KLASIFIKASI KELAYAKAN KREDIT MENGGUNAKAN GRADIENT BOOSTING DAN L1-BASED FEATURE SELECTION

Ridho, Abdurrahman (2025) KLASIFIKASI KELAYAKAN KREDIT MENGGUNAKAN GRADIENT BOOSTING DAN L1-BASED FEATURE SELECTION. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.

[img] Text (COVER-ABSTRAK)
COVER.pdf
Download (1MB)
[img] Text (BAB I)
BAB I.pdf
Download (235kB)
[img] Text (BAB II)
BAB II.pdf
Restricted to Registered users only
Download (443kB)
[img] Text (BAB III)
BAB III.pdf
Restricted to Registered users only
Download (261kB)
[img] Text (BAB IV)
BAB IV.pdf
Restricted to Registered users only
Download (866kB)
[img] Text (BAB V)
BAB V.pdf
Download (75kB)
[img] Text (DAFTAR PUSTAKA)
Daftar Pustaka.pdf
Restricted to Registered users only
Download (205kB)
[img] Archive (SOURCE CODE)
Sourcecode - 21.11.4341.zip
Restricted to Repository staff only
Download (5MB)
[img] Text (PUBLIKASI)
Publikasi.pdf
Restricted to Repository staff only
Download (1MB)

Abstract

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.

Item Type: Thesis (S1 - Sarjana)
Contributor:
Pembimbing
Agastya, I Made Artha
Uncontrolled Keywords: Gradient Boosting, Seleksi Fitur, Klasifikasi Kredit, Machine Learning, Risiko Kredit
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 > Informatika
Depositing User: RC Universitas AMIKOM Yogyakarta
Date Deposited: 02 Dec 2025 01:55
Last Modified: 02 Dec 2025 01:55
URI: http://eprints.amikom.ac.id/id/eprint/31414

Actions (login required)

View Item View Item