METODE HYBRID DECISION TREE – ADAPTIVE BOOSTING: Studi Kasus Klasifikasi Credit Scoring

Nurul Aini, - (2024) METODE HYBRID DECISION TREE – ADAPTIVE BOOSTING: Studi Kasus Klasifikasi Credit Scoring. S1 thesis, Universitas Pendidikan Indonesia.

	Text S_MAT_2003693_Title.pdf Download (220kB)
	Text S_MAT_2003693_Chapter1.pdf Download (142kB)
	Text S_MAT_2003693_Chapter2.pdf Restricted to Staf Perpustakaan Download (304kB)
	Text S_MAT_2003693_Chapter3.pdf Download (304kB)
	Text S_MAT_2003693_Chapter4.pdf Restricted to Staf Perpustakaan Download (1MB)
	Text S_MAT_2003693_Chapter5.pdf Download (78kB)
	Text S_MAT_2003693_Appendix.pdf Restricted to Staf Perpustakaan Download (3MB)

Abstract

Bank Indonesia mengungkapkan bahwa adanya indikasi peningkatan dalam penyaluran kredit baru oleh lembaga perbankan pada bulan Agustus 2023. Semakin tinggi jumlah transaksi kredit, maka akan semakin tinggi juga risiko kredit bermasalah. Oleh karena itu, perusahaan pemberi kredit harus lebih cermat dalam memilih calon peminjam yang berkualitas agar dapat mengurangi risiko kredit. Salah satu cara dalam mengurangi risiko kredit yaitu dengan melakukan credit scoring. Credit scoring merupakan suatu sistem penilaian risiko kredit yang banyak digunakan untuk membantu lembaga keuangan atau perusahaan pemberi kredit dalam mengevaluasi calon peminjam, baik individu ataupun perusahaan yang kemungkinan gagal melakukan pembayaran. Penelitian ini bertujuan untuk menentukan model terbaik dengan menghitung tingkat akurasi dari model Decision Tree – AdaBoost dan model Logistic Regression – AdaBoost dalam menentukan klasifikasi credit scoring pada perusahaan Home Credit. Berdasarkan hasil dari evaluasi model, model Decision Tree – AdaBoost menunjukkan performa terbaik dengan keseimbangan yang baik antara akurasi, precision, recall, F1-Score, dan ROC-AUC. Model ini berhasil mengungguli model Logistic Regression – AdaBoost. Tingkat akurasi model terbaik dari Decision Tree – AdaBoost dalam menentukan klasifikasi credit scoring pada perusahaan Home Credit yaitu sebesar 70% yang menunjukkan bahwa model Decision Tree – AdaBoost sudah cukup baik dalam menentukan klasifikasi credit scoring. Bank Indonesia revealed indications of an increase in new credit disbursements by banking institutions in August 2023. As the number of credit transactions rises, the risk of problematic loans also increases. Therefore, credit providers must be more careful in selecting high-quality borrowers to reduce credit risk. One way to reduce credit risk is through credit scoring. Credit scoring is a widely used risk assessment system that helps financial institutions or credit providers evaluate potential borrowers, individuals, and companies, who may fail to repay their loans. This study aims to identify the best model by calculating the accuracy levels of the Decision Tree – AdaBoost model and the Logistic Regression – AdaBoost model in classifying credit scoring for Home Credit. Based on the model evaluation results, the Decision Tree – AdaBoost model demonstrated the best performance with a good balance between accuracy, precision, recall, F1-Score, and ROC-AUC. This model outperformed the Logistic Regression - AdaBoost model. The accuracy level of the best Decision Tree – AdaBoost model in classifying credit scoring for Home Credit is 70%, indicating that the Decision Tree – AdaBoost model is quite effective in determining credit scoring classifications.

Item Type:	Thesis (S1)
Additional Information:	ID SINTA Dosen Pembimbing: Entit Puspita: 5986409 Dewi Rachmatin: 5975775
Uncontrolled Keywords:	Klasifikasi, Credit Scoring, Decision Tree, Logistic Regression, AdaBoost. Clasification, Credit Scoring, Decision Tree, Logistic Regression, AdaBoost.
Subjects:	Q Science > QA Mathematics
Divisions:	Fakultas Pendidikan Matematika dan Ilmu Pengetahuan Alam > Jurusan Pendidikan Matematika > Program Studi Matematika (non kependidikan)
Depositing User:	Nurul Aini
Date Deposited:	03 Sep 2024 06:03
Last Modified:	03 Sep 2024 06:03
URI:	http://repository.upi.edu/id/eprint/122140

Actions (login required)

View Item