Sistem pendukung keputusan pemberian pinjaman dengan metode naive bayes pada koperasi wanita sejahtera desa Patianrowo Kabupaten Nganjuk

Indonesia :

Koperasi simpan pinjam menjadi salah satu alternatif bagi masyarakat untuk mendapatkan dana dalam upaya pemenuhan kebutuhan sehari -hari dan mengembangkan usaha. Pada proses menjalankan usaha kredit simpan pinjam koperasi adanya permasalahan yang umum terjadi seperti penunggakan pelunasan kredit.Melihat dari masalah tersebut, maka peneliti mengusulkan sebuah sistem untuk membantu pihak koperasi dalam menentukan kelayakan. Dengan model penilaian kredit yang tepat maka koperasi dapat mengevaluasi nasabah apakah layak mendapatkan kredit atau tidak, sehingga diharapkan dapat meminimalisir kerugian yang terjadi akibat penunggakan tersebut. Dari beberapa referensi yang terdahulu sistem ini akan menggunakan algoritma naive bayes sebagai metode penyelesaian, Dimana Algoritma Naive bayes dikenal sebagai teknik prediksi probabilitas yang dapat menganalisa variable-variable yang mempengaruhinya. Pada penelitian juga menggunakan metode laplace correction untuk menghindari nilai 0 dalam perhitungan. Penelitian ini dilakukan dengan dengan menggunakan 3 model rasio perbandingan data training dan data testing, diantaranya model A dengan rasio perbandingan 90:10, model B dengan rasio perbandingan 80:20, model C dengan perbandingan 75:25, dan model D dengan rasio perbandingan 70:30 yang menghasilkan model A dapat dikategorikan ke klasifikasi baik dengan nilai akurasi 81,82% %, model B dapat dikategorikan ke klasifikasi baik dengan nilai akurasi 82,42 %, model C dapat dikategorikan ke klasifikasi baik dengan nilai akurasi 85,34%, dan model D dapat dikategorikan ke klasifikasi baik dengan nilai akurasi 82,39%

English :

Savings and loan cooperatives are an alternative for the community to obtain funds in an effort to fulfill their daily needs and develop their business. In the process of running a cooperative savings and loan credit business, there are common problems such as arrears in repayment of credit. Looking at these problems, the researchers propose a system to assist the cooperative in determining eligibility. With the right credit scoring model, cooperatives can evaluate customers whether they deserve credit or not, so that it is expected to minimize losses incurred due to the arrears. From several previous references this system will use the Naive Bayes algorithm as a solution method, where the Naive Bayes Algorithm is known as a probability prediction technique that can analyze the variables that influence it. In this study also used the laplace correction method to avoid a value of 0 in the calculation. This research was conducted using 3 ratio models of training data and testing data, including model A with a ratio of 90:10, model B with a ratio of 80:20, model C with a ratio of 75:25, and model D with a ratio of 70 : 30 which results in model A can be categorized into good classification with an accuracy value of 81.82% %, model B can be categorized into good classification with an accuracy value of 82.42%, model C can be categorized into good classification with an accuracy value of 84.43%, and model D can be categorized into good classification with an accuracy value of 82.39%.

Arabic :

التجارية. في عملية إدارة أعمال ائتمان الادخار والقروض التعاونية ، هناك مشاكل شائعة مثل سداد الائتمان. انطلاقا من هذه المشكلة ، اقترح الباحث نظاما لمساعدة التعاونية في تحديد الجدوى. باستخدام نموذج التقييم الائتماني الصحيح ، يمكن للتعاونيات تقييم العملاء سواء كانوا يستحقون الائتمان أم لا ، بحيث يتوقع منه تقليل الخسائر المتكبدة نتيجة للخسارة. من عدة مراجع سابقة ، سيستخدم هذا النظام خوارزمية Naive bayes كطريقة للإكمال ، حيث تعرف خوارزمية Naive bayes بأنها تقنية التنبؤ بالاحتمالات التي يمكنها تحليل المتغيرات التي تؤثر عليها. كما استخدمت الدراسة طريقة تصحيح لابلاس لتجنب قيمة 0 في الحساب. تم إجراء هذا البحث باستخدام 3 نماذج نسبة مقارنة لبيانات التدريب وبيانات الاختبار ، بما في ذلك النموذج A بنسبة 90:10 ، والنموذج B بنسبة 80:20 ، والنموذج C بنسبة 75:25 ، والنموذج D بنسبة 70:30 مما أدى إلى تصنيف النموذج A إلى تصنيف جيد بقيمة دقة 81.82٪ ، ويمكن تصنيف النموذج B إلى تصنيف جيد بقيمة دقة 82.42٪ ، يمكن تصنيف النموذج C إلى تصنيف جيد بقيمة دقة 85.34٪ ، ويمكن تصنيف النموذج D إلى تصنيف جيد بقيمة دقة 82.39٪