x
ABSTRAK
Lirsahati Suryaningtyas (16170127), Penerapan Metode Naive Bayes Classifier Untuk Memprediksi Kelayakan Permohonan Kredit
Penelitian ini dilatar belakangi hasil pengamatan peneliti terhadap meningkatnya permohonan kredit. Hal ini dibuktikan dengan meningkatnya pertumbuhan kredit setiap bulannya, dilihat dari Statistik Perbankan Indonesia tahun 2018 jumlah kredit meningkat dari per Januari 2018 sebesar 89.560 hingga per April 2018 sebesar 92.972. Sedangkan untuk total kredit macet per April 2018 sebesar 3.536.
Tingginya angka kredit macet ini akan berdampak pada kehidupan ekonomi dan mengganggu dana operasional badan usaha itu sendiri seperti PD. BPR/BKK Taman Cabang Bantarbolang, kredit yang bermasalah sering terjadi akibat analisis kredit yang tidak cermat dalam proses pemberian kredit. Untuk itu diperlukan adanya peramalan akurat untuk mencegah terjadinya kredit macet yaitu menggunakan teknologi dibidang data mining. Pada penelitian ini menggunakan metode naive bayes classifier, metode ini merupakan salah satu algoritma klasifikasi yang sederhana namun memilIki kemampuan dan akurasi tinggi. Data training yang digunakan dalam penelitian ini sejumlah 55 record dan data testing sejumlah 12 record dengan perbandingan 80% data training dan 20% data testing, setelah dilakukan pengujian memperoleh akurasi sebesar 91.67% dan nilai AUC sebesar 0.984 masuk kategori excellent classification. Dari hasil penelitian ini membuktikan bahwa metode naive bayes classifier dapat diterapkan untuk memprediksi kelayakan kredit pada PD. BPR/BKK Taman Cabang Bantarbolang.
Kata Kunci: Data Mining, Naive Bayes Classifier, Prediksi Kelayakan Kredit
xi
ABSTRACT
Lirsahati Suryaningtyas (16170127), Application of Naive Bayes Method For Predicting the Worthiness of a Credit Application
This study was motivated by the observations of researchers on increasing credit applications. This is evidenced by the increase in credit growth every month, as seen from the Indonesian Banking Statistics in 2018, the amount of credits increased from a number of 89.560 per January 2018 to April 2018 at a number of 92.972. Whereas for total bad credits per April 2018 amounted to 3.536. The high rate of bad credit will have an impact on economic life and disrupt the operational funds of the business entity itself such as PD. BPR/BKK Taman Bantarbolang Branch, the problematic credits often occur due to inaccurate credit analysis in the creditgranting. For this reason, accurate forecasting is needed to prevent the occurrence of bad credit by using technology in the field of data mining. This study is using Classification of naive bayes classifier method, this method is one of the simple classification algorithm that having ability and high accuracy. The training data used in this study a number of 55 records and data testing a number of 12 records with 80% training data comparison and 20%
data testing, testing is done after obtaining 91.67% of accuracy and value of the AUC is 0,984 that belong to excellent category classification. From the results of the study prove that naive bayes classifier method can be applied to assess creditworthiness on PD. BPR/BKK Taman Branch Bantarbolang.
Keywords: Data Mining, Naive Bayes classifier, Creditworthiness Prediction
