%0 Thesis
%9 S1 - Sarjana
%A Staifen, Muhammad Wildanu
%A Universitas AMIKOM Yogyakarta,
%B Fakultas Ilmu Komputer
%D 2026
%F universitasamikomyogyakarta:33137
%I Universitas AMIKOM Yogyakarta
%K Risiko Kredit, Machine Learning, Klasifikasi Pinjaman, Analisis  Komparasi, Institusi Keuangan, Credit Risk, Loan Classification, Comparative  Analysis, Financial Institutions.
%T ANALISIS KOMPARASI ALGORITMA MACHINE  LEARNING PADA KLASIFIKASI KELAYAKAN PINJAMAN  NASABAH
%U https://eprints.amikom.ac.id/id/eprint/33137/
%X Penelitian ini membahas perbandingan empat algoritma machine learning,   yaitu Logistic Regression, Random Forest, LightGBM, dan CatBoost pada  klasifikasi kelayakan pinjaman nasabah menggunakan Loan Approval Prediction  Dataset dari Kaggle. Permasalahan utama pada penelitian ini adalah menentukan  algoritma yang paling efektif untuk memprediksi status persetujuan pinjaman,  sekaligus memastikan bahwa rancangan eksperimen terbebas dari data leakage dan  tidak menunjukkan overfitting yang berlebihan. Tahapan penelitian meliputi  pembersihan data, rekayasa fitur, exploratory data analysis, pembagian data secara  stratified ke dalam subset train, validasi, dan uji, pelatihan model baseline, serta  fine tuning hyperparameter. Evaluasi model dilakukan menggunakan metrik  accuracy, precision, recall, F1-score, dan ROC-AUC, serta analisis gap performa  antara data latih, validasi, dan data uji. Hasil penelitian menunjukkan bahwa  CatBoost hasil fine tuning memberikan performa terbaik dengan accuracy 0,9977,  F1-score 0,9981, dan ROC-AUC 1,0000 pada data uji. Random Forest menempati  posisi berikutnya, diikuti oleh LightGBM dan Logistic Regression. Tingginya  akurasi model terutama dipengaruhi oleh karakter dataset yang sangat mudah  dipisahkan, terutama karena dominasi variabel cibil_score. Penelitian ini  memberikan kontribusi berupa komparasi model yang disusun secara metodologis  lebih ketat dan dapat dimanfaatkan sebagai referensi akademik maupun praktis  pada pengembangan sistem prediksi kelayakan pinjaman berbasis data.