APLIKASI PREDIKSI KOLEKTIBILITAS KREDIT CALON DEBITUR MENGGUNAKAN ALGORITMA DYNAMIC K-NEAREST NEIGHBOR AND DISTANCE AND ATTRIBUTE WEIGHTED

Fajrin, Tiara and Saputra, Ragil (2018) APLIKASI PREDIKSI KOLEKTIBILITAS KREDIT CALON DEBITUR MENGGUNAKAN ALGORITMA DYNAMIC K-NEAREST NEIGHBOR AND DISTANCE AND ATTRIBUTE WEIGHTED. Undergraduate thesis, Universitas Diponegoro.

[img]
Preview
PDF
Available under License Creative Commons Attribution Non-commercial Share Alike.

505Kb

Abstract

BPR Bank Jepara Artha merupakan salah satu bank yang menyediakan kredit untuk para pelaku UMKM (Usaha Mikro, Kecil dan Menengah). Dalam kegiatan pengkreditan pada BPR Bank Jepara Artha masih sering terjadi masalah kredit macet khususnya pada kredit pelaku UMKM, oleh karena itu dibutuhkan sebuah aplikasi prediksi kolektibilitas kredit calon debitur untuk meminimalisir terjadinya kredit macet. Penelitian ini menerapkan salah satu algoritma klasifikasi Data Mining pada aplikasi tersebut yang menghasilkan keluaran yang dapat berfungsi sebagai information sources atau second opinion yang dapat digunakan untuk bahan pertimbangan dalam pengambilan keputusan menerima atau menolak permohonan kredit. Algoritma yang digunakan adalah algoritma Dynamic K-Nearest Neighbor and Distance and Attribute Weighted yang merupakan pemilihan k secara dinamis, penambahan bobot atribut dan jarak pada algoritma k-Nearest Neighbor. Atribut-atribut yang digunakan untuk menentukan hasil prediksi adalah 5C (Character, Capacity, Capital, Collateral, Condition of Economic), penghasilan per bulan, status hutang di tempat lain, jumlah tanggungan, usia, jenis komoditi dan status usaha. Hasil pengukuran kinerja algoritma Dynamic K-Nearest Neighbor and Distance and Attribute Weighted menggunakan 240 data nasabah lama, urutan tingkat kepentingan atribut yang ditentukan oleh domain expert dan 10-fold Cross Validation menghasilkan akurasi tertinggi sebesar 65,83% dengan nilai precision 56,10% dan nilai recall 50% untuk k=3. Penggunaan bobot atribut pada algoritma menghasilkan nilai akurasi, precision dan recall yang lebih tinggi daripada tanpa menggunakan bobot. Perubahan urutan tingkat kepentingan atribut yang ditentukan menggunakan Correlation Attribute Evaluation menghasilkan nilai recall yang lebih tinggi yaitu 54,35% untuk k=5 dibanding urutan tingkat kepentingan atribut yang ditentukan oleh domain expert.

Item Type:Thesis (Undergraduate)
Subjects:Q Science > QA Mathematics > QA75 Electronic computers. Computer science
Q Science > QA Mathematics > QA76 Computer software
Divisions:Faculty of Science and Mathematics > Department of Computer Science
ID Code:65833
Deposited By:Mrs. Rismiyati .
Deposited On:11 Oct 2018 19:59
Last Modified:11 Oct 2018 19:59

Repository Staff Only: item control page