Penerapan Naïve Bayes Classifier dalam Penilaian Kelayakan Pembiayaan Pada PT. Permata Finance Indonesia
Abstract
The use of technology in data processing and decision-making is a crucial requirement for companies to be competitive and improve their operational performance. In practice, such decision-making still has the potential to lead to analytical errors. Furthermore, a lack of supervision of applicants can also lead to problematic financing. This indicates that the eligibility assessment process is still suboptimal and requires a system that can facilitate more accurate and objective decision-making. Therefore, a classification method is needed that can assist the process of assessing applicant eligibility systematically, quickly, and accurately. One method that can be used is the Naïve Bayes Classifier. This method has several advantages, including the ability to produce a high level of accuracy in the classification process. The system is able to process predetermined criteria data and produce a decision of whether or not it is feasible based on the highest probability calculation results. This is evidenced by the results of the pretest and posttest, which resulted in 90% of the data being recognized and 10% of the data being unrecognized.
Keywords: Creditworthiness; Probability; Naïve Bayes Classifier
Abstrak
Pemanfaatan teknologi dalam pengolahan data dan pengambilan keputusan menjadi kebutuhan penting bagi perusahaan agar mampu bersaing dan meningkatkan kinerja operasionalnya. Dalam praktiknya, pengambilan keputusan tersebut masih berpotensi menimbulkan kesalahan analisis. Selain itu, kurangnya pengawasan terhadap pemohon juga dapat menyebabkan terjadinya pembiayaan bermasalah. Hal ini menunjukkan bahwa proses penilaian kelayakan masih belum optimal dan membutuhkan sistem yang dapat membantu pengambilan keputusan secara lebih akurat dan objektif. Sehingga diperlukan suatu metode klasifikasi yang mampu membantu proses penilaian kelayakan pemohon secara sistematis, cepat, dan akurat. Salah satu metode yang dapat digunakan adalah Naïve Bayes Classifier. Metode ini memiliki beberapa keunggulan, di antaranya kemampuan menghasilkan tingkat akurasi yang baik dalam proses klasifikasi. Sistem yang dibangun mampu mengolah data kriteria yang telah ditentukan dan menghasilkan keputusan berupa layak atau tidak layak berdasarkan hasil perhitungan probabilitas tertinggi, hal ini dibuktikan dari hasil uji Pretest dan Posttest yang menghasilkan 90% data dikenali dan 10% data tidak dikenali.
Kata kunci: Kelayakan Kredit; Probalilitas; Naïve Bayes Classifier
Keywords
References
S. Verhoef, T. Broekhuizen, Y. Bart, A. Bhattacharya, J. Qi Dong, N. Fabian, dan M. Haenlein, “Digital transformation: A multidisciplinary reflection and research agenda,” Journal of Business Research, vol. 122, pp. 889–901, 2021.
V. Vial, “Understanding digital transformation: A review and a research agenda,” The Journal of Strategic Information Systems, vol. 28, no. 2, pp. 118–144, 2019.
A. N. Nasution, A. I. L. Nasution, dan F. A. Lubis, “Pengaruh 5C (Character, Capacity, Capital, Collateral, dan Condition) terhadap Keputusan Pembiayaan pada UMKM,” Jurnal Manajemen Terapan dan Keuangan, vol. 14, no. 2, pp. 45–52, 2025.
S. R. Sadhita dan W. Nawarcono, “Analisis Penerapan Prinsip 5C dalam Pengambilan Keputusan Pemberian Kredit pada PT. BPR UGM Yogyakarta,” Jurnal Ilmiah Ekonomi dan Kewirausahaan, vol. 20, no. 1, pp. 15–27, 2024.
A. Karima, & T.A.Y. Siswa, “Prediksi Kinerja Mahasiswa Dalam Perkuliahan Berbasis Learning Management System Menggunakan Algoritma Naïve Bayes. Progresif: Jurnal Ilmiah Komputer, vol. 18, no. 2, pp. 211-222, 2022.
I. Riswanto dan R. H. Laluma, “Klasifikasi Kelayakan Pinjaman pada Koperasi Karyawan Menggunakan Metode Naïve Bayes Classifier Berbasis Web,” Infotronik: Jurnal Teknologi Informasi dan Elektronika, vol. 5, no. 1, pp. 11–16, 2020.
W. Habibulloh, S. Topiq. “Klasifikasi Kelayakan Kredit Menggunakan Algoritma Naive Bayes Pada KSP Mekar Jaya Maleber”, Jurnal Responsif: Riset Sains dan Informatika, 3(1), pp. 92–99. 2021.
A. Saputra dan D. Kurniawan, “Implementasi Naïve Bayes pada Sistem Pendukung Keputusan Kelayakan Pembiayaan,” Jurnal Sistem Informasi, vol. 6, no. 1, pp. 12–20, 2020.
M. Hidayat, “Klasifikasi Data Nasabah Menggunakan Metode Naïve Bayes,” Jurnal Teknologi Informasi, vol. 4, no. 2, pp. 88–95, 2018.
F. Nugroho, “Penerapan Algoritma Naïve Bayes untuk Prediksi Kelayakan Pembiayaan,” Jurnal Komputer dan Informatika, vol. 7, no. 1, pp. 23–30, 2021.
Sommerville, I., Software Engineering, 10th ed., Boston: Pearson, 2016.
J. Han, M. Kamber, dan J. Pei, Data Mining: Concepts and Techniques, 3rd ed. Waltham: Morgan Kaufmann, 2012.
D. T. Larose dan C. D. Larose, Data Mining and Predictive Analytics, 2nd ed. Hoboken: John Wiley & Sons, 2015.
I. W. Sudarma, “Klasifikasi Dokumen Teks Menggunakan Metode Naïve Bayes,” Jurnal Teknologi Informasi, vol. 6, no. 2, pp. 85–92, 2017.
A. Géron, Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow, 2nd ed. Sebastopol, CA: O’Reilly Media, 2019.
Y. Ulfah dan A. Suryantoro, “Evaluasi Pembelajaran di Masa Pandemi Covid-19 terhadap Nilai Pretest dan Posttest IPA Kelas IX.A SMP Negeri Purworejo Lampung Tengah,” Al Jahiz: Journal of Biology Education Research, vol. 2, no. 1, pp. 28–35, 2021
How To Cite This :
Refbacks
- There are currently no refbacks.
