Credit Risk Prediction

📌 Deskripsi

Credit Risk Prediction adalah proyek yang bertujuan untuk menentukan apakah seorang nasabah layak mendapatkan pinjaman atau tidak berdasarkan parameter yang diberikan. Model ini menggunakan algoritma Decision Tree yang telah dioptimasi dengan Hyperparameter Tuning, Synthetic Minority Oversampling Technique (SMOTE), dan K-Fold Cross Validation untuk meningkatkan akurasi serta mengatasi masalah overfitting dan ketidakseimbangan data.

📊 Fitur Utama

• Prediksi Risiko Gagal Bayar: Menentukan apakah nasabah dapat diberikan pinjaman.
• Optimasi Model: Menggunakan Hyperparameter Tuning (Grid Search) untuk meningkatkan performa model.
• Penanganan Ketidakseimbangan Data: Menggunakan SMOTE untuk mengatasi distribusi kelas yang tidak merata.
• Validasi Model: Menggunakan K-Fold Cross Validation (k=5) untuk memastikan stabilitas model.
• Deployable Model: Model dapat diekspor dan digunakan kembali dalam aplikasi web atau API.

🛠 Teknologi yang Digunakan

• Python (scikit-learn, pandas, numpy, matplotlib, seaborn)
• Machine Learning (Decision Tree)
• Data Preprocessing (SMOTE, Feature Selection)
• Model Evaluation (Accuracy, Precision, Recall, F1-score)
• Deployment (Flask/FastAPI untuk API jika diperlukan)

🔧 Cara Menggunakan

1. Instalasi Dependensi

Pastikan Anda memiliki Python 3.8+ dan instal pustaka yang dibutuhkan:

pip install -r requirements.txt

2. Menjalankan Model

Jalankan model menggunakan skrip utama:

python train_model.py

3. Menyimpan dan Memuat Model

Untuk menyimpan model setelah pelatihan:

import joblib
joblib.dump(model, 'credit_risk_model.pkl')

Untuk memuat kembali model:

model = joblib.load('credit_risk_model.pkl')

4. Menggunakan Model untuk Prediksi

input_data = [[30, 5000000, 2, 1, 0]]  # Contoh input
prediction = model.predict(input_data)
print("Hasil Prediksi:", "Disetujui" if prediction[0] == 1 else "Ditolak")

🚀 Deployment (Opsional)

Model ini dapat diintegrasikan dengan aplikasi web menggunakan Flask atau FastAPI.

📌 Lisensi

Proyek ini dibuat untuk keperluan penelitian dan edukasi. Bebas digunakan dengan menyertakan atribusi.