Proyek ini menilai kelayakan kredit 3.000 nasabah fiktif sebuah lembaga pembiayaan dengan Naive Bayes dan Random Forest. Dua model dibandingkan pada data uji yang sama lewat akurasi, precision, recall, matriks konfusi, dan kurva ROC.
Tujuan Bisnis
Prediksi nasabah yang berisiko macet dan bandingkan dua model dengan matriks konfusi dan ROC. Bidang penerapan: Keuangan. Tingkat proyek: menengah.
Alat dan Operator RapidMiner
Proses dibangun dengan operator berikut:
- Read CSV
- Remap Binominals
- Split Data
- Multiply
- Naive Bayes
- Random Forest
- Apply Model
- Performance (Binominal Classification)
- Performance to Data
- Write CSV
Yang Akan Anda Pelajari
- Membandingkan dua model klasifikasi pada data uji yang sama secara adil
- Membaca matriks konfusi, precision, dan recall dari sudut biaya kesalahan keputusan kredit
- Memahami arti AUC dan kurva ROC untuk memilih ambang persetujuan kredit
Langkah Pengerjaan
- Baca data nasabah — Read CSV memuat data_nasabah.csv (3.000 nasabah, 11 atribut). Tetapkan id_nasabah sebagai id dan status_kredit sebagai label binominal.
- Tetapkan kelas positif — Remap Binominals menjadikan "macet" sebagai kelas positif karena risiko macet yang ingin dideteksi.
- Bagi data latih dan uji — Split Data dengan stratified sampling membagi 70% latih dan 30% uji sambil menjaga proporsi nasabah macet tetap sama di kedua bagian.
- Gandakan bagian latih dan uji — Dua operator Multiply memberi salinan data latih untuk kedua model dan salinan data uji untuk kedua penilaian, sehingga perbandingan benar-benar adil.
- Latih Naive Bayes dan Random Forest — Naive Bayes dengan Laplace correction. Random Forest dengan 100 pohon, kriteria gain ratio, dan kedalaman maksimum 10.
- Terapkan model pada data uji — Apply Model menghasilkan prediksi dan confidence untuk setiap nasabah uji dari kedua model.
- Hitung kinerja — Performance (Binominal Classification) menghitung akurasi, kappa, AUC, precision, recall, dan F-measure untuk masing-masing model.



