RIESKHA HERMAWAN PUTRA, 080916065 (2016) RANCANG BANGUN SISTEM PENDUKUNG KEPUTUSAN KLASIFIKASI KELAS RISIKO KREDIT MENGGUNAKAN METODE NAÏVE BAYES. Skripsi thesis, UNIVERSITAS AIRLANGGA.

Preview	Text (ABSTRAK) KKC KK ST.SI 28 -16 Put r-Abstrak.pdf Download (213kB) | Preview
Preview	Text (FULLTEXT) KKC KK ST.SI 28 -16 Put r.pdf Download (2MB) | Preview

Abstract

Risiko kredit atau sering juga disebut dengan default risk merupakan suatu risiko akibat kegagalan atau ketidakmampuan nasabah mengembalikan jumlah pinjaman yang diperoleh dari bank beserta bunganya sesuai dengan jangka waktu yang telah dijadwalkan. Sehingga dibutuhkan suatu sistem komputer yang dapat mempelajari data historis dari peminjaman kredit secara efektif. Metode Naïve Bayes adalah suatu pendekatan probabilitas untuk menghasilkan pengklasifikasian penentuan kemungkinan kelas bagi suatu obyek. Pada penelitian ini dalam merancang bangun sistem klasifikasi kelas risiko kredit menggunakan naïve bayes. Diperlukan model pengklasifikasian dengan tahap pendefinisian variabel yang digunakan, kemudian tahap yang kedua pendefinisian probabilitas prior untuk setiap kelas, dan penghitungan probabilitas posteriorX dengan syarat Ci (P(X|Ci)) untuk setiap kelas. Setelah didapatkan model tersebut,maka data input calon debitur yang diproses akan menghasilkan probabilitas posteriorX untuk setiap kelas. Hasil dari posteriorX tersebut akan dilakukan pemaksimalan dengan cara dikalikan probabilitas prior. Kemudian hasil pemaksimalan tersebut dibandingkan, apakah pemaksimalan kelas risiko kredit baik lebih besar dari pada pemaksimalan kelas risiko kredit buruk atau sebaliknya. Pemaksimalan yang memiliki nilai lebih tinggi adalah kelas risiko kredit dari calon debitur tersebut. Dari hasil penelitian ini dapat disimpulkan bahwa kombinasi atribut yang memiliki tingkat akurasi tertinggi adalah dengan nilai 72%. Kombinasi tersebut dihasilkan oleh beberapa kombinasi yang ada, dimana rancangan sistem ini menggunakan 1000 data record histories debitur, data tersebut digunakan untuk training sebanyak 950 data dan testing sebanyak 50 data, dibuat berbasis web yang menggunakan PHP sebagai bahasa pemograman server side, javascript sebagai bahasa pemograman client side dan MYSQL sebagai database.

Actions (login required)

View Item