Tiara Lailatul Nikmah, 4611419010 (2023) OPTIMASI PREDIKSI RISIKO GAGAL BAYAR PEER-TO-PEER LENDING MENGGUNAKAN RANDOM FOREST FEATURE SELECTION PADA MODEL STACKING ENSEMBLE LEARNING. Under Graduates thesis, UNIVERSITAS NEGERI SEMARANG.

PDF - Published Version Restricted to Repository staff only Download (4MB) | Request a copy

Abstract

Peer-to-peer (P2P) lending merupakan salah satu inovasi di bidang financial technology (fintech) yang menawarkan layanan pinjaman mikro melalui platform online tanpa perantara. P2P lending memudahkan proses pinjam meminjam antara peminjam dan pemberi pinjaman, namun di sisi lain terdapat ancaman yang dapat merugikan pemberi pinjaman, yaitu gagal bayar. Default pada platform pinjaman P2P mengakibatkan kerugian yang signifikan bagi pemberi pinjaman dan menimbulkan ancaman terhadap efisiensi keseluruhan sistem pinjaman P2P. Jadi sangat penting untuk memiliki pemahaman tentang metode manajemen risiko tersebut. Penelitian ini bertujuan untuk memprediksi risiko gagal bayar pinjaman P2P menggunakan model Stacking Ensemble yang dioptimalkan dengan penerapan Random Forest Feature Selection (RFFS). Dataset yang digunakan adalah dataset Lending Club dari platform P2P lending di Amerika yang berisi 1.961.527 data dan 18 fitur. Setelah melalui tahap pemilihan fitur, terpilih 3 fitur terpenting yang akan digunakan. Hasil evaluasi kinerja model menggunakan Confusion Matrix oleh karena itu model Stacking Ensemble + RFFS merupakan model yang paling efektif dalam memprediksi risiko gagal bayar pinjaman dengan tingkat akurasi sebesar 99,930%. Penelitian ini diharapkan dapat berkontribusi pada pengembangan metode baru dalam machine learning yang lebih kompleks dan efektif dalam memprediksi risiko pada platform P2P lending

Actions (login required)

View Item