Naufal, Hafizh Iman (2019) Ensemble Adaboost Pada Metode Classification And Regression Trees Dalam Mengatasi Class Imbalance Pada Data Kolektibilitas Kredit Bank. Sarjana thesis, Universitas Brawijaya.
Abstract
Metode Classification and Regression Trees (CART) merupakan salah satu metode klasifikasi yang populer digunakan. Umumnya pada suatu bank, debitur yang memiliki kredit menunggak memiliki proporsi yang sedikit dibandingkan dengan debitur yang memiliki kredit lancar. Metode pengklasifikasi standar seperti CART tidak cocok untuk menangani kasus tersebut, karena CART sensitif terhadap kelas yang memiliki derajat tinggi, sehingga diperlukan metode tambahan seperti ensemble adaboost agar dapat meningkatkan ketepatan klasifikasi pada kasus ketidakseimbangan kelas. Penelitian ini bertujuan untuk mengetahui hasil klasifikasi menggunakan metode CART dan adaboost CART pada data kolektibilitas kredit bank, dimana pada data tersebut terdapat ketidakseimbangan kelas. Data yang digunakan merupakan data sekunder berupa data kolektibilitas kredit debitur bank dengan 9 peubah prediktor dan 1 peubah respon berupa kolektibilitas kredit. Hasil penelitian ini menunjukkan ketepatan klasifikasi pada metode CART dengan adaboost dapat meningkat dibandingkan dengan metode CART saja. Karena adaboost dapat menambahkan bobot pada pengklasifikasi (pohon klasifikasi CART) yang memiliki kesalahan klasifikasi kecil dan dapat mengurangi bobot pada objek yang diklasifikasikan dengan benar. Sehingga dapat merubah distribusi pada data. Penelitian ini dapat dijadikan pertimbangan dalam memilih analisis klasifikasi yang tepat pada kasus data yang memiliki ketidakseimbangan kelas.
English Abstract
The Classification and Regression Trees (CART) is one of the popular classification methods. Generally in a bank, debtors who have delinquent loans have a small proportion compared to debtors who have current loans. Standard classification methods such as CART are not suitable for handling these case, because CART is sensitive to classes that have high degrees, so additional methods such as ensemble adaboost are needed in order to improve classification accuracy in case of class imbalance. This study aims at determine the classification results using the CART and adaboost with CART methods in bank credit collectibility data, where in the data having case of class imbalance. The data used are secondary data, which are bank debtor credit collectibility data with nine predictor variables and one response variable which is credit collectibility. The results of this study indicate the accuracy of classification on the CART method with adaboost can increase, because adaboost can add weight to classifiers (CART classification tree) that have small classification errors and can reduce the weight on correctly classified objects. As a result it can change the distribution in the data. This research can be taken into consideration in choosing the right classification analysis in the case of class imbalance.
Other obstract
-
Item Type: | Thesis (Sarjana) |
---|---|
Identification Number: | SKR/MIPA/2019/403/052001579 |
Uncontrolled Keywords: | Adaboost, CART, Ketidakseimbangan Kelas, Kolektibilitas Kredit. Adaboost, CART, Class Imbalance, Credit Collectibility. |
Subjects: | 500 Natural sciences and mathematics > 519 Probabilities and applied mathematics > 519.5 Statistical mathematics > 519.53 Descriptive statistics, multivariate analysis, analysis of variance and covariance > 519.536 Regression analysis |
Divisions: | Fakultas Matematika dan Ilmu Pengetahuan Alam > Statistika |
Depositing User: | Budi Wahyono Wahyono |
Date Deposited: | 10 Aug 2020 07:28 |
Last Modified: | 10 Aug 2020 07:28 |
URI: | http://repository.ub.ac.id/id/eprint/180027 |
Actions (login required)
![]() |
View Item |