Model Algoritma Boosted Gradient Trees untuk Penentuan Kelayakan Pemberian Kredit Koperasi
Abstract
Kredit adalah penyediaan uang atau tagihan yang dapat dipersamakan dengan itu, berdasarkan persetujuan atau kesepakatan pinjam meminjam antara bank dengan pihak lain yang mewajibkan pihak peminjam melunasi utangnya setelah jangka waktu tertentu dengan pemberian bunga. Sebelum koperasi menyetujui kredit yang diajukan oleh debitur, koperasi melakukan analisis kredit terhadap debitur apakah pengajuan kredit disetujui atau tidak disetujui. Analisa kredit yang dilakukan oleh analis terkadang tidak akurat, sehingga beberapa debitur yang diberikan kredit tidak mempunyai kemampuan untuk membayar yang menyebabkan kredit macet. Dari permasalahan ini diperlukan suatu model yang mampu mengklasifikasikan sekaligus memprediksi debitur mana saja yang bermasalah dan tidak bermasalah. Model pohon keputusan ternyata mampu meningkatkan akurasi dalam menganalisa kelayakan kredit yang diajukan calon debitur. Semakin kaya informasi atau pengetahuan yang dikandung oleh data training, maka akurasi pohon keputusan akan semakin meningkat.
References
Firmansyah. (2011). Penerapan Algoritma Klasifikasi C4.5 Untuk Penentuan Kelayakan Pemberian Kredit Koperasi. Jakarta: Stmik Nusa Mandiri.
Jiang, Y. (2009). Credit Scoring Model Based On Decision Tree And The Simulated Annealing Algorithm. World Congress On Computer Science And Information Engineering (Pp. 18 - 22). Los Angeles: Ieee Computer Society.
Kotsiantis, S., Kanellopoulos, D., Karioti, V., & Tampakas, V. (2009). An Ontology-Based Portal For Credit Risk Analysis. Ieee International Conference On Computer Science And Information Technology, (Pp. 165-169). Beijing.
Kurniawan, D. A., & Kriestanto, D. (2016). Penerapan Naïve Bayes Untuk Prediksi Kelayakan Kredit . Jurnal Informatika Dan Komputer (Jiko), 19 - 23.
Lai, K. K., Lean Yu , L., & Zhou, L. (2006). Credit Risk Evaluation With Least Square Support Vector Machine. Springer-Verlag , 490-495.
Larose, D. (2005). Discovering Knowledge In Data. New Jersey: John Willey & Sons, Inc.
Menarianti, I. (2015). Klasifikasi Data Mining Dalam Menentukan Pemberian Kredit Bagi Nasabah Koperasi. Jurnal Ilmiah Teknosains, 36-45.
Odeh, O., Featherstone, A., & Das, S. (2010). Predicting Credit Default: Comparative Results From An Artificial Neural Network, Logistic Regression And Adaptive Neuro-Fuzzy Inference System. Eurojournals Publishing, Inc, 7 - 17.
Sucipto, A. (2015). Prediksi Kredit Macet Melalui Perilaku Nasabah Pada Koperasi Simpan Pinjam Dengan Menggunakan Metode Algoritma Klasifikasi C4.5. Disprotek, 75 - 87.
Sugiyono. (2012). Metode Penelitian Kuantitatif Kualitatif Dan R&D. Bandung: Alfabeta.
Sunjana. (2010). Klasifikasi Data Nasabah Sebuah Asuransi Menggunakan Algoritma C4.5. Seminar Nasional Aplikasi Teknologi Informasi 2010 (Snati 2010) , 31 - 34.
Susanto, Uryani, N. S., & Hidayat, C. R. (2014). Penerapan Algoritma C4.5 Untuk Menganalisis Kelayakan Pemberian Kredit Nasabah. Seminar Nasional.
Triwahyuniati, N. (2008). Pelaksanaan Analisis Kredit Pada di PT Bank Haga Semarang. Thesis Magister Kenotariatan , 38.
Witten, Frank, & Hall. (2011). Data Mining : Practical Machine Learning and Tools. Burlington: Morgan Kaufmann Publisher.
Zurada, J. (2010). Could Decision Trees Imnprove the Classification Accuracy and Interpretability of Loan Granting Decisions. HICSS '10 Proceedings of the 2010 43rd Hawaii International Conference on System Sciences. (p. 19). Hawaii: Koloa.
