Dachi, Jan Melvin Ayu Soraya (2023) ANALISIS PERBANDINGAN ALGORITMA XGBOOST DAN ALGORITMA RANDOM FOREST ENSEMBLE LEARNING PADA KLASIFIKASI KEPUTUSAN KREDIT. Undergraduate thesis, UNIMED.
4191230007_Cover.pdf
Download (179kB)
4191230007_Lembar_Pengesahan.pdf
Download (741kB)
4191230007_Abstrak.pdf
Download (99kB)
4191230007_Kata_Pengantar.pdf
Download (310kB)
4191230007_Daftar_Isi.pdf
Download (111kB)
4191230007_Daftar_Tabel.pdf
Download (68kB)
4191230007_Daftar_Gambar.pdf
Download (84kB)
4191230007_BAB_I.pdf
Download (246kB)
4191230007_BAB_V.pdf
Download (171kB)
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 |