@thesis{thesis,
		author={ },
		title ={CREDIT SCORING ADAPTIF MENGGUNAKAN KERNEL LEARNING METHODS},
		year={2014},
		url={http://new.etd.repository.ugm.ac.id/home/detail_pencarian/72368},
		abstract={(ABSTRAKSI) Credit scoring merupakan suatu metode berbasis analisis statistika yang
digunakan untuk mengukur besaran resiko kredit. Metode klasifikasi yang paling
populer diadopsi di industri credit scoring adalah analisis diskriminan linier dan
regresi logistik. Namun, metode tersebut mempunyai beberapa keterbatasan. Yaitu
memerlukan seleksi variabel untuk regresi logistik dan data harus mengikuti
distribusi tertentu untuk analisis diskriminan linear. Berdasarkan informasi
tersebut, sulit untuk mengotomatisasi proses pemodelan data ketika lingkungan
atau populasi terjadi perubahan. Metode Kernel adalah salah satu solusi dari
permasalahan tersebut. Metode ini tidak memerlukan upaya pemilihan variabel
dan dapat selalu konvergen ke solusi yang optimal dan memberikan hasil yang
sama tanpa menghadapi masalah numerik atau harus kehilangan informasi. Hal ini
memungkinkan pemodel untuk merancang proses penilaian kredit secara dinamis
dalam praktek di mana model keputusan dapat diperbarui dan diperbaiki dengan
kedatangan informasi baru. (ABSTRACT) Credit scoring is a method based on statistical analysis that used to measure the
amount of credit risk. The most popular methods of classification adopted in the
credit scoring industry are linear discriminant analysis and logistic regression.
However, the method has some limitations. Those methods require the selection of
variables for logistic regression and also the data must follow a certain
distribution for linear discriminant analysis. Based on that information, it is
difficult to automate the process of data modeling occurs when the environment or
a population changes. Kernel method is one of the solutions to these problems.
This method does not require effort and variable selection can always converge to
the optimal solutions and provide the same results without encountering
numerical problems or losing information. It enables modelers to design a credit
scoring process dynamically in practice where decision model can be updated
and improved with the arrival of new information.}
		}