KLASIFIKASI PENGAJUAN KREDIT PEMILIKAN RUMAH (KPR) MENGGUNAKAN ALGORITMA NAÏVE BAYES DI BANK MANDIRI KOTA LUBUKLINGGAU

SELVI BELA MEIRISA (2025) KLASIFIKASI PENGAJUAN KREDIT PEMILIKAN RUMAH (KPR) MENGGUNAKAN ALGORITMA NAÏVE BAYES DI BANK MANDIRI KOTA LUBUKLINGGAU. Skripsi thesis, Universitas Bina Insan Lubuklinggau.

Text RAMA_52201_2102020009.pdf Download (27MB)

Abstract

ABSTRAK Kredit Pemilikan Rumah (KPR) merupakan salah satu produk pembiayaan yang populer di kalangan masyarakat dalam rangka memiliki hunian dengan skema cicilan. Bagi lembaga keuangan seperti bank, penilaian kelayakan calon nasabah KPR sangat penting guna mengurangi risiko kredit macet. Proses penilaian ini melibatkan analisis terhadap berbagai faktor, seperti profil keuangan, riwayat kredit, pekerjaan, dan aset calon nasabah. Pada umumnya,bank memerlukan sistem yang mampu mengklasifi-kasikan calon debitur ke dalam kategori layak atau tidak layak diberikan KPR. Seperti halnya di Bank Mandiri Kota Lubuklinggau, proses tersebut masih sering dilakukan secara manual yaitu dengan menganalisa data nasabah satu persatu dengan melihat berbagai faktor, seperti profil keuangan, riwayat kredit, pekerjaan, dan aset calon nasabah, sehingga rentan terhadap kesalahan manusia dan memerlukan waktu yang lama. Oleh karena itu, dibutuhkan sistem klasifikasi otomatis yang mampu memberikan hasil analisis secara cepat dan akurat. Dalam konteks ini, teknologi klasifikasi data berbasis kecerdasan buatan dapat digunakan untuk mempermudah dan mempercepat proses pengambilan keputusan. Salah satu metode klasifikasi yang banyak digunakan adalah algoritma Naive Bayes. Hasil penelitian menunjukkan faktor yang mempengaruhi keputusan KPR Berdasarkan analisis data, beberapa faktor utama yang memengaruhi diterima atau ditolaknya pengajuan KPR yaitu nasabah dengan pekerjaan sebagai ASN (Aparatur Sipil Negara) memiliki tingkat penerimaan pengajuan tertinggi dibandingkan kategori pekerjaan lain. Nasabah dari kategori "Swasta" cenderung memiliki tingkat penolakan lebih tinggi. Nasabah dalam rentang usia 31–40 tahun memiliki tingkat penerimaan pengajuan tertinggi, kemungkinan karena mereka berada dalam usia produktif dengan stabilitas finansial lebih baik. Nasabah dalam rentang usia 41–50 tahun memiliki tingkat penolakan lebih tinggi dibandingkan usia lainnya. Nasabah dengan status diterima umumnya berasal dari kelompok usia produktif dan memiliki pekerjaan dengan tingkat kepercayaan finansial lebih tinggi (seperti ASN dan TNI/Polri). Penolakan pengajuan lebih banyak ditemukan pada nasabah dengan kategori pekerjaan swasta dan usia lebih tua (di atas 41 tahun), kemungkinan karena tingkat risiko finansial yang lebih tinggi. Dan dari pengujian model yang dilakukan, didapatkan nilai accuracy sebesar 88% dari total 49 data di dataset berhasil diprediksi dengan benar oleh model, Nilai Macro Avg (Precision, Recall, F1-Score = 0.88 adalah 88 % dan nilai Weighted Avg (Precision, Recall, F1-Score = 0.88) atau 88 %. Hasil dari pengolahan data menunjukkan model memiliki performa yang baik dengan precision, recall, dan F1-score tinggi pada kedua kelas, serta akurasi total sebesar 88%. Model ini cocok untuk diterapkan pada tugas klasifikasi yang memerlukan keseimbangan performa pada kedua kelas. Kata Kunci : KPR, Kredit, Klasifikasi, Naïve Bayes Classifier

Item Type:	Thesis (Skripsi)
Subjects:	T Technology > T Technology (General)
Divisions:	Fakultas Komputer > Program Studi Informatika
Depositing User:	Admin Perpus UnivBI
Date Deposited:	30 Mar 2026 10:22
Last Modified:	30 Mar 2026 10:22
URI:	https://eprints.univbinainsan.ac.id/id/eprint/654

Actions (login required)

View Item