Penerapan Algoritma Gradient Boost untuk Memprediksi Kelayakan Kredit Rumah pada Monster Group

Hafidh Almarogi, Millati Izzatillah, Mei Lestari

Abstract


Kelayakan kredit merupakan aspek penting dalam pengambilan keputusan di bidang keuangan. Salah satu teknik pembelajaran mesin yang menonjol adalah algoritma Gradient Boost yang telah terbukti efektif dalam mengatasi masalah prediksi yang kompleks. Penelitian ini bertujuan untuk menerapkan algoritma Gradient Boost dalam konteks prediksi kelayakan kredit pada Monster Group. Implementasi dilakukan menggunakan bahasa pemrograman Java dan memanfaatkan library Machine Learning XGBoost. Dataset yang digunakan melibatkan informasi customer. Hasil eksperimen menunjukkan bahwa penerapan algoritma Gradient Boost pada prediksi kelayakan kredit Monster Group menghasilkan kinerja yang unggul. Model yang dihasilkan mampu memberikan prediksi dengan akurasi tinggi. Dengan adanya penelitian ini diharapkan dapat membantu Monster Group dalam mengoptimalkan proses pengambilan keputusan kredit serta mengurangi resiko kredit bermasalah.


Keywords


Gradient Boost; Kelayakan Kredit; Java

Full Text:

PDF

References


Ahmad, L., & Munawir. (2018). Sistem Informasi Manajemen Buku Referensi. Lembaga Komunitas Informasi Teknologi Aceh (KITA).

Dahlia, R., & Agustyaningrum, C. I. (2022). Perbandingan Gradient Boosting dan Light Gradient Boosting Dalam Melakukan Klasifikasi Rumah Sewa. Jurnal Nasional Komputasi dan Teknologi Informasi (JNKTI), 5(6), 1016–1020. https://doi.org/10.32672/jnkti.v5i6.5460

Dewanta, F., & Nuha, H. H. (2021). Pemrograman Java Untuk Aplikasi Berbasis Jaringan. Ahlimedia Press.

Diantika, S. (2023). PENERAPAN TEKNIK RANDOM OVERSAMPLING UNTUK MENGATASI IMBALANCE CLASS DALAM KLASIFIKASI WEBSITE PHISHING MENGGUNAKAN ALGORITMA LIGHTGBM. JATI (Jurnal Mahasiswa Teknik Informatika), 7(1), 19–25. https://doi.org/10.36040/jati.v7i1.6006

Firasari, E., Khultsum, U., Winnarto, M. N., & Risnandar, R. (2020). Kombinasi K-NN dan Gradient Boosted Trees untuk Klasifikasi Penerima Program Bantuan Sosial. Jurnal Teknologi Informasi dan Ilmu Komputer, 7(6), 1231. https://doi.org/10.25126/jtiik.0813087

Handayani, K., & Erni, E. (2023). PENERAPAN LIGHT GRADIENT BOOSTING DALAM PREDIKSI RASIO KLIK TAYANG. JATI (Jurnal Mahasiswa Teknik Informatika), 7(1), 13–18. https://doi.org/10.36040/jati.v7i1.6010

Priyono, H., Sari, R., & Mardiana, T. (2022). Klasifikasi Pemilihan Jurusan Sekolah Menengah Kejuruan Menggunakan Gradient Boosting Classifier. Jurnal Informatika, 9(2), 131–139. https://doi.org/10.31294/inf.v9i2.12654

Putra, P. P. (2022). Teori dan Tutorial Molecular Docking Menggunakan AutoDock Vina. Wawasan Ilmu.

Umirin, S. R. (2022). Badan Kredit Kecamatan Dan Pedagang Kecil. Pusat Pengembangan Pendidikan dan Penelitian Indonesia.

Wardhana, I., Musi Ariawijaya, Vandri Ahmad Isnaini, & Rahmi Putri Wirman. (2022). Gradient Boosting Machine, Random Forest dan Light GBM untuk Klasifikasi Kacang Kering. Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi), 6(1), 92–99. https://doi.org/10.29207/resti.v6i1.3682




DOI: https://doi.org/10.30998/jrami.v6i03.10910

Refbacks

  • There are currently no refbacks.