ANALISIS OVERFITTING PADA PREDIKSI RISIKO GAGAL BAYAR PINJAMAN MENGGUNAKAN ALGORITMA DECISION TREE

Khasay, Oxa Defrizal (2025) ANALISIS OVERFITTING PADA PREDIKSI RISIKO GAGAL BAYAR PINJAMAN MENGGUNAKAN ALGORITMA DECISION TREE. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.

	Text (COVER-ABSTRAK) COVER.pdf Download (1MB)
	Text (BAB I) BAB I.pdf Download (241kB)
	Text (BAB II) BAB II.pdf Restricted to Registered users only Download (517kB)
	Text (BAB III) BAB III.pdf Restricted to Registered users only Download (522kB)
	Text (BAB IV) BAB IV.pdf Restricted to Registered users only Download (796kB)
	Text (BAB V) BAB V.pdf Download (68kB)
	Text (DAFTAR PUSTAKA) Daftar Pustaka.pdf Restricted to Registered users only Download (204kB)
	Archive (SOURCE CODE) Sourcecode - 21.11.4388.zip Restricted to Repository staff only Download (1MB)
	Text (PUBLIKASI) Publikasi.pdf Restricted to Repository staff only Download (701kB)

Abstract

Pertumbuhan ekonomi suatu negara dapat terganggu oleh berbagai permasalahan, seperti pengangguran, inflasi, dan ketimpangan pendapatan. Dalam konteks perekonomian Indonesia, tingkat pengangguran yang tinggi sering kali mendorong terjadinya tindakan kriminal, termasuk penipuan dan penggelapan uang di sektor keuangan. Salah satu bentuk kejahatan yang sering terjadi adalah gagal bayar pinjaman, yang tidak hanya merugikan lembaga keuangan, tetapi juga memengaruhi nasabah baru yang beritikad baik. Teknologi machine learning telah diterapkan secara luas dalam mendukung pengambilan keputusan, khususnya dalam prediksi risiko gagal bayar pinjaman. Salah satu permasalahan utama dalam pengembangan model prediksi adalah overfitting, yaitu kondisi ketika model terlalu menyesuaikan data pelatihan sehingga kinerjanya menurun pada data baru. Penelitian ini bertujuan untuk menganalisis dan mengurangi overfitting pada model prediksi gagal bayar pinjaman menggunakan algoritma Decision Tree. Metode penelitian meliputi pengumpulan data dari platform Kaggle, eksplorasi data untuk memahami karakteristik dataset, preprocessing untuk membersihkan dan menyiapkan data, serta pembagian data menggunakan train-test split dan k-fold cross-validation. Selain itu, tuning parameter dilakukan melalui Grid Search untuk menemukan kombinasi parameter terbaik. Hasil penelitian menunjukkan bahwa kombinasi teknik SMOTE, dan hyperparameter tuning mampu menghasilkan model dengan akurasi 90,06%, presisi 90,52%, recall 90,06%, f1-score 90.03%, dan perbedaan kecil antara akurasi pelatihan dan uji. Penerapan teknik SMOTE terbukti efektif dalam menangani ketidakseimbangan data, yang berkontribusi pada peningkatan kinerja model. Penggunaan k-fold cross-validation juga berperan penting dalam memastikan stabilitas model saat memprediksi risiko gagal bayar pinjaman.

Actions (login required)

View Item