Dwi K, Aghata Agung (2018) Implementasi Algoritma Genetika untuk Optimasi LVQ pada Penentuan Kelayakan Kredit (Studi Kasus : Bank X). Sarjana thesis, Universitas Brawijaya.
Abstract
Dalam memberikan kredit kepada debitur, terkadang terdapat permasalahan yang timbul seperti kesalahan analisis terhadap debitur, dan menimbulkan kredit macet. Oleh sebab itu perlu adanya seleksi yang lebih akurat terhadap calon debitur. Namun untuk melakukan analisis yang teliti dan konsisten dibutuhkan waktu yang lama akibat banyaknya data yang harus dianalisis. Permasalahan tersebut dapat dituntaskan dengan membuat sistem analisa kredit menggunakan metode Learning Vector Quantization (LVQ) untuk mengklasifikasikan data calon debitur dan menentukan kelayakan kredit calon debitur. Tetapi penggunaan metode Learning Vector Quantization (LVQ) bergantung pada bobot yang diberikan dalam memberikan keakuratan hasil analis. Hal itu ditunjukkan dengan nilai akurasi yang didapatkan sebesar 79.37% dari pengujian menggunakan 63 data uji. Untuk mendapatkan nilai akurasi yang lebih optimal, bobot yang akan digunakan pada metode Learning Vector Quantization (LVQ) akan dioptimasi menggunakan algoritme genetika. Berdasarkan hasil pengujian sistem yang telah menggunakan bobot optimal, sistem mendapatkan nilai akurasi sebesar 93.65% dengan parameter popsize 20, Cr 0.9, Mr 0.1 dan jumlah generasi 10.
English Abstract
In giving credit to the debitor, sometimes there are problems that arise such as error analysis to the debitor, and generate bad loans. Therefore, there needs to be a more accurate selection of prospective borrowers. But to do a thorough and consistent analysis takes a long time due to the amount of data that must be analyzed. This problem can be confirmed by making credit analysis system using Learning Vector Quantization (LVQ) method to classify the debitor data of the debitor and determine the creditworthiness of the debitor candidate. But the use of the Learning Vector Quantization (LVQ) method depends on the weight given in providing the accuracy of the analyst's results. It is shown with the obtained accuracy value of 79.37% of the test using 63 test data. To obtain a more optimal accuracy value, the weights that will be used in the Learning Vector Quantization (LVQ) method will be optimized using genetic algorithm. Based on the results of testing systems that have used the optimal weight, the system obtained an accuracy of 93.65% with parameter popsize 20, Cr 0.9, Mr. 0.1 and the number of generations 10.
| Item Type: | Thesis (Sarjana) |
|---|---|
| Identification Number: | SKR/FTIK/2018/817/051809705 |
| Uncontrolled Keywords: | kredit, optimasi, algoritma genetika, jaringan saraf tiruan, Learning Vector Quantization (LVQ). credit, optimation, genetic algorithm, artificial neural network, Learning Vector Quantization (LVQ |
| Subjects: | 300 Social sciences > 332 Financial economics > 332.7 Credit > 332.702 85 Computer applications |
| Divisions: | Fakultas Ilmu Komputer > Teknik Informatika |
| Depositing User: | Budi Wahyono Wahyono |
| Date Deposited: | 26 Mar 2019 02:22 |
| Last Modified: | 22 Oct 2021 06:50 |
| URI: | http://repository.ub.ac.id/id/eprint/14136 |
Preview |
Text
Aghata Agung Dwi K.pdf Download (2MB) | Preview |
Actions (login required)
 |
View Item |