SISTEM INFORMASI KLASIFIKASI KELAYAKAN PENGAJUAN KREDIT PADA PERUSAHAAN PEMBIAYAAN DENGAN ALGORITMA RANDOM FOREST DAN LOGISTIC REGRESSION

Hartono, Wisnu (2026) SISTEM INFORMASI KLASIFIKASI KELAYAKAN PENGAJUAN KREDIT PADA PERUSAHAAN PEMBIAYAAN DENGAN ALGORITMA RANDOM FOREST DAN LOGISTIC REGRESSION. Diploma thesis, Universitas Nasional.

	Text COVER.pdf Download (2MB)
	Text BAB I.pdf Download (542kB)
	Text BAB II.pdf Download (747kB)
	Text BAB III.pdf Download (851kB)
	Text BAB IV.pdf Download (3MB)
	Text BAB V.pdf Download (569kB)
	Text LAMPIRAN.pdf Download (918kB)

Abstract

Proses persetujuan kredit pada perusahaan pembiayaan memiliki risiko terjadinya
kesalahan penilaian kelayakan yang dapat berdampak pada meningkatnya kredit
bermasalah serta potensi kecurangan internal akibat keputusan yang masih bersifat
subjektif. Penelitian ini bertujuan untuk merancang dan membangun sistem informasi
klasifikasi kelayakan pengajuan kredit berbasis machine learning guna mendukung
pengambilan keputusan yang lebih objektif dan berbasis data. Metode yang digunakan
dalam penelitian ini adalah Cross Industry Standard Process for Data Mining (CRISPDM)

yang meliputi tahapan business understanding, data understanding, data
preparation, modeling, evaluation, dan deployment. Algoritma Random Forest dan
Logistic Regression digunakan sebagai metode klasifikasi dengan memanfaatkan data
historis pengajuan kredit kendaraan bermotor. Hasil evaluasi menunjukkan bahwa
algoritma Random Forest memberikan performa terbaik dengan nilai akurasi sebesar
84,67%, precision sebesar 84,15%, recall sebesar 77,98%, dan F1-score sebesar
80,95%, sehingga lebih unggul dibandingkan Logistic Regression dalam
mengklasifikasikan kelayakan pengajuan kredit. Model yang dihasilkan kemudian
diimplementasikan ke dalam sistem informasi berbasis dashboard menggunakan
framework Streamlit untuk menampilkan hasil analisis risiko, visualisasi data, serta
prediksi kelayakan kredit secara individu maupun massal. Kesimpulan dari penelitian
ini menunjukkan bahwa penerapan algoritma machine learning, khususnya Random
Forest, mampu meningkatkan akurasi dan objektivitas proses penilaian kelayakan
kredit serta membantu perusahaan pembiayaan dalam meminimalkan risiko kredit
bermasalah dan potensi kecurangan internal.

Item Type:	Thesis (Diploma)
Uncontrolled Keywords:	Kelayakan Pengajuan Kredit, Sistem Informasi, Machine Learning, Random Forest, Logistic Regression, Perusahaan Pembiayaan.
Subjects:	Q Science > Q Science (General) T Technology > T Technology (General)
Divisions:	Skripsi > Fakultas Teknologi Komunikasi dan Informatika > Program Studi Sistem Informasi
Depositing User:	Fitria Nur Indah Hasanah
Date Deposited:	08 May 2026 03:50
Last Modified:	08 May 2026 03:50
URI:	https://repository.unas.ac.id/id/eprint/15810

Actions (login required)

View Item