Pemodelan Faktor-Faktor Yang Mempengaruhi Penggolongan Kredit Di Pt Bank X (Persero) Tbk Dengan Menggunakan Metode Hybrid Genetic Algorithm – Logistic Regression

Setianingsih, Ni Putu Budi (2014) Pemodelan Faktor-Faktor Yang Mempengaruhi Penggolongan Kredit Di Pt Bank X (Persero) Tbk Dengan Menggunakan Metode Hybrid Genetic Algorithm – Logistic Regression. Undergraduate thesis, Institut Teknologi Sepuluh Nopember.

[img]
Preview
Text
1310100047-Paper.pdf - Published Version

Download (1MB) | Preview
[img]
Preview
Text
1310100047-Presentation.pdf - Presentation

Download (22MB) | Preview
[img]
Preview
Text
1310100047-Undergraduate_Theses.pdf - Published Version

Download (1MB) | Preview

Abstract

PT Bank X (Persero) Tbk menunjukkan kinerja baik dalam perkreditan sampai pada tahun 2010. Namun sampai pada akhir kuartal III tahun 2013, PT Bank X (Persero) Tbk menjadi salah satu bank persero di Indonesia yang mengalami peningkatan rasio kredit bermasalah atau non performing loan (NPL). Terjadinya kredit bermasalah akan memberi dampak bagi kreditur maupun debitur. Untuk itu, penelitian ini melakukan pemodelan faktor-faktor yang mempengaruhi penggolongan kredit di PT Bank X (Persero) Tbk guna memprediksi risiko kredit dari calon debitur. Pemodelan tersebut dilakukan dengan menggunakan metode regresi logistik dan hybrid genetic algorithm – logistic regression terhadap data debitur di PT Bank X (Persero) Tbk. Fungsi fitness yang digunakan adalah ukuran kesesuaian model regresi logistik, yaitu pseudo R2 atau dan MSE. Metode hybrid genetic algorithm – logistic regression memberikan hasil yang lebih baik karena yang bernilai lebih tinggi dan MSE yang bernilai lebih rendah dibandingkan dengan hasil estimasi parameter model regresi logistik menggunakan metode maximum likelihood estimation (MLE). ========== PT Bank X (Persero) Tbk performed good profile in credit issue until 2010. But at the end of third quarter in 2013, PT Bank X (Persero) Tbk became one of some banks that having increment in non performing loan (NPL) ratio. NPL will definitely give affects for both creditors and debtors. Based on that issue, this research applied two methods for modelling factors that affect credit classification in PT Bank X (Persero) Tbk: logistic regression and hybrid genetic algorithm – logistic regression. The models were then used to predict debtor’s credit risk. Hybrid genetic algorithm – logistic regression shows better result, since hybrid genetic algorithm gives higher and lower MSE than and MSE from the logistic regression model.

Item Type: Thesis (Undergraduate)
Additional Information: RSSt 519.536 Set p
Uncontrolled Keywords: Algoritma genetika, MSE, penggolongan kredit, pseudo R2, regresi logistik, credit classification, genetic algorithm, logistic regression, MSE, pseudo R2
Subjects: H Social Sciences > HA Statistics > HA31.3 Regression. Correlation
Q Science > QA Mathematics > QA278.2 Regression Analysis
Divisions: Faculty of Mathematics and Science > Statistics > (S1) Undergraduate Theses
Depositing User: - Davi Wah
Date Deposited: 04 Jul 2019 08:29
Last Modified: 04 Jul 2019 08:29
URI: http://repository.its.ac.id/id/eprint/63317

Actions (login required)

View Item View Item