KOMPARASI TINGKAT AKURASI ALGORITMA RANDOM FOREST DAN K-NEAREST NEIGHBOR (KNN) UNTUK MENGKLASIFIKASI KELAYAKAN PENERIMAAN KREDIT BANK

Santoso, Bayu Aji (2024) KOMPARASI TINGKAT AKURASI ALGORITMA RANDOM FOREST DAN K-NEAREST NEIGHBOR (KNN) UNTUK MENGKLASIFIKASI KELAYAKAN PENERIMAAN KREDIT BANK. S2 - Magister thesis, Universitas AMIKOM Yogyakarta.

[img] Text (THESIS)
22.55.1212 Bayu Aji Santoso.pdf

Download (5MB)

Abstract

Pemberian kredit merupakan salah satu penawaran bank yang ditawarkan kepada nasabah, namun pemberian kredit kepada nasabah yang tidak tepat dapat menimbulkan permasalahan seperti nasabah yang tidak membayar angsuran tepat waktu bahkan menunda sampai beberapa bulan pembayaran angsuran hingga terjadinya kredit macet sehingga hal ini dapat merugikan pihak bank. Oleh karena itu, dalam penelitian ini akan melakukan komparasi metode untuk mengetahui metode mana yang terbaik dalam melakukan klasifikasi kelayakan penerimaan kredit bank. Hasil penelitian diharapakan dapat dijadikan bahan pertimbangan pihak bank dalam upaya pemilihan nasabah kredit bank. Dalam penelitian ini menggunakan dataset dari UCI Machine Learning Repository merupakan data pembayaran kredit yang berjumlah 30000. Dataset dilakukan split dengan pembagian 80% data train dan 20% data test dengan jumlah masing-masing data yaitu data train 24000 dan data test 6000. Sedangkan, label yang digunakan yaitu Layak dan Tidak Layak Dalam penelitian ini mengimplementasikan proses data mining menggunakan kerangka kerja CRISP-DM dan menggunakan bahasa pemrograman Python. Dari hasil evaluasi menggunakan confusion matrix mendapatkan nilai akurasi terbaik pada algoritma random forest yaitu 82.92%, precision sebesar 81.41%, recall sebesar 82.92% dan f1-score sebesar 80.83%. Sedangkan, pada algoritma KNN mendapatkan nilai accuracy sebesar 82.28%, precision sebesar 80.55%, recall sebesar 82.28% dan f1-score sebesar 79.97%. Berdasarkan hasil evaluasi tersebut bahwa algoritma Random Forest mendapatkan akurasi terbaik dibandingkan dengan algoritma KNN dalam mengklasifikasi kelayakan penerimaan kredit bank.

Item Type: Thesis (S2 - Magister)
Contributor:
Pembimbing
Kusrini, Kusrini
Hartanto, Anggit Dwi
Uncontrolled Keywords: Komparasi, KNN, Kredit, Pemberian, Random Forest
Subjects: 000 - Komputer, Informasi dan Referensi Umum > 000 Ilmu komputer, ilmu pengetahuan dan sistem-sistem > 005 Pemrograman komputer, program dan data
000 - Komputer, Informasi dan Referensi Umum > 000 Ilmu komputer, ilmu pengetahuan dan sistem-sistem > 006 Metode komputer khusus
Divisions: Pascasarjana Magister Informatika > PJJ Magister Informatika
Depositing User: RC Universitas AMIKOM Yogyakarta
Date Deposited: 21 Mar 2025 06:32
Last Modified: 21 Mar 2025 06:32
URI: http://eprints.amikom.ac.id/id/eprint/28988

Actions (login required)

View Item View Item