RIZKUSSALAM, Farhan (2025) Implementasi Algoritma Random Forest Dalam Klasifikasi Credit Score (Studi Kasus Pada Perusahaan Keuangan). Undergraduate thesis, UNDIP: Fakultas Sains dan Matematika.

	Text 1. COVER.pdf Download (31kB)
	Text 2. HALAMAN PERNYATAAN KEASLIAN SKRIPSI.pdf Download (836kB)
	Text 3. HALAMAN PENGESAHAN.pdf Download (744kB)
	Text 4. KATA PENGANTAR.pdf Download (1MB)
	Text 6. ABSTRAK.pdf Download (6kB)
	Text 7. ABSTRACT.pdf Download (6kB)
	Text 8. DAFTAR ISI.pdf Download (36kB)
	Text 11. BAB I PENDAHULUAN.pdf Download (22kB)
	Text 16. DAFTAR PUSTAKA.pdf Download (110kB)

Abstract

Credit score merupakan indikator penting yang digunakan oleh perusahaan keuangan untuk
menilai kelayakan kredit nasabah guna mengurangi risiko gagal bayar. Metode tradisional
dalam menilai kelayakan kredit sering kali tidak efisien dalam menghadapi volume data
yang besar, sehingga diperlukan pendekatan berbasis machine learning. Penelitian ini
menggunakan algoritma Random Forest untuk membangun model klasifikasi credit score
yang andal. Dalam pembangunan model Random Forest, dilakukan pengaturan
hyperparameter secara manual untuk memperoleh hasil klasifikasi terbaik. Dataset yang
digunakan dalam penelitian ini terdiri dari 100.000 data nasabah dengan 27 fitur bebas dan
1 fitur target, yang kemudian melalui tahap pra-pemrosesan seperti penanganan nilai hilang,
encoding, dan normalisasi. Model Random Forest yang dihasilkan setelah dilakukan tuning
hyperparameter menunjukkan performa klasifikasi terbaik dengan nilai akurasi sebesar
77,74%. Dengan demikian, model ini dapat digunakan oleh perusahaan keuangan sebagai
alat bantu untuk melakukan klasifikasi kelayakan kredit secara lebih akurat dan efisien.
Kata Kunci: Credit Score, Random Forest, Klasifikasi, Machine Learning

Actions (login required)

View Item