Raehan, Alfat (2025) PREDIKSI KEGAGALAN KREDIT MENGGUNAKAN ALGORITMA DECISION TREE UNTUK MEMINIMALKAN RESIKO BANK. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.
![[img]](https://eprints.amikom.ac.id/style/images/fileicons/text.png) |
Text (COVER-ABSTRAK)
COVER.pdf Download (3MB) |
|
Text (BAB I)
BAB I.pdf Download (162kB) |
|
Text (BAB II)
BAB II.pdf Restricted to Registered users only Download (654kB) |
|
Text (BAB III)
BAB III.pdf Restricted to Registered users only Download (514kB) |
|
Text (BAB IV)
BAB IV.pdf Restricted to Registered users only Download (920kB) |
|
Text (BAB V)
BAB V.pdf Download (92kB) |
|
Text (DAFTAR PUSTAKA-LAMPIRAN)
Daftar Pustaka dan Lampiran.pdf Restricted to Registered users only Download (163kB) |
![[img]](https://eprints.amikom.ac.id/style/images/fileicons/archive.png) |
Archive (SOURCE CODE)
Sourcecode - 21.11.4522.zip Restricted to Repository staff only Download (433kB) |
|
Text (PUBLIKASI)
Publikasi.pdf Restricted to Repository staff only Download (1MB) |
Abstract
Pemberian kredit kepada nasabah merupakan aktivitas utama perbankan yang mengandung risiko kegagalan pembayaran. Risiko ini dapat menimbulkan kerugian finansial jika tidak diantisipasi sejak dini. Oleh karena itu, diperlukan sistem prediksi yang mampu mengidentifikasi nasabah dengan potensi gagal bayar. Penelitian ini bertujuan untuk membangun model prediksi kegagalan kredit menggunakan algoritma Decision Tree C4.5 guna meminimalkan risiko kredit pada bank. Dataset yang digunakan berasal dari Kaggle, berjumlah 7.500 data pinjaman dengan 18 atribut fitur. Proses penelitian meliputi eksplorasi data, pembersihan data, transformasi atribut, penyeimbangan data menggunakan SMOTE, serta pelatihan model dan tuning hyperparameter menggunakan GridSearchCV. Evaluasi model dilakukan menggunakan confusion matrix, classification report, ROC curve, dan AUC. Hasil penelitian menunjukkan bahwa model menghasilkan akurasi sebesar 79%, dengan precision, recall, dan F1-score yang seimbang antara kelas gagal bayar dan tidak. Nilai AUC sebesar 0.80 menunjukkan bahwa model memiliki kemampuan klasifikasi yang cukup baik. Atribut yang paling berpengaruh dalam prediksi adalah Credit Score, Monthly Debt, dan Annual Income. Hasil ini menunjukkan bahwa algoritma Decision Tree C4.5 dapat diandalkan sebagai alat bantu dalam pengambilan keputusan kredit untuk meminimalkan risiko kegagalan pembayaran.
| Item Type: | Thesis (S1 - Sarjana) | ||
|---|---|---|---|
| Contributor: |
|
||
| Uncontrolled Keywords: | Kredit, Gagal Bayar, Prediksi, Decision Tree, Risiko Bank | ||
| Subjects: | 000 - Komputer, Informasi dan Referensi Umum > 000 Ilmu komputer, ilmu pengetahuan dan sistem-sistem > 005 Pemrograman komputer, program dan data | ||
| Divisions: | Fakultas Ilmu Komputer > Informatika | ||
| Depositing User: | RC Universitas AMIKOM Yogyakarta | ||
| Date Deposited: | 24 Dec 2025 04:05 | ||
| Last Modified: | 24 Dec 2025 04:05 | ||
| URI: | http://eprints.amikom.ac.id/id/eprint/31494 |
Actions (login required)
 |
View Item |