Komparasi Performa Algoritma Machine Learning dalam Menganalisis Non-Performing Loan pada PT Bank XYZ

Cheryl Sitinjak, Kezia (2025) Komparasi Performa Algoritma Machine Learning dalam Menganalisis Non-Performing Loan pada PT Bank XYZ. Bachelor Thesis, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Download (821kB)
	PDF BAB_I.pdf Download (460kB)
	PDF BAB_II.pdf Download (600kB)
	PDF BAB_III.pdf Download (440kB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (1MB)
	PDF BAB_V.pdf Download (306kB)
	PDF DAFTAR_PUSTAKA.pdf Download (249kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (394kB)

Abstract

Non-Performing Loan (NPL) merupakan kredit bermasalah yang tidak dapat dilunasi oleh para nasabah sesuai dengan perjanjian atau ketentuan yang telah disepakati bersama yang biasanya. Tingginya NPL dapat menyebabkan berbagai jenis kerugian pada sektor perbankan, seperti kehilangan pendapatan bunga dari pinjaman yang tidak dibayar oleh nasabah dan berdampak terhadap kepercayaan investor, pemegang saham, serta nasabah. Penelitian terdahulu menunjukkan bahwa model algoritma XGBoost dan Random Forest memberikan hasil klasifikasi yang tinggi. Berdasarkan hal tersebut, penelitian ini bertujuan untuk menganalisis NPL dengan membandingkan performa dari beberapa algoritma machine learning. Algoritma machine learning yang digunakan pada penelitian ini adalah Random Forest, Decision Tree, dan XGBoost. Dataset yang digunakan terdiri dari 1.023.642baris yang terdiri dari 818.913untuk data train dan 204.729 untuk data test, serta terdiri dari 4 kolom yang telah dipilih melalui teknik feature importance. Data yang digunakan menggunakan keseluruhan dataset yang berisikan kelima kategori kredit. Untuk meningkatkan akurasi maka dilakukan tuning menggunakan GridSearchCV. Evaluasi model dilakukan menggunakan metrik accuracy, precision, recall, f1-score, dan confusion matrix. Hasil evaluasi menunjukkan bahwa model XGBoost memberikan hasil kinerja yang paling unggul dengan accuracy mencapai 96%, precision 94%, recall 88%, dan f1-score 91%, menjadikannya model yang paling efektif dalam mengklasifikasi NPL. Penelitian ini membuktikan dan menyarankan penggunaan algoritma XGBoost sebagai algoritma utama untuk menganalisis dan memprediksi NPL karena XGBoost memiliki kemampuan yang tinggi dalam memberikan akurasi yang lebih tinggi dan lebih stabil dalam mengidentifikasi kelas.

Item Type:	Thesis (Bachelor Thesis)
Creators:	Cheryl Sitinjak, Kezia (00000061410)
Contributors:	Natalia, Friska
Keywords:	Decision Tree, Machine Learning, Non-Performing Loan (NPL), Random Forest, XGBoost.
Subjects:	000 Computer Science, Information and General Works > 000 Computer Science, Knowledge and Systems > 004 Computer Science, Data Processing, Hardware > 004.2 Systems Analysis and Design, Information Architecture, Performance Evaluation
Divisions:	Faculty of Engineering & Informatics > Information System
Date Deposited:	10 Sep 2025 05:37
URI:	https://kc.umn.ac.id/id/eprint/40424

Actions (login required)

View Item