Article Per Year (5 Year)
p-Index From 2020 - 2025
3.057
P-Index
This Author published in this journals
All Journal Elkom: Jurnal Elektronika dan Komputer Format : Jurnal Imiah Teknik Informatika Jurnal Informatika Bianglala Informatika : Jurnal Komputer dan Informatika Akademi Bina Sarana Informatika Yogyakarta Indonesian Journal on Software Engineering (IJSE) Jurnal Pilar Nusa Mandiri JITK (Jurnal Ilmu Pengetahuan dan Komputer) EVOLUSI : Jurnal Sains dan Manajemen JIKA (Jurnal Informatika) Jurnal Sistem Komputer dan Informatika (JSON) Reputasi: Jurnal Rekayasa Perangkat Lunak SPEED - Sentra Penelitian Engineering dan Edukasi Justika : Jurnal Sistem Informasi Akuntansi Kesatria : Jurnal Penerapan Sistem Informasi (Komputer dan Manajemen) Prawara Jurnal Pengabdian Masyarakat
Amin Nur Rais
Universitas Bina Sarana Informatika
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Electrical & Electronics Engineering Engineering Library & Information Science Public Health Social Sciences Other

Published : 21 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search
Journal : JIKA (Jurnal Informatika)

 1 
OPTIMASI PREDIKSI RISIKO KREDIT DENGAN PREPROCESSING DAN HYPERPARAMETER TUNING Rais, Amin Nur; Warjiyono, Warjiyono; Putra, Jordy Lasmana
Jurnal Informatika Vol 9, No 1 (2025): JIKA (Jurnal Informatika)
Publisher : University of Muhammadiyah Tangerang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31000/jika.v9i1.12782

Abstract

Risiko kredit menjadi tantangan dalam industri keuangan, yang dapat berdampak pada stabilitas lembaga keuangan. Penelitian ini mengevaluasi kinerja model machine learning dalam memprediksi risiko kredit menggunakan dataset dari Kaggle. Empat model yang diuji adalah Logistic Regression, Random Forest, Gradient Boosting, dan K-Nearest Neighbors (KNN), yang masing-masing diuji dalam tiga versi: baseline, preprocessing, dan tuned. Proses preprocessing mencakup penanganan nilai hilang, encoding fitur kategori, dan standarisasi fitur numerik. Model dievaluasi berdasarkan akurasi, presisi, recall, dan F1-score. Hasil penelitian menunjukkan bahwa model Gradient Boosting (Tuned) memberikan performa terbaik dengan akurasi 93.79%, presisi 94.91%, recall 76.05%, dan F1-score 84.44%. Penelitian ini memberikan manfaat bagi lembaga keuangan dalam memilih model yang optimal untuk memprediksi risiko kredit dan mendukung pengambilan keputusan berbasis data.
Co-Authors Agus Subekti Ahmad Ishaq Ardianto-Universitas Bina Sarana Informatika, Rian Biktra Rudiarto Chalimatusadiah Chalimatusadiah Chandra Kesuma Desiana Nur Kholifah Desy Ayu Fatmawati Fajar Akbar Fandhilah Fandhilah Ibnu Alfarobi Jordy Lasmana Putra Mochamad Firmansyah Muhammad Rifqi Firdaus Nani Purwati Noor Hasan Nur Azizah Nurul Ichsan Rahmawati-Universitas Bina Sarana Informatika, Eka Richky Faizal Amir Robi Aziz Zuama Rousyati Rousyati Saifudin Saifudin Siti Munawaroh Sobari, Irwan Agus Sofian Wira Hadi Thira, Indra Jiwana Vinsensius Puri Dwi Setyawan W Warjiyono Walim Walim warjiyono Warjiyono Warjiyono Warjiyono Warjiyono Warjiyono Warjiyono, Warjiyono Wawan Kurniawan Winnugroho Wiratman, Manfaluthy Hakim, Tiara Aninditha, Aru W. Sudoyo, Joedo Prihartono Yahya Mara Ardi Yustina Meisella Kristania - STMIK Nusa Mandiri Jakarta, Yustina Meisella Kristania