ANALISIS KOMPARASI ALGORITMA MACHINE LEARNING PADA KLASIFIKASI KELAYAKAN PINJAMAN NASABAH

Staifen, Muhammad Wildanu (2026) ANALISIS KOMPARASI ALGORITMA MACHINE LEARNING PADA KLASIFIKASI KELAYAKAN PINJAMAN NASABAH. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.

	Text (COVER-ABSTRAK) COVER.pdf - Published Version Download (6MB)
	Text (BAB I) BAB I.pdf - Published Version Download (188kB)
	Text (BAB II) BAB II.pdf - Published Version Restricted to Registered users only Download (756kB)
	Text (BAB III) BAB III.pdf - Published Version Restricted to Registered users only Download (1MB)
	Text (BAB IV) BAB IV.pdf - Published Version Restricted to Registered users only Download (1MB)
	Text (BAB V) BAB V.pdf - Published Version Download (116kB)
	Text (DAFTAR PUSTAKA - LAMPIRAN) Daftar Pustaka.pdf - Published Version Restricted to Registered users only Download (157kB)
	Archive (SOURCE CODE) Sourcecode - 22.11.4783.zip - Published Version Restricted to Repository staff only Download (1MB)
	Text (PUBLIKASI) Publikasi.pdf - Published Version Restricted to Repository staff only Download (886kB)

Abstract

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.

Actions (login required)

View Item