IMPLEMENTASI RANDOM FOREST UNTUK KLASIFIKASI RISIKO PINJAMAN KEUANGAN

Hermawan, Atilia Dhaffazra (2025) IMPLEMENTASI RANDOM FOREST UNTUK KLASIFIKASI RISIKO PINJAMAN KEUANGAN. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.

	Text (COVER-ABSTRAK) COVER.pdf Download (1MB)
	Text (BAB I) BAB I.pdf Download (222kB)
	Text (BAB II) BAB II.pdf Restricted to Registered users only Download (875kB)
	Text (BAB III) BAB III.pdf Restricted to Registered users only Download (251kB)
	Text (BAB IV) BAB IV.pdf Restricted to Registered users only Download (1MB)
	Text (BAB V) BAB V.pdf Download (93kB)
	Text (DAFTAR PUSTAKA-LAMPIRAN) Daftar Pustaka dan Lampiran.pdf Restricted to Registered users only Download (467kB)
	Archive (SOURCE CODE) Sourcecode - 21.11.4243.zip Restricted to Repository staff only Download (180MB)
	Text (PUBLIKASI) Publikasi.pdf Restricted to Repository staff only Download (780kB)

Abstract

Perkembangan teknologi di sektor Financial Technology (Fintech) telah mendorong popularitas layanan pinjaman online. Namun, risiko kredit tetap menjadi tantangan utama, khususnya akibat ketidakseimbangan informasi antara peminjam dan pemberi pinjaman. Jumlah persetujuan pinjaman yang tinggi tidak selalu disertai dengan kemampuan membayar kembali, sehingga akurasi sistem prediksi risiko default menjadi rendah. Penelitian ini mengimplementasikan algoritma Random Forest untuk mengklasifikasikan risiko pinjaman, dengan pendekatan penanganan ketidakseimbangan data menggunakan teknik oversampling KMeansSMOTE. Tujuannya adalah meningkatkan sensitivitas model terhadap kelas minoritas, yaitu peminjam yang berisiko gagal bayar, tanpa mengorbankan akurasi secara keseluruhan. Hasil penelitian menunjukkan bahwa algoritma Random Forest efektif dalam mengklasifikasikan risiko pinjaman. Setelah penerapan KMeansSMOTE, model mencapai akurasi 99,43%, precision 99,51%, recall 99,03%, dan F1-Score 99,27%. Ini menunjukkan bahwa model mampu secara tepat mengidentifikasi peminjam yang layak maupun yang berisiko gagal bayar. Precision dan recall yang tinggi mencerminkan efektivitas model dalam mendeteksi kedua kategori tersebut, sementara F1-Score menandakan keseimbangan performa model secara keseluruhan. Seleksi fitur yang tepat juga membantu mengurangi kompleksitas model tanpa menurunkan akurasi. Kendala utama yang dihadapi adalah waktu komputasi yang cukup tinggi akibat penggunaan teknik oversampling. Untuk itu, penelitian lanjutan dapat difokuskan pada optimalisasi proses komputasi dan eksplorasi algoritma alternatif yang lebih efisien dalam menangani ketidakseimbangan data.

Actions (login required)

View Item