EVALUASI KOMPARATIF LOGISTIC REGRESSION, LIGHTGBM, DAN FT-TRANSFORMER UNTUK PREDIKSI RISIKO KREDIT: VALIDASI BERBASIS UJI STATISTIK NON-PARAMETRIK DAN INTERPRETABILITAS SHAP

Firda Maulida Prayetno, NIM.: 24206051020 (2026) EVALUASI KOMPARATIF LOGISTIC REGRESSION, LIGHTGBM, DAN FT-TRANSFORMER UNTUK PREDIKSI RISIKO KREDIT: VALIDASI BERBASIS UJI STATISTIK NON-PARAMETRIK DAN INTERPRETABILITAS SHAP. Masters thesis, UIN SUNAN KALIJAGA YOGYAKARTA.

Preview	Text (EVALUASI KOMPARATIF LOGISTIC REGRESSION, LIGHTGBM, DAN FT-TRANSFORMER UNTUK PREDIKSI RISIKO KREDIT: VALIDASI BERBASIS UJI STATISTIK NON-PARAMETRIK DAN INTERPRETABILITAS SHAP) 24206051020_BAB-I_IV-atau-V_DAFTAR-PUSTAKA.pdf - Published Version Download (8MB) | Preview
	Text (EVALUASI KOMPARATIF LOGISTIC REGRESSION, LIGHTGBM, DAN FT-TRANSFORMER UNTUK PREDIKSI RISIKO KREDIT: VALIDASI BERBASIS UJI STATISTIK NON-PARAMETRIK DAN INTERPRETABILITAS SHAP) 24206051020_BAB-II_sampai_SEBELUM-BAB-TERAKHIR.pdf - Published Version Restricted to Registered users only Download (17MB) | Request a copy

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 (

Share this knowledge with your friends :

Actions (login required)

View Item