silviamaulinaa (silviamaulinaa)

2025: Pada project ini, saya melakukan analisis credit scoring terhadap 444 nasabah yang mengajukan kredit di PT Bank X berdasarkan data tahun 2012-2017. Tujuan utama project ini adalah memprediksi kolektibilitas kredit, apakah seorang calon debitur berpotensi masuk kategori kredit lancar atau kredit macet menggunakan metode Regresi Logistik Biner.

Dari hasil eksplorasi data diketahui bahwa 417 nasabah (93,92%) termasuk kategori kredit lancar, sementara 27 nasabah (6,08%) tergolong kredit macet

2025: Pada project ini, saya melakukan analisis customer churn prediction untuk memahami faktor-faktor apa yang paling memengaruhi pelanggan berhenti menggunakan layanan (churn) serta membangun model machine learning untuk memprediksi perilaku tersebut. Tujuan utamanya adalah membantu perusahaan mempertahankan pelanggan dengan mengidentifikasi kelompok yang berisiko tinggi melakukan churn.

Berdasarkan data historis pelanggan, saya melakukan proses data cleaning, feature engineering, dan eksplorasi data untuk melihat pola awal. Hasil eksplorasi menunjukkan bahwa sekitar 20,4% pelanggan termasuk kategori churn, sementara 79,6% masih bertahan

2025: Pada project ini, saya melakukan pemodelan LASSO menggunakan algoritma LARS untuk menganalisis data inflasi Indonesia tahun 2016-2019. Tujuan utama project ini adalah memilih variabel yang paling berpengaruh terhadap inflasi sekaligus mengatasi potensi masalah multikolinearitas pada variabel independen.

Analisis dilakukan dengan membangun model LASSO dan mengevaluasinya melalui validasi silang 10-fold. Grafik koefisien model menunjukkan bahwa beberapa variabel mengalami penyusutan nilai koefisien menuju nol, yang berarti variabel tersebut kurang berpengaruh dan secara otomatis dieliminasi oleh LASSO. Teknik ini membantu mengatasi multikolinearitas untuk sebagian variabel independen. Namun, pada variabel dengan tingkat multikolinearitas sangat tinggi, LASSO tidak sepenuhnya menyelesaikan masalah tersebut