Optimasi backward elimination untuk klasifikasi gagal bayar kartu kredit dengan metode multi layer perceptron

Gagal bayar kartu kredit merupakan kondisi seseorang tidak dapat memenuhi kewajibannya untuk membayar kredit sesuai dengan kesepakatan, yang berpotensi menimbulkan keruggian bagi lembaga keuangan. Penelitian ini bertujuan untuk mengidentifikasi fitur-fitur yang relevan menggunakan metode backward elimination serta menilai performa model Multi Layer Perceptron (MLP) dalam mengklasifikasi risiko gagal bayar kartu kredit. Metode yang digunakan meliputi seleksi fitur backward elimination dan klasifikasi dengan Multi Layer Perceptron (MLP). Data penelitian mencakup 39 variabel yang terdiri dari data diri nasabah, informasi kartu, kategori riwayat pembayaran dan lainnya. Hasil penelitian menunjukkan bahwa model MLP tanpa seleksi fitur memperoleh akurasi sebesar 78,26%, presisi 74,21%, recall 78,26%, dan f1-score 70,84%. Setelah dilakukan seleksi fitur dengan backward elimination, model menunjukkan peningkatan performa dengan akurasi sebesar 78,39%, presisi 74,83%, recall 8,39%, dan f1-score 71,01%. Selain meningkatkan kinerja model, metode seleksi fitur juga berhasil mereduksi jumlah fitur dari 38 menjadi 20 fitur, sehingga membuat model lebih sederhana dan efisien. Dengan demikian, penerapan MLP yang dioptimasi dengan backward elimination efektif dalam membantu mengidentifikasi nasabah yang berisiko gagal bayar.