Cover Image

Implementasi Algoritma Ga-Knn Untuk Pengklasifikasian Status Resiko Kredit Finansial

Main Author: Pratama, MuhammadRizkyWahyu
Format: Thesis NonPeerReviewed Book
Bahasa: eng
Terbitan: , 2013
Subjects:
005 Computer programming
programs
data
Online Access: http://repository.ub.ac.id/145847/1/051304761.pdf
http://repository.ub.ac.id/145847/
ctrlnum 145847
fullrecord <?xml version="1.0"?> <dc schemaLocation="http://www.openarchives.org/OAI/2.0/oai_dc/ http://www.openarchives.org/OAI/2.0/oai_dc.xsd"><relation>http://repository.ub.ac.id/145847/</relation><title>Implementasi Algoritma Ga-Knn Untuk Pengklasifikasian Status Resiko Kredit Finansial</title><creator>Pratama, MuhammadRizkyWahyu</creator><subject>005 Computer programming, programs, data</subject><description>Kredit merupakan elemen yang penting dalam perbankan. Melalui kredit, nasabah dapat menerima pinjaman dana dari bank yang harus dikembalikan pada tenggat waktu tertentu. Pada suatu kasus kredit dapat terjadi suatu kredit macet atau ketidaklancaran pembayaran hutang oleh debitur atau nasabah. Kredit macet dapat disebabkan oleh faktor eksternal seperti krisis moneter, atau faktor internal yaitu kekurangmampuan pihak bank dalam menilai resiko calon debitur. Faktor eksternal sulit dikontrol, sementara faktor internal dapat dikontrol oleh pihak bank. Penelitian ini mengimplementasikan metode Genetic Algorithm K-Nearest Neighbor (GA/KNN) pada pengklasifikasian status resiko kredit debitur. GA/KNN bekerja dengan cara membangun vektor bobot secara acak sebanyak ukuran populasi, kemudian vektor tersebut akan diregenerasikan hingga mencapai vektor bobot terbaik pada suatu kriteria berhenti. Vektor bobot terbaik yang diperoleh selanjutnya akan digunakan sebagai dasar pembobotan dalam pengklasifikasian berbobot untuk pengambilan keputusan. Pengujian dilakukan terhadap vektor bobot terbaik yang telah terbentuk berdasarkan kombinasi nilai probabilitas crossover (PC), probabilitas mutasi (PM), dan ukuran populasi. Pengujian ini menggunakan metode pengujian akurasi yang dilakukan pada 200 data uji yang berbeda dari data latih. Hasil pengujian yang dilakukan menunjukkan tingkat akurasi tertinggi dengan prosentase 65%. Hasil ini diperoleh pada nilai PC sebesar 70%, nilai PM sebesar 30%, dan ukuran populasi sebesar 100.</description><date>2013-04-08</date><type>Thesis:Thesis</type><type>PeerReview:NonPeerReviewed</type><type>Book:Book</type><language>eng</language><identifier>http://repository.ub.ac.id/145847/1/051304761.pdf</identifier><identifier> Pratama, MuhammadRizkyWahyu (2013) Implementasi Algoritma Ga-Knn Untuk Pengklasifikasian Status Resiko Kredit Finansial. Sarjana thesis, Universitas Brawijaya. </identifier><relation>SKR/FTIK/2013/61/051304761</relation><recordID>145847</recordID></dc>
language eng
format Thesis:Thesis
Thesis
PeerReview:NonPeerReviewed
PeerReview
Book:Book
Book
author Pratama, MuhammadRizkyWahyu
title Implementasi Algoritma Ga-Knn Untuk Pengklasifikasian Status Resiko Kredit Finansial
publishDate 2013
topic 005 Computer programming
programs
data
url http://repository.ub.ac.id/145847/1/051304761.pdf
http://repository.ub.ac.id/145847/
contents Kredit merupakan elemen yang penting dalam perbankan. Melalui kredit, nasabah dapat menerima pinjaman dana dari bank yang harus dikembalikan pada tenggat waktu tertentu. Pada suatu kasus kredit dapat terjadi suatu kredit macet atau ketidaklancaran pembayaran hutang oleh debitur atau nasabah. Kredit macet dapat disebabkan oleh faktor eksternal seperti krisis moneter, atau faktor internal yaitu kekurangmampuan pihak bank dalam menilai resiko calon debitur. Faktor eksternal sulit dikontrol, sementara faktor internal dapat dikontrol oleh pihak bank. Penelitian ini mengimplementasikan metode Genetic Algorithm K-Nearest Neighbor (GA/KNN) pada pengklasifikasian status resiko kredit debitur. GA/KNN bekerja dengan cara membangun vektor bobot secara acak sebanyak ukuran populasi, kemudian vektor tersebut akan diregenerasikan hingga mencapai vektor bobot terbaik pada suatu kriteria berhenti. Vektor bobot terbaik yang diperoleh selanjutnya akan digunakan sebagai dasar pembobotan dalam pengklasifikasian berbobot untuk pengambilan keputusan. Pengujian dilakukan terhadap vektor bobot terbaik yang telah terbentuk berdasarkan kombinasi nilai probabilitas crossover (PC), probabilitas mutasi (PM), dan ukuran populasi. Pengujian ini menggunakan metode pengujian akurasi yang dilakukan pada 200 data uji yang berbeda dari data latih. Hasil pengujian yang dilakukan menunjukkan tingkat akurasi tertinggi dengan prosentase 65%. Hasil ini diperoleh pada nilai PC sebesar 70%, nilai PM sebesar 30%, dan ukuran populasi sebesar 100.
id IOS4666.145847
institution Universitas Brawijaya
affiliation mill.onesearch.id
fkp2tn.onesearch.id
institution_id 30
institution_type library:university
library
library Perpustakaan Universitas Brawijaya
library_id 480
collection Repository Universitas Brawijaya
repository_id 4666
subject_area Indonesian Language Collection/Kumpulan Karya Umum dalam Bahasa Indonesia*
city MALANG
province JAWA TIMUR
shared_to_ipusnas_str 1
repoId IOS4666
first_indexed 2021-10-27T08:47:53Z
last_indexed 2021-10-28T07:33:26Z
recordtype dc
_version_ 1751454638299676672
score 17.538404

Lihat Juga