All Products
Search

This Product

    Platform For AI:Prediksi skor kredit dengan model scorecard

    Document Center

    Platform For AI:Prediksi skor kredit dengan model scorecard

    Last Updated:Aug 21, 2026

    Bangun model scorecard untuk penilaian kredit menggunakan komponen finansial PAI Designer dan data transaksi kartu kredit.

    Latar Belakang

    Scorecard adalah kerangka pemodelan untuk penilaian risiko kredit dan keuangan digital. Alih-alih menggunakan satu algoritma tunggal, metode ini menerapkan rekayasa fitur pada data yang telah dikelompokkan (binning), lalu menyesuaikan model linear.

    Aplikasinya mencakup penilaian risiko kartu kredit, pencairan pinjaman, penilaian layanan pelanggan, serta sistem penilaian kredit seperti Sesame Credit.

    Prasyarat

    Set Data

    Pipeline ini menggunakan dataset publik (Unduh dataset) yang berisi 30.000 catatan mengenai demografi pengguna (jenis kelamin, pendidikan, status perkawinan, usia), riwayat transaksi, dan laporan tagihan.

    Target prediksi adalah kolom payment_next_month, yang menunjukkan apakah pengguna melunasi tagihan kartu kreditnya:

    • 1 menunjukkan tagihan telah dilunasi.

    • 0 menunjukkan tagihan belum dilunasi.

    Bangun dan jalankan pipeline scorecard

    1. Buka halaman Machine Learning Designer.

      1. Masuk ke Konsol PAI.

      2. Di panel navigasi sebelah kiri, klik Workspaces. Di halaman Workspaces, klik nama ruang kerja yang ingin Anda kelola.

      3. Di panel navigasi sebelah kiri, pilih Model Training > Visualized Modeling (Designer).

    2. Bangun pipeline.

      1. Di halaman Designer, klik tab Preset Templates.

      2. Di halaman Preset Templates, klik Create di bawah Credit Consumption Analysis Based on Scorecard.

      3. Di kotak dialog Create Pipeline, konfigurasikan parameter. Anda dapat menggunakan pengaturan default untuk semua parameter.

        Parameter Data Storage menentukan path bucket OSS untuk menyimpan data sementara dan model yang dihasilkan selama eksekusi pipeline.

      4. Klik Confirm.

        Pembuatan pipeline memerlukan waktu sekitar 10 detik.

      5. Di tab Pipelines, klik dua kali Credit Consumption Analysis Based on Scorecard untuk membuka pipeline.

      6. Sistem membangun pipeline dari template preset.

        image.png

        Area

        Deskripsi

        ①

        Memisahkan dataset menjadi set pelatihan dan set prediksi.

        ②

        Komponen Binning memetakan data ke fitur berdimensi tinggi berdasarkan interval distribusi, mirip dengan one-hot encoding. Setelah pipeline selesai dijalankan, klik kanan Binning-1 dan pilih Binning. Di panel konfigurasi, klik nama fitur (misalnya, age) untuk melihat detail bin.

        Tabel detail pengelompokan menampilkan 10 bin untuk suatu fitur (dari (-inf,25] hingga (49,+inf)), dengan informasi berikut untuk setiap bin:

        • Label: Rentang interval bin

        • Constrain: Kondisi kendala (Operator dan Value), tidak diatur secara default

        • WOE: Nilai WOE untuk setiap bin (misalnya, 0,250; -0,091; -0,114)

        • Number: Jumlah sampel Total, Positive, dan Negative (misalnya, baris 0: Total=3138, Positive=845, Negative=2293)

        Untuk melihat interval pengelompokan per bidang, klik kanan Binning-1 dan pilih View Data > Binning Result Output.

        Tabel ringkasan pengelompokan fitur menampilkan hasil pengelompokan untuk semua 21 fitur (sex, education, marriage, limit_bal, age, pay_0–pay_6, bill_amt1–bill_amt6, pay_amt1–pay_amt6), dengan setiap fitur direpresentasikan oleh segmen JSON yang berisi bidang kunci berikut:

        • iv: Information Value (misalnya, sex = 0,003556, limit_bal = 0,075548, pay_0 = 0,046904)

        • n: Jumlah sampel

        • p: Jumlah sampel positif

        • prate: Laju sampel positif

        • total: Jumlah total sampel

        ③

        Membandingkan stabilitas sampel sebelum dan sesudah pemisahan/pengelompokan, menghasilkan Population Stability Index (PSI) per fitur. Setelah pipeline dijalankan, klik kanan PSI-1 dan pilih View Data > Output untuk melihat detail.PSI

        PSI mengukur pergeseran distribusi. PSI per fitur merupakan jumlah nilai di seluruh bin: di bawah 0,1 = perubahan tidak signifikan, 0,1–0,25 = perubahan moderat, di atas 0,25 = perubahan signifikan yang memerlukan tinjauan.

        ④

        Pelatihan scorecard. Setelah pipeline dijalankan, klik kanan Scorecard Training-1 dan pilih View Data > Output Training Result Table untuk melihat hasil.

        Tabel hasil output model scorecard menampilkan statistik pengelompokan untuk tiga fitur: intercept, pay_0 (bin mencakup (-inf,-1], (-1,0], (0,1], (1,2], (2,+inf) total 8 baris), dan limit_bal (bin dari (-inf,30000] hingga (360000,+inf) total 11 baris). Kolom mencakup weight, scaled_weight, dan contribution, serta feaname, binid, bin, constraint, woe, total, positi, negativ, percentage_pos, percentage_neg, in_mode, test_woe, dan test_contribution.

        Scorecard mengonversi bobot model menjadi skor yang mudah dipahami dalam konteks bisnis. Parameter utama:

        • weight: Nilai bobot asli.

        • Scaled_weight: Perubahan skor per bin. Misalnya, untuk pay_0: nilai dalam (-1,0] mengurangi skor sebesar 29; nilai dalam (0,1] menambahnya sebesar 27.

        • contribution: Dampak fitur terhadap hasil. Nilai yang lebih besar menunjukkan dampak yang lebih besar.

        ⑤

        Memprediksi skor kredit dan mengevaluasi kinerja model.

    3. Jalankan pipeline dan lihat hasilnya.

      1. Klik ikon run image.png di bagian atas kanvas.

      2. Setelah pipeline selesai, klik kanan Scorecard Prediction-1 dan pilih View Data > Output untuk melihat skor kredit.

        Hasil output berisi bidang-bidang berikut:

        • payment_next_month: Label perilaku pembayaran bulan depan (0 atau 1)

        • prediction_score: Skor kredit (misalnya, 685, 525)

        • prediction_prob: Probabilitas prediksi

        • prediction_detail: Probabilitas rinci untuk setiap kelas (format JSON, berisi probabilitas untuk kelas 0 dan kelas 1)

    Topik Terkait

    Referensi komponen: