PENERAPAN GENETIC ALGORITHM (GA) PADA BACKPROPAGATION NEURAL NETWORK UNTUK KLASIFIKASI CALON PENERIMA PINJAMAN BANK BERDASARKAN RESIKO

Reza Zarkasi Pradana, 081112027 (2015) PENERAPAN GENETIC ALGORITHM (GA) PADA BACKPROPAGATION NEURAL NETWORK UNTUK KLASIFIKASI CALON PENERIMA PINJAMAN BANK BERDASARKAN RESIKO. Skripsi thesis, UNIVERSITAS AIRLANGGA.

[img]
Preview
Text (ABSTRAK)
gdlhub-gdl-s1-2015-pradanarez-ABSTRAK.pdf

Download (175kB) | Preview
[img] Text (FULL TEXT)
2015-pradanarez-FULLTEXT.pdf
Restricted to Registered users only

Download (1MB) | Request a copy
Official URL: http://lib.unair.ac.id

Abstract

\Menurut UU No 10 Tahun 1998 tanggal 10 November 1998 tentang perbankan, dapat disimpulkan bahwa usaha perbankan meliputi tiga kegiatan, yaitu menghimpun dana,menyalurkan dana, dan memberikan jasa bank lainnya. Salah satu fungsi dari bank adalah sebagai tempat peminjaman uang. Pinjaman diartikan sebagai barang atau jasa yang menjadi kewajiban pihak yang satu untuk dibayarkan kepada pihak lain sesuai dengan perjanjian tertulis ataupun lisan, yang dinyatakan atau diimplikasikan serta wajib dibayarkan kembali dalam jangka waktu tertentu. Jaringan syaraf tiruan adalah upaya untuk memodelkan pemrosesan informasi berdasarkan kemampuan sistem syaraf biologi yang ada pada manusia. Hal ini akan memungkinkan kita untuk merancang model yang kemudian dapat disimulasikan dan dianalisis. Kekuatan dari ANN adalah struktur yang umum dan memiliki kemampuan untuk mempelajari dari data historikalnya. Genetic Algorithm adalah algoritma pencarian yang meniru mekanisme seleksi dan evolusi alam. Algoritma ini mengkombinasikan daya tahan (survival) dari suatu struktur data yang paling baik. Pada tahun 80-an dilakukan penelitian secara intensif mengenai penggabungan dua algoritma ini.Pemilihan ini dikarenakan ada beberapa parameter ANN khususnya Backpropagation yang harus ditetapkan sebelum pelatihan dan GA dinilai efektif untuk mengoptimalkannya. Data pada bagian ini diambil dari database UCI Machine Learning Repository. Pada percobaan ini digunakan probabilitas mutasi (Pm) = 0.1, probabilitas crossover (Pc) = 0.6, dan jumlah iterasi Backpropagation = 900. Pop size, jumlah iterasi GA, dan target error Backpropagation adalah parameter yang diubah-ubah. Sedangkan jumlah unit hidden layer dan learning rate dioptimalkan menggunakan GA seperti yang dijelaskan di awal. Percobaan dilakukan dengan jumlah data 96 peminjam, yang dibagi menjadi 73 data latih dan 23 data uji. Dari hasil percobaan diperoleh bahwa akurasi terhadap data uji sebesar 95.65%.

Item Type: Thesis (Skripsi)
Additional Information: KKC KK MPM. 40-15 Pra p
Uncontrolled Keywords: GENETIC ALGORITHM; BANK
Subjects: Q Science > QA Mathematics
Divisions: 08. Fakultas Sains dan Teknologi > Matematika
Creators:
CreatorsNIM/NIDN
Reza Zarkasi Pradana, 081112027UNSPECIFIED
Contributors:
ContributionNameNIDN/NIDK/NUP
ContributorAuli Damayanti, S.Si, M.SiUNSPECIFIED
ContributorHerry Suprajitno, Dr. M.SiUNSPECIFIED
Depositing User: Mrs Nadia Tsaurah
Date Deposited: 25 Aug 2015 12:00
Last Modified: 06 Jun 2017 22:49
URI: http://repository.unair.ac.id/id/eprint/28555
Sosial Share:

Actions (login required)

View Item View Item