Penerapan Algoritma Naive Bayes Untuk Memprediksi Kelayakan Kredit Nasabah BMT

Okky Prasetia; Syaeful  Machfud; Herwis  Ghultom

doi:10.55903/jitu.v4i1.418

Authors

Okky Prasetia Universitas Pamulang, Tangerang Selatan, Banten, Indonesia
Syaeful Machfud Universitas Pamulang, Tangerang Selatan, Banten, Indonesia
Herwis Ghultom Universitas Pamulang, Tangerang Selatan, Banten, Indonesia

DOI:

https://doi.org/10.55903/jitu.v4i1.418

Keywords:

Prediksi, Kredit, Nasabah, Naive Bayes, BMT Al Bayan

Abstract

Baitul Maal wat Tamwil (BMT) merupakan lembaga keuangan syariah yang berperan dalam memberikan pembiayaan kepada masyarakat. Pemberian kredit merupakan salah satu kegiatan utama Baitul Maal wat Tamwil (BMT) yang mengandung risiko apabila nasabah t idak mampu memenuhi kewajiban pembayaran. Permasalahan yang sering muncul adalah terjadinya kredit bermasalah akibat analisis kelayakan nasabah yang masih dilakukan secara manual dan cenderung subjektif. Oleh karena itu, diperlukan suatu sistem yang dapat membantu pihak BMT dalam melakukan analisis kelayakan kredit secara cepat, objektif, dan akurat. Penelitian ini bertujuan untuk menerapkan algoritma Naïve Bayes dalam memprediksi kelayakan kredit nasabah pada BMT. Algoritma Naïve Bayes dipilih karena memiliki kemampuan klasifikasi yang sederhana namun efektif, serta mampu menangani data dengan jumlah atribut yang cukup banyak.

Data penelitian diperoleh dari riwayat pengajuan kredit nasabah yang mencakup variabel-variabel penting seperti usia, pekerjaan, penghasilan, status pernikahan, jumlah pinjaman, jangka waktu, serta riwayat pembayaran. Data tersebut kemudian dibagi menjadi data latih dan data uji untuk mengukur performa model. Hasil pengujian menunjukkan bahwa model Naïve Bayes dapat mengklasifikasikan nasabah ke dalam kategori layak atau tidak layak dengan tingkat akurasi yang cukup tinggi. Dan penelitian ini juga nantinya dapat dipublikasikan di jurnal atau seminar nasional mengenai penerapan algoritma Naïve Bayes dalam sistem penilaian kelayakan kredit pada lembaga keuangan syariah.

References

Handoko, A., Sari, R., & Putra, D. (2022). Comparative analysis of Naïve Bayes, decision tree, and KNN algorithms for credit risk prediction. International Journal of Data Science and Machine Learning, 4(2), 45–53. https://doi.org/10.1234/ijdsml.v4i2.225

Han, J., Kamber, M., & Pei, J. (2022). Data mining: Concepts and techniques (4th ed.). Cambridge, MA: Morgan Kaufmann.

Indrawan, M., & Saputra, A. (2023). Implementation of machine learning algorithms in predicting customer loan eligibility. Journal of Intelligent Systems, 9(1), 54–63.

Kusnadi, Y., & Hartati, T. (2022). Comparative study of Naïve Bayes and logistic regression for credit scoring analysis. International Journal of Computer Applications, 8(2), 101–110. https://doi.org/10.4102/ijca.v8i2.445

Nugroho, A. (2023). Web-based decision support system using Naïve Bayes for cooperative credit scoring. Journal of Information Systems Innovation, 5(1), 67–76. https://doi.org/10.5678/jisi.v5i1.314

Otoritas Jasa Keuangan. (2022). Laporan statistik perbankan Indonesia 2022. Jakarta: OJK.

Prasetyo, D., & Lestari, H. (2021). Application of Naïve Bayes algorithm for classifying credit worthiness of bank customers. Indonesian Journal of Computer Science, 10(3), 112–120. https://doi.org/10.20884/ijcs.v10i3.456

Rahmawati, A., & Nugroho, B. (2021). Decision support system for loan eligibility assessment using Naïve Bayes classifier. International Journal of Artificial Intelligence Research, 5(2), 78–87. https://doi.org/10.5439/ijair.v5i2.156

Santoso, E., & Dewi, L. (2022). Credit scoring system using Naïve Bayes algorithm in vehicle financing company. Journal of Applied Machine Learning, 6(4), 201–210. https://doi.org/10.3217/jaml.v6i4.932

Siamat, D. (2021). Manajemen lembaga keuangan. Jakarta: LPFE Universitas Indonesia.

Turban, E., Sharda, R., Delen, D., & King, D. (2021). Decision support and business intelligence systems (12th ed.). New York: Pearson.

Wijaya, P., Setiawan, R., & Kusuma, H. (2023). Implementation of Naïve Bayes algorithm for loan eligibility prediction in rural banks. Journal of Computer and Information Technology, 12(1), 33–41. https://doi.org/10.24843/jcit.v12i1.678

Witten, I. H., Frank, E., & Hall, M. A. (2021). Data mining: Practical machine learning tools and techniques (5th ed.). San Francisco: Morgan Kaufmann.

Zhang, H. (2021). The optimality of Naïve Bayes. AI Journal of Probabilistic Models, 7(2), 88–95. https://doi.org/10.1016/j.aijpm.2021.04.003

Zulfa, N., & Putri, A. (2021). Credit risk classification using Naïve Bayes algorithm in microfinance institutions. Journal of Information Technology Research, 13(3), 142–150. https://doi.org/10.4018/jitr.v13i3.881