Memuat
Memuat
Prediksi nasabah yang berisiko macet dan bandingkan dua model dengan matriks konfusi dan ROC.
1 kali dilihat
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.

Read CSV memuat data_nasabah.csv (3.000 nasabah, 11 atribut). Tetapkan id_nasabah sebagai id dan status_kredit sebagai label binominal.
Remap Binominals menjadikan "macet" sebagai kelas positif karena risiko macet yang ingin dideteksi.
Split Data dengan stratified sampling membagi 70% latih dan 30% uji sambil menjaga proporsi nasabah macet tetap sama di kedua bagian.
Dua operator Multiply memberi salinan data latih untuk kedua model dan salinan data uji untuk kedua penilaian, sehingga perbandingan benar-benar adil.
Naive Bayes dengan Laplace correction. Random Forest dengan 100 pohon, kriteria gain ratio, dan kedalaman maksimum 10.
Apply Model menghasilkan prediksi dan confidence untuk setiap nasabah uji dari kedua model.
Performance (Binominal Classification) menghitung akurasi, kappa, AUC, precision, recall, dan F-measure untuk masing-masing model.
Performance to Data dan empat operator Write CSV menyimpan ukuran serta prediksi per nasabah, yang dipakai untuk menyusun matriks konfusi dan kurva ROC.
data_nasabah.csv
3.000 baris · 13 kolom
Data 3.000 nasabah fiktif: usia, lama kerja, penghasilan, status rumah, tanggungan, tujuan kredit, pinjaman, tenor, rasio cicilan terhadap penghasilan, riwayat tunggakan, kredit aktif, dan status kredit (lancar atau macet).
Proses RapidMiner (.rmp) siap jalan; Dataset CSV beserta kamus data; Panduan praktik dan pertanyaan latihan (PDF/MD); Video tutorial langkah demi langkah.
Tidak harus. Proyek ini bertingkat "menengah", dan setiap langkah prosesnya dijelaskan sehingga Anda bisa mengikuti bagaimana data menjadi hasil.
Bisa. Ganti dataset di langkah pertama dan sesuaikan peran atributnya; sisa prosesnya tetap sama. Bila ingin kami yang menyesuaikan, hubungi kami lewat WhatsApp.
Proyek ini seharga Rp 349.000. Gunakan tombol "Beli via WhatsApp" di halaman ini; berkas proyek dikirim setelah pembayaran dikonfirmasi.
Menemukan kendala atau punya saran untuk proyek ini? Beri tahu kami lewat WhatsApp
Kembali ke portofolio RapidMiner