ANANDA, Baginda Habiburohman Rizky (2024) Perbandingan Tuning Hyperparameter RandomSearchCV dan GridSearchCV pada Model Adaptive Boosting untuk Prediksi Presetujuan Kredit Pinjaman Rumah. Undergraduate thesis, UNDIP: Fakultas Sains dan Matematika.

	Text 1. Cover.pdf Download (145kB)
	Text 3. Lembar Pengesahan-1.pdf Download (276kB)
	Text 4. Lembar Pengesahan-2.pdf Download (311kB)
	Text 5. Kata Pengantar.pdf Download (204kB)
	Text 6. Abstrak.pdf Download (227kB)
	Text 7. Abstract.pdf Download (225kB)
	Text 8. Daftar Isi.pdf Download (239kB)
	Text 11. Bab I Pendahuluan.pdf Download (241kB)
	Text 16. Daftar Pustaka.pdf Download (236kB)

Abstract

Perkembangan teknologi berdampak keseluruh aspek kehidupan, salah satunya perusahaan keuangan. Perusahaan keuangan memanfaatkan teknologi untuk meningkatkan efisiensi layanan. Perusahaan keuangan memiliki tantangan terkait jumlah pinjaman yang terus meningkat sehingga perusahaan mengalami kesulitan dalam mengolah data konsumen. Untuk mengatasi hal ini, perusahaan berencana mengoptimalkan sistem dengan menerapkan proses kelayakan pinjaman realtime
menggunakan detail data yang diisi oleh konsumen saat mengajukan pinjaman. Penerapan metode machine learning pada proses seleksi nasabah diharapkan dapat menjadi solusi efektif untuk meningkatkan efisiensi dan ketepatan dalam menentukan kelayakan pinjaman. Adaptive Boosting adalah algoritma yang populer di bidang data mining. Penerapan metode data mining pada masalah risiko kredit memerlukan proses yang teliti untuk mendapatkan nilai akurasi yang tinggi. Pada penelitian ini, data yang digunakan merupakan data Dream Housing Finance pada
tahun 2022 dengan menerapkan metode AdaBoost untuk mengoptimalkan proses analisis risiko gagal bayar pada peminjam. Pada penelitian yang menggunakan metode AdaBoost akan dioptimalkan dengan menggunakan Tuning Hyperparameter RandomSearchCV dan GridSearchCV. Hasil penelitian
menunjukkan bahwa penggunaan tuning hyperparamters GridSearchCV dan RandomSearchCV menghasilkan nilai akurasi sebesar 80,94%. Akan tetapi dengan mempertimbangkan estimasi waktu pengerjaan tuning hyperparameters RandomSearchCV lebih baik dibandingkan GridSearchCV. Kedua metode tuning
hyperparameters sama baik digunakan untuk mengoptimalkan nilai akurasi hanya berbeda dalam estimasi waktu pengerjaan.
Kata Kunci: Data Mining, Adaptive Boosting, Tuning Hyperparamters, RandomSearchCV, GridSeachCV

Actions (login required)

View Item