IMPLEMENTASI CLASSIFICATION AND REGRESSION TREE DENGAN RANDOM OVERSAMPLING DAN RANDOM UNDERSAMPLING PADA DATA TIDAK SEIMBANG (Studi Kasus : STATUS KREDIT NASABAH BANK ) = IMPLEMENTATION OF CLASSIFICATION AND REGRESSION TREE WITH RANDOM OVERSAMPLING AND RANDOM UNDERSAMPLING ON UNBALANCED DATA (Case Study: BANK CUSTOMER CREDIT STATUS)

ABSTRAK INTAN PERMATASARI. Implementasi Classification and Regression Tree Dengan Random Oversampling dan Random Undersampling pada Data Tidak Seimbang (Studi Kasus : Status Kredit Nasabah Bank) (dibimbing oleh Anisa). Latar Belakang. Dalam era big data, analisis data menjadi komponen kunci dalam pengambilan keputusan, termasuk pada industri perbankan. Dataset tidak seimbang sering kali menjadi tantangan dalam mengembangkan model klasifikasi yang akurat karena model klasifikasi dapat menjadi bias terhadap kelas mayoritas dan mengabaikan kelas minoritas, sehingga menghasilkan prediksi yang lebih akurat dan adil.. Penelitian ini bertujuan untuk mengevaluasi kinerja metode Classification and Regression Tree (CART) dengan pendekatan random oversampling dan random undersampling pada data status kredit nasabah bank. Random oversampling mengatasi ketidakseimbangan data dengan menduplikasi kelas minioritas sedangkan random undersampling mengatasi ketidakseimbangan data dengan menyeleksi kelas mayoritas. Tujuan. Tujuan penelitian ini adalah memperoleh model yang memiliki tingkat akurasi tertinggi. Metode. Penelitian ini menggunakan data status nasabah bank dan memakai algoritma CART untuk mengklasifikasikan nasabah tersebut. Hasil. Model CART terbaik didapat adalah model CART tampa resampling data dengan nilai akurasi sebesar 71%, sedangkan model CART dengan random oversampling menghasilkan akurasi sebesar 69% dan model dengan random undersampling mencapai akurasi 66%. Namun, masing-masing metode memiliki kelebihan dan kekurangan terkait stabilitas model. Kata kunci: CART, random oversampling, random undersampling, data tidak seimbang, status kredit