Prediksi penentuan jenis, tenor, dan nominal kredit menggunakan metode neural network backpropagation

INDONESIA:

Pada masa pemulihan ekonomi pasca pandemi, koperasi kerap dihadapkan pada risiko. Misalnya sering terjadi penundaan saat pelunasan. Oleh karena itu, koperasi menentukan praktik peminjaman, termasuk menetapkan standar untuk menerima atau menolak risiko tersebut, yaitu menentukan siapa yang berhak menerima kredit. Namun, dengan menggunakan bantuan data mining nominal, tenor, dan jenis kredit yang didapatkan calon nasabah pada masa mendatang dapat diprediksi berdasarkan faktor yang mempengaruhinya, seperti: penghasilan, pengeluaran, aset, dan jaminan yang dimiliki calon nasabah. Salah satu sistem pemrosesan yang dapat digunakan dalam melakukan prediksi adalah jaringan saraf tiruan. Metode yang sering digunakan pada prediksi menggunakan sistem jaringan saraf tiruan adalah backpropagation. Backpropagation memiliki pola yang cocok digunakan untuk membuat prediksi masa depan. Proses perhitungan yang mudah dan sederhana namun juga berkinerja baik, bahkan dengan data yang kompleks. Dari model yang telah dibangun ditemukan model-model jaringan saraf tiruan terbaik, yaitu model 42 untuk output nominal kredit dengan arsitektur 6-10-1, iterasi 3000, data training 90% dan learning rate sebesar 0,01 rata-rata loss MAPE sebesar 0,4482 dan Standar Deviasi sebesar 0,48. Model 42 untuk output tenor kredit dengan arsitektur 6-10-1, iterasi 3000, data training 90% dan learning rate sebesar 0,01 rata-rata akurasi sebesar 68,68% dan Standar Deviasi sebesar 2,29. Model 53 untuk output jenis kredit dengan arsitektur 6-10-1, iterasi 3000, data training 80% dan learning rate sebesar 0,2 rata-rata akurasi sebesar 62,78% dan Standar Deviasi sebesar 2,08.

ENGLISH:

During the post-pandemic economic recovery period, cooperatives are often faced with risks. For example, there are often delays when paying off. Therefore, cooperatives determine lending practices, including setting standards for accepting or rejecting the risk, namely determining who is entitled to receive credit. However, with the help of data mining, the nominal, tenor and type of credit that prospective customers will receive in the future can be predicted based on the factors that influence them, such as: income, expenses, assets and collateral owned by the prospective customer. One of the processing systems that can be used to make predictions is an artificial neural network. The method that is often used in predictions using artificial neural network systems is backpropagation. Backpropagation has a pattern that is suitable for making future predictions. The calculation process is easy and simple but also performs well, even with complex data. From the models that have been built, the best artificial neural network models are found, namely model 42 for nominal credit output with 6-10-1 architecture, 3000 iterations, 90% training data and a learning rate of 0.01, the average MAPE loss is 0,4482 and a Standard Deviation of 0,48. Model 42 for credit tenor output with architecture 6-10-1, 3000 iterations, 90% training data and learning rate of 0,01 average accuracy of 68,68% and Standard Deviation of 2,29. Model 53 for output types of credit with architecture 6-10-1, 3000 iterations, 80% training data and a learning rate of 0,2 average accuracy of 62,78% and a Standard Deviation of 2,08.

ARABIC:

خلال فترة التعافي الاقتصادي بعد الجائحة، غالبا ما تواجه التعاونيات مخاطر. على سبيل المثال، غالبا ما يكون هناك تأخير السداد. ولذلك، تحدد التعاونيات ممارسات الإقراض، بما في ذلك وضع معايير لقبول أو رفض هذه المخاطر، أي تحديد من يحق له الحصول على الائتمان. ومع ذلك، باستخدام مساعدة استخراج البيانات الاسمية، يمكن التنبؤ بمدة ونوع الائتمان الذي يحصل عليه العملاء المحتملون في المستقبل بناء على العوامل التي تؤثر عليه، مثل: الدخل والمصروفات والأصول والضمانات التي يملكها العملاء المحتملون. أحد أنظمة المعالجة التي يمكن استخدامها في إجراء التنبؤات هو الشبكات العصبية الاصطناعية. الطريقة المستخدمة غالبا في التنبؤات باستخدام أنظمة الشبكات العصبية الاصطناعية هي الانتشار العكسي. الانتشار العكسي له نمط مناسب لعمل تنبؤات مستقبلية. عملية الحساب سهلة وبسيطة ولكنها تعمل أيضا بشكل جيد، حتى مع البيانات المعقدة. من النماذج التي تم بناؤها، تم العثور على أفضل نماذج الشبكات العصبية الاصطناعية، وهي نموذج ٤٢ لمخرجة الائتمان الاسمي مع بنية ٦-١٠-١، وتكرار ٣٠٠٠، وبيانات تدريب ٩٠% ومعدل تعلم يبلغ ٠.٠١ متوسط خسارة MAPE يبلغ ٠.٤٤٨٢ والانحراف المعياري ٠.٤٨. نموذج ٤٢ لمخرجة مدة الائتمان مع بنية ٦-١٠-١، تكرار ٣٠٠٠، بيانات تدريب ٩٠% ومعدل تعلم ٠.٠١ متوسط دقة ٦٨.٦٨% وانحراف معياري ٢.٢٩. نموذج ٥٣ لمخرجة نوع الائتمان مع بنية ٦-١٠-١، تكرار ٣٠٠٠، بيانات تدريب ٨٠% ومعدل تعلم ٠.٢ متوسط دقة ٦٢.٧٨% وانحراف معياري ٢.٠٨.