EVALUASI KOMPARATIF LOGISTIC REGRESSION, LIGHTGBM, DAN FT-TRANSFORMER UNTUK PREDIKSI RISIKO KREDIT: VALIDASI BERBASIS UJI STATISTIK NON-PARAMETRIK DAN INTERPRETABILITAS SHAPNIM.: 24206051020Firda Maulida PrayetnoauthorPenelitian 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 (006.3 Artificial Intelligence (Kecerdasan Buatan)2026-08-12UIN SUNAN KALIJAGA YOGYAKARTA;FAKULTAS SAINS DAN TEKNOLOGIThesis