Optimalisasi Model Gradient Boosting Machine dengan Grid Search untuk Menentukan Kelayakan Pemberian Kredit Bank
Wahida, Ramadhania (2025) Optimalisasi Model Gradient Boosting Machine dengan Grid Search untuk Menentukan Kelayakan Pemberian Kredit Bank. Skripsi thesis, Universitas Tanjungpura.
|
PDF (Cover-Bab1)
Cover-Bab1_H1091211043.pdf - Published Version Download (474kB) |
|
|
PDF (H1091211043_WAHIDA_RAMADHANIA)
H1091211043_WAHIDA_RAMADHANIA.pdf - Accepted Version Restricted to Repository staff only Download (1MB) |
Abstract
Pengambilan keputusan dalam menentukan kelayakan pemberian kredit melibatkan berbagai faktor kompleks seperti riwayat kredit, pendapatan pekerjaan, dan jumlah tanggungan. Tujuan dari penelitian ini ialah menentukan tingkat akurasi model Gradient Boosting Machine (GBM) menggunakan teknik optimasi parameter dengan Grid Search serta menganalisis hasil klasifikasi kelayakan pemberian kredit. Pendekatan yang digunakan termasuk dalam metode supervised learning. Supervised Learning merupakan salah satu pembelajaran mesin yang bertujuan untuk menyelesaikan masalah seperti klasifikasi dengan mengindentifikasi variabel target menggunakan model hasil pelatihan dari data berkategori. GBM merupakan salah satu algoritma klasifikasi supervised learning berbasis decision tree. Permasalahan pada GBM adalah kecenderungan mengalami overfitting yang disebabkan oleh pengaturan hyperparameter yang tidak optimal. Hal ini dapat diatasi dengan teknik optimasi parameter seperti grid search. Data yang digunakan yaitu data historis nasabah yang berasal dari website www.kaggle.com sebanyak 730 data debitur dengan 162 pinjaman yang disetujui dan 568 pinjaman tidak disetujui. Langkah penelitian yang pertama yaitu preprocessing data, kemudian membagi data menjadi data training dan data testing dengan proporsi 80:20, menangani imbalance class pada data training menggunakan Random Oversampling (ROS), membuat model GBM tanpa grid search dan model GBM menggunakan grid search. Hasil penelitian didapatkan nilai untuk membentuk model GBM dengan n trees = 100, interaction depth = 3, dan learning rate = 0,1 dengan akurasi model yaitu 83,43%, sedangkan untuk membentuk model GBM optimal menggunakan optimasi parameter grid search yaitu dengan n trees = 50, interaction depth = 5, dan learning rate = 0,3 diperoleh akurasi model yaitu sebesar 95,15%. Hal ini menunjukkan bahwa metode GBM menggunakan optimasi grid search menghasilkan kinerja yang lebih baik dibandingkan tanpa optimasi.
| Item Type: | Thesis (Skripsi) | ||||||
|---|---|---|---|---|---|---|---|
| Creators: |
|
||||||
| Subjects: | 500 – Ilmu Pengetahuan > 510 Matematika > 519 Probabilitas dan matematika terapan | ||||||
| Divisions: | Fakultas Matematika dan Ilmu Pengetahuan Alam > Statistik S1 | ||||||
| SWORD Depositor: | Robiatul Adawiyah | ||||||
| Depositing User: | Robiatul Adawiyah | ||||||
| Date Deposited: | 14 Oct 2026 02:19 | ||||||
| Last Modified: | 14 Oct 2026 02:19 | ||||||
| URI: | https://repository.untan.ac.id/id/eprint/8972 |
Actions (login required)
![]() |
View Item |
