Analisis Kelayakan Kredit Berbasis Algoritma K-Nearest Neighbor (Studi Kasus: Koperasi AKU)

research
  • 27 Feb
  • 2020

Analisis Kelayakan Kredit Berbasis Algoritma K-Nearest Neighbor (Studi Kasus: Koperasi AKU)

Kredit macet merupakan sumber ancaman terbesar dalam menjalankan operasi bisnis, dan mampu menyebabkan kesulitan keuangan pada masa mendatang, dan telah tercatat 40% kredit macet pada sejumlah koperasi di Salatiga, 10 milyar kredit macet di Kabupaten Bantul, serta tumpukan kredit macet yang rata-rata mencapai 10% menyebabkan peningkatan koperasi tidak aktif hingga 29%. Analisa kredit sangat dibutuhkan untuk menekan resiko terjadinya kredit bermasalah. Salah satu cara untuk mengurangi resiko kredit bermasalah yaitu mengunakan sebuah algoritma yang mampu mengklasifikasikan data kelayakan pemberian kredit, salah satu algoritma yang telah sukses diterapkan oleh beberapa peneliti yaitu algoritma K-Nearest Neighbor hal ini disebabkan karena algoritma ini cocok digunakan untuk dataset yang berukuran tidak terlalu besar seperti pada dataset penelitian ini yang hanya terdapat 276 data yang dibagi kedalam 2 kategori 94 macet 182 lancar. Dari dataset yang di uji hasil yang didapatkan akurasi tertinggi sebesar 79,45% pada nilai K=1, dengan rata-rata akurasi 73,696%, dan nilai AUC tertinggi didapat pada K=9 dengan nilai sebesar 0,811, dengan nilai akurasi tersebut algoritma K-NN memiliki kinerja cukup baik dalam proses klasifikasi data kelayakan pemberian kredit.

Unduhan

 

REFERENSI

Komnas HAM, "http://www.komnasham.go.id/," [Online]. Available: https://www.komnasham.go.id/files/1475231474-uu-nomor-39-tahun-1999-tentang-$H9FVDS.pdf.. [Accessed 14 05 2019].

S. Adi and W. E, "Klasifikasi Data NAP (Nota Analisis Pembiayaan) untuk Prediksi Tingkat Kemanan Pemberian Kredit (Studi Kasus: Bank Syariah Mandiri Cabang Luwuk Sulawesi Tengah)," IJJS (Indonesian Journal of Computing and Cybernetics System), vol. 9, no. 1, pp. 1-12, 2015.

H. Leidiyana, "Penerapan Metode K-Nearest Neighbor pada Penentuan Grade Dealer," Jurnal Pengetahuan dan Teknologi Komputer, vol. 2, no. 2, pp. 108-112, 2017.

R. A. Nugroho, Tarno and P. A, "Klasifikasi Pasien Diabetes Mellitus Menggunakan Metode Smooth Support Vector Machine (SSVM)," Gaussian, vol. 6, no. 1, pp. 439-448, 2017.

M. W. Ohsaki, K. K. Matsuda, H. Watanabe and A. Ralescu, "Confussion Matrix Based Kernel Logistic Regression for Imbalanced Data Classification," IEEE Transaction on Knowledge and Data Engineering, vol. 29, no. 9, pp. 1806-1819, 2017.

T. A. Setiawan, R. S. Wahono and A. Syukur, "Intelligent System," Journal of Intelligent Systems, vol. 1, no. 2, pp. 76-81, 2015.

W. Setiawan and F. Damayanti, "Klasifikasi Citra Retina Menggunakan K-Nearest," Journal of Intelligent System, vol. 1, no. 1, pp. 1-6, 2016.

A. Tripathy, A. Agrawal and S. K. Rath, "Classification of Sentimental Reviews Using Machine Learning Techniques," Procedia Computer Science, vol. 5, no. 7, pp. 821-829, 2015.

T. Wahyono and A. D. Cahyono, "Berbasis Komputasional untuk Meningkatkan Kemampuan," Jurnal Komputer, vol. 5, no. 1, pp. 11-18, 2015.

M. I. M. Zul and L. Hakim, "Human Activity Recognition by Using Nearest Neighbor Algorithm from Digital Image," ICSIIT, vol. 1, no. 1, pp. 58-61, 2017.

D. Astuti and S. Ati, Pengaruh Implementasi Sistem Manajemen Mutu Iso 9001: 2008 Terhadap Peningkatan Kualitas Layanan UPT Perpustakaan Politeknik Negeri Semarang, Semarang: Ilmu Perpustakaan, 2015.

S. Bahri, "Seleksi Atribut Pada Algoritma C4.5 Menggunakan Genetik Algoritma dan Bagging Untuk Analisa Kelayakan Pemberian Kredit," KLIK, vol. 4, no. 2, pp. 174-183, 2017.

E. Budianita, J. Jasril and L. Handayani, "Implementasi Pengolahan Citra dan Klasifikasi K-Nearest Neighbor Untuk Membangun Aplikasi Pembeda Daging Sapi dan Babi Berbasi Web," Jurnal Sains dan Teknologi Industri, vol. 12, no. 2, pp. 242-247, 2015.

Cari

Bidang Ilmu

Kategori

Kiriman Terbaru