@mastersthesis{digilib78783,
           month = {August},
           title = {EVALUASI KOMPARATIF LOGISTIC REGRESSION, LIGHTGBM, DAN FT-TRANSFORMER UNTUK PREDIKSI RISIKO KREDIT: VALIDASI BERBASIS UJI STATISTIK NON-PARAMETRIK DAN INTERPRETABILITAS SHAP},
          school = {UIN SUNAN KALIJAGA YOGYAKARTA},
          author = {NIM.: 24206051020 Firda Maulida Prayetno},
            year = {2026},
            note = {Ir. Maria Ulfah Siregar, S.Kom., MIT., Ph.D.},
        keywords = {Credit Scoring, Logistic Regression, LightGBM, FT-Transformer, Uji Non-Parametrik, SHAP},
             url = {https://digilib.uin-suka.ac.id/id/eprint/78783/},
        abstract = {Penelitian ini melakukan evaluasi komparatif antara Regresi Logistik, LightGBM, dan FT-Transformer dalam memprediksi risiko gagal bayar menggunakan dataset Give Me Some Credit (150.000 sampel) dengan tingkat ketidakseimbangan kelas ekstrem (1:13,96). Guna mengatasi bias data, teknik Synthetic Minority Over-sampling Technique (SMOTE) diterapkan secara lokal dalam skema 15-fold Stratified Cross-Validation, dengan optimasi hiperparameter berbasis framework Optuna. Hasil pengujian menunjukkan LightGBM mencapai performa superior dengan AUC-ROC akhir sebesar 0,8631, mengungguli FT-Transformer (0,8369) dan Regresi Logistik (0,7959). Validasi inferensial melalui Friedman Test (}
}