The Indonesian Journal of Computer Science Research https://subset.id/index.php/IJCSR <p>The Indonesian Journal of Computer Science Research (IJCSR) [EISSN. <a href="https://issn.brin.go.id/terbit/detail/20220909412135731" target="_blank" rel="noopener">2963-9174</a>] is a journal that focuses on new research discussing algorithms and computing, Computing and Networking, Graphics, Visualization and Geometric Modeling, and Advanced and Emerging Applications Advanced and Emerging Applications. This Journal is fascinating in DAM (Data Science, Artificial Intelligence, and Machine Learning). The IJCSR focuses on empirical research and critical analysis of the development, use, management, and impact of technology. The Journal publishes works from all disciplinary, theoretical, and methodological perspectives. This Journal is designed to be read by researchers, scholars, teachers, and advanced students in the information technology field and IT developers, consultants, software vendors, and senior business and IT executives looking for updates on recent experiences and prospects about information technology. In addition to papers originating from original studies and research, the IJCSR Journal aims to help its readers explore new and controversial topics by publishing a blind review model by three reviewers. The Journal will publish current issues that are currently developing.</p> en-US [email protected] (Mrs. Rosyidah Jayanti Vijaya, SE., M.Hum) [email protected] (Sri Ngudi Wahyuni, ST., M.Kom) Wed, 25 Jun 2025 00:00:00 +0700 OJS 3.2.1.3 http://blogs.law.harvard.edu/tech/rss 60 Komparasi XGBoost dan C4.5 dalam Klasifikasi Risiko Kredit untuk Kelayakan Pinjaman di India https://subset.id/index.php/IJCSR/article/view/194 <p>Transformasi digital telah mendorong kemajuan signifikan di sektor keuangan, khususnya dalam layanan kredit dan pinjaman. Meskipun proses pengajuan kini semakin mudah, risiko kredit tetap menjadi tantangan utama yang harus diantisipasi secara efektif. Penelitian ini bertujuan untuk membandingkan kinerja algoritma XGBoost dan C4.5 dalam memprediksi dan mengklasifikasikan risiko kredit guna menentukan kelayakan pinjaman. Metode yang digunakan mengikuti tahapan Knowledge Discovery in Data (KDD), meliputi seleksi data, pra-pemrosesan, transformasi, dan pembentukan model. Pengujian dilakukan menggunakan 10-Fold Cross Validation dengan variasi rasio data melalui empat pengujian. Evaluasi kinerja algoritma didasarkan pada metrik akurasi, presisi, recall, dan F1-score. Hasil penelitian menunjukkan bahwa algoritma C4.5 unggul dibandingkan XGBoost, baik sebelum maupun setelah optimasi hyperparameter menggunakan GridSearchCV. Pada rasio 80:20, C4.5 mencatat akurasi 96,20% dengan AUC sebesar 0,9730. Temuan ini menyimpulkan bahwa C4.5 lebih efektif dalam menangani data berukuran besar dan menghasilkan klasifikasi yang efisien, sementara XGBoost tetap merupakan alternatif kompetitif pasca optimasi. Studi ini memberikan rekomendasi strategis bagi lembaga keuangan dalam meningkatkan akurasi analisis risiko kredit berbasis data</p> Rastra Ardiansyah Pora, Dina Maulina, Ninik Trihartanti Copyright (c) 2025 Rastra Ardiansyah Pora, Dina Maulina, Nanik Trihartanti https://creativecommons.org/licenses/by/4.0 https://subset.id/index.php/IJCSR/article/view/194 Wed, 25 Jun 2025 00:00:00 +0700