Sanjaya, Edwin (2020) Prediksi Risiko Kredit Menggunakan Naïve Bayes Classifier dan Probabilistic Neural Network. Sarjana thesis, Universitas Brawijaya.
Abstract
Kredit adalah transaksi yang dilakukan oleh dua pihak, dimana satu pihak meminjamkan barang atau uang (kreditur) dengan imbalan berupa suku bunga atau interest di masa mendatang kepada pihak yang meminjam (debitur). Masalah dari kegiatan kredit ini adalah risiko dimana debitur tidak bisa mengembalikan pinjaman beserta bunganya, kejadian ini disebut dengan default. Analisis risiko kredit dilakukan untuk meminimalkan hal tersebut. Namun, sekarang merupakan zaman serba teknologi sehingga transaksi kredit dapat dilakukan secara online. Machine learning adalah salah alat untuk membantu analisis risiko kredit online secara cepat dan tepat. Dua metode machine learning digunakan pada skripsi ini, yaitu Naïve Bayes Classifier (NBC) dan Probabilistic Neural Network (PNN). Dua metode machine learning tersebut akan membuat model yang dapat memprediksi terjadi atau tidaknya default pada sebuah transaksi kredit. Data yang digunakan pada skripsi ini adalah German credit data milik Professor Dr. Hans Hofmann dari Universit"at Hamburg. Input yang digunakan adalah atribut dan label pada data tersebut. Sebelum diolah, input akan melewati tahap pembersihan data, one hot encoding, transformasi data, dan pemisahan data. Persiapan tersebut dilanjutkan pengolahan dengan NBC dan PNN, pada PNN digunakan smoothing parameter bernilai 7,798. Hasil dari pengolahan tersebut akan berupa confusion matrix dan nilai accuracy. Proses mulai dari pemisahan data sampai pengeluaran hasil akan diulangi sebanyak 10.000 kali karena pemisahan data dilakukan dengan pengambilan data secara random. Hasil akhir diperoleh PNN lebih baik daripada NBC dan hasil accuracy terbaiknya adalah 0,86 untuk PNN dan 0,76 untuk NBC.
English Abstract
Credit is a transaction carried out by two parties, where one party lends goods or money (creditor) to the borrowing party (debtor) in return for interest in the future. The problem with this credit activity is the risk that the debtor cannot return the loan and its interest, this is called a default. Credit risk analysis is carried out to minimize it. Credit transactions can be done online in this age of technology. Machine learning is a tool to analyze credit risk online quickly and accurately. Two machine learning methods are used in this thesis, namely Naïve Bayes Classifier (NBC) and Probabilistic Neural Network (PNN). The two machine learning methods will create a model that can predict whether default occurs or not, in a credit transaction. The data used in this thesis is German credit data belonging to Professor Dr. Hans Hofmann from Universit"at Hamburg. The inputs are attributes and labels on that data. Before processing, the input will go through the stages of data cleaning, one hot encoding, data transformation and data splitting. The preparation is continued with NBC and PNN processing, where the PNN’s smoothing parameter is 7,798. The processing results are confusion matrix and accuracy value. The process from data splitting to the output will be repeated 10,000 times because the data splitting is done by collecting random data. The obtained results are the PNN method better than the NBC method and the best accuracy results are 0.86 for PNN and 0.76 for NBC.
Other obstract
-
| Item Type: | Thesis (Sarjana) |
|---|---|
| Identification Number: | 0520090057 |
| Uncontrolled Keywords: | Prediksi, Risiko Kredit, Naïve Bayes Classifier (NBC), Probabilistic Neural Network (PNN). |
| Subjects: | 500 Natural sciences and mathematics > 512 Algebra > 512.7 Number theory |
| Divisions: | Fakultas Matematika dan Ilmu Pengetahuan Alam > Matematika |
| Depositing User: | ismanto |
| Date Deposited: | 31 Jan 2021 15:41 |
| Last Modified: | 11 Jul 2022 06:50 |
| URI: | http://repository.ub.ac.id/id/eprint/182278 |
![[thumbnail of DALAM MASA EMBARGO]](http://repository.ub.ac.id/style/images/fileicons/text.png) |
Text (DALAM MASA EMBARGO)
0520090057-Edwin Sanjaya.pdf Restricted to Registered users only until 31 December 2023. Download (45MB) |
Actions (login required)
 |
View Item |