Perbandingan Metode Neural Network Model Radial Basis Function Dan Multilayer Perceptron Untuk Analisa Risiko Kredit Mobil

Lihat/Buka File Repository

Lihat/Buka File Peer Review

Tanggal

2018-03-01

Penulis

Abstraksi

Permasalahan yang sering dihadapi dalam pemberian kredit mobil adalah menentukan keputusan pemberian kredit kepada seorang calon debitur, sedangkan permasalahan yang lain adalah  tidak semua pembayaran kredit mobil oleh debitur dapat berjalan dengan baik. Diantara penyebabnya adalah kesalahan penilaian dalam membuat keputusan kredit. Pada penelitian ini akan digunakan metode  neural network model radial basic function dan metode neural network model multilayer perceptron untuk analisa risiko kredit mobil, selanjutnya membandingkan manakah yang terbaik dari kedua metode tersebut. Dari hasil pengujian untuk mengukur performa dari kedua model menggunakan metode pengujian  Confusion Matrix  dan Kurva ROC, diketahui bahwa metode neural network multilayer perceptron lebih baik dibandingkan metode neural network radial basic function dengan  tingkat  akurasi sebesar 96,1% dan nilai area under the curva (AUC) sebesar 0,999. Hal ini menunjukkan bahwa model yang dihasilkan  termasuk katagori klasifikasi  sangat baik karena memiliki nilai AUC antara 0.90-1.00

URI
https://ejournal.bsi.ac.id/ejurnal/index.php/paradigma/article/view/2783/pdf

Bidang ilmu
Data Mining

Bibliografi

Alpaydin, E. (2010).  Introduction to Machine Learning. London: The MIT Press. 

Amrin. (2017). Analisa Kelayakan Pemberian Kredit Mobil Dengan Menggunakan Metode Neural Network Model Radial Basis Function. Paradigma AMIK BSI Jakarta  , 19  (2), 102-107. 

Gorunescu, F. (2011).  Data Mining: Concepts, Models, and Techniques.  Verlag Berlin Heidelberg: Springer. 

Han, J., & Kamber, M. (2006).  Data Mining Concept and Tehniques.  San Fransisco: Morgan Kauffman. 

Kothari. (2004).  Data Mining Concepts and Techniques.  San Fransisco: Morgan Kauffman. 

Kusrini, &. E. (2009).  Algoritma Data Mining . Yogyakarta: Andi Publishing. 

Kusumadewi, S. (2010). Pengantar Jaringan Syaraf Tiruan.  Yogyakarta: Teknik Informatika FT UII. 

Larose, D. T. (2005).  Discovering Knowledge in Data. New Jersey: John Willey & Sons, Inc. . 

Purnomo,  M. H. (2006).  Purnomo, Mauridhi Supervised Neural Networks dan Aplikasinya. Yogyakarta: Graha Ilmu. 

Puspitaningrum, D. (2006).  Pengantar Jaringan Syaraf Tiruan. Yogyakarta: Andi Offset. 

Rivai, V. A. (2006). Credit Management Handbook. Jakarta: Raja Grafindo Persada. 

Santosa, B. (2007).  Data Mining Teknik Pemanfaatan Data Untuk Keperluan Bisnis. Yogyakarta: Graha Ilmu. 

Shukla, A. T. (2010). Real Life Applications of Soft Computing.  United States of America : Taylor and Francis Group, LLC. 

Sogala, S. S. (2006). Comparing the Efficacy of the Decision Trees with Logistic Regression for Credit Risk Analysis. India. 

Subekti, Sri Ayu, Lilik Linawati, Adi Setiawan. (2013). Penggunaan Metode Fuzzy Mamdani Dan Sugeno Untuk Pengambilan Keputusan Dalam Analisis Kredit.  Seminar Nasional Matematika Dan Pendidikan Matematika. Yogyakarta: Pendidikan Matematika FMIPA Universitas Negeri Yogyakarta. 

Sumathi, &. S. (2006). Introduction to Data Mining and its Applications. Berlin Heidelberg New York: Springer. Sutikno, Tole, Ardi  Pujianta, Yuni Tri Supanti. 

(2007). Prediksi Resiko Kredit Dengan Jaringan Syaraf Tiruan Backpropagation. Seminar Nasional Aplikasi Teknologi Informasi 2007 (SNATI 2007)  (hal. 73-76). Yogyakarta: Universitas Ahmad Dahlan. 

Venkatesan, P. ,. (2006). Application of a Radial Basis Function Neural Network for Diagnosis of Diabetes Mellitus.  Current Science, Vol. 91, NO.9 , 1195-1199. 

Vercellis, C. (2009).  Business Intelligent: Data Mining and Optimization for Decision Making. Southern Gate, Chichester, West Sussex: John Willey & Sons, Ltd.  

Witten, I. H. (2011).  Data Mining: Practical Machine Learning and Tools.  Burlington: Morgan Kaufmann Publisher.