PENILAIAN KEMAMPUAN PEMBAYARAN KREDIT DENGAN MENGGUNAKAN MACHINE LEARNING LOGISTIC REGRESSION DAN RANDOM FOREST CLASSIFIER PADA HOME CREDIT

Amanda Hasna, Cahyana (2024) PENILAIAN KEMAMPUAN PEMBAYARAN KREDIT DENGAN MENGGUNAKAN MACHINE LEARNING LOGISTIC REGRESSION DAN RANDOM FOREST CLASSIFIER PADA HOME CREDIT. FAKULTAS TEKNIK, UNIVERSITAS LAMPUNG.

Preview	File PDF ABSTRAK.pdf Download (47Kb) | Preview
	File PDF SKRIPSI FULL.pdf Restricted to Hanya staf Download (7Mb) | Minta salinan
Preview	File PDF SKRIPSI FULL TANPA BAB PEMBAHASAN.pdf Download (5Mb) | Preview

Abstrak (Berisi Bastraknya saja, Judul dan Nama Tidak Boleh di Masukan)

Perkembangan ekonomi global menyebabkan tingginya kompleksitas kebutuhan masyarakat. Lembaga keuangan hadir memberikan fasilitas kredit maupun pembiayaan untuk memenuhi kebutuhan masyarakat yang semakin kompleks. Namun, adanya kredit bermasalah dapat menjadi ancaman yang serius bagi lembaga keuangan. Teknik klasifikasi dalam data mining menjadi suatu solusi yang dapat digunakan untuk mengatasi kredit bermasalah. Berdasarkan permasalahan tersebut, penelitian ini mengembangkan model yang dapat memprediksi kemampuan nasabah dalam melakukan pembayaran kredit sehingga lembaga keuangan dapat terhindar dari terjadinya kredit bermasalah. Dalam penelitian ini, teknik resampling dengan SMOTE digunakan untuk melihat pengaruh sampling dalam menangani ketidakseimbangan kelas dan melakukan penilaian kredit. Hasil penelitian menunjukkan, model yang dibangun dengan menggunakan SMOTE memiliki AUC yang lebih baik dibandingkan dengan model tanpa SMOTE. Dari dua algoritma machine learning logistic regression dan random forest diperoleh hasil bahwa model random forest dengan SMOTE memiliki kinerja paling baik dengan nilai accuracy sebesar 90%, precision sebesar 92%, recall sebesar 88%, F1-score sebesar 90%, dan nilai AUC sebesar 0.97. Berdasarkan model terbaik tersebut didapatkan sepuluh importance features yang berpengaruh dalam proses penilaian kemampuan pembayaran kredit, yaitu skor yang dinormalisasi dari sumber data eksternal, rentang waktu perubahan nomor nasabah, jumlah pembayaran cicilan sebelumnya, usia nasabah, waktu registrasi, rentang waktu pengajuan kredit di biro kredit, rentang waktu perubahan dokumen identitas, waktu pembaruan informasi di biro kredit, dan lama nasabah bekerja. Selain itu, penelitian ini menghasilkan visualisasi melaui dashboard yang dapat digunakan untuk meningkatkan proses penilaian kemampuan pembayaran kredit. Kata kunci : Kemampuan Pembayaran Kredit, Prediksi, Logistic Regression, Random forest, SMOTE.

Jenis Karya Akhir:	Skripsi
Subyek:	000 Ilmu komputer, informasi dan pekerjaan umum > 004 Pemrosesan data dan ilmu komputer 000 Ilmu komputer, informasi dan pekerjaan umum > 005 Pemrograman komputer, program dan data 000 Ilmu komputer, informasi dan pekerjaan umum > 006 Metode komputer khusus 600 Teknologi (ilmu terapan) > 620 Ilmu teknik dan ilmu yang berkaitan
Program Studi:	Fakultas Teknik > Prodi S1-Teknik Informatika
Pengguna Deposit:	2308727214 . Digilib
Date Deposited:	12 Feb 2024 07:43
Terakhir diubah:	12 Feb 2024 07:43
URI:	http://digilib.unila.ac.id/id/eprint/78715

Actions (login required)

Lihat Karya Akhir