TY  - THES
N1  - Ir. Maria Ulfah Siregar, S.Kom., MIT., Ph.D.
ID  - digilib78783
UR  - https://digilib.uin-suka.ac.id/id/eprint/78783/
A1  - Firda Maulida Prayetno, NIM.: 24206051020
Y1  - 2026/08/12/
N2  - 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 (
PB  - UIN SUNAN KALIJAGA YOGYAKARTA
KW  - Credit Scoring
KW  -  Logistic Regression
KW  -  LightGBM
KW  -  FT-Transformer
KW  -  Uji Non-Parametrik
KW  -  SHAP
M1  - masters
TI  - EVALUASI KOMPARATIF LOGISTIC REGRESSION, LIGHTGBM, DAN FT-TRANSFORMER UNTUK PREDIKSI RISIKO KREDIT: VALIDASI BERBASIS UJI STATISTIK NON-PARAMETRIK DAN INTERPRETABILITAS SHAP
AV  - restricted
EP  - 131
ER  -