Klasifikasi Judul Adverse Media pada Media Daring dengan Perbandingan Algoritma XGBoost dan Gradient Boosting (Studi Kasus: PT Kredibel Teknologi Indonesia)

Juliandri, Reza (2023) Klasifikasi Judul Adverse Media pada Media Daring dengan Perbandingan Algoritma XGBoost dan Gradient Boosting (Studi Kasus: PT Kredibel Teknologi Indonesia). Bachelor Thesis thesis, Universitas Multimedia Nusantara.

Preview	PDF HALAMAN_AWAL.pdf Download (1MB) | Preview
Preview	PDF DAFTAR_PUSTAKA.pdf Download (291kB) | Preview
Preview	PDF BAB_I.pdf Download (225kB) | Preview
Preview	PDF BAB_II.pdf Download (524kB) | Preview
Preview	PDF BAB_III.pdf Download (356kB) | Preview
	PDF BAB_IV.pdf Restricted to Registered users only Download (4MB)
Preview	PDF BAB_V.pdf Download (205kB) | Preview
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (2MB)

Abstract

Perkembangan teknologi memunculkan inovasi teknologi finansial yang memungkinkan kegiatan transaksi yang cepat dan efisien. Pesatnya perkembangan teknologi finansial meningkatkan risiko pencucian uang dan pendanaan terorisme. PT. Kredibel Teknologi Indonesia (Kredibel) adalah perusahaan startup yang berfokus untuk membantu mengurangi masalah penipuan dan kepercayaan pelanggan. Kredibel membutuhkan model machine learning dalam melakukan klasifikasi adverse media dalam membantu memilih berita untuk sistem customer due diligence. Penelitian ini akan melakukan pembuatan model machine learning dengan menggunakan algoritma XGBoost dan Gradient Boosting. XGBoost digunakan karena dapat menangani data yang berukuran besar dengan cepat. Gradient Boosting digunakan karena memiliki kelebihan dengan pendekatan ensemble dalam melakukan prediksi. Model yang dibuat akan melakukan klasifikasi adverse media dan bukan adverse media. Alur penelitian dimulai dari pengumpulan data yang berasal dari scraping dan NewsAPI sebanyak 1.281 data secara keseluruhan. Exploratory data analysis dilakukan untuk mengenai data yang akan digunakan. Pra-pemrosesan dilakukan untuk membersihkan teks dan memproses teks menjadi karakter yang dapat dikenali oleh algoritma machine learning. Seleksi model dilakukan untuk mencari hyperparameter terbaik dengan menggunakan grid search. Evaluasi model untuk melakukan pengukuran model dan mencari model terbaik. Terakhir deployment yaitu menerapkan model pada platform website. Hasil penelitian ini menghasilkan website dengan model Gradient Boosting dengan tingkat akurasi sebesar 82.31% pada data test dan 84.93% pada data validation. Pemilihan model berdasarkan performa terbaik dengan keseimbangan dari nilai accuracy, precision, recall dan f1-score. Model ini dapat melakukan klasifikasi adverse media dan bukan adverse media.

Item Type:	Thesis (Bachelor Thesis)
Keywords:	Adverse Media, Gradient Boosting, Klasifikasi, Website, XGBoost
Subjects:	000 Computer Science, Information and General Works > 000 Computer Science, Knowledge and Systems > 005 Computer Programming > 005.2 Programming for Specific Computers, Algorithm, HTML, PHP, java, C++
Divisions:	Faculty of Engineering & Informatics > Information System
SWORD Depositor:	Administrator UMN Library
Depositing User:	Administrator UMN Library
Date Deposited:	12 Jul 2023 09:51
Last Modified:	03 Aug 2023 07:22
URI:	https://kc.umn.ac.id/id/eprint/26148

Actions (login required)

View Item