ANALISIS PERBANDINGAN ALGORITMA XGBOOST DAN ALGORITMA RANDOM FOREST ENSEMBLE LEARNING PADA KLASIFIKASI KEPUTUSAN KREDIT

Dachi, Jan Melvin Ayu Soraya (2023) ANALISIS PERBANDINGAN ALGORITMA XGBOOST DAN ALGORITMA RANDOM FOREST ENSEMBLE LEARNING PADA KLASIFIKASI KEPUTUSAN KREDIT. Undergraduate thesis, UNIMED.

[thumbnail of 4191230007_Cover.pdf] Text
4191230007_Cover.pdf

Download (179kB)
[thumbnail of 4191230007_Lembar_Pengesahan.pdf] Text
4191230007_Lembar_Pengesahan.pdf

Download (741kB)
[thumbnail of 4191230007_Abstrak.pdf] Text
4191230007_Abstrak.pdf

Download (99kB)
[thumbnail of 4191230007_Kata_Pengantar.pdf] Text
4191230007_Kata_Pengantar.pdf

Download (310kB)
[thumbnail of 4191230007_Daftar_Isi.pdf] Text
4191230007_Daftar_Isi.pdf

Download (111kB)
[thumbnail of 4191230007_Daftar_Tabel.pdf] Text
4191230007_Daftar_Tabel.pdf

Download (68kB)
[thumbnail of 4191230007_Daftar_Gambar.pdf] Text
4191230007_Daftar_Gambar.pdf

Download (84kB)
[thumbnail of 4191230007_BAB_I.pdf] Text
4191230007_BAB_I.pdf

Download (246kB)
[thumbnail of 4191230007_BAB_V.pdf] Text
4191230007_BAB_V.pdf

Download (171kB)
[thumbnail of 4191230007_Daftar_Pustaka.pdf] Text
4191230007_Daftar_Pustaka.pdf

Download (140kB)

Abstract

Pemberian kredit selalu memiliki risiko seperti kredit macet, sehingga pihak kreditur (bank) dituntut untuk lebih objektif dan akurat dalam mengevaluasi setiap permohonan kredit. Penelitian ini dilakukan guna menemukan algoritma mana yang berkinerja paling baik dalam memberikan suatu keputusan kredit, dengan melakukan perbandingan terhadap algoritma XGBoost dan algoritma Random Forest. Pada kedua algoritma digunakan data berukuran 10.000 dan 100.000 dengan 19 variabel yang relevan dalam pengambilan keputusan kartu kredit. Proses penelitian ini melibatkan pre-processing data, splitting data, training data, parameter tuning dengan Random Search, testing data, serta evaluasi model dengan confusion matrix. Hasil eksperimen menunjukkan hasil algoritma XGBoost ang mengungguli algoritma Random Forest, karena mampu mencapai 1.0 untuk semua metrik evaluasi baik pada data berukuran 10.000 maupun data berukuran 100.000. Random Forest sendiri berakurasi 0.997 untuk data berukuran 10.000 dan 0.999 untuk data berukuran 100.000 akan tetapi Random Forest hanya mampu mencapai F1-score sebesar 0.18 untuk data berukuran 10.000. Berdasarkan hasil yang diperoleh dalam penelitian ini, dapat disimpulkan bahwa algoritma XGBoost adalah algoritma yang berkinerja lebih baik dibandingkan algoritma Random Forest dalam mengklasifikasikan keputusan kredit terlepas dari keadaan data yang mungkin berukuran kecil ataupun tidak seimbang. Sehingga, XGBoost lebih direkomendasikan dalam mengklasifikasikan pengajuan kredit

Item Type: Thesis (Undergraduate)
Keywords: XGBoost, Random Forest, Klasifikasi Keputusan Kredit, Parameter Tuning, Ensemble Learning
Subjects: Q Science > QA Mathematics > QA273 Probabilities. Mathematical statistics
Q Science > QA Mathematics > QA299 Analysis
Divisions: Fakultas Matematika dan Ilmu Pengetahuan Alam > Matematika
Depositing User: Mrs Gusti Lisa Utami
Date Deposited: 05 May 2024 06:03
Last Modified: 05 May 2024 06:03
URI: https://digilib.unimed.ac.id/id/eprint/56236

Actions (login required)

View Item
View Item