PENGEMBANGAN DECISSION TREE ADAPTIF dengan MEKANISME PRUNING DINAMIS untuk PREDIKSI KELAYAKAN KREDIT

 

BAB III

PENUTUP

3.1 Kesimpulan dan Saran

Kesimpulan:
Pengembangan Decision Tree dengan Mekanisme Pruning Dinamis terbukti efektif dalam mengatasi overfitting dan meningkatkan akurasi pada prediksi kelayakan kredit. Model ini dapat diterapkan di berbagai sektor keuangan karena skalabilitas dan interpretasinya yang baik.

Saran:
Penelitian mendatang dapat mengintegrasikan mekanisme ini dengan algoritma ensemble, seperti Random Forest atau Gradient Boosted Trees, untuk meningkatkan performa pada dataset berskala besar. Selain itu, perlu dikaji penggunaan DPM dalam klasifikasi lain di luar sektor keuangan.

3,2 Referensi

1. Quinlan, J. R. C4.5: Programs for Machine Learning. Morgan Kaufmann, 1993.

2. Hastie, T., et al. The Elements of Statistical Learning. Springer, 2009

3. Zhang, H., & Ma, L. "Dynamic Tree-Based Models for Credit Scoring." Journal of Machine Learning Research, 2018.