Diaprina, Sistya Rosi (2014) Analisis Klasifikasi Kredit Menggunakan Regresi Logistik Biner Dan Radial Basis Function Network Di Bank ‘X’ Cabang. Undergraduate thesis, Institut Teknologi Sepuluh Nopember.
Preview |
Text
1310100104-Undergraduate_Thesis.pdf - Accepted Version Download (2MB) | Preview |
Abstract
Kredit macet merupakan salah satu faktor penyebab
terjadinya kebangkrutan pada industri perbankan. Dalam
dunia perbankan, diperlukan analisis yang mampu
mengurangi terjadinya resiko kredit. Penelitian tugas akhir
ini bertujuan untuk menganalisis klasifikasi kredit guna
mengurangi resiko terjadinya kredit macet di Bank X Cabang
Kediri. Metode statistik yang digunakan adalah Regresi
logistik Biner dan Radial Basis Function Network. Tahap
awal dalam penelitian ini adalah membagi data menjadi dua
bagian yaitu data training dan data testing. Data training
digunakan untuk pembentukan model, sedangkan data testing
digunakan untuk menguji seberapa besar ketepatan model
yang dibentuk. Hasil analisis menunjukan bahwa rata-rata
ketepatan klasifikasi dengan menggunakan metode Regresi
Logistik Biner lebih besar dibandingkan dengan
menggunakan metode Radial Basis Function Network.
Sehingga dapat disimpulkan bahwa metode Regresi Logistik
Biner memiliki ketepatan klasifikasi yang lebih baik dari pada
Radial Basis Function Network untuk kasus klasifikasi kredit
di Bank X Cabang Kediri.
==========================================================================================================
Bad credit is one factor contributing to the bankruptcy of the
banking industry. In the banking industry, analysis necessary
to reduce the credit risk. This final project aims to analyze
credit classification in order to reduce bad credit in the Bank
X Kediri Branch. The statistical methods used in this final
project are Binary Logistic Regression and Radial Basis
Function Network. The first step of this research study is
divide data in two part, training data and testing data.
Training data will be used to generate model, whereas testing
data is needed to measure how the accuracy of the
representative model. The results of the analysis showed that
the average accuracy of classification by using Binary
Logistic Regression method is greater than using Radial Basis
Function Network method. It can be concluded that the Binary
Logistic Regression method fits better on credit classification
case at Bank X Kediri Branch than Radial Basis Function
Network method.
| Item Type: | Thesis (Undergraduate) |
|---|---|
| Additional Information: | RSSt 519.536 Dia a 3100014056700 |
| Uncontrolled Keywords: | Regresi logistik biner; radial basis function netwprk; credit scoring; akurasi; klasifikasi |
| Subjects: | Q Science > QA Mathematics > QA278.2 Regression Analysis. Logistic regression |
| Divisions: | Faculty of Mathematics and Science > Statistics > 49201-(S1) Undergraduate Thesis |
| Depositing User: | Yeni Anita Gonti |
| Date Deposited: | 30 Dec 2020 03:52 |
| Last Modified: | 30 Dec 2020 03:52 |
| URI: | http://repository.its.ac.id/id/eprint/82347 |
Actions (login required)
 |
View Item |