Analisis status gagal bayar kredit mikro berdasarkan rasio utang dan arus kas dengan Pendekatan k-Nearest Neighbors

Info proyek

• Bidang studiEkonomi dan Keuangan
• JenjangSkripsi (S1)
• Jenis metodeKlasifikasi
• Perkiraan pengerjaan± 3 hari kerja
• Perangkatscikit-learn KNeighborsClassifier, cross_val_score, StandardScaler
• HargaRp 300.000 - Rp 1.950.000

Tujuan analisis

Menerapkan k-Nearest Neighbors pada data sintetis untuk mengklasifikasikan status gagal bayar kredit mikro berdasarkan rasio utang dan arus kas dan menilai akurasinya.

Variabel

Contoh hasil

• 0.817Accuracy
• 0.788Precision
• 0.867Recall
• 0.825F1-score
• 0.919ROC AUC
• 5Best k

Model k-NN mengklasifikasikan Status gagal bayar (rendah/tinggi) dari Rasio utang terhadap pendapatan dan Arus kas bulanan dengan akurasi uji 0.817, F1 0.825 dan AUC 0.919. k terbaik = 5.

Dihitung dari data sintetis sebagai ilustrasi, bukan dari penelitian nyata.

Tentang k-Nearest Neighbors

k-Nearest Neighbors mengklasifikasikan sebuah titik berdasarkan kelas mayoritas dari k tetangga terdekatnya. Cocok sebagai metode dasar yang sederhana untuk data berukuran kecil sampai menengah dengan batas kelas tidak beraturan.

Langkah pengerjaan

1. 1Standarisasi fitur karena berbasis jarak
2. 2Bagi data latih dan uji
3. 3Pilih k terbaik dengan validasi silang
4. 4Latih KNeighborsClassifier pada k terpilih
5. 5Evaluasi akurasi, F1, dan confusion matrix
6. 6Plot akurasi terhadap k

Asumsi yang perlu diperiksa

• Fitur berskala sebanding dan relevan
• Metrik jarak sesuai dengan sifat data
• Dimensi tinggi melemahkan makna jarak (curse of dimensionality)

Membaca dan melaporkan hasil

Laporkan k terpilih beserta alasan pemilihannya dan metrik data uji. Catat bahwa prediksi lambat pada data besar karena seluruh data latih disimpan.

Contoh kode Python

Skrip awal singkat dengan nama variabel proyek ini. Versi yang diserahkan disesuaikan dengan data Anda dan diberi komentar lengkap.

import numpy as np
import matplotlib.pyplot as plt
from sklearn.neighbors import KNeighborsClassifier
from sklearn.preprocessing import StandardScaler
from sklearn.pipeline import make_pipeline
from sklearn.model_selection import cross_val_score, train_test_split
from sklearn.metrics import accuracy_score, f1_score

rng = np.random.default_rng(51)
n = 300
debt_to_income_ratio = np.r_[rng.normal(0, 1, n // 2), rng.normal(2, 1, n // 2)]
monthly_cash_flow = np.r_[rng.normal(0, 1, n // 2), rng.normal(2, 1, n // 2)]
default_status = np.r_[np.zeros(n // 2), np.ones(n // 2)].astype(int)

X = np.column_stack([debt_to_income_ratio, monthly_cash_flow])
X_tr, X_te, y_tr, y_te = train_test_split(X, default_status, test_size=0.25, stratify=default_status, random_state=51)
ks = range(1, 26, 2)
cv = [cross_val_score(make_pipeline(StandardScaler(), KNeighborsClassifier(k)), X_tr, y_tr, cv=5).mean()
      for k in ks]
best_k = list(ks)[int(np.argmax(cv))]
clf = make_pipeline(StandardScaler(), KNeighborsClassifier(best_k)).fit(X_tr, y_tr)
pred = clf.predict(X_te)
print("Best k:", best_k)
print("Accuracy:", round(accuracy_score(y_te, pred), 3), "F1:", round(f1_score(y_te, pred), 3))

plt.plot(list(ks), cv, marker="o")
plt.xlabel("k"); plt.ylabel("CV accuracy")
plt.show()

Paket dan harga

Pilih seberapa banyak bantuan yang Anda perlukan. Setiap paket yang lebih tinggi sudah mencakup semua item paket di bawahnya. Harga belum termasuk PPN 11%.

• Pembayaran: DP 50% sebelum pekerjaan dimulai, pelunasan setelah hasil diserahkan
• Pajak: Harga belum termasuk PPN 11%
• Data dan integritas akademik: Hasil dihitung dari data penelitian Anda sendiri; Anda yang menulis dan mempertanggungjawabkan naskah, kami membantu analisis dan pemahaman
• Revisi: Maksimal 2 kali revisi termasuk dalam harga (Paket 3: 3 kali)

Pertanyaan umum