Text
Algoritma Klasifikasi Light Gradient Boosting Machine (LightGBM) dan Classification and Regression Tree (CART) untuk Menentukan Faktor yang Mempengaruhi
Machine learning adalah metode analisis data yang mengotomatiskan pembuatan
model analitik. Metode ini memiliki dua tujuan; pertama, untuk mengklasifikasikan
data berdasarkan model yang dikembangkan dan kemudian membuat prediksi
untuk hasil masa depan berdasarkan model tersebut. Tesis ini mengkaji dua metode
Machine learning yaitu Light Gradient Boosting Machine (LightGBM) dan
Classification and Regression Tree (CART). LightGBM adalah kerangka
peningkatan gradien yang menggunakan algoritma pembelajaran berbasis pohon.
Ini adalah pengembangan dari Gradient Boosting Decision Tree (GBDT) - efisiensi,
akurasi, dan interpretasi dari algoritma pembelajaran mesin yang banyak digunakan
yang mampu menangani data yang tidak seimbang. CART adalah metode atau
algoritma dari teknik pohon keputusan. Pandemi COVID-19 mempengaruhi
seluruh segmen dunia, termasuk sektor perbankan dan kredit. Permasalahan yang
dihadapi oleh perbankan khususnya Bank Perkreditan Rakyat (BPRS) Syariah
MEDAN adalah masih melakukan pengecekan data kredit secara manual dengan
status lancar dan tidak lancar. Sehingga menjadi tidak efisien dan kemungkinan
terjadi kesalahan. Oleh karena itu perlu dilakukan pengklasifikasian data secara
otomatis dan mencari faktor-faktor yang mempengaruhi pembayaran kredit
nasabah. Tesis ini menerapkan dua klasifikasi masalah faktor yang mempengaruhi
pembayaran kredit pada data debitur pada PT. BPRS Gebu Prima Medan tiga tahun
2018 – 2020 berisi debitur kredit lancar dan kredit macet. Tesis ini juga membahas
akurasi metode LightGBM dan CART. Berdasarkan evaluasi yang dilakukan
terhadap klasifikasi faktor-faktor yang mempengaruhi pembayaran kredit, metode
CART. Hasil penelitian menemukan bahwa faktor-faktor yang mempengaruhi
adalah pendapatan total maksimal Rp 27.750.000 dengan pagu lebih dari Rp
57.500.000 diikuti anggota keluarga maksimal. 3.5; sedangkan dengan metode
LightGBM, faktornya adalah plafon, total pendapatan, anggota keluarga, usia, dan
jenis kelamin dengan nilai kepentingan masing-masing 65200, 65100, 13000, 9800,
dan 4200. Namun, metode CART memiliki tingkat akurasi yang lebih tinggi yaitu
85,9% dibandingkan dengan metode LightGBM, 81%.
Kata kunci: Machine Learning, Light Gradient Boosting Machine (LightGBM)
dan Classification and Regression Tree (CART), pembayaran kredit
025S2MAT21IV | 025 S2MAT 21-iv | Perpustakaan FSM Undip (Referensi) | Tersedia |
Tidak tersedia versi lain