Article Per Year (5 Year)
p-Index From 2021 - 2026
1.325
P-Index
This Author published in this journals
All Journal Infotech Journal Jurnal Inspiration CogITo Smart Journal Jurnal Mantik Penusa Jurnal Mantik The Indonesian Journal of Computer Science Research Journal of Innovative and Creativity
Dina Maulina
Universitas AMIKOM Yogyakarta
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Electrical & Electronics Engineering Languange, Linguistic, Communication & Media Mathematics Social Sciences Other

Published : 11 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 11 Documents
Search

 1   2 
Komparasi XGBoost dan C4.5 dalam Klasifikasi Risiko Kredit untuk Kelayakan Pinjaman di India Rastra Ardiansyah Pora; Dina Maulina; Ninik Trihartanti
The Indonesian Journal of Computer Science Research Vol. 4 No. 2 (2025): Juli
Publisher : Hemispheres Press

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.59095/ijcsr.v4i2.194

Abstract

Transformasi digital telah mendorong kemajuan signifikan di sektor keuangan, khususnya dalam layanan kredit dan pinjaman. Meskipun proses pengajuan kini semakin mudah, risiko kredit tetap menjadi tantangan utama yang harus diantisipasi secara efektif. Penelitian ini bertujuan untuk membandingkan kinerja algoritma XGBoost dan C4.5 dalam memprediksi dan mengklasifikasikan risiko kredit guna menentukan kelayakan pinjaman. Metode yang digunakan mengikuti tahapan Knowledge Discovery in Data (KDD), meliputi seleksi data, pra-pemrosesan, transformasi, dan pembentukan model. Pengujian dilakukan menggunakan 10-Fold Cross Validation dengan variasi rasio data melalui empat pengujian. Evaluasi kinerja algoritma didasarkan pada metrik akurasi, presisi, recall, dan F1-score. Hasil penelitian menunjukkan bahwa algoritma C4.5 unggul dibandingkan XGBoost, baik sebelum maupun setelah optimasi hyperparameter menggunakan GridSearchCV. Pada rasio 80:20, C4.5 mencatat akurasi 96,20% dengan AUC sebesar 0,9730. Temuan ini menyimpulkan bahwa C4.5 lebih efektif dalam menangani data berukuran besar dan menghasilkan klasifikasi yang efisien, sementara XGBoost tetap merupakan alternatif kompetitif pasca optimasi. Studi ini memberikan rekomendasi strategis bagi lembaga keuangan dalam meningkatkan akurasi analisis risiko kredit berbasis data
Co-Authors Abdul Ra'uf Alfansani Ahmad Hanif Hasan Rosyidi Angga Kurniawan Anwar Sadad Erni Seniwati Hafidz Sanjaya, Hafidz Ibnu Ickwantoro Ibrahim Risyad Irma Rofni Wulandari Kusrini Kusrini Kusrini Muhamad Rahmat Jatnika NINIK TRI HARTANTI Ninik Trihartanti Rastra Ardiansyah Pora Rofie Sagara Sugi Harsono Tutut Dwi Prihatin