Ramadhan, Fajar (2025) PENERAPAN ENSEMBLE LEARNING DALAM MEMPREDIKSI TOTAL PEMBIAYAAN DI BANK UMUM SYARIAH INDONESIA. Undergraduate thesis, Universitas Pembangunan Nasional Veteran Jawa Timur.
![]() |
Text (COVER)
COVER .pdf Download (609kB) |
![]() |
Text (BAB 1)
BAB 1.pdf Download (651kB) |
![]() |
Text (BAB 2)
BAB 2.pdf Restricted to Repository staff only until 5 August 2027. Download (1MB) |
![]() |
Text (BAB 3)
BAB 3.pdf Restricted to Repository staff only until 5 August 2027. Download (797kB) |
![]() |
Text (BAB 4)
BAB 4.pdf Restricted to Repository staff only until 5 August 2027. Download (1MB) |
![]() |
Text (BAB 5)
BAB 5.pdf Restricted to Repository staff only until 5 August 2027. Download (631kB) |
![]() |
Text (DAFTAR PUSTAKA)
DAFTAR PUSTAKA.pdf Download (566kB) |
![]() |
Text (LAMPIRAN)
LAMPIRAN.pdf Restricted to Repository staff only until 5 August 2027. Download (1MB) |
Abstract
Penelitian ini bertujuan untuk menerapkan metode ensemble learning dalam melakukan prediksi pertumbuhan total pembiayaan pada Bank Umum Syariah di Indonesia. Hasil analisis deret waktu menunjukkan adanya pola tren meningkat serta karakteristik data yang tidak stasioner. Evaluasi korelasional mengindikasikan hubungan positif yang kuat antara total pembiayaan dan Dana Pihak Ketiga (DPK), serta hubungan negatif dengan beberapa indikator keuangan seperti Capital Adequacy Ratio (CAR), Return on Asset (ROA), Beban Operasional terhadap Pendapatan Operasional (BOPO), Kualitas Aset Produktif (KAP), estimasi potensi kerugian pada pembiayaan bagi hasil portofolio investasi Mudharabah dan Musyarakah, serta Non-Performing Financing Net (NPF Net). Struktur data menunjukkan adanya multikolinearitas, distribusi tidak normal, dan keberadaan outlier. Di tengah tantangan tersebut, penerapan algoritma regresi berbasis machine learning, termasuk pendekatan ensemble seperti Bagging, Random Forest, Gradient Boosting, AdaBoost, CatBoost, LightGBM, dan XGBoost, menghasilkan kinerja prediksi yang sangat tinggi. Hal ini dibuktikan oleh nilai koefisien determinasi (R²) yang melebihi 0,99 serta nilai Mean Absolute Error (MAE) dan Root Mean Squared Error (RMSE) yang rendah. Evaluasi terhadap pentingnya variabel menunjukkan bahwa DPK secara konsisten menjadi prediktor dominan, diikuti oleh NPF Net dan BOPO. Hasil peramalan untuk Januari 2025 menunjukkan bahwa model CatBoost dan Gradient Boosting mencapai tingkat akurasi tertinggi. Temuan ini mengindikasikan bahwa prioritas strategis sebaiknya difokuskan pada peningkatan mobilisasi DPK, penguatan manajemen risiko pembiayaan, serta optimalisasi efisiensi operasional.
Item Type: | Thesis (Undergraduate) | ||||||||
---|---|---|---|---|---|---|---|---|---|
Contributors: |
|
||||||||
Subjects: | H Social Sciences > HC Economics | ||||||||
Divisions: | Faculty of Economic and Business > Departement of Economics | ||||||||
Depositing User: | Ramadhan Fajar | ||||||||
Date Deposited: | 05 Aug 2025 08:02 | ||||||||
Last Modified: | 05 Aug 2025 08:02 | ||||||||
URI: | https://repository.upnjatim.ac.id/id/eprint/41572 |
Actions (login required)
![]() |
View Item |