Menurunkan Presentase Kredit Macet Nasabah Dengan Menggunakan Algoritma K-Nearest Neighbor

Abstract

Abstrak: FIF adalah salah satu Lembaga keuangan yang menyediakan berbagai macam alternatif pinjaman uang bagi nasabah. Sejatinya dalam pemberian kredit kepada nasabah pihak Lembaga keuangan mengalami berbagai masalah atau resikko. Salah satu masalah atau resiko yang dialami Lembaga Keuangan dalam pemberian kredit adalah perilaku nasabh yang macet dalam pembayaran kredit yang pada akhirnya menyebabkan kredit macet. Hal ini merupakan masalah yang serius yang perlu diperhatikan oleh pihak penyedia layanan keuangan untuk lebih berhati-hati dalam menentukan nasabah karena dalam pemberian kredit sangat beresiko khusuusnya pada PT FIF Goup Cabang Arjawinangun. Teknik Pengambilan data yang digunakan dalam pembuatan tugas akhir ini adalah dengan menggunakan observasi, wawancara, studi dokumentasi, dan data nasabah PT FIF Goup Cabang Arjawinangun. Sementara itu Teknik pengolahan data menggunakan prinsip tahapan knowledge discovery in database (KDD) yang terdiri dari data, Data Cleaning, Data Information, Data mining, Patternevalution, knowledge. Sementara itu atribut yang digunakan adalah dari nomort NIK, Kelancaran, Prediksi, Confident macet, confident lancer asset, dan omset perbulan dari nasabah. Metode K-NN dengan jumlah dataset sebanyak 296 data menghasilkan nilai akurasi sebesar 71%. Kata kunci: Kredit, K-Nearest Neighbor (KNN), Prediksi. Abstract: FIF is a financial institution that provides various kinds of money loan alternatives for customers, one of which is through the provision of loans in the form of credit to customers. In fact, in providing credit to customers, financial institutions experience various problems or risks. One of the problems or risks experienced by financial institutions In the provision of credit is the behavior of customers who are bad in credit payments which ultimately causes bad credit. This is a serious problem that financial service providers need to pay attention to to be more careful in determining customers because in providing credit is very risky, especially at PT FIF Goup Cabang Arjawinangun The data collection technique used in the making of this final project is to use observation, interviews, study documentation, and customer data of PT FIF Goup Cabang Arjawinangun Meanwhile, data processing techniques use the principles of knowledge discovery in databases (KDD) stages consisting of data, data cleaning, data transformation, data mining, pattern evolution, knowledge. Meanwhile, the attributes used are the NIK number, fluency, prediction, bad confidence, smooth confidence, assets, and turnover per month from customers. The K-NN method with a total dataset of 296 data yields an accuracy value of 71%. Keywords: Credit, K-Nearest Neighbor (KNN), Prediction.