Menurunkan Presentase Kredit Macet Nasabah Dengan Menggunakan Algoritma K-Nearest Neighbor

IN

  • Nanda Satria Halim Pratama Teknik Informatika; STMIK IKMI Cirebon
  • Dwi Teguh Afandi Teknik Informatika; STMIK IKMI Cirebon
  • Mulyawan Mulyawan Teknik Informatika; STMIK IKMI Cirebon
  • Iin Iin Teknik Informatika; STMIK IKMI Cirebon
  • Nisa Dienwati Nuris Teknik Informatika; STMIK IKMI Cirebon

Abstract

Abstrak: FIF adalah salah satu Lembaga keuangan yang menyediakan berbagai macam alternatif pinjaman uang bagi nasabah. Sejatinya dalam pemberian kredit kepada nasabah pihak Lembaga keuangan mengalami berbagai masalah atau resikko. Salah satu masalah atau resiko yang dialami Lembaga Keuangan dalam pemberian kredit adalah perilaku nasabh yang macet dalam pembayaran kredit yang pada akhirnya menyebabkan kredit macet. Hal ini merupakan masalah yang serius yang perlu diperhatikan oleh pihak penyedia layanan keuangan untuk lebih berhati-hati dalam menentukan nasabah karena dalam pemberian kredit sangat beresiko khusuusnya pada PT FIF Goup Cabang Arjawinangun. Teknik Pengambilan data yang digunakan dalam pembuatan tugas akhir ini adalah dengan menggunakan observasi, wawancara, studi dokumentasi, dan data nasabah PT FIF Goup Cabang Arjawinangun. Sementara itu Teknik pengolahan data menggunakan prinsip tahapan knowledge discovery in database (KDD) yang terdiri dari data, Data Cleaning, Data Information, Data mining, Patternevalution, knowledge. Sementara itu atribut yang digunakan adalah dari nomort NIK, Kelancaran, Prediksi, Confident macet, confident lancer asset, dan omset perbulan dari nasabah. Metode K-NN dengan jumlah dataset sebanyak 296 data menghasilkan nilai akurasi sebesar 71%.
 
Kata kunci: Kredit, K-Nearest Neighbor (KNN), Prediksi.
 
Abstract: FIF is a financial institution that provides various kinds of money loan alternatives for customers, one of which is through the provision of loans in the form of credit to customers. In fact, in providing credit to customers, financial institutions experience various problems or risks. One of the problems or risks experienced by financial institutions In the provision of credit is the behavior of customers who are bad in credit payments which ultimately causes bad credit. This is a serious problem that financial service providers need to pay attention to to be more careful in determining customers because in providing credit is very risky, especially at PT FIF Goup Cabang Arjawinangun The data collection technique used in the making of this final project is to use observation, interviews, study documentation, and customer data of PT FIF Goup Cabang Arjawinangun Meanwhile, data processing techniques use the principles of knowledge discovery in databases (KDD) stages consisting of data, data cleaning, data transformation, data mining, pattern evolution, knowledge. Meanwhile, the attributes used are the NIK number, fluency, prediction, bad confidence, smooth confidence, assets, and turnover per month from customers. The K-NN method with a total dataset of 296 data yields an accuracy value of 71%.
 
Keywords: Credit, K-Nearest Neighbor (KNN), Prediction.

References

Dzikrulloh, N. N., & Setiawan, B. D. (2017). Penerapan Metode K – Nearest Neighbor (KNN) dan Metode Weighted Product (WP) Dalam Penerimaan Calon Guru Dan Karyawan Tata Usaha Baru Berwawasan Teknologi (Studi Kasus: Sekolah Menengah Kejuruan Muhammadiyah 2 Kediri). Pengembangan Teknologi Informasi Dan Ilmu Komputer, 1(5), 378–385.

Nurmahaludin, & Cahyono, G. R. (2019). Klasifikasi Kualitas Air PDAM Menggunakan Algoritma KNN Dan K-Means. 5662(November), 1–7.

Yustanti, W. (2012). Algoritma K-Nearest Neighbour untuk Memprediksi Harga Jual Tanah. Jurnal Matematika Statistika Dan Komputasi, 9 (1), 57–68.

Aulianita, R. (2016). Komparasi Metode K-Nearest Neighbors dan Support Vector Machine Pada Sentiment Analysis Review Kamera. Journal Speed – Sentra Penelitian Engineering Dan Edukasi, 8 (3), 71–77.

Eska, J. (2018). Penerapan Data Mining Untuk Prediksi Penjualan Wallpaper Menggunakan Algoritma C4.5. 2. https://doi.org/10.31227/osf.io/x6svc

Fernanda, S. I., Ratnawati, D. E., & Adikara, P. P. (2017). Identifikasi Penyakit Diabetes Mellitus Menggunakan Metode Modified K- Nearest Neighbor (MKNN). Jurnal Pengembangan Teknologi Informasi Dan Ilmu Komputer, 1 (6), 507–513.

Leidiyana, H. (2013). Penerapan Algoritma K-Nearest Neighbor Untuk Penentuan Resiko Kredit Kepemilikan Kendaraan Bermotor. Jurnal Penelitian Ilmu Komputer, System Embedded & Logic, 1(1), 65–76.

Luh Gede Pivin Suwirmayanti. (2017). Penerapan Metode K-Nearest Neighbor Untuk Sistem Rekomendasi Pemilihan Mobil Implementation of K-Nearest Neighbor Method for Car Selection Recommendation System. Techno.COM, 16(2), 120–131.

Reza Noviansyah, M., Rismawan, T., & Marisa Midyanti, D. (2018). Penerapan Data Mining Menggunakan Metode K-Nearest Neighbor Untuk Klasifikasi Indeks Cuaca Kebakaran Berdasarkan Data Aws (Automatic Weather Station) (Studi Kasus: Kabupaten Kubu Raya). Jurnal Coding, Sistem Komputer Untan, 06(2), 48–56. http://jurnal.untan.ac.id/index.php/jcskommipa/article/view/26672

Rizki, F., Nip, P., Hikmah, U. D., & Berbasis, P. (2019). PROGRAM STUDI TEKNIK INFORMATIKA S-1 FAKULTAS TEKNOLOGI INDUSTRI MAKALAH SEMINAR HASIL PENERAPAN METODE NAÏVE BAYES UNTUK MEMPREDIKSI PENJUALAN PADA UD . HIKMAH PASURUAN BERBASIS WEB Disusun Oleh : Dosen Pembimbing II. 103100431.

Thanh Noi, P., & Kappas, M. (2017). Comparison of Random Forest, k-Nearest Neighbor, and Support Vector Machine Classifiers for Land Cover Classification Using Sentinel-2 Imagery. Sensors (Basel, Switzerland), 18(1). https://doi.org/10.3390/s18010018
Published
2021-06-30
How to Cite
PRATAMA, Nanda Satria Halim et al. Menurunkan Presentase Kredit Macet Nasabah Dengan Menggunakan Algoritma K-Nearest Neighbor. INFORMATION SYSTEM FOR EDUCATORS AND PROFESSIONALS : Journal of Information System, [S.l.], v. 5, n. 2, p. 131-140, june 2021. ISSN 2548-3587. Available at: <https://ejournal-binainsani.ac.id/index.php/ISBI/article/view/1537>. Date accessed: 27 sep. 2021. doi: https://doi.org/10.51211/isbi.v5i2.1537.