<![CDATA[Pengambilan keputusan dalam menentukan kelayakan pemberian kredit melibatkan berbagai faktor kompleks seperti riwayat kredit, pendapatan pekerjaan, dan jumlah tanggungan. Tujuan dari penelitian ini ialah menentukan tingkat akurasi model Gradient Boosting Machine (GBM) menggunakan teknik optimasi parameter dengan Grid Search untuk menganalisis hasil klasifikasi kelayakan pemberian kredit. Pendekatan yang digunakan termasuk dalam metode supervised learning. Supervised Learning merupakan salah satu pembelajaran mesin yang bertujuan untuk menyelesaikan masalah seperti klasifikasi dengan mengindentifikasi variabel target menggunakan model hasil pelatihan dari data berkategori. GBM merupakan salah satu algoritma klasifikasi supervised learning berbasis decision tree. Permasalahan pada GBM adalah kecenderungan mengalami overfitting yang disebabkan oleh pengaturan hyperparameter yang tidak optimal. Hal ini dapat diatasi dengan teknik optimasi parameter seperti grid search. Data yang digunakan yaitu data historis nasabah yang berasal dari website www.kaggle.com sebanyak 730 data debitur dengan 162 pinjaman yang disetujui dan 568 pinjaman tidak disetujui. Langkah penelitian yang pertama yaitu preprocessing data, kemudian membagi data menjadi data training dan data testing dengan proporsi 80:20, menangani imbalance class pada data training menggunakan Random Oversampling (ROS), membuat model GBM tanpa grid search dan model GBM menggunakan grid search. Hasil penelitian didapatkan akurasi model GBM tanpa grid search yaitu sebesar 83,43% sedangkan akurasi model GBM dengan grid search diperoleh sebesar 95,15%. Hal ini menunjukkan bahwa metode GBM menggunakan optimasi grid search menghasilkan kinerja yang lebih baik dibandingkan tanpa optimasi. Kata Kunci : ROS, Optimasi Parameter, Supervised Learning]]>
