Article Per Year (5 Year)
p-Index From 2020 - 2025
0.23
P-Index
This Author published in this journals
All Journal Jurnal Sains dan Teknologi Jurnal Media Informatika
Dwiki Rivaldo Naidu
STMIK Pelita Nusantara
Computer Science & IT Economics, Econometrics & Finance Mathematics Physics Social Sciences

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

 1 
Klasifikasi Kelayakan Kredit Pada Calon Debitur CS Finance Dengan Metode Naïve Bayes Hengki Tamando Sihotang; Dwiki Rivaldo Naidu; Harpingka Fitria Br. Sibarani
Jurnal Sains dan Teknologi Vol. 1 No. 2.1 (2019): Jurnal Sains dan Teknologi [SAINTEK] SPESIAL ISSUE
Publisher : Sistem Informasi Komputer dan Teknologi (SisfoKomTek)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.34013/saintek.v1i2.1.221

Abstract

Kredit merupakan suatu sistem pinjam meminjam atas persetujuan yang telah disepakati diawal dengan phak bank atau institusi lembaga keuangan sejenis dengan nasabahnya. Dengan demikian analisa kelayakan pemberian kredit ini diharapkan dapat menganalisa solusi kesesuaian tingkat akurasi dalam sejumlah data yang sangat besar (big data) dengan melibatkan sebuah dataset yang nantinya akan dilakukan penambangan data dengan menggunakan tools rapid miner. Metode algoritma yang akan digunakan yakni metode data mining berupa Algoritma Naive Bayes Classifier. Klasifikasi data mining dapat membantu para analis kredit dalam hal menentukan signifikansi dan kelayakan pemberian kredit pada nasabah. Sehingga dari proses klasifikasi ini didapatkan berupa atribut penentu berupa kategori kelayakan dalam hal penentuan pemberian kredit kepada salah satu nasabah yang bersangkutan. Pengujian yang dilakukan yakni dengan menggunakan model confusion matrix yang melibatkan data training yang berbeda dalam hal jumlah atribut, dimana ekperimen pertama pengujian dilakukan terhadap 16 atribut data training kemudian ekperimen kedua pengujian dilakukan dengan melibatkan 9 atribut data training. Maka dari kedua eksperimen yang dilakukan akan diperoleh komparasi nilai akurasi, pengujian 16 atribut menghasilkan signifikansi akurasi 59,00% dan pengujian 9 atribut menghasilkan nilai akurasi sebesar 56,00 % sehingga dari kedua pengujian yang dilakukan dapat dipilih alternatif akurasi yang paling baik yakni pengujian dengan 16 atribut. Sehingga hasil dan output yang dihasilkan akan menghasilkan ketepatan pengujian atas suatu rekomendasi keputusan dalam membantu para profesional atau analis kredit di institusi keuangan dalam hal menentukan kelayakan pemberian kredit pada nasabahnya dengan bantuan algoritma yang digunakan untuk menyelesaikan suatu persoalan sehingga didapatkan pengidentifikasi terkait manakah yang layak atau tidak dikatakan sebagai penentuan pemberian kredit dengan mengacu pada penentuan kelas lancar atau bermasala
Centainty Factor Untuk Menentukan Skill Pada Anak Dengan 2020 43 Penerapan Sistem Pakar Hengki Tamando Sihotang; Dwiki Rivaldo Naidu; Harpingka Fitriai Br. Sibaran
Jurnal Media Informatika Vol. 2 No. 1 Desember (2020): Jurnal Media Informatika (JUMIN)
Publisher : Jurnal Media Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55338/jumin.v2i1 Desember.193

Abstract

Kredit tanpa agunan menjadi pilihan masayrakat untuk melakukan peminjaman terhadapa perbankan yang menyediakan layanan tersebut. PT. BPR Diori Ganda adalah perusahaan perbankan swasta daerah yang melayani simpan pinjam dan kredit tanpa agunan bagi masyarakat. Pengajuan kredit tanpa agunan harus melalui tim kreditur untuk proses analisa atribut-atribut yang mempengaruhi klasifikasi nasabah agar kredit dapat disetujui, yang kemudian hasil analisa di serahkan ke komisaris untuk persetujuan kredit. Namun bagaimana jika yang mengajukan kredit pada hari yang sama dalam jumlah yang banyak, tentu hal ini akan membuat proses analisa dan persetujuan kredit akan membutuhkan waktu yang lama. Jika diilihat dari banyaknya kebutuan masyarakat untuk mengajukan kredit tanpa agunan maka dibutuhkan aplikasi klasifikasi, guna untuk mempermudah pekerjaan tim assessor dalam proses analisa atribut-atribut yang mempengaruhi klasifikasi nasabah. Untuk mengetahui klasifikasi nasabah yang mengajukan kredit tanpa agunan menggunakan data mining dengan algoritma K-Nearest Neighbor. Hasil dari penelitan ini adalah klasifikasi nasabah bermasalah atau tidak bermasalah intuk pengajuan kredit tanpa agunan.
Co-Authors Harpingka Fitria Br. Sibarani Harpingka Fitriai Br. Sibaran Hengki Tamando Sihotang