Article Per Year (5 Year)
p-Index From 2020 - 2025
0.23
P-Index
This Author published in this journals
All Journal JIM: Jurnal Ilmiah Mahasiswa Pendidikan Sejarah
Wijayakususma, I GN Lanang
Unknown Affiliation
Humanities Education Social Sciences

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
Klasifikasi Calon Nasabah Debitur KSP. Samudra Harta Dengan Recurrent Neural Network Ananda*, Gusti Ayu Rica; Ida Harini, Luh Putu; Wijayakususma, I GN Lanang
JIM: Jurnal Ilmiah Mahasiswa Pendidikan Sejarah Vol 8, No 4 (2023): Agustus, Social Religious, History of low, Social Econmic and Humanities
Publisher : Universitas Syiah Kuala

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24815/jimps.v8i4.27093

Abstract

Klasifikasi merupakan suatu susunan yang sistematis dalam kelompok atau menurut aturan atau standar yang telah ditetapkan. Mengklasifikasikan dapat diartikan sebagai upaya mengelompokkan suatu benda menurut jenis-jenisnya. klasifikasi dapat dengan mudah dilakukan salah satunya dengan menggunakan metode Recurrent Neural Network (RNN), metode ini muncul karena adanya operasi yang sama pada setiap elemen secara berurutan, dimana output yang dihasilkan dipengaruhi oleh input yang diberikan pada operasi saat ini. dan operasi sebelumnya. Mengambil kredit atau pinjaman merupakan salah satu cara mendapatkan uang tambahan dengan proses yang cepat dan mudah. Kredit adalah suatu fasilitas keuangan yang diberikan oleh suatu lembaga keuangan bank atau bukan bank, yang memungkinkan seseorang atau suatu lembaga meminjam uang yang harus dikembalikan secara angsuran dalam jangka waktu yang disepakati bersama. Pemberian kredit tentunya menimbulkan beberapa permasalahan, salah satunya adalah risiko kegagalan pembayaran kredit. Penelitian ini akan membahas tentang klasifikasi calon nasabah debitur Samudra Harta. Metode Recurrent Neural Networks mengantisipasi risiko gagal bayar kredit akibat pencairan kredit yang tidak sesuai dengan kemampuan membayar pelanggan. MAPE yang diperoleh dari program ini adalah 18,6% dan nilai lainnya adalah Accuracy 70%, Precision 83,3%, Recall 71%, F-1 Score 76,53%. Dari nilai tersebut kita dapat menyimpulkan bahwa program ini bagus.
Co-Authors Ananda*, Gusti Ayu Rica LUH PUTU IDA HARINI