METODE KNN PADA KLASIFIKASI RISIKO KREDIT DENGAN SELEKSI FITUR BERBASIS BINARY PARTICLE SWARM OPTIMIZATION

Saat ini, kinerja klasifikasi telah menjadi semakin penting untuk penilaian risiko kredit untuk pengendalian kerugian dan maksimalisasi pendapatan. Untuk itu, diperlukan metode klasifikasi yang dapat secara akurat dan efisien mengukur tingkat risiko kredit calon peminjam sebagai kunci proses persetujuan kredit. Penelitian ini mengkontribusikan pengembangan metode seleksi fitur dengan algoritma SI yang menggunakan representasi biner, yaitu seleksi fitur menggunakan algoritma PSO dengan representasi biner atau Binary Particle Swarm Optimization (BPSO) yang diterapkan pada klasifikasi risiko kredit, dengan evaluasi klasifikasinya menggunakan metode klasifikasi kNN. Penerapan pemilihan (seleksi) fitur dilakukan untuk menghilangkan fitur yang berlebihan, sehingga dapat mengurangi jumlah fitur, meningkatkan akurasi model, dan mengurangi waktu berjalan. Hasil pengujian menunjukkan bahwa akurasi terbaik KNN yaitu sebesar 76.40%, dapat ditingkatkan dengan fitur seleksi berbasis BPSO dengan perolehan akurasi yang lebih baik yaitu sebesar 88.70%, dengan peningkatan akurasi sebesar 13.35%. Pengujian ini menunjukkan bahwa teknik fitur seleksi berbasis BPSO berhasil meningkatkan akurasi klasifikasi KNN pada klasifikasi risiko kredit.