%0 Thesis
%9 S1 - Sarjana
%A Sumertiani, Ni Putu
%A Universitas AMIKOM Yogyakarta,
%B Fakultas Ilmu Komputer
%D 2026
%F universitasamikomyogyakarta:33123
%I Universitas AMIKOM Yogyakarta
%K Kelayakan kredit, Soft Voting Ensemble, Logistic Regression,  LightGBM, Klasifikasi, Creditworthiness, Logistic Regression, Classification.
%T KLASIFIKASI PERSETUJUAN KREDIT MENGGUNAKAN  LOGISTIC REGRESSION DAN LIGHTGBM DENGAN  PENDEKATAN SOFT VOTING
%U https://eprints.amikom.ac.id/id/eprint/33123/
%X Perkembangan teknologi finansial telah mendorong transformasi layanan  kredit dari sistem konvensional menuju platform digital. Perubahan ini  memungkinkan proses evaluasi kelayakan kredit dilakukan secara lebih efektif dan  terstruktur. Namun, meningkatnya penggunaan layanan kredit digital juga  menyebabkan lonjakan jumlah pengajuan pinjaman yang harus dianalisis secara  akurat dan konsisten. Pertumbuhan penyaluran kredit yang terus meningkat  menunjukkan pentingnya sistem evaluasi risiko kredit yang responsif dan mampu  mengelola data dalam skala besar. Ketidaktepatan dalam evaluasi dapat  meningkatkan risiko kredit bermasalah, seperti gagal bayar, yang berdampak pada  kerugian finansial serta menurunkan kepercayaan terhadap sistem keuangan digital.  Penelitian ini bertujuan mengembangkan model klasifikasi persetujuan  kredit menggunakan metode Soft Voting Ensemble yang mengombinasikan Logistic  Regression dan LightGBM. Logistic Regression digunakan untuk menangkap  hubungan linier antarvariabel secara interpretatif, sedangkan LightGBM  mengidentifikasi pola non-linier dan interaksi fitur. Tahapan penelitian meliputi  preprocessing data, pelatihan model, serta optimasi melalui hyperparameter tuning  dengan pendekatan ensemble untuk meingkatkan performa model.  Hasil penelitian menunjukkan bahwa penerapan SMOTE dan  hyperparameter tuning meningkatkan kinerja model dibandingkan baseline. Model  terbaik diperoleh melalui Soft Voting Ensemble (SMOTE + tuning) dengan akurasi  97,08% dan F1-score 97,11%, sedikit lebih tinggi dibandingkan LightGBM  tunggal. Temuan ini menunjukkan bahwa penggabungan Logistic Regression dan  LightGBM melalui metode Soft Voting Ensemble mampu meningkatkan stabilitas  dan performa klasifikasi dalam evaluasi kelayakan kredit. Hasil penelitian ini dapat  dimanfaatkan oleh lembaga keuangan serta menjadi referensi bagi pengembangan  metode lebih lanjut.