Sumertiani, Ni Putu (2026) KLASIFIKASI PERSETUJUAN KREDIT MENGGUNAKAN LOGISTIC REGRESSION DAN LIGHTGBM DENGAN PENDEKATAN SOFT VOTING. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.
![[img]](https://eprints.amikom.ac.id/style/images/fileicons/text.png) |
Text (COVER-ABSTRAK)
COVER.pdf - Published Version Download (1MB) |
|
Text (BAB I)
BAB I.pdf - Published Version Download (226kB) |
|
Text (BAB II)
BAB II.pdf - Published Version Restricted to Registered users only Download (665kB) |
|
Text (BAB III)
BAB III.pdf - Published Version Restricted to Registered users only Download (338kB) |
|
Text (BAB IV)
BAB IV.pdf - Published Version Restricted to Registered users only Download (1MB) |
|
Text (BAB V)
BAB V.pdf - Published Version Download (95kB) |
|
Text (DAFTAR PUSTAKA)
Daftar Pustaka.pdf - Published Version Restricted to Registered users only Download (181kB) |
![[img]](https://eprints.amikom.ac.id/style/images/fileicons/archive.png) |
Archive (SOURCE CODE)
Sourcecode - 22.11.4875.zip - Published Version Restricted to Repository staff only Download (2MB) |
|
Text (PUBLIKASI)
Publikasi.pdf - Published Version Restricted to Repository staff only Download (920kB) |
Abstract
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.
| Item Type: | Thesis (S1 - Sarjana) | ||
|---|---|---|---|
| Contributor: |
|
||
| Uncontrolled Keywords: | Kelayakan kredit, Soft Voting Ensemble, Logistic Regression, LightGBM, Klasifikasi, Creditworthiness, Logistic Regression, Classification. | ||
| Subjects: | 000 - Komputer, Informasi dan Referensi Umum > 000 Ilmu komputer, ilmu pengetahuan dan sistem-sistem > 000 Ilmu komputer, informasi dan pekerjaan umum | ||
| Divisions: | Fakultas Ilmu Komputer > Informatika | ||
| Depositing User: | RC Universitas AMIKOM Yogyakarta | ||
| Date Deposited: | 02 Oct 2026 06:59 | ||
| Last Modified: | 02 Oct 2026 06:59 | ||
| URI: | http://eprints.amikom.ac.id/id/eprint/33123 |
Actions (login required)
 |
View Item |