Text

Analisis Credit Scoring Menggunakan Metode Bagging K-Nearest Neighbor 519.5 HID d

---

ABSTRAK

Menurut Melayu (2004) kredit adalah semua jenis pinjaman yang harus dibayar kembali
bersama bunganya oleh peminjam sesuai dengan perjanjian yang telah disepakati.
Untuk tetap menjaga kualitas kredit yang diberikan dan menghindari kegagalan
keuangan bank akibat resiko kredit yang terlalu besar, maka dibutuhkan cara untuk
mengidentifikasi nasabah berpotensi kredit macet yakni salah satunya dengan metode
Credit Scoring. Satu diantara metode statistika yang dapat digunakan untuk
memprediksi klasifikasi pada Credit Scoring adalah Bagging k-Nearest Neighbor.
Metode ini menggunakan sejumlah k-objek tetangga terdekat antara data testing dengan
data training yang di-resampling sebanyak B kali. Dalam tugas akhir ini, digunakan
enam variabel independen yakni usia, lama kerja, pendapatan bersih, pinjaman lain,
nominal akun, dan rasio hutang. Berdasarkan analisis, diperoleh nilai optimal
parameternya adalah k = 1 dan ketepatan prediksi klasifikasi status kredit menggunakan
Bagging k-Nearest Neighbor adalah sebesar 66,67%.
Kata kunci : Credit scoring, Klasifikasi, Bagging k-Nearest Neighbor

ABSTRACT

According to Melayu (2004) credit is all types of loans that have to be paid along with
the interest by the borrower according to the agreed agreement. To keep the quality of
loans and avoid financial failure of banks due to large credit risks, we need a method to
identified any potentially customer’s with bad credit status, one of the methods is Credit
Scoring. One of Statistical method that can predict the classification for Credit Scoring
called Bagging k-Nearest Neighbor. This Method uses k-object nearest neighbor
between data testing to B-bootstrap of the training dataset. This classification will use
six independence variables to predict the class, these are Age, Work Year, Net Earning,
Other Loan, Nominal Account and Debt Ratio. The result determine k =1 as the optimal
k-value and show that Bagging k-Nearest Neighbor’s accuracy rate is 66,67%.
Key word : Credit scoring, Classification, Bagging k-Nearest Neighbor

---

Ketersediaan

539E17I

539 E 17

Perpustakaan FSM Undip (Referensi)

Tersedia

Informasi Detail

Judul Seri

STATISTIKA

No. Panggil

539 E 17

Penerbit

: ., 2016

Deskripsi Fisik

-

Bahasa

Indonesia

ISBN/ISSN

-

Klasifikasi

1433

Tipe Isi

-

Tipe Media

-

Tipe Pembawa

-

Edisi

-

Subjek

-

Info Detail Spesifik

-

Pernyataan Tanggungjawab

Fatimah

Versi lain/terkait

Lampiran Berkas

Komentar

---

Anda harus masuk sebelum memberikan komentar