Qothrunnada, Sausan (2025) ANALISIS PERBANDINGAN ALGORITMA LOGISTIC REGRESSION, K- NEAREST NEIGHTBORS DAN RANDOM FOREST DALAM PREDIKSI PINJAM ONLINE DENGAN METODE CRIPS-DM. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.
![[img]](https://eprints.amikom.ac.id//style/images/fileicons/text.png) |
Text (COVER-ABSTRAK)
COVER.pdf Download (736kB) |
|
Text (BAB I)
BAB I.pdf Download (240kB) |
|
Text (BAB II)
BAB II.pdf Restricted to Registered users only Download (461kB) |
|
Text (BAB III)
BAB III.pdf Restricted to Registered users only Download (280kB) |
|
Text (BAB IV)
BAB IV.pdf Restricted to Registered users only Download (780kB) |
|
Text (BAB V)
BAB V.pdf Download (70kB) |
|
Text (DAFTAR PUSTAKA)
Daftar Pustaka.pdf Restricted to Registered users only Download (147kB) |
![[img]](https://eprints.amikom.ac.id//style/images/fileicons/archive.png) |
Archive (SOURCE CODE)
Sourcecode - 21.12.2198.zip Restricted to Repository staff only Download (152kB) |
|
Text (PUBLIKASI)
Publikasi.pdf Restricted to Repository staff only Download (769kB) |
Abstract
Pesatnya perkembangan teknologi finansial telah mendorong munculnya layanan pinjaman online yang semakin diminati masyarakat karena kemudahan akses, proses cepat, dan minimnya persyaratan. Namun, pertumbuhan ini turut meningkatkan resiko gagal bayar yang dapat merugikan penyediaan layanan maupun peminjam. Oleh karena itu, diperlukan sistem prediksi yang andal untuk menilai kelayakan calon peminjam secara objektif, dan akurat guna meminimalisir potensi kerugian. Penelitian ini bertujuan untuk untuk membandingkan efetifitas lima algoritma Mechine Learning, yaitu Logistic Reggession, K-Nearest Neighbors (KNN), Random Forest, SVM dan XGBoost dalam memprediksi kelayakan pinjam online. Proses analisis menggunakan pendekatan CRIPS-DM (CrossIndustry Standard Process for Data Mining) yang terdiri dari enam tahap utama : business understanding, data understanding, data preparation, modeling, evaluation, dan Deployment. Dataset yang digunakan berasal dari sumber terbuka Kaggle.com dengan jumlah 4.269 entri data peminjam, yang telah melalui proses pembersihan dan transformasi agar siap dianalisis. Hasil penelitian menunjukan bahwa algoritma XGBoost memberikan performa terbaik dengan akurasi 96%, diikuti oleh SVM sebesar 94% dan Logistic Regression sebesar 92%. Pada penelitian ini menunjukan bahwa XGBoost lebih unggul dalam menangani data yang tidak seimbang dan kompleks. Pada penelitian ini diharapkan dapat memberikan kontribusi dalam pengembangan sistem penilaian kredit berbasis data yang lebih akurat dan membantu penyedia layanan pinjam online dalam pengambilan keputusan yang tepat.
| Item Type: | Thesis (S1 - Sarjana) | ||
|---|---|---|---|
| Contributor: |
|
||
| Uncontrolled Keywords: | Pinjam Online, Mechine Learning, Logistic Reggession, K-Nearest Neighbors (KNN), Random Forest, SVM, Dan Xgboost, CRISP-DM | ||
| 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: | Fakultas Ilmu Komputer > Sistem Informasi | ||
| Depositing User: | RC Universitas AMIKOM Yogyakarta | ||
| Date Deposited: | 11 Nov 2025 07:25 | ||
| Last Modified: | 11 Nov 2025 07:25 | ||
| URI: | http://eprints.amikom.ac.id/id/eprint/30971 |
Actions (login required)
 |
View Item |