Analisis Klasifikasi Kredit Menggunakan Regresi Logistik Biner Dan Radial Basis Function Network Di Bank ‘X’ Cabang

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.

[img]
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: https://repository.its.ac.id/id/eprint/82347

Actions (login required)

View Item View Item