<![CDATA[Perkembangan teknologi informasi dalam sektor perbankan telah mendorong kebutuhan akan sistem otomatisasi dalam pengambilan keputusan kredit yang lebih efisien dan akurat. Penelitian ini bertujuan untuk mengimplementasikan metode Naive Bayes dalam memprediksi persetujuan hutang dengan menggunakan dataset yang terdiri dari 353 sampel dengan 12 variabel. Metodologi penelitian meliputi tahap preprocessing data, yang mencakup cleaning data, transformasi atribut, dan normalisasi, diikuti dengan implementasi model menggunakan platform RapidMiner. Dataset dibagi menjadi 70% data training dan 30% data testing dengan metode stratified sampling. Hasil pengujian menunjukkan bahwa model Naive Bayes mencapai akurasi sebesar 79.76%, dengan nilai presisi 39.88% dan recall 50.00%. Analisis matriks konfusi mengungkapkan 197 kasus true positive dan 50 kasus false positive, sementara validasi silang 10-fold menunjukkan konsistensi performa model. Meskipun model menunjukkan performa yang menjanjikan dalam hal akurasi, terdapat ruang untuk peningkatan terutama dalam aspek presisi dan recall. Penelitian ini memberikan kontribusi dalam pengembangan sistem pendukung keputusan kredit yang dapat membantu institusi finansial dalam proses evaluasi persetujuan hutang secara lebih efisien.]]>
Copyrights © 2024
