UPT Perpustakaan Unitama

  • Beranda
  • Informasi
  • Berita
  • Bantuan
  • Pustakawan
  • Area Anggota
  • Pilih Bahasa :
    Bahasa Arab Bahasa Bengal Bahasa Brazil Portugis Bahasa Inggris Bahasa Spanyol Bahasa Jerman Bahasa Indonesia Bahasa Jepang Bahasa Melayu Bahasa Persia Bahasa Rusia Bahasa Thailand Bahasa Turki Bahasa Urdu

Pencarian berdasarkan :

SEMUA Pengarang Subjek ISBN/ISSN Pencarian Spesifik

Pencarian terakhir:

{{tmpObj[k].text}}
Image of Ekstraksi Fitur Menggunakan Neural Network Yang Diintegrasikan Xgboost Untuk Klasifikasi Gagal Bayar Pada Platform Pear-to-pear Lending
Penanda Bagikan

Skripsi

Ekstraksi Fitur Menggunakan Neural Network Yang Diintegrasikan Xgboost Untuk Klasifikasi Gagal Bayar Pada Platform Pear-to-pear Lending

Selva - Nama Orang;

ABSTRAK
SELVA. Ekstraksi Fitur Menggunakan Neural Network yang Diintegrasikan XGBoost untuk Klasifikasi Gagal Bayar pada Platform Peer-to-Peer Lending (dibimbing oleh Suryadi Syamsu dan A. Sumardin).
Peningkatan jumlah pinjaman dan peminjam aktif pada platform peer-to-peer (P2P) lending di Indonesia menimbulkan risiko gagal bayar yang semakin tinggi, sehingga diperlukan pendekatan prediktif yang akurat dan dapat diinterpretasikan. Penelitian ini bertujuan untuk mengembangkan model klasifikasi otomatis guna memprediksi risiko gagal bayar dengan mengintegrasikan metode ekstraksi fitur menggunakan Neural Network dan algoritma XGBoost. Data diperoleh melalui studi pustaka dan Kaggle dengan total 10.000 data pinjaman dan 112 fitur. Metode yang digunakan dalam penelitian ini adalah pendekatan hybrid antara Neural Network dan XGBoost, yang melibatkan tahapan preprocessing berupa imputasi nilai hilang, encoding variabel kategorikal, normalisasi fitur numerik, serta pembagian data menjadi data latih dan data uji. Hasil pengujian menunjukkan bahwa model gabungan Neural Network–XGBoost menghasilkan performa lebih baik dibandingkan model Neural Network tunggal, dengan akurasi tertinggi 97,30% dan F1-score 0,9409. Selain itu, metode LIME berhasil meningkatkan transparansi model dengan menampilkan kontribusi tiap fitur terhadap hasil prediksi. Penelitian ini membuktikan bahwa pendekatan hybrid Neural Network–XGBoost dengan interpretabilitas LIME efektif dalam memprediksi risiko gagal bayar secara akurat dan dapat digunakan sebagai pendukung pengambilan keputusan pada platform P2P lending.
Kata kunci: Gagal Bayar, LIME, Neural Network, P2P Lending, XGBoost


Ketersediaan
#
Perpustakaan STMIK AKBA (A / 919) SKR/TI/2025 REF SEL e
2927/SKR-Ti/AKBA/25
Tersedia namun tidak untuk dipinjamkan - No Loan
Informasi Detail
Judul Seri
-
No. Panggil
SKR SEL e
Penerbit
Makassar : UNITAMA., 2025
Deskripsi Fisik
xiii + 74 hlm., 28,5 cm
Bahasa
Indonesia
ISBN/ISSN
-
Klasifikasi
REF SEL e
Tipe Isi
-
Tipe Media
-
Tipe Pembawa
-
Edisi
-
Subjek
-
Info Detail Spesifik
Pembimbing I: Suryadi Syamsu dan Pembimbing II: A. Sumardin Penguji: Abd. Rahman, Fitriana M. Sabir dan Tamus Bin Tahir
Pernyataan Tanggungjawab
-
Versi lain/terkait

Tidak tersedia versi lain

Lampiran Berkas
Tidak Ada Data
Komentar

Anda harus masuk sebelum memberikan komentar

UPT Perpustakaan Unitama
  • Informasi
  • Layanan
  • Pustakawan
  • Area Anggota

Tentang Kami

As a complete Library Management System, SLiMS (Senayan Library Management System) has many features that will help libraries and librarians to do their job easily and quickly. Follow this link to show some features provided by SLiMS.

Cari

masukkan satu atau lebih kata kunci dari judul, pengarang, atau subjek

Donasi untuk SLiMS Kontribusi untuk SLiMS?

© 2026 — Senayan Developer Community

Ditenagai oleh SLiMS
Pilih subjek yang menarik bagi Anda
  • Karya Umum
  • Filsafat
  • Agama
  • Ilmu-ilmu Sosial
  • Bahasa
  • Ilmu-ilmu Murni
  • Ilmu-ilmu Terapan
  • Kesenian, Hiburan, dan Olahraga
  • Kesusastraan
  • Geografi dan Sejarah
Icons made by Freepik from www.flaticon.com
Pencarian Spesifik
Kemana ingin Anda bagikan?