Analisis Klasifikasi Nasabah Telat Bayar di Bank "X" Menggunakan Metode Random Forest dan Regresi Logistik Biner

Muta'al, M. Kholilul (2020) Analisis Klasifikasi Nasabah Telat Bayar di Bank "X" Menggunakan Metode Random Forest dan Regresi Logistik Biner. Undergraduate thesis, Institut Teknologi Sepuluh Nopember.

[img] Text
06211640000013-Undergraduate_Thesis.pdf - Accepted Version
Restricted to Repository staff only

Download (1MB) | Request a copy

Abstract

Bank merupakan sebuah lembaga keuangan yang menghimpun dana dari masyarakat dalam bentuk simpanan dan menyalurkan kepada masyarakat dalam bentuk kredit dana atau bentuk-bentuk lain dengan tujuan untuk meningkatkan taraf hidup orang banyak. Salah satu produk bank yang memberikan pemasukan yang besar adalah kredit. Dari produk bank tersebut tentunya bisa memunculkan masalah bagi bank, salah satunya adalah resiko nasabah membayar angsuran yang telat atau tidak sesuai waktu jatuh tempo. Analisa mengenai telat bayar ini guna untuk mengukur resiko nasabah mengalami telat bayar menggunakan metode klasifikasi. Metode yang digunakan dalam penelitian adalah Random Forest dan Regresi Logistik Biner. Penelitian ini nantinya ingin melakukan perbandingan dari kedua metode tersebut untuk mencari metode yang terbaik dalam menganalisis telat bayar nasabah. Data yang digunakan dalam penelitian ini merupakan data pembiayaan nasabah di Bank “x” pada tahun 2015-2018. Nasabah akan diklasifikasikan dalam dua kelas, yaitu nasabah yang telat membayar angsuran dan nasabah yang tidak telat membayar angsuran. Hasil penelitian menunjukkan bahwa metode Random Forest didapatkan nilai akurasi sebesar 70,63% dan AUC sebesar 72,75% sedangkan pada metode Regresi Logistik Biner didapatkan nilai akurasi sebesar 57,67% dan AUC sebesar 59,98%. Hal tersebut menunjukan bahwa metode Random Forest lebih baik dibandingkan dengan metode Regresi Logistik Biner. =========================================================================================== A bank is a financial institution that accepts deposits from the public and distributes to the public in the form of credit funds or other forms to improve the lives of many people. One of the bank products that provide a large income is credit. That bank's products can certainly bring up problems for banks, one of the risks is the customer is late in paying installments or not paying according to the due date. This analysis of late payment is to measure the risk of customer experiencing late payment using the classification method. The methods that being used in this research are Random Forest and Binary Logistic Regression. This research's aim is to find the most suitable method in analyzing the customer's late payment by comparing the two methods. The data used in this study is customer financing data at "X" Bank in 2015-2018. Customers will be classified into two classes, namely customers who are late in paying installments and customers who are not late in paying installments. The results showed that the Random Forest method obtained an accuracy value of 70.63% and AUC of 72.75% while the Binary Logistic Regression method obtained an accuracy value of 57.67% and AUC of 59.98%. This result shows that the Random Forest method is better than the Binary Logistic Regression method.

Item Type: Thesis (Undergraduate)
Uncontrolled Keywords: AUC, Klasifikasi, Nasabah Telat Bayar, Random Forest, Regresi Logistik Biner, AUC, Binary Logistic Regression, Classification, Late Payment, Random Forest
Subjects: H Social Sciences > HA Statistics > HA31.38 Data envelopment analysis.
H Social Sciences > HD Industries. Land use. Labor > HD108 Classification (Theory. Method. Relation to other subjects )
Divisions: Faculty of Mathematics and Science > Statistics > 49201-(S1) Undergraduate Thesis
Depositing User: M. Kholilul Muta'al
Date Deposited: 25 Aug 2020 04:37
Last Modified: 25 Aug 2020 04:37
URI: https://repository.its.ac.id/id/eprint/81056

Actions (login required)

View Item View Item