SISTEM INFORMASI POTENSI KREDIT MACET BERBASIS APLIKASI CREDIT SCORING-SUPPORT VECTOR MACHINE (CSSVM)

Hasbi Yasin(1*), Arief Rachman Hakim(2), Abdul Hoyyi(3),

(1) Departemen Statistika, Universitas Diponegoro
(2) 
(3) 
(*) Corresponding Author



Abstract


Asset utama dari sebuah bank adalah besarnya dan kredit yang dikelola bank, karena kredit juga merupakan konstributor yang paling signifikan terhadap pendapatan sebuah institusi perbankan. Oleh karena itu, deteksi dini terhadap munculnya kredit macet sangat diperlukan. Salah satunya adalah dengan menggunakan sistem informasi potensi kredit macet yang dibangun berdasarkan model Support Vector Machine (SVM). SVM merupakan salah satu metode klasifikasi yang bersifat non linier dan non parametrik, sehingga tidak diperlukan adanya asumsi yang membatasi terhadap distribusi data tertentu. Dalam penelitian ini, potensi kredit macet dilihat dari lima indikator, yaitu: nominal kredit, saldo rekening, suku bunga, jangka waktu kredit, dan lama menjadi nasabah sebuah bank. Berdasarkan beberapa skenario spesifikasi model SVM yang digunakan, diperoleh tingkat akurasi model SVM mencapai 95% untuk data training, dan 90% untuk data testing. Dengan demikian, dapat dikatakan bahwa sistem ini dapat dijadikan sebagai alat untuk mendeteksi adanya potensi kredit macet dari sebuah aplikasi kredit dengan melihat indikator yang digunakan.

Kata kunci: Credit Scoring, Sistem Informasi, SVM.

Full Text:

PDF

References


Danenas, P., & Garsva, G. (2015). Selection of Support Vector Machines based classifiers for credit risk domain. EXPERT SYSTEMS WITH APPLICATIONS, 42(6), 3194–3204. https://doi.org/10.1016/j.eswa.2014.12.001

Harris, T. (2015). Credit scoring using the clustered support vector machine. Expert Systems with Applications, 42(2), 741–750. https://doi.org/10.1016/j.eswa.2014.08.029

Kasmir, S. (2001). Manajemen Perbankan. Jakarta: PT Rajagrafindo Persada.

Pandia, F. (2012). Manajemen Dana Dan Kesehatan Bank. Jakarta: Rineka Cipta.

Rtayli, N., & Enneya, N. (2020). Selection Features and Support Vector Machine for Credit Card Risk Identification. Procedia Manufacturing, 46, 941–948. https://doi.org/10.1016/j.promfg.2020.05.012

Schölkopf, B., & Smola, A. J. (2002). Learning with kernels. Proceedings of 2002 International Conference on Machine Learning and Cybernetics, 1. https://doi.org/10.7551/mitpress/4175.001.0001

Vapnik, V. N. (1995). The Nature of Statistical Learning Theory. New York: Springer.


Article Metrics

Abstract view : 12 times | PDF view : 2 times

Refbacks

  • There are currently no refbacks.


Copyright (c) 2021 Hasbi Yasin, Arief Rachman Hakim, Abdul Hoyyi