Implementasi Metode Naïve Bayes Classifier Pada Machine Learning Untuk Sistem Alternatif Credit Scoring

Ainina Miftahul Jannah, Anang Habibi, Bambang Minto Basuki

Sari


Permasalahan dalam sistem kredit konvensional sering kali terletak pada keterbatasan akses masyarakat terhadap penilaian kelayakan kredit, khususnya bagi individu yang tidak memiliki riwayat kredit formal. Penelitian ini bertujuan untuk mengembangkan sistem alternatif credit scoring menggunakan metode Naïve Bayes Classifier (NBC) yang mampu mengevaluasi kelayakan kredit berdasarkan variabel sosial ekonomi dari data peserta Jaminan Kesehatan Nasional (JKN) Kota Malang. Variabel yang digunakan meliputi usia, total pendapatan, lama bekerja (days employed), dan total tagihan bulanan. Tahapan penelitian dimulai dengan proses preprocessing data, normalisasi, pembobotan skor berdasarkan skala 1–5, hingga implementasi model NBC. Evaluasi model dilakukan menggunakan metrik akurasi, presisi, recall, dan f1-score. Hasil pengujian menunjukkan bahwa model Naïve Bayes dapat mengklasifikasikan kelayakan kredit dengan akurasi sebesar 84%, presisi 85%, recall 84%, dan f1 score 84%. Penelitian ini menunjukkan bahwa pendekatan machine learning dengan metode Naïve Bayes memiliki potensi untuk dijadikan sebagai sistem alternatif dalam penilaian kelayakan kredit, terutama untuk masyarakat yang tidak terjangkau oleh sistem kredit konvensional. Sistem ini juga dapat diadaptasi oleh lembaga keuangan berbasis inklusi sosial sebagai alat bantu pengambilan keputusan. Kata Kunci— Machine Learning, Naïve Bayes, Credit Scoring, Lembaga Keuangan, JKN

Teks Lengkap:

PDF

Referensi


H. D. Fata, G. I. Marthasari, and Y. Azhar, “Sistem Pendukung Keputusan Kelayakan Kredit pada PT. BPR Mitra Catur Mandiri Menggunakan Metode Credit Scoring,” J. Repos., vol. 2, no. 5, pp. 649– 658, 2020, doi: 10.22219/repositor.v2i5.608.

S. A. Nurrizqi Rahmadania and N. Nurismalatri, “Analisis Credit Scoring Dan Faktor-Faktor Yang Mempengaruhi Npf Pembiayaan Murabahah Pada Pt Bank Muamalat Indonesia,” JABI (Jurnal Akunt. Berkelanjutan Indones., vol. 3, no. 2, pp. 204–221,

, doi: 10.32493/jabi.v3i2.y2020.p204-221.

A. Ramaquita and A. Alamsyah, “Model Credit Scoring Berdasarkan Data Demografi Dan Jejaring Sosial Di Media Sosial,” e-Proceeding Manag. , vol. 7, no. 2, pp. 2214–2219, 2020.

Fatimah, M. Abdul Mukid, and A. Rusgiyono, “Analisis Credit Scoring Menggunakan Metode Bagging K-Nearest Neighbor,” J. Gaussian, vol. 6, no. 1, pp. 161–170, 2017, [Online]. Available: http://ejournal-s1.undip.ac.id/index.php/gaussian

DJSN, “Statistik JKN 2016-2021,” Dewan Jaminan Sos. Nas., pp. 1–252, 2022.

S. Informasi, U. Darwan Ali, J. Batu Berlian, and K. Tengah, “Penerapan Metode Naive Bayes Dalam Mengklasifikasi Penerima BLT Pada Desa Pelangsian,” J. JUPITER, vol. 14, no. 2, pp. 64–70,

A. Nuriksan, T. Hendro Pudjiantoro, and P. Nurul Sabrina, “Klasifikasi Kelayakan Kredit Motor Menggunakan Metode Naïve Bayes Dan Model Credit Scoring,” Semin. Nas. Inform. dan Apl., pp. G1–G6, 2021.

R. M. Samhadi1 and S. , Bambang Minto Basuki2, “Implementasi Multiple Linear Regression Pada Machine Learning Untuk Prediksi,” pp. 1–7, 2022.

E. T. Kurniawati, “Pengembangan sistem credit scoring pembiayaan UMKM,” Inovasi, vol. 17, no. 3, pp. 609–616, 2021.

M. R. A. A. S, B. M. Basuki, A. Habibi, I. Malang, and U. I. Malang, “IMPLEMENTASI ALGORITMA MACHINE LEARNING UNTUK PREDIKSI PENJUALAN CROISSANT PADA CAFE RETAWUDELI BERBASIS HISTORI PENJUALAN TIME SERIES,” pp. 1–7.

Syarli and A. A. Muin, “Metode Naive Bayes Untuk Prediksi Kelulusan,” J. Ilm. Ilmu Komput., vol. 2, no. 1, pp. 22–26, 2020, [Online]. Available: https://media.neliti.com/media/publications/283828- metode-naive-bayes-untuk-prediksi-kelulu- 139fcfea.pdf

D. W. Triscowati and L. D. Jayanti, “Penilaian Kredit Pada Data Tak Seimbang Menggunakan Random Forest Credit Scoring In Imbalance Data Using Random Forest,” JIKOSTIK – J. Ilm. Komputasi dan Stat., vol. 1, no. 1, pp. 25–31, 2021.

D. Normawati and S. A. Prayogi, “Implementasi Naïve Bayes Classifier Dan Confusion Matrix Pada Analisis Sentimen Berbasis Teks Pada Twitter,” J. Sains Komput. Inform. (J-SAKTI, vol. 5, no. 2, pp. 697–711, 2021.

H. F. Putro, R. T. Vulandari, and W. L. Y. Saptomo, “Penerapan Metode Naive Bayes Untuk Klasifikasi Pelanggan,” J. Teknol. Inf. dan Komun., vol. 8, no. 2, 2020, doi: 10.30646/tikomsin.v8i2.500.

I. D. S. Tarigan, Roni Habibi, and Rd. Nuraini Siti Fatonah, “Evaluasi Algoritma Klasifikasi Machine Learning Kategori Nilai Akhir Tunjangan Kinerja Pegawai,” J. Sist. Cerdas, vol. 6, no. 3, pp. 251–261, 2023, doi: 10.37396/jsc.v6i3.246.


Refbacks

  • Saat ini tidak ada refbacks.