Implementasi SMOTE untuk meningkatkan kinerja klasifikasi random forest dalam penilaian risiko kredit

This item is published by Universitas Islam Negeri Sunan Ampel Surabaya

Nanda, Nafa Nur Adifia (2024) Implementasi SMOTE untuk meningkatkan kinerja klasifikasi random forest dalam penilaian risiko kredit. Undergraduate thesis, UIN Sunan Ampel Surabaya.

	Text Nafa Nur Adifia Nanda_09040220060 full.pdf Restricted to Repository staff only until 22 April 2027. Download (2MB)
	Text Nafa Nur Adifia Nanda_09040220060.pdf Download (1MB)

Abstract

Kredit memegang peran penting dalam aktivitas perbankan, mendukung investasi, pertumbuhan usaha, dan pemenuhan keuangan. Namun, risiko kredit dapat timbul karena peminjam mungkin gagal memenuhi kewajiban pembayaran, sehingga diperlukan penilaian kelayakan seseorang dalam pemberian kredit, dengan melakukan klasifikasi untuk menentukan atau mempertimbangkan pemberian kredit tersebut. Penelitian ini bertujuan mengklasifikasi penilaian risiko kredit menggunakan metode Random Forest. Random Forest adalah algoritma pohon keputusan yang telah terbukti memiliki tingkat akurasi tinggi dalam klasifikasi data dengan pendekatan ensemble yang terdiri dari sejumlah pohon keputusan. Sebelum melakukan proses klasifikasi, seringkali dihadapkan pada tantangan ketika data tidak dapat diolah secara langsung karena mengalami ketidakseimbangan kelas. Untuk mengatasi ketidakseimbangan data kelas tersebut, penelitian ini menggunakan algoritma SMOTE (Synthetic Minority Over-sampling Technique). Algoritma SMOTE adalah pendekatan yang berfokus pada oversampling, yang bertujuan untuk meningkatkan jumlah data pada kelas minor dengan cara membuat data sintetis yang seimbang dengan data pada kelas minor. Hasil penelitian menunjukkan bahwa model optimal pada pembagian data training dan testing 80:20 serta penerapan metode SMOTE pada Random Forest berpengaruh dalam meningkatkan evaluasi kinerja. Nilai accuracy mengalami peningkatan dari 91.54% menjadi 94.41%. Nilai precision meningkat dari 90.83% menjadi 97.03%, dan nilai recall meningkat sangat signifikan dari 60.26% menjadi 91.55%. Hasil dari proses klasifikasi ini diharapkan akan memberikan kontribusi penting dalam pengembangan metode alternatif untuk mengklasifikasikan penilaian risiko kredit.

Statistic

Downloads from over the past year. Other digital versions may also be available to download e.g. from the publisher's website.

Item Type:	Thesis (Undergraduate)
Creators:	Creators Email NIM Nanda, Nafa Nur Adifia adifianafa@gmail.com 09040220060
Contributors:	Contribution Name Email NIDN Thesis advisor Farida, Yuniar yuniar_farida@uinsby.ac.id 2027057901 Thesis advisor Utami, Wika Dianita wikadianita@uinsby.ac.id 199206102018012003
Subjects:	Matematika Keuangan
Keywords:	Klasifikasi; random forest; SMOTE; risiko kredit
Divisions:	Fakultas Sains dan Teknologi > Studi Matematika
Depositing User:	nafa nanda
Date Deposited:	22 Apr 2024 02:17
Last Modified:	22 Apr 2024 02:17
URI:	http://digilib.uinsa.ac.id/id/eprint/69749

Actions (login required)

View Item