PERBANDINGAN ALGORITMA RANDOM FOREST DAN LOGISTIC REGRESSION UNTUK PREDIKSI RISIKO KREDIT BERDASARKAN DATA PINJAMAN BANK MANDIRI

Subiyono, Adi Subhandi (2026) PERBANDINGAN ALGORITMA RANDOM FOREST DAN LOGISTIC REGRESSION UNTUK PREDIKSI RISIKO KREDIT BERDASARKAN DATA PINJAMAN BANK MANDIRI. Diploma thesis, Universitas Nasional.

	Text COVER.pdf Download (1MB)
	Text BAB 1.pdf Download (345kB)
	Text BAB 2.pdf Download (497kB)
	Text BAB 3.pdf Download (613kB)
	Text BAB 4.pdf Download (2MB)
	Text BAB 5.pdf Download (243kB)
	Text LAMPIRAN.pdf Download (366kB)

Abstract

Risiko kredit merupakan salah satu faktor utama yang memengaruhi kualitas

portofolio pembiayaan, sehingga dibutuhkan model prediksi yang tidak hanya akurat secara umum, tetapi juga andal dalam mendeteksi debitur berpotensi gagal bayar. Penelitian ini bertujuan membangun serta membandingkan kinerja model klasifikasi berbasis machine learning untuk memprediksi risiko kredit menggunakan data kredit Bank Mandiri, dengan target default_flag yang dibentuk berdasarkan kolektibilitas. Proses penelitian meliputi data preparation (pembersihan data, penanganan nilai hilang, transformasi variabel kategorikal melalui one-hot encoding, serta standardisasi fitur numerik), pembagian data latih dan uji secara stratified, serta penanganan ketidakseimbangan kelas menggunakan SMOTE pada data latih. Pemodelan dilakukan menggunakan Logistic Regression dan Random Forest, kemudian dioptimasi melalui hyperparameter tuning dengan cross-validation untuk memperoleh konfigurasi terbaik. Evaluasi model menekankan metrik yang relevan pada kelas minoritas, yaitu Precision, Recall, F1- Score, ROC-AUC, dan PR-AUC, sehingga hasil penilaian tidak bias terhadap dominasi kelas non-default. Hasil penelitian menunjukkan Logistic Regression (tuned) memberikan performa paling konsisten dalam mendeteksi kasus default dengan Accuracy 0,9894, Precision 0,8052, Recall 0,9688, F1-Score 0,8794, ROC- AUC 0,9975, PR-AUC 0,9307, serta menghasilkan False Negative 2 dan False Positive 15. Sementara itu, Random Forest (tuned) memperoleh Accuracy 0,9851, Precision 0,7564, Recall 0,9219, F1-Score 0,8310, ROC-AUC 0,9959, PR-AUC
0,8619, dengan False Negative 5 dan False Positive 19. Dengan demikian, Logistic Regression dinilai lebih efektif sebagai model early warning untuk mendukung mitigasi risiko kredit karena menekan peluang default yang terlewat sekaligus
menjaga konsistensi pengambilan keputusan berbasis data.

Item Type:	Thesis (Diploma)
Subjects:	T Technology > T Technology (General) T Technology > TK Electrical engineering. Electronics Nuclear engineering
Divisions:	Skripsi > Fakultas Teknologi Komunikasi dan Informatika > Program Studi Sistem Informasi
Depositing User:	Delvy Aplirizani -
Date Deposited:	02 Jun 2026 08:09
Last Modified:	02 Jun 2026 08:09
URI:	https://repository.unas.ac.id/id/eprint/16359

Actions (login required)

View Item