PERBANDINGAN PREDIKSI KEMAMPUAN PEMBAYARAN KREDIT USAHA RAKYAT (KUR) MENGGUNAKAN METODE SUPPORT VECTOR MACHINE (SVM)

Darmawan, Rizcki Dwi, 51904110041 and Akbar, Ronny Makhfuddin, 6041764665130293 and Syaifuddin, Ahmad, 1644770671130312 (2026) PERBANDINGAN PREDIKSI KEMAMPUAN PEMBAYARAN KREDIT USAHA RAKYAT (KUR) MENGGUNAKAN METODE SUPPORT VECTOR MACHINE (SVM). Bachelor thesis, Universitas Islam Majapahit Mojokerto.

	Text 1. Halaman Depan.pdf Restricted to Registered users only Download (813kB) | Request a copy
Preview	Text 2. Bab 1.pdf Download (54kB) | Preview
	Text 3. Bab 2.pdf Restricted to Registered users only Download (220kB) | Request a copy
	Text 4. Bab 3.pdf Restricted to Registered users only Download (108kB) | Request a copy
	Text 5. Bab 4.pdf Restricted to Registered users only Download (371kB) | Request a copy
Preview	Text 6. Bab 5.pdf Download (64kB) | Preview
Preview	Text 7. Daftar Pustaka.pdf Download (32kB) | Preview
	Text 8. Lampiran.pdf Restricted to Registered users only Download (2MB) | Request a copy

Abstract

Tingginya ancaman Non-Performing Loan (NPL) atau risiko nasabah gagal bayar pada program penyaluran Kredit Usaha Rakyat (KUR) menuntut adanya pembaruan pada Credit Scoring yaitu sistem penilaian kelayakan peminjam. Kendala utama dalam pemodelan data perbankan adalah karakteristik Imbalanced Data atau ketimpangan distribusi kelas data secara drastis di mana jumlah nasabah lancar jauh melampaui nasabah macet. Apabila ketimpangan ini dievaluasi secara konvensional, sistem akan rentan terhadap jebakan Accuracy Paradox yaitu ilusi statistik yang membuat sistem terlihat memiliki akurasi tinggi, padahal buta dan gagal mendeteksi ancaman pada kelas minoritas. Penelitian ini bertujuan untuk menguji, membandingkan, serta mengoptimasi ketangguhan empat fungsi arsitektur Kernel atau fungsi matematis pemisah ruang data pada algoritma Support Vector Machine (SVM) untuk menangkal risiko kredit bermasalah. Penelitian ini menggunakan pendekatan kuantitatif eksperimental yang mengolah 398 data historis observasi nasabah KUR Bank XYZ periode 2022–2023. Pemodelan murni menggunakan 9 indikator pengeluaran dan pemasukan berdasarkan prinsip Capacity yaitu kapasitas kemampuan bayar finansial calon peminjam. Himpunan data dibersihkan dari Data Leakage yaitu kebocoran informasi masa depan dan disetarakan skalanya melalui transformasi Z-Score Standardization atau standarisasi pemusatan rentang nilai. Eksekusi eksperimen membandingkan kernel Linear, Radial Basis Function (RBF), Polynomial, dan Sigmoid yang disetel secara otomatis menggunakan metode GridSearchCV yang adalah algoritma penyusuran kisi-kisi kombinasi parameter. Seluruh eksperimen diikat dengan Class Weighting atau pembobotan sanksi matematis tambahan untuk melindungi kelas minoritas. Hasil evaluasi berbasis Confusion Matrix atau matriks silang kebingungan tebakan membuktikan bahwa arsitektur Kernel RBF dengan penalti c = 0,1 dan γ = 2 merupakan model paling tangguh, optimal, dan rasional. Kernel Polynomial terbukti terjebak ilusi akurasi karena meski mencetak Accuracy tertinggi yaitu 73,8%, namun ia lumpuh dan membiarkan 14 nasabah macet lolos yang disebut False Positive atau kesalahan fatal akibat meloloskan ancaman. Sebaliknya, Kernel RBF mempu menyeimbangkan kestabilan dengan menghasilkan Accuracy sebesar 71,2% namun tetap mempertahankan Recall atau tingkat kepekaan alat menangkap risiko yang sangat tinggi sehingga berhasil mendeteksi ancaman secara lebih akurat. Arsitektur RBF ini secara mutlak direkomendasikan sebagai otak komputasi untuk Decision Support System atau sistem cerdas pendukung keputusan perbankan di masa mendatang.

Actions (login required)

View Item