Article Per Year (5 Year)
p-Index From 2021 - 2026
3.139
P-Index
This Author published in this journals
All Journal Jurnal Teknologi Informasi dan Ilmu Komputer Edulib JOIN (Jurnal Online Informatika) Sistemasi: Jurnal Sistem Informasi Sinkron : Jurnal dan Penelitian Teknik Informatika Technomedia Journal Astonjadro Building of Informatics, Technology and Science Jurnal Teknik Informatika (JUTIF) J-SAKTI (Jurnal Sains Komputer dan Informatika) Journal Of World Science International Journal Of Science Education and Technology Management (IJSETM) SmartComp The Indonesian Journal of Computer Science
Christina Juliane, Christina
STEI-Institut Teknologi Bandung
Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Electrical & Electronics Engineering Energy Engineering Health Professions Languange, Linguistic, Communication & Media Law, Crime, Criminology & Criminal Justice Library & Information Science Social Sciences

Published : 21 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 21 Documents
Search

 1   2   3 
Optimalisasi Metode Naive Bayes Classifier Untuk Prediksi Persetujuan Kredit Syakur, Achmad; Purwandi Putra, Rendri; Juliane, Christina
The Indonesian Journal of Computer Science Vol. 13 No. 1 (2024): The Indonesian Journal of Computer Science
Publisher : AI Society & STMIK Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33022/ijcs.v13i1.3622

Abstract

Kredit adalah bentuk pembiayaan yang banyak orang ajukan ke bank atau perusahaan penyedia kredit. Dalam proses pengajuan kredit, dilakukan analisis untuk menentukan apakah kredit yang diajukan layak atau tidak. Penelitian ini bertujuan untuk membantu bank atau perusahaan penyedia kredit dalam melakukan persetujuan kredit dengan efektif dan akurat dalam menentukan status pengajuan. Penelitian ini menggunakan teknik data mining dan kumpulan dataset yang berasal dari kaggle.com. Terdapat 12 atribut dan 2 kelas yang digunakan dalam penelitian ini. Dalam penelitian ini, metode klasifikasi Naive Bayes dan optimasi kelompok partikel (PSO) digunakan. Prediksi persetujuan kredit dengan metode naïve bayes classifier menghasilkan nilai akurasi sebesar 80,00% dengan nilai AUC 0,884. Sebaliknya, prediksi persetujuan kredit dengan metode particle swarm optimization (PSO) menghasilkan nilai akurasi sebesar 96,67% dengan nilai AUC 0,69.
Co-Authors AA Sudharmawan, AA Adjani, Kannisa Aji, Tri Wahyu ALAM Alana, Divi Adiffia Freza Alfian, Iqbal Amirulloh, Moch Mumin Azhar, Rizaldi Bani Riyan, Ade Damayunita, Aina Fathah, Adittia Fauzia, Fathia Alisha Fikri Rifai, Mochamad Hermawan, Sari Hikmawati, Nina Kurnia Indra Gunawan, Gun Gun Irawan Irawan Karsa, Koko Lesmana, Agrian Dwi Luffi Septian Marlia, Sari Mutia, Acep Sandi Nugraha, Anwar Nurwijayanti Pascalina, Donna Prasakti, Lukito Angga Pratama, Denni Purwandi Putra, Rendri Ridian Gusdiana Rifqi Syamsul Fuadi Saepulloh, Yusep Setiawan, Kiki SRI RAHAYU Surahman, Adi Syakur, Achmad Teguh Aljauza Widhiastono, Raymondhus Yayan Sopyan Yosep Bustomi