Article Per Year (5 Year)
p-Index From 2021 - 2026
0.408
P-Index
This Author published in this journals
All Journal JATI (Jurnal Mahasiswa Teknik Informatika)
Rizkysari Meimaharani
Teknik Informatika, Universitas Muria Kudus
Computer Science & IT

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

 1 
KLASIFIKASI RISIKO GAGAL BAYAR KREDIT MENGGUNAKAN XGBOOST DENGAN MODEL EXPLAINABLE BERBASIS SHAP Aditia Ananda Sutrisno; Ahmad Abdul Chamid; Rizkysari Meimaharani
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 10 No. 1 (2026): JATI Vol. 10 No. 1
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v10i1.16673

Abstract

Risiko gagal bayar kredit merupakan permasalahan penting dalam sektor keuangan yang berpotensi mengganggu stabilitas lembaga keuangan apabila tidak dikelola secara efektif. Permasalahan utama dalam prediksi risiko kredit moderen adalah kebutuhan akan model yang tidak hanya memiliki akurasi tinggi, tetapi juga mampu memberikan penjelasan yang transparan terhadap hasil prediksi. Penelitian ini bertujuan untuk mengembangkan model klasifikasi risiko gagal bayar kredit menggunakan algoritma Extreme Gradient Boosting (XGBoost) serta menganalisis interpretabilitas model melalui pendekatan Explainable Artificial Intelligence berbasis Shapley Additive Explanations (SHAP). Metode penelitian meliputi tahap preprocessing data berupa pembersihan data, imputasi nilai hilang menggunakan KNN Imputer, encoding variabel kategorikal, normalisasi data, pelatihan model XGBoost, serta evaluasi kinerja menggunakan metrik akurasi, precision, recall, dan F1-score. Dataset yang digunakan berasal dari Kaggle dengan jumlah 32.586 data nasabah dan 13 fitur. Hasil penelitian menunjukkan bahwa model XGBoost mampu mencapai akurasi sebesar 0,93, dengan nilai recall sebesar 0,98 untuk kelas no default dan 0,74 untuk kelas default. Analisis SHAP mengidentifikasi customer_income, loan_grade, loan_amnt, dan loan_int_rate sebagai fitur yang paling berpengaruh terhadap prediksi risiko gagal bayar. Hasil ini menunjukkan bahwa integrasi XGBoost dan SHAP mampu menghasilkan model prediksi risiko kredit yang akurat sekaligus transparan, sehingga dapat mendukung pengambilan keputusan dalam sistem evaluasi risiko kredit
PERBANDINGAN MODEL DECISION TREE, RANDOM FOREST, DAN SVM PADA ANALISIS SENTIMEN BERBASIS ASPEK KOMENTAR FILM JUMBO Heru Teguh Apriyanto; Ahmad Abdul Chamid; Rizkysari Meimaharani
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 10 No. 1 (2026): JATI Vol. 10 No. 1
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v10i1.16678

Abstract

Industri perfilman Indonesia, khususnya genre animasi, mengalami perkembangan signifikan dengan kehadiran film "Jumbo" (2024). YouTube sebagai platform utama diskusi film menghasilkan ribuan komentar tidak terstruktur yang menyulitkan pemahaman objektif terhadap persepsi publik pada aspek-aspek spesifik film seperti cerita, visual, musik, dukungan, dan perbandingan. Penelitian ini bertujuan mengidentifikasi aspek yang paling banyak dibahas dan membandingkan performa tiga algoritma machine learning (Decision Tree, Random Forest, dan SVM) dalam mengklasifikasikan sentimen berbasis aspek. Menggunakan Aspect-Based Sentiment Analysis (ABSA) dengan pendekatan lexicon-based untuk pelabelan sentimen. Sebanyak 7.906 komentar dikumpulkan dari lima kanal YouTube, diproses melalui preprocessing, identifikasi aspek berdasarkan kata kunci, pelabelan sentimen, dan ekstraksi fitur TF-IDF. Tiga model klasifikasi dilatih dan dievaluasi pada 4.082 komentar berlabel. Decision Tree mencapai performa terbaik dengan rata-rata akurasi 91,0%, tertinggi pada aspek cerita_emosi (99,6%) dan terendah pada musik (78,9%). Aspek dukungan_apresiasi paling dominan (1.797 komentar, 88,7% sentimen positif), mengindikasikan respons positif publik. Penelitian ini memberikan wawasan objektif persepsi audiens dan membuktikan efektivitas ABSA untuk analisis ulasan film Indonesia
Co-Authors Aditia Ananda Sutrisno Ahmad Abdul Chamid Heru Teguh Apriyanto