Please use this identifier to cite or link to this item: https://repository.unej.ac.id/xmlui/handle/123456789/113623
Full metadata record
DC FieldValueLanguage
dc.contributor.authorANTIKA, Dwi Putri-
dc.date.accessioned2023-03-27T06:43:28Z-
dc.date.available2023-03-27T06:43:28Z-
dc.date.issued2022-
dc.identifier.nim181820101002en_US
dc.identifier.urihttps://repository.unej.ac.id/xmlui/handle/123456789/113623-
dc.description.abstractDalam proses kredit adakalanya mengalami kendala (macet). Kredit yang bermasalah terjadi karena debitur tidak memenuhi persyaratan sesuai perjanjian seperti pembayaran bunga, pengembalian pokok pinjaman, peningkatan margin deposit, peningkatan agunan, dan sebagainya. Pada penelitian kali ini, berfokus pada kasus risiko kredit tentang bagaimana suatu Bank memutuskan melakukan pemberian kredit kepada calon debitur dengan menggunakan metode classifier pada Machine Learning yaitu Naive Bayes dan Bayesian Network melalui model pengklasifikasian kelompok yang berpotensi macet atau tidak. Kedua model classifier tersebut akan dibandingkan dengan model yang diperoleh dari regresi Cox dengan evaluasi performa model diukur menggunakan Confusion Matrix, accuracy value, dan kurva ROC. Penelitian dilakukan pada 610 data yang diperoleh dari sebuah Bank di daerah Jawa Timur, data dipecah menjadi data training dan data testing yang selanjutnya digunakan pada tahap modelling. Hasil penilitian menunjukkan metode klasifikasi pada machine learning dapat menjadi salah satu cara efektif dalam memprediksi event (status kredit) dengan mengestimasi probabilitas suatu kejadian dari data training. Bernoulli naïve bayes pada penelitian ini memiliki nilai performa yang paling tinggi dibandingkan Gaussian Naïve Bayes dan Mulntinomial Naïve Bayes yakni sebesar 92%. Sementara itu, uji performa dari model Bayesian Network memiliki nilai akurasi sebesar 85,41% dalam prediksi penentuan nilai status kredit. Sementara itu, dengan menggunakan regrei Cox, status kredit secara signifikan paling besar dipengaruhi oleh pendapatan dan riwayat pinjaman debitur dengan riwayat kredit bermasalah atau macet berpengaruh 11,82 kali lebih besar dalam penentuan status kredit yang diberikan oleh pihak Bank sedangkan pendapatan yang rendah berpengaruh 0,97 kali lebih besar dalam keputusan pemberian status kredit macet.en_US
dc.description.sponsorshipDr. Mohamat Fatekurohman, S.Si., M.Si Prof. Drs. I Made Tirta, M.Sc., Ph.Den_US
dc.publisherFakultas Matematika dan Ilmu Pengetahuan Alamen_US
dc.subjectKrediten_US
dc.subjectNaive Bayesen_US
dc.subjectBayesian Networken_US
dc.subjectregresi Coxen_US
dc.titleAnalisis Risiko Kredit Perbankan dengan Pendekatan Naive Bayes dan Bayesian Networken_US
dc.typeTesisen_US
dc.identifier.prodiMagister Matematikaen_US
dc.identifier.pembimbing1Dr. Mohamat Fatekurohman, S.Si., M.Sien_US
dc.identifier.pembimbing2Prof. Drs. I Made Tirta, M.Sc., Ph.Den_US
dc.identifier.validatorIghfirlinaen_US
dc.identifier.finalizationFinalisasi tanggal 27 Maret 2023_M.Arif Tarchimansyahen_US
Appears in Collections:MT-Mathematic

Files in This Item:
File Description SizeFormat 
181820101002.pdf.pdf
  Until 2028-01-16
3.9 MBAdobe PDFView/Open Request a copy


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.