Perbandingan Grid Search dan Bayesian Optimization pada Klasifikasi Collection Intensity Scoring dan Prediksi Channel Recommendation (Studi Kasus: P2P Lending)

Mae, Kelly (2024) Perbandingan Grid Search dan Bayesian Optimization pada Klasifikasi Collection Intensity Scoring dan Prediksi Channel Recommendation (Studi Kasus: P2P Lending). Bachelor Thesis thesis, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Download (1MB)
	PDF BAB_I.pdf Download (1MB)
	PDF BAB_II.pdf Download (1MB)
	PDF BAB_III.pdf Download (1MB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (4MB)
	PDF BAB_V.pdf Download (1MB)
	PDF DAFTAR_PUSTAKA.pdf Download (1MB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (4MB)

Abstract

Perkembangan teknologi yang pesat telah mendorong tumbuhnya financial technology (fintech), mengubah metode keuangan tradisional menjadi digital. Salah satu solusi fintech yang seringkali digunakan adalah Peer-to-Peer (P2P) Lending, yang menyediakan pinjaman online namun menghadapi tantangan dalam pembayaran kembali akibat kondisi keuangan nasabah yang tidak stabil. Untuk mengatasi masalah ini, P2P lending berupaya meningkatkan produktivitas penagihan dan komunikasi dengan nasabah melalui penerapan model klasifikasi Collection Intensity Scoring (CIS) dan model prediksi channel recommendation untuk mengoptimalkan proses penagihan. Penelitian ini bertujuan membandingkan kinerja Grid Search dan Bayesian Optimization pada model klasifikasi Random Forest dan model prediksi K-Nearest Neighbors Regressor dengan mengikuti CRISP-DM Framework. Penelitian ini melibatkan pengumpulan dan pemrosesan data pribadi, pinjaman, dan interaksi nasabah dari perusahaan P2P Lending menggunakan metode Extract, Transformation, dan Load (ETL). Data pre-processing dan Exploratory Data Analysis dilakukan untuk mempersiapkan data untuk pemodelan dengan hyperparameter optimization. Kinerja model dievaluasi berdasarkan accuracy dan Mean Absolute Error (MAE). Hasil penelitian menunjukkan Bayesian Optimization mengungguli Grid Search, meningkatkan accuracy pada model Random Forest menjadi 98.34% dan menurunkan MAE pada model K-Nearest Neighbors Regressor menjadi 0.245308. Model dengan metode Bayesian Optimization mengklasifikasikan data intensitas penagihan dengan benar 98 dari 100 kali percobaan, dengan rata-rata kesalahan prediksi sekitar 0.245 unit dari nilai sebenarnya.

Item Type:	Thesis (Bachelor Thesis)
Keywords:	Bayesian Optimization, Channel Recommendation, Collection Intensity Scoring, Grid Search, K-Nearest Neighbors, Random Forest
Subjects:	?? T70 ??
Divisions:	Faculty of Engineering & Informatics > Information System
SWORD Depositor:	Administrator UMN Library
Depositing User:	Administrator UMN Library
Date Deposited:	12 Nov 2024 12:12
Last Modified:	12 Nov 2024 12:12
URI:	https://kc.umn.ac.id/id/eprint/34845

Actions (login required)

View Item