PERBANDINGAN ALGORITMA NAÏVE BAYES DAN RANDOM FOREST UNTUK KLASIFIKASI KELAYAKAN KREDIT PADA PT. BPR MAGGA JAYA UTAMA

Christiadi, Cornellius Orlando (2025) PERBANDINGAN ALGORITMA NAÏVE BAYES DAN RANDOM FOREST UNTUK KLASIFIKASI KELAYAKAN KREDIT PADA PT. BPR MAGGA JAYA UTAMA. Skripsi thesis, Universitas Buddhi Dharma.

	Text COVER - BAB III.pdf - Published Version Download (1MB)
	Text BAB IV.pdf - Published Version Restricted to Registered users only Download (1MB) | Request a copy
	Text BAB V.pdf - Published Version Download (2MB)

Abstract

Kredit menjadi salah satu fasilitas yang disediakan oleh perusahaan khususnya pada bidang keuangan dan cukup diminati oleh masyarakat. Tujuan menggunakan fasilitas tersebut adalah memenuhi keinginan atau kebutuhan baik individu maupun bisnis seperti modal usaha, investasi atau konsumsi pribadi. Penyaluran kredit kepada masyarakat terus meningkat setiap tahunnya dan penyaluran kredit oleh Bank Perkreditan Rakyat (BPR) sejalan dengan meningkatnya rasio Non-Performing Loan (NPL) yang berdampak pada kelayakan kredit debitur. Penelitian ini bertujuan untuk membandingkan algoritma Naive Bayes dan Random Forest dalam mengklasifikasikan kelayakan kredit pada PT. BPR Magga Jaya Utama. Sehingga dapat memberikan kemudahan dalam membuat keputusan kelayakan kredit calon debitur dan meminimalisir meningkatnya rasio NPL. Metode yang digunakan meliputi data selection, cleaning, transformation, dan pemodelan menggunakan RapidMiner dan implementasi website dengan PHP Code Igniter. Dataset yang belum diproses berjumlah 6983 data, dan setelah melakukan beberapa proses data yang digunakan berjumlah 5553 data nasabah, dibagi menjadi data training dan data testing dengan rasio 70:30. Evaluasi dilakukan menggunakan metrik akurasi, presisi, dan recall. Hasil menunjukkan bahwa algoritma Random Forest memberikan akurasi lebih tinggi (96,13% menggunakan RapidMiner, 95,50% menggunakan website) dibandingkan Naive Bayes (89,26% di RapidMiner, 89,68% menggunakan website). Penelitian ini menyimpulkan bahwa Random Forest lebih efektif dalam klasifikasi kelayakan kredit dan dapat dijadikan acuan dalam pengambilan keputusan oleh pihak bank.

Item Type:	Thesis (Skripsi)
Uncontrolled Keywords:	Data Mining, Kelayakan Kredit, Klasifikasi, Naive Bayes, Random Forest
Subjects:	000 Karya Umum > 005 Pemograman > 005.74 Database
Divisions:	Fakultas Sains & Teknologi > Teknik Informatika
Depositing User:	Hariyanto Rie
Date Deposited:	25 Feb 2026 02:50
Last Modified:	25 Feb 2026 02:50
URI:	https://repositori.buddhidharma.ac.id//id/eprint/3058

Actions (login required)

View Item