Final Pitching Internship Data Scientist - Basic Computing Community (BCC) Fakultas Ilmu Komputer, Universitas Brawijaya

Study Case

Maraknya online store dan kemudahan dalam mengaksesnya, masyarakat cenderung menjadi konsumtif dalam menggunakan salah satu fitur di dalamnya yakni "Paylater". Fitur ini memang terlihat memberi manfaat karena memberikan user untuk dapat membeli lebih banyak barang yang mereka inginkan dan perusahaan pun bisa mendapat keuntungan. Namun tidak sedikit yang memanfaatkan fitur ini dengan menunggak dan enggan membayar hutang mereka bahkan hingga melakukan tindakan mematikan dan memutuskan segala komunikasi agar terhindar dari tagihan hutang Paylater. Sehingga inti Poin permasalahan dari Proyek ini adalah "Banyak Klien gagal membayar tepat waktu Pinjaman".

Solusi

Analisis Faktor yang berkontribusi terhadap Kemampuan Membayar Pinjaman

Tujuan

Menghindari terjadinya hal hal yang merugikan bagi pihak penyedia Paylater yang notabene sekarang sudah menjamur menjadi sistem pembayaran di E-Commerce

Manfaat

• Penentuan Risiko Kredit yang lebih Akurat
• Peningkatan Profit Perusahaan dengan Analisis Profil Pelanggan

Atribut dan Overview Dataset

Steps in this Project

• Loading Data (Paylater loan_data.csv)
• Data Profilling
• Remove Duplication
• Info Data
• Visualization with Seaborn and Matplotlib
• HeatMap
• Remove Outlier
• One Hot Encoding
• Handling Imbalance Data use SMOTE
• Feature Selection
• Construct Pipeline Random Forest, Naive Bayes, Logistic Regression and XGBoost
• Hyperparameter Tuning Model Random Forest, Naive Bayes, Logistic Regression and XGBoost
• Testing and Evaluation using F4-Score

Documentation