Abstract:
Berdasarkan Cinthia (2014), PT. X merupakan perusahaan yang bergerak pada
jasa pemberian kredit. Data-data yang didapatkan dari pengajuan kredit oleh debitur belum
diolah secara optimal untuk memprediksi resiko kredit. Toleransi perusahaan untuk kredit
macet adalah 3% dari seluruh debitur, tetapi debitur yang mengalami kemacetan sebesar
9,3% dari seluruh debitur. Penelitian Cinthia (2014) telah melakukan klasifikasi untuk
melakukan prediksi terhadap resiko status kredit seorang calon debitur pada PT. X. Metode
CART dan C 4.5 digunakan dalam penelitian tersebut. Klasifikasi tersebut dapat secara
langsung melakukan klasifikasi apabila variabel prediktor memenuhi syarat-syarat tertentu.
Tetapi, dalam penelitian tersebut tidak dilakukan pemisahan set data untuk pemodelan dan
evaluasi sehingga tidak dapat diketahui apakah model yang dibuat sesuai digunakan
dengan data lain atau tidak.
Dalam penelitian ini digunakan metode regresi logistik dan neural netwrork
dengan harapan akan menghasilkan performansi yang lebih baik untuk melakukan prediksi
resiko kredit dengan lebih baik sehingga dapat meningkatkan kinerja sistem. Metode ini
juga digunakan karena lebih relevan untuk digunakan dalam kasus melakukan prediksi
resiko kredit karena dapat melihat kecenderungan data. Dalam penelitian ini juga dilakukan
perbaikan pemisahan set data untuk pemodelan dan evaluasi.
Dari hasil penelitian ini dapat diketahui bahwa pemisahan set data perlu
dilakukan untuk menguji pemodelan yang dilakukan terhadap set data lain. Dari hasil
penelitian ini juga didapatkan tingkat akurasi pada tahap evaluasi dari regresi logistik
sebesar 87% dan metode neural network sebesar 75%. Jadi pemodelan dengan akurasi
yang lebih baik dalam melakukan prediksi resiko kredit di PT. X adalah model regresi
logistik.
