| dc.contributor |
|
|
| dc.contributor |
|
|
| dc.creator |
Alwi, Fahmi Mohamad |
|
| dc.creator |
Kudus, Abdul |
|
| dc.creator |
Mutaqin, Aceng Komarudin |
|
| dc.date |
2017-08-10 |
|
| dc.identifier |
http://karyailmiah.unisba.ac.id/index.php/statistika/article/view/7738 |
|
| dc.description |
Credit scoring is a method used to evaluate credit risk in terms of loan applications from debtors. This method is used to determine the provision of credit limit from the debtor based on the payment behavior performed by the debtor. In the process because we are dealing with very large data either the number of variables or the number of observations, then we do the workmanship techniques based on the principle of data mining. Where the selection of best predictor variables will be selected based on the value of information value greater than 10% obtained using unsupervised learning techniques and modeling techniques in credit scoring is by using logistic regression which is a supervised learning technique in data mining. From the result of data transformation, correlation and modeling examination with backward elmination of 23 predictor variables obtained 5 best predictor variables modeled to determine the behavior of payments made by credit card customers in Taiwan, namely; Historical payment of the month of April 2005, the amount of the previous payment in June 2005, the amount of the previous payment in July 2005, the previous payment amount in August 2005, and the amount of previous payment in September 2005. Then after the best predictor variable is obtained we do logistic regression modeling, With the value of KSnya 50.33% and 60.84% and the value of GINI coefficient 53.83% and 62.56%, then the model can be said reliable in separating the debtor included in the good debtor and bad debtor. |
|
| dc.description |
Credit scoring adalah metode yang digunakan untuk mengevaluasi risiko kredit dalam hal permohonan pinjaman dari debitur. Metode ini digunakan untuk menentukan pemberian limit kredit dari debitur berdasarkan perilaku pembayaran yang dilakukan oleh debitur. Dalam pengerjaan karena kita berhadapan dengan data yang sangat besar baik itu banyaknya variabel maupun banyaknya observasi, maka kita melakukan teknik pengerjaan berdasarkan prinsip data mining. Dimana pemilihan variabel prediktor terbaik akan dipilih berdasarkan nilai information value lebih besar sama dengan 10% yang didapat menggunakan teknik unsupervised learning dan teknik pemodelan dalam credit scoring ini yaitu dengan menggunakan regresi logistik yang merupakan teknik supervised learning dalam data mining. Dari hasil transformasi data, pemeriksaan korelasi dan pemodelan dengan elminasi backward dari 23 variabel prediktor didapat 5 variabel prediktor terbaik yang dimodelkan untuk menentukan perilaku pembayaran yang dilakukan oleh nasabah kartu kredit di Taiwan, yaitu; historis pembayaran bulan april 2005, jumlah pembayaran sebelumnya dibulan juni 2005, jumlah pembayaran sebelumnya di bulan juli 2005, jumlah pembayaran sebelumnya di bulan agustus 2005, dan jumlah pembayaran sebelumnya di bulan September 2005. Kemudian setelah diperoleh variabel prediktor terbaiknya kita lakukan pemodelan regresi logistik, dengan nilai KSnya 50,33% dan 60,84% serta nilai koefisien GINInya 53,83% dan 62,56%, maka model dapat dikatakan handal dalam memisahkan debitur yang termasuk ke dalam good debitur dan bad debitur. |
|
| dc.format |
application/pdf |
|
| dc.language |
ind |
|
| dc.publisher |
Universitas islam Bandung |
|
| dc.relation |
http://karyailmiah.unisba.ac.id/index.php/statistika/article/view/7738/pdf |
|
| dc.rights |
Copyright (c) 2017 Prosiding Statistika |
|
| dc.source |
Prosiding Statistika; Vol 3, No 2, Prosiding Statistika (Agustus, 2017); 86-92 |
|
| dc.source |
Prosiding Statistika; Vol 3, No 2, Prosiding Statistika (Agustus, 2017); 86-92 |
|
| dc.source |
2460-6456 |
|
| dc.subject |
Statistics |
|
| dc.subject |
Credit Scoring, Data Mining, Logistic Regression |
|
| dc.subject |
Statistika |
|
| dc.subject |
Credit Scoring, Data Mining, Regresi logistik. |
|
| dc.title |
Best Predictor Variables Selection in Logistic Regression Modeling for Credit Card Payment Data |
|
| dc.title |
Pemilihan Variabel Prediktor Terbaik dalam Pemodelan Regresi Logistik untuk Data Pembayaran Kartu Kredit |
|
| dc.type |
info:eu-repo/semantics/article |
|
| dc.type |
info:eu-repo/semantics/publishedVersion |
|
| dc.type |
Peer-reviewed Article |
|
| dc.type |
Quantitative |
|
| dc.type |
Kuantitatif |
|