Farradilla, Putri Fidya (2019) Algoritma Fuzzy C-Means Dan Classification And Regression Trees Untuk Pengelompokan Dan Pengklasifikasian Kolektibilitas Calon Debitur. Sarjana thesis, Universitas Brawijaya.
Abstract
Fuzzy C-means (FCM) adalah salah satu metode pengelompokan dalam metode pengelompokan non hierarki. Classification and Regression Trees (CART) merupakan salah satu pendekatan yang praktis dalam mengklasifikasikan objek penelitian ke dalam pohon klasifikasi. Tujuan dari penelitian ini adalah menentukan pengelompokan calon debitur di 18 kota di Jawa Timur berdasarkan prinsip penyekoran kredit 5C yang optimal dengan menggunakan algortima FCM. Kemudian, calon debitur pada masing-masing cluster yang telah terbentuk diklasifikasikan ke dalam kelas kredit lancar atau kelas kredit macet menggunakan pohon klasifikasi Classification and Regression Trees (CART). Hasil penelitian menunjukkan bahwa pengelompokan yang optimal dengan algoritma FCM menggunakan parameter fuzzification sebesar 2 dan membentuk empat cluster calon debitur. Cluster satu merupakan cluster “kemampuan baik”, cluster dua merupakan cluster “kemampuan dan modal baik”, cluster tiga merupakan cluster “watak dan kondisi perekonomian baik” dan cluster empat merupakan cluster “unggulan” Pohon klasifikasi CART pada cluster satu merupakan pohon dengan dua simpul terminal, pada cluster dua merupakan pohon dengan dua simpul terminal, pada cluster tiga merupakan pohon dengan tiga simpul terminal dan pada cluster empat merupakan pohon dengan tiga simpul terminal. Pohon klasifikasi disetiap cluster memiliki nilai ketepatan hasil klasifikasi keseluruhan (Hit Ratio) lebih dari 50%, sehingga pohon klasifikasi yang terbentuk sudah cukup baik dan tepat dalam mengklasifikasikan calon debitur
English Abstract
Fuzzy C-means (FCM) is one method of grouping in a non-hierarchical grouping method. Classification and Regression Trees (CART) is a practical approach in classifying research objects into classification trees. The purpose of this study is to determine the grouping of prospective debtors in 18 cities in East Java based on the principle of optimal 5C credit scoring using the FCM algorithm. Then, the prospective debtor in each cluster that has been formed is classified into the current credit class or bad credit class using the Classification and Regression Trees (CART) classification tree. The results showed that the optimal grouping with the FCM algorithm used fuzzification parameters of 2 and formed four clusters of prospective debtors. Cluster one is a cluster of "good abilities", cluster two is a cluster of "good capabilities and capital", cluster three is a cluster of "good character and economic condition" and cluster four is a cluster of "superior" CART classification tree in cluster one is a tree with two vertices terminal, in cluster two is a tree with two terminal nodes, in cluster three is a tree with three terminal nodes and in cluster four is a tree with three terminal nodes. The classification tree in each cluster has a value of the accuracy of the overall classification (Hit Ratio) of more than 50%, so that the classification tree that is formed is quite good and appropriate in classifying prospective debtors.
Other obstract
-
| Item Type: | Thesis (Sarjana) |
|---|---|
| Identification Number: | SKR/MIPA/2019/247/051911027 |
| Uncontrolled Keywords: | Analisis Cluster, Classification and Regression Trees, Fuzzy C-means, Prinsip Penyekoran Kredit 5C, Cluster Analysis, Classification and Regression Trees, Collectability of Prospective Debtors, Fuzzy C-means |
| Subjects: | 500 Natural sciences and mathematics > 518 Numerical analysis > 518.1 Algorithms |
| Divisions: | Fakultas Matematika dan Ilmu Pengetahuan Alam > Statistika |
| Depositing User: | Budi Wahyono Wahyono |
| Date Deposited: | 11 Jul 2020 06:06 |
| Last Modified: | 04 Mar 2022 04:07 |
| URI: | http://repository.ub.ac.id/id/eprint/179554 |
Preview |
Text
Putri Fidya Farradilla.pdf Download (1MB) | Preview |
Actions (login required)
 |
View Item |