CREDIT SCORING ADAPTIF MENGGUNAKAN KERNEL LEARNING METHODS
Total View This Week68
Total View This Week68
Institusion
Universitas Gadjah Mada
Author
Subject
STATISTIKA
Datestamp
2019-07-16 00:00:00
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.
(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.
Download
book
BibTex
Latex, Jabref
cloud_download
Original Resource
url resource Institution
