Analisis Kelayakan Kredit Menggunakan Classification Tree Dengan Teknik Random Oversampling

Vebriyanti, Lo Mei Ly (2023) Analisis Kelayakan Kredit Menggunakan Classification Tree Dengan Teknik Random Oversampling. Skripsi thesis, Universitas Tanjungpura.

	Text (Cover) Cover_H1091191031.pdf - Published Version Download (65kB)
	Text (Yuridis) Yuridis_H1091191031.pdf - Published Version Download (31kB)
	Text (Surat Pernyataan) SP_H1091191031.pdf - Published Version Download (23kB)
	Text (Abstrak) Abstrak_H1091191031.pdf - Published Version Download (32kB)
	Text (Kata Pengantar) Kapeng_H1091191031.pdf - Published Version Download (99kB)
	Text (Daftar Isi) Dafis_H1091191031.pdf - Published Version Download (31kB)
	Text (Daftar Lain) Daflain_H1091191031.pdf - Published Version Download (86kB)
	Text (Bab I) Bab1_H1091191031.pdf - Published Version Download (154kB)
	Text (Bab II) Bab2_H1091191031.pdf - Published Version Download (102kB)
	Text (Bab III) Bab3_H1091191031.pdf - Accepted Version Restricted to Repository staff only Download (92kB)
	Text (Bab IV) Bab4_H1091191031.pdf - Accepted Version Restricted to Repository staff only Download (255kB)
	Text (Bab V) Bab5_H1091191031.pdf - Accepted Version Restricted to Repository staff only Download (27kB)
	Text (Daftar Pustaka) Dapus_H1091191031.pdf - Published Version Download (108kB)
	Text (Lampiran) Lamp_H1091191031.pdf - Accepted Version Restricted to Repository staff only Download (166kB)
	Text (H1091191031_LO MEI LY VEBRIYANTI) H1091191031_LO MEI LY VEBRIYANTI.pdf - Accepted Version Restricted to Repository staff only Download (792kB)

Abstract

Kredit adalah kegiatan pemberian uang atau tagihan berdasarkan suatu perjanjian antara bank dan pihak lainnya. Kredit yang diajukan oleh debitur dapat berisiko sehingga menyebabkan kredit macet. Upaya untuk mengurangi kredit macet adalah dengan melakukan analisis kredit terhadap debitur sebelum menyetujui pinjaman yang diajukan debitur untuk menentukan apakah permohonan kredit akan disetujui. Penelitian ini menggunakan data sekunder, yaitu data status debitur salah satu bank di Kalimantan Barat. Data penelitian berjumlah 800 sampel data terdiri dari variabel kolektibilitas sebagai variabel target dan 10 variabel independen yaitu limit, rate, tenor, total angsuran, usia, gaji, premi dan admin, instansi, jenis kredit dan jenis kebutuhan. Metode yang digunakan adalah metode Classification Tree dengan teknik Random Oversampling untuk mengatasi imbalanced data. Tujuan penelitian ini yaitu untuk menangani imbalanced data menggunakan Random Oversampling dan menentukan variabel yang berpengaruh dalam klasifikasi menggunakan Classification Tree. Pengklasifikasian diawali dengan preprocessing data, lalu data dibagi menjadi data latih dan uji dengan proporsi 70:30, 80:20 dan 90:10 untuk masing-masing perlakuan tanpa Random Oversampling dan dengan Random Oversampling. Selanjutnya, model klasifikasi dibentuk menggunakan data latih dan validasi model klasifikasi menggunakan data uji. Setelah itu, dilakukan evaluasi keseluruhan model untuk mengetahui model terbaik yang digunakan dalam proses klasifikasi. Berdasarkan hasil penelitian, model terbaik adalah model dari Classification Tree dengan teknik Random Oversampling proporsi 70:30, dengan nilai specificity sebesar 75,00%, nilai recall sebesar 89,66% dan nilai akurasi sebesar 89,17%. Dapat diartikan, model dapat digunakan untuk mengklasifikasikan data lancar dan non lancar debitur dengan variabel paling berpengaruh dalam pengklasifikasian status debitur adalah variabel total angsuran.

Actions (login required)

View Item