Editorial Ilmu Komputer & AI
Analisis Komparatif Model Penilaian Kredit dan Teknik AI Generatif
Masalah inti
Penilaian kredit adalah tulang punggung kuantitatif dari pinjaman konsumen: ini mengubah atribut peminjam menjadi probabilitas gagal bayar yang menentukan persetujuan, penetapan harga, dan alokasi modal. Makalah oleh Bozagiu, Mihai, Neacșu, dan Neacșu (Proceedings of the International Conference on Business Excellence, 2025) menempatkan dirinya pada persimpangan dua tradisi penelitian — kartu skor statistik klasik dan *machine learning* modern — dan memperluas perbandingan ke keluarga ketiga yang sedang berkembang: model bahasa besar (LLM).
Motivasinya ada dua. Pertama, dasar klasik, regresi logistik, tetap menjadi standar industri karena dapat diinterpretasikan, diaudit, dan murah untuk dijalankan; regulator dan komite risiko dapat melacak setiap keputusan kembali ke koefisien. Kedua, model AI yang lebih baru menjanjikan akurasi prediktif yang lebih tinggi pada data yang kompleks, berdimensi tinggi, dan non-linear, tetapi sering mengorbankan transparansi dan membebankan tuntutan komputasi yang signifikan. Oleh karena itu, pertanyaan penelitian sentral adalah pertanyaan *trade-off* daripada pertanyaan akurasi murni: *kapan kompleksitas tambahan dari deep learning atau LLM memberik
Inovasi
Evaluasi komparatif melaporkan pola yang konsisten di seluruh set metrik: **kelas model paling penting ketika data dasarnya kompleks**, dan paling tidak penting ketika sinyalnya mendekati dapat dipisahkan secara linear.
**Model berbasis *deep learning* dan LLM unggul pada data kompleks.** Baik Mesin Peningkat Gradien maupun Jaringan Saraf mengungguli dasar regresi logistik pada bagian kompleks dari kumpulan data sintetis, di mana interaksi non-linear dan ketergantungan fitur tingkat tinggi membawa sinyal prediktif. Pendekatan berbasis LLM — digunakan baik untuk ekstraksi fitur maupun untuk prediksi langsung — juga menunjukkan kinerja yang lebih kuat dalam pengaturan ini, menunjukkan bahwa representasi berdimensi tinggi yang dipelajari menangkap struktur yang tidak dapat diungkapkan oleh kartu skor linear. Ini adalah konsekuensi yang diharapkan dari bentuk fungsional dalam Metodologi: pohon yang ditingkatkan secara aditif oleh GBM dan non-linearitas berlapis MLP dapat mendekati permukaan interaksi, sedangkan regresi logistik menetapkan koefisien monoton tunggal per variabel input.
**Model tradisional tetap kuat pada tingkat kompleksitas rendah.** Di mana batas keputusan kira-kira
Mengapa penting
Menginterpretasikan hasil memerlukan pertimbangan tiga sumbu secara bersamaan: **akurasi**, **interpretasi**, dan **efisiensi komputasi**. Kontribusi makalah ini adalah untuk membuat *trade-off* tiga arah ini eksplisit daripada menobatkan satu pemenang.
*Mengapa *deep learning* menang pada data kompleks.* *Gradient boosting* dan jaringan saraf mendekati fungsi non-linear yang kaya interaksi. Dalam konteks kredit, interaksi ini substantif — misalnya, efek risiko dari rasio utang terhadap pendapatan yang tinggi mungkin bergantung secara bersamaan pada masa jabatan akun dan perilaku tunggakan baru-baru ini. Logit linear tidak dapat merepresentasikan pengkondisian semacam itu tanpa rekayasa fitur manual, sehingga batas atasnya pada data kompleks bersifat struktural, bukan insidental.
*Mengapa interpretasi masih membatasi penerapan.* Koefisien regresi logistik dapat dibaca langsung sebagai kontribusi *log-odds* dan oleh karena itu memetakan dengan jelas ke penalaran tindakan merugikan dan dokumentasi validasi model. Model berbasis *deep learning* dan LLM mengorbankan transparansi tersebut. Dalam pinjaman yang diatur, model yang tidak dapat diinterpretasikan biasanya harus dipasangkan dengan mekanisme penjelasan *post-hoc* atau dibatasi pada lapisan keputusan berisiko rendah — biaya operasional yang tidak muncul dalam tabel akurasi mana pun tetapi sangat nyata.
*Mengapa LLM adalah kasus yang paling ambigu.* Menggunakan LLM murni sebagai ekstraktor fitur adalah konfigurasi yang paling dapat dipertahankan yang diamati: model bahasa menangani pembelajaran representasi, sementara pengklasifikasi konvensional mempertahankan fungsi keputusan dan dengan demikian beberapa kemampuan audit. Menggunakan LLM sebagai prediktor langsung memaksimalkan fleksibilitas tetapi memperparah opasitas dengan latensi dan biaya inferensi.
*Keterbatasan dan cakupan.* Evaluasi ini didasarkan pada data sintetis. Ini adalah pilihan metodologis yang disengaja yang menjamin perlindungan privasi dan konsistensi eksperimental, tetapi juga berarti bahwa ukuran efek bersifat kondisional pada seberapa setia generator sintetis mereproduksi distribusi kredit dunia nyata, termasuk ketidakseimbangan kelas dan peristiwa gagal bayar yang jarang. Oleh karena itu, keunggulan kinerja yang dilaporkan harus dibaca sebagai bukti arah tentang kelas model, bukan sebagai estimasi terkalibrasi dari peningkatan pada portofolio produksi tertentu. *Recall*, khususnya, sensitif terhadap prevalensi kelas dan pilihan ambang keputusan — yang keduanya bukan properti intrinsik model tetapi pilihan kebijakan pemberi pinjaman.
Sintesis praktisnya adalah pendekatan portofolio: gunakan kartu skor linear yang dapat diinterpretasikan di mana data mendekati linear dan kemampuan audit sangat penting; terapkan *gradient boosting* atau jaringan saraf di mana struktur non-linear yang asli membenarkan biaya; dan perlakukan ekstraksi fitur berbasis LLM sebagai jalur tengah yang menjanjikan yang menangkap kekayaan representasional sambil menjaga pengklasifikasi konvensional yang dapat diperiksa di kursi keputusan.
Siapa yang sebaiknya membaca
Membuka konten member…