Analisis Perbandingan Linear Regression dan Random Forest Regression untuk Prediksi Batas Kredit: Pendekatan Optimasi Hyperparameter

Fadillah, Algies Rifkha
Fauzan, Mohamad Nurkamal

Jurnal Informatika Polinema (JIP)
Vol. 10 No. 4 (2024): Vol. 10 No. 4 (2024)

Penelitian ini mengeksplorasi penggunaan Linear Regression dan Random Forest Regression untuk memprediksi batas maksimal pinjaman kredit dalam industri keuangan. Metode ini digunakan untuk membandingkan performa prediksi dengan dua set fitur yang berbeda. Setelah melakukan optimasi hyperparameter menggunakan Optuna, hasil menunjukkan bahwa Random Forest Regression memberikan akurasi prediksi yang lebih tinggi dibandingkan Linear Regression, dengan nilai RMSE terendah sebesar 7.90% dan MAE terendah sebesar 4.72%. Penggunaan 4 fitur menunjukkan sedikit peningkatan dalam akurasi dibandingkan 7 fitur, meskipun tidak signifikan. Hasil ini menyarankan penggunaan Random Forest Regression untuk meningkatkan keakuratan dalam menetapkan batas kredit, mengurangi risiko kredit, dan meningkatkan stabilitas lembaga keuangan. Dengan demikian, pengoptimalan hyperparameter dengan Optuna dapat meningkatkan performa prediksi model regresi dalam konteks ini.