembaga keuangan untuk menilai kelayakan kredit calon peminjam. Penelitian ini bertujuan untuk mengoptimalkan seleksi fitur menggunakan Recursive Feature Elimination with Cross-Validation (RFECV) dalam credit scoring dengan algoritma Artificial Neural Network (ANN). Peneliti mengevaluasi kinerja model ANN pada berbagai kombinasi teknik optimizer dan learning rate untuk menemukan konfigurasi paling efektif. Hasilnya menunjukkan bahwa ANN mampu memberikan prediksi risiko kredit dengan akurasi tinggi. Kombinasi optimizer Nadam dan learning rate 0.001 menghasilkan kinerja terbaik dengan akurasi sebesar 81.79%. RFECV terbukti efektif dalam meningkatkan kinerja model dengan mengidentifikasi fitur-fitur paling relevan, mengurangi overfitting, dan meningkatkan generalisasi. Penelitian ini menegaskan pentingnya seleksi fitur dan pemilihan parameter yang tepat dalam pengembangan model credit scoring yang akurat dan efisien. Temuan ini membuka jalan bagi peningkatan sistem credit scoring yang lebih andal, membantu lembaga keuangan membuat keputusan yang lebih baik dan aman.