Credit risk is the most challenging

Credit risk is the most challenging risk to which financial
institution are exposed. Credit scoring is the main analytical
technique for credit risk assessment. In this paper a hybrid
model for credit scoring is designed which applies ensemble
learning for credit granting decisions. The hybrid model
combines clustering and classification techniques. Ten Support
Vector Machine (SVM) classifiers are utilized as the members
of ensemble model. Since even a small improvement in credit
scoring accuracy causes significant loss reduction, then the
application of ensemble in hybrid model leads to better
performance of classification. A real dataset is used to test the
model performance. The test results shows that proposed hybrid
SVM ensemble has better classification accuracy when
compared with other methods

Hasil (Bahasa Indonesia) 1:

Risiko kredit adalah risiko paling menantang yang keuangan lembaga yang terkena. Penilaian kredit adalah utama analitis teknik untuk penilaian risiko kredit. Dalam makalah ini hibrida model penilaian kredit dirancang yang berlaku ansambel belajar untuk keputusan pemberian kredit. Model hibrida menggabungkan pengelompokan dan teknik klasifikasi. Sepuluh dukungan Vektor mesin (SVM) kelompok dimanfaatkan sebagai anggota ensemble model. Sejak bahkan perbaikan kecil dalam kredit mencetak akurasi menyebabkan pengurangan signifikan kerugian, maka aplikasi Ensemble model hibrida mengarah ke lebih baik kinerja klasifikasi. Dataset nyata digunakan untuk menguji model kinerja. Hasil tes menunjukkan hibrida yang diusulkan SVM ansambel memiliki akurasi klasifikasi yang lebih baik ketika dibandingkan dengan metode lain

Hasil (Bahasa Indonesia) 2:

Risiko kredit adalah risiko yang paling menantang yang keuangan
lembaga yang terkena. Penilaian kredit adalah analisis utama
teknik untuk penilaian risiko kredit. Dalam makalah ini hibrida
model credit scoring yang dirancang berlaku ensemble
belajar untuk keputusan pemberian kredit. Model hybrid
menggabungkan clustering dan klasifikasi teknik. Sepuluh Support
Vector Machine (SVM) pengklasifikasi dimanfaatkan sebagai anggota
model ensemble. Karena bahkan perbaikan kecil dalam kredit
akurasi scoring menyebabkan pengurangan kerugian yang signifikan, maka
penerapan ensemble dalam model hibrida mengarah ke yang lebih baik
kinerja klasifikasi. Sebuah dataset nyata digunakan untuk menguji
kinerja model. Hasil tes menunjukkan bahwa usulan hybrid
SVM ensemble memiliki akurasi klasifikasi yang lebih baik bila
dibandingkan dengan metode lain