https://github.com/oenm176/hmeq-loan-analysis

Menggali wawasan dari dataset Home Equity (HMEQ). Proyek ini membangun model klasifikasi untuk mendeteksi kredit macet, yang menampilkan pra-pemrosesan data lengkap, normalisasi, dan visualisasi pohon menggunakan Python.
https://github.com/oenm176/hmeq-loan-analysis

classification-model credit-risk-analysis data-mining data-science data-visualization decision-tree hmeq-dataset machine-learning python scikit-learn student-project

Last synced: 3 months ago
JSON representation

Menggali wawasan dari dataset Home Equity (HMEQ). Proyek ini membangun model klasifikasi untuk mendeteksi kredit macet, yang menampilkan pra-pemrosesan data lengkap, normalisasi, dan visualisasi pohon menggunakan Python.

• Host: GitHub
• URL: https://github.com/oenm176/hmeq-loan-analysis
• Owner: Oenm176
• Created: 2025-12-22T00:59:21.000Z (7 months ago)
• Default Branch: main
• Last Pushed: 2025-12-22T02:42:24.000Z (7 months ago)
• Last Synced: 2025-12-23T12:45:34.347Z (7 months ago)
• Topics: classification-model, credit-risk-analysis, data-mining, data-science, data-visualization, decision-tree, hmeq-dataset, machine-learning, python, scikit-learn, student-project
• Language: Jupyter Notebook
• Homepage:
• Size: 1.18 MB
• Stars: 0
• Watchers: 0
• Forks: 0
• Open Issues: 0
• Metadata Files:
  • Readme: README.md

Awesome Lists containing this project

README

          
# Analisa Kelayakan Kredit (HMEQ) Menggunakan Decision Tree

Proyek ini disusun untuk memenuhi tugas Mata Kuliah **Data Mining**. 

Tujuan utama proyek adalah membangun model prediksi risiko kredit (*Credit Risk Analysis*) menggunakan algoritma **Decision Tree** untuk menentukan apakah seorang nasabah layak diberikan pinjaman atau berpotensi macet.

---

## 📊 Tentang Dataset

Dataset yang digunakan adalah **HMEQ (Home Equity) Dataset**. Dataset ini berisi informasi dasar dan kinerja kredit dari 5.960 pinjaman ekuitas rumah.

- **Sumber Dataset:** [Kaggle - HMEQ Data](https://www.kaggle.com/datasets/ajay1735/hmeq-data)

- **Target Variabel:** `BAD` 

  - `1` = Nasabah gagal bayar (Macet/Default)

  - `0` = Nasabah lancar (Lunas)

- **Jumlah Fitur:** 13 Variabel (termasuk `LOAN`, `MORTDUE`, `VALUE`, `YOJ`, `DEROG`, dll).

---

## 📂 Struktur Proyek

Berikut adalah alur pengerjaan yang terdapat dalam folder `notebooks/`:

1. **`1_data_cleaning.ipynb`**

   - Melakukan *Data Cleaning* (Pembersihan Data).

   - Mengisi data kosong (*Imputasi*) dengan Mean/Modus.

   - Mengubah data teks menjadi angka (*Encoding*).

   

2. **`2_data_normalization.ipynb`**

   - Melakukan *Feature Selection* (Menghapus fitur redundan/kembar).

   - Menganalisis *Feature Relevance* (Faktor yang paling berpengaruh).

   - Melakukan *Normalisasi* data (Min-Max Scaling) agar rentang angka seragam (0-1).

3. **`3_modeling_decision_tree.ipynb`**

   - Membagi data menjadi *Training* (80%) dan *Testing* (20%).

   - Melatih model algoritma **Decision Tree**.

   - Mengevaluasi Akurasi dan Confusion Matrix.

   - **Output Akhir:** Visualisasi Pohon Keputusan (`decision_tree_result.png`).

---

## 🛠️ Instalasi & Cara Menjalankan

1. **Clone repository ini** (atau download folder proyek).

2. **Install library yang dibutuhkan:**

   Jalankan perintah berikut di terminal:

   ```bash

   pip install -r requirements.txt