Klasifikasi Kredit Macet Berdasarkan Profil Nasabah Pada Koperasi Serba Usaha Surya Abadi Menggunakan Algoritme C5.0

Akbar, Ferdian Maulana and Dr. Eng.Fitra Abdurrachman Bachtiar, S.T., M.Eng. and Welly Purnomo, S.T., M.Kom. (2020) Klasifikasi Kredit Macet Berdasarkan Profil Nasabah Pada Koperasi Serba Usaha Surya Abadi Menggunakan Algoritme C5.0. Sarjana thesis, Universitas Brawijaya.

Abstract

Kredit macet merupakan masalah yang dapat memberi dampak terhadap jalannya kegiatan usaha koperasi seperti pendapatan dari bunga pinjaman terlambat atau berkurang. Karena modal terbatas, maka menghambat pemberian kredit pada anggota atau nasabah baru atau yang lama. Hal ini juga menjadi masalah bagi Koperasi Serba Usaha (KSU) Surya Abadi yang mana dalam memberikan keputusan terkait dengan pengajuan pinjaman masih menggunakan intuisi. Tercatat bahwa tingkat kenaikan kredit macet dari tahun 2015 hingga 2018 mengalami beberapa kali peningkatan. Secara berurutan setiap tahunnya tingkat kenaikan kredit macet berjumlah, 3 nasabah, 37 nasabah, 21 nasabah, dan 30 nasabah. KSU Surya Abadi masih menggunakan cara survei untuk meyakinkan dalam memberikan keputusan terkait pengajuan pinjaman yang mana hal ini membutuhkan waktu dan juga biaya. Maka dari itu dibutuhkan sistem yang dapat memberikan rekomendasi atau mendukung keputusan yang dapat memprediksi lebih awal terkait kredit macet pada pengajuan pinjaman. Data mining merupakan proses yang dapat digunakan dalam melakukan prediksi kredit macet, salah satunya dengan metode klasifikasi. Algoritme C5.0 yang merupakan salah satu algoritme klasifikasi, digunakan untuk memprediksi kredit macet dalam pengajuan pinjaman yang dapat menghasilkan sebuah aturan dalam bentuk decision tree. Terdapat 250 data yang berhasil dikumpulkan yang selanjutnya dilakukan preprocessing data dan juga pembagian data untuk setelahnya diproses untuk pembentukan aturan dalam bentuk decision tree menggunakan R. Lalu, sistem dibuat menggunakan framework codeigniter. Dari hasil evaluasi dan validasi algoritme menggunakan confusion matrix didapatkan akurasi sebesar 84%. Kemudian, nilai AUC yang dihasilkan berdasarkan kurva ROC sebesar 0,836. Untuk pengujian usability terhadap sistem menggunakan System Usability Scale (SUS) dihasilkan nilai sebesar 81,67. Sistem yang dihasilkan berupa visualisasi dashboard yang berisi beberapa grafik untuk memuat time-series, persentase, dan trend dari total pengajuan pinjaman, form untuk memprediksi pengajuan pinjaman, form untuk memasukkan dataset baru, menampilkan akurasi dan decision tree, pengelola user, dan pengelola atribut prediksi.

English Abstract

Non-performing loans is a problem that can have an impact on the running of cooperative business activities such as late or reduced interest income from loans. Because capital is limited, it prevents lending to new or existing members or customers. This is also a problem for Koperasi Serba Usaha (KSU) Surya Abadi, which in providing decisions related to loan applications still uses intuition. It is noted that the increase in non-performing loans from 2015 to 2018 has increased several times. Each year, the increase in the number of non-performing loans is 3 customers, 37 customers, 21 customers and 30 customers. KSU Surya Abadi still uses survey methods to convince in making decisions regarding loan applications, which requires time and money. Therefore, we need a system that can provide recommendations or support decisions that can predict earlier related to non-performing loans on loan applications. Data mining is a process that can be used to make non-performing loans predictions, one of which is the classification method. C5.0 algorithm, which is one of the classification algorithms, is used to predict bad loans in loan applications that can produce a rule in the form of a decision tree. There are 250 data that have been collected which are then carried out preprocessing data and also the division of data afterwards is processed for the formation of rules in the form of a decision tree using R. Then, the system is created using a codeigniter framework. From the results of the evaluation and validation of the algorithm using the confusion matrix, an accuracy of 84% is obtained. Then, the resulting AUC value is based on the ROC curve of 0.836. To test the usability of the system using the System Usability Scale (SUS) the resulting value of 81.67. The resulting system is a dashboard visualization that contains several graphs to load time series, percentages, and trends of total loan submissions, forms for predicting loan applications, forms for entering new datasets, displaying accuracy and decision tree, users manager, and prediction attributes manager.

Item Type:	Thesis (Sarjana)
Identification Number:	0520150164
Uncontrolled Keywords:	kredit, prediksi, klasifikasi, C5.0, R, codeigniter, SUS, credit, prediction, classification, C5.0, R, codeigniter, SUS
Subjects:	000 Computer science, information and general works > 004 Computer science
Divisions:	Fakultas Ilmu Komputer > Sistem Informasi
Depositing User:	Budi Wahyono Wahyono
Date Deposited:	23 Sep 2022 02:00
Last Modified:	25 Sep 2024 03:11
URI:	http://repository.ub.ac.id/id/eprint/194677

Text Ferdian Maulana Akbar.pdf Download (7MB)

Actions (login required)

View Item