%0 Thesis
%9 S1 - Sarjana
%A Ridho, Abdurrahman
%A Universitas AMIKOM Yogyakarta,
%B Fakultas Ilmu Komputer
%D 2025
%F universitasamikomyogyakarta:31414
%I Universitas AMIKOM Yogyakarta
%K Gradient Boosting, Seleksi Fitur, Klasifikasi Kredit, Machine Learning, Risiko Kredit
%T KLASIFIKASI KELAYAKAN KREDIT MENGGUNAKAN GRADIENT BOOSTING DAN L1-BASED FEATURE SELECTION
%U https://eprints.amikom.ac.id/id/eprint/31414/
%X Penyaluran kredit yang tepat sasaran merupakan faktor penting dalam  mengurangi risiko kredit bermasalah dan meningkatkan efisiensi lembaga  keuangan. Namun, proses penilaian kelayakan kredit sering kali menghadapi  tantangan akibat kompleksitas data peminjam. Oleh karena itu, diperlukan metode  klasifikasi yang mampu memberikan hasil prediksi dengan tingkat akurasi yang  tinggi.   Penelitian ini bertujuan untuk melakukan klasifikasi persyaratan kelayakan  peminjaman kredit menggunakan algoritma Gradient Boosting dengan penerapan  beberapa metode seleksi fitur. Empat metode yang digunakan yaitu Korelasi,  SelectKBest, L1-Based (Lasso), dan Recursive Feature Elimination (RFE).  Dataset yang digunakan merupakan data publik dari platform Kaggle.   Hasil penelitian menunjukkan bahwa metode seleksi fitur memberikan  pengaruh signifikan terhadap kinerja model. Metode L1-Based menghasilkan  performa terbaik dengan akurasi sebesar 97,07% dan F1-Score sebesar 97,08%,  melampaui baseline tanpa seleksi fitur yang memiliki akurasi 95,40%. Sementara  itu, metode korelasi 0,9 dan RFE juga memberikan hasil yang mendekati baseline,  sedangkan SelectKBest menunjukkan performa terendah. Dengan demikian,  metode L1-Based terbukti paling efektif dalam meningkatkan akurasi klasifikasi  kelayakan peminjaman kredit.