IMPLEMENTASI METODE K-MEANS DAN HARMONY SEARCH UNTUK MENYEDERHANAKAN DATA PADA CREDIT SCORE

Credit Score merupakan sebuah penilaian yang digunakan untuk memperkirakan risiko kredit. Penelitian ini dilakukan dengan tujuan untuk menyederhanakan data serta meningkatkan akurasi prediksi pada Credit dengan menggunakan metode K-Means dan Harmony Search. K-Means digunakan untuk mengelompokkan fitur berdasarkan korelasi jarak (Distance -based) guna untuk mengurangi redundansi dan menemukan fitur paling representatif. Selanjutnya, Harmony Search digunakan untuk mencari kombinasi fitur terbaik terhadap target prediksi dengan menyesuaikan kombinasi parameter HMS, HMCR, dan PAR. Untuk evaluasi kinerja model dilakukan menggunakan Linear Regression dengan nilai metrik MAPE, . Hasil penelitian menunjukkan bahwa kombinasi parameter terbaik yaitu HMS = 30, HMCR = 0.7, PAR = 0.1. Hal ini dilihat dari evaluasi kinerja model yang menghasilkan 10 fitur dengan metrik MAPE sebesar 3.4%, dan sebesar 0.84. Metode ini terbukti mampu meningkatkan akurasi dan efisiensi komputasi dibandingkan model tanpa seleksi fitur. Dengan demikian, kombinasi metode K-Means dan Harmony Search terbukti efektif dalam menyederhanakan data serta meningkatkan kinerja model pada Credit Score.